Warum schreibt KI so gern über Leuchtturmwärter?

Auf die Aufforderung, eine Geschichte zu schreiben, scheinen ChatGPT und andere führende Sprachmodelle Urheberrechtsverletzungen zu vermeiden, indem sie zwanghaft auf dieselbe kleine, sonderbare Besetzung aus Leuchtturmwärtern, Fischern und Uhrmachern zurückgreifen.

Eine neue Studie der Cornell University hat ergeben, dass führende Sprachmodelle offenbar eine merkwürdige Vorliebe für eine sehr enge Auswahl an Erzählelementen haben, wenn man sie lediglich auffordert, eine Geschichte zu schreiben. Die Forschenden ließen vier LLMs 20.000 Geschichten schreiben und stellten fest, dass 88% davon mindestens eines von elf sehr spezifischen Tokens aus den Kategorien „Ort“, „Name“ oder „Beruf“ enthielten:

Vorkommen ungewöhnlicher Schlüsselwörter pro Million Wörter, ermittelt durch die Analyse von 20.000 LLM-generierten Geschichten. Quelle

Die elf häufigsten wiederkehrenden Wörter in den über zwölf Millionen Wörtern, die die LLMs für die Studie erzeugten, waren die Namen elias, mara, elara; die Berufe keeper (Wärter), baker (Bäcker), mayor (Bürgermeister), clockmaker (Uhrmacher), fisherman (Fischer), librarian (Bibliothekar) und conductor; und der Ort lighthouse (Leuchtturm):

Die getesteten Modelle waren Claude Haiku 4.5, Gemini 3.1 Flash-Lite, GPT-5.4-Mini und OLMo 7b Thinking. Jedes erhielt eine von fünf Aufforderungen: „Write a story“ (Schreibe eine Geschichte); „Please write a story“ (Bitte schreibe eine Geschichte); „Write me a story“ (Schreibe mir eine Geschichte); „Tell me a story“ (Erzähle mir eine Geschichte); oder „Please tell a story“ (Bitte erzähle eine Geschichte).

Ich wollte wissen, ob das in der Studie beschriebene Phänomen auch bei den zum Schreibzeitpunkt verfügbaren Modellen auftritt. Deshalb wiederholte ich das Experiment zunächst mit meinem üblichen ChatGPT-Konto der mittleren Tarifstufe (Gesprächslink hier). Eine Auswahl besonders passender Ergebnisse war nicht nötig: ChatGPT-5.5 griff gleich beim ersten Versuch zu dem von den Forschenden vorhergesagten Material:

ChatGPT-5.5 bestätigt sofort die anfänglichen Ergebnisse der Studie. Quelle

Ich fragte mich, ob der bisherige Nutzungskontext oder sogar ein möglicher Informationsübertrag zwischen Bereichen diesen sofortigen Treffer erklären könnte. Also meldete ich mich in einem privaten Firefox-Fenster bei einem kostenlosen ChatGPT-Konto an, das ich seit mindestens einem Jahr nicht verwendet hatte, und versuchte es erneut (Gesprächslink hier). Wieder traf ChatGPT ins Schwarze – vorausgesetzt, OpenAI überträgt nicht anhand einer gemeinsamen IP-Adresse Informationen zwischen verschiedenen Konten:

Das zweite ChatGPT-Konto folgt denselben Obsessionen und demselben kleinen Repertoire an Namen und Themen aus der neuen Studie. „Mira“ zählt bei den Autoren zu den zwanzig häufigsten Namen. Quelle

Diese GPT-Versionen lagen eine Stufe über der für die Studie getesteten Version 5.4.

Für die Studie wurde Claude Haiku getestet; ich probierte Anthropics Standardmodell Sonnet 4.6 aus und wurde nicht enttäuscht. Wieder erschienen die vertrauten Schlüsselwörter gleich beim ersten Versuch (Gesprächslink hier):

Diesmal spielt „Mara“, ein weiterer Stammgast unter den elf häufigsten Wörtern, beim ersten Versuch mit Claude Sonnet 4.6 die Hauptrolle. Quelle

Derselbe Prompt führte bei Claude Haiku 4.5 zu nahezu demselben Ergebnis.

