Wer die Architektur der Frage beherrscht, beherrscht die Qualität des Ergebnisses.

Beschreibung: Was ist der Fall. Was ist beobachtbar.

Empfehlung: Was solltest du tun. Mit welchen Trade-offs.

LLMs schreiben fließend in einem Ton, der nach fundierter Einschätzung klingt, auch wenn die Entscheidungslage nicht geklärt ist. Eine Beschreibung wird zur impliziten Empfehlung, ohne dass Alternativen oder Risiken benannt werden.

Korrelation: Zwei Dinge bewegen sich gemeinsam.

Kausalität: A verursacht B.

LLMs können aus Mustern elegante Ursachenketten ableiten, ohne dass ein Beleg vorliegt. Die Erklärung klingt schlüssig, weil sie narrativ funktioniert, nicht weil sie kausal belegt ist.

Begründung: Klingt logisch. Ist erzählbar.

Evidenz: Messung, Quelle, Nachweis, Reproduzierbarkeit.

LLMs sind Begründungsmaschinen, nicht Wahrheitsmaschinen. Sie erzeugen sprachlich kohärente Argumentationsketten, unabhängig davon, ob eine empirische Grundlage existiert.

Sicherheit (Confidence): Wie überzeugt etwas formuliert wird.

Treffgenauigkeit (Accuracy): Ob es stimmt.

Hohe Sicherheit in der Formulierung ist oft nur Stil, nicht Qualität. LLMs formulieren mit gleichbleibender Überzeugungskraft, unabhängig davon, ob die Aussage zutrifft.

Präzision: Viele Details, klare Zahlen, exakte Formulierungen.

Genauigkeit: Die Details treffen die Realität.

Scheinpräzision wirkt wie Kompetenz, kann aber komplett danebenliegen. LLMs liefern exakte Zahlen und detaillierte Aufschlüsselungen, ohne dass die Datenlage diese Granularität hergibt.

Spezifisch: Klingt zugeschnitten, konkret, handlungsnah.

Richtig: Trifft das Problem und hält Gegenprüfung stand.

LLMs passen ihre Antworten an den Kontext an, auch wenn die zugrundeliegenden Annahmen falsch sind. Die Antwort wirkt maßgeschneidert, weil sie den Ton trifft, nicht weil sie das Problem löst.

Kontext: Hintergrundinformationen, Rahmen, Situation.

Ziel: Was soll erreicht werden und wie misst du es.

Viel Kontext ohne Ziel führt zu hübschen Texten ohne Outcome. LLMs verarbeiten bereitwillig jede Hintergrundinformation, ohne zu prüfen, ob ein operationalisierbares Ziel definiert ist.

Konsistenz: Innere Stimmigkeit, keine Widersprüche im Text.

Korrektheit: Übereinstimmung mit Fakten, Logik, Daten.

LLMs können sehr konsistent falsch sein. Ein in sich stimmiger Text erweckt den Eindruck von Verlässlichkeit, auch wenn er auf falschen Prämissen aufbaut.

Generalisierung: Das gilt oft.

Übertragbarkeit: Gilt es in deinem Kontext, mit deinen Constraints, jetzt.

LLMs tendieren zu Standardrezepten, die lokale Constraints ignorieren. Was in einem Lehrbuchbeispiel funktioniert, scheitert an den Randbedingungen des konkreten Systems.

Narrativ: Gute Geschichte, sinnvolle Reihenfolge, überzeugend.

Modell: Explizite Variablen, Abhängigkeiten, Mechanismen, Testbarkeit.

Gute Geschichten fühlen sich wie Verständnis an. LLMs erzeugen narrative Kohärenz, die den Eindruck eines funktionierenden Modells erweckt, ohne dass Variablen, Abhängigkeiten oder Testbedingungen explizit benannt sind.