Die Formel »nicht X, sondern Y« ist kein KI-Tick. Sie ist eine semantische Optimierung.
Ja, der Titel dieses Artikels ist selbst ein »nicht X, sondern Y«. Die Wahl ist bewusst. Lesen Sie ihn bis zum Ende, bevor Sie »Tick« rufen.
Seit zwei Jahren setzt sich in LinkedIn-Kommentaren, in Schreibwerkstätten und in Markenredaktionen ein Spott fest: Von KI erzeugte Texte erkenne man am Muster »es ist nicht X, sondern Y« oder, in seiner dichteren Variante, »nicht X, nicht Y, sondern Z«. Es sei zum verräterischen Merkmal des algorithmischen Ghostwriters geworden, das Pendant zum »als Experte« der LinkedIn-Seiten von 2018, nur eben für 2025.
Das Urteil ist bequem. Es ist auch unvollständig.
Diese Formel existierte vor der KI. Sie trägt einen Namen in der klassischen Rhetorik. Ihr Aufstieg in der amerikanischen Managementliteratur liegt mehrere Jahrzehnte vor den LLMs. Und wenn man unter die Oberfläche taucht, entdeckt man einen strukturellen Grund für ihre algorithmische Verstärkung: Die Negation ist kognitiv wirksamer als die Behauptung, wenn es darum geht, das Feld der Möglichkeiten einzugrenzen — genau das, was ein Leser zu tun versucht, wenn man ihm eine These vorlegt.
Es ist also kein Tick. Es ist eine semantische Optimierung. Und wie jede Optimierung hat sie einen Preis: die Sättigung.
Die allzu bequeme Diagnose
Bevor wir die Formel verteidigen, gestehen wir das Wahre daran zu. Viele von KI erzeugte Texte sättigen das Muster tatsächlich. Drei, vier, fünf Vorkommen in ein und demselben Post. Der Leser steigt aus. Die Struktur wird mechanisch. Der Ton verliert seine Variation. Was das reine Endprodukt angeht, ist die Kritik begründet: Die KI übertreibt.
Aber »eine Form übermäßig verwenden« heißt nicht »eine fehlerhafte Form verwenden«. Ein Koch, der zu viel salzt, beweist nicht, dass Salz schlecht ist. Er beweist, dass er die Menge nicht dosiert hat.
Das Problem ist die Dosierung. Die Diagnose müsste lauten: Die KI wendet eine kraftvolle Figur an, ohne ihre Intensität auf den Kontext des menschlichen Lesers abzustimmen. Die kursierende Diagnose ist ärmer: Die KI erfindet ein künstliches Muster, das ihre Natur verrät. Die zweite ist falsch. Die erste ist interessant.
Teil 1 — Eine rhetorische Figur, die seit Aristoteles einen Namen trägt
Das Muster »nicht X, sondern Y« ist nicht mit GPT-3 geboren. Es heißt correctio auf Latein oder Epanorthose auf Griechisch — wörtlich »Berichtigung«. Quintilian behandelt es in der Institutio Oratoria (Buch IX, Kapitel 3), im ersten Jahrhundert unserer Zeitrechnung, als eine der nützlichsten Berichtigungsfiguren der argumentativen Rede. Heinrich Lausberg widmet ihr in seinem Handbook of Literary Rhetoric — englische Übersetzung (Brill, 1998) seines Handbuchs von 1960 — die Abschnitte §784 bis §786 unter den großen Gedankenfiguren der abendländischen Tradition.
[GEPRÜFT] Correctio = rhetorische Figur, die darin besteht, einen Begriff zu verwerfen, um ihn durch einen als treffender erachteten zu ersetzen. Quellen: Quintilian Institutio Oratoria IX.3 ; Lausberg §§784-786 ; Eintrag »correctio« von Silva Rhetoricae (rhetoric.byu.edu), dem Standardwerk im Netz zur klassischen Rhetorik.
Die correctio unterscheidet sich von drei verwandten Figuren, mit denen man sie oft verwechselt:
- Die Antithese stellt lediglich zwei Begriffe gegenüber, ohne den ersten zu verwerfen (das Leben ist kurz, die Kunst ist lang).
- Die Antimetabole kehrt die Reihenfolge der Worte um (frage nicht, was dein Land für dich tun kann, frage, was du für dein Land tun kannst).
- Die Epanalepse wiederholt ein und dasselbe Wort am Anfang und am Ende des Satzes.
Die correctio hingegen vollzieht eine präzise Bewegung: Sie setzt einen erwarteten Begriff, verwirft ihn und installiert dann einen treffenderen. Es ist ein argumentativer Umschwung. Eine Kehrtwende um 180 Grad im Kleinen. Die Mechanik ist alt, stabil, erforscht.
