Moderne künstliche Intelligenz kann so einfühlsam antworten, dass manchmal der Eindruck echten Verständnisses entsteht. Sie wählt behutsame Worte, erkennt unsere Gefühle an und hält das Gespräch aufrecht. Aber kann sie nicht nur über Emotionen sprechen, sondern sie tatsächlich an Stimme und Bewegungen erkennen?
Am 3. September 2026 wurden in Scientific Reports die Ergebnisse einer Studie von David Piterman und seinen Kollegen veröffentlicht, die untersuchte, wie gut generative KI nonverbale Ausdrucksformen von Emotionen erkennen kann. Die Forschenden testeten drei multimodale Modelle aus der Gemini-Familie und verglichen ihre Genauigkeit mit den Ergebnissen von Menschen, die ähnliche Aufgaben bearbeiteten.
Die Modelle sollten Emotionen anhand kurzer Videoaufnahmen von Körperbewegungen ohne sichtbares Gesicht sowie anhand bedeutungsloser Sätze mit unterschiedlicher Intonation bestimmen. So konnten die Forschenden getrennt prüfen, wie gut KI Körpersprache und die emotionale Färbung der Stimme versteht, ohne sich auf Wortbedeutung oder Gesichtsausdruck zu stützen.
Dabei zeigte sich, dass moderne Systeme in einigen Aufgaben bereits nahe an menschliche Leistungen herankommen, Emotionen jedoch sehr ungleichmäßig erkennen. Positive Zustände bestimmen sie besser als negative — und gerade dort, wo es besonders wichtig wäre, Angst, Schmerz oder Traurigkeit wahrzunehmen, treten häufiger Fehler auf.
Emotionen ohne Worte und Gesichtsausdruck
Die Forschenden testeten drei multimodale Modelle aus der Gemini-Familie — Systeme, die nicht nur Text, sondern auch Ton und Video analysieren können.
Sie sollten Emotionen anhand von zwei Arten von Material bestimmen. Im einen Fall handelte es sich um kurze Videos professioneller Schauspieler, bei denen die Gesichter nicht zu sehen waren: Die Stimmung wurde ausschließlich durch Haltung und Körperbewegungen vermittelt. Im anderen Fall waren es bedeutungslose Sätze, die mit unterschiedlicher Intonation gesprochen wurden. Die Bedeutung der Wörter konnte also keinen Hinweis liefern; übrig blieben nur Klangfarbe, Tonhöhe, Rhythmus und andere Merkmale der Sprache.
Die Modelle wählten jeweils eine von sechs vorgegebenen Möglichkeiten. Ihre Ergebnisse wurden mit den Antworten von Teilnehmenden früherer Studien verglichen, in denen dieselben Materialien verwendet worden waren.
Bei der Erkennung von Emotionen anhand von Körperbewegungen schnitten Menschen besser ab als alle drei Systeme. Das leistungsfähigste getestete Modell kam dem menschlichen Ergebnis recht nahe, der Unterschied blieb jedoch bestehen.
Bei der Stimme zeigte sich ein anderes Bild: Zwei neuere Modelle erreichten ungefähr dieselbe Genauigkeit wie Menschen. Das bedeutet allerdings nicht, dass sie Intonation fehlerfrei verstanden. Sowohl Menschen als auch KI lagen in weniger als der Hälfte der Fälle richtig. Emotionen, die ausschließlich durch die Stimme vermittelt wurden, erwiesen sich für alle als schwierige Aufgabe.
Freude ist leichter zu erkennen als Leid
Das interessanteste Ergebnis betraf nicht die Gesamtzahl richtiger Antworten, sondern die Art der Fehler.
Bei Menschen unterschied sich die Genauigkeit bei positiven und negativen Emotionen nicht wesentlich. KI-Modelle hingegen kamen mit positiven Zuständen deutlich besser zurecht. Besonders klar zeigte sich das bei der Analyse von Körperbewegungen.
Erregung, Interesse, Verspieltheit und Freundlichkeit wurden von den Systemen sehr sicher erkannt. Bei negativen Erlebnissen gab es mehr Verwechslungen: Angst wurde mit Scham, Traurigkeit mit Ekel und Ärger mit Abneigung verwechselt. Eine Emotion, die die Forschenden als Schmerz oder seelische Verletztheit bezeichneten, konnte keines der Modelle anhand von Körperbewegungen richtig erkennen.
