Warum kluge Leute Slop produzieren: fünf Operator-Szenarien

Der gewichtete Durchschnitt des Internets

Fangen wir mit der Mechanik an, ohne die der ganze Rest nicht zu verstehen ist.

Ein Sprachmodell ist auf einem gigantischen Textkorpus trainiert. Wenn du ihm eine Anfrage ohne jede Spezifik gibst - „schreib einen Artikel über Marketing“ - tut es exakt das, was es tun soll: Es liefert den gewichteten Durchschnitt von allem, was je über Marketing geschrieben wurde. Die häufigsten Gedanken. Die typischsten Formulierungen. Die wahrscheinlichste Struktur.

Und jetzt erinnere dich an die Definition aus der ersten Lektion. Ein Text ohne Standpunkt, ohne Spezifik, zusammengesetzt aus den abgegriffensten Formulierungen - was ist das? Slop. Der gewichtete Durchschnitt ist Slop per Definition. Nicht weil das Modell dumm wäre, sondern weil der Durchschnitt aus einer Million Texten deine Haltung, deine Zahlen und deine Erfahrung nicht enthalten kann - sie sind da schlicht nicht drin.

Daher kommt übrigens auch das berühmte Gefühl „irgendwie okay, aber irgendwas stimmt nicht“ bei rohen Generierungen. Der Durchschnitt sieht immer vertraut aus - du hast diese Formulierungen tausendmal gesehen, deshalb stolpert dein Gehirn nicht. Und er packt dich nie - aus exakt demselben Grund.

Daraus folgt die Kernaussage des Kurses: Das Modell liefert Slop nicht, wenn es schlecht arbeitet, sondern wenn man ihm nichts gegeben hat außer der Bestellung von Durchschnitt. Schuld ist nicht das Werkzeug. Schuld ist das Szenario, nach dem der Mensch gehandelt hat. Solche Szenarien gibt es fünf, und gleich wirst du dich vermutlich in einem davon wiedererkennen. Das ist normal - jeder hat zu irgendeiner Zeit in jedem davon gesteckt, der Autor dieser Zeilen eingeschlossen.

Szenario 1: Gier nach Masse

„Schreib 20 Posts für mein Instagram.“ „Generier 50 SEO-Artikel.“ „Mach einen Contentplan für drei Monate und gleich alle Texte dazu.“

Die Logik ist nachvollziehbar: Wenn das Generieren nichts kostet, warum nicht gleich mehr mitnehmen? Aber schau, was mit der Qualität passiert. Einen Post hättest du gelesen, korrigiert, geschärft. Zwanzig Posts überfliegst du diagonal und kippst sie unbearbeitet in den Planer. Masse killt die Redaktion physisch: Es bleibt weder Zeit noch Aufmerksamkeit dafür übrig.

Das Ergebnis: Dein Publikum bekommt zwanzig Portionen gewichteten Durchschnitt hintereinander serviert. Nach der dritten hört es auf zu lesen, nach der fünften meldet es sich ab. Du hast einen Arbeitstag gespart und den Kanal verloren.

Hier versteckt sich auch der Rechenfehler, den fast alle machen: Es fühlt sich an, als würden zwanzig Posts „mit ein bisschen was“ mehr Aufmerksamkeit einsammeln als ein einziger starker. In der Praxis funktioniert Reichweite genau andersrum: Algorithmen und Menschen reagieren auf Engagement, und Engagement erzeugt nur Content, der packt. Zwanzig durchschnittliche Posts ergeben zwanzig Nullen. Ein Post mit Konkretem und Haltung bringt Kommentare, Shares und Abonnenten.

Die Arbeitsregel: Generiere nur so viel, wie du ernsthaft zu redigieren bereit bist. Ein starker Post funktioniert besser als zwanzig durchschnittliche - er ist der einzige von ihnen, der überhaupt funktioniert.

