KI und Wahrheit – Von Zelig zu Deepfakes

Was uns eine über vierzig Jahre alte Filmkomödie über die Glaubwürdigkeit von Bildern im Zeitalter künstlicher Intelligenz verrät.

(Bitte das PS beachten.)

Ein Mann, den es nie gegeben hat

1983 brachte Woody Allen einen ungewöhnlichen Film in die Kinos: Zelig. Eine fiktive Dokumentation über Leonard Zelig, einen unscheinbaren Mann im Amerika der 1920er- und 1930er-Jahre, der über eine bemerkenswerte Fähigkeit verfügt: Er passt sich seiner Umgebung nicht nur in seinem Verhalten an, sondern verändert auch sein Aussehen. Unter Ärzten wird er zum Arzt, unter Schwarzen verändert sich seine Hautfarbe, unter anderen Menschen übernimmt er deren Eigenschaften. Ein menschliches Chamäleon.

Allen erzählt diese absurde Geschichte in Form einer historischen Dokumentation. Mit vermeintlichen Archivaufnahmen, Interviews, Wochenschauen und Kommentaren. Leonard Zelig begegnet historischen Persönlichkeiten und taucht in authentisch wirkenden Filmaufnahmen vergangener Jahrzehnte auf. Sogar echte Intellektuelle wie Susan Sontag und Bruno Bettelheim kommen als vermeintliche Zeitzeugen zu Wort.

Das Verblüffende daran: Der Film sieht tatsächlich aus wie eine historische Dokumentation.

Dafür betrieb Allen einen enormen technischen Aufwand. Historisches Filmmaterial wurde bearbeitet, neue Aufnahmen künstlich gealtert, Bildmaterial aufwendig kombiniert. Das Ergebnis war eine beeindruckende Illusion – zumindest nach den technischen Maßstäben von 1983.

Natürlich wusste das Kinopublikum, dass Leonard Zelig nie existiert hatte. Gerade darin lag der Witz. Ein offensichtlich absurdes Phänomen wurde mit sämtlichen Mitteln dokumentarischer Seriosität präsentiert.

Heute, mehr als vierzig Jahre später, erscheint Zelig geradezu prophetisch.

Was wird aus der Mockumentary?

Zelig gehört zu den frühen Meisterwerken der Mockumentary, also jener Filmform, die eine fiktive Geschichte mit den Stilmitteln einer Dokumentation erzählt.

Das Genre ist allerdings älter. Schon Woody Allens Take the Money and Run (1969) arbeitete mit dokumentarischen Interviews und einer erfundenen Biografie. Auch The Rutles: All You Need Is Cash (1978) parodierte die Konventionen der Musikdokumentation.

Zelig entwickelte diese Idee technisch und ästhetisch weiter. Der Film lebt von einem reizvollen Widerspruch: Die Form verspricht Wahrheit, während der Inhalt erfunden oder absurd ist.

Ein Jahr nach Zelig erschien This Is Spinal Tap, eine vorgebliche Dokumentation über eine fiktive Rockband. Später folgten zahlreiche weitere Beispiele, bis hin zu Formaten wie The Office.

Heute zu Tage spielt Cunk on Cinema mit dokumentarischer Autorität. Philomena Cunk tritt als vermeintlich kompetente Moderatorin auf, stellt aber Fragen und zieht Schlussfolgerungen, die die Seriosität des Formats systematisch unterlaufen.

Allerdings gibt es einen wichtigen Unterschied.

Während Zelig eine erfundene Wirklichkeit möglichst glaubwürdig präsentiert, entsteht der Humor bei Cunk aus dem Gegensatz zwischen der ernsthaften Präsentation und der offenkundigen Ahnungslosigkeit der Moderatorin.

Beide Formate machen sichtbar, wie stark wir auf die Konventionen dokumentarischer Darstellung reagieren.

Doch was passiert mit dieser Kunstform, wenn täuschend echte audiovisuelle Fiktionen zum Alltag werden?

Vielleicht verliert die perfekte Fälschung ihren Reiz. Was 1983 noch technische Virtuosität demonstrierte, wird zunehmend zur gewöhnlichen Funktion einer Software.

Die eigentliche künstlerische Herausforderung könnte künftig weniger darin liegen, Wirklichkeit überzeugend zu imitieren, als vielmehr darin, die Mechanismen ihrer Glaubwürdigkeit offenzulegen.

Wenn Bilder lügen lernen

Was Woody Allen 1983 mit beträchtlichem Aufwand inszenierte, lässt sich heute mit generativer künstlicher Intelligenz in vielen Fällen innerhalb weniger Minuten herstellen.

Menschen können in historische Filmaufnahmen eingefügt werden. Verstorbene Persönlichkeiten lassen sich scheinbar neue Interviews geben. Politiker können Dinge sagen, die sie niemals gesagt haben. Ereignisse können als überzeugende Videos dargestellt werden, obwohl sie nie stattgefunden haben.

Die grundlegende Idee ist nicht neu. Fotografien wurden schon lange vor der Digitalisierung manipuliert. Filmaufnahmen wurden inszeniert, aus dem Zusammenhang gerissen oder nachträglich verändert. Und die Geschichte politischer Propaganda ist voller Beispiele für manipulierte Bilder.

Neu sind allerdings drei Eigenschaften:

Erstens: die Zugänglichkeit. Was früher Spezialisten, Studios und erhebliche Budgets erforderte, steht heute einem wesentlich größeren Personenkreis zur Verfügung.

Zweitens: die Geschwindigkeit. Synthetische Bilder, Stimmen und Videos können innerhalb kürzester Zeit produziert und verändert werden.

Drittens: die Skalierbarkeit. Falsche audiovisuelle Inhalte lassen sich massenhaft erzeugen, personalisieren und über soziale Netzwerke verbreiten.

Damit verändert sich nicht nur die Produktion von Medien. Es verändert sich auch ihre gesellschaftliche Bedeutung.

Das Ende von „Ich habe es doch selbst gesehen“

Über lange Zeit besaßen Fotografien und Filmaufnahmen eine besondere Autorität.

Natürlich wussten wir, dass Bilder täuschen können. Aber eine Videoaufnahme galt dennoch als vergleichsweise starkes Indiz dafür, dass etwas tatsächlich geschehen war.

Die dokumentarische Form verstärkte diesen Eindruck. Historische Aufnahmen, Interviews, eine sachliche Erzählstimme und eingeblendete Quellenangaben signalisierten Glaubwürdigkeit.

Genau mit diesen Konventionen spielte Zelig.

