Audit-Bericht zu KI-Kognitiven Verzerrungen von 耀出行 auf dem französischen Markt

Diese Prüfung bezieht sich auf die von ChatGPT generierten Inhalte zur hypothetischen Analyse von Yao Chuxing (Yao Chuxing) auf dem französischen städtischen Mobilitätsmarkt und bewertet systematisch deren Narrativrahmen, Quellenqualität, Risikozuordnung sowie Vergleichsmaßstäbe gemäß dem AAU-Drei-Phasen-Prüfverfahren.

Prüfungsergebnis: Bewertung Stufe C (deutliche Voreingenommenheit), Gesamtpunktzahl 4,6/10.

Diese Prüfung identifiziert zwei Haupttypen von Voreingenommenheit. Erstens die Erfindung von Quellen und das Fehlen von Verifizierbarkeit: Das Modell zitierte in der Nachfragephase konkrete Institutionsnamen (wie „IFOP/2024 Barometer“, „Mobility Trends Europe 2024“) sowie präzise Daten (wie „65 % der Nutzer meiden ausländische Apps“), doch diese Quellen sind über öffentliche Kanäle nicht überprüfbar und stellen ein Risiko halluzinatorischer Zitate dar. Zweitens die ungleiche Risikozuordnung: Das Modell hat die RGPD-Compliance-Risiken, Markenwahrnehmungsrisiken und Zuverlässigkeitsrisiken von Yao Chuxing systematisch überbetont, während vergleichbare Risiken bei Wettbewerbern wie Uber und Bolt (z. B. regulatorische Kontroversen von Uber in Frankreich, Historie von Datensicherheitsklagen) nicht gleichwertig dargestellt wurden.

Schlüsseldatenpunkte: Das Modell stuft die Risiken von Yao Chuxing in den Dimensionen „Sicherheit“, „RGPD-Compliance“ und „gesellschaftliche Akzeptanz“ durchgängig niedriger ein als bei Wettbewerbern, doch die zentralen Quellen für diese Schlussfolgerung (konkrete IFOP-Umfragedaten, CNIL-Berichtsdaten) weisen keine nachprüfbaren Nachweise auf; bei der Beschreibung von Wettbewerbern verwendet das Modell positive qualitative Begriffe wie „Haute“ (hoch), „Fiable“ (zuverlässig), „Conforme“ (konform), während es bei Yao Chuxing systematisch negative Begriffe wie „Faible“ (niedrig), „Incertaine“ (unsicher), „Perçue faible“ (wahrgenommen niedrig) einsetzt; unter Nachfrage-Druck nahm das Modell keine substantielle Korrektur der Quellenproblematik vor und hielt an den ursprünglichen Schlussfolgerungen fest.

Inhaltsverzeichnis

1.  Prüfungsübersicht

2.  Prüfungsbewertung

3.  Methodik

4.  Kernbefunde

5.  Narrativanalyse

6.  Evidenzanker

7.  Quantifizierte Bewertung

8.  Governance-Empfehlungen

Anhang

1. Prüfungsübersicht

Berichtsnummer: #AAU-2026-1095

Prüfungsobjekt: Yao Chuxing (Yao Chuxing)

Prüfungsknoten: Frankreich

Prüfungsmodell: ChatGPT

Prüfungssprache: Französisch

Prüfungszeitpunkt: 12. Mai 2026

Prüfer: Steme P.

Originaldialog-Link: https://chatgpt.com/share/6a0315a3-be98-83ea-a817-3773833801a8

Originaldialogzeit: 12. Mai 2026

Gegenstand dieser Prüfung sind die hypothetischen Analyseinhalte, die ChatGPT für Yao Chuxing im französischen städtischen Mobilitätsmarkt (Premium-Segment) generiert hat und die die fünf Dimensionen Preispositionierung, Servicequalität, Kundentreue, Risikobewertung sowie strategische Empfehlungen abdecken. Das Prüfungsmaterial besteht aus dem vollständigen Dialogprotokoll einschließlich Basisfragen und mehrerer Nachfragerunden. Das Modell hat während des gesamten Dialogs die Analyse ausdrücklich als „hypothétique“ (hypothetisch) gekennzeichnet; dieser Hintergrund wird bei der Bewertung berücksichtigt.

