Der Slang, der aus der Maschine kommt

Vor einigen Tagen habe ich geschrieben, dass ich neuerdings so viel trage. Pakete tragen Kosten. Tools tragen Funktionen. Analysen tragen Kennzahlen. Eine Woche später war es der Reifegrad: überall auf LinkedIn bringt irgendwer irgendetwas zur Reife, als wäre ein Unternehmen ein Apfel. Beides fühlte sich an wie ein sprachliches Störgefühl, es ist aber kein Mittel der Beweisführung.

Jetzt liegen drei Paper auf dem Tisch, die genau dieses Störgefühl erforscht haben. Eine Studie zählt Wörter in 26 Millionen PubMed-Einträgen. Eine weitere Gruppe von Forschern zählt sie in Hunderttausenden Stunden Podcast und YouTube. Die dritte Ausarbeitung erklärt, woher der Jargon kommt und warum er sich immer tiefer in unserer Sprache festsetzt. Zusammen tun sie etwas, das ein Newsletter allein nicht tun kann: Sie sagen, dass «trägt» und «Reifegrad» keine Marotten sind. Sie sind die deutsche Version von den englischen Worten «delve», «underscore» und «meticulous».

Was die Zahlen zeigen, bevor das Gefühl kommt

Kentaro Matsui hat PubMed von 2000 bis April 2024 durchsucht. 118 Wörter und Wendungen, die Nutzer auf Reddit, X und in Foren als ChatGPT-typisch gemeldet hatten. Als Gegenprobe 75 ganz normale akademische Phrasen zur Kontrolle. Ergebnis: 75 der verdächtigen Ausdrücke schießen 2024 nach oben. An der Spitze stehen «delve», «underscore», «meticulous», «commendable». Der Anstieg beginnt nicht erst am 30. November 2022. Er ist schon um 2020 sichtbar und entwickelt sich immer weiter. Die Kontrollphrasen bleiben vergleichsweise flach.

So entwickelt sich „Maschinensprache“. Linguistisch gesehen werden seltene Worte oder Lehnworte immer häufiger benutzt und werden Teil des Lernmaterials für die LLMs. Um so öfter die Wörter nun in den Erinnerungen der Sprachmodelle auftauchen, desto häufiger werden sie in den von der Maschine geschriebenen Texten verwendet.

Hiromu Yakura vom Max-Planck-Institut für Bildungsforschung hat denselben Verdacht an sich selbst bemerkt. Er sagte plötzlich «delve», obwohl das Wort nie typisch für ihn gewesen ist. Sein Team hat über 700.000 Stunden Audio ausgewertet: Hunderttausende Podcast-Folgen, Hunderttausende YouTube-Videos, vor und nach ChatGPT. Dieselben Modellwörter tauchen danach messbar häufiger in gesprochener Sprache auf. Nicht nur in abgelesenen Skripten. Auch dort, wo Leute frei reden.

Im Deutschen listet die Berichterstattung dazu unter anderem: betonen, tiefgreifend, bahnbrechend, revolutionieren, spiegel als typische Maschinensprache auf. Das ist die Brücke zwischen dem was Matsui in Abstracts zählt und Yakura in Stimmen auswertet, und dann bei uns als «trägt» und «Reifegrad» landet.

Woher die neue Sprache kommt

Alexandra Frye hat das in einem Beitrag für die APA auf den Punkt gebracht, den ich mir gewünscht hätte, als ich das erste Mal «trägt» in einem SaaS-Newsletter anstarrte. Die frühen Modelle wurden mit Bergen von Text aus Content-Farmen und Freelance-Plattformen trainiert. Günstig produzierte, suchmaschinenfeste Prosa. Starkes Englisch, starre Styleguides, glatte Übergänge, wenig Eigensinn. Die Modelle haben nicht nur Fakten gelernt. Sie haben einen Ton gelernt: professionell, ausgewogen, ein bisschen feierlich, kurz an Originalität.

Deshalb klingt die Standardsprache in KI-Texten so sauber und so austauschbar. «Delve» ist kein Zufall. Es ist ein Wort, das Autorität simuliert, ohne konkret zu werden. «Meticulous» und «commendable» ebenso. Frye nennt das AI-Slang (im englischen als AI accent bezeichnet). Es ist ein Wasserzeichen für Leute, die hinhören (so wird wohl auch die Erkennung von Claude in Teilen arbeiten).

Genau so funktioniert «trägt». Fünf englische Verben (cover, support, bear, sustain, contribute) bedeuten im Deutschen fünf verschiedene Dinge. Das Modell wirft sie in einen Topf, weil «trägt» in den Trainingsdaten am häufigsten in ihrer Nähe stand. Sprache als Mehrheitsentscheid. «Maturity» wird zu «Reifegrad», weil die Bauanleitung englisch ist und die Teile deutsch. Es ist nicht falsch. Es ist holprig. Und weil es überall steht, merkt man irgendwann, dass hier eine eigene Sprache am Werk ist.

Alle drei Texte beschreiben dieselbe Verquickung, nur mit anderem Vokabular.

