Achtung: Entscheidungsunterschiede zwischen Rechen- und Gesprächs-LLMs!

Die rasante Verbreitung von großen Sprachmodellen (LLMs) als Entscheidungsunterstützungssysteme und in agentischen Workflows verändert die digitale Landschaft. Trotz ihrer wachsenden Einsatzbereiche bleibt das Verständnis ihrer Entscheidungsfindung unter Unsicherheit jedoch begrenzt.

In einer neuen Studie wurden 20 hochmoderne und offene LLMs auf zwei zentrale Aspekte hin untersucht: die Art der Prospektdarstellung – explizit versus erfahrungsbasiert – und die Entscheidungsbegründung, also ob und wie das Modell Erklärungen liefert. Parallel dazu wurden menschliche Probanden getestet und ein rationaler Agent, der den erwarteten Nutzen maximiert, als theoretischer Referenzrahmen herangezogen.

Die Ergebnisse zeigen, dass die Modelle in zwei klare Gruppen fallen: Rechenmodelle (RMs) und Gesprächsmodelle (CMs). RMs verhalten sich rational, sind gegenüber der Reihenfolge der Prospekte, Gewinn- und Verlustrahmen sowie Erklärungen unempfindlich und zeigen ähnliche Entscheidungen, egal ob die Prospekte explizit oder über eine Erfahrungs‑History präsentiert werden. CMs hingegen sind deutlich weniger rational, wirken menschlicher, reagieren empfindlich auf die Reihenfolge, das Framing und die Erklärungen und weisen eine große Diskrepanz zwischen Beschreibung und Historie auf.

Ein entscheidender Unterschied zwischen den beiden Gruppen liegt in der Trainingsausrichtung: Modelle, die für mathematisches Denken trainiert wurden, tendieren zu den rationalen Rechenmodellen, während solche, die stärker auf Konversation ausgerichtet sind, die Gesprächsmodelle bilden. Diese Erkenntnisse liefern wichtige Hinweise für die zukünftige Entwicklung von LLMs, die sowohl menschlich als auch rational entscheiden sollen.