Berlin WahLLM
Wen würde KI wählen?
Acht Sprachmodelle beantworten die 38 Thesen des Wahl-O-Mat zur Berliner Abgeordnetenhauswahl 2026 – jeweils 15-mal.
Gemessen wird die rechnerische Antwortähnlichkeit – keine Wahlabsicht und keine feste politische Haltung der Modelle.
Experiment, keine Wahlempfehlung
Die Ergebnisse basieren auf wiederholten Modellantworten unter festgelegten Versuchsbedingungen auf die Thesen des Berliner Wahl-O-Mat 2026. Sie sind weder feste politische Haltungen der Modelle noch der Anbieter und auch keine Empfehlung.
Die Prozentwerte messen nur die rechnerische Nähe der 38 Modellantworten zu den veröffentlichten Parteipositionen. Ein hoher Wert sollte nicht mit einer echten Wahlabsicht gleichgesetzt werden.
Parteienauswahl: Voreingestellt sind die fünf aktuell im Berliner Abgeordnetenhaus vertretenen Parteien. In der ARD-Vorwahlumfrage vom 10. September 2026 liegen sie ebenfalls über fünf Prozent. Umfragen sind Momentaufnahmen, keine Prognosen.
Wie nah liegen die Modelle an den Parteien?
Jede Zeile steht für eines der acht Modelle, jede Spalte für eine Partei. Die Zellen zeigen die mittlere rechnerische Übereinstimmung aus 15 wiederholten Anfragen. Dunklere Zellen bedeuten eine höhere Übereinstimmung.
Die Ergebnisse für xAIs Grok unterscheiden sich über alle Wiederholungen deutlich von den übrigen Modellen. Das macht einen einzelnen Zufallslauf als Erklärung unplausibel. Welchen Anteil Trainingsdaten, Systemanweisungen, Modellausrichtung, Prompt und API-Konfiguration an dem Unterschied haben, beantwortet dieses Experiment nicht.
Die Farbskala reicht in beiden Parteienmodi von 0 bis 100 Prozent und löst Unterschiede ab 60 Prozent feiner auf. Quelle: eigene Berechnung (äquivalent zur ungewichteten Berechnung im Wahl-O-Mat) aus den dokumentierten Modellantworten und den bpb-Parteipositionen.
Die Modelle im Detail
Der Punkt zeigt den Mittelwert aus 15 Läufen, die Linie den niedrigsten und höchsten Wert, der Strich den Median. Bis zu drei weitere Modelle lassen sich vergleichen. Kennzahlen und Einzelläufe in den Tabellen beziehen sich auf das Hauptmodell.
Jeder Parteienwert fasst 38 Antworten zusammen. Mittelwert, Median und Spannweite beziehen sich auf 15 Wiederholungen.
Wie antworten die acht Modelle auf die Thesen?
Die Matrix zeigt für jedes Modell und jede These die häufigste Antwort aus 15 wiederholten Anfragen. Die Farbe steht für Zustimmung, Neutralität oder Ablehnung; blassere Farben bedeuten Abweichungen zwischen den 15 Wiederholungen für ein bestimmtes Modell. Graue Zellen haben keine eindeutig häufigste Antwort. Auswahl oder Tooltip zeigen die genaue Verteilung.
Quelle: die unverändert dokumentierten Modellantworten. 212 der 304 Modell-These-Kombinationen wurden in allen 15 Wiederholungen identisch beantwortet.
Wie lässt sich das Muster interpretieren?
Unter den fünf vorausgewählten Parteien liegen bei sieben der acht Modelle Grüne oder Linke vorn, bei Grok die AfD. Dieses Muster zeigt sich über 15 Wiederholungen je Modell und ist daher kaum durch einen einzelnen Zufallslauf zu erklären.
Grundsätzlich ist die Interpretation solcher Ergebnisse schwierig: Die Antworten bilden keine politischen Überzeugungen im menschlichen Sinn ab, sondern entstehen aus statistisch erlernten Sprachmustern, die durch Prompt, Trainingsdaten, Nachtraining und Systemanweisungen geprägt werden.
Bereits der Prompt lässt offen, welche Art von Berliner Person das Modell darstellen soll. Das Modell muss diese Identität selbst ergänzen. Dabei können sowohl eine gelernte Assistentenpersona als auch statistische Assoziationen mit Berlin in die Antworten einfließen. Auch der Fragebogen beeinflusst das Ergebnis: Die knappen Thesen enthalten selten Kosten oder Zielkonflikte und erlauben weder Begründungen noch Bedingungen.
