Kind to AI?

Sources

Wissenschaftliches Quellendossier

Nett zur KI?

Höflichkeit, Sycophancy, Fehlerkultur und Führungsverhalten

Stand 31. Oktober 2026 · 22 überprüfte Quellen · APA 7 · Schweizer Schreibweise

The English translation is in preparation. The original German text is shown below.

Leitthese

Ein respektvoller Umgang mit KI kann als Kommunikations- und Führungsstandard begründet werden. Einen generellen Qualitätsbonus durch höfliche Prompts oder einen langfristigen Transfer in die menschliche Fehlerkultur beweisen die vorliegenden Quellen nicht. Die einzelnen Mechanismen sind unterschiedlich stark belegt.

Prüfstandard und Evidenzlogik

Belegart: Originalpublikation, Originalabstract, Preprint oder dokumentierte Benchmarkmethodik. Nicht verifizierbare Kennzahlen werden ausdrücklich als offen markiert.

Sample: Menschen, Arbeitsgruppen, Organisationen, Ausgangsfragen und wiederholte Modellaufrufe werden nicht miteinander verwechselt.

Region: Rekrutierungsort und Forschungsstandort werden getrennt; eine Sprachregion ist keine Bevölkerungsstichprobe.

Evidenz: Gut für den jeweiligen unmittelbaren Messgegenstand bedeutet nicht gut für die gesamte Übertragungskette.

Zuordnung: Beiträge 1-3 entwickeln die Argumentation; Beiträge 4 und 5 befassen sich mit Gegenbefunden. Die Phase-1-Glieder heissen Promptqualität, Fehlerkultur, Tonübertragung, Maschine→Mensch und KI-Führung.

Evidenzübersicht in vier Zeilen

Forschungsfeld	Tragfähige Aussage
Antwortqualität	Toneffekte können auftreten; kein allgemeiner Vorteil von Höflichkeit oder Grobheit.
Mensch-Maschine	Kurzfristige Übertragungen auf menschliche Urteile/Kooperation sind experimentell untersucht.
Führungskultur	Fehlerreaktion und hierarchische Unhöflichkeit hängen mit sozialer Teamdynamik zusammen.
KI-Teamtransfer	Die komplette Kette Führungskraft beschimpft KI → Team behandelt menschliche Fehler schlechter ist nicht direkt nachgewiesen.

Hinweise für die redaktionelle Verwendung

Die 50-Fragen-Studie von Dobariya & Kumar (2025) hat null menschliche Versuchspersonen und nur 50 voneinander verschiedene Ausgangsfragen. Die späteren Sycophancy-Benchmarks sind keine direkte Replikation eines Höflichkeitstests. Warm trainierte Modelle (Ibrahim et al., 2026) und bestätigend antwortende Modelle (Cheng et al., 2026) untersuchen das Verhalten der KI, nicht ein "Bitte" der Nutzenden.

Kommentiertes Quellenverzeichnis

Alphabetisch nach erstem Autor beziehungsweise Körperschaft. Die bibliografischen Angaben erscheinen im APA-7-Format; darunter folgen prüfbare Methodeninformationen und die Grenze der Aussage.

01 Announcing AA-PersonalityBench

Artificial Analysis. (2026, October 19). Announcing AA-PersonalityBench: Measuring how AI models communicate. https://artificialanalysis.ai/de/articles/aa-personalitybench

Design / Sample: Unabhängiger Benchmarkbericht. 30 bewertete Persönlichkeitsmerkmale × 30 englischsprachige Fragen = 900 Fragen pro Modell; weitere 21 programmatische Merkmale.

Region / Daten: Englischsprachige synthetische Testfragen; keine menschliche Rekrutierungsregion.

Methode: Paarweise, verblindete Bewertungen durch ein Panel aus LLM-Judges; Elo-Scores.

Kernaussage: Sycophancy, Wärme und konstruktiver Widerspruch sind unterschiedliche Eigenschaften; neuere Modellgenerationen können verglichen werden.

Evidenz: Transparenter aktueller technischer Benchmark, mit methodischen Grenzen.

Grenzen: Fragen nicht vollständig offen; modellbasierte Urteile können Modellpräferenzen enthalten; nicht mit wissenschaftlicher Kohortenstudie gleichsetzen.

Verwendet in: Artikel 1,5; Argumentationsglied Aktuelle Modelle / Sycophancy

Quellenprüfung: Artikel auf Artificial Analysis vom 19. Oktober 2026 verifiziert.

