Warum ChatGPT, Claude und Gemini beim Zufall erstaunlich gleich ticken
TL;DR
ChatGPT, Claude und Gemini tendieren bei offenen Prompts oft zu ähnlichen Antworten: Beim Zufallszahl-Test kommt auffällig häufig 7, danach 3 oder 4, dann 8 oder 9. Die australische Startup Springboards baut mit Flint ein experimentelles LLM, das gezielt aus diesen Antwortmustern ausbrechen soll, ohne die Kohärenz komplett zu opfern. Der Ansatz setzt auf dosierte Unvorhersagbarkeit: Flint erkennt Stellen in einer Antwort, an denen mehr Variation möglich ist, etwa bei Ideen, Reisezielen oder Kampagnenvorschlägen.
Nauti's Take
Flint trifft einen wunden Punkt: Viele LLMs sind inzwischen sehr brauchbar, aber oft auch erschreckend erwartbar. Für kreative Arbeit ist das gefährlich, weil mittelmäßige Vorschläge professionell klingen und dadurch zu leicht durchrutschen.
Trotzdem ist die Lösung nicht einfach mehr Zufall. Gute AI muss Abweichung gezielt einsetzen: genug Reibung, um neue Richtungen zu öffnen, aber nicht so viel, dass aus Originalität bloß Chaos wird.
Einordnunganzeigen
Das Problem ist größer als ein Zahlenspiel: Wenn Millionen Menschen dieselben Tools für Ideen, Kampagnen, Texte und Entscheidungen nutzen, wird Durchschnittlichkeit zur Infrastruktur. Mehr Varianz kann helfen, aber nur wenn sie nicht bloß zufälliger Output ist. Entscheidend wird, ob Flint nachweisbar neue, brauchbare Optionen erzeugt und nicht nur ungewohntere Vorschläge.
Quellen
