KI-Systeme können flüssig schreiben, komplexe Probleme durchdenken und Antworten generieren, die sich oft bemerkenswert menschlich anfühlen. Doch eine kürzlich in PNAS Nexus veröffentlichte Studie legt nahe, dass eine der grundlegendsten kognitiven Fähigkeiten, die Menschen täglich ausüben – sich auf ein Ziel zu konzentrieren, wenn Ablenkungen um Aufmerksamkeit konkurrieren –, eine fundamentale Lücke in der tatsächlichen Funktionsweise heutiger KI-Systeme offenbaren könnte.
Die Untersuchung unter der Leitung von Suketu Patel nutzte ein jahrzehntealtes psychologisches Experiment, um diese Lücke zu erforschen. Was dabei herausgefunden wurde, ist eine genaue Betrachtung wert, da es eine Frage neu formuliert, die in Diskussionen über die Fähigkeiten von KI oft untergeht: den Unterschied zwischen dem Erzeugen beeindruckender Ergebnisse und der echten Steuerung von Aufmerksamkeit.
Ein Test, der entwickelt wurde, um den menschlichen Fokus auf die Probe zu stellen
Die Stroop-Task ist eines der bekanntesten Werkzeuge der kognitiven Psychologie. Der Aufbau ist unkompliziert. Farbwörter wie „Rot“, „Blau“ oder „Grün“ werden in farbiger Tinte dargestellt. Manchmal stimmen das Wort und die Tintenfarbe überein. Manchmal stehen sie im Widerspruch zueinander, etwa wenn das Wort „Rot“ in blauer Tinte gedruckt erscheint. Die Aufgabe der Teilnehmenden besteht darin, die Tintenfarbe zu nennen, nicht das Wort vorzulesen.
Das klingt trivial. Ist es aber nicht. Das Lesen von Wörtern ist für die meisten Menschen eine automatische Gewohnheit, etwas, das das Gehirn ohne bewusste Anstrengung tut. Das Benennen der Tintenfarbe erfordert die aktive Unterdrückung dieser Gewohnheit. Genau das macht die Aufgabe so nützlich für die Messung der exekutiven Kontrolle: jener mentalen Prozesse, die es Menschen ermöglichen, ihre Aufmerksamkeit zu regulieren, konkurrierenden Impulsen zu widerstehen und an einem bestimmten Ziel ausgerichtet zu bleiben.
Psychologen nutzen die Stroop-Task seit Jahrzehnten, weil sie etwas Reales und Messbares darüber isoliert, wie das Gehirn den Konflikt zwischen automatischen Reaktionen und bewussten Absichten bewältigt. Patels Forschungsteam wandte dieselbe Logik auf große Sprachmodelle an.
Was geschah, als KI den Test machte
Die Forscher testeten mehrere führende KI-Systeme, darunter GPT-4o, GPT-5, Claude 3.5 Sonnet, Claude Opus 4.1 und Gemini 2.5, mit Listen im Stroop-Stil von unterschiedlicher Länge.
Bei kurzen Listen von fünf Farbwörtern schnitten die Modelle im Allgemeinen gut ab. GPT-4o erreichte bei dieser Länge eine Genauigkeit von 91 %. Das Bild änderte sich, als die Listen länger wurden. Bei zehn Wörtern sank die Genauigkeit von GPT-4o auf 57 %. Bei vierzig Wörtern fiel sie auf 15 %. Claude 3.5 Sonnet zeigte bis zu Listen von zwanzig Wörtern eine stabile Leistung, bevor es einen steilen Abfall erlebte und bei vierzig Wörtern auf eine Genauigkeit von 24 % sank.
Die Situation verschlechterte sich weiter, wenn übereinstimmende und nicht übereinstimmende Elemente zusammen in derselben Liste auftauchten. Unter diesen Bedingungen sank die Genauigkeit für die nicht übereinstimmenden Elemente in einigen Fällen auf fast null. Die Modelle machten nicht einfach nur zufällige Fehler. Sie verfielen standardmäßig darauf, die Wörter zu lesen, anstatt die Tintenfarben zu identifizieren – genau das Verhalten, das die Aufgabe eigentlich unterdrücken soll.
