Pip Bingemann eröffnet Verkaufsgespräche mit einem Zahlentrick. Er bittet ChatGPT, Claude oder Gemini um eine Zufallszahl zwischen 1 und 10 — und bekommt fast immer die 7. Der Gründer des australischen Start-ups Springboards führt damit vor, wie berechenbar die großen Sprachmodelle antworten, wenn man ihnen freie Wahl lässt. Die MIT Technology Review hat den Trick nachgestellt; er funktionierte.
Hinter dem Partytrick steckt ein vermessenes Muster. Ein Forschungsteam stellte 25 Sprachmodellen je 50-mal die Aufgabe, eine Metapher über die Zeit zu schreiben. Der Großteil der 1.250 Antworten war eine Variante von „Die Zeit ist ein Fluss". Die Arbeit mit dem Titel „Artificial Hivemind" wurde auf der Fachkonferenz NeurIPS als bestes Paper ausgezeichnet. Die Forscher vermuten die Ursache im Training: Die meisten Modelle lernen auf ähnlichen Daten, mit ähnlichen Methoden, für ähnliche Aufgaben — und belohnt wird die wahrscheinlichste Antwort, nicht die eigenwillige.
Beim Programmieren oder Recherchieren stört das niemanden, dort ist die verlässliche Antwort die richtige. Beim Ideenfinden kehrt sich das um. Wer Kampagnen, Produktnamen oder Strategien mit KI entwickelt, schöpft aus derselben Quelle wie Millionen andere — und bekommt denselben Durchschnitt. Als Bingemann drei Modelle um einen Werbespruch für New-Balance-Laufschuhe bat, lieferten Claude und ChatGPT wortgleich „Run your way".
Springboards hat darauf ein eigenes Modell gebaut. Flint, entwickelt auf Basis des offenen Modells Qwen 3, erhöht die Zufälligkeit nicht pauschal — das macht Modelle erfahrungsgemäß wirr —, sondern gezielt an den Stellen einer Antwort, an denen die Entscheidung fällt: kurz bevor das Modell ein Reiseziel, einen Namen oder eine Idee nennt. Eine Strategieberaterin, die das Werkzeug testet, beschreibt es als Katapult in ungewohnte Richtungen — und als Prototyp, der bei zu viel Druck zusammenbricht.
Ob Flint sich durchsetzt, ist offen. Die Beobachtung dahinter bleibt trotzdem unbequem: Der Durchschnitt ist jetzt kostenlos, sofort verfügbar und für alle gleich. Teams, die KI beim Denken einsetzen, brauchen deshalb Verfahren gegen die eingebaute Gleichförmigkeit — mehrere Modelle nebeneinander, bewusst gewählte Umwege und ein eigenes Urteil darüber, welche Idee die Weiterarbeit lohnt. Ein Nutzer des Werkzeugs bringt die Grenze auf den Punkt: Den meisten reicht das Gut-genug. Wer auffallen will, dem reicht es nicht.