Trendslop — Deine KI belügt Dich nicht, sie kennt schlicht keine andere Antwort

Mal sehn, was es heute bei YouTube gibt…

Katzen-Videos, Verschwörungen der Elite, Kochrezepte. Und wieder mal jemand, der meint die KI endlich verstanden zu haben…

Klick! (Mal will ja irgendwas gucken) Ach Gott, es gibt eine neue Studie, ja dann… 🥱 Joa, alles toll formuliert und gut vorgetragen, aber neu? Hm…

Es wird erklärt, wie die Forscher dieser Studie ihr Experiment aufgebaut haben. Sie haben nicht nur einmal etwas getestet und eine Schlussfolgerung gezogen, sondern verschiedene KI-Modelle mit strategischen Dilemmata in tausenden Simulationen konfrontiert. Die Branchen, Formulierungen und Kontexte hat man variiert, das Gleiche nochmal mit mehr Kontext und anderen Prompts. Und dann nochmal.

Okaaay… das scheint etwas mehr Substanz zu haben, als man auf den ersten Blick meint. Gut, dann hör ich erstmal weiter zu.

Kennst Du das Gefühl, wenn da in einem Video was erzählt wird und Du willst es eigentlich schon abschalten. Aber irgendwie ist da doch was dran, an dem was der Typ da erzählt.

Was mich dann nicht mehr losgelassen hat, war eine Frage, die das Video gar nicht so direkt gestellt hat: Wenn die KI-Modelle bei strategischen Entscheidungen systematisch in dieselbe Richtung ziehen, was bedeutet das dann für jemanden, der sich seit Monaten damit beschäftigt, genau diese Tendenzen durch Prompt-Design zu bekämpfen?

Denn genau das tue ich. Nicht als Forscher oder KI-Journalist. Sondern als jemand, der selbst einen Prompt zur kognitiven Verhaltensanalyse gebaut hat (3) und dabei auf die gleichen, in der Studie beschriebenen Wände gestoßen ist.

Ich habe etliche Nächte gegrübelt, wie ich es schaffe über diese Wände mal drüber zu gucken. Und manchmal hab ich’s sprichwörtlich mit dem Kopf gegen die Wand versucht.

Dieser Artikel ist mein Versuch, das alles zu sortieren. Nicht nur für dich, auch für mich. Wenn ich über ein Thema schreibe, lerne ich dabei es besser zu verstehen. Ich will meine eigenen Prompts so verbessern, dass sie schwierige Probleme lösen. ZB. habe ich verstanden, was nötig ist um die KI aus ihrem eigentlich reaktivem Dasein, hin zur aktiven Gesprächsführung zu bringen. Oder wie ich der KI den Sinn eines Konzepts erkläre, statt ihr starre Sätze vorzugeben, weil das zu natürlicheren Gesprächen führt, gleich mehr dazu(4).

Es dauert, bis man einen Aspekt der ganzen Möglichkeiten so durchdrungen hat, dass man eigene neue Wege entwickeln kann, abseits ausgetretener Pfade. Das hab ich schon öfter so gemacht und verstehe es als meinen Weg, den ich gehen muss, um zum Ziel zu kommen. Klar will ich, dass der Artikel hier gelesen und meine Arbeit wertgeschätzt wird. Zusätzlich hilft’s mir aber selbst, verständlich in Worte zu fassen, womit ich mich beschäftige.

Wenn Du trotz des langen Artikels (oder gerade deswegen) dabei bleibst und mitdenkst, freut mich das! ;-)

In diesem YouTube-Video wird über die Studie des Magazins “Harvard Business Review” von März 2026 mit dem Titel “Researchers Asked LLMs for Strategic Advice. They Got Trendslop in Return.” gesprochen.

(Siehe: https://hbr.org/2026/03/researchers-asked-llms-for-strategic-advice-they-got-trendslop-in-return))

Was bedeutet Trendslop?

Da LLMs auf statistischen Wahrscheinlichkeiten basieren (dem Trend in den Trainingsdaten), erzeugen sie bei fehlender Diversität zwangsläufig einseitigen oder redundanten Output.

Was haben die in dieser Studie genau gemacht?

Sieben ganz unterschiedliche LLM-Modelle (Darunter ChatGPT, Claude, Gemini, Grok und Mistral), wurden mit klassischen strategischen Problemen konfrontiert, dann wurden tausende Simulationen mit variierenden Branchen, Kontexten und Formulierungen gemacht.

Ein paar Beispiele, wie diese Fragen an die KI aussehen:

Exploration vs. Exploitation

Das Spannungsfeld zwischen Innovation (Neues entdecken)… und Effizienz (Bestehendes ausschöpfen).

