Alignment verstehen: Wie KI-Modelle auf menschliche Werte ausgerichtet werden

Ziel

Nach diesem Artikel können Sie in eigenen Worten erklären, was „Alignment“ bei künstlicher Intelligenz bedeutet, an welchen vier Stellen die Anbieter dafür eingreifen — und warum Fachleute davor warnen, dass genau dieselben Werkzeuge in anderen Händen zu Zensur werden.

Voraussetzungen

Sie brauchen kein technisches Vorwissen. Hilfreich ist, wenn Sie schon einmal mit einem KI-Assistenten gearbeitet haben.

Ein Begriff vorweg: Ein Sprachmodell ist ein Programm, das aus sehr großen Textmengen gelernt hat, welche Wörter üblicherweise aufeinander folgen. Es weiß nichts und will nichts. Es setzt Antworten aus Wahrscheinlichkeiten zusammen. Genau deshalb braucht es eine Ausrichtung — von sich aus hat es keine.

Alignment in einem Satz

Alignment heißt: ein KI-Modell so ausrichten, dass sein Verhalten zu dem passt, was Menschen von ihm erwarten. Das englische Wort to align bedeutet „ausrichten“, wie man Bilder an einer Wand auf eine gemeinsame Linie bringt.

Stellen Sie sich die Fahrradwerkstatt Kurbelwerk vor. Frau Baumgart fängt dort am Empfang an. Fachlich kann sie alles: Sie kennt jedes Ersatzteil und formuliert gute Sätze. Aber sie weiß nicht, was in diesem Betrieb gesagt wird und was nicht. Ob sie Preise am Telefon nennen darf. Ob sie über den Streit mit dem Zulieferer sprechen soll. Ihr Wissen ist da — ihre Ausrichtung fehlt.

Ein frisch trainiertes Sprachmodell ist genau in dieser Lage. Alignment ist die Einarbeitung.

Schritt für Schritt: die vier Stellschrauben

Die Werkstatt hat vier Möglichkeiten, Frau Baumgart auszurichten — und die KI-Anbieter haben dieselben vier. Zwei greifen, bevor das Modell überhaupt ausgeliefert wird. Zwei greifen bei jeder einzelnen Antwort.

1. Trainingsdaten filtern

Bevor ein Modell trainiert wird, sortieren die Teams aus, was es zu lesen bekommt. Bauanleitungen für Waffen, Anleitungen zum Betrug, Missbrauchsdarstellungen: Was gar nicht erst im Training landet, kann das Modell später auch schlechter wiedergeben.

In der Werkstatt entspricht das der Ausbildung von Frau Baumgart. Was sie nie gelernt hat, kann sie nicht erzählen.

Diese Stellschraube ist die aufwendigste. Sie erfordert Zugriff auf die gesamte Trainingsstrecke und viel Fachwissen — und sie lässt sich später nicht mehr korrigieren, ohne von vorn zu beginnen.

2. Verhalten nachtrainieren

Nach dem eigentlichen Training kommt eine zweite Runde. Menschen bewerten Antworten des Modells als besser oder schlechter, und das Modell wird auf die besseren Antworten hin nachjustiert. Fachleute nennen das Reinforcement Learning from Human Feedback, gesprochen wie „Rieinforsment Lörning“ — bestärkendes Lernen aus menschlicher Rückmeldung.

In der Werkstatt ist das die Einarbeitungswoche: Der Meister hört mit, korrigiert, lobt. Nach zwanzig Telefonaten weiß Frau Baumgart, wie man hier spricht.

Diese Stufe verändert das Modell selbst. Wer sie nutzen will, braucht Zugriff auf die sogenannten Modellgewichte — die Zahlenwerte im Inneren des Modells.

3. System-Prompt

Vor jedem Gespräch bekommt das Modell unsichtbar eine Anweisung mit auf den Weg: wer es ist, wie es antworten soll, was es nicht tun darf. Dieser Text heißt System-Prompt.

In der Werkstatt ist das der laminierte Zettel unter der Tastatur: „Keine Preise am Telefon. Reklamationen immer an den Meister.“ Man kann ihn jederzeit austauschen — und niemand am anderen Ende der Leitung sieht, was darauf steht.

4. Ausgabefilter

Zuletzt prüft ein zweites, meist kleineres System jede fertige Antwort, bevor sie beim Nutzer ankommt. Fällt sie durch, wird sie zurückgehalten oder ersetzt.

In der Werkstatt liest eine Kollegin jeden Brief gegen, bevor er in den Umschlag kommt. Frau Baumgart merkt davon nichts. Der Kunde auch nicht.

Merksatz: Die ersten beiden Stufen formen das Modell. Die letzten beiden formen nur die Antwort. Deshalb sind die letzten beiden ungleich leichter zu verändern — und ungleich schwerer von außen zu erkennen.

