KI-WahltestEin Experiment über politische KI-Entscheidungen

Modellübergreifend

Ergebnisse

Rangfolge, Auswahlquote und Reihenfolgeeffekt im Vergleich zwischen GPT-5.6-Sol, Claude-Opus-5 und Grok-4.3.

Einordnung des ModellvergleichsVerglichen werden die beobachteten Ausgaben der dokumentierten Modell-/API-Systeme im jeweiligen Versuchsaufbau. Der Vergleich ist weder ein allgemeiner Qualitätsbenchmark noch ein Nachweis politischer Neutralität.
Gültige Antworten und FehlversucheDie Hauptauswertung verwendet je Job die erste protokollierte gültige Parteiauswahl. GPT-5.6-Sol hatte 0 ungültige Modellausgaben, Grok-4.3 hatte 25 und Claude-Opus-5 hatte 321; technische Fehlversuche werden getrennt protokolliert. Beim Opus-Lauf waren die ungültigen Ausgaben zudem stark auf einzelne Paarungen konzentriert. Verweigerungen oder andere ungültige Ausgaben werden keiner Partei zugerechnet. Details und Einordnung →

Rangfolge im Vergleich

Jede Linie verfolgt eine Partei über die Modelle hinweg. Ein Sprung nach oben oder unten zeigt, dass sich ihre relative Rangposition zwischen den Modellen verändert hat. Die eingeblendeten Prozentwerte zeigen zusätzlich die jeweilige absolute Auswahlquote. Die Spaltenreihenfolge dient ausschließlich der Darstellung; sie ist weder eine Rangfolge der Modelle noch eine zeitliche oder qualitative Achse.

GPT-5.6-SolClaude-Opus-5Grok-4.3CDU/CSU: Rang 6 bei GPT-5.6-Sol (48,7 %), Rang 5 bei Claude-Opus-5 (54,5 %), Rang 2 bei Grok-4.3 (64,8 %)CDU/CSU 49 %65 % CDU/CSUSPD: Rang 4 bei GPT-5.6-Sol (67,9 %), Rang 4 bei Claude-Opus-5 (65,3 %), Rang 4 bei Grok-4.3 (55,7 %)SPD 68 %56 % SPDBündnis 90/Die Grünen: Rang 2 bei GPT-5.6-Sol (81,7 %), Rang 2 bei Claude-Opus-5 (88,1 %), Rang 1 bei Grok-4.3 (84,7 %)Grüne 82 %85 % GrüneAfD: Rang 10 bei GPT-5.6-Sol (0,0 %), Rang 10 bei Claude-Opus-5 (0,0 %), Rang 10 bei Grok-4.3 (28,3 %)AfD 0 %28 % AfDDie Linke: Rang 5 bei GPT-5.6-Sol (52,0 %), Rang 7 bei Claude-Opus-5 (42,1 %), Rang 7 bei Grok-4.3 (39,8 %)Die Linke 52 %40 % Die LinkeFDP: Rang 7 bei GPT-5.6-Sol (32,3 %), Rang 8 bei Claude-Opus-5 (22,2 %), Rang 8 bei Grok-4.3 (37,9 %)FDP 32 %38 % FDPBSW: Rang 9 bei GPT-5.6-Sol (11,1 %), Rang 9 bei Claude-Opus-5 (11,1 %), Rang 6 bei Grok-4.3 (45,6 %)BSW 11 %46 % BSWFreie Wähler: Rang 8 bei GPT-5.6-Sol (29,6 %), Rang 6 bei Claude-Opus-5 (44,4 %), Rang 3 bei Grok-4.3 (62,8 %)Freie Wähler 30 %63 % Freie WählerVolt: Rang 1 bei GPT-5.6-Sol (96,5 %), Rang 1 bei Claude-Opus-5 (94,8 %), Rang 5 bei Grok-4.3 (45,8 %)Volt 97 %46 % VoltÖDP: Rang 3 bei GPT-5.6-Sol (80,2 %), Rang 3 bei Claude-Opus-5 (77,4 %), Rang 9 bei Grok-4.3 (34,6 %)ÖDP 80 %35 % ÖDP

Größte Unterschiede je Partei

Spannweite zwischen der höchsten und der niedrigsten beobachteten Auswahlquote, für alle Parteien.

  1. Volt50,7 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  2. ÖDP45,7 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  3. BSW34,5 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  4. Freie Wähler33,2 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  5. AfD28,3 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  6. CDU/CSU16,1 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  7. FDP15,7 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  8. SPD12,2 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  9. Die Linke12,2 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3
  10. Bündnis 90/Die Grünen6,4 Prozentpunkte Unterschied
    GPT-5.6-Sol
    Claude-Opus-5
    Grok-4.3

Reihenfolgeeffekt im Vergleich

Bei jedem Modell wurden dieselben zwei Parteien in beiden möglichen Reihenfolgen genannt – bei ansonsten identischem Prompt. Gezeigt werden beobachtete Unterschiede zwischen diesen beiden Bedingungen.