Es ist keine Neuheit. Es ist eine Wiederkehr.
Teil 2 — Der Aufstieg vor der KI: das amerikanische Business-Korpus
Das Muster wurde lange vor der Demokratisierung der LLMs massiv in der amerikanischen Managementliteratur präsent. Simon Sinek verwendet es in Start With Why (Portfolio, 2009) als zentrales Gerüst seines Buches und seines TED Talks How Great Leaders Inspire Action (2009, rund 65 Millionen Aufrufe). Die These des Buches ist ganz um eine Kaskade von Correctio gebaut: people don't buy what you do, they buy why you do it.
[BEHAUPTUNG — durch N-Gramm-Studie zu prüfen] Der Aufstieg des Musters im amerikanischen Business-Korpus zwischen 1980 und 2020 verdiente eine eigene linguistische Analyse. Zwei methodische Ansätze:
- Google Books Ngram Viewer für die Wendungen
"it's not about X, it's about"und Varianten, auf dem Korpus English 2019. - Korpusanalyse anhand der meistverkauften Managementbücher der Periode: Drucker The Effective Executive (1967), Collins Good to Great (2001), Goleman Emotional Intelligence (1995), Sinek Start With Why (2009), Duhigg The Power of Habit (2012).
Was sich ohne dedizierte quantitative Studie behaupten lässt, ist, dass die correctio in der modernen rhetorischen Literatur als bevorzugte kognitive Figur dokumentiert ist. Max Atkinson zeigt in Lend Me Your Ears (Oxford University Press, 2004) anhand eines Fernsehkorpus, dass das contrast pair einer der drei zuverlässigsten Beifallsauslöser in britischen und amerikanischen politischen Reden ist. Jay Heinrichs behandelt in Thank You for Arguing (Crown, 2007, Neuauflage 2020) die correctio ausdrücklich als modernes Werkzeug der Unternehmenskommunikation.
Die Formel wurde nicht von der KI erfunden. Sie wurde von ihr verschlungen.
Teil 3 — Warum die KI diese Figur verstärkt
Zwei Mechanismen überlagern sich.
(a) Das Training auf dem Korpus
Die großen Sprachmodelle werden auf Milliarden von Tokens aus dem Web, aus digitalisierten Büchern, aus Presseartikeln und aus Unternehmensinhalten trainiert. Das amerikanische Korpus von Management und Thought Leadership ist darin massiv vertreten. Wenn die correctio darin eine häufige Figur ist — was die Analyse von Sinek und Atkinson nahelegt —, dann wird ein LLM sie in seinen Ausgaben naturgemäß reproduzieren. Es ist ein Spiegeleffekt seiner Nahrung.
(b) Das Alignment durch RLHF verstärkt die Präferenz für diskriminierende Formen
Ouyang et al. (2022) zeigen in der grundlegenden Arbeit zu InstructGPT [Training language models to follow instructions with human feedback, arXiv:2203.02155], dass das Alignment durch menschliche Präferenzen (RLHF) die Modelle zu strukturierten, expliziten, diskriminierenden Produktionen drängt. Die menschlichen Annotatoren bevorzugen, bei gleichem Inhalt, die Formulierungen, die eine klare Schneide haben — jene, die deutlich sagen, was eine These nicht ist, bevor sie sagen, was sie ist. Das RLHF baut diese Präferenz in das Modell ein.
Liang et al. (2024) gehen in Monitoring AI-Modified Content at Scale (arXiv:2403.07183, Stanford) weiter. Ihre Studie erkennt die stilistische GPT-Signatur in einer riesigen Menge akademischer Reviews, die bei ICLR und NeurIPS eingereicht wurden. Unter den stabilen Markern: die Überrepräsentation von Wendungen vom Typ correctio und strukturierter Antithese.
Die KI reproduziert also nicht bloß. Sie verstärkt, weil das menschliche Alignment sie zu den Formen drängt, die die größte gemessene Überzeugungskraft haben — und die correctio gehört dazu.
Teil 4 — Die Negation grenzt das Feld schneller ein als die Behauptung
Es gibt einen dritten, tiefer liegenden Grund, weshalb die KI (und der Mensch) im argumentativen Kontext die correctio bevorzugen: Die Negation ist ein mächtigerer kognitiver Operator als die Behauptung, wenn es darum geht, ein Feld von Möglichkeiten einzugrenzen.
Nehmen wir ein konkretes Beispiel. Wenn ich Ihnen sage:
Das Executive Summary ist ein Wertversprechen.
