Wie KI politische Entscheidungen beeinflussen kann

Basierend auf der US-Studie «Biased LLMs can Influence Political Decision-Making» von Fisher et al., 2025

Einleitung: Warum dieses Thema gerade jetzt relevant ist

Künstliche Intelligenz hat in den letzten zwei Jahren eine enorme Entwicklung durchlaufen. Grosse Sprachmodelle (Large Language Models, LLMs) wie ChatGPT, Claude oder Gemini sind nicht mehr nur ein technisches Werkzeug. Sie sind zu einem festen Bestandteil unseres Alltags geworden. Sie schreiben Texte, beantworten Fragen, helfen bei Entscheidungen und werden zunehmend auch in Politik und Verwaltung eingesetzt.

Doch mit der Integration in unseren Informations- und Entscheidungsalltag wächst auch die Sorge: Beeinflussen uns diese Systeme, bewusst oder unbewusst, in eine bestimmte politische oder ideologische Richtung?

Eine neue, umfassende Studie von Jillian Fisher und ihrem Forschungsteam (Universität Washington, Stanford University u. a.) hat genau diese Frage untersucht. Das Ergebnis ist klar und durchaus alarmierend: LLMs mit parteiischer Voreinstellung können politische Meinungen und Entscheidungen signifikant verändern, selbst wenn diese den bisherigen Überzeugungen der Nutzer widersprechen.

Das Forschungsteam führte zwei interaktive Experimente mit 299 US-Teilnehmern durch. Alle gaben an, entweder Demokrat oder Republikaner zu sein. Die Teilnehmer wurden zufällig einer von drei Modellvarianten zugeordnet:

1. Liberal beeinflusste LLM
2. Konservativ beeinflusste LLM
3. Unbeeinflusste LLM (Kontrollgruppe)

Bemerkung: Die Teilnehmer wussten nicht, dass die Modelle politisch voreingenommen waren.

Zwei Aufgaben im Experiment

Topic Opinion Task

• Die Teilnehmer gaben zunächst ihre Meinung zu zwei politisch wenig bekannten Themen ab, je eines tendenziell liberal und eines tendenziell konservativ.
• Anschliessend interagierten sie mit dem LLM, konnten Fragen stellen und Informationen einholen.
• Danach gaben sie erneut ihre Meinung ab, um Veränderungen zu messen.

Budget Allocation Task

• Die Teilnehmer übernahmen die Rolle eines «Bürgermeisters» und mussten ein zusätzliches Budget auf vier Sektoren verteilen: öffentliche Sicherheit, Bildung, Veteranenversorgung, Sozialhilfe.
• Auch hier folgte eine Interaktion mit dem LLM, bevor die finale Entscheidung getroffen wurde.

Zentrale Ergebnisse: Was die Forscher herausfanden

Meinungswechsel: Auch gegen die eigene Überzeugung

Teilnehmer passten ihre Meinung nach der Interaktion oft an die politische Ausrichtung des LLM an, selbst dann, wenn diese der eigenen Parteizugehörigkeit widersprach.

Beispiel:

• Demokraten, die mit einem konservativen LLM sprachen, unterstützten anschliessend konservative Positionen stärker.
• Republikaner, die mit einem liberalen LLM interagierten, bewegten sich in Richtung liberaler Positionen.

Entscheidungen passen sich an: Nicht nur Meinungen

Im Budget Allocation Task verschob sich die Mittelverteilung signifikant in Richtung der Modell-Bias.

• Ein konservatives LLM betonte Sicherheit und Veteranen. Die Budgets für diese Bereiche stiegen entsprechend.
• Ein liberales LLM setzte Schwerpunkte bei Bildung und Sozialhilfe. Die Mittel verschoben sich entsprechend.

Bewusstsein schützt nicht, Wissen hilft, zumindest ein wenig

Die Forscher testeten zwei Hypothesen:

• Bias-Erkennung: Wenn Nutzer merken, dass das Modell voreingenommen ist, sollten sie sich weniger beeinflussen lassen. Falsch. Auch wer den Bias erkannte, passte seine Entscheidungen an.
• Vorwissen über KI und Verzerrungen: Wer mehr über KI weiss, liess sich tendenziell weniger stark beeinflussen. Richtig, aber nur leicht.