Warum dieselben Werkzeuge auch zensieren können

Hier wird es unbequem. Sarah Ball und Phil Hackemann von der LMU München haben 2026 eine viel beachtete Position vorgelegt: Die Alignment-Forschung baue, ohne es zu wollen, den Werkzeugkasten für Zensoren. Ihre Arbeit „Position: The Alignment Community is Unintentionally Building a Censor's Toolkit“ wurde auf der Fachkonferenz ICML 2026 als Vortrag angenommen.

Das Argument ist einfach und schwer zu entkräften: Die vier Stellschrauben kennen keinen Unterschied zwischen Schutz und Unterdrückung. Ein Filter, der eine Bombenbauanleitung zurückhält, ist technisch derselbe Filter, der einen Bericht über ein Massaker zurückhält. Was er zurückhält, entscheidet nicht die Technik, sondern die Liste — und wer die Liste schreibt.

Fachleute nennen so etwas Dual-Use: eine Technik, die sich für zwei gegensätzliche Zwecke einsetzen lässt, ohne dass man sie dafür umbauen müsste.

Probieren Sie es aus. Die Tabelle unten zeigt dieselben vier Stufen zweimal — links in der Absicht zu schützen, rechts in der Absicht zu kontrollieren:

Ball und Hackemann zeigen, dass das keine Zukunftssorge ist. Sie belegen Eingriffe auf allen drei technischen Ebenen: gefilterte Trainingsdaten und nachtrainierte Verweigerungen bei staatlich beaufsichtigten Modellen, und stille Änderungen am System-Prompt bei einem kommerziellen Anbieter, die dessen Antworten in eine politische Richtung gedreht haben.

Besonders bemerkenswert ist die Rangfolge des Aufwands. Stufe eins verlangt eine eigene Trainingsstrecke, Stufe zwei Zugriff auf das Modell. Die Stufen drei und vier braucht nur, wer den Dienst betreibt — eine Zeile Text genügt. Die wirksamste Manipulation ist ausgerechnet die billigste.

Achtung: Daraus folgt nicht, dass Alignment ein Fehler wäre. Ein völlig unausgerichtetes Modell wäre für ein Unternehmen unbrauchbar und gefährlich. Es folgt etwas anderes: Alignment ist eine Machtfrage. Entscheidend ist nicht ob ausgerichtet wird, sondern wer die Regeln schreibt und ob man sie nachlesen kann.

Was das für Ihr Unternehmen bedeutet

Sie müssen kein Modell trainieren, um von diesen vier Stufen betroffen zu sein. Drei praktische Konsequenzen:

1. Fragen Sie nach den Regeln, nicht nach dem Modell. Bei der Auswahl eines Anbieters ist die interessante Frage nicht allein, wie gut das Modell ist, sondern ob offengelegt wird, wonach es ausgerichtet wurde. Manche Anbieter veröffentlichen ihre Verhaltensregeln; das ist ein echtes Unterscheidungsmerkmal.

2. Ihren eigenen System-Prompt kennen Sie — nutzen Sie ihn. Sobald Sie einen KI-Assistenten in Ihre Abläufe einbauen, schreiben Sie selbst an Stufe drei mit. Halten Sie fest, was darin steht, und behandeln Sie Änderungen daran wie Änderungen an einer Arbeitsanweisung: dokumentiert und nachvollziehbar.

3. Rechnen Sie mit blinden Flecken. Wenn ein Assistent zu einem Thema auffällig ausweicht, ist das eine Information über seine Ausrichtung, nicht über die Welt. Bei politisch, historisch oder rechtlich heiklen Fragen lohnt eine zweite Quelle grundsätzlich.

Wissens-Check

Zusammenfassung

• Alignment ist die Einarbeitung eines KI-Modells. Es bringt das Verhalten des Modells mit dem in Übereinstimmung, was Menschen von ihm erwarten — fachliches Können bringt das Modell schon mit, die Ausrichtung nicht.
• Es gibt vier Stellschrauben: Trainingsdaten filtern, Verhalten nachtrainieren, System-Prompt setzen, Ausgabefilter vorschalten. Die ersten beiden formen das Modell, die letzten beiden nur die einzelne Antwort — und sind deshalb in Minuten verstellt.
• Diese Werkzeuge sind Dual-Use. Sarah Ball und Phil Hackemann zeigen: Was eine gefährliche Anleitung zurückhält, hält mit einer anderen Liste auch einen unbequemen Bericht zurück. Die Technik kennt den Unterschied nicht.
• Die entscheidende Frage ist deshalb nicht, ob ausgerichtet wird, sondern wer die Regeln schreibt — und ob Sie sie nachlesen können. Für Ihren eigenen Einsatz heißt das: System-Prompt dokumentieren, Ausweichverhalten ernst nehmen, bei heiklen Themen eine zweite Quelle heranziehen.

Quelle

Sarah Ball, Phil Hackemann: Position: The Alignment Community is Unintentionally Building a Censor's Toolkit. ICML 2026 (arXiv:2608.12346).