Das ist es, was die meiste Berichterstattung über KI-Fähigkeiten übersieht. Das Scheitern liegt nicht am Wissen oder an der Sprachkompetenz. Diese Modelle wissen, was Tintenfarben sind. Sie verstehen die Anweisungen. Das Problem ist, dass sie mit steigenden Anforderungen der Aufgabe die Fähigkeit verlieren, diejenige Reaktion konsequent zu überstimmen, auf die sie am intensivsten trainiert wurden: das Verarbeiten und Wiedergeben von Text.
Warum dies über das Labor hinaus von Bedeutung ist
Der Kontrast zur menschlichen Leistung ist aufschlussreich. Auch Menschen fallen nicht übereinstimmende Elemente schwerer als übereinstimmende, und das Lesen von Wörtern ist eine stärkere Gewohnheit als das Benennen von Farben. Dennoch können die meisten Personen selbst bei langen Listen von widersprüchlichen Reizen eine hohe Genauigkeit und eine stabile Leistung aufrechterhalten. Das menschliche Gehirn verfügt über Mechanismen, um die zielgerichtete Aufmerksamkeit über längere Sequenzen hinweg aufrechtzuerhalten, selbst wenn automatische Reaktionen in eine andere Richtung ziehen.
Den aktuellen KI-Modellen, so legt die Studie nahe, scheint ein gleichwertiger Mechanismus zu fehlen. Ihre Leistung nimmt mit zunehmender kognitiver Belastung nicht allmählich ab. Sie bricht ein.
Diese Unterscheidung ist wichtig für jeden, der ernsthaft darüber nachdenkt, wie sich KI in reale Arbeitsabläufe einfügt. Aufgaben, die kurz, klar definiert und arm an konkurrierenden Signalen sind, verlaufen meist gut. Bei Aufgaben hingegen, die eine anhaltende Aufmerksamkeit über längere Sequenzen erfordern oder bei denen es darum geht, der statistisch wahrscheinlichsten Antwort zugunsten einer bestimmten Anweisung zu widerstehen, zeigt die Architektur ihre Grenzen.
Die Ergebnisse deuten nicht darauf hin, dass KI-Systeme nutzlos sind oder dass ihre Fähigkeiten eine Illusion sind. Sie deuten auf etwas Präziseres hin: dass sich die Mechanismen, die der KI-Leistung zugrunde liegen, grundlegend von den Mechanismen der menschlichen Aufmerksamkeit unterscheiden und dass diese Unterschiede unter bestimmten Bedingungen sichtbar werden. Zu verstehen, unter welchen Bedingungen dies geschieht, ist nützlicher, als die Technologie entweder abzutun oder ihre Fähigkeiten zu übertreiben.
KI-Tools funktionieren am besten, wenn sie das menschliche Urteilsvermögen ergänzen, anstatt es zu ersetzen – insbesondere in Kontexten, in denen anhaltender Fokus, Widerstandsfähigkeit gegen Ablenkung und das konsequente Verfolgen eines bestimmten Ziels über einen längeren Zeitraum das sind, was die Aufgabe tatsächlich erfordert.
Kurz gesagt
Ein Forschungsteam unter der Leitung von Suketu Patel nutzte die Stroop-Task, ein klassisches psychologisches Experiment zur Messung von Aufmerksamkeit und exekutiver Kontrolle, um führende KI-Modelle wie GPT-4o, Claude 3.5 Sonnet und Gemini 2.5 zu testen. Die Leistung hielt bei kurzen Listen stand, brach jedoch ein, als die Listen länger wurden, wobei GPT-4o von 91 % Genauigkeit bei und fünf Wörtern auf 15 % bei vierzig Wörtern abfiel. Die Modelle verfielen zunehmend darauf, Wörter zu lesen, anstatt der Anweisung zu folgen, die Tintenfarben zu nennen. Menschen behalten trotz derselben automatischen Tendenz zum Lesen unter den gleichen Bedingungen eine stabile Leistung bei. Die Studie weist auf einen realen architektonischen Unterschied zwischen der menschlichen Aufmerksamkeit und der Art und Weise hin, wie aktuelle Large Language Models Informationen verarbeiten – ein Unterschied, der bei jeder Aufgabe zum Tragen kommt, die einen anhaltenden, zielgerichteten Fokus über längere Sequenzen erfordert.
Basierend auf Berichten von ScienceDaily AI.