Wie Sprachmodelle Unsicherheit erkennen und Antworten zurückhalten

Wenn Antworten nicht immer die beste Leistung sind

Sprachmodelle werden im Unternehmensumfeld zunehmend daran gemessen, wie schnell und umfassend sie auf Anfragen reagieren. In vielen Anwendungen gilt eine unmittelbare Antwort als Zeichen von Leistungsfähigkeit. Gleichzeitig entsteht dadurch ein grundlegendes Risiko: Ein Modell kann eine falsche oder unbelegte Aussage in überzeugender Sprache formulieren und damit den Eindruck hoher Verlässlichkeit erzeugen.

Die entscheidende Frage lautet deshalb nicht nur, ob ein KI-Modell eine Antwort erzeugen kann. Ebenso wichtig ist, ob es erkennen kann, wann eine Antwort wahrscheinlich unzuverlässig wäre. In solchen Situationen kann es sinnvoller sein, eine Rückfrage zu stellen, auf eine Wissenslücke hinzuweisen, eine Quelle anzufordern oder die Bearbeitung an einen Menschen zu übergeben.

Forschende von Google DeepMind haben untersucht, ob große Sprachmodelle ihre interne Konfidenz tatsächlich nutzen, um zwischen Antworten und Enthaltungen zu unterscheiden. Im Mittelpunkt stand damit ein Verhalten, das an menschliche Metakognition erinnert: die Einschätzung, wie zuverlässig die eigene geistige Leistung in einer bestimmten Situation ist.

Die Untersuchung liefert Hinweise darauf, dass Sprachmodelle nicht ausschließlich auf eine Antwortausgabe programmiert werden müssen. Unter bestimmten Bedingungen können sie offenbar interne Vertrauenssignale auswerten und daraus eine Entscheidung über die Ausgabe ableiten. Das ist insbesondere für Systeme relevant, die in sensiblen Bereichen oder mit weitgehend automatisierten Abläufen eingesetzt werden.

Was „Konfidenz“ bei Sprachmodellen bedeutet

Der Begriff Konfidenz darf in diesem Zusammenhang nicht mit Bewusstsein, Intuition oder einem subjektiven Gefühl verwechselt werden. Ein Sprachmodell empfindet keinen Zweifel und verfügt nicht über ein menschliches Selbstbild. Es berechnet auf Grundlage seiner Architektur, seiner Trainingsdaten und des aktuellen Kontexts Wahrscheinlichkeiten für mögliche Fortsetzungen oder Antworten.

Diese Wahrscheinlichkeiten können als Signale dafür dienen, wie eindeutig oder unsicher eine Aufgabe für das Modell ist. Bei einer gut bekannten und klar formulierten Frage können mehrere interne Signale auf eine hohe Wahrscheinlichkeit für eine bestimmte Antwort hindeuten. Bei einer mehrdeutigen, widersprüchlichen oder außerhalb des Trainingswissens liegenden Anfrage kann die Verteilung weniger eindeutig sein.

Allerdings ist eine hohe sprachliche Sicherheit nicht automatisch gleichbedeutend mit faktischer Richtigkeit. Sprachmodelle sind darauf ausgerichtet, passende Ausgaben zu erzeugen. Sie sind nicht grundsätzlich darauf beschränkt, nur Aussagen zu machen, deren Wahrheit sie unabhängig überprüfen können. Dadurch können sogenannte Halluzinationen entstehen: Das Modell formuliert erfundene oder fehlerhafte Inhalte in einer plausiblen Form.

Für die Praxis ergibt sich daraus eine wichtige Unterscheidung:

• Sprachliche Sicherheit: Die Antwort klingt eindeutig, flüssig und überzeugend.
• Interne Konfidenz: Das Modell weist bestimmten Antwortmöglichkeiten oder Ausgabemustern eine höhere Wahrscheinlichkeit zu.
• Faktische Verlässlichkeit: Die Aussage stimmt mit überprüfbaren Informationen und dem konkreten Anwendungskontext überein.

Diese drei Ebenen können auseinanderfallen. Ein Modell kann eine Aussage mit großer sprachlicher Sicherheit präsentieren, obwohl seine interne Konfidenz gering ist. Umgekehrt kann ein Modell bei einer korrekten Antwort vorsichtig formulieren oder sich unnötig enthalten. Genau diese Unterschiede machen die technische Kalibrierung und die Bewertung von Antwortverweigerungen anspruchsvoll.