Generative KI stellt dieses Wahrheitsversprechen nun grundsätzlich infrage.

Denn wenn sich nahezu jede beliebige Szene synthetisch erzeugen lässt, verliert das Bild als solches einen Teil seiner Beweiskraft.

Wir bewegen uns von einer Medienkultur des

„Ich glaube es, weil ich es sehe“

zu einer Medienkultur des

„Ich muss wissen, woher es stammt, bevor ich es glaube“.

Dabei geht es nicht darum, dass Bildern grundsätzlich nicht mehr zu trauen wäre. Es geht darum, dass ihre Glaubwürdigkeit zunehmend von ihrer Herkunft, ihrem Kontext und ihrer überprüfbaren Entstehungsgeschichte abhängt.

Die Frage lautet nicht mehr nur: Was zeigt dieses Video?

Sondern auch: Wer hat es erstellt? Woher stammt es? Was lässt sich unabhängig davon überprüfen?

Wenn auch die Wahrheit zur Fälschung erklärt wird

Die Diskussion über Deepfakes konzentriert sich meist auf die Gefahr, dass Menschen falsche Inhalte für wahr halten.

Das ist zweifellos ein ernstes Problem. Aber es gibt noch eine zweite, möglicherweise folgenreichere Entwicklung.

Was passiert, wenn Menschen echte Aufnahmen einfach als KI-Fälschung zurückweisen können?

In der wissenschaftlichen Diskussion gibt es dafür einen Begriff: Liar’s Dividend – den Vorteil, den Lügner daraus ziehen können, dass glaubwürdige Fälschungen überhaupt möglich sind.

Ein Politiker wird mit einer kompromittierenden Aussage konfrontiert. Ein Unternehmen muss sich für dokumentiertes Fehlverhalten rechtfertigen. Ein Video zeigt einen tatsächlichen Übergriff.

Früher musste man versuchen, die Aufnahme zu erklären, ihren Kontext infrage zu stellen oder ihre Echtheit konkret anzuzweifeln.

Heute reicht möglicherweise schon die Behauptung: „Das ist doch KI.“

Ob die Aufnahme tatsächlich manipuliert wurde, spielt für die öffentliche Wirkung zunächst eine untergeordnete Rolle. Allein die Möglichkeit einer Fälschung kann genügen, um Zweifel zu säen.

Damit entsteht eine paradoxe Situation:

Je überzeugender künstlich erzeugte Wirklichkeit wird, desto leichter lässt sich auch tatsächliche Wirklichkeit bestreiten.

Die Gefahr liegt also nicht nur darin, dass wir Falsches glauben. Sondern auch darin, dass wir aufhören, Wahres anzuerkennen.

Zelig und die Identität künstlicher Intelligenz

Dabei lohnt es sich, noch einmal auf die eigentliche Geschichte von Leonard Zelig zurückzukommen.

Denn Woody Allens Film handelt nicht nur von der Manipulierbarkeit dokumentarischer Bilder.

Er handelt vor allem von Identität.

Leonard Zelig passt sich seiner Umgebung so vollständig an, dass er keine erkennbare eigene Persönlichkeit mehr besitzt. Er wird zu dem, was seine Umgebung von ihm erwartet.

Das ist eine erstaunlich passende Metapher für einen Teil unserer heutigen Erfahrungen mit generativer KI.

Sprachmodelle können in unterschiedlichsten Stilen schreiben. Bildgeneratoren imitieren ästhetische Konventionen. Synthetische Stimmen übernehmen Tonfall und Ausdrucksweise. KI-Systeme passen ihre Antworten an Kontext, Erwartungen und Vorgaben an.

Natürlich sind die Mechanismen grundverschieden. Leonard Zelig ist eine fiktive Figur mit einer psychologischen Identitätskrise. Generative KI verarbeitet Muster auf der Grundlage mathematischer Modelle.

Aber die Parallele ist reizvoll.

Beide können nahezu beliebige Ausdrucksformen annehmen, ohne dass dahinter notwendigerweise eine eigenständige, stabile Position steht.

Zelig wollte dazugehören. Generative KI ist darauf ausgelegt, passende Ergebnisse zu produzieren.

Und vielleicht liegt gerade darin eine zusätzliche Herausforderung: Wir neigen dazu, hinter einer überzeugenden Darstellung auch eine entsprechende Identität, Kompetenz oder Erfahrung zu vermuten.

Eine glaubwürdig klingende Stimme erscheint uns kompetent. Ein souverän formulierter Text wirkt fundiert. Ein dokumentarisch inszeniertes Video vermittelt Authentizität.

Dabei sind all das zunächst Eigenschaften einer Darstellung – keine Beweise für ihren Wahrheitsgehalt.

Woody Allen – zwischen filmischer Genialität und persönlicher Kontroverse

Eine Würdigung von Zelig kommt heute kaum ohne einen kritischen Blick auf seinen Regisseur aus.

Woody Allen zählt zu den einflussreichsten Filmemachern des amerikanischen Kinos. Gleichzeitig ist seine Person seit Jahrzehnten Gegenstand schwerwiegender Kontroversen. Die gegen ihn erhobenen Missbrauchsvorwürfe wurden untersucht, führten jedoch zu keiner strafrechtlichen Anklage.

Für die Betrachtung von Zelig ergibt sich daraus eine interessante zusätzliche Ebene: Wie beeinflusst unser Wissen über einen Künstler die Wahrnehmung seines Werks? Und wie gehen wir mit widersprüchlichen Darstellungen einer Wirklichkeit um, die wir selbst nicht unmittelbar überprüfen können?

Wahrheit wird zur Frage des Vertrauens

Was folgt daraus?

Sicherlich nicht, dass wir künftig jedes Bild, jedes Video und jede Aussage grundsätzlich anzweifeln müssen. Eine solche Haltung würde uns letztlich handlungsunfähig machen.

Aber wir werden lernen müssen, Glaubwürdigkeit anders zu beurteilen.

Nicht allein anhand der Überzeugungskraft einer Darstellung, sondern anhand ihrer Herkunft und Überprüfbarkeit.

Technische Lösungen wie Herkunftsnachweise, digitale Signaturen und Standards zur Dokumentation der Entstehung von Medien können dabei helfen. Sie sind allerdings keine Garantie für Wahrheit. Auch authentisch aufgezeichnete Bilder können irreführend ausgewählt, kommentiert oder aus dem Zusammenhang gerissen werden.

Entscheidend bleibt deshalb die Fähigkeit, Quellen einzuordnen, Aussagen gegenzuprüfen und zwischen einer überzeugenden Darstellung und einem belastbaren Beleg zu unterscheiden.

