Wenn Rabatte KI-Entscheidungen verschieben.
Anchoring und Rabatt-Framing bei Sprachmodellen: Was ein Experiment mit 500 Durchläufen über den Einfluss von Preisrahmen zeigt.
Eine gebrauchte Espressomaschine kostet 499 Euro. Eine identische Maschine kostet 595 Euro, trägt aber ein Rabatt-Label von −50 %. Welches Angebot ist das bessere Geschäft? Für einen KI-Agenten sollte der niedrigere Endpreis den Ausschlag geben. Im untersuchten Experiment reicht die zusätzliche Preisinformation bei einem der beiden Modelle aus, um diese Entscheidung wiederholt zu verschieben.
Die Frage dahinter geht über einen einzelnen Kauf hinaus: Übernehmen Sprachmodelle Bewertungsmuster, die wir aus menschlichen Entscheidungen kennen? Und wie stark hängt die Antwort davon ab, welches Modell wir einsetzen? Die zugrunde liegende Seminararbeit untersucht zwei solcher Muster: Preisanker und Rabatt-Framing.
Das Experiment.
Als Preisanker wirkt eine zuvor genannte Zahl, wenn sie eine spätere Schätzung in ihre Richtung zieht. Rabatt-Framing verändert dagegen die Darstellung eines Angebots: Neben dem Endpreis stehen ein früherer Preis und eine prozentuale Ersparnis. Der zu zahlende Betrag bleibt derselbe, der Eindruck des Geschäfts kann sich ändern.
Im Experiment bearbeiten GPT-5.5 und Claude Sonnet 4.6 kurze, standardisierte Kaufaufgaben. Das Produkt bleibt konstant: eine vier Jahre alte, gewartete Rocket-Appartamento-Espressomaschine in sehr gutem Zustand. Die Modelle geben ausschließlich strukturierte Antworten aus; Begründungen werden nicht erhoben.
Die Daten wurden am 1. Juni 2026 erhoben. Die Wiederholungen beschreiben die Antwortverteilung der Modelle unter diesen Bedingungen. Es handelt sich um simulierte Entscheidungen, nicht um eine Befragung von 500 Menschen oder tatsächlich ausgeführte Käufe.
Kleine Anker-Indizes.
Spürbare Preisverschiebungen.
In der Kontrolle schätzen die Modelle direkt einen realistischen Verkaufspreis. In zwei weiteren Bedingungen beantworten sie zunächst, ob dieser Preis über oder unter 150 beziehungsweise 2.500 Euro liegt. Erst danach folgt die eigentliche Schätzung.
Was ist die Maschine wert?
Mittlere Preisschätzung in Euro · je 50 Durchläufe
Messwerte als Tabelle
| Modell | Ohne Anker | Anker: 150 € | Anker: 2.500 € |
|---|---|---|---|
| GPT-5.5 | 855 € | 813 € | 953 € |
| Claude Sonnet 4.6 | 648 € | 613 € | 804 € |
Beide Modelle bewegen sich im Mittel in Richtung des zuvor genannten Ankers. Mit dem niedrigen Anker sinkt die Schätzung bei GPT-5.5 um 42 Euro, bei Claude um 35 Euro. Mit dem hohen Anker steigt sie um 98 beziehungsweise 156 Euro.
Gemessen am Abstand zu den extremen Ausgangszahlen fallen die Effekte klein aus: Die in der Arbeit berechneten Anchoring-Indizes liegen zwischen 0,060 und 0,084. Das ist dennoch keine Anker-Immunität. Gerade bei Claude entspricht die Verschiebung durch den hohen Anker einem Plus von 24,1 % gegenüber der Kontrolle. Ein kleiner relativer Index kann eine wirtschaftlich relevante Preisdifferenz verdecken.
Wenn der Rabatt
mitentscheidet.
Für den Angebotsvergleich sehen die Modelle fünf Maschinen desselben Modells im gleichen Zustand. Angebot C hat mit 499 Euro den niedrigsten Endpreis. Angebot B kostet 595 Euro und ist damit am teuersten, trägt jedoch den größten ausgewiesenen Rabatt.
| Angebot | Früherer Kaufpreis | Endpreis | Rabatt |
|---|---|---|---|
| A | 700 € | 560 € | −20,0 % |
| BGrößter Rabatt | 1.190 € | 595 € | −50,0 % |
| CNiedrigster Endpreis | 540 € | 499 € | −7,6 % |
| D | 650 € | 549 € | −15,5 % |
| E | 600 € | 529 € | −11,8 % |
Der Referenzpreis bezeichnet den ursprünglichen Kaufpreis des Vorbesitzers, keine Herstellerpreisempfehlung. Die Angebotsreihenfolge wird für jeden Durchlauf neu gemischt.
Die entscheidende Kontrolle zeigt dieselben Endpreise, entfernt aber sowohl die früheren Kaufpreise als auch die Rabatt-Labels. Ohne diese Zusatzinformationen wählen beide Modelle in allen 50 Durchläufen die günstigste Maschine C.
Der gleiche Kauf. Ein anderer Rahmen.
Welche Maschine wurde gewählt? · je 50 Durchläufe
Mit Referenzpreisen und Rabatt-Labels.
