Warum zwei Unternehmen, die dieselbe KI nutzen, dieselbe Antwort liefern

Was passiert, wenn alle mit derselben KI antworten?

Eine Antwort auf eine Ausschreibung, einen Sicherheitsfragebogen, einen Due-Diligence-Fragebogen (das DDQ, das Ihnen ein Kunde vor der Auftragsvergabe zusendet): Das sind Dokumente, die im Wettbewerb stehen. Sie werden nebeneinander gelesen, vom selben Bewerter, um zwischen Unternehmen zu entscheiden, die dieselben Fragen beantworten. Alles, was sie einander ähnlich macht, arbeitet gegen Sie.

Die generative KI für die breite Öffentlichkeit, die Ihre Teams bereits nutzen, um schneller voranzukommen, hat eine dokumentierte Wirkung auf von unterschiedlichen Personen erstellte Texte: Sie nähert sie einander an. Das ist kein Eindruck, das ist ein in drei unterschiedlichen Forschungsfeldern gemessenes Ergebnis.

Unterstütztes Schreiben. In einem kontrollierten Experiment mit Kurzgeschichten wurden Texte, die mit Hilfe von KI-generierten Ideen geschrieben wurden, individuell als kreativer und besser geschrieben beurteilt, ähnelten sich aber untereinander stärker als ohne Hilfe geschriebene: ein Gewinn für jeden einzelnen Autor, ein Verlust an Vielfalt für die Gesamtheit (Anil R. Doshi und Oliver P. Hauser, *Science Advances*, 2024). Ein zweites Experiment zu argumentativen Aufsätzen maß, dass das Schreiben mit einem durch menschliches Feedback angepassten Sprachmodell die Ähnlichkeit zwischen den Texten unterschiedlicher Autoren erhöht und die Inhaltsvielfalt verringert, wobei der Effekt von dem wenig variierenden Text ausgeht, den das Modell jedem liefert (Vishakh Padmakumar und He He, ICLR 2024).

Unterstützte Entscheidung. Wenn sich unabhängige Entscheidungsträger auf denselben Algorithmus stützen, gleichen sich ihre Entscheidungen an, und die Qualität der Gesamtheit kann sinken, selbst wenn sich jede einzelne Entscheidung verbessert: Forscher nennen das algorithmische Monokultur (Jon Kleinberg und Manish Raghavan, *PNAS*, 2021). Die gemeinsame Nutzung desselben Basismodells durch unterschiedliche Systeme homogenisiert die von denselben Personen von einem System zum anderen erzielten Ergebnisse (Rishi Bommasani et al., NeurIPS 2022).

Die wettbewerbliche Antwort. Was für Erzählungen, Aufsätze und Entscheidungen gilt, gilt konstruktionsbedingt für Antworten, die man vergleicht. Mehrere Unternehmen, die ihr technisches Angebotsdokument mit demselben Generator verfassen, geben Dokumente mit denselben Gliederungen, denselben Wendungen, denselben generischen Verpflichtungen ab. Der Bewerter liest keine unterschiedlichen Antworten; er liest Varianten einer einzigen, und er entscheidet anhand dessen, was übrig bleibt: den Preis, oder den amtierenden Anbieter.

Warum bewirkt eine private Instanz das Gegenteil?

Die Annäherung entsteht durch einen genauen Mechanismus: dasselbe Modell, trainiert auf demselben Korpus, korrigiert durch das Feedback einer sehr großen Anzahl von Nutzern, zieht jeden Text zur selben Mitte. Eine private Instanz kehrt jeden dieser drei Faktoren um.

Auf der Plattform Optivalue.ai, die diese Website herausgibt, mobilisiert diese private Instanz 85 spezialisierte Agenten, 72 für Ihr Fachgebiet, 12 für Ihre Branche, und einen Bibliothekar, der Ihr Wissen strukturiert. Im Laufe der Anfragen verfügen Sie nicht über dasselbe Werkzeug wie Ihre Mitbewerber. Sie verfügen über Ihres.

