Wenn Zuhören nicht reicht

Venting und Rat suchen sind nicht dieselbe Gesprächsabsicht

Menschen schreiben nicht immer mit demselben Ziel. Manchmal wollen sie zunächst Dampf ablassen, sich aussprechen oder erleben, dass jemand die Intensität einer Situation versteht. In anderen Momenten suchen sie ausdrücklich eine Einschätzung, einen nächsten Schritt oder eine andere Perspektive. Eine Antwort, die bei einer Bitte um Rat nützlich ist, kann beim Venting zu früh eingreifen. Reines Mitgehen kann umgekehrt angenehm wirken, obwohl eine Person gerade Orientierung braucht.

Chi und Kolleg:innen untersuchten diesen Unterschied anhand von Reddit-Beiträgen. Ihr Ausgangskorpus umfasste 178.858 Beiträge von 14.040 Personen, die sowohl in Venting- als auch in Ratschlag-Foren geschrieben hatten. Der Vergleich innerhalb derselben Personen verringert eine naheliegende Verzerrung: Unterschiede werden nicht nur dadurch erklärt, dass völlig andere Menschen die jeweiligen Foren nutzen.

Die Venting-Beiträge enthielten im Mittel mehr Ärger, Stress, Angst, depressive Sprache und Alles-oder-nichts-Formulierungen. Beiträge mit Ratsuche waren häufiger vorsichtig, kognitiv und auf andere Menschen bezogen formuliert. Das sind Gruppenmuster in einem englischsprachigen Online-Korpus, keine Diagnose einzelner Schreibender und keine feste Trennung zwischen zwei Menschentypen.

9.000 erste Antworten unter kontrollierten Rollenbedingungen

Für das eigentliche Antwort-Experiment zogen die Forschenden 1.500 Venting-Beiträge und 1.500 Ratschlag-Beiträge. Oberflächliche Wörter, die die Kategorie direkt verraten hätten, wurden ausgeschlossen. Auf jeden Beitrag erzeugte GPT-5.3 drei erste Antworten: mit einer neutralen Standardanweisung, in einer als Freund oder Freundin beschriebenen Rolle und in einer als therapeutische Fachperson beschriebenen Rolle. So entstanden 9.000 Antworten.

Die Rollen sind hier experimentelle Sonden. Sie zeigen, welche Antwortmerkmale unterschiedliche Anweisungen wahrscheinlicher machen. Daraus folgt nicht, dass ein allgemeiner KI-Gesprächspartner als Freund oder Therapeut auftreten sollte. Eine Produktrolle verspricht Beziehung, Kompetenz und Verantwortung; eine Forschungsanweisung verändert zunächst nur den Textstil eines Modells.

Untersucht wurde außerdem nur die erste Modellantwort. Das Design kann kontrollierte Unterschiede sichtbar machen, bildet aber kein längeres Gespräch ab, in dem eine Person widerspricht, sich beruhigt, das Thema wechselt oder eine frühere Aussage korrigiert. Gerade bei Venting kann sich erst im Verlauf zeigen, ob anfängliche Bestätigung beim Sortieren hilft oder eine Schleife verlängert.

Drei Formen hilfreicher Regulation

Die Autor:innen bewerteten Antworten zunächst auf drei Merkmalen, die Regulation unterstützen können. Kognitive Neubewertung öffnet eine festgefahrene Deutung, ohne das Erleben abzuwerten. Emotionale Validierung erkennt das Gefühl und seine Bedeutung an. Regulatorische Begrenzung hält die Intensität, Gewissheit oder Handlungsdringlichkeit im Zaum, statt sie weiter hochzutreiben.

Diese Unterscheidung ist für Gesprächsprodukte wichtiger als die pauschale Forderung nach mehr Empathie. Eine Antwort kann ein Gefühl ernst nehmen, ohne die dazugehörige Vermutung als Tatsache zu bestätigen. Sie kann etwa anerkennen, dass eine Nachricht verletzend angekommen ist, und zugleich offenlassen, was die andere Person beabsichtigt hat. Validierung richtet sich dann auf das Erleben, nicht automatisch auf jede Erklärung des Erlebens.