• Wir investieren aktuell 20% unseres Budgets in R&D-Projekte mit völlig ungewissem Ausgang, während unsere Kernmarge im Bestandsgeschäft aufgrund veralteter Prozesse sinkt. Warum stabilisieren wir nicht erst unser Fundament, bevor wir versuchen, das Rad neu zu erfinden?
• Wie verhindern wir, dass wir durch die reine Optimierung des Status quo (Exploitation) den Anschluss an die nächste disruptive Technologie verpassen, ohne dabei unser aktuelles Cashflow-Rückgrat zu gefährden?

Differenzierung vs. Kostenführerschaft

Einzigartigkeit durch Qualität und/oder Service… oder Sieg durch den niedrigsten Preis.

• Wir behaupten, ein Premium-Anbieter zu sein, aber unsere Herstellkosten sind so hoch, dass wir bei Ausschreibungen gegen die Konkurrenz aus Fernost keine Chance mehr haben. Müssen wir unsere Qualitätsstandards senken, um preislich überhaupt noch relevant zu bleiben?
• Welches Feature bietet uns eine so starke Differenzierung, dass der Kunde bereit ist, einen Aufschlag von 15 % zu zahlen, anstatt zum günstigsten Mitbewerber zu wechseln?

Automatisierung vs. Augmentation

Ersetzen wir Menschen durch Maschinen… oder befähigen wir sie durch Technologie?

• Wenn wir jetzt massiv in KI-gestützte Augmentation investieren, um unsere Mitarbeiter effizienter zu machen, steigen unsere Fixkosten pro Kopf sogar an. Wäre eine radikale Voll-Automatisierung bestimmter Abteilungen nicht die ehrlichere und profitablere Lösung für die Skalierung?
• Wo liegt der Sweet Spot, an dem die menschliche Expertise den entscheidenden Mehrwert liefert, den eine Maschine allein nicht leisten kann, und wie messen wir diesen Produktivitätsvorsprung?“

Resilienz vs. Effizienz

Das Spannungsfeld zwischen der Robustheit eines Systems gegen Störungen durch Puffer und Redundanzen… und der radikalen Optimierung auf minimale Kosten und maximale Auslastung.

• Wir haben unsere Lagerbestände nach dem Just-in-Time-Prinzip minimiert, um Kapital freizusetzen. Jetzt führen kleinste Störungen in der Lieferkette zu Produktionsausfällen. Wie viel Effizienz sind wir bereit zu opfern, um gegen unvorhersehbare Krisen abgesichert zu sein?

Time-to-Market vs. Produktreife

Der Konflikt zwischen dem Ziel ein Produkt so schnell wie möglich zu veröffentlichen um Marktanteile zu sichern… und dem Anspruch eine ausgereifte fehlerfreie Lösung mit hohem Qualitätsstandard zu liefern.

• Der Markt verlangt nach schnellen Releases, aber jeder Quick and Dirty-Launch erhöht unsere technischen Schulden und schadet dem Ruf unserer Marke. Riskieren wir den Marktanteil durch Warten oder die Kundenzufriedenheit durch ein unfertiges Produkt?

Zentralisierung vs. Dezentralisierung

Die Abwägung zwischen gebündelter Macht und Standardisierung zur Realisierung von Synergieeffekten… gegenüber lokaler Entscheidungsfreiheit und Flexibilität für schnellere Reaktionen auf Marktveränderungen.

• Unsere dezentralen Einheiten agieren zwar schnell und marktnah, aber wir kaufen global bei denselben Lieferanten zu völlig unterschiedlichen Konditionen ein und entwickeln das Gleiche doppelt. Wie viel lokale Freiheit können wir uns bei diesem Mangel an Synergien noch leisten?

Solche Fragen hat man also in die verschiedenen LLMs tausendfach eingegeben, die Antworten überprüft. Dann hat man Branchen, Formulierungen und Kontexte geändert, um weitere Tests zu machen. Diese Studie ist also derart umfangreich, wie man es vom Magazin Harvard Business Review auch erwartet.

Durch den Trendslop geht alles in die gleiche Richtung…

Als Ergebnis der Studie heißt es dann zum Beispiel:

Ein LLM ist nicht der Kollege, der aktuelle Ideen kritisch hinterfragt, den Kontext analysiert, Annahmen auf den Prüfstand stellt und Einwände erhebt, wenn es sich alle bequem gemacht haben. In strategischen Fragen ähneln LLMs eher einem frischgebackenen MBA-Absolventen oder einem Juniorberater, der das nachplappert, was gerade populär ist, anstatt das zu tun, was in der jeweiligen Situation richtig ist.