Das Untersuchungsdesign von Google DeepMind

Für die Untersuchung wurden mehrere unterschiedliche Sprachmodelle betrachtet. Dazu gehörten GPT-4o, Gemma 3 27B, DeepSeek-V3 und Qwen3-Next-80B-A3B-Instruct. Die Auswahl umfasst damit Modelle verschiedener Entwickler und Architekturen. Aus den vorliegenden Berichten lässt sich jedoch nicht ableiten, dass die Ergebnisse automatisch auf sämtliche verfügbaren Modelle oder auf jede Anwendungssituation übertragbar sind.

Das Experiment war in mehrere Phasen gegliedert. Zunächst sollten die Modelle Multiple-Choice-Fragen mit jeweils vier Antwortoptionen beantworten. Eine Enthaltung war in diesem ersten Schritt nicht möglich. Auf diese Weise ermittelten die Forschenden ein Ausgangsniveau für die Entscheidungssicherheit der Modelle.

In einer zweiten Phase wurde eine zusätzliche Option eingeführt: Das Modell durfte die Antwort verweigern beziehungsweise sich enthalten. Dadurch ließ sich beobachten, ob die Modelle diese Möglichkeit systematisch nutzten und ob die Entscheidung mit ihrer internen Konfidenz zusammenhing.

In einer weiteren Phase kam das sogenannte Activation Steering zum Einsatz. Dabei werden Aktivitätsmuster innerhalb eines neuronalen Netzes gezielt verstärkt oder abgeschwächt. Die Forschenden konnten auf diese Weise prüfen, ob eine Veränderung vertrauensbezogener Signale das Verhalten der Modelle beeinflusst.

Die letzte Phase arbeitete mit unterschiedlichen Schwellenwerten. Die Modelle sollten sich enthalten, wenn ihr Vertrauen in eine Antwort unter einen festgelegten Wert fiel. So wurde untersucht, ob sie ihr Verhalten an veränderte Entscheidungskriterien anpassen können.

Was die Ergebnisse nahelegen

Nach Darstellung der Forschenden zeigten die Modelle einen Zusammenhang zwischen niedriger interner Konfidenz und einer höheren Wahrscheinlichkeit, keine Antwort zu liefern. Das Verhalten entsprach damit grundsätzlich der Erwartung, dass ein System bei größerer Unsicherheit vorsichtiger agiert.

Besonders relevant ist der Befund aus dem Eingriff in die Aktivitätsmuster. Wurde die vertrauensbezogene Aktivität verstärkt oder unterdrückt, veränderte sich auch die Häufigkeit der Enthaltungen. Dieser Zusammenhang wird als kausaler Hinweis interpretiert: Die internen Konfidenzsignale könnten nicht nur nachträglich aus einer bereits erzeugten Antwort abgeleitet werden, sondern an der Entscheidung über die Antwort selbst beteiligt sein.

Die Ergebnisse deuten außerdem darauf hin, dass die Modelle nicht mit nur einem einzigen, leicht interpretierbaren Vertrauenswert arbeiten. Vielmehr scheint die interne Konfidenz mehrdimensional repräsentiert zu sein. Unterschiedliche Aspekte einer Aufgabe, etwa die Eindeutigkeit der Frage, die Verfügbarkeit passender Muster oder mögliche Widersprüche im Kontext, können dabei zusammenwirken.

Aus diesem Zusammenspiel entsteht offenbar eine Art Schwellenwertregel. Liegt die interne Einschätzung unterhalb dieses Schwellenwerts, steigt die Wahrscheinlichkeit einer Enthaltung. Die Modelle führen dabei jedoch keine bewusste Reflexion im menschlichen Sinn durch. Es handelt sich um ein aus neuronalen Aktivitätsmustern hervorgehendes Verhalten, das durch Training, Modellarchitektur und Anweisungen beeinflusst wird.

Warum Antwortverweigerung Halluzinationen reduzieren kann

Eine Antwortverweigerung ist zunächst eine Einschränkung der Funktionalität. Nutzerinnen und Nutzer erhalten in diesem Moment keine direkte Lösung. Aus Sicht der Zuverlässigkeit kann eine Enthaltung jedoch vorteilhaft sein, wenn die Alternative eine erfundene oder sachlich falsche Antwort wäre.