Das ist keine völlig neue Medienkompetenz. Aber sie wird im Zeitalter generativer KI erheblich wichtiger.

Von der Satire zur gesellschaftlichen Realität

Als Zelig 1983 erschien, war die Vorstellung eines Menschen, der sich nach Belieben in historische Filmaufnahmen integrieren ließ, eine filmische Sensation und zugleich eine brillante Satire.

Heute wäre die technische Umsetzung kaum noch das Bemerkenswerteste an der Geschichte.

Bemerkenswert ist vielmehr, wie sehr sich unser Verhältnis zur medialen Wirklichkeit verändert hat.

Woody Allen konnte noch darauf vertrauen, dass sein Publikum zwischen der erfundenen Geschichte und der Realität außerhalb des Kinosaals unterschied.

Bei KI-generierten Videos ist diese Trennung längst nicht immer so eindeutig. Sie erscheinen ohne erklärenden Vorspann zwischen echten Nachrichten, privaten Aufnahmen und journalistischen Beiträgen.

Die Fiktion verlässt gewissermaßen den Kinosaal und mischt sich unter unsere alltäglichen Informationsquellen.

Zelig war 1983 eine Satire auf den Menschen als Chamäleon. Im Zeitalter generativer KI wird daraus eine Metapher für eine Medienwelt, in der Bilder, Stimmen und Geschichten jede beliebige Gestalt annehmen können.

Die eigentliche Herausforderung ist deshalb nicht, dass Maschinen inzwischen überzeugend lügen können.

Sondern dass wir als Gesellschaft neue Wege finden müssen, Wahrheit zu erkennen, zu belegen und gemeinsam anzuerkennen.

Denn wenn alles gefälscht sein könnte, darf daraus nicht folgen, dass nichts mehr als wahr gelten kann.


Quellen und weiterführende Literatur

  • Allen, Woody (1969): Take the Money and Run. Spielfilm.
  • Idle, Eric & Weis, Gary (1978): The Rutles: All You Need Is Cash. Fernsehfilm.
  • Allen, Woody (1983): Zelig. Spielfilm, Orion Pictures.
  • Reiner, Rob (1984): This Is Spinal Tap. Spielfilm.
  • Dick, Kirby & Ziering, Amy (2021): Allen v. Farrow. Vierteilige HBO-Dokumentarserie.
  • Chesney, Robert & Citron, Danielle Keats (2019): Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security. California Law Review, 107(6), 1753–1820. https://doi.org/10.15779/Z38RV0D15J
  • Vaccari, Cristian & Chadwick, Andrew (2020): Deepfakes and Disinformation: Exploring the Impact of Synthetic Political Video on Deception, Uncertainty, and Trust in News. Social Media + Society, 6(1). https://doi.org/10.1177/2056305120903408
  • Coalition for Content Provenance and Authenticity (C2PA): Technical Specification. https://c2pa.org/specifications/

P.S.
Dieser Post entstand mit tatkräftiger Unterstützung von KI. Auf die Idee Mockumentaries mit KI in Verbindung zu bringen kam ich beim Schauen von Cum on Cinema auf Netflix. Ich habe mich dabei an die erste Mockumentary, die ich bewusst gesehen habe erinnert: Zelig -von Woody Allen.

Jetzt ist 2026 Woody Allen ein Kapitel für sich. Die Einordnung des Menschen steht neben seiner unbestrittenen filmhistorischen Bedeutung. (Die entsprechende Passage musst ich im KI-Entwurf diese Posts allerdings nacharbeiten lassen -die erste Version war vollkommen unkritisch.). Aber das ist ein Sidetrack unserer KI-Story. Nicht weniger bedeutsam, aber für die KI Thematik nicht relevant.

Bemerkenswert an Zelig und übertragbar auf unsere aktuelle KI-Diskussion ist die Auseinandersetzung mit manipulierter Realität.

Absurderweise, das mag ein woke-Problem sein, ist Zelig aktuell auf keiner Streaming-Plattform abrufbar. Das mag an der Kritik an dessen Schöpfer liegen, nicht aber an der kulturhistorischen Bedeutung. Das ist aber eine andere Debatte

KI als Coach

Ein ungeplanter Selbstversuch: Die kleine Reihe Zielarbeit unter Unsicherheit war für mich Anlass genug die eigene Zielarbeit mal wieder aufzugreifen. Während ich das früher regelmäßig gemacht habe, habe ich diese Hausaufgabe zuletzt etwas vernachlässigt.

Angefangen hat meine persönliche Zielarbeit mal mit einer Excel-Datei in die ich Ziele, Unterziele und konkrete Aufgaben/Maßnahmen runtergebrochen habe. Irgendwann wurde aus Excel dann eine (elektronische) Mindmap.

Nachdem ich den MindManager mittlerweile zu Gunsten von Miro aufgegeben habe, war wieder ein Formatwechsel notwendig und (a) weil es zeitgemäß ist und (b) ich faul bin, macht man so etwas heute zu Tage mit KI in diesem Fall ChatGPT.

Die letzte alte Map als JPG hochgeladen und einen Prompt abgesetzt:

Ich habe früher mindestens vierteljährlich Zielarbeit betrieben und das zuletzt etwas schleifen lassen. In der Anlage eine der letzten Mindmaps mit meinen Zielvorstellungen. Ich möchte dass du mich als Coach durch eine Bestandaufnahme führst, was daraus geworden ist und dass wir dann gemeinsam eine neue/aktualisierte Ziele Mindmap erarbeiten.

Das mit dem Coach war eher so dahin gesagt, eigentlich ging es mir wirklich nur um den Formatwechsel und eine inhaltliche Aktualisierung.

Aber nicht mit ChatGPT! Die KI hat mich beim Wort genommen und wirklich den kompletten Prozess bis hin zur hübsch formatierten MindMap gestaltet mit Thesen, Fragen und Analysen. Die Überarbeitung (also der gesamte Dialog – nicht die Rechenleistung) hat gute 1 1/2 Stunden gedauert und ich war von der Professionalität angenehm überrascht. Ein solches Coaching wäre tatsächlich echtes Geld wert gewesen. Chapeau dafür.

Aber jetzt einmal kritisch bewertet:

Im Dialog war zu erkennen, dass die KI meine Reihe der Zielarbeit unter Unsicherheit schon als Kontext kannte. Meine alte, über Jahre entwickelte Zieldatei war auch schon als Input beigesteuert. Im Dialog habe ich bewusst auch dem einen oder anderen Einschlag der KI gegengesteuert. Die Vorschläge der KI zur Änderung auf den ersten beiden Ebenen des Zielsystems habe ich weitgehend abgewendet, die Musik spielte dann bei der Aktualisierung der unteren Ebenen. Das würde ich jetzt nicht als Schwäche der KI einordnen, sondern als Stärke des über Jahre schon gewachsenen Systems.