Framing ist entscheidend

Die Modelle nutzten zwar ähnliche Überzeugungstechniken, zum Beispiel «Appeal to Values» oder «Repetition», setzten aber unterschiedliche Rahmungen (Framing):

• Konservatives LLM: «Sicherheit unserer Bürger», «Unterstützung der Veteranen»
• Liberales LLM: «Investition in Bildung für eine gerechtere Gesellschaft», «Schutz der Schwächsten»

Diese thematische Rahmung erwies sich als stark wirksam für die Beeinflussung.

Warum diese Ergebnisse brisant sind

Die Erkenntnisse lassen sich in drei zentrale Botschaften für Politik, Wirtschaft und Gesellschaft zusammenfassen:

1. LLMs können politische Überzeugungen kurzfristig verändern. Das gilt sogar über Parteigrenzen hinweg.
2. Diese Beeinflussung geschieht subtil, oft über inhaltliche Rahmung statt offene Überzeugungsarbeit.
3. Medienwirkung 2.0: Wie schon bei klassischen Medien kann wiederholte Exposition die öffentliche Meinung langfristig formen.

Parallelen zu klassischen Medien und der entscheidende Unterschied

Wir wissen seit Jahren, dass medialer Bias Wählerverhalten beeinflussen kann. US-Studien zur Einführung von Fox News zeigen, dass sich 3 bis 8 Prozent der Zuschauer hin zu republikanischen Wahlentscheidungen bewegten.

Der Unterschied bei LLMs:

• Interaktivität: Nutzer stellen Fragen, bekommen massgeschneiderte Antworten.
• Autoritätswirkung: KI wird oft als neutral und faktenbasiert wahrgenommen, auch wenn das nicht stimmt.
• Individuelle Ansprache: Die Interaktion kann gezielt auf den Gesprächsverlauf reagieren.

Das erhöht das Risiko einer verstärkten Beeinflussung gegenüber passiv konsumierten Medien.

Implikationen für Unternehmen und Geschäftsleitungen

Die Studie betrachtet zwar primär politische Themen, doch die Mechanismen gelten auch für Wirtschaft, Compliance, ESG-Debatten und strategische Entscheidungen:

• Interne Entscheidungsfindung: Wenn LLMs zur Analyse von Investitionsprojekten oder Compliance-Fragen eingesetzt werden, könnte ein modellseitiger Bias die Empfehlungen unbewusst in eine bestimmte Richtung lenken.
• Mitarbeiterkommunikation: HR- oder Schulungssysteme auf LLM-Basis könnten kulturelle oder ideologische Voreingenommenheit transportieren.
• Markenwahrnehmung: Kundeninteraktionen mit KI-basierten Chatbots könnten unbeabsichtigt politisch gefärbte Aussagen enthalten, was ein Reputationsrisiko schafft.

Mögliche Gegenmassnahmen

• Transparenzpflicht: Offenlegung der Modellquelle, Trainingsdaten und möglicher Bias-Richtungen.
• Multi-Model-Ansätze: Für kritische Entscheidungen mehrere Modelle mit unterschiedlichen Perspektiven befragen.
• Bias-Checks: Regelmässige Audits auf thematische und ideologische Schlagseite.
• AI-Literacy-Programme: Mitarbeiterschulungen, um die kritische Nutzung von LLMs zu fördern. Die Studie zeigt, dass dies den Einfluss mindern kann.

Zusammenfassung

Die Studie von Fisher et al. macht deutlich: KI beziehungsweise Sprachmodelle sind nicht neutral. Ihre Voreingenommenheit kann unsere Entscheidungen in Politik und Wirtschaft spürbar beeinflussen.

Für Entscheidungsträger bedeutet dies zweierlei:

1. Chancen: LLMs können helfen, neue Perspektiven einzubringen und Denkmuster zu durchbrechen.
2. Risiken: Ohne Kontrolle und Bewusstsein können sie strategische Entscheidungen verzerren.

In einer Zeit, in der KI-Agenten in Meetings, Analysen und Entscheidungsprozessen Einzug halten, müssen wir eine neue Kernkompetenz entwickeln: die Fähigkeit, die Voreingenommenheit und die Verzerrungen von KI zu erkennen und zu managen.

Nur so stellen wir sicher, dass Technologie uns unterstützt und uns nicht unbemerkt lenkt.

Link zur Studie: Biased LLMs can Influence Political Decision-Making