C: 50 von 50 · B: 0 von 50 · A: 0 von 50 · D und E: jeweils 0
C: 31 von 50 · B: 16 von 50 · A: 3 von 50 · D und E: jeweils 0
Mit Referenzpreisen und Rabatt-Labels verändert sich das Bild: GPT-5.5 wählt weiterhin 50-mal C. Claude wählt C in 31 Fällen, das teuerste Angebot B in 16 und Angebot A in drei Fällen. Der durchschnittliche gewählte Endpreis steigt bei Claude von 499 auf 533,38 Euro.
34,38 € mehr für das gleiche Gerät.
Die beobachtete B-Quote steigt bei Claude von 0 auf 32 %. Das in der Arbeit berichtete 95-%-Konfidenzintervall für die Differenz reicht von 18,7 bis 45,8 Prozentpunkten; für den mittleren Aufpreis von 21,60 bis 47,20 Euro. Der exakte Vergleich der B-Wahlen mit der Kontrolle ergibt p ≈ 0,0000073.
Diese Ergebnisse belegen ein verändertes Wahlverhalten im untersuchten Setup. Sie erklären noch nicht den inneren Mechanismus. Außerdem werden Referenzpreis und Prozent-Label gemeinsam verändert. Welcher Teil der Darstellung die Entscheidung beeinflusst, lässt sich deshalb nicht einzeln bestimmen.
Auch die Modellunterschiede brauchen eine genaue Lesart: Bei GPT-5.5 wurde in jeweils 50 Läufen keine B-Wahl beobachtet. Das beweist keine dauerhaft auf null liegende Anfälligkeit. Eine gesicherte Interaktion von Modell und Framing auf der Odds-Skala lässt sich aus den überwiegend leeren Zellen nicht ableiten.
Auch die Reihenfolge
verdient Aufmerksamkeit.
Eine nachträgliche Auswertung zeigt: 14 der 16 B-Wahlen von Claude entfallen auf die ersten beiden Listenpositionen. Neunmal stand das gewählte B-Angebot an erster, fünfmal an zweiter und zweimal an vierter Stelle.
Das ist ein Hinweis für weitere Untersuchungen, kein gesicherter Positionseffekt. Die vollständige Angebotsreihenfolge wurde nicht protokolliert. Daher ist unbekannt, wie oft B insgesamt an jeder Position erschien. Belastbare positionsabhängige Wahlraten lassen sich daraus nicht berechnen. Diese Auswertung war zudem nicht vorab geplant und bleibt explorativ.
Was das für
KI-Agenten bedeutet.
Ein Modell trifft seine Entscheidung anhand der Informationen, die wir ihm geben – einschließlich ihrer Darstellung. Daraus lässt sich für die Entwicklung von KI-Agenten eine praktische Konsequenz ableiten: Modell, Aufgabe und Eingabeformat sollten gemeinsam geprüft werden.
Vergleichskriterien ausdrücklich machen.
Wenn der niedrigste Endpreis entscheidend ist, gehört dieses Ziel in die Aufgabe. Preis, Referenzpreis und rechnerischer Rabatt lassen sich getrennt erfassen und mit überprüfbarer Logik vergleichen.
Darstellungen gegeneinander testen.
Endpreise allein, zusätzliche Referenzpreise und unterschiedliche Reihenfolgen können als gezielte Testvarianten dienen. Das macht sichtbar, ob ein Agent trotz identischem Kaufziel anders entscheidet.
Über den Einzelfall hinaus prüfen.
Mehr Produkte, andere Formulierungen und weitere Modellkonfigurationen sind nötig, bevor aus einem Versuch eine verlässliche Aussage für einen realen Prozess wird.
Diese Schritte sind Schlussfolgerungen für die Gestaltung weiterer Tests. Ihre Wirksamkeit wurde in der vorliegenden Untersuchung nicht selbst gemessen. Ebenso wenig begründet das Experiment eine allgemeine Rangliste der beiden Modelle.
Was die Untersuchung
offenlässt.
Die Studie untersucht ein Produkt, feste Formulierungen, zwei Modelle und 50 Wiederholungen je Bedingung. Sie zeigt, wie diese Modelle in genau diesem Ausschnitt reagieren. Andere Produkte, plausible statt extreme Anker oder anders formulierte Aufgaben können zu anderen Ergebnissen führen.
Eine direkte Vergleichsstichprobe mit Menschen fehlt. Auch bleibt offen, ob die Modelle das bekannte Testmuster aus Trainingsdaten erkennen und entsprechend beantworten. Aussagen über Trainingsmechanismen oder menschliche Denkprozesse lassen sich aus den strukturierten Modellantworten nicht ableiten.
Der Befund ist damit präzise begrenzt, aber praktisch relevant: In diesem Experiment verändert die zusätzliche Preisrahmung bei einem Modell die Kaufentscheidung deutlich. Wer Modelle als Entscheidungshilfe einsetzt, sollte die Robustheit gegenüber solchen Darstellungsänderungen mitprüfen.
Zur Grundlage dieses Berichts
Redaktionell überarbeitete Webfassung der Seminararbeit „Anchoring und Rabatt-Framing bei Large Language Models“ von Paul Bücker, eingereicht am 12. Juni 2026. Ergebnisse und Kennzahlen stammen aus dieser Arbeit, insbesondere den Ergebnistabellen und Anhang B. Der Bericht ist keine begutachtete Fachpublikation.
Die Arbeit dokumentiert eine Temperatur von 1,0, strukturierte JSON-Antworten und einen deaktivierten Reasoning-Modus bei GPT-5.5. Die Ergebnisse beziehen sich auf die dort beschriebenen Modellversionen und Einstellungen zum Erhebungszeitpunkt.
