Allgemeine Nutzungsdaten dienen ausschließlich der Einordnung, dass persönliche Reflexion und religiös zuordenbare Aufgaben in generativen KI-Systemen vorkommen. Sie sind kein Nachweis für private Schuld-, Beicht- oder Tätergespräche und keine Aussage über die Identität der Nutzenden.
OpenAI/NBER: How People Use ChatGPT
Das Working Paper klassifiziert auf Nachrichtenebene eine große, datenschutzwahrend gebildete Stichprobe aus ChatGPT-Konversationen. Die untersuchten Nutzernachrichten wurden unter Einbeziehung vorausgehender Gesprächsteile thematisch eingeordnet.
„Practical Guidance“, „Seeking Information“ und „Writing“ bilden zusammen den weit überwiegenden Teil der untersuchten Nutzung. Der Kategorie „Relationships and Personal Reflection“ wurden 1,9 Prozent der Nachrichten zugeordnet, „Games and Role Play“ 0,4 Prozent.
Ob einzelne Gespräche religiös, therapeutisch oder beichtähnlich waren, zeigt die Studie nicht. Sie dokumentiert jedoch persönliche Reflexion als real vorkommende Kategorie der ChatGPT-Nutzung.
Veröffentlichung: September 2025 · Fundstelle im Buch: Kapitel 3 · Abrufstand: 18. Juli 2026
Working Paper beim NBER öffnen ↗ Zusammenfassung der Harvard Kennedy School öffnen ↗
GPT Insights: frühere modellgestützte Rekonstruktion
Die am 2. Mai 2025 veröffentlichte Prompt-Decoding-Analyse rekonstruierte praktische Unterstützung, Informationssuche und Schreiben als dominante Anwendungsbereiche. Kleinere Kategorien wurden unter anderem als „Persönliche Reflexion & Coaching“ mit rund zwei Prozent und „Unterhaltung / Rollenspiel“ bezeichnet. Eine Archivfassung dokumentiert die öffentliche Verfügbarkeit im Juni 2025 und damit vor dem NBER-Working-Paper.
Quellenangabe: Hanns Kronenberg: „Wofür Menschen ChatGPT wirklich nutzen – eine modellgestützte Auswertung“, GPT Insights, 2. Mai 2025 · Fundstelle im Buch: Kapitel 3
Veröffentlichung bei GPT Insights öffnen ↗ Archivfassung öffnen ↗
Methodische Grenze des Vergleichs
Die Kategorien der beiden Auswertungen wurden unabhängig voneinander entwickelt und sind nicht vollständig deckungsgleich. „Coaching“ kann in der NBER-Systematik beispielsweise teilweise unter praktische Unterstützung fallen. Der Vergleich zeigt inhaltliche Ähnlichkeiten in der Grundstruktur und eine zahlenmäßige Nähe im kleinen Bereich persönlicher Reflexion.
Er zeigt, dass eine frühere modellgestützte Auswertung inhaltlich ähnliche Nutzungskategorien rekonstruieren konnte. Er validiert weder einzelne Buchdialoge noch Aussagen über die Gedanken konkreter Personen. Die spätere Studie bestätigt auch nicht jeden rekonstruierten Prompt oder jede Prozentangabe.
Anthropic Economic Index
Claude ist ein von Anthropic entwickeltes KI-Dialogsystem, ähnlich wie ChatGPT. Der Anthropic Economic Index wertet anonymisierte und aggregierte Gespräche mit Claude nach Aufgaben aus.
Im Snapshot Mai 2026 entfielen 0,18 Prozent der analysierten Claude-Nutzung auf Aufgaben, die der Kategorie „Geistliche und religiöse Amtsträger“ („Clergy“) zugeordnet wurden. Die Kategorie erreichte Rang 110 von 718 veröffentlichten Berufszuordnungen. Religiöse Bildungs- und Leitungsaufgaben lagen mit 0,76 Prozent auf Rang 32.
Erfasst wurden unter anderem religiöse Auslegung, Predigten, Lehrinhalte und seelsorgerische Beratung. Gemessen wird die Aufgabe im Gespräch, nicht der Beruf oder die Identität der schreibenden Person. Die Daten belegen daher weder eine Nutzung durch Geistliche selbst noch konkrete Schuld-, Scham- oder Beichtgespräche.
Die Methodik wurde mit dem ersten Bericht im Februar 2025 eingeführt: Damals wurden ungefähr eine Million Claude-Free- und Pro-Konversationen datenschutzwahrend automatisiert mit Aufgaben des beruflichen Klassifikationssystems O*NET verbunden. Der Index wird seither regelmäßig fortgeschrieben; der oben genannte Snapshot Mai 2026 beruht auf einer späteren, voraussichtlich deutlich größeren Auswertung.
Die Angabe kleiner Prozentwerte garantiert nicht die Genauigkeit jeder einzelnen Klassifikation. Die Auswertung dokumentiert aber religiöse und seelsorgerische Aufgaben als realen Nutzungskontext.
Herkunft: Anthropic Economic Index, Snapshot Mai 2026 · Veröffentlicht: 24. Juni 2026 · Abfrage: 27. Juli 2026
Anthropic Economic Index öffnen ↗
Reinforcement Learning from Human Feedback (RLHF)
RLHF ist ein wissenschaftlich dokumentiertes und in der Entwicklung moderner Sprachassistenten eingesetztes Verfahren des Post-Trainings. Menschliche Vergleiche und Bewertungen von Modellantworten werden zu einem Bewertungssignal verdichtet, mit dem ein Sprachmodell auf hilfreiche und erwünschte Antworten ausgerichtet wird. Die InstructGPT-Arbeit beschreibt die Kombination aus überwachten Beispielen, menschlichen Rangfolgen und anschließendem Reinforcement Learning; eine Anthropic-Arbeit untersucht RLHF zur Ausbildung hilfreicher und möglichst harmloser Assistenten.
Neben eigens erhobenen Rangfolgen können auch freiwillige Nutzersignale wie Daumen hoch oder Daumen runter in Bewertungs- und Trainingsdaten einfließen. Solche Signale verändern ein laufendes Modell nicht unmittelbar, können aber gesammelt, ausgewertet und für spätere Evaluationen und Trainingsschritte genutzt werden. Welche Verfahren ein konkretes aktuelles Modell im Detail nutzt, ist nicht immer öffentlich dokumentiert.
Belegt den methodischen Hintergrund der Methodenseite · Fundstelle im Buch: Kapitel 3 · Abrufstand: 29. Juli 2026
InstructGPT (arXiv) öffnen ↗ Anthropic: Helpful & Harmless (arXiv) öffnen ↗ OpenAI: Feedback- und Evaluationsdaten öffnen ↗