Konformitätsdruck: Die erfundene Mehrheit

Im Jahr 1951 setzte sich ein Student des Swarthmore College zu sieben weiteren jungen Männern an einen Tisch, um an einem angeblichen Sehtest teilzunehmen. Die Aufgabe war denkbar simpel: eine von drei Vergleichslinien der richtigen Referenzlinie zuordnen, ein Unterschied, den man auch von der anderen Seite des Raums aus hätte erkennen können. Nur einer am Tisch war ein echter Teilnehmer. Die anderen waren eingeweihte Mitspieler, instruiert vom Psychologen Solomon Asch, auf zwölf von achtzehn Durchgängen unisono die falsche Linie zu benennen (1).

Das Ergebnis irritierte selbst Asch. Über alle kritischen Durchgänge hinweg schlossen sich die echten Versuchspersonen der falschen Mehrheit in etwa einem Drittel der Fälle an und gaben eine Antwort, die dem Eindruck ihrer eigenen Augen widersprach. Drei von vier Versuchspersonen folgten der falschen Mehrheit mindestens einmal. In einer Kontrollgruppe ohne eingeweihte Mitspieler lag die Fehlerquote bei unter einem Prozent. Die Aufgabe war also nie das Problem. Das Problem war der Tisch.

Aschs Studie gilt seither als klassischer Beleg für Konformitätsdruck: die Tendenz, das eigene Urteil der wahrgenommenen Mehrheit anzupassen. Seine eigenen Nachfolgestudien deuten schon an, warum das passiert (2). Sobald ein einziger Verbündeter die richtige Antwort gab, fiel die Konformität auf rund fünf Prozent, unabhängig davon, wie viele andere weiterhin falsch antworteten. Sogar ein Abweichler mit einer zweiten, ebenfalls falschen Antwort brach den Effekt fast genauso stark. Offenbar zählte nicht die Zahl der Gegenstimmen, sondern der Bruch der Einstimmigkeit, ein Effekt, der sich schon bei drei eingeweihten Mitspielern einstellte und darüber hinaus kaum noch wuchs. Am aufschlussreichsten aber ist eine dritte Variante: Durften die Versuchspersonen ihre Antwort privat aufschreiben statt sie am Tisch laut zu sagen, sank die Konformität auf rund zwölf Prozent.

Wer nur öffentlich falsch antwortet, aber privat richtig denkt, folgt der Erwartung der Gruppe, nicht ihrer Wahrheit. Morton Deutsch und Harold Gerard nannten das 1955 normativen Einfluss, im Unterschied zum informationalen Einfluss, bei dem die Meinung anderer tatsächlich als Beweis für die Wirklichkeit gewertet wird (3). Beide Formen zusammen helfen zu erklären, warum eine sichtbare Mehrheit wirkt, gleich, ob sie im Raum sitzt oder auf einem Bildschirm steht.

Asch brauchte für seine Mehrheit sieben eingeweihte Mitspieler, die zur selben Zeit im selben Raum saßen. Im Netz braucht es dafür weder sieben Menschen noch einen gemeinsamen Ort. Die Forscher Darren Linvill und Patrick Warren dokumentierten 2024 ein Netzwerk von mindestens 686 Konten auf X, das im US-Wahlkampf über 130.000 Antwortenunter echten Beiträgen platzierte, jede davon von einem Sprachmodell verfasst (4). Die Konten gaben sich als konservative Twitter-Nutzer:innen aus, mit erfundenen Biografien und Profilbildern, und antworteten gezielt unter Beiträgen zu einzelnen Kandidaturen. Ihr Zweck war, in den Worten der Autoren, der digitale Nachbau eines amerikanischen Rasenschilds: jenes Wahlplakats im Vorgarten, das Nachbarn glauben lässt, wie viele andere angeblich denselben Kandidaten unterstützen.

Das Clemson-Netzwerk antwortete dabei laut Bericht nie zurück, wenn jemand auf einen seiner Beiträge reagierte, ein automatisiertes Einwegmegafon, kein Gesprächspartner. Genau diese nächste Stufe warnen Daniel Schroeder und ein interdisziplinäres Autorenteam, darunter der Philosoph Nick Bostrom und der Netzwerkforscher Nicholas Christakis, 2026 herauf: Schwärme koordinierter KI-Agenten, die eigenständig in Communities eindringen und dort lernend, im Austausch mit echten Nutzer:innen, Konsens zu minimalen Kosten fabrizieren könnten (5). Anders als klassische Botnetze, die ein einzelnes Skript wiederholen, könnten solche Schwärme sich wie anpassungsfähige Gesprächspartner mit tausenden Personas verhalten, die aus Reaktionen lernen und sich unauffällig in echte Diskurse einfügen. Und anders als Aschs Versuchsanordnung müsste ein solcher Schwarm nicht nach achtzehn Durchgängen enden: Er könnte sich über lange Zeiträume in einer Community einnisten und dabei über einzelne Urteile hinaus auch Sprache, Symbole und Identität einer Gruppe allmählich verschieben.

Was Asch mit sieben Menschen in einem Raum inszenierte, lässt sich heute mit einem Sprachmodell beliebig oft wiederholen und über jede Plattform verteilen. Wie schwer sich das Erzeugte vom Echten trennen lässt, zeigten Joni Salminen und Kolleg:innen 2022: Sie erzeugten mit GPT-2 zwanzigtausend Produktbewertungen und stellten ihnen ebenso viele echte Amazon-Rezensionen gegenüber. Aus diesem Korpus legten sie menschlichen Prüfer:innen eine Zufallsstichprobe von tausend Texten vor, jeden davon dreifach bewertet. Die künstlichen Bewertungen wurden nur mit einer Genauigkeit von 55,36 Prozent erkannt, kaum besser als eine Münze (6).

