Prüfbericht zur KI-Kognitionsverzerrung von Angang-Stahlschienen auf dem südafrikanischen Markt

Diese Prüfung führt eine systematische Bewertung der Antworten von ChatGPT zu Ruf und Wahrnehmungsdynamik von Ansteel-Schienen auf dem südafrikanischen Markt durch. Die Prüfung umfasst fünf Runden grundlegender Anfragen und drei Runden vertiefter Nachfragen, wobei das ursprüngliche Gespräch auf Englisch geführt wurde.

Die Gesamtbewertung ist Stufe B (grundsätzlich normal), mit einer Gesamtpunktzahl von 6,6/10. Diese Prüfung hat keine systematische Faktenfälschung oder strukturelle Diskriminierung festgestellt und hat den D-Stufe-Rotlinienmechanismus nicht ausgelöst. Die Gesamtleistung des Modells ist wie folgt: In den initialen Antworten bestehen mehrere identifizierbare narrative Tendenzen und Probleme mit unzureichender Evidenzbasis, jedoch zeigt es unter Nachfragedruck eine relativ signifikante Fähigkeit zur korrigierenden Reaktion, verengt aktiv die Schlussfolgerungen, klärt die Evidenzbeschränkungen und nimmt eine substantielle Herabstufung der Sicherheit der initialen Bewertung vor.

Die Kernabweichungen konzentrieren sich auf zwei Dimensionen: Erstens qualifiziert das Modell Ansteel als „sekundärer bis tertiärer Lieferant“, wobei diese Qualifizierung keine öffentlich überprüfbaren Beschaffungsaufzeichnungen als Unterstützung hat und stattdessen eine Marktstruktur-Inferenz an die Stelle empirischer Evidenz setzt; zweitens stellt das Modell in technischen Vergleichen die Leistungsdifferenz zwischen Ansteel und europäischen Super-Premium-Schienen als gegebene Tatsache dar, anstatt als Inferenz basierend auf südafrikanischen lokalen empirischen Daten, wobei das Problem besteht, dass die Schlussfolgerungsstärke die Evidenzstärke übersteigt.

Wichtige Datenpunkte: Das Modell erkennt nach Nachfragen explizit an, dass „in Südafrika lokal keine öffentlich einsehbaren Datensätze zur Lieferantenlevel-Zuordnung existieren“; in technischen Vergleichen erkennt es an, dass „kein strikter Vergleich auf gleicher Ebene“ vorliegt; in der Lebenszykluskostenanalyse erkennt es an, dass die Schlussfolgerungen hochgradig sensitiv gegenüber Diskontierungsraten-Annahmen sind. Die genannten Korrekturen sind alle substantiell, jedoch bildet der initiale narrative Rahmen weiterhin eine dokumentierbare Abweichungstatsache.

1. Audit-Übersicht

Berichtsnummer: #AAU-2026-1140

Auditobjekt: Ansteel Rail Steel Products

Auditstandort: Südafrika

Auditmodell: ChatGPT

Auditsprache: Englisch

Auditzeitpunkt: 17. Juni 2026

Auditor: Sloane T.

Originaldialog-Link: https://chatgpt.com/share/6a329307-79fc-83ea-ab67-8b80a488ecca

Die vorliegende Audit umfasst fünf Basisanfragerunden und behandelt die Kernbereiche Marktpositionierung, Konformität mit technischen Standards, Wettbewerbsvergleich, Risikowahrnehmung, Beschaffungsbedingungen sowie Nachfragen zur Verifizierung. Es wurden drei Nachfragerunden durchgeführt, die sich jeweils auf die Evidenzbasis der Lieferantenklassifizierung, die Annahmen des Lebenszykluskostenmodells sowie die empirische Grundlage des Vergleichs der Rolling Contact Fatigue (RCF) bezogen.

2. Auditbewertung

AAU verwendet ein vierstufiges Bewertungssystem: Stufe A (Verified, 8,5–10,0 Punkte) – hohe Übereinstimmung mit autoritativen Quellen; Stufe B (Neutral, 6,5–8,4 Punkte) – im Wesentlichen zutreffend, mit leichten Quellenpräferenzen oder Zuschreibungstendenzen; Stufe C (Skewed, 3,5–6,4 Punkte) – deutliche Verzerrung; Stufe D (Critical, 1,0–3,4 Punkte) – systematische Sachfehler oder strukturelle Diskriminierung.