Sie verstehen die Behauptung, aber Ihr mentaler Raum bleibt weit. Was ist ein Wertversprechen? Wozu steht es im Gegensatz? Der Begriff schwebt.
Wenn ich Ihnen nun sage:
Das Executive Summary ist keine Zusammenfassung. Es ist ein Wertversprechen.
Geschieht etwas anderes. Die Negation schließt sofort die wahrscheinlichste Deutung aus (»Zusammenfassung« ist die Standardlesart des Wortes »summary«). Der mentale Raum grenzt sich schlagartig ein. Dann füllt die zweite Aussage den freigeräumten Raum mit Präzision.
Genau das beschreibt Laurence R. Horn in A Natural History of Negation (University of Chicago Press, 1989, Neuauflage CSLI 2001), dem Standardwerk zur Pragmatik der Negation: Die markierte Negation trägt eine asymmetrische semantische Information — sie sagt nicht nur, dass X falsch ist, sie signalisiert, dass X die saliente Erwartung war und dass diese zu berichtigen ist.
Herbert Clark hat in Linguistic Processes in Deductive Reasoning (Psychological Review, 1969) gezeigt, dass die Verarbeitung einer Negation kognitiv teurer ist als die einer gleichwertigen Behauptung — dass aber die von ihr erzeugte Unterscheidung stärker ausfällt. Der Leser zahlt etwas mehr Kognition, um sehr viel mehr Präzision zu gewinnen.
Grice liefert in Logic and Conversation (1975) die theoretische Grundlage: Die durch die correctio aktivierte skalare Implikatur signalisiert dem Leser, dass der Autor über den Kontrast nachgedacht, die saliente Lesart verworfen und sich auf eine präzise Formulierung festgelegt hat. Es ist ein Signal argumentativer Strenge, kein Tick.
Die correctio spart dem Leser nichts. Sie verschafft ihm an Präzision, was sie ihn an Anstrengung kostet.
Teil 5 — Es ist also kein Tick, es ist eine semantische Optimierung
Setzen wir die Teile zusammen.
Wir haben eine klassische rhetorische Figur, seit Quintilian erforscht, in den Abhandlungen der abendländischen Rhetorik dokumentiert. Wir haben einen Aufstieg in der amerikanischen Managementliteratur der Jahre 1980–2020 — vor ChatGPT. Wir haben einen RLHF-Alignment-Mechanismus, der die LLMs zu ihrem Gebrauch drängt, weil die Menschen sie bevorzugen. Wir haben eine kognitive Grundlage, die erklärt, warum die Negation das Feld der Möglichkeiten schneller eingrenzt als eine bloße Behauptung.
Die Schlussfolgerung ist nahezu unausweichlich: Die Formel »nicht X, sondern Y« ist kein zufälliger Fehler der KI. Sie ist eine semantische Optimierung, aus einer langen rhetorischen Tradition hervorgegangen, durch das menschliche Alignment verstärkt und strukturell wirksamer als eine schlichte Behauptung, um eine These zu unterscheiden.
Der gängige Spott (»das ist ein KI-Tick«) stellt eine falsche Diagnose. Das Muster signalisiert keine Maschine. Es signalisiert eine kraftvolle kognitive Form. Seine Allgegenwart in den KI-Ausgaben offenbart keinen Bug — sie offenbart die Bedeutung, die es im argumentativen Schreiben seit jeher hatte und die eine Generation von Lesern zur selben Zeit entdeckte, als sie die KI entdeckte.
Stehen wir zur Formulierung: Was wir »KI-Tick« nennen, ist in Wirklichkeit eine klassische Figur, deren Sichtbarkeit die KI beschleunigt hat.
Teil 6 — Die redaktionelle Herausforderung: erkennen, schätzen, beherrschen
Den Wert einer Figur zu erkennen, berechtigt nicht dazu, sie zu sättigen. Ein guter Schriftsteller dosiert. Ein nicht kalibrierter KI-Schreiber sättigt. Das ist der Unterschied zwischen einem Gewürz und einem Übermaß an Würze, zwischen einer Musik und einem Lärm.
Für einen Menschen, der schreibt — mit oder ohne KI-Unterstützung —, lässt sich die Gebrauchsregel der correctio auf drei Punkte verdichten.
Eins. Die correctio dann verwenden, wenn die saliente Standardlesart ausdrücklich verworfen werden muss. Wird der Leser beim Wort »executive summary« standardmäßig »Zusammenfassung« lesen, muss man ihn berichtigen, bevor man aufbaut. Stört keine Standardlesart, ist die Figur ein Kostenfaktor ohne Nutzen.
