KI-Denkfehler #45: «Die KI behandelt alle Sprachen gleich»
Mitnichten. Beim Bedienen der Chatbots von Google, Claude und OpenAI kommen wir uns ja manchmal vor, als hätten wir einen Babelfisch im Ohr: Im «Hitchhikers Guide to the Galaxy» übersetzt das Tierchen jede Sprache in jede. Alle können miteinander sprechen, wir Erdlinge verstehen sogar die Vogonen. Neuerdings verstehen Sprachmodelle ja sogar Schweizerdeutsch. Haben wir also unseren Babelfisch gefunden? Spielt die einzelne Sprache keine Rolle mehr? Leider nicht: Die KI spricht zwar Deutsch, denkt aber weiterhin amerikanisch.
Wir nehmen Sprachmodelle heute als mehrsprachig wahr. Doch die grossen Chatbots sind (bei uns) im Kern englischsprachige Maschinen mit Zubehör. Sie übersetzen Inhalte nicht wie wir Menschen, sondern arbeiten in einem gemeinsamen Repräsentationsraum, der von englischen Daten geformt ist. Deutsch ist dabei eine Ausgabeschicht, die von einem Merkmalsraum gebildet wird (Basirat 2025).
Manchmal ist das an der Sprachoberfläche spürbar, wenn zum Beispiel «am Ende des Tages» «Probleme adressiert» werden. Dabei ist schlechtes Deutsch noch das kleinste Problem. Viel problematischer ist, dass die Sprachmodelle immer perfekter Deutsch sprechen, dabei aber weiterhin amerikanisch denken.
Wir sprechen Deutsch
Sprachmodelle basieren auf einem riesigen Datenkorpus: Sie haben sich nicht nur das ganze Internet, sondern auch jedes verfügbare Buch, Anleitungen oder Forenbeiträge durch den Speicher gehen lassen. Eine wichtige Rolle beim Training spielen Fachliteratur, wissenschaftliche Studien und Aufsätze. Ausgerechnet in diesem Bereich sind die Sprachen sehr ungleich verteilt: Englisch bildet als Lingua Franca der Wissenschaft die breite Basis, ein Dutzend weitere Sprachen sind solide vertreten, darunter auch Deutsch.
Fachleute sprechen von «high-resource» und «low-resource languages». Das ist keine inhaltliche Beurteilung, sondern lediglich das Abbild der statistischen Verteilung. Aber es hat dramatische inhaltliche Folgen: Weil Sprachmodelle auf Statistik beruhen, ist die Menge der Daten entscheidend. Sprachen wie Englisch, Deutsch, Chinesisch, Spanisch sind «high-resource»-Sprachen: Viele verfügbare Daten sorgen dafür, dass die KI diese Sprachen gut beherrscht. Die meisten übrigen Sprachen figurieren unter ferner liefen. Baskisch, Sorbisch oder Romanisch sind definitiv «low-resource languages».
Englisch, Deutsch, Suaheli
Doch Englisch schlägt alle anderen Sprachen: Fachliteratur, Studien und wissenschaftliche Aufsätze werden heute vor allem auf Englisch publiziert. Sie richten sich dabei meistens nach den amerikanischen Gepflogenheiten. Deshalb zerfällt unsere Welt in drei Klassen: Auf Englisch liegen viele Daten und viel Sprachinhalt vor, auf Deutsch, Französisch oder Spanisch sind zwar weniger Daten, aber immer noch genügend Sprachinhalte verfügbar, auf Romanisch und Suaheli gibt es weder genügend Daten noch genügend Sprachinhalte.
Für Deutschsprachige hat das zur Folge, dass die Sprachmodelle heute grammatikalisch (meistens) tadellos Deutsch sprechen, sogar Deutsch mit Schweizer Besonderheiten wie «ss» statt «ß». Diese Tadellosigkeit wird zum Problem, weil wir ganz vergessen, dass diese Deutsch sprechenden Bots ein amerikanisches Gehirn haben. Die Oberfläche ist deutsch, die Perspektive amerikanisch.
Denken in einer Synchronfassung
Mit Sprachmodellen erleben wir deshalb etwas Ähnliches wie mit der Synchronfassung eines Hollywoodstreifens: Bei einem gut synchronisierten amerikanischen Film merken wir gar nicht mehr, dass es kein deutscher Film ist. Trotzdem erzählt der Film weiter eine amerikanische Geschichte. Wären die Texte holperiger, würde so mancher Nutzer ein gesundes Misstrauen behalten. So erkennen viele das, was die Dienste produzieren, deutlich als Deutsch.
Bis vor kurzem waren wir Schweizer noch etwas misstrauischer, weil die Dienste oft in Deutschland-Deutsch antworteten. Sie wissen schon: «parken» statt «parkieren», «grillen» statt «grillieren» und «ß» statt «ss». Doch mittlerweile beherrschen die Modelle auch Schweizer Hochdeutsch und kennen kantonale Amtsbegriffe und die Schweizer Rechtsterminologie. Das macht sie aber eher gefährlicher. Denn die KI kennt zwar Wörter wie «Einsprache», «Rekurs» oder «Baurekurskommission», aber nicht die Rechtspraxis in Basel, Bern oder Bellinzona. Das Schweizerische Deutsch schläfert die Benutzer ein und lässt sie vergessen, dass die KI zwar mittlerweile die Sprache gut beherrscht, aber nicht unbedingt die Sache.