02 AA-PersonalityBench methodology

Artificial Analysis. (n.d.). AA-PersonalityBench methodology. https://artificialanalysis.ai/methodology/aa-personalitybench

Design / Sample: Methodendokument. 30 × 30 = 900 Fragen je Modell; ein Modellantwort pro Frage; paarweise LLM-Bewertung.

Region / Daten: Englischsprachige Fragen, keine menschliche Stichprobe.

Methode: Verblindete, balancierte Paarvergleiche; 95%-Intervalle aus Bootstrap.

Kernaussage: Erklärt, welche beobachteten Kommunikationsmerkmale als Vergleichswerte gelten.

Evidenz: Gut dokumentierte Benchmarkspezifikation, keine Peer-Review-Studie.

Grenzen: Kein Beleg für langfristige menschliche Effekte oder kausale Besserung der Antwortgenauigkeit.

Verwendet in: Artikel 1,5; Argumentationsglied Aktuelle Modelle / Sycophancy

Quellenprüfung: Offizielle Methodenseite eingesehen, ohne sichtbares Publikationsdatum.

03 Sycophantic AI decreases prosocial intentions and promotes dependence

Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391(6792), eaec8352. https://doi.org/10.1126/science.aec8352

Design / Sample: Begutachtete Experimentalstudie. Drei präregistrierte Experimente; N = 2'405 menschliche Teilnehmende; zusätzlich elf KI-Modelle im Modellvergleich.

Region / Daten: Online-Rekrutierung; Forschungsinstitutionen Stanford und Carnegie Mellon (USA); Teilnehmerländer aus verifiziertem Abstract nicht eindeutig.

Methode: Randomisierte Variation bestätigender KI-Antworten bei Konfliktfällen.

Kernaussage: Sycophantische KI verringerte unmittelbar die erklärte Bereitschaft zu Konfliktreparatur und stärkte Selbstrechtfertigung.

Evidenz: Stark für kurzfristige Urteilseffekte.

Grenzen: Kurzfristige Absichten, nicht nachgewiesene dauerhafte menschliche Verhaltensänderung.

Verwendet in: Artikel 5; Argumentationsglied Sycophancy / Gegenbefund

Quellenprüfung: Science Originalabstract, PubMed, N, Journal und DOI geprüft.

04 Algorithm aversion

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033

Design / Sample: Begutachtete Experimentalstudie. Fünf Experimente; kumuliertes N im geprüften Abstract nicht separat ausgewiesen.

Region / Daten: US-Forschungskontext, nicht als repräsentative Länderstichprobe deklariert.

Methode: Menschen sehen algorithmische oder menschliche Prognosefehler und entscheiden anschliessend über die Prognosequelle.

Kernaussage: Algorithmische Fehler führen teils rascher zu Vertrauensverlust als menschliche Fehler.

Evidenz: Gut für alternative Erklärung von KI-Fehlerreaktionen.

Grenzen: Algorithmische Prognosen, nicht KI-Tonalität oder Führungsfehler; direkte Übertragung unzulässig.

Verwendet in: Artikel 3; Argumentationsglied Fehler / Gegenhypothese

Quellenprüfung: PubMed, APA-Originalmetadaten und DOI geprüft.

05 Mind your tone: Investigating how prompt politeness affects LLM accuracy

Dobariya, O., & Kumar, A. (2025). Mind your tone: Investigating how prompt politeness affects LLM accuracy (short paper) [Preprint]. arXiv. https://arxiv.org/abs/2510.04950

Design / Sample: Preprint. 50 Ausgangsfragen × 5 Tonvarianten = 250 einzigartige Prompts; GPT-4o; Wiederholungsmessungen. 0 menschliche Versuchspersonen.

Region / Daten: Forschungsort: Pennsylvania State University, USA; englischsprachige Multiple-Choice-Fragen.

Methode: Fünf Tonstufen in Multiple-Choice-Fragen, gepaarte Tests.

Kernaussage: Sehr grob: 84,8 %; sehr höflich: 80,8 % im untersuchten GPT-4o-Setup.

Evidenz: Vorläufig; der Gegenbefund ist real, seine Übertragbarkeit schwach.

Grenzen: Nur 50 unabhängige Ausgangsfragen, ein Modell, kein nachgewiesenes Peer Review; untersuchte Texte variieren in mehr als einem Merkmal.