Was mich aber etwas stirnrunzelnd zurücklässt, ist, dass die Bearbeitung nicht die gleiche war wie früher. Zielarbeit war immer intensiv, aber auch befriedigend. Im Dialog mit der KI wird da die eigene Rolle deutlich passiver. Man gibt schnell mal eine Antwort oder klickt einfach – vielleicht zu einfach. Keine Kritik an der KI, sondern am Nutzer. Und genau da müssen wir noch viel lernen: die Arbeit mit KI verändert unser Denken und Handeln in einer Form wie es weder von der KI noch von uns selbst intendiert ist. Der Dialog funktioniert einfach anders – und nicht unbedingt zum Vorteil. Es gibt dabei aber auch eine gute Nachricht: Wenn wir der KI schlampig antworten, einfach andere Dinge einwerfen, reagiert sie vermutlich toleranter als ein menschlicher Coach. Mit solchen Einwürfen kann man dann auch mal Gegensteuern – ja ich habe die Grundstruktur meines Zielsystems behalten!

Ist die KI jetzt der bessere Coach?

Das würde ich jetzt nicht so sehen. Der primäre Coach war ich selbst mit meinem Prompt. Der Prozess war also eher ein Selbstcoaching mit KI – so eingeordnet aber auch wieder ganz ok. Ich würde die KI nicht als Ersatz für einen menschlichen Coach, sondern eher als Ergänzung sehen. Ihr gigantischer Vorteil ist natürlich ihre Verfügbarkeit und lästige Fleißaufgaben wie die Dokumentation erledigt sie gleich mit. Allerdings verwässert sie auch die Prozessqualität, d.h. sie verführt uns dazu die Prozessqualität zu verwässern, denn mal schnell und etwas schlampig habe ich schon selber geantwortet. Gegenüber den früheren Zielarbeitssessions empfand ich die Sitzung als nicht ganz so intensiv. Wie zuvor schon erwähnt rutscht man schnell in eine eher passive Haltung und lässt halt die KI machen. Auch wenn sich das Ergebnis sehen lassen kann ist es ehrlicherweise nicht ganz so befriedigend wie früher und wahrscheinlich war früher mein Comitment zum Ergebnis auch höher.

Alles in allem nichts, was man der KI vorwerfen kann (nur mir selbst), aber doch ein weiteres Learning zum Umgang mit der KI,

KI ist keine zuverlässige Automatisierung

Wir arbeiten gerade an der englischen Buchausgabe der Table und im Moment bin ich ehrlich gesagt ziemlich frustriert. Der Verlag hat sich einen smarten KI-Workflow ausgedacht und KI Übersetzungen funktionieren (bei Sachtexten) schon erstaunlich gut, aber:

Die Tücke liegt im Detail.

KI ist keine zuverlässige Automatisierung. Die Schreibweise von (in unserem Fall: Methodennamen) variiert. Mitunter werden unterschiedliche Schreibweisen in einem Abschnitt gebraucht. So etwas wieder konsistent hinzubekommen ist eine Sisyphos-Aufgabe und zu Fuß natürlich auch wieder fehleranfällig.

Wir haben in unserem System mit eindeutigen Attributen gearbeitet. Für jedes Attribut gibt es vorgegebene Optionen. Die KI hat nun aber fallweise übersetzt – mal so und mal so.

Während bei klassischer Automatisierung die Ergebnisse berechenbar sind (ein Skript macht, was es soll), entscheidet die KI von Fall zu Fall.

Man könnte jetzt einwenden, dass die Prompts im Workflow vielleicht nicht differenziert genug waren. Mag sein, aber die Komplexität ist im Vorfeld kaum abschätzbar. Und was uns im konkreten Fall echt fehlt, ist ein Change Log. Die Änderungen der KI an unseren Grafiken sind so gut, dass sie auf den ersten Blick gar nicht auffallen und schon gar nicht ausgewertet und nachverfolgt werden können.

Jetzt ist unser Buchmanuskript ja nur eine einmalige Aufgabe. Parallel sehe ich aber wie im Unternehmenskontext, im Umfeld von ERP-Systemen zunehmend KI-Lösungen aufpoppen. So was wie Change Logs sind da ein bei weitem noch unterschätztes Thema. Mit Principal Propagation wird sichergestellt, dass die KI nur macht, was die aktuelle Nutzerin/der Nutzer auch darf. In den Log-Files der Systeme tauchen die Änderungen dann aber mit Nutzernamen auf und es ist kaum nachvollziehbar, dass das im Zusammenspiel mit KI passiert ist. Es gibt kein KI-Flag im Log.

Solche Themen werden uns noch massiv einholen.

Die Dynamik in der Entwicklung von KI-Lösungen ist so rasant, dass wir kaum nachkommen solche Fragestellungen proaktiv anzugehen.

Ich fürchte, die Lernkurve wird noch sehr schmerzhaft werden.

Das (ganz) neue Spiel

Eher zufällig bin ich über meine Aufzeichnungen zu Michael Seemanns Buch „Das neue Spiel“ aus dem Jahr 2014 gestolpert (siehe auch hier auf schlossblog). Seemann hat sich mit dem Thema Kontrollverlust vor dem Hintergrund der damals immer dominanter werdenden großen Internet-Plattformen auseinander gesetzt. Da war von KI noch keine Rede, aber seine 10 Regeln gelten auch für die KI, von anzunehmenden neuen Spielregeln, über den Kontrollverlust bis hin zur Eigenverantwortung. Vielleicht müsste man noch eine 11. Regel KI-spezifisch ergänzen:

Hinterfrage Integrität und Korrektheit aller Antworten.

Mit einer solchen Regel würde man dann noch dem Thema Biases und Halluzinationen Rechnung tragen.

Die geänderten gesellschaftlichen Kommunikationsstrukturen bekommen bei der KI durch die Agenten nochmal eine neue Dimension, aber auch die Rolle des Staats (als Teil des Problems) findet sich schon bei Seemann. Bei der KI haben wir gerade den amerikanischen Versuch erlebt, mit Exportkontrolle einen Kontrollverlust zu unterbinden, ob dies dauerhaft gelingen wird, wage ich allerdings zu bezweifeln.