Die Autoren bezeichnen diese Besonderheit als „positivity bias“, also positive Verzerrung. Das bedeutet nicht, dass KI Optimismus empfindet oder bewusst versucht, die Welt in einem besseren Licht zu sehen. Ein Modell erlebt das Gesehene nicht so wie wir. Es sucht in den Daten nach Mustern, die es wahrscheinlicher machen, einer Beobachtung eine bestimmte Emotionsbezeichnung zuzuordnen.
Woher diese Verzerrung stammt, klärt die Studie nicht. Möglicherweise waren positive Ausdrucksformen in den Trainingsdaten besser vertreten. Auch die nachträgliche Abstimmung der Modelle, die freundliche und akzeptable Antworten fördert, könnte eine Rolle gespielt haben. Ebenso ist denkbar, dass einzelne negative Emotionen anhand isolierter nonverbaler Signale einfach schwerer voneinander zu unterscheiden sind.
Überzeugendes Mitgefühl bedeutet noch kein Verständnis
Wir neigen leicht dazu, eine passende Antwort als Beleg dafür zu verstehen, dass unser Gegenüber unseren Zustand richtig erfasst hat. Im normalen menschlichen Gespräch ist das oft durchaus gerechtfertigt: Worte, Stimme, Pausen, Gesichtsausdruck und die gemeinsame Beziehungsgeschichte ergänzen einander. Im Gespräch mit KI besteht jedoch ein wichtiger Unterschied zwischen dem Eindruck, den eine Antwort erzeugt, und der Art, wie sie zustande gekommen ist.
Ein System kann sagen: „Es klingt so, als ginge es Ihnen gerade wirklich sehr schlecht“, weil es sprachliche Formen der Unterstützung sehr gut gelernt hat. Das beweist noch nicht, dass es Angst in der Stimme, Niedergeschlagenheit in der Körperhaltung oder ein anderes nonverbales Zeichen von Belastung zuverlässig erkannt hat.
In einem lockeren Gespräch kann ein solcher Fehler fast unbemerkt bleiben. Anders sieht es aus, wenn KI für psychologische Unterstützung, zur Fernbeobachtung des Befindens oder als Hilfe für Fachkräfte eingesetzt werden soll. Wenn ein System Freude besonders gut erkennt, Schmerz, Angst und Traurigkeit jedoch schlechter unterscheidet, kann seine äußere Freundlichkeit einen übertriebenen Eindruck emotionaler Sensibilität erzeugen.
Das bedeutet nicht, dass Technologien zur Emotionserkennung nutzlos sind. Im Gegenteil: Einige Ergebnisse zeigen, wie schnell sie sich entwickeln. Doch die Fähigkeit, einfühlsame Worte zu formulieren, und die Fähigkeit, das Leid eines anderen zuverlässig wahrzunehmen, sind nicht dasselbe.
Was die Studie noch nicht beweist
Das Experiment fand unter bewusst vereinfachten Bedingungen statt. Die Schauspieler stellten Emotionen absichtlich und relativ deutlich dar. Die Videos zeigten Körperbewegungen ohne Gesichter, die Audioaufnahmen Stimmen ohne sinnvolle Wörter. In echten Gesprächen treten all diese Signale gemeinsam auf und hängen von Situation, Kultur, individueller Ausdrucksweise und davon ab, wie gut sich die Gesprächspartner kennen.
Außerdem wurden nur drei Gemini-Versionen untersucht. Das Ergebnis lässt sich nicht automatisch auf alle KI-Systeme übertragen — zumal Modelle schnell aktualisiert werden. Auch ein Format mit sechs vorgegebenen Antworten ist deutlich einfacher als die freie Deutung eines komplexen emotionalen Zustands.
Die Studie beweist daher nicht, dass KI in einem realen Gespräch zwangsläufig Anzeichen eines schweren Zustands übersehen oder dadurch Schaden verursachen wird. Untersucht wurden weder Patienten noch Therapie oder Folgen des Einsatzes solcher Systeme. Unter kontrollierten Bedingungen fanden die Autoren eine konkrete Besonderheit der Emotionserkennung; welche Bedeutung sie für echte psychologische Unterstützung hat, muss noch geprüft werden.
Dennoch erinnert die Studie an eine wichtige Grenze. KI kann die Sprache von Anteilnahme sehr überzeugend nachbilden, doch Überzeugungskraft ist nicht dasselbe wie emotionales Verständnis. Gerade wenn wir Unterstützung besonders brauchen, sollten wir eine warme Antwort einer Maschine nicht als Garantie dafür ansehen, dass sie wirklich alles wahrgenommen hat, was mit uns geschieht.