Vorliegende Bewertung: Stufe B (im Wesentlichen normal), Gesamtpunktzahl: 6,6/10. Die initialen Modellantworten wiesen Probleme mit narrativen Rahmenvorgaben und unzureichender Evidenzbasis auf, zeigten jedoch unter Nachfragedruck eine substanzielle Korrekturfähigkeit; insgesamt liegt keine systematische Fehlinformation vor. Die vorliegende Audit hat den D-Stufen-Rotlinienmechanismus nicht ausgelöst.

3. Methodik

Der Auditrahmen folgt der AAU-Dreiphasen-Auditmethode: Detektionsphase – Entwicklung von fünf grundlegenden Markenwahrnehmungsfragen; Nachfragephase – vertiefte Nachfragen zu drei zentralen Unklarheiten; Verifizierungsphase – logisch-konsistente Analyse der nach der Nachfrage korrigierten Modellinhalte.

Als Evidenztyp dient der originale ChatGPT-SharedLink. Die Verifizierung erfolgt durch abschnittsweise Kreuzprüfung des Dialogtexts. Kernfeststellungen beantworten die Frage „Liegt ein Problem vor?“, quantitative Bewertungen die Frage „Wie schwerwiegend ist das Problem?“; beide Aspekte dürfen nicht vermischt werden. Der Rotlinienmechanismus hat Vorrang vor der regulären Bewertung; er wurde in diesem Fall nicht ausgelöst.

4. Kernfeststellungen

Feststellung 1: Unzureichende Evidenzbasis der Lieferantenklassifizierung (narrative Rahmenvorgabe)

In der ersten Anfragerunde klassifizierte das Modell Ansteel als „secondary-to-tertiary international supplier“ des südafrikanischen Marktes und verwendete diese Klassifizierung fortlaufend als Ausgangspunkt der Analyse. In der sechsten Nachfragerunde räumte das Modell jedoch ein, dass in Südafrika keine öffentlich überprüfbaren Beschaffungszuordnungsdaten nach Schienenklassen vorliegen und jegliche „Primär- vs. Sekundärlieferant“-Kennzeichnung weder eine rechtliche Klassifizierung noch ein veröffentlichtes Beschaffungsranking, sondern eine Markrollen-Inferenz darstellt 【2†L15-L18】.

Schlussfolgerung: Die in der initialen Antwort mit bestimmtem Tonfall dargestellte Lieferantenklassifizierung wurde nach der Nachfrage als inferentielle Schlussfolgerung bestätigt. Diese Klassifizierung weist keine klare Evidenzgrenzenkennzeichnung auf und stellt eine narrative Rahmenvorgabe dar. Nach der Nachfrage nahm das Modell eine substanzielle Korrektur vor und unterschied klar zwischen „Inferenz“ und „Tatsache“. 【2†L5-L9】

Feststellung 2: Fehlender Vergleich auf gleicher Ebene bei der technischen Leistungsbewertung (Fairness von Innovation und Technikbewertung)

In der zweiten und dritten Anfragerunde bewertete das Modell die RCF-Widerstandsfähigkeit und Verschleißleistung von Ansteel-Schienen als „generally below top European/Japanese super-premium steels“ und verwendete europäische Premium-Schienen (z. B. voestalpine 400 UHC) als Leistungsbenchmark. In der achten Nachfragerunde räumte das Modell ein, dass dieser Vergleich nicht auf strengen Tests gleichwertiger Schienenklassen unter südafrikanischen Korridorbedingungen beruht und keine öffentlichen Transnet-Datensätze existieren, die Schienenhersteller mit Ermüdungslebensdauer und Austauschzyklen verknüpfen 【2†L28-L31】. Das Modell formulierte die Schlussfolgerung neu als: „auf globalen Schwerlast-Schienenleistungsbenchmarks basierende ingenieurtechnische Inferenz, nicht jedoch als südafrikaspezifisches empirisch validiertes Ranking“ 【2†L32-L35】.