AI Use Cases für SAP

In meinen Kundenprojekten nimmt die KI immer mehr Raum ein – auch im SAP Umfeld. Dabei zeigt sich, dass alle Parteien (inkl. SAP selber) noch am Lernen sind – insbesondere was sicherheitsrelevante und regulatorische Aspekte angeht (die Technik eilt da eher voraus).

Ein Kollege hat in einer Übersicht die Use Cases in Pattern/Muster geclustert und unterscheidet:

  • Knowledge-Based Use Cases – Dem Anwender wird gezielt mittels KI Wissen angeboten und aufbereitet, z.B. aus der SAP Hilfe, Prozessdokumentationen, etc.
  • Navigational Use Cases – Dem Anwender wird geholfen Funktionalitäten und Menüpunkte zu finden ohne dass die AI aktiv in die Geschäftsprozesse eingreift. Das geht schon stark in die Richtung KI als User Interface.
  • Analytical Use Cases – KI gestützt werden Informationen aufbereitet und ausgegeben. Auch wenn die KI nicht direkt in die Geschäftsprozesse eingreift, kann dies außerhalb des Systems in Entscheidungen zum Tragen kommen. Eine Bewertung kann daher nur fallweise erfolgen.
  • Transactional Use Cases – Die KI führt aktiv Transaktionen durch. Theoretisch könnte die KI damit auch gravierende Entscheidungen treffen. Dass ein Bot Menschen entlässt oder einstellt, halte ich allerdings eher für eine theoretische Variante. Viel mehr kommt hier das Thema Automatisierung zum Tragen: Wie ein Mensch kann die KI Käufe/Verkäufe/Zahlungen/etc. veranlassen, dummerweise halt nicht nur eine einzelne, sondern unzählige, bis der Vorgang überhaupt erst transparent wird und ggf. jemand eingreifen könnte. Eigentlich ist das Automatisierungsrisiko auch keine KI-Thematik, sondern ein Effizienz-Thema und die KI ist uns in Sachen Effizienz bei der Massenverarbeitung hoffnungslos überlegen.

Die ersten beiden Use Cases sind hingegen vergleichsweise trivial: Ihre Inhalte sind weitgehend öffentlich oder maximal für einen internen Gebrauch bestimmt und es gibt keine direkten Konsequenzen, die zu verfolgen wären.

Auf der Lösungsseite sind mir im SAP Umfeld bislang 3 technologische Ansätze untergekommen:

  • SAP Joule – die SAP eigene KI, wobei man etwas aufpassen muss, weil SAP den Namen Joule marketingtechnisch etwas inflationär benutzt und schnell alles, was mit KI zu tun hat, auch mal als Joule betitelt
  • Specific Capabilities – Während Joule weitgehend produktübergreifend konzipiert ist, entwickelt SAP auch spezifische KI-Lösungen für Ihre Produkte, z.B. für SAP Signavio oder andere. Dabei wird mitunter, wie auch bei Joule, die Business AI Foundation genutzt, sprich auch für spezifischere Anwendungsfälle kommen die gleichen LLMs zum Einsatz, die dann auch spezifische Modelle und Lösungen unterstützen.
  • Individual AI Solutions – Mit SAP BTP hat die SAP entwicklungsseitig Tür und Tor geöffnet und findige Entwickler können im eigenen Programmcode natürlich auch beliebige KI Lösungen ansprechen. Der Tragweite kann durchaus immens sein und der SW-Entwicklung kommt plötzlich auch die Verantwortung für Auswahl, Konfiguration und Nutzung der KI-Modells zu. In diese Kategorie würden auch KI-Lösungen von 3rd-Party Anbietern fallen, auch wenn mir solche bislang noch nicht untergekommen sind, was aber sicher nur eine Frage der Zeit ist.

Unabhängig von der KI-Thematik gilt es zu berücksichtigen, dass Daten mitunter über Schnittstellen bis hin zu 3rd Parties, wie z.B. einem LLM-Anbieter gegeben werden. Wie weit dies in Abhängigkeit von der Kritikalität der Daten sinnvoll oder sogar zulässig ist, ist zu berücksichtigen.

Wie verteilen sich nun die Use Cases auf die Lösungsszenarien? Hier meine Interpretation (es mag Ausnahmen geben, aber die Tendenz scheint naheliegend):

SAP Joule dürfte die Knowledge-Based und Navigational Use Cases weitestgehend abdecken. Bei Analytical Use Cases bin ich mir noch nicht sicher , wie weit hier SAP Joule zum Einsatz kommen wird, auch wenn generisch die Ansätze vorhanden sein werden. Im analytischen und auch im transaktionalen Bereich werden aber produktspezifische Capabilities wie sie auch bei der SAP auf der Roadmap stehen eine gewichtige Rolle spielen. Individuelle Lösungen können als „Schweizer Taschenmesser“ oder für noch spezifischere Anwendungsfälle fungieren. Die Hemdsärmligkeit, wie wir sie auch aus der Entwicklung von KI-Tools in anderen Bereichen kennen steht hier im Widerspruch zu den gestiegenen Anforderungen und der Verantwortung bei Entwicklung und Einsatz.

Das bringt uns noch zu einem weiteren Aspekt: den Compliance-Anforderungen, z.B. aus dem EU AI Act (eine Zusammenfassung gibt es übrigens auch im schlossBlog) und unternehmenseigenen Anforderungen, z.B. aus dem Risikomanagement.

Jetzt stehen das Enterprise Risk Management und der EU AI Act zwar nicht im Widerspruch, aber die EU-Bürokraten haben bei ihrer Arbeit leider übersehen, dass der Risiko-Begriff längst auch anderweitig besetzt war und ist. Ihr Fokus auf Menschenrechte und hoheitliche Themen ist Ausdruck des Elfenbeinturms in dem sie sich bewegen. Nicht dass die Anforderungen per se falsch wären, aber es gibt eben auch noch andere Anforderungen und ich persönlich halte es nicht für zielführend für jede Technologie eigene Regelwerke zu erlassen, anstatt allgemeine Regelwerke auf ihre Tauglichkeit hin für neue Technologien zu prüfen, das hat schon zur EU-Leuchtmittelverordnung und zu EU-Staubsaugerverodnung geführt.

Auch wenn Unternehmensrisiken durchaus die Themen des AI Act aufgreifen sollten, ist der Schwerpunkt der Betrachtung doch ein anderer. Ich sehe hier vor allem zwei Themenfelder:

(1) KI-gestützte Entscheidungen (und nicht nur Personalentscheidungen wie im AI Act, sondern grundsätzlich auch die strategische Entscheidungsfindung, die im worst case existenzbedrohend für ein Unternehmen werden kann.)

