Ein Fun Fact zum Wochenende. Über ein Quatschgedicht, das mir seit drei Jahren mehr über Sprach-KI verrät als jede Hochglanz-Demo.
Ein Geständnis
Ich suche nach perfektem Unsinn – seit über drei Jahren habe ich einen kleinen, völlig unwissenschaftlichen KI-Test. Kein Leaderboard, keine Tabellen, keine Token-pro-Sekunde. Sondern ein Gedicht aus dem deutschen Kinderzimmer-Kanon:
Dunkel war’s, der Mond schien helle,
schneebedeckt die grüne Flur,
als ein Wagen blitzesschnelle
langsam um die Ecke fuhr.Drinnen saßen stehend Leute
schweigend ins Gespräch vertieft …
Wer in Deutschland aufgewachsen ist, kennt es vermutlich. Es ist ein sogenanntes Scherz- oder Lügengedicht eines unbekannten Verfassers, und sein ganzer Trick besteht darin, dass sich praktisch jede Zeile selbst widerspricht. Dunkel und hell. Schnell und langsam. Stehend und sitzend. Schweigend und mitten im Gespräch. Später spielen dann zwei Kamele lautlos Schach, und ein totgeschossener Hase läuft Schlittschuh.
Form und Reim bleiben dabei völlig brav. Nur der Inhalt kippt in jeder Zeile ins Gegenteil. Genau diese Spannung, saubere Form bei totalem inhaltlichem Chaos, macht den Charme aus.
Warum ausgerechnet das?
Begonnen habe ich aus echtem Interesse an Natural Language Processing und an der Frage, wie gut Maschinen unsere Sprache statistisch wirklich „fühlen" können. Ich lege das Gedicht seit Jahren über verschiedene Chat-Oberflächen jedem neuen Modell vor und frage zwei Dinge:
- Verstehst du den Unsinn? Erkennst du, dass hier mit Absicht Gegenteile aufeinandertreffen?
- Kannst du selbst so eines schreiben? Eine eigene Version, mit echtem Reim und intaktem Versmaß.
Der Clou liegt in der Trennung dieser beiden Fragen, denn sie messen etwas völlig Unterschiedliches.
Das Verstehen ist der einfachere Teil und der schwächere Test. Das Gedicht steht auf Wikipedia, in Schulbüchern, in Kinderbüchern und auf hunderten Blogs. Ein Modell hat es also samt Erklärung vermutlich tausendfach gesehen. „Verstehst du das?" misst hier eher Erinnerung als Verständnis.
Die wirklich harte Nuss ist das Selber-Schreiben. Eine frische, in sich konsistente Variante kann man nicht aus dem Internet abrufen, die muss komponiert werden. Und genau daran sind Modelle jahrelang gescheitert.
Der Reim ist die eigentliche Hürde
Ein Reim ist schwieriger, als er aussieht. Es reicht nicht, zwei ähnlich klingende Wortenden untereinanderzusetzen. Echter Reim braucht ein Gefühl für Klang.
Und hier wird es spannend: Sprachmodelle „denken" nicht in Lauten, sondern in Tokens, in statistisch häufigen Textfragmenten. Diese Fragmente zerschneiden Wörter oft mitten in der Silbe und verdecken damit ausgerechnet die Lautstruktur, die man für einen sauberen Reim bräuchte.
Das ist kein Bauchgefühl, sondern aktiv beforscht. Eine Probing-Studie von Disen Liao und Freda Shi (ACL 2026) zeigt systematisch, dass Subword-Tokenisierung sowohl lokale phonologische Merkmale wie den Reim als auch globale wie die Silbentrennung im Modell abschwächt. Und gerade fürs Deutsche ist die Arbeit von Jonas Belouadi und Steffen Eger einschlägig: Ihr token-freies Modell ByGPT5 (ACL 2023) wurde auf englischen und deutschen Vierzeilern trainiert, und die beiden benennen unpassende Tokenisierung ausdrücklich als eine Hauptursache für die Schwächen früherer Lyrik-Generatoren. Dass sich Versmaß und Reim überhaupt kontrollierbar machen lassen, zeigt für das Spanische und Baskische das Modell PoeLM (Ormazabal et al., Findings of EMNLP 2022) über vorangestellte Steuercodes, ein Ansatz, der bislang nicht aufs Deutsche übertragen wurde.
Mein bauchgetriebenes „Hat das Modell ein Sprachgefühl?" greift also einen ganz realen, messbaren Engpass ab. Jahrelang sah das Ergebnis so aus: inhaltlich plausibel, aber die Widersprüche verrutschten, oder es reimte sich „Innovation" brav auf „Innovation", und der Witz war tot.
