Dass die KI jedes Mal anders antwortet, ist in den allermeisten Fällen völlig normal – kein Zeichen eines schlechten Gedächtnisses. Es gibt im Grunde nur zwei Arten von Gründen: Erstens sampelt das Modell beim Generieren von Text Wörter zufällig, sodass dieselbe Frage bei zwei Durchläufen naturgemäß unterschiedlichen Wortwahl-Pfaden folgt; zweitens haben sich die Bedingungen Ihrer beiden Fragen geändert – ein neuer Chat, aktivierte Memory-Funktionen oder ein Modellversionswechsel im Hintergrund – andere Eingaben führen naturgemäß zu anderen Antworten.
Drei Gründe für unterschiedliche Antworten
Erstens: Sampling-Zufälligkeit. Ein großes Modell schlägt Antworten nicht in einer Fragedatenbank nach, sondern wählt Wörter einzeln aus, quasi „würfelnd" – fachlich temperature- bzw. top-p-Sampling genannt. Diese Zufälligkeit ist beabsichtigt, kein Fehler, daher sind Abweichungen in Formulierung, Beispielen und Struktur jedes Mal normal.
Zweitens: unterschiedlicher Kontext und unterschiedliches Gedächtnis. Ein neuer Chat hat keinen Verlauf, das Modell kann die Frage nur wörtlich verstehen; ein Chat mit Verlauf bezieht frühere Anforderungen ein; bei aktivierter Memory-Funktion fließen außerdem zuvor gespeicherte Präferenzen ein. Die Frage sieht gleich aus, doch die tatsächliche Eingabe hat sich geändert. Wenn sich zwei Antworten besonders stark unterscheiden, fragen Sie sich zuerst: Wurden sie im selben Chat gestellt? Dieser verwandte Artikel trennt Zufälligkeit, Kontext und Tool-Ausgaben sauber auf: Warum liefert derselbe Prompt jedes Mal andere Ergebnisse? Zuerst Zufälligkeit, Kontext und Tool-Ausgaben unterscheiden.
Drittens: Modellversion oder Routing haben sich geändert. Viele Produkte aktualisieren Modelle stillschweigend oder verteilen Anfragen auf verschiedene Modelle. Derselbe Einstieg kann also von völlig unterschiedlichen Modellen beantwortet werden – driftender Stil und Details sind dann normal.
So erhalten Sie stabilere Antworten
- Vergleichsmaßstab angleichen: Vergleichen Sie bei zwei Antworten die „Schlussfolgerungen", nicht die „Formulierung". Unterschiedliche Formulierung bedeutet nicht unterschiedliche Antworten.
- Einschränkungen in den Prompt schreiben: Ausgabeformat, Länge und Grenzen klar festlegen, z. B. „Antworte in drei Punkten, jeder maximal zwei Sätze, keine Beispiele". Je konkreter die Einschränkungen, desto kleiner der Zufallsraum.
- Langfristige Präferenzen festlegen: Dauerhafte Anforderungen wie Schreibstil oder Code-Konventionen in Memory oder benutzerdefinierten Anweisungen speichern, statt sie jedes Mal neu zu beschreiben.
- Modellversion fixieren: In Szenarien mit hohen Konsistenzanforderungen prüfen, dass beide Durchläufe dasselbe konkrete Modell nutzen, und offizielle Modell-Update-Ankündigungen beachten.
So erhalten Sie Antworten aus mehreren Blickwinkeln
- Anders fragen und mehrfach sampeln: Fordern Sie direkt „je eine Version aus Befürworter- und Gegnersicht" oder „drei weitere, unterschiedliche Lösungswege".
- Die Schnittmenge mehrerer Antworten nehmen: Bei faktischen Inhalten den Teilen vertrauen, die über mehrere Durchläufe konsistent bleiben; inkonsistente Stellen separat prüfen, statt die Aussage eines einzelnen Durchlaufs zu übernehmen.
Wann Sie misstrauisch werden sollten: Das ist keine Zufälligkeit, sondern „Halluzinations-Drift"
Zwei Arten von Inkonsistenz fallen nicht mehr unter normale Zufälligkeit und verdienen Aufmerksamkeit. Die eine: Zwei Antworten widersprechen sich in zentralen Fakten – passen Daten, Zahlen oder Namen nicht zusammen, war mindestens eine davon erfunden. Die andere: Dieselbe Frage liefert bei Wiederholung immer mehr Details, von denen keines einer Prüfung standhält – klassische Halluzination. Wie Halluzinationen entstehen, steht hier: Was ist KI-Halluzination? Warum große Modelle Fehler mit ernster Miene behaupten. Faktische Fragen immer gegenprüfen; wenn Sie Belege verlangen, fügen Sie „markiere Unsicheres bitte deutlich" hinzu – das filtert die meisten selbstsicheren Erfindungen heraus.
