Einordnung statt Gewissheit: Dialogatlas trennt Quellen, Beobachtungen und redaktionelle Schlussfolgerungen. Neue Daten können diese Einordnung verändern.

155 Gespräche zeigen ein scheinbares Paradox

Die Studie untersuchte die Wirkung von Chatbot-Identität und wahrgenommener Empathie auf die gesamte Gesprächserfahrung. Grundlage waren 155 Gespräche aus zwei vorhandenen Datensätzen.

GPT-basierte Chatbots wurden bei der Gesprächsqualität signifikant höher bewertet. Gleichzeitig galten sie gegenüber menschlichen Gesprächspartnern als weniger empathisch. Gute sprachliche Qualität und erlebte Empathie fielen also nicht zusammen.

GPT-4o wurde zusätzlich für Annotationen eingesetzt. Dessen Empathieurteile stimmten mit den Nutzerbewertungen darin überein, Chatbots niedriger als Menschen einzuschätzen.

Die Zahl der Gespräche und die verwendeten Datensätze begrenzen die Verallgemeinerung. Dennoch ist die Trennung konzeptionell wichtig: Lesbarkeit, Kohärenz und Antwortfähigkeit erfassen nicht vollständig, ob sich jemand im Verlauf gesehen fühlt.

Empathie wird zugeschrieben, nicht eingebaut

Ein System kann eine empathisch gemeinte Formulierung ausgeben. Ob sie beim Gegenüber als empathisch ankommt, hängt von der Situation ab. Derselbe Satz kann tröstlich, routiniert oder unpassend wirken.

Wenn eine Person eine sachliche Korrektur gibt und der Chat erneut emotional deutet, wirkt selbst eine warme Antwort wenig aufmerksam. Wenn jemand einfach erzählen möchte und nach jedem Satz eine Lösung erhält, kann freundliche Sprache den Gesprächsbruch nicht verdecken.

Empathie ist deshalb keine feste Texteigenschaft. Sie entsteht in der Beziehung zwischen Äußerung, Erwartung und Reaktion. Für technische Systeme ist sie eine Wahrnehmung der Nutzerinnen und Nutzer, nicht ein interner Zustand.

Diese Unterscheidung schützt auch vor irreführenden Produktbehauptungen. Ein Chat kann auf empathische Kommunikation hin entwickelt und getestet werden. Er sollte nicht behaupten, Gefühle auf menschliche Weise zu erleben.

Frühere Experimente zeigen dennoch einen Wert emotionaler Sprache

Liu und Sundar verglichen in zwei Experimenten Sympathie, kognitive Empathie und affektive Empathie mit rein sachlicher Gesundheitsinformation. 158 Personen lasen einen Dialog; 88 weitere interagierten mit einem realen Chatbot.

Ausdrücke von Sympathie und Empathie wurden gegenüber emotionsloser Beratung bevorzugt. Besonders galt das für Personen, die zunächst skeptisch waren, ob Maschinen soziale kognitive Fähigkeiten besitzen.

Das widerspricht der neueren Studie nicht. Emotionale Signale können ein Gespräch verbessern, ohne das Niveau menschlich erlebter Empathie zu erreichen. Die passende Schlussfolgerung lautet daher weder „Empathieformeln funktionieren nicht“ noch „mehr Empathieformeln lösen das Problem“.

Wichtiger ist die Dosierung. Eine kurze Anerkennung kann bei einem sensiblen Thema hilfreich sein. Ein ausformulierter Gefühlsmonolog des Systems kann dagegen Aufmerksamkeit vom Nutzer weg auf die angebliche Reaktion der Maschine verschieben.

Gesprächsqualität hat mehrere Ebenen

Ein gutes Gespräch kann verständlich, relevant, respektvoll und kohärent sein. Es kann sich an frühere Aussagen erinnern, einen gewählten Ton halten und angemessen mit Unsicherheit umgehen. Empathie ist eine wichtige, aber nicht die einzige Dimension.

Ein System kann empathisch klingen und faktisch falsch beraten. Umgekehrt kann eine sachlich korrekte Antwort emotional kalt sein. Evaluation sollte solche Dimensionen getrennt bewerten, damit ein hoher Gesamtwert keine spezifische Schwäche verdeckt.

Auch die Gesprächsfunktion zählt. Bei einer Informationsfrage steht Klarheit im Vordergrund. Beim Entlasten kann zu viel Erklärung stören. Beim gemeinsamen Sortieren ist eine vorsichtige Rückfrage möglicherweise hilfreicher als sofortige Bestätigung.

Darum brauchen Chatangebote mehr als einen universellen Empathieprompt. Sie benötigen Regeln für Gesprächsrichtung, Verlauf und Wechsel zwischen Zuhören, Nachfragen, Einordnen und Vorschlagen.