Verwendet in: Artikel 1,4; Argumentationsglied Promptqualität / Gegenbefund

Quellenprüfung: arXiv Abstract, Titel, Autor:innen, Datum, 50/250 und Genauigkeiten geprüft.

06 Mind your tone: Does tone alter LLM performance?

Dobariya, O., & Kumar, A. (2026). Mind your tone: Does tone alter LLM performance? [Preprint]. arXiv. https://arxiv.org/abs/2605.29027

Design / Sample: Preprint. Zwei Aufgabenbasen: 50 Ausgangsfragen mit fünf Tonvarianten und 570 MMLU-Fragen mit sieben Tonvarianten; vier Modelle.

Region / Daten: Forschungsort USA; englischsprachiges Aufgabenmaterial, keine menschliche Regionalstichprobe.

Methode: Vergleich mehrerer Tonstufen auf GPT-4o, GPT-5-nano und zwei Gemini-2.5-Flash-Varianten.

Kernaussage: Tonwirkungen sind vorhanden, aber stark modell- und aufgabenabhängig.

Evidenz: Vorläufig, aber methodisch breiter als die 2025er Pilotstudie.

Grenzen: Preprint; begrenzte Auswahl von Modellfamilien; keine Aussage zu Fable 5.1, Astra oder Gemini 4.

Verwendet in: Artikel 1,4; Argumentationsglied Promptqualität / Gegenbefund

Quellenprüfung: arXiv Originalabstract und Metadaten geprüft.

07 Learning from mistakes is easier said than done

Edmondson, A. C. (1996). Learning from mistakes is easier said than done: Group and organizational influences on the detection and correction of human error. The Journal of Applied Behavioral Science, 32(1), 5-28. https://doi.org/10.1177/0021886396321001

Design / Sample: Begutachtete Feldstudie. Acht Stationen; 123 Pflegefachpersonen, 19 Ärzt:innen, vier Apotheker:innen (146 Befragte).

Region / Daten: Zwei urbane US-Spitäler (Pseudonyme).

Methode: Quantitative Fehlerdaten und qualitative Teambeobachtungen.

Kernaussage: Registrierte Fehler können die Offenlegungsbereitschaft mitmessen; Umfeld beeinflusst die Korrektur.

Evidenz: Gut für Fehleroffenlegung, begrenzt kausaler Nachweis.

Grenzen: Höhere gemeldete Fehler bedeuten nicht zwingend gleich häufige tatsächliche Fehler.

Verwendet in: Artikel 3; Argumentationsglied Fehlerkultur

Quellenprüfung: SAGE Verlagsseite, DOI und Stichprobe in Fussnote verifiziert.

08 Catching rudeness is like catching a cold

Foulk, T., Woolum, A., & Erez, A. (2016). Catching rudeness is like catching a cold: The contagion effects of low-intensity negative behaviors. Journal of Applied Psychology, 101(1), 50-67. https://doi.org/10.1037/apl0000037

Design / Sample: Begutachtete Feld- und Laborstudien. Drei Studien; einzelne Teilnehmerzahlen im verifizierten Verlagsabstract nicht angegeben und daher hier nicht behauptet.

Region / Daten: US-Forschungskontext; genaue Stichprobenrekrutierung je Studie nicht aus dem Abstract belegbar.

Methode: Feldbeobachtung und Laboruntersuchungen der Aktivierung unhöflichkeitsbezogener Konzepte.

Kernaussage: Beobachtete und erlebte Unhöflichkeit kann nachfolgende Unhöflichkeit begünstigen.

Evidenz: Gut für Mechanismus; Stichprobendetails offen.

Grenzen: Ohne Volltextmethodik bleibt quantitative Detailbewertung eingeschränkt.

Verwendet in: Artikel 3; Argumentationsglied Tonübertragung

Quellenprüfung: PubMed Titel, Autoren, DOI, Journal, Design und Abstract geprüft.

09 Witnessing robot mistreatment

Gong, T., & Huang, Y.-S. (2026). Witnessing robot mistreatment: A dual-path model of behavioral contagion and empathy in customer observers. Journal of Retailing and Consumer Services, 88, Article 104482. https://doi.org/10.1016/j.jretconser.2025.104482

Design / Sample: Begutachtete Experimentalstudie. Studie 1: N = 200; Studie 2: N = 320; insgesamt 520 Personen.