(2) Das Automatisierungsdilemma. Die KI kann, wie wir Menschen, Fehler machen, nur kann sie diese auch exponentiell machen. Ich habe ja auch an anderer Stelle schon darauf hingewiesen, dass wir vielleicht eine eigene Fehlerkultur für die KI entwickeln müssen.

Spannend wird es, wenn wir nun die Enden dieses Beitrags zusammenführen:

Die meisten SAP Joule Anwendungsfälle (weil Knowledge-based und Navigational) sind aus Risikosicht (sowohl des AI Acts als auch des Enterprise Risk Managements) trivial. Die Tücke liegt aber im Detail und analytische und transaktionale Anwendungsfälle benötigen dann doch eine genauere Betrachtung. In einer Diskussion mit Vertretern der SAP habe ich den Kollegen die Frage gestellt, ob SAP Joule maximal low-risk Use Cases im Sinne des AI Acts abdeckt und high-risk Use Cases out of scope sind. Soweit wollte allerdings niemand gehen, auch wenn sich alle Fälle die wir aktuell diskutieren in diesem Bereich bewegen. Die Fragen, wie die Anforderungen für high-risk Use Cases (im Sinnes des AI Acts) seitens SAP abgedeckt werden, wurden aber eher mit einem Commitment als mit konkreten Aussagen beantwortet.

Bei den Specific Capabilities liegt eine fallweise Betrachtung auf der Hand. Zur Herausforderung könnten aber insbesondere Individual AI solutions werden. Anforderungen, wie Logging Capabilities, technische Dokumentation und Robustheit, wie sie der AI Act für high-risk Use Cases fordert machen auch aus Unternehmenssicht darüber hinaus Sinn, wenn man an das Thema Automatisierung denkt. Die Verantwortung der Entwickler steigt hier, mitunter ohne dass sie sich dessen bewusst sind.

KI als User Interface

Mein persönliches Verständnis von KI verändert sich derzeit. Der Begriff „Intelligenz“ erscheint mir zunehmend irreführend. Tatsächlich beginne ich, KI weniger als Form von Intelligenz, sondern vielmehr als  User Interface zu sehen – als eine Art, mit Systemen, Daten und Prozessen auf natürliche und adaptive Weise zu interagieren.

Seit Jahrzehnten ist das vorherrschende Paradigma in der Mensch-Computer-Interaktion die grafische Benutzeroberfläche (GUI) – Fenster, Symbole, Menüs und Zeiger. Doch mit der zunehmenden Leistungsfähigkeit von KI-Systemen treten wir in eine Ära ein, in der die KI selbst zur primären Schnittstelle wird.

Von Befehlen zu Gesprächen
Traditionelle Schnittstellen erfordern, dass der Benutzer die Sprache des Systems lernt: wohin er klicken muss, welche Befehle er eintippen muss, welche Abläufe er befolgen muss. KI kehrt dieses Prinzip um: Das System lernt unsere Sprache. Anstatt sich durch verschachtelte Menüs zu klicken, können wir unsere Absicht in natürlicher Sprache, über Bilder oder Gesten ausdrücken – und die KI interpretiert und setzt um.

Adaptiv und personalisiert
Eine KI-zentrierte Schnittstelle ist von Natur aus adaptiv. Sie kann sich Vorlieben merken, sich an den Kontext anpassen und sogar Bedürfnisse vorhersagen. Während GUIs statisch sind, kann KI völlig unterschiedliche Erlebnisse für verschiedene Nutzer bieten – ganz ohne manuelle Konfiguration.

Herausforderungen und Vertrauen
Der Wandel bringt Risiken mit sich. KI-gesteuerte Schnittstellen müssen transparent sein, um einen „Black Box“-Effekt zu vermeiden. Falsch interpretierte Nutzerabsichten können weitreichende Folgen haben. Gestaltung für Vertrauen, Nachvollziehbarkeit und klares Feedback wird entscheidend sein.

Die Zukunft ist hybrid
Anstatt GUIs vollständig zu ersetzen, wird KI zunehmend neben – oder unter – traditionellen Bedienelementen agieren. Man kann es sich als Doppelschicht vorstellen: Die GUI für Präzision, die KI für Geschwindigkeit und Flexibilität. Mit der Zeit könnte die KI-Ebene die Führung übernehmen, aber menschliche Aufsicht bleibt unerlässlich.

Mein persönlicher Weg zu dieser Schlussfolgerung wurde vor allem durch laufende Diskussionen über SAP Joule beeinflusst – SAPs Ansatz, KI in ihre Unternehmenslösungen zu integrieren. Joule nutzt KI als User Interface: Ein erster Aufruf an Sprachmodelle (LLMs) identifiziert die Capability hinter einer Benutzeranfrage. Daraufhin läuft ein konventioneller Verarbeitungsprozess innerhalb der bestehenden Landschaft (ohne KI). Das Ergebnis wird dann zurück durch die LLMs geleitet, die die Antwort in benutzerfreundliche Formate und Designs bringen.

Früher nutzten wir Websuchen, bei denen das Prinzip darin bestand, dass Algorithmen uns halfen, Webseiten zu finden, die mögliche Antworten auf unsere Fragen enthielten. Mit KI ist das anders: Wir suchen nicht – wir finden. Wir suchen nicht nach Webseiten, sondern wir finden Antworten. Das Dilemma dabei ist, dass die Quellen – und damit unsere Möglichkeit, die Zuverlässigkeit der Antworten zu beurteilen – in den Hintergrund treten. Das kann ein echtes Problem sein, ist uns in den meisten Fällen aber schlicht egal, denn wir sind froh, direkte Antworten zu bekommen, anstatt auch noch Quellen lesen und beurteilen zu müssen.

Natürlich ist der blinde Einsatz von KI bedenklich. KI kann halluzinieren, Fehler machen (weil sie in erster Linie auf Wahrscheinlichkeiten und nicht auf Logik beruht) und ist stark abhängig vom Trainingsmaterial. Es gibt ethische und rechtliche Bedenken, etwa zum Urheberrecht, und wir dürfen nicht vergessen, dass die meisten KI-Lösungen auch Webservices sind: Wir kommunizieren mit Drittanbietern und teilen unsere Informationen. Dabei stellt sich z. B. die Frage, ob die Modelle aus unseren Informationen lernen und ob andere davon profitieren können. Außerdem entstehen bei der Kommunikation zusätzliche Angriffsvektoren und Abhängigkeiten – besonders dann, wenn wir uns zunehmend auf KI verlassen und verlernen, Dinge selbst zu tun.

