Studie zeigt sinkende Diversität der LLM-Outputs über drei Jahre

Large Language Models produzieren zunehmend ähnlichere Inhalte. Eine am 19. August 2026 auf arXiv veröffentlichte Studie dokumentiert einen statistisch signifikanten Rückgang der Output-Diversität über drei Jahre. Die Untersuchung von Nirav Patel, Josiah Crossman, Eva Aggarwal und Emily Wenger analysierte reale Nutzeranfragen und standardisierte Kreativitätstests mittels Sentence-Embedding-Ähnlichkeit.

Die Forschung konzentriert sich auf offene, kreative Aufgaben, bei denen Originalität, Vielfalt und Kreativität gleich wichtig wie Qualität sind – ein Bereich, den bestehende Benchmarks nicht abdecken. Die Relevanz der Fragestellung begründen die Autoren mit der massiven Verbreitung von LLMs: ChatGPT verzeichnete im Juli 2025 über 700 Millionen wöchentliche aktive Nutzer, die täglich mehr als 2,5 Milliarden Nachrichten sendeten – etwa 29.000 Nachrichten pro Sekunde. Anthropic und DeepSeek verfügen ebenfalls über Millionen von Nutzern.

Kreative Aufgaben dominieren die Nutzung

Etwa 70 Prozent der nicht-beruflichen ChatGPT-Nutzung entfallen laut Studie auf praktische Anleitung (einschließlich kreativer Ideenfindung) und Schreiben. Diese beiden Kategorien machen über die Hälfte aller ChatGPT-Nachrichten aus. Anthropic berichtet, dass fast 20 Prozent der Claude-Nachrichten in Kategorien wie Inhaltserstellung oder multidisziplinäre akademische Forschung und Schreiben fallen.

Die Forscher analysierten LLM-Outputs mit zwei Datensätzen: Infinity-Chat100, einer realen Sammlung offener Benutzeranfragen, und dem Alternate Uses Task, einem etablierten psychometrischen Kreativitätsbewertungsinstrument. Als Analysemethode verwendeten sie Sentence-Embedding-Ähnlichkeit zur Untersuchung von Trends in den LLM-Antworten über verschiedene Modellversionen hinweg.

Output-Diversität sinkt statistisch signifikant

Die Studie zeigt einen statistisch signifikanten Rückgang der Output-Diversität über die Zeit. Dies deutet darauf hin, dass LLM-Outputs in ihrer kreativen Substanz konvergieren – verschiedene Modelle produzieren zunehmend ähnlichere Inhalte. Die Forschung bestätigt frühere Befunde: Wissenschaftliche Arbeiten zeigen, dass LLM-Outputs einzeln kreativ erscheinen können, aber kollektiv homogen sind – ähnlich entweder zu anderen kreativen Inhalten desselben LLMs oder zu Inhalten anderer LLMs.

Eine Studie vom Januar 2025 mit dem Titel „We're Different, We're the Same: Creative Homogeneity Across LLMs" behandelte ähnliche Problematiken. Eine Analyse vom September 2025 diskutierte das Regression-to-the-Mean-Phänomen, bei dem LLMs zu sicherer, generischer Formulierung tendieren. Eine empirische Vergleichsstudie zwischen menschlichem und ChatGPT-Schreiben zeigte im September 2025 die homogenisierende Wirkung von LLMs auf kreative Vielfalt. Eine weitere Analyse vom November 2025 fragte, ob die Kreativität von LLMs ihren Höhepunkt erreicht hat.

Warnung vor eingeschränkter menschlicher Kreativität

Die Autoren warnen vor möglichen negativen Konsequenzen: LLM-getriebene Homogenisierung könnte progressiv die menschliche Handlungsfähigkeit in kreativer Zusammenarbeit zwischen Mensch und KI verringern. Die Konvergenz von LLM-Outputs könnte die Vielfalt der Ideen einschränken, auf die Nutzer treffen. Dies könnte die nachgelagerte menschliche Kreativität beeinflussen.

Die Autoren fordern eine sorgfältige Überprüfung der Rolle von LLMs im menschlichen kreativen Prozess. Die Studie wird als „preliminary analysis" bezeichnet, was auf begrenzte Reichweite hindeutet. Weitere Forschung wird benötigt, um zu klären, ob sich dieser Trend fortsetzt, wie verschiedene Nutzungsszenarien von LLM-Homogenisierung beeinflusst werden und wie Nutzer durch begrenztere Output-Diversität in ihrer eigenen Kreativität beeinflusst werden.