Auswirkungen auf die Quellenwahl
Interessanterweise haben Studien (etwa Sharma et al. 2025) festgestellt, dass Sprachmodelle eine systematische Tendenz in Richtung Informationen aus «high-resource»-Sprachen zeigen. Diese Tendenz ist vor allem dann feststellbar, wenn keine Informationen in der Sprache der Suchanfrage vorliegen. Dann greifen die Sprachmodelle auf Dokumente aus «high-resource»-Sprachen zurück. Sprachmodelle sind also voreingenommen und zwar sowohl bei faktenbasierten als auch bei meinungsbasierten Suchanfragen. Die Folge davon: Sprachmodelle verstärken Vorurteile aus Amerika. Ansichten aus Sprachen mit geringen Ressourcen drängen sie an den Rand.
Auch wenn die Modelle uns gekonnt auf Deutsch umgarnen, basieren sie oft auf angloamerikanischen Quellen: Die Trainingsdaten stammen überwiegend aus dem US-Web, die Modelle werden von US-Firmen produziert, das Feedback im Training stammt von US-Amerikanern. Wir bemerken das bei der Nutzung aber nicht, weil sie uns den amerikanischen Inhalt in deutschem Gewand servieren.
Fazit
Die digitalen Babelfische sprechen zwar viele Sprachen, transportieren aber je nach Sprache unterschiedliche Inhalte. Schlimmer noch: Je nach Sprache, in der ein Prompt formuliert ist, reagieren Sprachmodelle unterschiedlich. Es kann also auf die Sprache ankommen. Jetzt sagen Sie vielleicht: OK, dann sprechen wir halt künftig Englisch mit der KI. Das ist keine schlechte Idee, aber es ist nur ein erster Schritt. Auf Englisch erhalten Sie mehr Substanz mit sichtbarer US-Perspektive. Auf Deutsch bleibt dieselbe Perspektive unsichtbar. Die Lösung sind deshalb mehrsprachige Befragungen. Denn offensichtlich ist der Babelfisch ein Amerikaner.
Zum Ausprobieren
Arbeiten Sie deshalb bewusst mit den Sprachdifferenzen der Modelle:
1) Stellen Sie der KI dieselbe Frage aus Ihrem Fachgebiet zweimal, einmal Deutsch, einmal Englisch. Nutzen Sie dabei zwei frischen Chatfenster, sonst kontaminiert der Verlauf. Dann vergleichen Sie nicht die Sprache, sondern die Argumentation: Welche Beispiele nennt das Modell? Welche Institutionen? Welche Zahlen?
2) Befragen Sie die Modelle auf Englisch, wenn es um Technik, Forschung, Wissenschaft und Methodik geht. Das Resultat ist mehr Substanz und eine sichtbar amerikanische Perspektive, die man einordnen kann. Befragen Sie die Modelle auf Deutsch, wenn es um Recht, Verwaltung, Schule oder Gesundheit geht, fordern Sie aber ausdrücklich sprachregionale Quellen ein.
3) Fordern Sie die Modelle immer auf, die Herkunft der Quellen auszuweisen, den Rechtsraum zu benennen und bei fehlenden Schweizer Quellen ausdrücklich darauf hinzuweisen, statt übersetzte Quellen weiterzureichen.
Basel, 11. August 2026, Matthias Zehnder mz@matthiaszehnder.ch
Bild: mz/Claude/ChatGPT
Nur dank Ihrer Unterstützung sind solche Texte möglich. Herzlichen Dank dafür!
Quellen:
Basirat, Ali (2025): Multilingual Learning Strategies in Multilingual Large Language Models, in: Proceedings of the 5th Workshop on Multilingual Representation Learning (MRL 2025), Suzhuo, China 2025, S. 507–518, https://aclanthology.org/2025.mrl-main.34 [11.08.2026].
Goldfarb-Tarrant, Seraphina; Ross, Björn; Lopez, Adam (2023): Cross-lingual Transfer Can Worsen Bias in Sentiment Analysis, in: Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing, Singapore 2023, S. 5691–5704, https://aclanthology.org/2023.emnlp-main.346 [11.08.2026].
Pakray, Partha; Gelbukh, Alexander; Bandyopadhyay, Sivaji (2025): Natural language processing applications for low-resource languages, in: Natural Language Processing, 31,2, 2025, S. 183–197, https://www.cambridge.org/core/product/identifier/S2977042424000335/type/journal_article [11.08.2026].
Sharma, Nikhil; Murray, Kenton; Xiao, Ziang (2025): Faux Polyglot: A Study on Information Disparity in Multilingual Large Language Models, in: Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers), Albuquerque, New Mexico 2025, S. 8090–8107, https://aclanthology.org/2025.naacl-long.411 [11.08.2026].