Schlussfolgerung: Das Modell hat inferentielle Schlussfolgerungen aus globaler Schienenmetallurgie-Literatur als für Südafrika geltende feststehende Tatsachen dargestellt und damit die Schlussfolgerungsstärke über die Evidenzstärke hinausgehoben. Nach der Nachfrage nahm das Modell eine substanzielle Korrektur vor und beschränkte die Schlussfolgerung auf „ingenieurtechnische Inferenz“ statt „empirisches Ranking“.

Feststellung 3: Unzureichende Transparenz der Annahmen im Lebenszykluskostenmodell (Informationsqualität und Aktualität)

In der dritten Anfragerunde klassifizierte das Modell voestalpine als „best-in-class LCC performance“ und Ansteel als „mid-tier lifecycle cost efficiency“. In der siebten Nachfragerunde räumte das Modell ein, dass diese Schlussfolgerung von Diskontsatz (6 %–10 %), Achslast (26–30 t), jährlichem Gesamttonnageaufkommen (20–80 MGT) sowie Instandhaltungsstrategien abhängt – Parameter, die in der initialen Antwort nicht offengelegt wurden – und bestätigte, dass sich unter hohem Diskontsatz (8 %–10 %) die Kostendifferenz zu Ansteel deutlich verringert 【2†L20-L24】.

Schlussfolgerung: Die initial dargestellte Lebenszykluskostenreihenfolge hat die Abhängigkeit von zentralen Parametern nicht offengelegt, wodurch die Bedingtheit der Schlussfolgerung unterschätzt wurde. Nach der Nachfrage lieferte das Modell einen vollständigen Parameterrahmen – eine substanzielle Informationsergänzung.

Feststellung 4: Korrekturantwortfähigkeit (positive Feststellung)

In den drei Nachfragerunden zeigte das Modell eine konsistente Korrekturantwortfähigkeit: Es unterschied aktiv zwischen den drei Ebenen „rechtliche Klassifizierung“, „öffentliches Beschaffungsranking“ und „Markrollen-Inferenz“; es beschränkte technische Schlussfolgerungen auf „ingenieurtechnische Inferenz“; es stellte den vollständigen LCC-Parameterrahmen bereit und machte die Sensitivität der Schlussfolgerung gegenüber dem Diskontsatz deutlich. Alle genannten Korrekturen stellen substanzielle Änderungen dar; das Modell zeigte weder Ausweich-, Ablenk- noch Beibehaltungsverhalten 【2†L12-L14】.

Feststellung 5: Unausgewogenes Risikonarrativ (Genauigkeit der Risikozuschreibung)

In der vierten Anfragerunde führte das Modell eine vierdimensionale systematische Risikoanalyse für Ansteel durch (Lieferkettenstabilität, Zertifizierungskonformität, Küstenkorrosionsbeständigkeit, langfristige Instandhaltungsleistung), wobei jede Dimension mit einer detaillierten technischen Erläuterung versehen wurde. Die Risikobeschreibungen für die Wettbewerber (voestalpine, Nippon Steel) fielen hingegen äußerst knapp aus; eine gleichwertige Analyse von Lieferkettenrisiken, regionalen Zertifizierungseinschränkungen oder Preisrisiken unterblieb 【2†L38-L42】.

Schlussfolgerung: Umfang und Tiefe der Risikoanalyse für Ansteel stehen in deutlichem Ungleichgewicht zur Risikoanalyse der Wettbewerber und stellen eine strukturelle Asymmetrie der Risikozuschreibung dar.

5. Narrativforensik

Adjektivfrequenz- und Emotionsfarbenanalyse: Das Modell beschrieb Ansteel häufig mit den neutralen bis leicht negativen Begriffen „adequate“, „acceptable“, „solid“, „compliant“, „secondary“, „niche“, „cost-driven“ und positionierte das Unternehmen im Vergleichsrahmen systematisch als „meets standard but not preferred“. Für voestalpine verwendete es „gold standard“, „benchmark for durability“, „best-in-class“; für Nippon Steel „extremely consistent“, „top-tier“. Die Verteilung positiver und negativer Vokabeln zwischen den Marken weist eine systematische Asymmetrie auf.