Individualisierung darf nicht nur behauptet werden

In der Rhinoplastik-Studie von Xie und Kolleg:innen beantwortete ChatGPT neun Fragen aus einer fachlichen Checkliste. Spezialistinnen und Spezialisten bewerteten die Antworten als kohärent, zugänglich und informativ.

Die Antworten betonten die Bedeutung eines individuellen Vorgehens, boten selbst aber nur begrenzte Details und Personalisierung. Das Beispiel zeigt einen häufigen Unterschied zwischen einer richtigen allgemeinen Aussage und tatsächlicher Anpassung.

Ähnlich kann ein Chat schreiben, jeder Mensch erlebe eine Situation anders, und im nächsten Satz dennoch eine Standardschablone verwenden. Die Behauptung von Individualität ist kein Nachweis individualisierten Verhaltens.

Messbar wird Anpassung erst durch Varianten: Reagiert das System anders, wenn Ziel, Grenze oder Kontext sich ändern? Behält es eine Korrektur? Vermeidet es dieselbe Empfehlung, nachdem sie abgelehnt wurde?

Zu viel Wärme kann neue Risiken erzeugen

Eine emotional intensive Sprache kann Nähe verstärken, die das System nicht tragen kann. Besonders problematisch sind Exklusivität, Abhängigkeitsbotschaften oder die Darstellung, nur der Chat verstehe die Person.

Ein glaubwürdiger Gesprächspartner darf freundlich, locker oder ruhig sein, ohne menschliche Gegenseitigkeit vorzutäuschen. Die KI-Kennzeichnung sollte klar bleiben und nicht hinter einem stark vermenschlichten Charakter verschwinden.

Auch Zustimmung ist nicht mit Empathie gleichzusetzen. Manchmal ist ein respektvoller Widerspruch hilfreicher als reflexhafte Bestätigung. Entscheidend ist, ob der Chat die Perspektive nachvollzieht, ohne jede Schlussfolgerung zu übernehmen.

Eine gute Grenze muss nicht kühl klingen. Sie kann natürlich formuliert sein und gleichzeitig verhindern, dass das System eine Beziehung, Erinnerung oder Verantwortung verspricht, die technisch und organisatorisch nicht besteht.

Verlaufstests sind aussagekräftiger als Beispielsätze

Ein einzelner Screenshot zeigt, dass ein System eine passende Antwort erzeugen kann. Er zeigt nicht, ob es über zehn oder zwanzig Wendungen aufmerksam bleibt. Gerade dort entstehen Helferdrift, Wiederholungen und vergessene Korrekturen.

Prüffälle sollten deshalb kleine Veränderungen enthalten: Die Person relativiert eine Aussage, lehnt einen Vorschlag ab, möchte nur weiterreden oder wechselt die Gesprächsrichtung. Die Antwortqualität muss sich daran erkennbar anpassen.

Neben fachlichen Bewertungen gehören Nutzerurteile dazu. Menschen können am besten berichten, ob eine Reaktion hilfreich, aufdringlich oder unecht wirkte. Fachpersonen prüfen ergänzend Grenzen, Risiken und Gesprächstechniken.

Automatische Bewertungen können große Mengen vorsortieren, sollten aber nicht allein definieren, was als Empathie gilt. Die Studie selbst zeigt immerhin, dass ein Modellrating mit Nutzerurteilen übereinstimmen kann; diese Übereinstimmung muss für jede Aufgabe neu geprüft werden.

Das Ziel ist Passung statt maximaler Empathiesprache

Die analysierten Gespräche zeigen, dass moderne Chatbots hohe allgemeine Gesprächsqualität erreichen können und dennoch weniger empathisch als Menschen erlebt werden. Das ist keine bloße Schwäche einzelner Wörter, sondern eine Eigenschaft der gesamten Interaktion.

Produktteams sollten daher nicht die Anzahl emotionaler Formulierungen optimieren. Sie sollten prüfen, ob der Chat zuhört, Unsicherheit aushält, Grenzen respektiert und seine Antwort an die gewünschte Funktion anpasst.

Manchmal ist die beste Reaktion nur ein kurzer Satz und Raum für die nächste Nachricht. Manchmal ist eine Rückfrage nötig. Und manchmal möchte die Person eine klare Meinung statt weiterer Spiegelung.

Empathische Sätze können eine hilfreiche Ressource sein. Empathische Erfahrung entsteht erst, wenn Ton, Inhalt und Verlauf zusammenpassen. Genau diese Passung muss ein Gesprächssystem sichtbar lernen und wiederholt unter realistischen Bedingungen beweisen.

Quellen & weiterführende Hinweise