Beleg statt Behauptung: coole KI-Zahlen im Faktencheck

Mir begegnen ständig KI-Zahlen, die zu gut klingen, um wahr zu sein, und meistens sind sie es auch nicht. Griffig, präzise, mit einer Nachkommastelle, oft in einem Podcast oder Vortrag als Fakt präsentiert. Und fast immer fehlt das Einzige, worauf es ankommt: eine nachprüfbare Quelle. Das ist meine Einordnung, keine Rechtsberatung, aber als Auditor kann ich es nicht anders sagen: Eine Zahl ohne Quelle, Definition und Scope ist kein Beweis. Sie ist ein Gefühl mit Nachkommastelle. Ich habe vier vielzitierte KI-Zahlen mitgebracht und sie geprüft. Keine davon hält das, was sie verspricht.

Warum griffige Zahlen so gut funktionieren

Präzision wirkt wie Wahrheit. Eine runde Aussage wie viele Firmen nutzen KI überzeugt niemanden. Genau 8 Prozent mehr Qualität oder das Siebenfache klingt nach Messung, nach Studie, nach Substanz. Genau deshalb werden solche Zahlen so gern verwendet, gerade dort, wo etwas verkauft werden soll, eine Ausbildung, ein Tool, eine Beratung. Die Zahl erzeugt Handlungsdruck: Wenn andere schon so weit sind, muss ich jetzt handeln. Der Trick funktioniert, weil kaum jemand nachfragt. Fragen wir also nach.

Beispiel 1: Trinkgeld für die KI bringt 8 Prozent mehr Qualität

Diese Zahl wird gern einer großen Studie von Meta zugeschrieben. Beides ist falsch. Der berühmte Trinkgeld-Trick, also der KI Geld zu versprechen, damit sie sich mehr anstrengt, geht auf ein virales Twitter-Experiment eines Nutzers unter dem Namen thebes von Ende 2023 zurück. Das war kein wissenschaftlicher Aufbau, und gemessen wurde vor allem die Länge der Antwort, nicht ihre Qualität. Mit Meta hatte es nichts zu tun.

Die reale 8-Prozent-Zahl stammt aus einer völlig anderen Arbeit: EmotionPrompt, von Forschenden bei Microsoft und der Chinesischen Akademie der Wissenschaften. Dort ging es nicht um Trinkgeld, sondern um emotionale Sätze wie das ist wichtig für meine Karriere. Und selbst dieser Effekt ist klein, schwankend und in neueren, stärker trainierten Modellen weitgehend verschwunden. Aus einem engen, unsicheren Laborbefund wird im Vortrag ein hartes Verkaufsargument. So entsteht aus zwei verschiedenen Dingen eine falsche dritte Behauptung.

Beispiel 2: Das Siebenfache laut Microsoft

Manchmal reicht ein Firmenname als Beleg. Microsoft habe herausgefunden, dass irgendetwas siebenmal so schnell oder so viel sei. Ich habe die naheliegende Quelle geprüft, den Work Trend Index von Microsoft, über die Jahrgänge 2024 bis 2026. Diese konkrete Siebenfach-Zahl steht dort nicht. Das heißt nicht, dass niemand irgendwo einmal etwas Ähnliches gesagt hat. Es heißt: Wer sie als Microsoft-Fakt verkauft, müsste die Fundstelle nennen können. Kann er das nicht, ist es kein Beleg, sondern ein geliehener Name.

Beispiel 3: Über 50 Prozent des Microsoft-Codes schreibt die KI

Auch hier lohnt der genaue Blick. Was Satya Nadella tatsächlich gesagt hat, war zurückhaltender: In einzelnen Projekten stammten grob 20 bis 30 Prozent des Codes von KI, nicht über die Hälfte des gesamten Codes. Die oft zitierten über 50 Prozent waren eine Prognose von Mark Zuckerberg für Meta, also eine Erwartung für die Zukunft, kein gemessener Ist-Wert. Zwei Firmen, zwei Aussagen, in der Nacherzählung zu einer Zahl verschmolzen.

Dazu kommt eine feine, aber wichtige Unterscheidung. KI-generiert, von einem Menschen angestoßen, geprüft und verantwortet ist etwas anderes als von der KI geschrieben. Wer beides gleichsetzt, macht aus einem Werkzeug einen Autor und verschiebt damit unbemerkt die Verantwortung.

Beispiel 4: Die KI wird im Dezember faul

Ein hartnäckiger Mythos besagt, ein bekanntes Modell werde im Dezember messbar träger, weil es sich am Trainingsdatensatz eine Art Winterpause abgeschaut habe. Ursprung ist ein Twitter-Thread von Ende 2023. Der Effekt ließ sich in sauberen Nachprüfungen nicht stabil bestätigen, und die Auswertung war statistisch angreifbar. Der Hersteller hat nie eine Winter-Ursache bestätigt. Eine gute Geschichte, aber eben kein Befund.

Eine Zahl ohne Quelle, Definition und Scope ist kein Beweis, sondern ein Gefühl mit Nachkommastelle.

Die eine Rückfrage, die alles entscheidet

Sie müssen kein Statistiker sein, um sich zu schützen. Es reicht eine Frage: Wo steht das, und was genau wird gezählt? Wo steht das zielt auf die Primärquelle. Nicht ein Screenshot, nicht ein anderer Podcast, sondern die Studie, der Geschäftsbericht, die Originalaussage. Was genau wird gezählt zielt auf Definition und Scope. 50 Prozent wovon, gemessen wie, bei wem, in welchem Zeitraum. Sobald eine dieser beiden Antworten fehlt, ist die Zahl für eine Entscheidung wertlos.

Das ist kein akademischer Luxus. Wer Personal, Budget oder eine ganze KI-Strategie auf einer geliehenen Zahl aufbaut, steuert nach einem Tacho, der nicht angeschlossen ist. Im Audit ist die Haltung dieselbe wie am Prüfstand: erst der Beleg, dann die Aussage. Beleg statt Behauptung ist keine Erbsenzählerei. Es ist der Unterschied zwischen einer Entscheidung und einem Bauchgefühl im Anzug.

Meine klare Kante: Wer Ihnen exakte KI-Zahlen präsentiert und auf die Frage nach der Quelle nur mit glaube ich oder habe ich gehört antwortet, verkauft Ihnen kein Wissen, sondern Dringlichkeit. Nehmen Sie die Zahl mit, aber nicht als Fakt, sondern als Behauptung, die noch auf ihren Beleg wartet.