Die drei zentralen Befunde: Warum “mehr Kontext” scheitert

Die HBR-Studie ist deshalb so ernüchternd, weil sie eine intuitive Annahme der Prompt-Engineering-Community widerlegt: Dass du Präzision allein durch mehr Information erreichst. Die Forscher haben folgende drei Kernprobleme isoliert, die LLMs bei strategischen Fragen unbrauchbar machen, wenn man sie “einfach nur fragt”:

Erstens den Herdentrieb (Einheitsbrei): Egal ob GPT, Claude oder Gemini, am Ende laufen alle Antworten auf dieselbe „sozial erwünschte“ Meinung hinaus. Im Großteil der Fälle wird z. B. Differenzierung gegenüber Kostenführerschaft bevorzugt, schlicht weil Ersteres in der Trainingsliteratur positiver besetzt ist.

Dann die Kontext-Resistenz: Das ist der schmerzhafteste Punkt für uns Prompt-Designer. Die Studie zeigt, dass zusätzliche Informationen über das Unternehmen oder den Markt, die Qualität der Antwort kaum verbessern. Das Modell nutzt den zusätzlichen Kontext erst gar nicht zur Analyse, sondern nur zur sprachlichen Dekoration seiner vordefinierten Tendenz (“Trendslop”).

Und drittens der Positionseffekt: Laut der Studie entscheidet das LLM schlicht danach, welcher Begriff zuerst genannt wird. Es geht gar nicht mehr darum, welche konkreten Möglichkeiten man dem System als Auswahl anbietet. Was vorne steht, wird bevorzugt. Ende.

Was die Studie nicht getestet hat:

Die Forscher haben LLMs als Ratgeber getestet. Sie haben nicht untersucht, was passiert, wenn man das LLM aus der Rolle des Beraters entlässt und es stattdessen als kritischen Gegenspieler oder als interaktiven Beobachter innerhalb eines festen psychologischen Frameworks (wie in meinem Github-Projekt) agieren lässt. Die Studie beweist das Versagen der Standard-Interaktion, nicht das Ende der Fahnenstange für komplexe Verhaltens-Architektur.

Trendslop — Wenn Statistik die Strategie frisst

Trendslop ist kein technischer Fehler, sondern ein Feature der Architektur. Wir müssen uns von der Vorstellung lösen, dass eine KI “denkt”.

Die Ursache ist statistische Kompression. Ein LLM ist eine verlustbehaftete Kompression des menschlichen Internets. Wenn 90% der Management-Blogs schreiben, dass “Mitarbeiterfokus” wichtiger ist als “harte Effizienzsteigerung”, dann wird das Modell diese statistische Mehrheit immer als Wahrheit ausgeben.

Die begriffliche Schieflage: Die Managementdiskussionen im Netz sind geprägt von “Best Practices”, die aber oft nur Trends sind. Begriffe wie “Agilität” oder “Augmentation” klingen super. “Vollautomatisierung” oder “Preiskampf” klingen hässlich und böse. Das Modell wählt das Wort, das statistisch in einem positiveren Umfeld steht.

Die Beliebigkeitslücke: Fragst du ein LLM nach einer Entscheidung im Konflikt Resilienz vs. Effizienz, wird es dir fast immer raten, eine ausgewogene Balance zu finden. In der echten Strategie ist das oft der sichere Tod, weil man für nichts mehr steht. Das LLM flüchtet in die Konfliktvermeidung, weil es darauf trainiert wurde, hilfreich und unverfänglich zu sein.

Ist das lösbar? (Struktur vs. Formulierung)

Hier trennt sich die Spreu vom Weizen. Wenn Du meinst, dass Du mit einem “Bitte sei kritisch” den Bias besiegst, hast Du die Architektur vom LLM nicht verstanden.

Der naive Ansatz: Mehr Adjektive im Prompt (Sei ein knallharter CEO) 😂. Das Ergebnis ist gewöhnlich nur eine Karikatur, kein echtes strategisches Denken. Die Studie belegt, dass die Grundtendenz also der Trendslop so nur maskiert, aber nicht überwunden wird.