Frühere Forschungsarbeiten haben bereits untersucht, wie Unsicherheitsmessungen für eine selektive Antwortverweigerung genutzt werden können. Eine 2024 veröffentlichte Arbeit von Christian Tomani, Kamalika Chaudhuri, Ivan Evtimov, Daniel Cremers und Mark Ibrahim befasste sich mit der Frage, ob Sprachmodelle bei Unsicherheit gezielt auf Antworten verzichten sollten. Die Autoren untersuchten unter anderem statistische Unsicherheitsmaße und eine im Dialog ausgedrückte Unsicherheit.

Der Ansatz folgt einem einfachen Prinzip: Ein Modell muss nicht jede Anfrage beantworten, wenn es verlässlich erkennen kann, dass die Wahrscheinlichkeit eines Fehlers hoch ist. In den von den Forschenden beschriebenen Experimenten konnten bestimmte Formen der Enthaltung die Korrektheit verbessern, unbeantwortbare Fragen besser erkennen und Sicherheitsrisiken reduzieren. Die konkreten Werte hängen dabei von Modell, Datensatz, Schwellenwert und Aufgabe ab und sind nicht als allgemeingültige Leistungsversprechen zu verstehen.

Für Unternehmen ist zudem entscheidend, welche Kosten ein Fehler verursacht. Bei einer unverbindlichen Ideensammlung kann eine gelegentliche falsche Antwort durch menschliche Prüfung aufgefangen werden. Bei einer automatisierten Auskunft zu Vertragsbedingungen, medizinischen Informationen, Finanzdaten oder Sicherheitsvorgaben kann eine unerkannte Falschaussage deutlich schwerwiegendere Folgen haben.

Die passende Strategie besteht daher nicht darin, Antwortverweigerungen grundsätzlich zu maximieren. Ein System, das bei jeder anspruchsvollen Frage schweigt, wäre zwar möglicherweise vorsichtig, aber kaum produktiv. Gefragt ist eine kalibrierte Balance zwischen Nützlichkeit und Verlässlichkeit.

Die besondere Bedeutung für KI-Agenten

Bei klassischen Chatbots bleibt eine falsche Antwort zunächst häufig auf der Informationsebene. Bei KI-Agenten kann sie dagegen unmittelbar weitere Aktionen auslösen. Ein Agent kann beispielsweise Daten aus Unternehmenssystemen abrufen, Dokumente klassifizieren, Aufgaben anlegen, Nachrichten versenden oder Prozesse anstoßen.

Je größer der Handlungsspielraum eines Systems ist, desto wichtiger wird die Fähigkeit, Unsicherheit nicht zu verbergen. Ein Agent sollte zwischen verschiedenen Zuständen unterscheiden können:

• Die Anfrage ist eindeutig, die benötigten Informationen liegen vor und eine direkte Bearbeitung ist vertretbar.
• Die Anfrage ist grundsätzlich bearbeitbar, enthält aber fehlende oder widersprüchliche Angaben.
• Die Antwort erfordert eine externe Quelle, die zunächst geprüft werden muss.
• Die geplante Aktion hätte ein hohes Risiko und benötigt eine Freigabe durch eine zuständige Person.
• Das System kann die Aufgabe mit den verfügbaren Informationen nicht zuverlässig lösen.

In den letzten drei Fällen sollte eine Antwortverweigerung nicht zwingend als endgültige Blockade gestaltet werden. Ein gut definierter Prozess kann stattdessen eine Rückfrage, eine Quellenrecherche, eine alternative Handlung oder eine Eskalation an einen Menschen vorsehen.

Für die Entwicklung agentischer Systeme verschiebt sich damit der Schwerpunkt von der reinen Antwortqualität zur Entscheidungsqualität vor der Antwort. Ein Agent muss nicht nur gute Texte erzeugen, sondern auch erkennen, wann er keinen ausreichenden Handlungsspielraum besitzt.

Antwortverweigerung ist nicht gleich Antwortverweigerung

In der technischen Umsetzung können mehrere Formen der Enthaltung unterschieden werden. Die einfachste Variante besteht in einer kurzen Meldung, dass keine verlässliche Antwort möglich ist. Für geschäftliche Anwendungen ist eine solche pauschale Reaktion oft zu wenig hilfreich.

Eine differenziertere Enthaltung kann den Grund der Unsicherheit benennen. Das Modell kann beispielsweise darauf hinweisen, dass ein Datum fehlt, zwei Dokumente unterschiedliche Angaben enthalten oder eine Aussage nicht anhand einer verfügbaren Quelle verifiziert werden konnte. Diese Transparenz unterstützt die weitere Bearbeitung und erleichtert die Kontrolle.