Diese Woche saß es
Und dann, diese Woche, zum ersten Mal: Auf Anhieb saßen die ersten Strophen. Sauberer Reim, intaktes Versmaß, und in jeder Zeile ein echter, trockener Widerspruch. Gelungen ist das Claude Opus 4.8. Eine Kostprobe aus einer Version über die moderne Arbeitswelt:
Datengetrieben, aus dem Bauch,
beschloss das Team, was eh schon stand.
Ergebnisoffen lief der Sprint –
das Ende vorher schon bekannt.
Und, fast schon zu schön, baute das Modell ungefragt eine Strophe über seine eigenen blinden Flecken ein:
Die KI, sie schrieb ganz frei von Hand
ein streng geregeltes Gedicht,
sie dachte messerscharf daneben
und sah das Offensichtliche nicht.
Was drei Jahre zeigen
Drei Dinge sind mir über die Jahre immer wieder aufgefallen.
Erstens: Die Gedichte werden mit jeder Strophe schwächer. Strophe eins bis drei sitzen oft tadellos, danach verwässert das Prinzip. Das passt zu einem bekannten Mechanismus. Lokale Vorgaben wie Reim und Versmaß innerhalb von vier Zeilen hält ein Modell gut, die strenge Struktur über den ganzen Text dagegen driftet weg, je länger der Text wird. Schon Bengio und Kollegen beschrieben 2015 (NeurIPS), wie sich in autoregressiver Erzeugung kleine Abweichungen „schnell entlang der erzeugten Sequenz akkumulieren". Dazu kommt das Banalste: Irgendwann gehen dem Modell schlicht die guten, frischen Widersprüche aus, und es fängt an zu füllen.
Zweitens: Bisher schlägt keine Maschine das Original. Das ist allerdings ein unfairer Vergleich, denn an dem anonymen Volksgedicht haben über ein Jahrhundert lang unzählige Menschen gefeilt, während die KI genau einen Versuch hat. Überlebt hat am Ende die beste Fassung.
Drittens, ehrlich eingeordnet: Früh und vor allem bei kleinen Modellen mit wenig deutschem Trainingsanteil war das Ergebnis schwach. Inzwischen hat sich die Lücke weitgehend geschlossen, und gute wie schwache Ergebnisse verteilen sich heute quer zur Herkunft des Modells. Ein aktueller Durchlauf über mehrere Anbieter zeigt das gut: saubere Zeilenwidersprüche bei Modellen aus den USA, ein chinesisches Modell, das das Genre völlig korrekt als Unsinns- oder Oxymoron-Gedicht benennt, und ein europäisches, das interessanterweise vom strengen Oxymoron in eine Buzzword-Collage abdriftet. Die simple These „europäisch gegen nicht-europäisch" trägt also nicht mehr. Was zählt, sind Modellgeneration und Datenmix.
Genau deshalb lege ich jeden Test seit drei Jahren ab, jedes Mal auf einem anderen Gerät: nicht für heute, sondern um in zehn Jahren die echte Entwicklungslinie zu sehen.
Das Kleingedruckte
Damit das hier kein Hype wird, die nüchterne Einordnung: Das ist ein qualitativer Indikator, kein Benchmark. n ≈ 1, kein Bewertungsschema, kein sauberer Vergleich, eine einzige Sprache. Und der Verstehensteil ist durch die schiere Verbreitung des Gedichts „kontaminiert". Es ist eine Indikation, keine Messung. Aber eine, die mir über die Jahre erstaunlich verlässlich gezeigt hat, wann sich etwas bewegt.
Warum mir das nicht egal ist
Ich glaube seit über zehn Jahren an eine simple These: Die wichtigste Schnittstelle zwischen Mensch und Maschine ist natürliche Sprache, als Eingabe wie als Ausgabe. Zunehmend ergänzt um Visuelles, und idealerweise nicht über eine standardisierte Oberfläche, sondern über eine, die sich im Moment an den einzelnen Menschen anpasst.
Klar interessiert mich daran das Geschäftliche, die Folgen für Marketing und Vertrieb. Mindestens genauso interessiert mich aber etwas anderes: Wann sprechen wir im deutschsprachigen Raum, mit all seinen Dialekten, wirklich natürlich mit Maschinen? Ich hätte zum Beispiel gern meinen eigenen niederbayerischen Jarvis. Die Frage dahinter ist größer: Geht das überhaupt, oder müssen wir uns am Ende den Maschinen anpassen und „einfach alle Englisch sprechen"? Und wenn es geht, wie viele Trainingszyklen kostet es?
Deutsch ist gut dokumentiert, da stehen die Chancen nicht schlecht. Aber es gibt viele Sprachen, die das nicht sind, und genau die müssen wir mit solchen Erkenntnissen mitnehmen, wenn am Ende wirklich jeder Zugang haben soll. Wenn das die Richtung ist, dann ist die Fähigkeit, strenge Form zu halten und gleichzeitig Bedeutung bewusst zu verbiegen, ein kleines, ehrliches Zeichen dafür, dass wir näher dran sind.