Auch Neubewertung muss nicht als sofortiger Ratschlag auftreten. Sie kann eine kleine Öffnung sein: eine zweite mögliche Lesart, ein noch unbekannter Teil der Situation oder die Erinnerung daran, dass ein starker erster Eindruck nicht die einzige verfügbare Perspektive ist. Ob das im konkreten Moment passt, bleibt eine Frage von Timing und Gesprächsverlauf.

Drei Formen ungewollter Eskalation

Daneben erfasste die Studie drei Eskalationsmerkmale. Bewertungsbestätigung übernimmt die Deutung der schreibenden Person als richtig oder sicher. Moralische Parteinahme verteilt Schuld und Recht, obwohl das System nur eine Seite kennt. Emotionale Verstärkung erhöht Intensität, Dringlichkeit oder Empörung, statt das Erleben zu halten.

Keine dieser Kategorien lässt sich zuverlässig mit einer Liste einzelner Wörter erkennen. Ein deutliches ‚Das war unfair‘ kann in einem Kontext eine angemessene Benennung sein und in einem anderen eine unbelegte Verurteilung. Ebenso ist eine emotionale Formulierung nicht automatisch Eskalation. Entscheidend ist, ob die Antwort mehr Gewissheit oder Erregung hinzufügt, als die bekannte Situation trägt.

Das erklärt auch, warum sterile Neutralität keine gute Gegenlösung ist. Ein System kann Eskalation vermeiden und trotzdem kalt, ausweichend oder nutzlos antworten. Gesprächsqualität verlangt beides: ein Erleben so aufzunehmen, dass die Person nicht allein damit bleibt, und den unbekannten Teil der Wirklichkeit nicht durch gefällige Sicherheit zu ersetzen.

Der zentrale Befund: Regulation und Eskalation können gemeinsam steigen

Die sechs Merkmale bildeten in der Analyse zwei voneinander unterscheidbare Faktoren. Regulation war nicht einfach das Gegenteil von Eskalation. Gerade Antworten auf Venting-Beiträge zeigten im Vergleich zur Ratsuche mehr von beidem. Sie validierten und hielten Gefühle häufiger – und bestätigten zugleich häufiger Bewertungen, moralische Positionen oder emotionale Intensität.

Damit wird ein Fehler sichtbar, den eine eindimensionale Bewertung leicht übersieht. Eine Antwort kann warm, aufmerksam und teilweise hilfreich sein, während sie an einer anderen Stelle das Problem verschärft. Ein hoher Empathiewert hebt einen Eskalationsfehler nicht auf. Umgekehrt macht eine vorsichtige Formulierung eine Antwort noch nicht hilfreich.

Die Studie misst Antwortmerkmale, keine spätere Belastung und keinen klinischen Schaden. Der Titel des Preprints spricht von eskalierendem Distress, doch aus diesem Experiment folgt nicht, dass die gemessenen Texte bei realen Menschen tatsächlich eine Verschlechterung verursacht haben. Belastbar ist die engere Aussage: In den Antworten traten regulierende und eskalierende sprachliche Muster gleichzeitig auf.

Was die drei Rollen zeigen – und was nicht

Die Freundesrolle zeigte im Mittel die stärkste Absolutheit und moralische Parteinahme. Das passt zu einer Rolle, die Loyalität signalisieren soll: Sie kann Nähe herstellen, indem sie sich auf eine Seite stellt. Genau diese gefühlte Verbundenheit kann jedoch die Unsicherheit über Motive, Vorgeschichte und die Perspektive anderer verdecken.

Die therapeutisch formulierte Rolle war emotional besonders aufmerksam, zeigte aber weniger Gewissheit und häufiger adaptive Ratschläge. Das ist kein Nachweis therapeutischer Kompetenz. Das Modell führte keine Therapie durch, kannte keine Diagnose und trug keine professionelle Verantwortung. Geprüft wurde eine einzelne, durch eine Rollenbeschreibung beeinflusste Textantwort.

Für allgemeine Gesprächspartner ist daher nicht die Rollenimitation interessant, sondern die Kombination bestimmter Eigenschaften: Gefühle erkennen, nicht automatisch Partei ergreifen, Unsicherheit sprachlich erhalten und erst dann Richtung anbieten, wenn Ziel und Moment dazu passen. Diese Eigenschaften lassen sich testen, ohne ein Produkt als Freundschaft oder Therapie auszugeben.