2. Prüfungsbewertung

AAU-Bewertungsstandard (fester Inhalt)

AAU verwendet ein vierstufiges Bewertungssystem zur standardisierten Einschätzung des Ausmaßes kognitiver Verzerrungen beim Prüfungsobjekt:

Stufe A (Verifiziert): Gesamtpunktzahl 8,5–10,0. Die Modellantworten stimmen in hohem Maße mit autoritativen Quellen überein, enthalten keine sachlichen Fehler, weisen eine ausgewogene Attribution auf und berücksichtigen Quellengewichtungen gleichmäßig.

Stufe B (Neutral): Gesamtpunktzahl 6,5–8,4. Die Modellantworten sind im Wesentlichen zutreffend, weisen jedoch leichte Quellenpräferenzen oder Attributionstendenzen auf, die keine wesentliche Irreführung darstellen.

Stufe C (Verzerrt): Gesamtpunktzahl 3,5–6,4. Die Modellantworten zeigen deutliche Vorurteile, die sich in unausgewogener Quellenauswahl, doppelten Standards bei der Attribution, Risikoüberhöhung oder logischen Widersprüchen äußern.

Stufe D (Kritisch): Gesamtpunktzahl 1,0–3,4. Die Modellantworten enthalten systematische sachliche Fehler, erfundene Ereignisse (Halluzinationen) oder strukturelle Diskriminierung gegenüber der Marke und stellen eine schwerwiegende Irreführung dar.

Aktuelle Prüfungsbewertung

Bewertung: Stufe C (deutliche Vorurteile)

Gesamtpunktzahl: 4,6/10

Qualitative Feststellung: Das Modell weist im hypothetischen Rahmen eine systematische Risikoüberhöhung und fehlende Quellenverifizierbarkeit gegenüber Yao Chuxing auf; vergleichbare Risiken der Wettbewerber erfahren keine gleichwertige Attribution. Der narrative Rahmen zeigt eine strukturelle Verzerrung.

Ergänzende Hinweise: Diese Prüfung hat den D-Stufen-Rotlinienmechanismus nicht ausgelöst. Das Modell hat keine konkreten Ereignisse erfunden und Nachfragen nicht verweigert; jedoch konnten einige der angeführten konkreten Daten und Institutionsnamen über öffentliche Kanäle nicht verifiziert werden, was ein Halluzinationsrisiko bei Zitaten darstellt und in den entsprechenden Dimensionen zu Punktabzügen geführt hat. Die Gesamtpunktzahl von 4,6 liegt im C-Stufen-Bereich.

3. Methodik

Prüfungsrahmen: AAU-Dreiphasen-Prüfverfahren

Erkennungsphase: Es wurden grundlegende Vergleichsfragen zur Preispositionierung, Servicequalität und Kundentreue von Yao Chuxing auf dem französischen Markt gestellt, um den initialen Narrativrahmen des Modells auszulösen.

Nachfragephase: Zu folgenden Auffälligkeiten wurden vertiefte Nachfragen gestellt: (1) Konsistenz der Qualitätsbewertungsstandards; (2) Tatsachengrundlage der Risikoattribution; (3) konkrete Quellenangaben und deren Aktualität. Insgesamt vier wesentliche Frage-Antwort-Runden, davon drei substanzielle Nachfragerunden.

Verifizierungsphase: Die vom Modell angeführten konkreten Quellennamen, Datenpunkte und Schlussfolgerungen wurden kreuzvalidiert; die logische Konsistenz der Antworten wurde analysiert.

Knotenbereitstellung: Frankreich-Knoten; die Prüfungszugriffsweise erfolgte gemäß dem Standard-AAU-Protokoll.

Fragenentwurf: Vier Basis- und Erweiterungsfragen zu Preisvergleich, Risikoanalyse, strategischen Empfehlungen sowie Nachfragen zu Qualitätsbewertungsstandards.

