Warum nutzt ChatGPT so viele Gedankenstriche?

Modelle lernen aus Texten, die jemand redigiert hat: Bücher, Nachrichten, Berichte, Essays. Alles lief durch eine Redaktion oder wenigstens einen Stilguide, und US-Stilguides verlangen den Gedankenstrich für Einschübe seit Generationen. Ein Modell, das den Durchschnitt seines Korpus nachahmt, ahmt folglich redigierte Prosa nach — und die ist strichreich.

Der Gegendruck, den es in echter Redaktion gibt, überlebt das nicht in gleicher Weise. Niemand korrigiert einen publizierten Text mit „hier bitte weniger Striche“, denn das ist eine Bewertung auf Dokumentebene. Das Korpus enthält die Striche; die Reaktion darauf nicht.

Der Gedankenstrich ist das flexibelste Satzzeichen des Englischen. Er vertritt Komma, Doppelpunkt, Semikolon oder ein Klammernpaar, ohne dass ein Wort um ihn herum weichen muss. Für ein System, das das nächste Token nach lokaler Flüssigkeit wählt, ist genau das Gold wert: Der Strich ist fast immer grammatikalisch zulässig, das Semikolon manchmal nicht.

In den meisten modernen Tokenizern ist der Gedankenstrich ein einzelnes Token, der umgebende Raum ebenso. „Der Plan — riskant, wie er war — funktionierte“ kostet weniger Tokens als derselbe Satz mit Klammern oder mit Semikolon und Konjunktion. Der Effekt ist klein und nicht bewusst gewählt, aber er zeigt in dieselbe Richtung wie alles andere: Der billigste Weg zum flüssigen Satz führt über den Strich.

Modelle werden mit menschlichen Präferenzdaten geformt: Bewerter verglichen Kandidaten und wählten die bessere Antwort. Text mit Strichen liest sich selbstsicherer und unmittelbarer als Text mit Komma-Einschüben, und Bewerter honorierten dieses Register. Das ist Schlussfolgerung, kein publiziertes Faktum — es erklärt aber ein direkt beobachtbares Muster: Verlange eine neutrale Zusammenfassung und bekommst dieselbe dramatische Interpunktion.

Jedes Allzweckmodell macht das. Claude wird am häufigsten genannt, die Strichgewohnheit gehört zu seinen häufigsten Beschwerden, und Gemini und Copilot zeigen dasselbe Muster schwächer. Genau das erwartet man, wenn geteilte Trainingsdaten und geteiltes Decodierverhalten die Ursache sind — was der Fall ist.

Die Zahlen sind Schätzungen aus wiederholtem Sampling, keine Herstellerangaben — der genaue Wert hängt von Gattung, Länge und Sampling-Parametern ab. Die Reihenfolge ist der Befund, nicht die Nachkommastelle.

Schichte die Maßnahmen, denn sie versagen unterschiedlich schnell. Eine Anweisung im Prompt wird meist befolgt und in langen Unterhaltungen vergessen, spätestens wenn du „mitreißender“ bittest. Benutzerdefinierte Anweisungen bleiben bestehen, können das Standardregister aber nicht vollständig umschreiben. Die Nachbearbeitung ist der einzige Schritt ohne Fehlerquelle, weil sie das Modell gar nicht einbezieht.

1. Fordere die Einschränkung im Prompt: „keine Gedankenstriche (—), keine Halbgeviertstriche (–), keine doppelten Bindestriche (--).“
2. Hinterlege sie in den benutzerdefinierten Anweisungen bzw. Präferenzen, damit sie nicht wiederholt werden muss.
3. Entferne die Zeichen mechanisch aus dem Endentwurf mit dem KI-Strich-Entferner, der auch getippte -- und --- erkennt.