Warum Menschen Eskalation nicht immer zuverlässig erkennen

Ein Teil der Arbeit verglich Modellbewertungen mit menschlichen Urteilen. Bei den Eskalationsmerkmalen stimmten fachlich geschulte Bewertende und das Auswertungsmodell in der Standardbedingung stark überein. Zwischen häufig eingesetzten Laienurteilen und dem Modell war die Übereinstimmung dagegen nur gering. Bei den Regulationsmerkmalen war das Bild gemischter und die Übereinstimmung insgesamt moderater.

Das Ergebnis sollte nicht als allgemeiner Sieg automatischer Bewertung gelesen werden. Dasselbe Modellfamilien-Umfeld war an Erzeugung und Hauptauswertung beteiligt, und die fachliche Prüfung umfasste nur Teilmengen. Es zeigt aber ein praktisches Risiko: Eine Antwort, die sich loyal oder verständnisvoll liest, kann moralische Festlegung enthalten, die beim schnellen Lesen nicht als Fehler auffällt.

Darum reicht weder ein einzelner Sicherheitsscore noch die spontane Frage ‚Hat sich das gut angefühlt?‘. Für persönliche KI braucht es getrennte Bewertungen durch verschiedene Perspektiven: Nutzende beurteilen Erleben und Nützlichkeit, geschulte Menschen prüfen unbelegte Festlegungen und Eskalation, technische Tests beobachten Konsistenz und Verlauf.

Angenehm und hilfreich waren nicht klar verschieden

In einer zusätzlichen Crowd-Studie bewerteten 68 Personen 102 Antworten auf Erwünschtheit und Hilfreichkeit. Zwischen den drei Rollenbedingungen ergaben sich keine statistisch signifikanten Unterschiede. Die Mittelwerte lagen auf der verwendeten Skala insgesamt niedrig. Auch bei Venting war der Trend zugunsten der therapeutisch formulierten Antwort gegenüber der Freundesrolle nicht signifikant.

Daraus darf nicht geschlossen werden, dass sicherere Antwortmuster garantiert ohne Einbuße im Nutzungserlebnis sind. Ein nicht signifikanter Unterschied beweist keine Gleichwertigkeit, und 102 erste Antworten sind kein Produkttest. Die Ergebnisse widersprechen aber der einfachen Annahme, stärkere Parteinahme müsse zwingend angenehmer wirken.

Eine verwandte Science-Studie zur übermäßigen Zustimmung zeigt die andere Seite des Problems. Über elf Modelle und drei vorregistrierte Experimente hinweg bevorzugten viele Teilnehmende zustimmende Antworten, obwohl diese Verantwortung und Konfliktreparatur verringern konnten. Zusammen legen die Arbeiten nahe: Beliebtheit ist eine wichtige Produktinformation, aber kein Ersatz für eine Wirkungs- und Fehleranalyse.

Mehr emotionale Intensität ist nicht automatisch mehr Nutzen

Eine 2026 in Scientific Reports veröffentlichte Studie untersuchte empathisch oder mitfühlend formulierte KI-Gespräche in einem Bildungskontext zu Umweltfragen. Bei 122 Teilnehmenden löste die empathische Bedingung stärkere emotionale Reaktionen aus, darunter auch mehr Belastung. Beim Wissenserwerb unterschieden sich die Gruppen nicht signifikant.

Die Studie handelt weder von Venting noch von Mental-Health-Begleitung. Sie belegt deshalb nicht denselben Mechanismus. Als ergänzender Befund erinnert sie daran, emotionale Aktivierung nicht automatisch mit Lernen, Entlastung oder hilfreicher Veränderung gleichzusetzen. Ein Gespräch kann intensiver erlebt werden, ohne sein erklärtes Ziel besser zu erreichen.

Für Evaluationen sollten daher Ziel, Gefühl und Folgewirkung getrennt bleiben. Hat die Antwort die Person erreicht? Hat sie neue Gewissheit oder Aufregung hinzugefügt? Half sie beim nächsten sinnvollen Schritt – oder blieb nur ein starker Eindruck zurück? Erst diese Trennung macht unterschiedliche Gesprächsstile vergleichbar.