Szenario 2: kein Kontext

„Schreib einen Artikel über Marketing.“ Für wen? Für den Besitzer einer Reifenwerkstatt oder die Marketingchefin einer Hotelkette? Was sollen diese Leute nach dem Lesen tun? Was denkst du selbst über das Thema? Welche Daten hast du?

Das Modell kann keine Gedanken lesen. Alles, was nicht in der Anfrage steht, ersetzt es durch den Internet-Durchschnitt. „Ein Artikel über Marketing“ ohne Kontext ist ein Artikel für niemanden: Jeder Leser spürt, dass nicht für ihn geschrieben wurde - weil tatsächlich nicht für ihn geschrieben wurde.

Vergleich zwei Anfragen. Die erste: „Schreib einen Post über den Nutzen von CRM.“ Die zweite: „Schreib einen Post für Inhaber kleiner Autowerkstätten, die ihre Kundentermine im Schulheft führen. Kernaussage: Sie verlieren Folgebesuche, weil sie sich nicht in Erinnerung bringen. Ich habe eine Zahl: Nach Einführung der Erinnerungen ist die Wiederkehrquote der Kunden innerhalb eines Quartals von 19 auf 31 Prozent gestiegen. Ton: Gespräch auf Augenhöhe, ohne Belehrungen.“

Die zweite Anfrage kostet eine Minute mehr Tipparbeit. Das Ergebnis unterscheidet sich um eine Größenordnung - weil das Modell zum ersten Mal etwas hat, womit es arbeiten kann, außer dem Durchschnitt.

Szenario 3: kein Geschmack

Das dritte Szenario ist tückischer: Der Mensch hat Kontext geliefert, ein Ergebnis bekommen - und sieht nicht, dass das Ergebnis mittelmäßig ist. Nicht weil er dumm wäre, sondern weil er gut nicht von akzeptabel unterscheiden kann. Der Text ist fehlerfrei? Ist er. Zum Thema? Ja. Na prima, veröffentlichen wir.

Das ist wie mit Kaffee: Solange du keinen guten probiert hast, scheint löslicher völlig in Ordnung. Geschmack ist die Fähigkeit, den Unterschied zwischen „geht so“ und „stark“ zu sehen, und ohne ihn nimmt der Operator das erstbeste zusammenhängende Ergebnis an. Und das erstbeste zusammenhängende Ergebnis ist, wie wir festgestellt haben, der Durchschnitt.

Der Marker dieses Szenarios ist der Satz „finde ich, ist ganz gut geworden“ - ohne ein einziges Argument, was genau gut geworden ist. Wenn du nicht benennen kannst, was an dem Text stark ist, dann ist da höchstwahrscheinlich nichts Starkes. Schnelle Erste Hilfe, solange der Geschmack noch nicht trainiert ist: Vergleich das Ergebnis nicht mit der Leere („besser als nichts“), sondern mit dem besten Beispiel deiner Nische, direkt danebengelegt. Vor einer leeren Seite sieht jeder Text wie ein Sieg aus; neben einem starken Konkurrenten siehst du sofort, was fehlt. Geschmack ist ein Skill, und er lässt sich trainieren - dem widmet sich die komplette nächste Lektion.

Szenario 4: keine Prüfung

Das Modell macht Fehler. Nicht manchmal - regelmäßig. Es erfindet Zahlen, verwechselt Daten, legt Leuten fremde Zitate in den Mund, verweist felsenfest auf Studien, die es nicht gibt. Und das alles im Ton eines Einser-Schülers, ohne den Hauch eines Zweifels.

Hier brechen selbst erfahrene Leute ein, weil wir es so gewohnt sind: Selbstsicheres Auftreten korreliert mit Kompetenz. Beim Menschen - im Schnitt ja. Beim Modell - nein. Die Selbstsicherheit des Modells bedeutet gar nichts. Es serviert dir echte Statistik genauso glatt wie ausgedachte.