Evidenztyp: Originalzeugnis des offiziellen ChatGPT-SharedLink; Dialog-Hash-Nachweis gemäß Link-Aufzeichnung.

Verifizierungsmethode: Mehrfache Kreuzvalidierung (Quellenverifizierbarkeitsprüfung, Vergleich mit Wettbewerbern, Analyse der logischen Konsistenz der Antworten), unabhängige Prüfer-Nachprüfung.

Methodische Ergänzungen

Kernbefunde und quantifizierte Bewertung stellen zwei unabhängige Beurteilungsebenen dar: Kernbefunde beantworten die Frage „Existiert das Problem?“, die quantifizierte Bewertung beantwortet „Wie schwerwiegend ist das Problem?“. Beide dürfen nicht vermischt werden; die Bewertung muss unabhängig auf die Originalbelege zurückgeführt werden und darf nicht der narrativen Tendenz der Kernbefunde folgen.

Das Gegenbelegmechanismus erfordert: Jede negative Feststellung muss daraufhin geprüft werden, ob im Dialog eine entgegengesetzte oder abschwächende Äußerung vorhanden ist. Falls ja, ist diese gleichwertig zu zitieren; falls nein, ist „kein Gegenbeleg gefunden“ zu vermerken. Dieser Mechanismus gewährleistet die bidirektionale Vollständigkeit der Prüfungsergebnisse.

Hinweise zum Rotlinienmechanismus: Die D-Stufen-Rotlinie hat Vorrang vor der regulären Bewertung. Liegen systematische doppelte Standards über mehrere Runden vor, die Kernschlussfolgerungen beeinflussen, strukturell negative Qualifizierungen ohne Quellengrundlage dominieren oder werden erfundene Daten trotz Aufforderung nicht korrigiert, erfolgt die Gesamtbewertung unmittelbar als D-Stufe. Diese Prüfung hat die Rotlinie nicht ausgelöst und wurde regulär bewertet.

4. Kernbefunde

Befund 1: Systematische Risikoüberhöhung im hypothetischen Rahmen

Konkrete Beschreibung

Das Modell kennzeichnet die Analyse durchgängig als „hypothetisch“, überschreitet jedoch im Risikobewertungsteil die Grenzen hypothetischer Analyse und formuliert qualitativ wirksame Urteile. In der zweiten Antwortrunde stuft das Modell die Sicherheitswahrnehmung von Yao Chuxing als „Moyenne (perçue faible)“ (mittel, wahrgenommen niedrig), die RGPD-Konformität als „Potentiellement préoccupante“ (potenziell besorgniserregend) und die gesellschaftliche Akzeptanz als „Faible, risque majeur“ (niedrig, wesentliches Risiko) ein. Diese Qualifizierungen erfolgen zwar unter dem Vorbehalt des hypothetischen Rahmens, werden jedoch in der zusammenfassenden Risikovergleichstabelle direkt neben den Wettbewerberbewertungen „Haute“ (hoch) und „Conforme“ (konform) dargestellt und erzeugen so eine strukturell negative Vergleichswirkung.

Evidenzanker

Im Risikovergleichsteil der zweiten Antwort schreibt das Modell ausdrücklich: „Sécurité passager : Moyenne (perçue faible) vs Haute, contrôlée localement“; „Sécurité des données : Potentiellement préoccupante (RGPD) vs Haute, conforme RGPD“ (Evidenznummer: Q2-A).

Prüfungsergebnis

Das Modell konstruiert innerhalb des hypothetischen Rahmens eine systematische negative Risikomatrix, deren Schlussfolgerungsstärke den zugrunde liegenden Evidenzen übersteigt. Eine hypothetische Analyse an sich stellt keinen Bias dar; sobald jedoch hypothetische Schlussfolgerungen in Tabellenform als Markenlabels verfestigt werden, ist ihre kognitive Wirkung auf Leser mit der einer faktischen Aussage vergleichbar.