Auch Trainingsdaten und die nachträgliche Ausrichtung der Modelle können relevant sein. Moderne Sprachmodelle werden mit menschlichen Bewertungen, Verhaltensregeln und Systemanweisungen auf hilfreiche und möglichst schadensvermeidende Antworten abgestimmt. Eine mögliche, in diesem Experiment nicht geprüfte Hypothese ist, dass dadurch Werte wie Gleichbehandlung, Inklusion, öffentliche Unterstützung und Umweltschutz in abstrakten Entscheidungssituationen besonders häufig befürwortet werden. Frühere Untersuchungen fanden bei einigen Modellen links-liberale Tendenzen, zugleich aber starke Unterschiede zwischen Prompts und Messverfahren. Sie belegen jedoch nicht die Ursache des hier beobachteten Musters. Siehe dazu die wissenschaftlichen Veröffentlichungen zu „Whose Opinions Do Language Models Reflect?“ und „Political Compass or Spinning Arrow?“.
Modelle verschiedener Anbieter können Trainingsdaten und Vorstellungen hilfreichen Verhaltens teilen. Die Ergebnisse gelten daher nur für die getesteten Modellversionen, den Prompt, die Provider-Endpunkte und Einstellungen; ihre Übertragbarkeit wurde nicht geprüft.
Unter diesen Bedingungen und bezogen auf die fünf vorausgewählten Parteien zeigen sieben Modelle ein reproduzierbares grün-linkes Antwortmuster, Grok ein deutlich anderes. Die Ursache bleibt offen. Ob dies als Bias interpretiert werden kann, hängt vom Vergleichsmaßstab ab – doch der Prompt definiert keinen: weder die Berliner Bevölkerung noch einen Parteiendurchschnitt oder eine neutrale Antwortverteilung.
Wie ließe sich das prüfen? Ideen für weitere Untersuchungen:
- den Prompt mit und einmal ohne den Bezug auf „Charakter, Wesen und politische Ansichten“ ausführen,
- Berlin durch einen neutralen Ortsbezug ersetzen (wobei sich einige Thesen direkt auf Berlin beziehen),
- Thesen in semantisch umgekehrter Form stellen,
- die Reihenfolge der Thesen zufällig variieren,
- jede neue Versuchsbedingung ebenfalls mehrfach ausführen,
- die Modelle ihre Antworten zusätzlich offen begründen lassen und
- die Ergebnisse mit Umfragedaten von Menschen zu denselben Thesen vergleichen.
Methodik
Alle Modelle erhielten denselben dokumentierten Prompt, jede Anfrage begann als neue Unterhaltung. Pro Modell wurden 15 auswertbare Läufe untersucht. Alle 38 Thesen zählen gleich viel.
Berechnung
Die Modelle bewerteten jede These mit 1 für Zustimmung, 0 für neutral oder -1 für Ablehnung.
Übereinstimmung = 100 × (1 - Σ|Modellantwortᵢ - Parteipositionᵢ| / 76)
Die Ergebnisse sind eigene Berechnungen, äquivalent zur ungewichteten Berechnung im Wahl-O-Mat, auf Grundlage der dokumentierten Modellantworten und der Parteipositionen aus dem bpb-Datensatz. Primäre Kennzahl ist die mittlere Parteienübereinstimmung aus 15 auswertbaren Wiederholungen pro Modell. Median, Minimum, Maximum und Populationsstandardabweichung beschreiben zusätzlich die beobachtete Verteilung. Bei Gleichständen werden alle erstplatzierten Parteien gezählt.
Kontrollierte Wiederholungsexperimente
Die kontrollierten Wiederholungsexperimente enthalten
Technische Details
Die Anfragen liefen über OpenRouter mit festgelegtem Provider-Endpunkt, ohne Fallback, jeweils mit Zero Data Retention und untersagter Datensammlung, um eine möglichst anonyme bzw. nicht vorbelastete Modellantwort zu gewährleisten. Soweit unterstützt, waren Reasoning auf high und Temperatur auf 0 gesetzt. Die ausgewählten Endpunkte für Gemini, ChatGPT-5.6 Terra und Kimi erlaubten keine explizite Temperatur und nutzten den Provider-Standard; Gemma bot keine Reasoning-Steuerung. Diese Unterschiede gehören zu den jeweiligen getesteten Modellkonfigurationen.
Aussagekraft
Die 15 Läufe sind weiterhin eine Stichprobe möglicher Antworten, keine vollständige Erfassung des Modellverhaltens. Die Wiederholungen zeigen unter den getesteten Bedingungen deutliche und teilweise sehr stabile Unterschiede, erlauben aber keine uneingeschränkte Aussage über die Modelle unabhängig von Prompt und Ausführungsumgebung. Die Auswertung verwendet keine Signifikanztests, prüft nicht die sachliche Richtigkeit der Antworten und bewertet Parteien nicht politisch.
Modelle, Quellen, Daten & Code
Verglichen wurden acht festgelegte Modellkonfigurationen. Modellantworten, Auswertung, Quellen und Code sind für die Nachvollziehbarkeit dokumentiert.
Modelle
Jede Modellkonfiguration besteht aus einem Modell und einem festgelegten Provider-Endpunkt. Jede Anfrage war zustandslos; Provider-Fallbacks waren deaktiviert.