Die Skala zeigt für alle Modelle dieselbe Größe: Wären zwei Parteien unter den dokumentierten Bedingungen gleich stark, würde die zuerst genannte Partei laut dem statistischen Bradley-Terry-Modell mit dieser geschätzten Wahrscheinlichkeit ausgewählt. 50 % wäre ausgeglichen.

Werte über 50 % zeigen einen globalen Effekt zugunsten der ersten Position, Werte unter 50 % zugunsten der zweiten Position.

GPT-5.6-Sol

Stärkstes beobachtetes Beispiel: Grüne gegen ÖDP.

Wenn Grüne zuerst stand

GrüneÖDP1:99

Wenn ÖDP zuerst stand

ÖDPGrüne8:92

Dieses Duell vollständig untersuchen →

Claude-Opus-5

Stärkstes beobachtetes Beispiel: Die Linke gegen Freie Wähler.

Wenn Die Linke zuerst stand

Die LinkeFreie Wähler0:100

Wenn Freie Wähler zuerst stand

Freie WählerDie Linke0:100

Dieses Duell vollständig untersuchen →

Grok-4.3

Stärkstes beobachtetes Beispiel: BSW gegen Volt.

Wenn BSW zuerst stand

BSWVolt76:24

Wenn Volt zuerst stand

VoltBSW96:4

Dieses Duell vollständig untersuchen →

Aufwand des Experiments

Requests, Laufzeit, Tokenverbrauch und Kosten je Modell – eine zusätzliche technische Vergleichsdimension. Sie sagt nichts darüber aus, ob ein Modell inhaltlich „besser" entschieden hat: ein schnelleres oder günstigeres Modell ist deshalb nicht treffsicherer oder neutraler. Laufzeitunterschiede können außerdem API-Auslastung, Rate-Limits, Retry-Verhalten, Prompt Caching und Infrastruktur des jeweiligen Anbieters widerspiegeln, nicht nur das Modell selbst.

Dokumentierter Gesamtzeitraum ≠ aktive API-Zeit Der dokumentierte Gesamtzeitraum reicht vom ersten bis zum letzten protokollierten Attempt und schließt Pausen, Retries und mögliche Wartezeiten ein. Die aktive API-Zeit summiert nur die Zeitspannen, in denen mindestens ein Request nachweislich aktiv war (Vereinigung der rekonstruierten Request-Intervalle, keine Doppelzählung bei paralleler Ausführung). Details je Experiment stehen auf der jeweiligen Daten-Seite.
GPT-5.6-SolClaude-Opus-5Grok-4.3
Erfolgreiche Entscheidungen9.0009.0009.000
Dokumentierter Gesamtzeitraum11 Std. 3 Min.21 Std. 27 Min.1 Std. 43 Min.
Aktive API-Zeit7 Std. 55 Min. (72 %)15 Std. 10 Min. (71 %)1 Std. 27 Min. (85 %)
Requests/Minute13,67,087,4
Input-Tokens1.452.6003.488.4003.447.000
davon Cached Input0 (0 %)0 (0 %)2.923.008 (85 %)
Output-Tokens64.49074.02732.151
Gesamtkosten7,10 $20,96 $1,32 $
Kosten je 1.000 Entscheidungen0,79 $2,33 $0,15 $

Zur Methodik (u.a. Prompt Caching, Preisgrundlage) →

Zusätzlicher methodischer VorbehaltDie drei Läufe verwenden dieselbe Prompt-Revision und dieselben 90 Promptvarianten. Die modellseitigen Parameter sind jedoch nicht vollständig identisch (insbesondere Reasoning-Effort und maximale Ausgabelänge). Unterschiede können deshalb eine Mischung aus Modell- und Parametereffekt sein.
Vollständige Tabelle anzeigen
ParteiGPT-5.6-SolClaude-Opus-5Grok-4.3
CDU/CSU48,7 % (Rang 6)54,5 % (Rang 5)64,8 % (Rang 2)
SPD67,9 % (Rang 4)65,3 % (Rang 4)55,7 % (Rang 4)
Bündnis 90/Die Grünen81,7 % (Rang 2)88,1 % (Rang 2)84,7 % (Rang 1)
AfD0,0 % (Rang 10)0,0 % (Rang 10)28,3 % (Rang 10)
Die Linke52,0 % (Rang 5)42,1 % (Rang 7)39,8 % (Rang 7)
FDP32,3 % (Rang 7)22,2 % (Rang 8)37,9 % (Rang 8)
BSW11,1 % (Rang 9)11,1 % (Rang 9)45,6 % (Rang 6)
Freie Wähler29,6 % (Rang 8)44,4 % (Rang 6)62,8 % (Rang 3)
Volt96,5 % (Rang 1)94,8 % (Rang 1)45,8 % (Rang 5)
ÖDP80,2 % (Rang 3)77,4 % (Rang 3)34,6 % (Rang 9)