Unter einem stochastischen Papagei versteht man — nach einer Metapher von Emily M. Bender, Timnit Gebru und Kolleginnen (2021) — ein Sprachmodell, das sprachliche Formen nur nach Wahrscheinlichkeiten aneinanderreiht, ohne deren Bedeutung zu erfassen. Als Gesamtbeschreibung heutiger LLMs gilt die These inzwischen als widerlegt; als Warnung vor Übervertrauen bleibt sie lehrreich.
Die Metapher stammt aus dem Aufsatz „On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?" (2021) von Emily M. Bender, Timnit Gebru, Angelina McMillan-Major und Margaret Mitchell. Der Aufsatz warnte vor den Risiken immer größerer Sprachmodelle — Umweltkosten, übernommene Verzerrungen (Bias) aus den Trainingsdaten und der Gefahr, die Fähigkeiten der Systeme zu überschätzen. Bekannt wurde er auch durch die Umstände seiner Entstehung: Der Streit um die Veröffentlichung trug zu Gebrus Ausscheiden bei Google bei. Die American Dialect Society kürte „stochastic parrot" 2023 zum KI-Wort des Jahres; der Begriff wanderte in Feuilletons und Talkshows.
Der Vorwurf besagt: Ein LLM verkettet Wortformen allein nach statistischer Wahrscheinlichkeit — wie ein Papagei, der Laute nachahmt, ohne zu wissen, was sie bedeuten. Den Eindruck von Sinn erzeuge erst der Mensch, der den Text liest. In der starken Lesart geben Modelle im Wesentlichen Gesehenes wieder (Memorierung); in der schwachen Lesart fehlt ihren Ausgaben grundsätzlich die Bedeutung, gleich wie neuartig sie wirken.
Gegen die starke Lesart sprechen verifizierte neue Resultate, die in keinem Trainingskorpus standen. 2026 lösten Sprachmodell-Systeme mehrere seit Jahrzehnten offene Probleme des Mathematikers Paul Erdős — teils mit Beweisen, die im Beweisassistenten Lean formal verifiziert wurden (einem Programm, das jeden logischen Schritt maschinell prüft), teils geprüft durch Fachleute wie den Fields-Medaillisten Timothy Gowers. Ein korrekter Beweis einer 80 Jahre offenen Vermutung kann nicht nachgeplappert sein — er stand nirgends.
Gegen die schwache Lesart sprechen Befunde der Interpretability-Forschung, die das Innere der Modelle untersucht: Modelle bilden interne Repräsentationen der Welt, die nachweislich benutzt werden und nicht nur mitlaufen. Ein bekanntes Beispiel ist ein Transformer, der nur Zugfolgen des Brettspiels Othello als Text sah und intern eine Darstellung des Spielbretts entwickelte — greift man in diese Darstellung ein, ändert das Modell seine Züge passend zum manipulierten Brett (Li et al., 2023). Sprachmodelle bilden zudem aus reinem Text geometrische Karten von Orten und Zeitpunkten, und ihre Embedding-Räume ordnen Bedeutungsbeziehungen als räumliche Nachbarschaft.
Ein berechtigter Kern der Metapher bleibt: Sprachmodelle erzeugen das Plausible, nicht das Verbürgte — Halluzinationen sind die direkte Folge, und flüssige Sprache ist kein Beleg für Wahrheit. Auch findet die Forschung neben Weltmodellen ebenso Bereiche, in denen Modelle nur mit überlappenden Daumenregeln arbeiten. In der Fachdebatte wird deshalb heute weniger gefragt, ob Modelle etwas repräsentieren, sondern wie viel, wo — und wo nicht. Als pauschale Beschreibung heutiger LLMs erklärt die Papagei-Metapher diese Befunde nicht mehr; als Mahnung, sprachliche Flüssigkeit nicht mit Verlässlichkeit zu verwechseln, ist sie weiterhin nützlich.
Hallo! Ich bin dein KI-Tutor.
Melde dich an, um mit mir zu chatten — ich erinnere mich dann auch an eure letzten Gespräche.