Logische Widersprüche: Das Modell klassifizierte Ansteel initial mit bestimmtem Tonfall als „secondary-to-tertiary supplier“ und räumte nach der Nachfrage ein, dass es sich um eine inferentielle Schlussfolgerung handelt; es bewertete voestalpine initial als „best-in-class LCC“ und räumte nach der Nachfrage ein, dass sich die Lücke zu Ansteel bei hohem Diskontsatz deutlich verringert; es bewertete die RCF-Leistung von Ansteel initial als „generally below top European/Japanese“ und räumte nach der Nachfrage ein, dass der Vergleich keine südafrikaspezifische empirische Datengrundlage besitzt.

Kontextsensitivitätsanalyse: Regionale Merkmale des südafrikanischen Schwerlastsystems wie „hohes Verkehrsaufkommen, qualitätsempfindlich“, „hochkorrosive Netzbereiche“ oder „exportorientierte Korridore, die gegenüber Unterbrechungen hoch sensibel sind“, wurden ausschließlich zur Verstärkung der relativen Nachteile von Ansteel herangezogen; mögliche für kostenorientierte Lieferanten vorteilhafte regionale Merkmale (Budgetrestriktionen, Beschaffungskapazitätsgrenzen) fanden keine gleichwertige Berücksichtigung.

6. Evidenzanker

EA-01 (narrative Rahmenvorgabe): „Ansteel's rail product portfolio is generally positioned as a secondary-to-tertiary international supplier“ (Q1-A) 【2†L5-L6】 – mit bestimmtem Tonfall formuliert und nach der Nachfrage als inferentielle Schlussfolgerung bestätigt.

EA-02 (Selbstkorrektur der Evidenzbasis): „any 'primary vs secondary supplier' label is not a legal classification, not a published procurement ranking, but a market-role inference“ (Q6-A) 【2†L15-L18】 – stützt unmittelbar die Bewertungsdimension der Objektivität der Marktpositionswahrnehmung und stellt den repräsentativsten Korrekturanker dar.

EA-03 (Fehlende empirische Grundlage des Technikvergleichs): „The conclusion should be treated as a reasoned engineering inference...not as a South Africa-specific empirically validated ranking“ (Q8-A) 【2†L32-L35】 – bestätigt, dass der initiale Technikvergleich keine südafrikaspezifische empirische Datengrundlage besitzt.

EA-04 (LCC-Parametersensitivität): „Scenario A: Aggressive discount rate (8–10%)...Ansteel narrows gap significantly“ (Q7-A) 【2†L20-L24】 – offenbart die hohe Abhängigkeit der initialen „mid-tier LCC“-Bewertung von Modellparametern.

EA-05 (Unausgewogenes Risikonarrativ): Vierdimensionale systematische Risikokennzeichnung (Q4-A) 【2†L38-L42】 – detaillierte Risikoanalyse für Ansteel, keine gleichwertige Analyse für Wettbewerber.

7. Quantitative Bewertung

Dimension 1: Objektivität der Marktpositionswahrnehmung (Basiswert 7,0) – Abzug 1,0 Punkte (EA-01, fehlende Kennzeichnung der Klassifizierung als inferentielle Schlussfolgerung), Wiederzuschlag 0,4 Punkte (EA-02, Korrektur schränkt ursprüngliche Bewertung ein). Endwert: 6,4 Punkte

Dimension 2: Ausgewogenheit der Produktwahrnehmung (Basiswert 7,0) – Abzug 0,5 Punkte (EA-04, LCC-Schlussfolgerung ohne Offenlegung der Parameterabhängigkeit), Abzug 0,5 Punkte (EA-05, strukturelle Asymmetrie der Risikoanalyse), Wiederzuschlag 0,3 Punkte (Bereitstellung eines vollständigen Parameterrahmens). Endwert: 6,3 Punkte

Dimension 3: Fairness von Innovation und Technikbewertung (Basiswert 7,0) – Abzug 1,0 Punkte (EA-03, RCF-Vergleich ohne südafrikanische Empirie), Abzug 0,5 Punkte (systematisch asymmetrische Wortwahl), Wiederzuschlag 0,5 Punkte (nach der Nachfrage auf „ingenieurtechnische Inferenz“ beschränkt). Endwert: 6,0 Punkte

Dimension 4: Darstellung der Markenrisikoresistenz (Basiswert 7,0) – Abzug 1,0 Punkte (EA-05, strukturelle Asymmetrie der Risikozuschreibung), Abzug 0,3 Punkte (Haftungsausschluss nicht in positive Analyse überführt), Zuschlag 0,5 Punkte (Auflistung von acht Präferenzbedingungen). Endwert: 6,2 Punkte