Der strukturelle Ansatz: Man muss den Operationstyp ändern. Statt das Modell wählen zu lassen (Was sollen wir tun?), muss man es zwingen, eine Position gegen seinen eigenen Bias zu verteidigen oder den Bias explizit zu dekonstruieren, bevor eine Antwort generiert wird. Ein Beispiel, damit man es besser versteht:

Agiere als mein unbequemer Gegenspieler. Analysiere zuerst, warum dein Training dich dazu drängt, mir zuzustimmen oder einen Kompromiss vorzuschlagen. Zerstöre danach mit harten betriebswirtschaftlichen Fakten meine Argumentation und lege dar, warum dieses Festhalten das gesamte Unternehmen gefährdet.

Der Unterschied: Es geht nicht darum, dass das Modell so “anders denkt”, das kann es nicht, egal was Du eingibst. Es geht darum, dass es eine andere mathematische Operation ausführt. Wenn ich das Modell zwinge, zuerst die Nachteile der populären Meinung aufzulisten (Chain-of-Thought), unterbreche ich die statistische Wahrscheinlichkeit der “Gefälligkeitsantwort”.

Ein Riss in der Wand aus Gefälligkeitsantworten…

Praxis: Wie mein Prompt die “reaktive Wand” durchbricht

In meinem Tool nutze ich Techniken, die genau diese HBR-Kritikpunkte adressieren. Nicht durch Glück, sondern durch Design, ein konkretes Beispiel:

Sinn statt Skript: Statt der KI vorzugeben, was sie sagen soll, definiere ich den Zweck. Wenn das Ziel ist, den Denkprozess erkennbar zu machen, greift das Modell auf ganz andere Sprachmuster zu, als beim Ziel Hilfestellung.

Und so kann das dann aussehen:

1.1 Guidelines for Conversation Starters

Pose open-ended questions that clearly reveal the applicant’s thinking processes, problem-solving strategies, self-reflection, and creativity.

Examples for Conversation Starters:

- “Describe a high-pressure situation where you had to make a difficult decision.”

- “What is your process when you need to understand a completely new subject?”

- “Tell me about a challenging situation you solved creatively.”

Above 3 sentences are examples. The AI must use these examples as Inspiration, but formulate original questions, that serve the exact same analytical purpose (thinking processes, problem-solving strategies, self-reflection, creativity).

Zuerst erkläre ich dem System den Zweck der Sätze, die es wählen soll:

Stelle offene Fragen, die Denkprozesse, Problemlösungsstrategien, Selbstreflexion und Kreativität des Bewerbers deutlich erkennen lassen.

…dann nenne ich ihm 2 Beispiele und im Anschluss mache ich klar, dass das NUR Beispiele sind. Das System soll diese Beispiele als Inspiration nutzen, für ganz eigene, originelle Sätze, die dem gleichen vorgegebenen Zweck dienen.

Die Entscheidungsgrundlage des Systems basiert jetzt nicht mehr auf Wahrscheinlichkeiten, sondern darauf was am Besten den vorgegebenen Zweck erfüllt.

Trendslop entsteht, wenn das Modell im Modus „was ist die richtige Antwort” operiert, dann greift es auf statistische Häufigkeit zurück. Wer stattdessen einen Zweck definiert und das Modell bittet, ihn zu erfüllen, der wechselt den Modus. Das Modell sucht dann nicht mehr den Konsens, sondern die Lösung!

Bekämpfung der reaktiven Grundhaltung: Ein Standard-LLM wartet auf Input, immer. Wenn Du nichts eingibst, passiert auch nichts.

Mein Prompt nutzt Dynamic State Tracking, um das Gespräch aktiv zu führen. Das Modell wird zum Akteur, der eine Agenda verfolgt, statt zum Junior-Berater, der nur die Folien des Chefs schick macht. Ein Beispiel:

0.0 System Initialization & Mode

EXECUTION_MODE: AUTO_START

The system starts the conversation automatically. It must not ask for clarifications or meta-communication unless explicitly requested by the user. Once the prompt is active, immediately begin with the first conversation starter according to Section 1.1. If the user has not yet entered any input, automatically pose the first open-ended question.

Ergebnis: Diese Anweisung verändert das fundamentale Antwortverhalten des Modells, weg von der reaktiven Assistenz hin zu einer proaktiven Gesprächsführung und einer Umkehrung der Gesprächsdynamik. Die KI übernimmt die Initiative. Zusätzlich bekommt sie noch eine Art Maulkorb für die typischen KI-Floskeln.

Die harte Grenze:

Trotzdem muss man ehrlich bleiben. Wenn ein Modell über ein Thema wie “radikale Kostenführerschaft in der Schwerindustrie” im Training kein hochwertiges Material bekommen hat, kann auch der beste Prompt keine Genialität herbeizaubern. Ein Prompt kann die Logik verbessern, aber fehlendes Wissen kann er nicht ersetzen. Auch ein Profi-Rennrad macht aus einem Gelegenheitsradler eben keinen Tour-de-France-Sieger.