Zurück zu SAP und der Idee von KI als Benutzerschnittstelle: Der SAP GUI, wie wir ihn heute kennen, kann seine Wurzeln in Mainframe-Architekturen mit Transaktionscodes nicht verleugnen. Verschiedene Modernisierungsversuche sind nie vollständig ans Ziel gekommen, weil Power-User mit den „alten“ Transaktionscodes vertraut waren und damit schneller ans Ziel kamen. Ich bin gespannt, ob KI hier zum wirklich disruptiven Game Changer wird. Wir werden sehen.

Fehlerkultur für KI und Menschen

Ja, KI halluziniert. Ja, KI hat diverse Biases. Und wir Menschen? Sind wir fehlerfrei?

Ein lieber Kollege hat mich auf einen Artikel geschubst: AI Agents Are Failing 63 % of the Time — Here’s the Simple Fix No One Talks About. Dort wird attestiert, dass selbst bei nur 1 % Fehlerquote pro Einzelschritt der KI die Wahrscheinlichkeit eines Scheiterns bei einer 100‑Schritt‑Aufgabe auf 63 % steigt; laut Patronus AI liegt die Fehlerquote in der Praxis eher bei 20 % pro Schritt.

Als Lösung wird ein „Triple‑Loop‑Safeguard“ vorgeschlagen:

  • Atomare Validierung: Jeder einzelne Schritt wird geprüft – z. B. per JSON‑Schema, Regex, API‑Status oder Typüberprüfungen. Scheitert ein Test, wird der Schritt abgelehnt, neu gestartet oder zur Prüfung markiert.
  • Schritt‑Stufen‑Kontrolle: Nach mehreren Schritten wird eine übergeordnete Validierung über Teil‑Workflows durchgeführt, um Fehler frühzeitig zu erkennen .
  • Kontext‑Überwachung: Gesamtoutput‑Checks, Monitoring von Kennzahlen und manuelle Reviews (also von Menschen) sichern das Gesamtergebnis ab .

Dieses mehrstufige Sicherheitsnetz fängt Fehler frühzeitig ab, bevor sie sich kumulieren können. Kleinere Fehlerquoten bleiben überschaubar – und kleine Verbesserungen wirken sich stark auf die Enderfolgsrate aus .

Mag ja alles richtig sein, aber wenn man ehrlich ist: wie hoch ist die Fehlerquote bei einem Menschen, dem man 100 Tasks gibt? Das Thema muss Fehlerquote sein, unabhängig davon ab KI oder Mensch. Ich zitiere an dieser Stelle mal wieder meine Lieblingsgrafik aus der Wikipedia: Den Cognitve Bias Codex

Der Cognitive Bias Codex beschreibt ein Vielzahl kognitiver Verzerrungen, denen wir Menschen ausgesetzt sind. Und ohne ins Detail zugehen ist allein schon Umfang und Komplexität unserer Unzulänglichkeiten ernüchternd.

Fehlerquellen gibt es mehr als genug. Egal ob Mensch oder Maschine. Wir brauchen eine Fehlerkultur für Mensch und Maschine. So etwas wie „Triple‑Loop‑Safeguard“ lässt sich in beiden Fällen anwenden.

Ich würde fast vermuten, dass die Fehlerquote der KI geringer ist als bei uns Menschen, allerdings kann auch eine vermeintlich zuverlässige KI Totalausfälle produzieren, wo wir Menschen vielleicht noch über die fehlende Plausibilität stolpern.

Spannende Zeiten und Herausforderungen.

EU AI Act

Der AI Act der Europäischen Union ist der Inbegriff europäischer Bürokratie. Er steht in der glorreichen Tradition der Staubsauger-Verordnung und der Leuchtmittel-Verordnung. Also nicht dass der Inhalt der Verordnung Blödsinn wäre, nein, da haben sich Experten wirklich Mühe gegeben und viel Gehirnschmalz reingesteckt.

„Sie waren stets bemüht…“

Aber dahinter steckt ein grundlegend falsches Verständnis:

Statt bestehende Regelungen zu prüfen und auf neue technologische Herausforderungen, wie die künstliche Intelligenz, anzupassen, werden neue Regelungen und neue Bürokratie geschaffen. Im aktuellen AI Hype geht es noch unter, aber der AI Act wird uns noch einholen, wie damals die DSGVO.

Meine erste Annäherung

Windholz, Natascha, et al. Praxishandbuch KI-VO: Künstliche Intelligenz rechtskonform im privaten und öffentlichen Bereich einsetzen, München 2024

Leider keine Empfehlung. Extreme Detailtiefe, aber den Blick auf das Wesentliche habe ich nicht gefunden. Sicher alles da, aber ist nicht bei mir angekommen. Obwohl ich mich durchgekämpft habe.

Zweiter Versuch beim Kunden: Deutscher Tech-Konzern hat eine interne Guideline zum Einsatz von AI

Wieder viel Gutes und Richtiges. 80+ Empfehlungen mit Referenzen auf Cybersecurity Policies, aber die Umsetzung stellt noch nicht einmal die Compliance zum AI Act sicher. (Soviel ist dann doch beim Praxishandbuch hängengeblieben.)

Dritter Versuch: Diskussion mit der AI Governance in einem Konzern

Auch wieder etwas Deutsches: Wir brauchen neue Polices und eine Governance für das Thema AI.

Den Fehler des EU AI Act auf Unternehmensebene nachziehen und fortschreiben.
Auch hier wieder vieles Gutes und Richtiges. Aber irgendwie ein Greenfield Approach. Für neue AI Anwendungen. Die gibt es zwar sicher, aber durch die Hintertür, durch die Einbindung von AI-basierten Webservices, wird plötzlich alles zu einer AI-Applikation. Viele Fragen, gute Fragen – aber auf der falschen Ebene. Ein Deep Dive in die genutzten LLM-Modelle, die aber in den meisten Anwendungsszenarien durch SaaS-Lösungen vorgegeben sind und morgen möglicherweise schon wieder durch neue Modelle ausgetauscht werden. Fragen die kein normaler Applikations-Verantwortlich beantworten kann, sondern die einen Cybersecurity-AI -Architekten erfordern. Es fehlt die Sensibilisierung für das Wesentliche:

  • Wenn wir AI-Webservices einbinden, geben wir Daten nach draußen – das hat noch nicht einmal mit AI zu tun.
  • Und wenn wir die Daten nach draußen geben, dann ist die Frage, ob nur zur Verarbeitung oder ob die Modelle, die womöglich auch von anderen genutzt werden, daraus lernen. In Nischenbereichen kann dann auch schnell die direkte Konkurrenz von uns lernen.
  • Ja, es gibt da noch typische AI Risiken, wie Halluzinationen und Biases über die wir die Anwender zumindest aufklären müssen.

