Sprachmodelle schreiben inzwischen Witze, generieren politische Memes und covern Comedy-Formate. Doch ihre Architektur steht der eigentlichen Funktion von Ironie strukturell entgegen: RLHF und Safety-Tuning trainieren Modelle darauf, Mehrdeutigkeit aufzulösen statt sie auszuhalten, Konflikte zu glätten statt sie zuzuspitzen, und niemanden zu kränken – während Ironie genau davon lebt, dass eine Aussage zwei Bedeutungen gleichzeitig trägt und eine davon wehtut. Hinzu kommt: Schmäh ist immer kontextgebunden, an Machtverhältnisse, Tonfall, Timing und ein gemeinsames kulturelles Wissen darüber, wer gerade über wen lachen darf. Das sind Dinge, die sich schwer in Trainingsdaten pressen lassen, weil sie sich ständig verschieben.

Diese Keynote geht der Frage technisch fundiert nach: Was genau in der Funktionsweise heutiger KI-Systeme – von Tokenisierung über Reward-Modelle bis zu Content-Policies – macht es so schwer, politisch scharfen Humor zu erzeugen? Und was passiert, wenn Plattformen und Politik zunehmend KI-generierte Inhalte nutzen, die genau diese Schärfe vermeiden – verändert sich dadurch leise, was wir als "normalen" politischen Diskurs empfinden?

Scheitert die KI an Schmäh?