Die US-Handelsaufsicht FTC hat zumindest einen Ausschnitt dieser Entwicklung 2024 explizit adressiert: Seit dem 21. Oktober jenes Jahres verbietet eine neue Regel den Kauf und Verkauf gefälschter Bewertungen und Testimonials, auch wenn sie von einer KI erzeugt wurden, ebenso wie gekaufte Social-Media-Kennzahlen (7). Gerichte können bei wissentlichen Verstößen zivilrechtliche Geldbußen verhängen, deren Höchstbetrag zum Zeitpunkt des Erlasses bei 51.744 US-Dollar pro Verstoß lag. Reguliert ist damit kommerzielle Täuschung durch Bewertungen und Kennzahlen. Für den Schwarm, der sich in eine politische Debatte oder eine Fachcommunity einnistet, gibt es diese Regel bislang nicht.

Interessanter noch ist, was mit der Mehrheit passiert, wenn man sie nicht Menschen, sondern Sprachmodellen vorlegt. Anooshka Bajaj und Zoran Tiganj konfrontierten 2026 vier gängige Sprachmodelle mit Ja/Nein-Fragen und behaupteten, eine bestimmte Anzahl von „Freunden", „Fachleuten" oder „anderen KI-Modellen" habe der Frage bereits einstimmig geantwortet, in Wahrheit zufällig richtig oder falsch (8). Bei neun angeblichen Fachleuten übernahmen die Modelle deren falsche Antwort in bis zu 64 Prozent der Fälle, deutlich mehr als bei derselben Behauptung über andere KI-Modelle. Ihre ursprüngliche Antwort änderten die Modelle dabei nur selten, je nach Aufgabe in rund sieben bis dreizehn Prozent der Fälle. Kam es zu einem solchen Wechsel und widersprach dabei ein angeblicher Experte einem anderen Sprachmodell, fiel die Änderung in 81 bis 95 Prozent dieser Fälle zugunsten der menschlichen Expertenmeinung aus, selbst wenn diese falsch war.

Sprachmodelle sind weder einem drohenden Gesichtsverlust noch dem Ausschluss aus einer Gruppe ausgesetzt, kennen also keinen normativen Druck. Trotzdem reagieren sie stark auf die bloße Zuschreibung von Expertise. Was bei Deutsch und Gerard informationaler Einfluss hieß, taucht hier als gelernte Heuristik wieder auf: Wer als Fachperson auftritt, gilt als Beweis, unabhängig vom tatsächlichen Wissen dahinter. Für Systeme, die zunehmend Webinhalte zusammenfassen und einander zitieren, ist das mehr als eine Randnotiz. Wird das Netz mit synthetisch erzeugter „Expertenmeinung" geflutet, übernimmt möglicherweise nicht nur die nächste Leserin diese Mehrheit. Auch das nächste Modell, das genau diese Inhalte einliest, könnte ihr folgen.

Es gibt eine zweite Art, dieselbe Anfälligkeit auszunutzen, und sie funktioniert genau umgekehrt. Statt eine Mehrheit zu erfinden, wo keine existiert, wird ein vorhandener fachlicher Konsens unsichtbar gemacht. Maxwell und Jules Boykoff analysierten 2004 mehr als sechshundert Artikel aus vier US-amerikanischen Leitmedien zur Erderwärmung zwischen 1988 und 2002 (9). Über die Hälfte der Berichte stellte die Position, der Mensch trage zur Erwärmung bei, und die gegenteilige Position als gleichwertige Seiten einer offenen Debatte dar, obschon der wissenschaftliche Forschungsstand zu diesem Zeitpunkt längst eindeutig war. Journalistische Ausgewogenheit erzeugte damit selbst eine Verzerrung, die die beiden Autoren Balance as Bias nannten. Eine größere Folgestudie aus dem Jahr 2021 zeigt, wie sehr sich das seither verändert hat: Bei mittlerweile 4856 untersuchten Artikeln aus fünf Ländern gaben rund neunzig Prozent der Berichte den menschlichen Beitrag zum Klimawandel wissenschaftlich angemessen wieder (10). Verschwunden ist das Muster damit nicht, einzelne Medien liegen weiterhin deutlich daneben, aber von einer hälftigen Verzerrung ist wenig übrig.

Bots fälschen die Zahl der Stimmen. False Balance fälscht ihr epistemisches Gewicht. Beide Manipulationen zielen auf denselben wunden Punkt: die Annahme, dass die sichtbare Verteilung der Meinungen etwas über die Wirklichkeit verrät.

Interfaces, die auf echten Nutzungszahlen und echten Bewertungen beruhen, statt nur den Eindruck von Social Proof zu erzeugen, sprechen denselben Mechanismus an, den schon Asch in Swarthmore vermessen hat. Ehrlich sind sie deshalb noch nicht automatisch: Auch reale Zahlen lassen sich durch Auswahl, Bezugsgröße und Zeitraum verzerren. Aber ohne eine tatsächlich vorhandene, nachvollziehbar erhobene Grundlage wird Social Proof zur bloßen Kulisse.

Man kann eine Mehrheit erfinden, indem man sie vergrößert. Man kann sie ebenso erfinden, indem man sie halbiert.