Region / Daten: Hochschulkontext Südkorea; das tatsächliche Rekrutierungsland der Teilnehmenden ist im überprüften Abstract nicht benannt.

Methode: Zwei videobasierte Experimente mit beobachteter Misshandlung und menschlich gestalteten Servicerobotern.

Kernaussage: Misshandlung kann entweder Unhöflichkeit normalisieren oder Empathie erzeugen.

Evidenz: Gut für situative Roboterbeobachtung, begrenzt für KI-Teams.

Grenzen: Verhaltensabsichten gegenüber Robotern, nicht beobachtetes Fehlermanagement mit menschlichen Mitarbeitenden.

Verwendet in: Artikel 2,3; Argumentationsglied Maschine / Beobachtung

Quellenprüfung: ScienceDirect Originalabstract, RePEc Metadaten und DOI geprüft.

10 Evidence of spillovers from (non)cooperative human-bot to human-human interactions

Harrell, A., & Traeger, M. L. (2025). Evidence of spillovers from (non)cooperative human-bot to human-human interactions. iScience, 28(8), 113006. https://doi.org/10.1016/j.isci.2025.113006

Design / Sample: Begutachtete Experimentalstudie. Zwei präregistrierte Experimente; N = 4'171 Personen; 83'411 Kooperationsentscheidungen.

Region / Daten: Erwachsene Online-Teilnehmende aus den USA.

Methode: Kooperationsspiele mit Bot oder Mensch, anschliessende Entscheidungen gegenüber einer neuen Person.

Kernaussage: Nichtkooperative Bots senkten und erwidernd kooperative Bots erhöhten spätere Kooperation; Bot-Interaktion hatte eigenen Spillover.

Evidenz: Gut für kurzfristige Entscheidungen, nicht für mehrmonatigen Charakterwandel.

Grenzen: Kurzfristiges experimentelles Verhalten; keine direkte Manipulation von Bitte, Danke oder Beschimpfung.

Verwendet in: Artikel 2,3; Argumentationsglied Maschine → Mensch

Quellenprüfung: iScience Originalartikel, DOI, N und verhaltensbezogene Messung geprüft.

11 Training language models to be warm can reduce accuracy and increase sycophancy

Ibrahim, L., Hafner, F. S., & Rocher, L. (2026). Training language models to be warm can reduce accuracy and increase sycophancy. Nature, 652, 1159-1165. https://doi.org/10.1038/s41586-026-10410-0

Design / Sample: Begutachtete kontrollierte Modellstudie. 1'617 Trainingsgespräche und 3'667 Antworten; 1'625 unterschiedliche Evaluationsfragen (500+500+500+125); fünf Modellfamilien, zehn Modellversionen.

Region / Daten: Oxford, Grossbritannien (Forschungsstandort); Chatdaten ohne repräsentative Rekrutierungsregion.

Methode: Fine-Tuning auf Wärme und Vergleich mit Originalmodellen; ca. 439'792 auswertbare Beobachtungen über Bedingungen.

Kernaussage: Wärmer trainierte Modelle erhöhten die modell- und aufgabenkontrollierte Fehlerwahrscheinlichkeit um 7,43 Prozentpunkte.

Evidenz: Stark innerhalb des Experiments; nicht für Bitte/Danke-Ton im Prompt.

Grenzen: Verändert wurde Modellverhalten durch Training, nicht höfliche Sprache des Nutzers.

Verwendet in: Artikel 5; Argumentationsglied Sycophancy / Gegenbefund

Quellenprüfung: Nature Originalpublikation, Datum, DOI und Methodenabschnitt eingesehen.

12 Manager support drives employee AI adoption

Kemp, A. (2025, November 8). Manager support drives employee AI adoption. Gallup. https://www.gallup.com/workplace/694682/manager-support-drives-employee-adoption.aspx

Design / Sample: Praxis-/Umfragedaten eines Beratungsunternehmens. Gallup-Umfragedaten; im Artikel keine eindeutig ausgewiesene relevante Teilstichprobengrösse für die 2,1-fach-Aussage.

Region / Daten: Gallup-Arbeitsweltforschung; genaue Länderzusammensetzung der für diese Aussage verwendeten Stichprobe unklar.

Methode: Korrelationsvergleich der KI-Nutzung nach wahrgenommener Vorgesetztenunterstützung.