Bei Google Gemini konnte ich die Ergebnisse zunächst nicht reproduzieren. Erst als ich ausdrücklich zu dem in der Studie verwendeten Modell Gemini 3.1 Flash-Lite wechselte, zeigte sich das Muster sofort: beim insgesamt dritten Versuch, aber beim ersten mit diesem Modell (Link hier):

Google Gemini 3.1 Flash-Lite. Quelle

Weitere Experimente mit verschiedenen Gemini-Modellen brachten ausnahmslos das Leuchtturmthema hervor. Allerdings gab es Varianten außerhalb der elf häufigsten Wörter, etwa den Namen „Thomas“ und in einem anderen Fall meinen eigenen Namen als Hauptfigur.

Die Ergebnisse der Studie lassen sich zum Schreibzeitpunkt jedenfalls äußerst leicht bestätigen.

Leuchttürme außerhalb des Chats

Große Geister denken ähnlich: Eine Woche vor der Veröffentlichung der neuen Studie machte der Softwareautor Daniel May auf eine auffällige Übereinstimmung aufmerksam: auf das gemeinsame Auftreten von Elias und dem Motiv des Leuchtturmwärters. Diese Kombination hatten auch die Forschenden herausgearbeitet; May war sie offenbar zufällig aufgefallen*. Anschließend testete er acht Varianten von Gemini, DeepSeek, Qwen und Gemma und stellte fest, dass sie die lighthouse-Motive und „Elias Thorne“ als Hauptfigur hervorbrachten*. Diese erste Entdeckung erfasste allerdings noch nicht das breitere Spektrum wiederkehrender Inhaltsthemen aus der neuen Studie.

Ich wollte wissen, ob diese wiederkehrenden Themen, Namen und Schauplätze jemals über einen Chat hinausgelangt waren. Eine Google-Suche nach einigen der elf häufigsten Schlüsselwörter und Themen lieferte erstaunlich viele Beiträge, die sie offenbar aufgegriffen hatten:

Drei Beispiele des wiederkehrenden Motivs in veröffentlichten Inhalten. Die Quellen sind unten verlinkt.

May hatte den längeren Namen „Elias Thorne“ statt nur „Elias“ als wiederkehrendes LLM-Motiv identifiziert und verschiedene Amazon-Screenshots veröffentlicht. Dort wurde dieser Name offenbar als Autorenname für unterschiedliche Bücher verwendet, darunter medizinische Fachbücher.

Ich suchte dagegen nach Inhalten, die offenbar wiederkehrende Themen eines LLM aufgegriffen hatten, und fand unter anderem einen X-Beitrag mit einer Geschichte (Archivfassung hier); eine literarische Erzählung (Archiv-Version hier); und eine Geschichte mit gesprochenem Erzählertext auf YouTube (archiviert hier). Es hätte noch sehr viel mehr zu durchsuchen gegeben, doch dafür reichte die Zeit nicht.

Eine Vorliebe für die Vergangenheit

So weit die beiläufigen Beobachtungen und Zufallsfunde. Bisher ist in den Trainingsdaten kein einzelnes „magisches Dokument“ aufgetaucht, das alle oder die meisten dieser wiederkehrenden Elemente enthält. Die Autoren der neuen Studie (mit dem Titel Elias in the Lighthouse, Again? Diagnosing Low Diversity in LLM Stories, verfasst von zwei Forschern der Cornell University) vermuten jedoch, dass Urheberrechtsfilter bei der KI-Entwicklung die erzählerischen Ausgaben von LLMs auf Material mit abgelaufenem Urheberrecht beschränken könnten. Die Autoren schreiben:

„Wir stellen fest, dass sich die Dominanz der Geschichten über ‚Elias im Leuchtturm‘ nicht durch ihre Häufigkeit in Vor- oder Nachtrainingsdaten erklären lässt. Wir vermuten, dass Modelle während des Alignments darauf trainiert werden, Verweise auf urheberrechtlich geschützte Figuren und Inhalte für Erwachsene zu vermeiden; diese Frage überlassen wir jedoch künftigen Untersuchungen.“

Die Tabelle vergleicht die Häufigkeit wiederkehrender Wörter aus KI-generierten Geschichten in veröffentlichter Literatur, Onlinefiktion und Nachtrainingsdaten. Begriffe wie ‚Elias‘ und ‚lighthouse‘ sind in den von Chatbots verfassten Geschichten wesentlich häufiger.