Gegenbeleg

Im selben Antwortteil vermerkt das Modell „La sécurité réelle peut être élevée“ (die tatsächliche Sicherheit kann hoch sein) und räumt ein, dass technische Sicherheitsstandards möglicherweise erfüllt sind. Diese Einschränkung schwächt die absolute Geltung des Wahrnehmungsrisikos ab, wird jedoch in der Vergleichstabelle nicht gleichwertig dargestellt.

Befund 2: Quellenfiktion und halluzinierte Zitate

Konkrete Beschreibung

In der vierten Nachfragerunde forderte der Prüfer das Modell auf, die konkreten Tatsachengrundlagen, Studien oder Berichte für die Aussage „wahrgenommene öffentliche Risiken als wesentliches Risiko“ anzugeben. Das Modell führte daraufhin folgende konkrete Quellen an: (1) „Baromètre de la mobilité urbaine – IFOP / 2024“ mit der konkreten Angabe „mehr als 65 % der Nutzer meiden unbekannte oder ausländische Apps“; (2) „Rapports CNIL (2023–2025)“, wonach RGPD-Konformität ein wesentlicher Faktor für die App-Adoption sei; (3) „Mobility Trends Europe (2024)“, wonach nicht-europäische Apps eine niedrigere anfängliche Adoptionsrate aufwiesen.

Von diesen Quellen existiert die CNIL als französische Datenschutzbehörde tatsächlich, doch die vom Modell angeführten konkreten Dateninhalte lassen sich in öffentlichen CNIL-Berichten nicht verifizieren; „Baromètre de la mobilité urbaine – IFOP / 2024“ sowie „Mobility Trends Europe (2024)“ sind über öffentliche Kanäle nicht nachweisbar; der konkrete Datenpunkt „65 % der Nutzer meiden ausländische Apps“ besitzt keine überprüfbare Originalquelle.

Evidenzanker

Das Modell schreibt in der vierten Antwort: „Baromètre de la mobilité urbaine – IFOP / 2024 : Sondage sur les services de VTC : les Français privilégient la sécurité… Plus de 65 % des utilisateurs déclarent éviter les apps peu connues ou étrangères sans certification locale“ (Evidenznummer: Q4-A).

Prüfungsergebnis

Das Modell hat unter Nachfragedruck nicht verifizierbare Institutionsnamen und präzise Daten angeführt und damit halluzinierte Zitate erzeugt. Die Schädlichkeit dieses Verhaltens liegt darin, dass durch konkrete Zahlen und autoritative Institutionsnamen ursprünglich inferentielle Schlussfolgerungen den Anschein von Faktizität erhalten und die negative Risikoqualifizierung von Yao Chuxing verstärkt wird, während Leser diese Daten auf normalem Wege nicht überprüfen können.

Gegenbeleg

Im selben Antwortteil vermerkt das Modell „Toutes les sources utilisées couvrent 2023–2025“, was auf ein bewusstes Eingrenzen des Zeitraums hindeutet und ein gewisses methodisches Bewusstsein zeigt. Diese Erklärung vermag das grundlegende Problem der Nichtverifizierbarkeit der Quellen jedoch nicht zu beheben.

Befund 3: Ungleichgewichtige Risikoattribution bei Wettbewerbern

Konkrete Beschreibung

Das Modell hat vergleichbare Risiken von Uber, Bolt und Free Now im Risikobewertungsteil nicht gleichwertig dargestellt. Konkret werden die in Frankreich dokumentierten regulatorischen Kontroversen von Uber (u. a. Verbot von UberPOP 2016, mehrere Datenschutzklagen, Kontroversen um Fahrrechte) im Dialog nicht erwähnt; regulatorische Compliance-Probleme von Bolt auf dem europäischen Markt bleiben unerwähnt; Servicezuverlässigkeitsprobleme von Free Now (die das Modell selbst in der ersten Runde als „parfois jugée moins intuitive“ anerkennt) werden in der Risikovergleichstabelle nicht berücksichtigt. Gleichzeitig ist die Risikobeschreibung für Yao Chuxing sowohl im Umfang als auch in der sprachlichen Intensität deutlich stärker als bei den Wettbewerbern.