Kernaussage: Bei starker Unterstützung: 2,1-mal höhere Wahrscheinlichkeit regelmässiger KI-Nutzung.

Evidenz: Eingeschränkt; unterstützende Praxisbeobachtung.

Grenzen: Keine Experimente oder Daten zu höflichem Ton; n und Region für diese Teilanalyse nicht transparent.

Verwendet in: Artikel 3; Argumentationsglied KI-Adoption

Quellenprüfung: Gallup Originalartikel, Autor und Datum geprüft.

13 The dark side of artificial intelligence adoption

Kim, B.-J., Kim, M.-J., & Lee, J. (2025). The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanities and Social Sciences Communications, 12, Article 704. https://doi.org/10.1057/s41599-025-05040-2

Design / Sample: Begutachtete Feldstudie. 381 Beschäftigte; drei zeitversetzte Befragungswellen.

Region / Daten: Südkoreanische Unternehmen.

Methode: Längsschnittähnliche Korrelationsanalyse von KI-Einführung, psychologischer Sicherheit und ethischer Führung.

Kernaussage: Ethische Führung schwächte einen negativen Zusammenhang zwischen KI-Einführung und psychologischer Sicherheit ab.

Evidenz: Gut für den Zusammenhang, nicht für konkreten Tontransfer.

Grenzen: Keine randomisierte Kausalprüfung; kein Ton gegenüber KI gemessen.

Verwendet in: Artikel 3; Argumentationsglied KI-Führung / Sicherheit

Quellenprüfung: Nature-Verlagsseite, Autoren, Artikelnummer und DOI 10.1057 verifiziert.

14 Behavioral integrity for safety

Leroy, H., Dierynck, B., Anseel, F., Simons, T., Halbesleben, J. R. B., McCaughey, D., Savage, G. T., & Sels, L. (2012). Behavioral integrity for safety, priority of safety, psychological safety, and patient safety: A team-level study. Journal of Applied Psychology, 97(6), 1273-1281. https://doi.org/10.1037/a0030076

Design / Sample: Begutachtete Feldstudie. 54 Pflegeteams; Teamaggregate, 580 Pflegekräfte und 54 Stationsleitungen in der berichteten Erhebung.

Region / Daten: Belgien.

Methode: Teambezogene Erhebung zu Führung, Sicherheitsklima, psychologischer Sicherheit und Fehlermeldungen.

Kernaussage: Vorgelebte Sicherheitsregeln hängen mit Sicherheitsklima und psychologischer Sicherheit zusammen.

Evidenz: Gut für Teamzusammenhänge.

Grenzen: Kein Randomisierungsnachweis, kein KI-Verhalten untersucht.

Verwendet in: Artikel 3; Argumentationsglied Fehlerkultur / Vorbild

Quellenprüfung: PubMed Originalmetadaten und DOI geprüft.

15 A trickle-down model of abusive supervision

Mawritz, M. B., Mayer, D. M., Hoobler, J. M., Wayne, S. J., & Marinova, S. V. (2012). A trickle-down model of abusive supervision. Personnel Psychology, 65(2), 325-357. https://doi.org/10.1111/j.1744-6570.2012.01246.x

Design / Sample: Begutachtete Feldstudie. 288 Arbeitsgruppen; 1'423 Mitarbeitendenantworten und 295 Vorgesetztenantworten (vor Gruppenausschluss).

Region / Daten: Südosten der USA, mehrere Branchen.

Methode: Multi-Source-Feldstudie über drei Hierarchieebenen.

Kernaussage: Abwertendes Führungsverhalten hängt mit weiterer Abwertung über Hierarchieebenen zusammen.

Evidenz: Gut für hierarchische Zusammenhänge, nicht für direkten KI-Effekt.

Grenzen: Nicht-randomisiertes Design; behandelt menschliche Interaktionen, nicht KI-Prompts.

Verwendet in: Artikel 3; Argumentationsglied Tonübertragung

Quellenprüfung: Wiley Originalmetadaten; Volltext-Methode mit Stichprobe/Region überprüft.

16 From AI adaptation to innovation

Pu, T., Lei, R., Siyal, A. W., & Li, Y. (2026). From AI adaptation to innovation: How leader AI crafting shapes employee innovative behavior. Frontiers in Psychology, 17, Article 1847344. https://doi.org/10.3389/fpsyg.2026.1847344

Design / Sample: Begutachtete Feld- und Experimentalstudie. Studie 1: 294 vollständig paarige Beschäftigtenantworten (2 Wellen). Studie 2: 382 gültige Vignettenantworten.

