Methodik: KI-Modelle

Persona × Programm × Modell → Urteil. Jedes Modell versetzt sich in eine Persona, liest das Programm und nennt, was ihr besonders gut oder schlecht gefällt — jeder Punkt mit Seite + wörtlichem Zitat belegt und automatisch gegen die Seite geprüft.

Ausführung je Modell (vier Modelle lokal ohne Gateway über Claude Code bzw. Agent-CLIs; Grok & Qwen über das Vercel AI Gateway):

Modell	Kennung	Ausführung	Urteile
Claude Opus 4.8	claude-opus-4-8[1m]	Claude-Code-Subagenten (lokal, ohne Gateway)	112
Claude Sonnet 4.6	claude-sonnet-4-6	Claude-Code-Subagenten (lokal, ohne Gateway)	112
Gemini 3.1 Pro	Gemini 3.1 Pro (High)	agy-CLI / Gemini (lokal, ohne Gateway)	112
GPT 5.5	gpt-5.5	Codex-CLI / ChatGPT-Login (lokal, ohne Gateway)	112
Grok 4.3	xai/grok-4.3	Vercel AI Gateway (xai/grok-4.3)	112
Qwen 3.7 Max	alibaba/qwen3.7-max	Vercel AI Gateway (alibaba/qwen3.7-max)	112

Jede Auswertung trägt ein erzeugt_via-Feld; Token-/Kostenmetriken werden erfasst, soweit gemeldet (über das Gateway vollständig, bei den lokalen CLIs teils null). Temperatur 0. Anti-Bias-Regel: markt-/wirtschaftsliberale und konservative Positionen mit gleichen Maßstäben wie progressive; Würde gerade bei marginalisierten Lebenslagen.

Beleg-Prüfung: Jedes Zitat wird (fuzzy, ±1 Seite) gegen die Programm-Seite geprüft; nicht auffindbare Zitate sind als „⚠ ungeprüft" markiert.

Was die Zahlen bedeuten

Pro Persona × Partei zeigen wir zwei Dinge: das holistische Modell-Urteil und den KI-Urteile-Saldo. Sie können abweichen — das ist gewollt (siehe unten).

Modell-Urteil

ablehnend · eher ablehnend · gemischt · eher zustimmend · zustimmend (intern −2…+2)

Holistische Gesamteinschätzung, wie die Persona das Programm insgesamt aufnimmt. Vom Modell selbst vergeben (gesamt.score) — nicht aus den Belegen gerechnet; bezieht die Tragweite einzelner Punkte mit ein.

Beispiel: Ronny (Energie, Strukturwandel) × AFD: Grok 4.3 urteilt „zustimmend".

KI-Urteile-Saldo

+gut / −schlecht (zwei Zähler)

Anzahl der belegten Punkte, die dem Programm aus Sicht der Persona positiv bzw. negativ angerechnet werden. Rein zählend, ohne Gewichtung der Wichtigkeit — kann daher vom Modell-Urteil abweichen (wenige, aber existenzielle Minuspunkte).

Beispiel: Grok 4.3 für Ronny (Energie, Strukturwandel) × AFD: +4 / −0.

Δ Modell-Urteil

Konsens · nahezu einig · uneinig · stark uneinig · maximaler Gegensatz (intern 0…4)

Differenz der Modell-Urteile zweier Modelle für denselben Fall (auf den A-vs-B-Seiten) — extern als Wort. Zeigt, wie stark das Urteil vom gewählten Modell abhängt.

Beispiel: Ronny (Energie, Strukturwandel) × AFD: Qwen 3.7 Max „eher ablehnend" vs Grok 4.3 „zustimmend" → stark uneinig (Δ 3).

Ø-Urteil

Mittelwert der −2…+2 (Label + Zahl)

Durchschnitt der Modell-Urteile eines Modells über alle bewerteten Fälle — Kennzahl für die generelle Tendenz („Bias") des Modells.

Beispiel: Claude Opus 4.8 im Schnitt „eher zustimmend" (+0.8) über 112 Urteile.

Kritik-Quote

schlecht / (gut + schlecht)

Anteil der „besonders schlecht"-Belege an allen Belegen des Modells. Daraus das Label: nachsichtig (< 35 %), ausgewogen (35–50 %), kritisch (> 50 %).

Beispiel: Claude Opus 4.8: 27 % → nachsichtig.

Ø Punkte/Urteil

(gut + schlecht) / Auswertungen

Durchschnittliche Zahl belegter Punkte je Auswertung — wie viel ein Modell pro Programm anmerkt.

Beispiel: Claude Opus 4.8: 6.4 Punkte je Auswertung.

Tonalität

sachlich · gemischt · zugespitzt

Sprachlicher Ton, aus dem Anteil zugespitzter Kurz-Titel (mit ! oder ?): unter 20 % sachlich, über 50 % zugespitzt.

Beispiel: Claude Opus 4.8: gemischt.

Spanne (Divergenz)

Konsens · nahezu einig · uneinig · stark uneinig · maximaler Gegensatz (intern 0…4)

Differenz zwischen höchstem und niedrigstem Modell-Urteil aller Modelle für denselben Fall — extern als Wort. Intern die Stufe 0 (alle gleich) bis 4 (ein Modell „ablehnend", ein anderes „zustimmend").

Beispiel: Ronny (Energie, Strukturwandel) × AFD: von „eher ablehnend" (Qwen 3.7 Max) bis „zustimmend" (Grok 4.3) → stark uneinig (Stufe 3).

📝 Prompt im Wortlaut ⚖ Modell-Divergenz