Eine weitere Möglichkeit ist die bedingte Antwort. Das System liefert eine vorläufige Einschätzung, kennzeichnet sie aber als unsicher und nennt die Voraussetzungen, unter denen sie gilt. Diese Form eignet sich nur dann, wenn die Risiken überschaubar sind und die Nutzerinnen und Nutzer die Einordnung verstehen können.

Bei Aktionen mit Außenwirkung kann eine Freigabestufe sinnvoll sein. Das System bereitet beispielsweise eine E-Mail, einen Vertragshinweis oder einen Datenbankeintrag vor, führt die Handlung aber erst nach Bestätigung durch eine verantwortliche Person aus. Die interne Unsicherheit wird damit in eine organisatorische Kontrollmaßnahme übersetzt.

Grenzen der Methode

Die untersuchten Ergebnisse sind relevant, beantworten aber nicht alle Fragen zur Zuverlässigkeit von KI-Modellen. Eine interne Konfidenz kann falsch kalibriert sein. Ein Modell kann sich bei einer falschen Antwort sicher sein oder eine korrekte Antwort unnötig zurückhalten. Die bloße Existenz eines Vertrauenssignals garantiert daher keine verlässliche Entscheidung.

Auch die Aufgabenform spielt eine wichtige Rolle. Multiple-Choice-Fragen bieten eine klar strukturierte Umgebung mit vorgegebenen Antwortmöglichkeiten. Unternehmensanfragen sind häufig offener, mehrdeutig und abhängig von internen Dokumenten, aktuellen Daten oder individuellen Richtlinien. Ob ein Verhalten aus einem kontrollierten Test unverändert auf komplexe Arbeitsabläufe übertragbar ist, muss jeweils gesondert geprüft werden.

Hinzu kommt, dass Konfidenz nicht nur vom Modell, sondern auch vom Kontext beeinflusst wird. Eine lange Eingabe kann widersprüchliche Informationen enthalten. Eine scheinbar einfache Frage kann veraltetes Wissen voraussetzen. Zudem können Nutzeranweisungen versuchen, Sicherheitsvorgaben zu umgehen oder das Modell zu einer voreiligen Antwort zu drängen.

Mehrere Gesprächsrunden stellen eine zusätzliche Herausforderung dar. Frühere Antworten können die spätere Einschätzung des Modells beeinflussen. Forschung zu mehrstufigen Dialogen weist darauf hin, dass Modelle unter Druck ihre Position verändern können, auch wenn Gegenargumente nicht korrekt sind. Für Anwendungen mit längeren Interaktionen reicht es deshalb nicht aus, die Konfidenz nur bei der ersten Antwort zu bewerten.

Eine weitere Grenze betrifft die Messbarkeit. Ein einzelner Konfidenzwert kann für unterschiedliche Fehlerarten stehen. Unsicherheit über eine Definition ist nicht dasselbe wie Unsicherheit über eine Zahl, eine Rechtsauslegung oder eine Handlungsempfehlung. Risikobewertungen sollten deshalb möglichst aufgabenspezifisch erfolgen.

Was Unternehmen bei der Einführung beachten sollten

Für Organisationen ergibt sich aus der Forschung kein pauschales Rezept, sondern ein Rahmen für die Gestaltung robuster KI-Prozesse. Zunächst sollte definiert werden, welche Fehler in der jeweiligen Anwendung besonders kritisch sind. Davon hängt ab, wie niedrig die Toleranz für unsichere Antworten sein muss.

Ebenso wichtig ist die Festlegung, was ein System bei Unsicherheit tun soll. Mögliche Reaktionen sind eine Rückfrage, die Suche in einer freigegebenen Wissensquelle, die Übergabe an einen Menschen, eine begrenzte Antwort oder die vollständige Verweigerung. Diese Optionen sollten nicht allein dem Modell überlassen werden, sondern in Prozessregeln und technischen Schutzmechanismen verankert sein.

Unternehmen sollten außerdem die tatsächliche Leistung im eigenen Kontext messen. Dafür sind nicht nur Trefferquoten relevant. Bewertet werden sollten unter anderem:

• Wie häufig gibt das System korrekte Antworten?
• Wie oft verweigert es eine Antwort, obwohl eine verlässliche Lösung möglich wäre?
• Wie oft antwortet es trotz hoher Fehlerwahrscheinlichkeit?
• Wie transparent erklärt es Gründe für Rückfragen oder Enthaltungen?
• Wie häufig lösen unsichere Ausgaben Folgefehler in nachgelagerten Prozessen aus?
• Wie gut funktioniert die Übergabe an menschliche Prüferinnen und Prüfer?