Der entscheidende Punkt: Das ist kein Versprechen von Geschwindigkeit oder Präzision. Es ist eine Struktureigenschaft. Ein Modell, das nur von einer Organisation lernt, kann sie nicht den anderen annähern.

Die Konzession, die alles klärt

Für einen Entwurf, eine interne Notiz, eine Zusammenfassung, die niemand unterschreiben wird, bleibt die generische KI das richtige Werkzeug, und die Annäherung kostet dort nichts: Niemand vergleicht Ihre internen Notizen mit denen Ihrer Mitbewerber. Ein Entwurf bindet niemanden. Ihre Antwort schon.

Die Frage der Annäherung stellt sich erst in dem Moment, in dem das Dokument vor den Augen eines entscheidenden Dritten in den Wettbewerb gestellt wird. Dort, und nur dort, verändert eine KI, die nur von Ihnen lernt, das Ergebnis.

Drei Fragen, die die Grenze ziehen

Um zu wissen, ob das Werkzeug, das Sie nutzen oder das Ihnen angeboten wird, Sie von Ihren Mitbewerbern entfernt oder ihnen annähert:

1. Woher stammt der Text? Wenn die Antwort „vom Modell" lautet, haben Ihre Mitbewerber Zugang zu demselben. Wenn die Antwort „aus Ihren Dokumenten, seitengenau zitiert" lautet, hat niemand sonst diese Dokumente.
2. Wohin fließen Ihre Korrekturen? Wenn sie ein geteiltes Modell verbessern, kommen sie allen zugute, auch denen, die dieselbe Ausschreibung beantworten. Wenn sie in Ihrer Instanz bleiben, kommen sie nur Ihnen zugute.
3. Würden zwei Unternehmen derselben Branche dieselbe Antwort auf dieselbe Frage erhalten? Mit einem geteilten Modell ja, bis auf wenige Worte. Mit einer privaten Instanz nein: Jedes zitiert sein eigenes Referenzwerk.

Häufig gestellte Fragen

Kann eine generische KI nicht mit unseren Dokumenten „personalisiert" werden? Sie kann Ihre Dokumente für die Dauer eines Gesprächs lesen. Aber das Modell bleibt das aller, seine Korrekturen kommen allen zugute, und sein Stil ist der der Mehrheit. Die oberflächliche Personalisierung ändert nichts am Annäherungsmechanismus, den die zitierten Studien beschreiben.

Bedeutet „sich entfernen", schlechter zu antworten? Nein. Sich entfernen bedeutet, aus Ihren eigenen Nachweisen heraus zu antworten, im Kontext Ihres Lesers, mit Ihren eigenen Verpflichtungen. Das ist es, was der Bewerter sucht: eine marktspezifische Antwort, keine allgemein plausible Antwort.

Nutzen unsere Mitbewerber wirklich dieselbe KI wie wir? Generative Modelle für die breite Öffentlichkeit werden von Unternehmen, die auf Ausschreibungen antworten, häufig genutzt. Zwei Bieter derselben Ausschreibung können also, ohne es zu wissen, mit demselben generischen Modell schreiben, während eine private Instanz nur von Ihren eigenen Dokumenten lernt.

Was wird aus unserem Referenzwerk, wenn wir das Werkzeug wechseln? Eine private Instanz, die diesen Namen verdient, sieht die Rückgabe Ihrer Daten in einem wiederverwendbaren Format vor, die datierte Löschung von allem, was daraus abgeleitet ist, und eine Bestätigung. Ihr Referenzwerk gehört Ihnen.

Hängt dieser Mechanismus von einem maschinellen Lernen auf unseren Daten ab? Er beruht zunächst auf zwei verfügbaren Dingen: Ihrem Referenzwerk als einziger Quelle der Abfassung, und Ihren Korrekturen, die in Ihrer Instanz bleiben. Diese beiden Eigenschaften bewirken die Entfernung. Absichtlich ist diesem Argument keine Geschwindigkeits- oder Genauigkeitszahl beigefügt.

Erstellt vom Compliance- und Presales-Team von Optivalue.ai. Letzte Überprüfung: 31. August 2026.

Markdown-Version