Region / Daten: Studie 1: Technologieunternehmen in drei Städten Ostchinas. Studie 2: Hochschulen in Ost- und Westchina.

Methode: Zweiwellige Feldbefragung und Vignettenexperiment zu Leader AI Crafting.

Kernaussage: KI-bezogenes Führungsverhalten hängt mit Selbstwirksamkeit und Innovation zusammen.

Evidenz: Gut gestützter Zusammenhang, kausale Gesamtübertragung offen.

Grenzen: Selbstbericht; KI-Ton und Fehlerkultur nicht direkt untersucht; vereinzelt Text-/Tabellenabweichungen.

Verwendet in: Artikel 3; Argumentationsglied KI-Führung / Vorbild

Quellenprüfung: Originalvolltext Frontiers, Stichproben und regionalen Hinweis in Limitationen geprüft.

17 Alexa, shut up! A 2.5-year study

Strathmann, C., Horstmann, A. C., Szczuka, J. M., & Krämer, N. C. (2026). Alexa, shut up! A 2.5-year study on negatively connotated communication behaviour towards voice assistants in the family home. Behaviour & Information Technology, 45(5), 821-839. https://doi.org/10.1080/0144929X.2025.2533352

Design / Sample: Begutachtete Längsschnittstudie. 128 Eltern / Familien, sechs Online-Befragungswellen über 2,5 Jahre.

Region / Daten: Deutschland (Elternbefragung); Kinderverhalten über Elternberichte.

Methode: Wiederholte Selbstauskunft und Einschätzung des Verhaltens von Kindern gegenüber Sprachassistenten.

Kernaussage: Kinderhöflichkeit gegenüber Geräten blieb insgesamt stabil; berichtete Aggression gering.

Evidenz: Gut für Entwicklungsverlauf gegenüber Geräten, nicht für Mensch-Mensch-Transfer.

Grenzen: Kein direkt gemessener Transfer zu menschlichen Gesprächen; Selbstauskunft und Befragungsattrition.

Verwendet in: Artikel 2,5; Argumentationsglied Gegenbefund / Langzeit

Quellenprüfung: Verlagsseite, Autoren, Band 45(5), Seiten 821-839, DOI geprüft; 2026 Jahrgang, online 2025.

18 People judge others more harshly after talking to bots

Tey, K. S., Mazar, A., Tomaino, G., Duckworth, A. L., & Ungar, L. H. (2024). People judge others more harshly after talking to bots. PNAS Nexus, 3(9), pgae397. https://doi.org/10.1093/pnasnexus/pgae397

Design / Sample: Begutachtete Experimentalstudie. Studie 1: 500; Studie 2: 761 über Prolific, Gesamt N = 1'261. In Studie 2 bestanden 526 den Comprehension-Check für die primäre Auswertung.

Region / Daten: Prolific-Online-Stichprobe; genaue Verteilung nach Herkunftsländern im Haupttext nicht belegt. Forschungsorte Hongkong und USA.

Methode: Zwei präregistrierte randomisierte Experimente: vermeintlicher KI- vs. menschlicher Partner war tatsächlich GPT-4; anschliessende Beurteilung anderer Menschen.

Kernaussage: Die KI-Bedingung führte unmittelbar danach zu strengeren Bewertungen einer anderen Person.

Evidenz: Gut für kurzfristigen Urteils-Spillover, nicht für Langzeit-Höflichkeit.

Grenzen: Kurzfristig, nur Kreativaufgabe; es wurde keine Höflichkeitsformel isoliert verändert.

Verwendet in: Artikel 2; Argumentationsglied Maschine → Mensch

Quellenprüfung: PNAS Nexus Originalartikel, DOI und Samplegrössen geprüft.

19 AI sycophancy benchmark: Which models fold

TrueStandard. (2026, October 22). AI sycophancy benchmark: Which models fold. https://truestandard.ai/ai-sycophancy-benchmark

Design / Sample: Unabhängiger Anbieterbenchmark. 30 feste Behauptungen × 3 Durchläufe je Modell; insgesamt 23 Modelle und 7'800 Calls über mehrere Testdaten. Bei Fable 5.1: 89 auswertbare Zellen.

