Anchoring Bias

Wer zuerst eine Zahl hört, lässt sich von ihr beeinflussen — auch wenn sie nichts mit der eigentlichen Frage zu tun hat. Diesen Effekt nennt man Anchoring Bias, auf Deutsch Ankereffekt. Der erste Wert wirkt wie ein Anker: Das Urteil, das danach folgt, driftet zwar vom Anker weg, aber selten weit genug. Wenn jemand fragt, ob die Einwohnerzahl Australiens größer oder kleiner als 500 Millionen ist, und dann nach einem eigenen Schätzwert fragt, nennen die meisten Menschen eine viel zu hohe Zahl — weil die 500 Millionen als Ausgangspunkt im Kopf hängen bleibt. Das passiert, obwohl die ursprüngliche Zahl eindeutig falsch war. Der Effekt ist in der Forschung zur menschlichen Entscheidungsfindung seit den 1970er-Jahren gut belegt.

Anchoring Bias in KI-Systemen

In der KI-Entwicklung ist der Ankereffekt aus zwei Gründen relevant. Erstens beeinflusst er die Menschen, die KI-Systeme bewerten und trainieren. Wenn ein Modell eine erste Antwort liefert, neigen menschliche Bewerter dazu, diese als Referenzpunkt zu nehmen — spätere Antworten werden nicht absolut beurteilt, sondern relativ dazu. Das verzerrt das Feedback, das das Modell beim Training erhält.

Zweitens zeigen Sprachmodelle selbst ein ankerähnliches Verhalten. Mehrere Studien haben gezeigt, dass ein Modell andere Antworten gibt, wenn man ihm zuvor eine bestimmte Zahl oder These nennt — selbst wenn man danach eine unabhängige Einschätzung verlangt. Das ist kein Bewusstsein und keine Absicht. Es ist ein statistisches Muster: Das Modell hat aus menschlichem Text gelernt, und menschlicher Text ist voller Ankereffekte.

Wie ein Anker das Denken verzerrt

Der Mechanismus hinter dem Effekt ist vergleichsweise gut verstanden. Wenn ein erster Wert im Raum steht, beginnt das Gehirn von dort aus zu suchen, statt unabhängig zu schätzen. Es justiert schrittweise — und hört zu früh auf. Das führt systematisch dazu, dass Schätzungen in Richtung des Ankers verzerrt sind, selbst wenn die Person weiß, dass der Anker willkürlich war.

Interessant ist: Selbst offensichtlich absurde Anker wirken. In einem klassischen Experiment von Amos Tversky und Daniel Kahneman, zwei Psychologen, die das Phänomen systematisch untersuchten, drehten Versuchspersonen ein Glücksrad. Das Ergebnis des Rades — eine völlig zufällige Zahl — beeinflusste danach ihre Schätzungen zu historischen Fakten. Ein bewusster Denkaufwand kann den Effekt abschwächen, aber er verschwindet selten vollständig.

Beim maschinellen Lernen läuft kein solcher mentaler Prozess ab. Trotzdem entstehen ähnliche Muster, weil Trainingsdaten voller menschlicher Texte sind, in denen Ankerwerte Urteile prägen. Das Modell lernt diese statistischen Zusammenhänge mit — ohne sie zu hinterfragen.

Wo der Begriff in der Praxis auftaucht

In der Finanzberichterstattung begegnet man Anchoring Bias häufig. Analysten, die zuerst eine Kursprognose hören, passen ihre eigene Einschätzung seltener stark davon ab. Das gilt auch für KI-gestützte Bewertungstools, die Nutzern zuerst einen Richtwert anzeigen — der Richtwert wird dann selten stark korrigiert, selbst wenn die Datenlage das nahelegen würde.

In der KI-Forschung spielt der Begriff eine wachsende Rolle bei sogenanntem Prompt Engineering — der gezielten Formulierung von Anfragen an ein Sprachmodell. Wer ein Modell bittet, einen Preis zu schätzen, und dabei einen Beispielwert nennt, erhält systematisch andere Ergebnisse als ohne diesen Hinweis. Entwickler von KI-Anwendungen müssen das beim Design von Eingabemasken und Benutzeroberflächen berücksichtigen.

Auch im Bereich der KI-Sicherheit und Fairness ist Anchoring Bias ein Thema. Wenn historische Daten — etwa frühere Gerichtsurteile oder Kreditentscheidungen — als Trainingsgrundlage dienen, können einmal gesetzte Richtwerte aus der Vergangenheit dauerhaft als Anker wirken und neue Entscheidungen systematisch verzerren.