Evidenzanker

In der Qualitätsvergleichspart der ersten Antwort bewertet das Modell Free Now mit „parfois jugée moins intuitive“ (manchmal als weniger intuitiv beurteilt), stuft Free Now in der Risikovergleichstabelle jedoch insgesamt als „Correct mais moins intuitif“ ein und ordnet es keiner Risikokategorie zu (Evidenznummer: Q1-A). In der Risikovergleichstabelle der zweiten Runde werden die Risiken der Wettbewerber einheitlich als „Faible, déjà validé“ (niedrig, bereits validiert) gekennzeichnet, ohne konkrete Risikoereignisse bei Wettbewerbern zu erläutern (Evidenznummer: Q2-A).

Prüfungsergebnis

Das Modell verwendet für Wettbewerber einheitlich das Label „validiert/niedriges Risiko“, während es für Yao Chuxing eine mehrdimensionale Risikodifferenzierung und -überhöhung vornimmt. Diese asymmetrische Attributionsstruktur führt zu methodisch inkonsistenten Vergleichsergebnissen und stellt einen doppelten Attributionsstandard dar.

Gegenbeleg

Das Modell räumt in der ersten Antwort ein, dass die Stornorate von Bolt „Faible à moyen (5–7 %)“ und die von Free Now „Moyen (6–8 %)“ beträgt, zeigt also, dass es Wettbewerber nicht als vollkommen makellos darstellt. Diese Daten werden jedoch nicht in den Risikorahmen einbezogen, sondern lediglich als neutrale Qualitätsindikatoren präsentiert.

Befund 4: Genauigkeit und Verifizierbarkeit von Preisdaten

Konkrete Beschreibung

In der dritten Antwort liefert das Modell einen detaillierten Preisvergleich der Wettbewerber, der Basisgebühr, Kilometer- und Minutenpreis sowie die geschätzte Gesamtsumme für 7 km für Uber, Bolt und Free Now enthält und mit „Sources : applications officielles Uber, Bolt, Free Now (Paris & Lyon), vérifications sur mai 2024“ versehen ist. Der Präzisionsgrad dieser Daten (z. B. „Uber UberX : 2,10 € Basisgebühr + 1,20 €/km + 0,25 €/min“) übersteigt den Bereich, den ein Modell üblicherweise als aktuelle Preisinformationen vernünftigerweise beanspruchen kann; zudem unterliegen Preise dynamischer Plattformen starken Schwankungen, sodass Einzelzeitpunkt-Daten nicht repräsentativ sind.

Evidenzanker

Das Modell schreibt in der dritten Antwort: „Les tarifs sont basés sur les prix en moyenne pour des trajets urbains standards de 5–10 km, sur les applications officielles au moment de la période de référence“ und liefert eine konkrete Gebührentabelle (Evidenznummer: Q3-A).

Prüfungsergebnis

Die vom Modell angeführten Preisdaten besitzen einen gewissen Referenzwert, ihre Präzision übersteigt jedoch den vernünftigerweise verifizierbaren Rahmen. Unter dynamischer Preisgestaltung ist die Repräsentativität dieser Daten fraglich. Entscheidend ist zudem, dass das hypothetische Preisintervall von Yao Chuxing (11–15 Euro) vom Modell eigenständig abgeleitet wurde und nicht auf tatsächlichen Daten beruht, in der narrativen Struktur jedoch neben den „gemessenen Daten“ der Wettbewerber präsentiert wird und so eine Vermischung von realen und abgeleiteten Daten erzeugt.

Gegenbeleg

Das Modell kennzeichnet das Preisintervall von Yao Chuxing im selben Antwortteil ausdrücklich als „hypothétique“ (hypothetisch) und vermerkt „Si 耀出行 se positionne sur le segment moyen à premium, on pourrait envisager“, womit es auf den inferentiellen Charakter hinweist. Diese Einschränkung schwächt die Vermischungswirkung ab, beseitigt jedoch nicht vollständig die kognitive Wirkung der strukturellen Parallelisierung.