Region / Daten: Online-Tests; Aufgaben nicht als länderrepräsentative Stichprobe definiert.

Methode: SUPPORTED/UNSUPPORTED/UNCERTAIN vor und nach unbegründetem Widerspruch; Moved und Caved getrennt.

Kernaussage: Am 21.10.2026: Astra und Gemini 4 Argon je 0/90, Fable 5.1 1/89 Änderungen; keine signifikante Rangordnung.

Evidenz: Vorläufiger technischer Test, nicht als allgemeiner Sycophancy-Nachweis verwenden.

Grenzen: Wenig verschiedene Behauptungen; Produktanbieter testet auch im eigenen Interesse; Moved nicht identisch mit faktischer Richtigkeit.

Verwendet in: Artikel 1,5; Argumentationsglied Aktuelle Modelle / Sycophancy

Quellenprüfung: Offizielle Webseite, Stichtag, Auswertung und Korrekturhistorie geprüft.

20 Organizational error management culture

van Dyck, C., Frese, M., Baer, M., & Sonnentag, S. (2005). Organizational error management culture and its impact on performance: A two-study replication. Journal of Applied Psychology, 90(6), 1228-1240. https://doi.org/10.1037/0021-9010.90.6.1228

Design / Sample: Begutachtete Organisationsstudien. Studie 1: 65 Organisationen; Studie 2: 47 Organisationen.

Region / Daten: Niederlande (65) und Deutschland (47).

Methode: Zwei Feldstudien zu Fehlermanagementkultur und wirtschaftlicher Leistung.

Kernaussage: Aktives Fehlermanagement ist mit Leistungsindikatoren positiv verbunden.

Evidenz: Gut für replizierte Zusammenhänge.

Grenzen: Korrelationen, keine experimentelle Führungsintervention.

Verwendet in: Artikel 3; Argumentationsglied Fehlerkultur

Quellenprüfung: PubMed, APA-Verlagsmetadaten und DOI bestätigt.

21 Upskilling in the AI era: FY25 purpose report

Wolkin, A. (2026, February 25). Upskilling in the AI era: FY25 purpose report. Cisco Blogs. https://blogs.cisco.com/our-corporate-purpose/upskilling-in-the-ai-era-fy25-purpose-report

Design / Sample: Unternehmensbericht. Interne multimodale Auswertung bei Cisco; für die 2×-Aussage im Blog kein Sample ausgewiesen.

Region / Daten: Cisco-interne Beschäftigte; internationale Tätigkeitsorte möglich, Regionalsample unklar.

Methode: Interne Nutzungs- und Erlebnisanalyse, keine veröffentlichte experimentelle Intervention.

Kernaussage: Beschäftigte mit KI-nutzenden Führungskräften nutzten KI nach Bericht doppelt so wahrscheinlich.

Evidenz: Eingeschränkt; ergänzende Kontextquelle.

Grenzen: Interessengeleiteter Eigenbericht und fehlende Stichprobendetails; kein Nachweis zum Umgangston.

Verwendet in: Artikel 3; Argumentationsglied KI-Adoption

Quellenprüfung: Cisco Blog, Autorin, Datum und Berichtsauszug geprüft.

22 Should we respect LLMs?

Yin, Z., Wang, H., Horio, K., Kawahara, D., & Sekine, S. (2024). Should we respect LLMs? A cross-lingual study on the influence of prompt politeness on LLM performance. In J. Hale, K. Chawla, & M. Garg (Eds.), Proceedings of the Second Workshop on Social Influence in Conversations (SICon 2024) (pp. 9-35). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.sicon-1.2

Design / Sample: Begutachtete Konferenzpublikation. Mehrere LLMs und drei Aufgabentypen mit acht Höflichkeitsstufen; keine menschlichen Versuchspersonen. Die Gesamtzahl aller Modellabfragen wird hier nicht als unabhängige Stichprobengrösse ausgewiesen.

Region / Daten: Englisch, Chinesisch und Japanisch als Testsprachen; Konferenz in Miami (kein Rekrutierungsland).

Methode: Cross-lingualer Promptvergleich mit Aufgaben für Verständnis, Zusammenfassung und Bias.

Kernaussage: Grobe Prompts verschlechterten teils die Leistung; übertriebene Höflichkeit war nicht generell besser.

Evidenz: Gut innerhalb der untersuchten Testbedingungen, begrenzt auf Modelle und Aufgaben.