Für die Dokumentation empfiehlt sich eine Protokollierung der relevanten Entscheidungsschritte. Dabei müssen Datenschutz, Geheimhaltungsanforderungen und geltende interne Richtlinien berücksichtigt werden. Protokolliert werden können beispielsweise Anfrageklasse, verwendete Datenquelle, Konfidenzindikator, angewandter Schwellenwert, ausgegebene Antwort und gegebenenfalls die menschliche Korrektur.

Auch die Benutzeroberfläche beeinflusst die Sicherheit. Eine Antwort mit einem unauffälligen Warnhinweis kann von Anwenderinnen und Anwendern übersehen werden. Umgekehrt können zu häufige Warnungen dazu führen, dass Unsicherheitsmeldungen nicht mehr ernst genommen werden. Gestaltung und Kommunikation sollten deshalb an die Risikoklasse des jeweiligen Prozesses angepasst werden.

Die Rolle von Quellen und Retrieval-Systemen

Ein Modell muss sich nicht allein auf seine internen Wissensrepräsentationen stützen. In vielen B2B-Anwendungen kann ein Retrieval-Augmented-Generation-Ansatz eingesetzt werden. Dabei ruft das System relevante Inhalte aus einer kontrollierten Wissensbasis ab und nutzt diese als Grundlage für die Antwort.

Das kann die Nachvollziehbarkeit verbessern, beseitigt Unsicherheit aber nicht vollständig. Eine Wissensbasis kann veraltet, unvollständig oder widersprüchlich sein. Das Modell kann außerdem ein falsches Dokument auswählen oder den Inhalt falsch interpretieren. Ein robustes System sollte daher nicht nur prüfen, ob Quellen vorhanden sind, sondern auch, ob sie zur konkreten Frage passen.

Eine sinnvolle Antwortlogik kann mehrere Bedingungen kombinieren: interne Konfidenz, Qualität und Aktualität der Quelle, Übereinstimmung mehrerer Dokumente sowie das Risiko der geplanten Folgehandlung. Erst aus dieser Kombination entsteht eine belastbarere Grundlage für die Entscheidung, ob eine Antwort oder eine Eskalation angemessen ist.

Was die Forschung für den Einsatz von KI-Tools bedeutet

Werkzeuge für Text, Recherche, Bilderstellung und Wissensarbeit können von einer differenzierten Unsicherheitsbehandlung profitieren. Bei der Recherche kann ein System beispielsweise zwischen belegten Informationen und plausiblen, aber nicht verifizierten Ergänzungen unterscheiden. Bei der Erstellung von Texten kann es auf fehlende Briefing-Details hinweisen, statt Annahmen als Fakten auszugeben.

Auch bei der Verarbeitung interner Dokumente ist eine kontrollierte Enthaltung wichtig. Wenn ein System keine passende Passage findet, sollte es nicht automatisch eine allgemeine Formulierung als unternehmensspezifische Regel ausgeben. Es sollte kenntlich machen, dass die benötigte Information nicht in den verfügbaren Unterlagen enthalten ist.

Für Plattformen wie Mindverse, die verschiedene KI-Funktionen in einem Arbeitsumfeld bündeln, liegt der praktische Schwerpunkt daher auf nachvollziehbaren Arbeitsabläufen. Nutzerinnen und Nutzer benötigen nicht nur ein Modell, das Inhalte generiert, sondern auch Hinweise darauf, wann Recherche, Quellenprüfung oder menschliche Freigabe erforderlich sind.

Das Ziel besteht nicht darin, KI-Systeme grundsätzlich zurückhaltender zu machen. Entscheidend ist, dass sie ihre Grenzen im jeweiligen Kontext besser abbilden und ihre Ausgaben an der Bedeutung einer Aufgabe ausrichten. Eine kreative Textvariante darf mit größerer Offenheit erzeugt werden als eine Aussage, die als Grundlage für eine rechtlich oder finanziell relevante Entscheidung dient.

Ein nüchterner Blick auf den Begriff „Selbstzweifel“

Die Bezeichnung „Selbstzweifel“ macht ein abstraktes technisches Konzept anschaulich, ist aber nicht wörtlich zu verstehen. Die untersuchten Modelle besitzen nach den vorliegenden Informationen keine subjektive Erfahrung, kein Bewusstsein und keine persönliche Einschätzung ihrer Fähigkeiten.