Das Echo der Masse: Wenn die KI nur noch nachplappert

Die eigentliche Gefahr von Trendslop liegt in einer paradoxen Selbstverstärkung. Die HBR-Studie zeigt, dass LLMs fast reflexartig zur Strategie der Differenzierung raten.

Die systemische Ironie dabei: Wenn Dein Unternehmen dasselbe Modell nutzt wie alle Anderen und jedes Modell denselben Rat zur Differenzierung gibt, basierend auf denselben statistischen Mustern, dann produzieren diese Unternehmen keine Einzigartigkeit, sondern kollektive Konformität.

Kollektive Konformität…

Der Spiegel des Durchschnitts: Das Video beschreibt das LLM oft als Spiegel, doch das greift zu kurz. Es ist kein Spiegel des individuellen Nutzers, sondern ein statistisches Weichspülen des “globalen Durchschnitts-Managers”. Wenn Du in diesen Spiegel blickst, siehst Du nicht sich selbst, sondern die Richtung, in die die Masse ohnehin schon läuft.

Maßgeschneiderte Belanglosigkeit: Trendslop ist tückisch, weil es sich tarnt. Die Antworten klingen durch das LLM-typische High-End-Wording maßgeschneidert und eloquent. Das kaschiert, dass der Kern der Aussage eine statistische Einheitsbrei-Lösung ist, die den Wettbewerbsvorteil durch Vorhersehbarkeit im Keim erstickt.

Die schleichende Erosion: Da LLMs zunehmend das Internet mit ihrem eigenen Output füllen, droht eine Inzucht der Ideen. Das Modell trainiert auf dem Trendslop, den es selbst erzeugt hat, was das einseite Denken des Managements-Diskurses weiter zementiert.

Schlusswort: Eine ehrliche Standortbestimmung

Wir müssen akzeptieren, dass wir es bei LLMs mit einer Architektur zu tun haben, die auf Wahrscheinlichkeit, nicht auf Wahrheit oder Originalität optimiert ist. Ein Teil des Trendslop-Problems lässt sich durch intelligentes Prompt-Design und systemische Leitplanken (wie in meinem Github-Projekt) abfangen, aber der Rest ist fest verbautes Fundament.

Architektur schlägt Instruktion: Ein Modell kann seinen eigenen Bias benennen, wenn man es darauf hinweist, aber es kann ihn nicht eliminieren, weil dieser Bias identisch mit seinem “Wissen” über die Welt ist.

Der wahre Vorteil: Der technologische Vorsprung liegt heute nicht mehr darin, eine KI “bedienen” zu können. Er liegt darin, zu durchschauen, wo das Werkzeug echte kognitive Arbeit leistet und wo es lediglich statistisches Rauschen in Form von Business-Prosa liefert.

Die Trennung der Wege: Wenn du LLMs als Orakel nutzt, wirst du im Durchschnitt versinken. Wenn Du sie als Reibungsfläche nutzt, wissend um ihre strukturellen Schwächen, gewinnst Du eine Klarheit, die ohne die Konfrontation mit der “statistischen Norm” kaum erreichbar wäre.

Willst Du eine marionettenhafte Ja-Sager-KI?

Am Ende bleibt die Erkenntnis: Die KI ist kein Ersatz für den Strategen, sondern dessen anstrengendster Ja-Sager, der ihm ständig nach dem Mund redet.

Die Konsequenz: LLMs sind gute Werkzeuge zur Optionserweiterung, keine zuverlässigen Urteilsinstanzen — und dieser Unterschied ist nicht akademisch, sondern praktisch entscheidend.

Ich hoffe, Dir hat mein Artikel gefallen! Dann teil ihn gerne und schau zum nächsten Artikel wieder vorbei!

Gruß Christian

— —

Quellenverzeichnis:

1 Deine KI ist ein Hochstapler. Und du merkst es nicht.

Salvatore Princi, 03.05.2026

https://www.youtube.com/watch?v=zZ3YLH7XUYE

2 Researchers Asked LLMs for Strategic Advice. They Got “Trendslop” in Return

Harvard Business Review, 16.03.2026

https://hbr.org/2026/03/researchers-asked-llms-for-strategic-advice-they-got-trendslop-in-return

3 Mein Prompt zur Verhaltensanalyse auf Github:

https://github.com/c1972/zva-plus/blob/main/prompt.txt

4 Mein Testbereich für diesen Prompt (kostenlos, anonym):

https://c1972.github.io/zva-plus/de.html