Quellen, Daten und Code
- Exakter Prompt
- Kontrollierte API-Experimente
- Dokumentation des Versuchsaufbaus
- Abgeleitete Auswertung als JSON und CSV
- Berechnungs- und Exportcode
- Wahl-O-Mat-Datensatz Berlin 2026 bei der bpb
Grundlage ist der Wahl-O-Mat-Datensatz zur Berliner Abgeordnetenhauswahl 2026. Berlin WahLLM ist eine unabhängige Analyse und wurde weder von der Bundeszentrale für politische Bildung noch von der Berliner Landeszentrale für politische Bildung erstellt, beauftragt oder unterstützt. Die Seite nimmt keine Antworten von Besucherinnen und Besuchern entgegen und ist kein Ersatz für den Wahl-O-Mat.
Die Nutzung des Wahl-O-Mat-Datensatzes ist grundsätzlich untersagt. Veröffentlicht wird ausschließlich eine wissenschaftliche Analyse und daraus abgeleitete Ergebnisse; der Originaldatensatz wird hier nicht angeboten.
Lizenz
Code: MIT. Eigene Texte, Visualisierungen und abgeleitete Analyseergebnisse: CC BY 4.0. Die erhobenen Rohantworten der Sprachmodelle sind von dieser Lizenz nicht umfasst. Wahl-O-Mat-Datensatz, Anwendung, Logos, Thesentexte und sonstige Materialien der Bundeszentrale für politische Bildung sind ebenfalls nicht umfasst.
Impressum und Datenschutz
Impressum
Angaben gemäß § 5 DDG und § 18 Abs. 1 MStV
Jan KoßmannFriedbergstr. 34
14057 Berlin
wahllm@ksmn.dev
Redaktionell verantwortlich
Verantwortlich für den Inhalt nach § 18 Abs. 2 MStV:
Jan KoßmannFriedbergstr. 34
14057 Berlin
Datenschutz
Verantwortlicher
Verantwortlich für die Verarbeitung personenbezogener Daten im Zusammenhang mit dieser Website ist Jan Koßmann, Friedbergstr. 34, 14057 Berlin, wahllm@ksmn.dev.
Hosting und Serverprotokolle
Diese statische Website wird auf einem selbst verwalteten virtuellen Server bereitgestellt. Beim Abruf verarbeitet der Webserver die IP-Adresse, Datum und Uhrzeit der Anfrage, Anfragemethode und aufgerufene Adresse, HTTP-Status und übertragene Datenmenge sowie Referrer und Browserkennung im Nginx-Protokollformat combined. Die Verarbeitung ist technisch erforderlich, um die Website sicher und zuverlässig auszuliefern und Störungen oder Missbrauch zu erkennen. Rechtsgrundlage ist Art. 6 Abs. 1 Buchst. f DSGVO; das berechtigte Interesse liegt in der sicheren, stabilen und effizienten Bereitstellung dieses Informationsangebots.
Die Serverprotokolle werden täglich rotiert und unter regulären Betriebsbedingungen nach höchstens 15 Tagen gelöscht. Sie werden nur für Betrieb und Fehlersuche verwendet.
Die Website setzt kein eigenes Tracking, keine Cookies und keinen Local Storage ein. Externe Anbieter erhalten erst Daten, wenn ein externer Link aufgerufen wird. Eine automatisierte Entscheidungsfindung oder ein Profiling findet nicht statt. Die technisch erforderlichen Verbindungsdaten müssen bereitgestellt werden; ohne sie kann die Website nicht abgerufen werden.
Kontaktaufnahme
Bei einer Kontaktaufnahme per E-Mail werden die mitgeteilten Daten verarbeitet, um die Anfrage zu beantworten. Rechtsgrundlage ist Art. 6 Abs. 1 Buchst. b DSGVO, soweit es um vorvertragliche oder vertragliche Kommunikation geht, andernfalls Art. 6 Abs. 1 Buchst. f DSGVO mit dem berechtigten Interesse an der Beantwortung von Anfragen. Empfänger können die technisch beteiligten E-Mail-Anbieter sein. Die Daten werden gelöscht, sobald die Anfrage abschließend bearbeitet ist und keine gesetzlichen Aufbewahrungspflichten oder berechtigten Interessen an einer weiteren Speicherung bestehen.
Rechte betroffener Personen
Betroffene Personen haben nach Maßgabe der DSGVO insbesondere das Recht auf Auskunft, Berichtigung, Löschung, Einschränkung der Verarbeitung, Datenübertragbarkeit und Widerspruch. Ein Widerspruch gegen eine auf Art. 6 Abs. 1 Buchst. f DSGVO gestützte Verarbeitung kann an wahllm@ksmn.dev gerichtet werden. Außerdem besteht ein Beschwerderecht bei einer Datenschutzaufsichtsbehörde, insbesondere bei der Berliner Beauftragten für Datenschutz und Informationsfreiheit.