Jagged Frontier

Wenn ein Mensch eine schwierige Aufgabe löst, gehen wir davon aus, dass er die leichteren auch schafft. Bei Programmen, die Texte schreiben und Fragen beantworten, stimmt diese Annahme nicht. Ein solches Programm kann einen juristischen Vertrag sinnvoll zusammenfassen und danach an einer einfachen Rechenaufgabe scheitern. Der Begriff Jagged Frontier, auf Deutsch etwa „zerklüftete Grenze“, beschreibt genau dieses Muster. Man stellt sich die Fähigkeiten der Maschine als Landkarte vor: innerhalb der Grenze klappt alles, außerhalb nicht. Diese Grenze ist aber keine glatte Linie, sondern hat tiefe Einbuchtungen und weit vorspringende Zacken.

Warum man der Maschine nicht ansieht, wo sie versagt

Das eigentliche Problem ist nicht, dass KI-Systeme Fehler machen. Das Problem ist, dass man ihre Fehler nicht vorhersehen kann. Bei einem Menschen schließt man von einer Leistung auf andere: Wer flüssig Chinesisch spricht, kann vermutlich auch bis zehn zählen. Bei einem Sprachmodell, also einem Programm, das aus riesigen Textmengen Sprachmuster gelernt hat, funktioniert dieser Rückschluss nicht.

Dazu kommt, dass die Systeme auch dort selbstbewusst klingen, wo sie danebenliegen. Sie liefern eine falsche Antwort im selben souveränen Tonfall wie eine richtige. Für Nutzer heißt das: Man kann der Formulierung nicht ansehen, auf welcher Seite der Grenze man gerade steht. Genau das macht den Einsatz in Unternehmen heikel.

Der Begriff stammt aus einer vielbeachteten Studie von 2023, bei der Beraterinnen und Berater mit und ohne KI-Unterstützung arbeiteten. Bei Aufgaben innerhalb der Grenze wurden die KI-Nutzer deutlich schneller und besser. Bei Aufgaben knapp außerhalb wurden sie sogar schlechter als die Vergleichsgruppe — weil sie der Maschine vertrauten.

Woher die Zacken kommen

Sprachmodelle lernen nicht nach Lehrplan, sondern aus dem, was zufällig in ihren Trainingsdaten steht. Zu manchen Themen existieren Millionen Texte, zu anderen kaum etwas. Wo viel Material vorhanden ist, entstehen starke Fähigkeiten. Wo wenig vorhanden ist, bleiben Lücken — auch wenn die Aufgabe für uns trivial wirkt.

Dazu kommt die Bauweise der Modelle. Sie sagen Wort für Wort voraus, was als Nächstes plausibel wäre. Dieses Verfahren eignet sich hervorragend für Sprache, Zusammenfassungen und Stil. Für exaktes Zählen, präzises Rechnen oder das Einhalten harter Regeln ist es von Natur aus schlecht geeignet. Deshalb liegt die berühmte Frage nach der Anzahl bestimmter Buchstaben in einem Wort oft außerhalb der Grenze.

Wichtig ist: Die Grenze verschiebt sich mit jeder neuen Modellgeneration, aber sie wird nicht glatt. Einbuchtungen verschwinden, neue entstehen an anderer Stelle. Ein häufiger Irrtum ist deshalb, aus einer alten Fehlerliste zu schließen, was heutige Systeme nicht können.

Was das für den praktischen Einsatz bedeutet

Im Alltag begegnet einem der Effekt ständig, meist ohne dass er benannt wird. Ein Chatbot erklärt ein Physikthema tadellos und erfindet zwei Sätze später eine Quelle, die es nicht gibt. Eine Übersetzung klingt perfekt, enthält aber eine falsche Jahreszahl. Wer das Muster kennt, prüft gezielt die anfälligen Stellen statt blind zu vertrauen.

In Firmen führt der Begriff zu einer klaren Arbeitsweise. Man testet systematisch, welche konkreten Aufgaben ein Modell zuverlässig erledigt, und nutzt es nur dort. Für alles andere bleibt ein Mensch in der Prüfschleife. Berater sprechen dabei oft vom Kartieren der Grenze: ausprobieren, dokumentieren, regelmäßig neu testen.

Auch in Börsen- und Wirtschaftsnachrichten taucht das Thema auf. Wenn ein Unternehmen meldet, eine KI erreiche bei einem Test Spitzenwerte, sagt das wenig über den Alltagsnutzen. Ein hoher Wert in einer Prüfung beweist nur eine einzelne Zacke, nicht die ganze Fläche. Das erklärt, warum begeisterte Testergebnisse und ernüchternde Praxisberichte oft nebeneinander stehen.