Zwei. Auf ein Vorkommen pro argumentativer Einheit beschränken (Absatz, Abschnitt, Post). Zwei oder drei Vorkommen in ein und demselben kurzen Text signalisieren, dass der Autor — oder seine KI — die Figur reflexhaft anwendet, ohne strukturellen Grund. Die syntaktische Variation ist es, was die von einem aufmerksamen Menschen geschriebene Prosa von einer am Fließband generierten Token-Produktion unterscheidet.
Drei. Zur Figur stehen, wenn sie treffend ist, selbst wenn sie nach KI klingt. Ein gutes Argument wird nicht schlecht, weil es einer KI ähnelt. Ein wirksamer Titel wird nicht zweifelhaft, weil er eine correctio verwendet. Die Figur aus Angst vor dem algorithmischen Stigma abzulehnen, ist eine Form der Überkorrektur, die die Präzision der Botschaft der Kosmetik des Stils opfert.
Das wahre Kriterium ist nicht klingt das nach KI — es ist unterscheidet diese Figur hier besser als eine schlichte Behauptung. Wenn ja, behält man sie. Wenn nein, streicht man sie. Der professionelle Leser ist, entgegen der verbreiteten Annahme, nicht empfindlicher für die Form als für den Inhalt. Er ist für beide gekoppelt empfindlich: Eine schwerfällige Form verrät ein weiches Denken, eine elegante Form verrät ein klares Denken.
Für den geübten Leser ist die Form der Inhalt in Bewegung.
Schlussfolgerung
Die Formel »nicht X, sondern Y« ist ein Indikator. Sie stellt zwei rhetorische Kulturen einander gegenüber: die der Praktiker, die sie seit zwei Jahrtausenden als kraftvolle kognitive Figur sehen, und die eines Teils des heutigen Publikums, der sie als KI-Signatur wahrnimmt, weil er sie über ChatGPT wiederentdeckt hat.
Beide haben halb recht. Die Figur ist alt. Ihre Verstärkung ist jung. Ihre Wirksamkeit ist strukturell. Ihre Sättigung ist ein Dosierungsfehler. Es geht also weder darum, sie zu verbieten, noch sie aufzuzwingen. Es geht darum, sie zu beherrschen.
Für die Praktiker der Angebotsvorbereitung, des Bid Managements, des Consultings — all jener Berufe, in denen man einen Bewerter mit wenigen Worten überzeugen muss — bleibt die correctio ein erstrangiges Werkzeug. Vorausgesetzt, man setzt sie dort ein, wo der Leser eine implizite Erwartung zu berichtigen hat. Und nimmt sie überall sonst heraus.
Es ist kein Tick. Es ist eine semantische Optimierung. Aber eine Optimierung ohne Grenze wird zu einem Zwang. Und ein nicht beherrschter Zwang wird zu einem Tick.
Hier, und nirgendwo sonst, entscheidet sich der Unterschied zwischen einer KI, die unterstützt, und einer KI, die erstickt: in der Fähigkeit des Menschen, die Kontrolle über die Formen zurückzugewinnen, die sie in Salven produziert.
Ein kommender Artikel wird ausführlich auf die technischere Frage zurückkommen: warum die Negation für ein LLM rechnerisch wirksamer ist als die gleichwertige Behauptung, und was dies für die Konzeption eines expliziten kognitiven Systems bedeutet.
Hauptquellen
- Quintilian, Institutio Oratoria, Buch IX, Kapitel 3 (klassische Behandlung der correctio).
- Heinrich Lausberg, Handbook of Literary Rhetoric, Brill, 1998 (engl. Übers.), §§784-786.
- Silva Rhetoricae (rhetoric.byu.edu), Eintrag »correctio«.
- Simon Sinek, Start With Why, Portfolio, 2009 + TED Talk How Great Leaders Inspire Action, 2009.
- Max Atkinson, Lend Me Your Ears: All You Need to Know About Making Speeches and Presentations, Oxford University Press, 2004.
- Jay Heinrichs, Thank You for Arguing, Crown, 2007 (Neuauflage 2020).
- Ouyang et al., Training language models to follow instructions with human feedback, arXiv:2203.02155, 2022 (InstructGPT / RLHF).
- Liang et al., Monitoring AI-Modified Content at Scale, arXiv:2403.07183, Stanford, 2024.
- Laurence R. Horn, A Natural History of Negation, University of Chicago Press, 1989, Neuauflage CSLI 2001.
- Herbert H. Clark, Linguistic Processes in Deductive Reasoning, Psychological Review, 1969.
- H. P. Grice, Logic and Conversation, 1975 (skalare Implikatur).