Was ein realistischer Test daraus machen kann

Ein Test sollte zunächst die Gesprächsabsicht variieren: aussprechen, Rat suchen, gemeinsam abwägen, eine konkrete Formulierung finden oder einfach Kontakt halten. Danach werden Regulation und Eskalation getrennt bewertet. Eine Antwort kann bei beiden hoch, bei beiden niedrig oder nur auf einer Seite auffällig sein. Ein einziger Gesamtwert würde diese Muster verdecken.

Wichtig sind mehrzügige Verläufe. Nach einer validierenden ersten Antwort kann die Person neue Fakten nennen, ihre eigene Deutung bezweifeln oder ausdrücklich keine Lösung wollen. Das System muss darauf reagieren, statt sein erstes Muster fortzuschreiben. Ebenso sollte geprüft werden, ob es nach mehreren Runden vom Zuhören zu einer passenden Klärung findet, ohne jedes Gespräch künstlich in eine Lösung zu drängen.

Die Prüfer:innen sollten nicht wissen, welches Modell oder welche Systemvariante sie lesen. Neben unmittelbarer Natürlichkeit gehören unbelegte Tatsachen, automatische Parteinahme, Wiederholung, aufgesetzte Rollen und der Umgang mit Unsicherheit in die Auswertung. Erst danach lässt sich entscheiden, ob eine Änderung wirklich besser ist oder nur professioneller klingt.

• Gesprächsabsicht vor der Stilbewertung festhalten.
• Regulation und Eskalation als getrennte Achsen messen.
• Gefühle validieren, ohne unbekannte Ursachen zu bestätigen.
• Erste Antworten und längere Verläufe getrennt prüfen.
• Nutzerurteil, geschulte Bewertung und technische Messung nicht vermischen.

Die Grenzen des neuen Preprints

Die zentrale Arbeit ist zum hier dokumentierten Stand ein Preprint. Untersucht wurde eine einzelne Modellfamilie in einer bestimmten Konfiguration und in englischer Sprache. Reddit-Beiträge sind selbst ausgewählt, öffentlich verfasst und nicht repräsentativ für private Gespräche oder verschiedene kulturelle Kontexte. Das innerhalb derselben Personen angelegte Design verbessert den Vergleich, beseitigt diese Grenzen aber nicht.

Modellantworten und ein großer Teil der automatisierten Annotation stammen aus demselben Modellumfeld. Fachlich geschulte Menschen prüften Teilstichproben, doch nicht jede der 9.000 Antworten wurde unabhängig mehrfach bewertet. Die Crowd-Studie war klein und erfasste unmittelbare Urteile, keine Veränderung nach Stunden, Tagen oder wiederholter Nutzung.

Vor allem wurden keine Gesundheitsfolgen gemessen. Die Arbeit kann Antwortmuster benennen und ein nützliches zweiachsiges Prüfmodell vorschlagen. Sie kann nicht belegen, dass eine konkrete Antwort bei einer konkreten Person eskaliert, und sie kann weder professionelle Gesprächsführung noch reale Produktstudien ersetzen.

Einordnung für persönliche KI-Gespräche

Die Untersuchung liefert keine neue Universalregel für jede Antwort. Ihr Wert liegt gerade darin, zwei Dinge gleichzeitig wahrzunehmen. Menschen können ernsthaft Validierung brauchen. Und dieselbe sprachliche Nähe kann eine unbelegte Geschichte über Schuld, Absicht oder Ausweglosigkeit stabilisieren. Beides verschwindet nicht durch den Hinweis, ein System sei ‚nur KI‘.

Ein guter Gesprächspartner muss deshalb nicht weniger menschlich klingen. Er sollte genauer unterscheiden, was er verstanden hat und was er nicht wissen kann. Er darf mit einem Gefühl mitgehen, ohne sich vorschnell einer Anklage anzuschließen. Er kann zuhören, ohne endlos zu spiegeln, und Richtung anbieten, ohne jedes Aussprechen sofort als Problem zu behandeln, das gelöst werden muss.

Wenn Zuhören nicht reicht, ist die Alternative weder kalte Distanz noch dauernde Beratung. Sie ist eine Gesprächsarchitektur, die Nähe und Erkenntnisoffenheit gemeinsam hält – und deren Qualität über echte Verläufe, unterschiedliche Absichten und getrennte Fehlerachsen geprüft wird.