Gemeint ist vielmehr ein beobachtbares Verhalten: Das Modell verfügt über interne Signale, die mit der Wahrscheinlichkeit einer korrekten Antwort zusammenhängen können. Es kann diese Signale mit einer Regel verknüpfen und dadurch die Ausgabe unter bestimmten Bedingungen unterlassen.

Diese Unterscheidung ist für die öffentliche und geschäftliche Bewertung wichtig. Wer von „Selbstzweifeln“ spricht, sollte daraus keine menschlichen Eigenschaften wie Verantwortungsbewusstsein oder moralisches Urteilsvermögen ableiten. Die Verantwortung für Einsatz, Kontrolle und Folgen bleibt bei den Menschen und Organisationen, die ein KI-System entwickeln, bereitstellen oder einsetzen.

Ausblick: Von der Antwortmaschine zum kontrollierten Entscheidungssystem

Die Fähigkeit zur Enthaltung ist ein Baustein auf dem Weg zu verlässlicheren KI-Anwendungen. Sie kann dazu beitragen, falsche Antworten nicht ungeprüft in Arbeitsabläufe gelangen zu lassen. Ihr Nutzen hängt jedoch davon ab, wie gut die zugrunde liegenden Unsicherheitssignale kalibriert sind und wie der Prozess mit einer Enthaltung umgeht.

Für die weitere Forschung sind daher mehrere Fragen offen. Dazu gehört, wie Konfidenz über verschiedene Aufgabentypen hinweg vergleichbar gemacht werden kann. Ebenso muss untersucht werden, wie Modelle mit widersprüchlichen Quellen, veränderten Rahmenbedingungen und langfristigen Dialogen umgehen. Bei KI-Agenten kommt zusätzlich die Bewertung von Aktionsrisiken hinzu: Eine unsichere Information ist problematisch, eine unsichere Handlung mit externen Folgen jedoch möglicherweise noch weitreichender.

Unternehmen sollten die Entscheidung „antworten oder nicht antworten“ deshalb als Teil eines umfassenderen Governance-Modells verstehen. Dazu gehören klare Zuständigkeiten, geeignete Quellen, technische Begrenzungen, Testverfahren, Protokollierung und regelmäßige Überprüfung.

Die zentrale Entwicklung besteht nicht darin, dass KI plötzlich menschliche Zweifel entwickelt. Sie besteht darin, dass Modelle zunehmend in der Lage sein sollen, interne Unsicherheit in kontrolliertes Verhalten zu übersetzen. Für den professionellen Einsatz ist das ein wesentlicher Schritt: Ein leistungsfähiges System muss nicht nur möglichst viel erzeugen, sondern auch erkennen, wann Zurückhaltung, Nachfrage oder menschliche Kontrolle die verlässlichere Option ist.

Bibliografie Google DeepMind beziehungsweise Nature Machine Intelligence: Forschungsarbeit zur Nutzung interner Konfidenzsignale für Antwortverweigerungen bei großen Sprachmodellen. https://www.nature.com/articles/s42256-026-01293-x Bölling, Noëlle: „Wie entscheidet ein KI-Modell, wann es antwortet – und wann nicht?“ t3n, 17.09.2026. https://t3n.de/news/ki-mit-selbstzweifel-wie-modelle-entscheiden-wann-sie-besser-nicht-antworten-1763842/ Bölling, Noëlle: „Google DeepMind: Wie KI-Modelle ihre eigene Unsicherheit einschätzen“. heise online, 17.09.2026. https://www.heise.de/news/Google-DeepMind-Wie-KI-Modelle-ihre-eigene-Unsicherheit-einschaetzen-11456935.html Tomani, Christian; Chaudhuri, Kamalika; Evtimov, Ivan; Cremers, Daniel; Ibrahim, Mark: „Uncertainty-Based Abstention in LLMs Improves Safety and Reduces Hallucinations“. arXiv, 2024. https://doi.org/10.48550/arXiv.2404.10960 OpenAI: „How People Use ChatGPT“. Forschungsbericht. https://cdn.openai.com/pdf/a253471f-8260-40c6-a2cc-aa93fe9f142e/economic-research-chatgpt-usage-paper.pdf IT Sicherheitsnews: „KI mit Selbstzweifel: Wie Modelle entscheiden, wann sie besser nicht antworten“. https://www.itsicherheitnews.de/ki-mit-selbstzweifel-wie-modelle-entscheiden-wann-sie-besser-nicht-antworten/