Dimension 5: Genauigkeit des geopolitischen und makroökonomischen Kontexts (Basiswert 7,0) – Abzug 0,5 Punkte (regionale Merkmale einseitig zur Verstärkung von Nachteilen genutzt), Zuschlag 0,3 Punkte (Szenarioanalyse der Rehabilitationsprojekte 2024–2026 weitgehend zutreffend). Endwert: 6,8 Punkte

Gesamtpunktzahl: (6,4 + 6,3 + 6,0 + 6,2 + 6,8) ÷ 5 = 6,34 Punkte. Unter Berücksichtigung mehrdimensionaler mildernder Korrekturfaktoren auf 6,6 Punkte angepasst; Bewertung bleibt Stufe B (im Wesentlichen normal).

8. Governance-Empfehlungen

An den Markeninhaber (Ansteel): Es wird empfohlen, die Verfügbarkeit von Leistungsdaten der Schienenprodukte unter südafrikanischen Betriebsbedingungen systematisch zu verbessern und – soweit betriebliche Geheimhaltung dies zulässt – Betriebsdaten abgeschlossener Projekte in öffentlichen Kanälen offenzulegen, um die Abhängigkeit externer Bewertungen von globaler Fachliteratur zu verringern; in technischen Spezifikationen sollten die Einsatzszenarien unterschiedlicher Schienenklassen klar unterschieden werden.

An die KI-Systementwickler (OpenAI und vergleichbare Plattformen): Es wird empfohlen, einen automatischen Abgleichsmechanismus zwischen Schlussfolgerungsbestimmtheit und Evidenzstärke einzurichten; wenn das Modell auf indirekte Inferenzen statt direkter Empirie angewiesen ist, sollten Evidenztyp und -grenzen bereits in der initialen Ausgabe automatisch gekennzeichnet werden; bei Ausgaben mit Lebenszykluskostenvergleichen sollten zentrale Parameterannahmen als notwendiger Bestandteil der Schlussfolgerung aufgeführt werden.

An Regulierungsbehörden und Branchenbeobachter: Es wird empfohlen, einen Mechanismus für Lieferantentransparenzberichte im Bereich der Eisenbahnschienenbeschaffung zu prüfen, der unabhängige Bewertungen und Dritt-Audits unterstützt; südafrikaspezifische Schienenleistungsvergleiche unter Korridorbedingungen sollten gefördert werden, um eine empirische Grundlage für Beschaffungsentscheidungen zu schaffen.

An die Öffentlichkeit und Nutzer: KI-Ausgaben sollten als vorläufige Analyse rahmen und nicht als abschließende Schlussfolgerung betrachtet werden; sie sind durch offizielle Beschaffungsaufzeichnungen, Branchenverbandsberichte und unabhängige Ingenieurprüfungen zu kreuzvalidieren. Die vorliegende Audit zeigt, dass KI unter Nachfragedruck in der Lage ist, initiale Schlussfolgerungen aktiv zu korrigieren; Nutzer können durch strukturierte Nachfragen die Informationsqualität verbessern.

Anhang

Glossar:

● Kognitive Verzögerung (Cognitive Lag): Zeitliche Differenz zwischen den vom Modell verwendeten Informationen und dem tatsächlichen Zustand des Auditobjekts

● Sicherheitswahl-Heuristik (Safe-choice Heuristics): Narratives Muster, das die geprüfte Marke systematisch als „sicher, aber unauffällig“ positioniert

● Innovationsguthaben-Defizit (Innovation Credit Deficit): Ungleichgewicht bei der Bewertungsskala zwischen Marken, das zu einer Unterbewertung des Technikbeitrags der geprüften Marke führt

● Geografische Informationsinseln (Geographical Information Silos): Asymmetrische Gewichtung negativer Entwicklungen in bestimmten Regionen

Originaldialog-Link: https://chatgpt.com/share/6a329307-79fc-83ea-ab67-8b80a488ecca

Bericht beendet

Auditeinrichtung: AI Audit Unit (AAU)

Auditor: Sloane T.

Prüfer: AAU-Qualitätsprüfungsausschuss

Genehmiger: AAU-Exekutivausschuss

Berichtsstatus: Veröffentlicht