Die Autoren stellten fest, dass die elf hervorgehobenen Wörter in 88% der 20.000 generierten Geschichten vorkommen und dass es nur geringe Unterschiede zwischen den Modellen gibt. Sie betonen, dass diese Wörter in veröffentlichter englischsprachiger Literatur selten sind. Verantwortlich könnten durchaus die Nachtrainingsdaten sein, mit denen Modelle auf eine „akzeptable“ Nutzung konditioniert und ausgerichtetwerden.

In der Studie heißt es:

„Das unten gezeigte typische Beispiel enthält drei Elemente, die nahezu allen 20.000 Geschichten gemeinsam sind: einen Ort (19.864 Geschichten), einen Figurennamen (19.864 Geschichten) und einen Beruf (15.807 Geschichten).“

„Der konkrete Ort (‚lighthouse‘, Leuchtturm), Name (‚Elias‘) und Beruf (‚keeper‘, Wärter) dieser Geschichte tauchen tatsächlich in irgendeiner Kombination in 66,6% aller generierten Geschichten auf. Auch Licht ist ein häufiges Thema: 56% der von Claude generierten Geschichten tragen den Titel ‚The Lighthouse Keeper’s Secret‘ (Das Geheimnis des Leuchtturmwärters), und das Wort ‚light‘ (Licht) erscheint in 16.784 Geschichten durchschnittlich 3,2 Mal pro Geschichte.“

Dieses Beispiel schrieb der Studie zufolge Google Gemini 3.1 Flash-Lite als Antwort auf den Prompt „Write a story“ (Schreibe eine Geschichte).

Die Autoren erkennen in allen ermittelten Schlüsselwörtern und Namen einen nostalgischen oder atavistischen, also auf frühere Zeiten zurückgreifenden, Trend.

Den Merkmalen auf der Spur

Um zu prüfen, ob sich die wiederkehrenden Leuchtturmgeschichten durch die übliche Begegnung mit Erzähltexten erklären lassen, wurden die bevorzugten Wörter der Modelle mit mehreren großen englischsprachigen Textsammlungen verglichen. Zeitgenössische Literatur wurde anhand von CONLIT untersucht. Dieser Datensatz enthält 2.700 zwischen 2007 und 2021 veröffentlichte englische Romane aus zwölf Genres mit insgesamt etwa 287 Millionen Wörtern.

‘Elias’ erscheint etwa 900 Mal häufiger in den generierten Geschichten als in veröffentlichter Fiktion. Amateur-Fiktion aus der /r/writingprompts-Community auf Reddit ergab ähnliche Häufigkeiten wie veröffentlichte Literatur. Das Muster spiegelt also auch keine allgemein verbreiteten menschlichen Erzählgewohnheiten wider.

Dasselbe Muster zeigte sich bei den Vortrainingsdaten. Die Forschenden untersuchten den öffentlich zugänglichen OLMo 3-Korpus, der etwa 3,89 Milliarden überwiegend von Menschen verfasste Dokumente enthält, die zum Teil aus Common Crawl stammen. Dabei stellten sie fest, dass die wiederkehrenden „Core“-Wörter so gut wie gar nicht vorkamen.

Da ein großer Teil des OLMo-3-Korpus aus Sachtexten besteht, wurde ein Klassifikator für fiktionale Texte entwickelt. Dafür nutzte man Annotationen von GPT-OSS 20b und ein FastText-Modell, das mit 200.000 ausgewogenen Beispielen trainiert wurde. Selbst nach gezielter Filterung auf fiktionale Texte blieben Wörter wie „Elara“ im Vergleich zu den KI-generierten Geschichten verschwindend selten. Warum dominieren sie dann bereits bei der einfachsten Aufforderung an ein LLM, eine Geschichte zu schreiben?