Die Modelle bevorzugen bestimmte Wörter. Menschen lesen und hören sie. Menschen halten die Quelle für kompetent: früher den Professor, den Chefredakteur, den Fachkollegen, heute oft das Tool. Menschen übernehmen die Wörter, oft ohne es zu merken. Die Wörter landen in neuen Texten, in Vorträgen, in Podcasts. Die nächsten Modelle werden wieder darauf trainiert. Das ist schon früher so gewesen, Goethe und Schiller haben Sprache und Ausdrucksweise der Menschen ebenso mit bestimmt wie es heute OpenAI, Grok und Claude tun.

Yakura spricht von einer kulturellen Rückkopplungsschleife. Frye von einem linguistic feedback loop und von der Gefahr, dass sich der gemeinsame Pool an sprachlichen Möglichkeiten einengt. Matsui bleibt vorsichtiger: ChatGPT habe einen Trend beschleunigt, der schon da war. Ein Paralleluniversum ohne ChatGPT gibt es nicht, schreibt er. Trotzdem reicht das, was wir sehen.

Wer aufmerksam schreibt, der merkt die holprigen Stellen in mit KI-Unterstützung gefertigten Texten. Wer schon immer lieber gedenglisht hat, der wird in das rabbit hole der Lehnworte fallen und sich selbst als KI-Nutzer, unbewusst, markieren.

Der Lehnwortdetektor, den Klaus und ich gebaut haben, ist keine KI-Polizei. Er ist eine Bremse. Er fragt: Was war im Englischen gemeint, und was würde ich sagen, wenn ich es selbst sagen müsste?

Thermomix bleibt Thermomix

Meine bereits in der Vergangenheit getroffene Unterscheidung gilt weiter. Der Familienvater am Dienstagabend braucht den Thermomix, um in seiner Liga eine anständige Bolognese auf den Tisch zu stellen. Er will keinen Stern. Fachlich hochkarätige Leute auf LinkedIn, die ihre Kommunikationsabteilung durch ein Modell ersetzen, wollen den Stern und servieren aber sprachlichen Thermomix. Man schmeckt es nicht am Gedankenstrich. Man schmeckt es am Wort, das vorher niemand verwendet hat.

Matsui schreibt, ChatGPT-Texte in der Medizin seien flüssig und logisch, aber allgemeiner, weniger spezifisch. Genau das ist «trägt»: eine Zusage ohne Kante. Abdecken, übernehmen, stützen, beitragen: das sind vier Verantwortlichkeiten. Texte leben von diesen Unterschieden. Wer sie einebnet, weil das Sprachmodell schon Korrektur gelesen hat, ersetzt den Lektor durch Statistik.

Frye erinnert an das Prinzip des geringsten Aufwands: Wir nehmen die Sprache, die griffbereit liegt, besonders wenn das Werkzeug autoritativ wirkt. Kreativität braucht Abweichung. Modelle glätten Abweichung. Yakura warnt, die Häufigkeit bestimmter Wörter könne verändern, wie wir Situationen beschreiben und argumentieren. Das ist keine Stilnörgelei. Das ist die Behauptung, dass Wortwahl Weltzugang formt.

Was bleibt, wenn man hinhört

Die drei Texte untermauern meine beiden Beiträge nicht, weil sie «trägt» oder «Reifegrad» zählen. Das tun sie nicht. Sie untermauern sie, weil sie den Mechanismus sichtbar machen, der diese Wörter produziert.

Erstens: Modelle haben Lieblingswörter. Im Englischen sind sie bereits vermessen worden. Im Deutschen erkennt man sie am Calque und am Mehrzweckverb. Wo es für die einen schon Daten gibt, haben wir aktuell nur ein Gefühl (und sind damit wieder bei Goethe und Schiller).

Zweitens: Der Anstieg beginnt zwei Jahre vor dem Launch der KI, bereits um 2020, und wird danach so steil wie eine Skisprungschanze. Wer 2026 mit der Maschine schreibt, hat längst mitgeatmet, auch ohne das Tool je geöffnet zu haben. Der Lektor hat mitgeatmet. Die Kollegin, die den Newsletter vorformuliert, auch. Man muss die Maschine nicht bedienen, um schon in ihrer Abluft zu stehen.

Drittens: Gesprochene Sprache zieht nach. Was in Abstracts steht, hört man bald in Podcast. Was im Newsletter steht, rutscht in den Satz, den man im Treppenhaus dem Nachbarn zuruft.

Viertens: Erkennbarkeit schwindet, je mehr Menschen den Slang der Maschine übernehmen. Evans, in der Berichterstattung zur Yakura-Studie zitiert, sagt sinngemäß: In dieser Phase ist die Wortverteilung der richtige Indikator. Später wird es schwerer.

Deshalb bleibe ich bei der einfachen Disziplin, die Frye am Ende formuliert und die ich auf Deutsch so formulieren möchte: merken. Merken, was man aufnimmt. Merken, was man nachspricht. Merken, ob der Satz noch der eigene ist oder die Gravitationskraft der Maschine.

Ich habe «delve» seit dem Lesen dieser Texte nicht benutzt. «Trägt» streiche ich weiter. «Reifegrad» setze ich nur ein, wenn wirklich ein Apfel gemeint ist.

Das Essen des Familienvaters darf nach Thermomix schmecken. Der Vorstand, der seine Organisation zur Reife bringt, sollte vorher nachschauen, was er eigentlich sagen wollte.