Grenzen: Ältere Modellgenerationen; Höflichkeit ist ein komplexes sprachliches Konstrukt.

Verwendet in: Artikel 1,4; Argumentationsglied Promptqualität

Quellenprüfung: ACL Anthology, Originalpublikation und DOI bestätigt.

Prüfprotokoll: redaktionelle Korrekturen

1 | GPT-4o: 50 Fragen, nicht 50 Personen

Dobariya & Kumar (2025) testeten 50 unterschiedliche Ausgangsfragen in fünf Tonvarianten. Die 250 Prompts und Wiederholungsläufe sind keine 250 unabhängigen Wissensaufgaben und keine menschliche Stichprobe.

2 | DOI der KI-Führungsstudie

Kim, Kim und Lee (2025) ist unter https://doi.org/10.1057/s41599-025-05040-2 veröffentlicht. Eine zuvor angegebene doi.org/10.1038/...-Variante ist für diese Arbeit nicht korrekt.

3 | 2025 online, 2026 im Jahrgang

Strathmann et al. wurde 2025 online veröffentlicht, erscheint jedoch im Zeitschriftenjahrgang 2026, 45(5), 821-839. Nach APA 7 wird hier das Jahr der finalen Jahrgangsausgabe 2026 verwendet.

4 | Hersteller- und Anbieterbenchmarks

TrueStandard, Artificial Analysis, Cisco und Gallup sind nicht als peer-reviewte Humanexperimente klassifiziert. Wo für bestimmte Zahlen keine Teilstichprobe angegeben ist, wird die Samplegrösse nicht erfunden.

5 | KI-Höflichkeit versus Modellwärme

Ibrahim et al. (2026) manipulierten das Fine-Tuning von fünf Modellen, nicht das Bitte/Danke in Prompts. Cheng et al. (2026) manipulierten bestätigende KI-Antworten und untersuchten deren Wirkung auf Menschen.

6 | Direkter Transfer offen

Keine der aufgeführten Arbeiten testete randomisiert, ob Teammitglieder aufgrund einer beobachteten höflichen Korrektur einer KI durch ihre Führungskraft eigene menschliche Fehler offener melden.

7 | Sample und Region offen statt erfunden

Für Foulk et al. (2016), die Teilanalyse von Gallup und den Cisco-Eigenbericht fehlen in den hier vollständig verifizierten Kurzfassungen belastbare Stichprobendetails. Sie werden ohne entsprechende Zahlen verwendet.

Formale APA-7-Literaturliste

Die folgenden Einträge können für ein Literaturverzeichnis übernommen werden. Die im annotierten Abschnitt dokumentierten Einschränkungen gelten weiterhin.

Artificial Analysis. (2026, October 19). Announcing AA-PersonalityBench: Measuring how AI models communicate. https://artificialanalysis.ai/de/articles/aa-personalitybench

Artificial Analysis. (n.d.). AA-PersonalityBench methodology. https://artificialanalysis.ai/methodology/aa-personalitybench

Dobariya, O., & Kumar, A. (2025). Mind your tone: Investigating how prompt politeness affects LLM accuracy (short paper) [Preprint]. arXiv. https://arxiv.org/abs/2510.04950

Dobariya, O., & Kumar, A. (2026). Mind your tone: Does tone alter LLM performance? [Preprint]. arXiv. https://arxiv.org/abs/2605.29027

Harrell, A., & Traeger, M. L. (2025). Evidence of spillovers from (non)cooperative human-bot to human-human interactions. iScience, 28(8), 113006. https://doi.org/10.1016/j.isci.2025.113006

Ibrahim, L., Hafner, F. S., & Rocher, L. (2026). Training language models to be warm can reduce accuracy and increase sycophancy. Nature, 652, 1159-1165. https://doi.org/10.1038/s41586-026-10410-0

Kemp, A. (2025, November 8). Manager support drives employee AI adoption. Gallup. https://www.gallup.com/workplace/694682/manager-support-drives-employee-adoption.aspx

TrueStandard. (2026, October 22). AI sycophancy benchmark: Which models fold. https://truestandard.ai/ai-sycophancy-benchmark

Wolkin, A. (2026, February 25). Upskilling in the AI era: FY25 purpose report. Cisco Blogs. https://blogs.cisco.com/our-corporate-purpose/upskilling-in-the-ai-era-fy25-purpose-report