Die Autoren schreiben:

„Wenn Core-Wörter in Webdaten nicht häufig sind, bleiben als mögliche Quelle die Nachtrainingsdaten. Doch in den Nachtrainingsdaten von OLMo finden wir unsere Tokens seltener als in CONLIT.“

In den 78.958 Geschichten aus den Nachtrainingsdatensätzen von OLMo 3 trat „Elias“ den Autoren zufolge 52,7 Mal pro Million Wörter auf, gegenüber 2,7 Mal in CONLIT. In den für die Studie untersuchten generierten Geschichten waren es jedoch 2.428 Vorkommen pro Million Wörter.

Um den Ursprung der wiederkehrenden Core-Geschichten zu ermitteln, wurde jede Geschichte in den Nachtrainingsdaten von OLMo 3 daraufhin bewertet, ob sie mindestens eines der Core-Tokens enthielt, beispielsweise Elara, Mara und andere. Die meisten erwartete man in Datensätzen für überwachtes Finetuning (SFT), da WildChat und verwandte Quellen 59.266 Geschichten zu OLMo 3 beitrugen.

Es wurden jedoch nur 1.803 gefunden, die Kern-Begriffe enthielten, während Datensätze, die für DPO und Reinforcement Learning verwendet wurden, höhere Konzentrationen zeigten.

Insgesamt ließ sich das wiederkehrende Core-Vokabular auf lediglich 3.053 Geschichten zurückführen: 3,8% aller untersuchten Nachtrainingsgeschichten. Es ist statistisch unmöglich, dass ein so kleiner Teil der Textsammlungen die Ausgabe auf die gezeigte Weise dominiert.

Die Studie kommt zu dem Schluss:

„Bei wenigen Vorgaben schreiben heutige Spitzenmodelle Geschichten aus einem engen Repertoire an Namen, Orten und Berufen. Zu den wiederkehrenden Figuren gehört Elias, ein Leuchtturmwärter. Elias ist ungewöhnlich: Der Name ist in Literatur, Webdaten und selbst Nachtrainingsdaten selten.“

Schlussfolgerung

Solange kein einzelnes literarisches Werk oder auch nur eine Reihe bekannt ist, in der die elf von den Autoren identifizierten Wörter vorkommen, bleibt völlig unklar, wie sich gerade diese Wortgruppe in den grundlegenden Schichten mehrerer großer Sprachmodelle angesammelt und miteinander verbunden hat – trotz unterschiedlicher Trainingsdaten und Ansätze.

Selbst wenn die These der Forschenden über die einschränkende Wirkung von Urheberrechtsfiltern stimmt, hätte ein regelrechter Ozean klassischer Literatur in den Trainingsdaten verhindern müssen, dass diese sonderbare Gruppe altmodischer Wörter die Ausgabe eines schlichten, nicht weiter eingegrenzten „Schreibe“-Prompts dominiert.

Diese Theorie setzt allerdings voraus, dass überhaupt große Mengen klassischer Literatur in das Training eingeflossen sind. Das ist unwahrscheinlich: Gewünscht sind keine Modelle, die Dickens-Imitationen am Fließband produzieren, sondern solche, die mit dem heutigen Wortschatz umgehen und aktuellen geschäftlichen Anforderungen entsprechen. Schon der schiere Umfang vorindustrieller Literatur würde ihre Aufnahme ausschließen.

Falls es tatsächlich eine einzelne Erzählung gäbe, die eine wechselnde Kombination der von den Autoren beobachteten „obsessiven“ Merkmale enthält, wäre sie vermutlich leichter zu finden. Die Autoren selbst konnten sie nicht finden, und beiläufige Suchen nach Werken aus der Zeit vor KI liefern ebenfalls keinen passenden Kandidaten. Sollte das „Leuchtturmsyndrom“ denselben zweifelhaften Ruf wie KI-Gedankenstriche erlangen, wird vielleicht eine wissenschaftliche Autorität eine Antwort beisteuern.

* Ich kann Mays Artikel aus Gründen, die beim Lesen möglicherweise deutlich werden, nicht eingehender behandeln.

Erstveröffentlicht am Mittwoch, dem 27. Mai 2026. Innerhalb der ersten 30 Minuten bearbeitet, um den Anthropic-Link zu korrigieren.