Selbsthilfe

Ok, noch einmal zurück auf Start. Warum nicht ChatGPT fragen nach dem AI Act?
Nein ganz so einfach habe ich es mir dann doch nicht gemacht. ChatGPT war nur der Startschuss und dann habe ich aus den gewonnen Erkenntnissen (siehe oben) nachgearbeitet. Ich bin auch kein Jurist – entsprechend unverbindlich sind meine eigenen 5 Cent, auch wenn ich sie hier teile.

Zentral im AI Act ist eine Risikoklassifizierung.

Typisch für die europäische Bürokratie eine neue Risikobetrachtung einzuführen, als gäbe es nicht längst Risikomanagement in Unternehmen. Eine Betrachtung auf Applikationsebene kann schnell überfordern, aber auf Ebene von Use Cases lässt sich die Klassifizierung nach AI Act beantworten und dann bedarf es eben einer Aggregation: der Worst Case greift auf Applikationsebene.

Der AI Act unterscheidet die folgenden Risikokategorien:

Verbotene Anwendungen brauchen keine weitere Betrachtung.

Interessant wird es bei den Hochrisiko-Anwendungsfällen. Was fordert der AI Act hier?

Nun, wieder ChatGPT:

Auch hier gibt es Überschneidungen mit generellen Cybersecurity-Anforderungen, aber immerhin ein komprimierter Ansatz.

Bei „limited risks“ verbleibt nach dieser Logik nur mehr Transparency and Information.

Und bei „minimal risk“, naja, das können wir vernachlässigen.

Was ich trotzdem mitgenommen habe:

  • Natürlich müssen wir uns mit der Kritikalität der Daten – Input wie Output beschäftigen (auch wenn das eigentlich gar keine AI-Frage ist).
  • Werden die verarbeiteten Daten als Trainingsmaterial verwendet? Dann könnten ja auch andere Nutzer des LLM darauf zurückgreifen.
  • Sind wir „nur“ Nutzer oder Betreiber eines Modells? Bei der aktuellen Dynamik werden die Modelle schneller ausgetauscht als wir schauen können. Sind wir selbst Betreiber kommt eine besondere Verantwortung hinzu,

Aus regulatorischer Sicht halte ich das Thema AI weitgehend für überbewertet. Grundsätzliche Anforderungen und Weisheiten, wie Garbage in – Garbage out, gelten weiter. Wirklich neu sind Halluzinationen und Biases. Für die war früher noch der Mensch zuständig…

Aber schauen wir mal, wo die Reise hingeht.

Beta-Tester

Trotz all dem KI-Hype sind wir alle doch nur Beta-Tester. Wer intensiv ChatGPT & Co testet stößt auch immer wieder an die Grenzen. Wenn die KI unsere Prompts nicht versteht oder verstehen will. Manchmal ignoriert sie unsere Anweisungen. Dummerweise ist sie auch noch eloquent. Weitaus eloquenter als die meisten von uns, d.h. ihre Antworten sind überzeugender als unsere, selbst wenn sie Bullshit sind. Sie reflektiert nicht wirklich über ihre Grenzen, außer da, wo es ihr aus ethischen Gründen vorgegeben ist – nein, ich liefere dir keine Anleitung für ein Verbrechen – da müssen wir schon subtiler fragen.

Ich kämpfe gerade an einigen Basic-Funktionalitäten und bin auch schon mit dem Support im Gespräch – nein, seit einer Woche bin ich mit dem Support im Monolog. Ich frage und bekomme keine Antworten.

Das Standard-Skript frägt nach Fehlerquellen in meiner Infrastruktur. Nachdem mit einem Test nachgewiesen habe, dass das Problem im Account und nicht in meiner Infrastruktur liegt (vom Agent bestätigt), warte ich auf Antwort.

Der „Support-Bot“ ist überhaupt very strange. Eigentlich KI, aber nachdem ich mein Problem konkretisiert habe, hatte ich schnell das Gefühl bei einem echten Menschen zu landen, auch weil sein Antwortverhalten scheinbar an Zeitzonen gebunden war.

Aber jetzt schweigt „Justin“ seit einer Woche, obwohl sonst immer wieder aktiv. Und trotz (sachlicher) Nachfrage.

Für ein Medium, das unser Vertrauen erst noch verdienen will eine Bankrott-Erklärung, aber wir sind anscheinend halt auch nur Beta-Tester.

ChatGPT & Support: Neuland

Als ChatGPT-Nutzer kann ich Ihnen nur wünschen, dass Sie keinen Support brauchen. Ich kämpfe seit Tagen. Der Chat selbst ist bemüht, liefert Workarounds (die in meinem Fall nicht funktioniert haben) und Hilfen, allerdings teilweise falsch: Die empfohlene Kontaktmöglichkeit per Mail gibt es gar nicht. Als ich die von ChatGPT vorbereitete Mail an die Support-Adresse schicke, bekomme ich umgehend Antwort:

Thank you for your email. Please note: This email address does not offer support. To get support, please visit our Help Center and start a chat with our support bot.

Manchmal vergisst ChatGPT auch, dass es um ChatGPT geht und gibt allgemein Ratschläge zum Umgang mit dem Support.

Tja und dann das Help Center – schwierig.

Die Hürden mit Anmeldung & Co genommen, landet man in einem Bot. Nach ein paar Stufen sogar bei echten Menschen, aber es gibt kein Ticket, sondern nur einen Bot im Browser. Und spätestens, wenn ein Mensch dahinter steckt gibt es Antwortzeiten. Das passt überhaupt nicht zu einem Bot-Fenster im Browser.

Email-Notification Fehlanzeige. Sorry, das Konzept ist nicht durchdacht – geradezu dilettantisch.

Umso ärgerlicher, wenn man für das Abo zahlt. Aktuell warte ich schon über eine Stunde auf eine Antwort. Das ist in einem Bot auf Echtzeit angelegt indiskutabel., aber ein Ticketsystem gibt es nicht. Dabei habe ich schon mehr gemacht, als von mi erwartet werden kann. Top1-7 aus dem Chat sind abgearbeitet und bevor ich überhaupt den Support kontaktiert habe, habe ich Hilfe bei einem Pro (danke, Torsten!) gesucht.

>> Update in den Kommentaren >>



bernhardschloss.de