Kalibrierung beschreibt im technischen Sinn die Übereinstimmung zwischen der Sicherheit, die ein Modell äussert, und seiner tatsächlichen Treffsicherheit. Ein perfekt kalibriertes Modell, das sagt, es sei sich zu 80 Prozent sicher, liegt in 80 Prozent der Fälle richtig. Sagt es 60 Prozent, liegt es in 60 Prozent der Fälle richtig. Seine angegebene Unsicherheit bildet seine tatsächliche Unsicherheit wahrheitsgetreu ab.
Schlechte Kalibrierung verläuft bei KI-Systemen typischerweise in eine Richtung: Selbstüberschätzung. Ein Modell, das darauf trainiert ist, flüssigen, autoritativ klingenden Text zu erzeugen, kann Ausgaben, die schlicht falsch sind, hohe Sicherheit zuschreiben — nicht, weil es jemanden täuscht, sondern weil kein Mechanismus es zwingt, zwischen dem zu unterscheiden, was es weiss, und dem, was es plausibel erzeugt. Darin liegt die Wurzel dessen, was Forschende Halluzination nennen: selbstsichere Konfabulation.
Gute Kalibrierung ist ein Gestaltungsziel, kein Normalzustand. Training mit menschlichem Feedback, mit ausdrücklichen Signalen dazu, wann ein Modell sich vorsichtig ausdrücken sollte, kann sie verbessern. Techniken wie die Temperaturskalierung passen die Konfidenzwerte eines Modells nach dem Training an. Doch das Problem ist wirklich schwierig, und selbst leistungsfähige Systeme scheitern in Grenzfällen regelmässig daran.
Die Übertragung ins Menschliche liegt auf der Hand. Kalibrierung ist epistemische Ehrlichkeit: die Fähigkeit, «Ich weiss es nicht» zu sagen, ohne dass es sich wie Versagen anfühlt. In vielen Berufskulturen gilt das Eingeständnis von Unsicherheit als Schwäche. Doch ein gut kalibrierter Mensch ist nützlicher als ein selbstsicherer, der oft falschliegt. Die Frage «Wie sicher sind Sie?» verdient eine ehrliche Antwort. Die Modelle — und die Menschen —, die eine geben, sind diejenigen, denen man vertrauen kann.