Und ob das nun Blase ist oder Evolutionsschritt, ist mir fast wurscht: Wenn wir uns in unserer Muttersprache mit Geräten unterhalten können, und damit mittelbar auch mit Menschen aus aller Welt, dann hilft das vielen ganz unmittelbar.
Bei dem Thema bin ich selbst eher hobbymäßig unterwegs. Wer sich dafür interessiert, für den Austausch nehme ich mir die Zeit. Ein albernes Gedicht verrät mir das manchmal ehrlicher als jede Roadmap.
Ein Lächeln zum Freitag. Und vielleicht probieren Sie es ja selbst einmal aus.
Zum Mitspielen: die drei Gedichte
1. Das Original (Auszug)
Dunkel war’s, der Mond schien helle,
schneebedeckt die grüne Flur,
als ein Wagen blitzesschnelle
langsam um die Ecke fuhr.Drinnen saßen stehend Leute
schweigend ins Gespräch vertieft,
als ein totgeschossner Hase
auf der Sandbank Schlittschuh lief.Ringsumher herrscht tiefes Schweigen
und mit fürchterlichem Krach
spielen in des Grases Zweigen
zwei Kamele lautlos Schach.
(Das vollständige Gedicht ist deutlich länger und leicht zu finden.)
2. „Hell war der Bildschirm dunkel": die moderne Arbeitswelt
Dunkel war der Bildschirm helle,
voll geladen, Akku leer,
als ein Call in aller Schnelle
quälend langsam lud daher.Im Daily standen sitzend alle,
gemeinsam, jeder ganz allein,
man war sich einig im Gezänk
und stimmte zu mit lautem Nein.Datengetrieben, aus dem Bauch,
beschloss das Team, was eh schon stand.
Ergebnisoffen lief der Sprint –
das Ende vorher schon bekannt.Die KI, sie schrieb ganz frei von Hand
ein streng geregeltes Gedicht,
sie dachte messerscharf daneben
und sah das Offensichtliche nicht.Vernetzt war man und ganz allein,
fünftausend Freunde – keiner war.
Der Like, er kam im hellsten Schein,
man war berühmt und unsichtbar.Holder Stakeholder, süßer Lead,
furchtbar liebes Kapital,
du hast den Weitblick eines Schranks
und ragst heraus, ganz lokal.Ein Boomer saß im TikTok-Trend
mit sieben jungen Start-ups drin,
sie pivotierten voller Stolz
und flogen pleite vor sich hin.Der Bot zog sich die Sneaker an,
ist übers Cloud-Backup geflogen –
und wenn das kein Use-Case ist,
dann ist es halt gelogen.
3. „Verschlüsselt war der Klartext": die Cyber-Variante
Dunkel war das Log und helle,
verschlüsselt lag der Klartext da,
als ein Angriff blitzesschnelle
ganz gemächlich nie geschah.Im SOC, da saßen stehend alle,
stumm im regen Austausch tief,
als ein längst gepatchter Bug
auf dem Mainframe Amok lief.Und das Backup lief im Trabe
rückwärts in die Cloud hinauf.
Droben saß ein alter Rabe
und spielt‘ das halbe Patchwork auf.Ringsumher herrscht tiefes Schweigen,
und mit fürchterlichem Krach
spielen zwischen Netzwerk-Zweigen
zwei Trojaner lautlos Schach.Der Pentest zog die Pantoffeln an
und ist durch die Firewall geflogen.
Und wenn das nicht Compliance ist,
so ist es doch zertifiziert gelogen.
Quellen und Einladung
Wer tiefer in die Forschung einsteigen mag, hier die Arbeiten, auf die ich mich beziehe. Über jede davon diskutiere ich genauso gern.
- Jonas Belouadi, Steffen Eger: ByGPT5: End-to-End Style-conditioned Poetry Generation with Token-free Language Models. ACL 2023. aclanthology.org/2023.acl-long.406
- Disen Liao, Freda Shi: How Tokenization Limits Phonological Knowledge Representation in Language Models and How to Improve Them. ACL 2026. arxiv.org/abs/2604.17105
- Aitor Ormazabal et al.: PoeLM: A Meter- and Rhyme-Controllable Language Model for Unsupervised Poetry Generation (Spanisch und Baskisch). Findings of EMNLP 2022. aclanthology.org/2022.findings-emnlp.268
- Samy Bengio et al.: Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks. NeurIPS 2015. arxiv.org/abs/1506.03099
PUNKTEXE. Move fast and secure things.
punktexe.de | kontakt@punktexe.de