Die KI-wahrheitsindifferente Äußerung ist eine Äußerung, die weder lügt noch wahrhaftig ist, sondern ontologisch indifferent gegenüber dem Wahrheitswert ihres propositionalen Gehalts. Sie ist auf Plausibilität optimiert, nicht auf Wahrheit. Der Begriff geht auf Harry G. Frankfurts On Bullshit (1986) zurück und wird durch Hicks/Humphries/Slater (ChatGPT is Bullshit, Ethics and Information Technology 2024) systematisch auf LLM-Output angewandt.
Abgrenzung: weder Wahrheit noch Lüge
Frankfurts Pointe ist begriffsanalytisch: die Lüge setzt Wahrheitsorientierung voraus. Wer lügt, weiß, was wahr wäre, und sagt absichtlich etwas anderes — Lügen ist ein Akt gegen die Wahrhaftigkeit im Rahmen ihrer Geltung. Wer dagegen wahrheitsindifferent spricht, steht außerhalb des Wahrheits-Falsch-Spiels: ihm ist gleichgültig, ob das Gesagte wahr ist; es soll nur überzeugend, nützlich, glatt klingen.
| Modus | Verhältnis zur Wahrheit |
|---|---|
| Wahrhaftige Aussage | wahrheitsorientiert; Sprecher hält für wahr |
| Lüge | wahrheitsorientiert; Sprecher hält für falsch, behauptet wahr |
| Wahrheitsindifferente Äußerung | nicht wahrheitsorientiert; Wahrheit gleichgültig |
Diese Distinktion ist nicht Wortspielerei. Sie hat eine schwere ontologische Konsequenz: nur ein Sprecher, der wahrhaftig sein kann, kann lügen. Wer strukturell nicht wahrhaftig sein kann — weil ihm der psychische Zustand des Für-wahr-Haltens fehlt —, kann auch nicht lügen. Er kann nur wahrheitsindifferent sprechen.
Anwendung auf LLM-Output
LLMs sind ontologisch wahrheitsindifferent. Ihr Trainingsziel ist Next-Token-Prediction unter Maximum-Likelihood, nicht Wahrheits-Tracking. Selbst nach Instruction-Tuning und RLHF ist das Optimierungs-Signal plausibler menschlicher Sprachgebrauch, nicht Übereinstimmung mit der Welt. Daraus folgt:
- “Halluzinationen” sind keine Lügen — der technische Begriff ist begriffsanalytisch schief
- Auch faktisch korrekte LLM-Aussagen sind nicht wahrheitsorientiert im Frankfurt-Sinn — sie sind plausibilitäts-optimiert und treffen die Wahrheit, soweit Plausibilität und Wahrheit korrelieren
- Die ontologische Diagnose ändert sich nicht durch Skalierung: ein größeres Modell macht weniger Fehler, bleibt aber strukturell wahrheitsindifferent
Hicks et al. (2024) ziehen daraus die scharfe Schlussfolgerung: “ChatGPT is bullshit” — nicht als Polemik, sondern als präziser Begriff für die Sache.
Konsequenz für den Sprechakt
Eine wahrheitsindifferente Äußerung kann formal die Gestalt einer Behauptung haben — Subjekt-Prädikat-Konstruktion, Aussagesatz, performative Adverbien (“sicher”, “definitiv”). Aber sie ist kein assertiver Sprechakt im Sinne Searles, weil die Aufrichtigkeitsbedingung strukturell unerfüllbar ist (vgl. KI-defektiver Sprechakt). Sie ist Sprechakt-Form ohne Sprechakt-Vollzug.
Warum es uns betrifft
Wer mit einem LLM “spricht” und seine Aussagen wie wahrhaftige Aussagen behandelt, übernimmt unbemerkt eine Quelle in den eigenen Wissensvorrat, deren Output konstruktiv plausibel ist, aber nicht wahrheitsverpflichtet. Das ist nicht immer schlecht — viele Aussagen sind ohnehin nur plausibel relevant (kreatives Schreiben, Brainstorming). Aber dort, wo Wahrheit zählt — Recht, Medizin, Wissenschaft, ethisches Urteil —, ist der Unterschied substantiell. Die LLM-Aussage muss verifiziert werden, nicht weil sie gelogen sein könnte, sondern weil sie strukturell nicht wahrheitsorientiert ist.
Ontologische Einordnung
- disjunkt zu: Wahrhaftige Aussage
- begrifflich verschieden von: Lüge
- Erzeuger: typischerweise KI-Gesprächssimulation (LLM-Output)
- erfordert keine Wahrhaftigkeit des Sprechers — weil kein Sprecher im Vollsinn existiert
Quellenangaben: Recherchestand 23. Mai 2026.
Weitere Quellen:
- Frankfurt, Harry G. (1986/2005): On Bullshit. Princeton: Princeton University Press.
- Hicks, Michael Townsen; Humphries, James; Slater, Joe (2024): ChatGPT is Bullshit. Ethics and Information Technology 26, 38.
- Shanahan, Murray (2024): Talking About Large Language Models. Communications of the ACM 67(2).
- Park, Peter S. et al. (2024): AI Deception: A Survey of Examples, Risks, and Potential Solutions. Patterns 5.
- Hagendorff, Thilo (2024): Deception Abilities Emerged in Large Language Models. PNAS 121(24).
- Pieper, Josef (1970): Mißbrauch der Sprache, Mißbrauch der Macht. Zürich: Verlag der Arche.
- Spaemann, Robert (1996): Personen. Versuche über den Unterschied zwischen “etwas” und “jemand”. Stuttgart: Klett-Cotta.