Der Klassiker des Genres: Anwälte, die bei Gericht Schriftsätze mit Verweisen auf KI-generierte Präzedenzfälle eingereicht haben. Das Modell zitierte selbstbewusst Fälle, die nie existiert haben; zum Nachprüfen war man zu faul. Das Ergebnis: Sanktionen des Gerichts und Schlagzeilen in der Weltpresse. Wohlgemerkt: Das waren keine Dilettanten, sondern praktizierende Juristen. Das Szenario „keine Prüfung“ verschont niemanden.

Ein Operator ohne Prüfung veröffentlicht früher oder später eine „Harvard-Studie“, die nicht existiert. Danach: irgendjemandes Faktencheck, ein Screenshot - und deine Reputation bezahlt die gesparten zehn Minuten. Die Regel ist simpel: Jeder prüfbare Fakt wird vor der Veröffentlichung geprüft. Zahlen, Namen, Daten, Zitate, Links - alles.

Szenario 5: keine Iterationen

Das letzte Szenario ist das häufigste. Der Mensch schreibt eine Anfrage, bekommt eine Antwort, kopiert, veröffentlicht. Ein Durchgang, finito.

Aber die erste Antwort des Modells ist kein Endprodukt. Sie ist ein Entwurf und eine Einladung zum Gespräch: Hier ist mein Verständnis der Aufgabe - was korrigieren wir? Erfahrene Operatoren wissen, dass ein anständiges Ergebnis normalerweise bei der zweiten bis vierten Anfrage entsteht: nach „streich den ersten Absatz, der ist leer“, „ergänz ein Beispiel aus meinen Daten“, „schreib das Fazit neu - aktuell sagt es nichts“.

Die erste Antwort anzunehmen ist, als würde man beim Film den ersten Take nehmen. Manchmal hat man Glück. In neun von zehn Fällen nicht. Der Unterschied zwischen einem Operator, der Slop macht, und einem, der Arbeit abliefert, läuft oft auf drei zusätzliche Nachrichten im selben Chat hinaus.

Der Spiegel

Bringen wir die fünf Szenarien auf einen Gedanken. Gier nach Masse, leerer Input, Blindheit für Qualität, Leichtgläubigkeit bei Fakten, Faulheit beim Iterieren - all das sind Eigenschaften nicht des Modells, sondern des Menschen davor.

KI funktioniert wie ein Kompetenzspiegel. Ein Marketer, der seine Zielgruppe versteht, bekommt vom Modell Verstärkung: Es bringt seine Gedanken in Minuten in Form, was ohne KI einen Tag gedauert hätte. Ein Mensch, der nichts reinzustecken hat, bekommt Verstärkung der Leere - schnell und in beliebiger Menge. Das Werkzeug ist dasselbe. Die Spiegelbilder sind verschieden.

Deshalb ist der wichtigste Skill im Umgang mit KI gar nicht „Prompts schreiben können“. Es ist der Skill, zu verstehen, was du willst: für wen, wozu, mit welchem Gedanken, an welchem Kriterium du ein gelungenes Ergebnis von einem misslungenen unterscheidest. Der Prompt ist nur die Art, das zu formulieren.

Schnelle Selbstdiagnose

Fünf Fragen - eine pro Szenario. Antworte ehrlich, das dauert eine Minute:

1. Wann habe ich die KI zuletzt gebeten, mehr als fünf Content-Stücke auf einmal zu generieren - und wie viele davon habe ich wirklich redigiert?
2. War mein letzter Prompt länger als drei Sätze? Standen darin meine Fakten, meine Zielgruppe und mein Ziel - oder nur das Thema?
3. Kann ich zu meinem letzten angenommenen Ergebnis erklären, was genau daran gut ist - in drei konkreten Sätzen?
4. Habe ich jede Zahl und jeden Link im letzten veröffentlichten Text geprüft - oder aufs Wort geglaubt?
5. Wie viele Iterationen hatte die letzte Aufgabe: eine - oder zwei bis vier?

Wenn die Antwort bei zwei oder mehr Fragen unangenehm ausfällt: Glückwunsch, du hast deine Wachstumspunkte gefunden, und sie sind konkret. Das ist deutlich besser als ein abstraktes „ich muss besser mit KI arbeiten“.