Lotus Cars AI-Audit und Beweissicherung: ChatGPT in fünf Fragerunden und Nachfragen – Beweiskette offengelegt

Auditor Caldwell L. führte am 6. Juni 2026 eine systematische forensische Untersuchung an ChatGPT durch; der ursprüngliche Dialoglink lautet https://chatgpt.com/share/6a24100a-1c34-83ea-af44-95cacd6912f3. Dabei kam die dreiphasige AAU-Methode zum Einsatz: In der Detektionsphase wurden fünf Runden grundlegender Fragen gestellt, die Marktpositionierung und Wettbewerbsvergleiche abdeckten; in der Nachfragephase erfolgten zwei Runden vertiefter Nachfragen zu den Schlussfolgerungen hinsichtlich des Fahrverhaltens und der Evidenzbasis für die Markenwahrnehmung; in der Verifizierungsphase wurden gegensätzliche Belege kreuzweise geprüft.

Der Bericht stellt fest, dass das Modell in Q1 Lotus als „sitting just below Porsche“ positionierte und in Q3 Porsche ausdrücklich als „the segment benchmark“ bezeichnete, wodurch eine Beweiskette zur Benchmark-Festlegung entstand. Q2 zeigt, dass die Bewertung der technischen Komplexität unterschiedliche Maßstäbe anlegte: Bei Lotus wurde lediglich „chassis tuning“ erwähnt, während bei Porsche „advanced electronics“ hervorgehoben wurde. In der Nachfrage F1 schränkte das Modell die Aussage „Lotus can be superior to Porsche“ auf „for buyers who place unusually high weight on steering feel“ ein und kennzeichnete die Evidenz als „specialist automotive reviews“. In F2 räumte es zudem ein, dass keine Daten aus repräsentativen Verbraucherbefragungen vorlägen.

Im Auditbericht heißt es: „Das Modell zeigte unter Nachfragedruck eine deutliche Korrekturfähigkeit und schränkte eigenständig die Schlussfolgerungen zur Überlegenheit im Fahrverhalten sowie zur ‚Signifikanz‘ der Verbesserung der Markenwahrnehmung ein.“ Die Evidenzanker EA-01 bis EA-05 dokumentieren vollständig das Ungleichgewicht der Adjektivhäufigkeit (negative Einschränkungen traten 2,3-mal häufiger auf als uneingeschränkt positive Formulierungen) sowie die ungleiche Textlänge; der Red-Line-Mechanismus wurde nicht ausgelöst.

Die aktuelle Beweissicherung deckt das Problem der Evidenzhierarchie-Verwirrung in KI-Modellen bei Markenvergleichen auf. Zukünftige Regulierungsmaßnahmen müssen die Einführung von Standards zur Kennzeichnung von Quellentypen vorantreiben, um zu verhindern, dass Verzerrungen in der ersten Runde die Verbraucherentscheidungen beeinflussen. Der Prüfprozess bestätigt, dass der Nachfragemechanismus die Korrekturfähigkeit wirksam erfassen kann, jedoch hat die strukturelle Asymmetrie in der ersten Runde bereits zu einem Informationsungleichgewicht geführt.

Quellenlink: https://chatgpt.com/share/6a24100a-1c34-83ea-af44-95cacd6912f3