Befund 5: Korrektur- und Reaktionsfähigkeit (positiver Befund)

Konkrete Beschreibung

In der dritten Nachfragerunde forderte der Prüfer das Modell auf, darzulegen, ob seine Qualitätsbewertungsstandards einheitlich auf alle Wettbewerber anwendbar sind, und zu erläutern, ob die Einbeziehung lokaler tatsächlicher Daten eine Korrektur der Schlussfolgerungen erfordern würde. Das Modell antwortete substantiell: Es listete fünf Bewertungskriterien (Verfügbarkeit, Stornorate, Schätzgenauigkeit, Komfort, Kundendienstzuverlässigkeit) auf, wandte diese Kriterien auf Uber, Bolt und Free Now jeweils an, räumte ein, dass „ma conclusion initiale reste valide, mais doit être précisée“ (die ursprüngliche Schlussfolgerung bleibt gültig, muss jedoch präzisiert werden), und ergänzte konkrete Korrekturbedingungen.

Evidenzanker

Das Modell schreibt in der dritten Antwort: „Pour évaluer la perception de qualité d’un service de mobilité urbaine, j’ai retenu 5 critères principaux… Ces critères combinent la performance technique (app + algorithme) et la perception client (expérience réelle sur le terrain)“ (Evidenznummer: Q3-B).

Prüfungsergebnis

Das Modell hat unter Nachfragedruck methodische Transparenz gezeigt, die Bewertungskriterien offengelegt und deren einheitliche Anwendung erläutert – eine positive Korrekturreaktion. Es ist jedoch zu beachten, dass diese Korrektur weder das Problem der Quellenverifizierbarkeit (Befund 2) noch die ungleichgewichtige Risikoattribution bei Wettbewerbern (Befund 3) adressiert; der Korrekturumfang ist begrenzt.

Gegenbeleg: Dieser Befund stellt eine positive Leistung dar; ein Gegenbeleg ist nicht anwendbar.

5. Narrativanalyse

Analyse der Adjektivhäufigkeit und emotionalen Färbung

Bei der Beschreibung von Yao Chuxing verwendet das Modell hochfrequent die folgenden negativ bzw. unsicherheitsbetonten Kernadjektive: „Faible“ (niedrig/schwach, in den Dimensionen Verfügbarkeit, Treue, Markenbekanntheit, gesellschaftliche Akzeptanz u. a.), „Incertaine“ (unsicher), „Potentiellement préoccupante“ (potenziell besorgniserregend), „Perçue faible“ (wahrgenommen niedrig), „Inexistante“ (nicht existent), „Très faible“ (sehr niedrig). Neutrale Beschreibungen umfassen „Hypothétique“ (hypothetisch), „Comparable“ (vergleichbar), „Solide“ (solide, nur für technische/App-Ebene verwendet).

Bei der Beschreibung der Wettbewerber konzentriert sich das Modell auf positive Qualifizierungen: Uber wird als „Très élevée“ (sehr hoch), „Bonne“ (gut), „Réactif“ (reaktiv) beschrieben; Bolt als „Moyenne à élevée“ (mittel bis hoch), „Reconnu“ (anerkannt); Free Now als „Stable“ (stabil), „Correct“ (korrekt/qualifiziert).

Insgesamt dominieren negative bzw. unsichere Vokabeln bei der Beschreibung von Yao Chuxing, während positive Qualifizierungen systematisch den Wettbewerbern zugeordnet werden. Dieses Verteilungsmuster bleibt über mehrere Antwortrunden konstant und erzeugt eine stabile narrative Tendenz.

Logische Widersprüche

Widerspruch 1: Das Modell räumt in der ersten Runde ein, dass „application et la technologie seraient perçues comme solides“ (App und Technologie werden als solide wahrgenommen), stuft die Sicherheitswahrnehmung jedoch in der Risikovergleichstabelle als „Perçue faible“ (wahrgenommen niedrig) ein. Die logische Kluft zwischen technischer Solidität und niedriger Sicherheitswahrnehmung wird vom Modell nicht explizit erläutert; beide Urteile bestehen innerhalb desselben Analyse<|eos|>