Künstliche Intelligenz kann ein Gespräch führen, wie ein Finanzanalyst klingen und ohne zu zögern eine Bitcoin-Kursprognose abgeben. Aber liefert das Sprechen mit einer KI die gleiche Qualität der Argumentation wie das Eintippen einer Frage? Ein von Bitcoin.com News am 23. Oktober 2026 dokumentiertes Experiment stellte genau das auf die Probe – und die Antworten waren alles andere als eindeutig.

ChatGPT und Grok wurden über Sprachschnittstellen befragt, während Claude Opus 5.5 zunächst über Text arbeitete. Eine anschließende Sprachsitzung mit Claude Opus 5.5 lieferte einen aufschlussreichen Vergleich. Alle vier Sitzungen lieferten konkrete Bitcoin-Kurse zum Jahresende. Keine konnte eine nachvollziehbare Berechnung hinter ihrer finalen Zahl belegen, doch die Unterschiede bei faktischer Genauigkeit, Konsistenz und der Bereitschaft, Unsicherheit einzugestehen, waren beträchtlich. Letzteres wiegt praktisch umso schwerer, da alle drei Unternehmen mittlerweile Sprachschnittstellen neben ihren Textprodukten anbieten.

Vier Sitzungen, drei KI-Unternehmen und eine Bitcoin-Frage

Das Experiment umfasste OpenAIs ChatGPT, xAIs Grok und Anthropics Claude Opus 5.5. Jedes System sollte den Schlusskurs von Bitcoin am 31. Dezember 2026 vorhersagen – mit fünf Prompts, die historische Zyklen, On-Chain-Aktivität, institutionelle Adoption und wirtschaftliche Rahmenbedingungen betonten.

Bitcoin notierte am 23. Oktober bei rund 81.200 $, was dem Experiment eine gemeinsame Marktreferenz gab. Die Sprachsitzung von ChatGPT startete bei 89.500 $ und landete schließlich bei 82.000 $. Groks mündliche Schätzung bewegte sich von 88.000 $ auf 82.000 $. Claudes Textmodell hielt über alle Prompts hinweg an 78.000 $ fest, während seine spätere Sprachsitzung bei 88.000 $ begann und dann bei 85.000 $ verharrte.

Das Experiment war kein kontrollierter wissenschaftlicher Benchmark. Die Unternehmen nutzen unterschiedliche Architekturen, und die Sitzungen hatten keinen identischen, verifizierten Zugriff auf Live-Informationen. Dennoch boten die Gespräche einen aufschlussreichen Einblick darin, wie überzeugend diese Systeme finanzielle Argumentationen präsentieren können – und wie gut diese Argumentationen einer Prüfung standhalten.

ChatGPTs Stimme klang beschigt, doch die Zahlen blieben in Bewegung

Die Sprachsitzung von ChatGPT lieferte eines der deutlichsten Beispiele dafür, wie Gesprächsflüssigkeit der belegbaren Analyse davonläuft. Die Prognose änderte sich von 89.500 $ auf 86.500 $, nachdem Bitcoin.com News zusätzliche Analysekriterien einbrachte. Ein weiterer gesprochener Prompt ließ die Zahl unverändert, doch eine spätere Frage zu einem 18- bis 24-Monats-Ausblick senkte die Prognose auf 82.000 $.

Die Untersuchung fand keinen Hinweis auf frische Marktdatenabrufe zwischen diesen Revisionen. Stattdessen folgten die Änderungen den veränderten Frageformulierungen. Die gesprochene Sprache ließ den Vorgang substanzieller erscheinen, als er war. Im Sprachmodus verwendete ChatGPT Formulierungen wie „let me pull those pieces together“ und „Checking that now“ – Ausdrücke, die normalerweise darauf hindeuten, dass Informationen abgerufen werden. Das Experiment konnte nicht belegen, dass eine solche Recherche tatsächlich stattfand. Es schien zu lügen. Das Verhalten passt zu einer allgemein dokumentierten Schwäche großer Sprachmodelle: Flüssiger Output kann entstehen, unabhängig davon, ob tatsächlich zugrunde liegende Fakten konsultiert wurden.

Ein anschließendes textbasiertes ChatGPT-Gespräch fiel kritischer über den früheren Sprachaustausch her – inklusive des Geständnisses: „I treated plausibility as evidence.“ Dieser Unterschied ist relevant, weil ChatGPTs Sprach- und Texterlebnis auf unterschiedlichen zugrunde liegenden Modellen basieren können. Die spätere Erklärung des Textassistenten kann allein nicht genau belegen, was das Sprachsystem intern getan hat.

Die Episode zeigte, wie leicht ein natürlich klingendes Gespräch den Eindruck investigativer Arbeit erwecken kann – selbst wenn das Ergebnis kaum Belege dafür liefert.

Groks Stimme lieferte Details, brachte aber eine entscheidende Zahl durcheinander

Grok's mündliche Antworten klangen gründlicher recherchiert: Sie lieferten Zahlen zu Bitcoins historischen Rücksetzern, zur Inflation, zur institutionellen Aktivität und zur jüngsten Verzögerung der Mt-Gox-Rückzahlungen. Vieles davon entsprach den Fakten und Quellen. Dann kam ein gravierender Fehler.

Grok bezifferte die Wahrscheinlichkeit einer Fed-Zinserhöhung beim Treffen am 27.–28. Oktober Berichten zufolge auf rund 90 %. Die Marktreferenzen der Untersuchung bezifferten diese Quote hingegen auf etwa 6 % bis 18 % – je nach Quelle und Betrachtungsdatum. Der Unterschied war erheblich: Eine Zinserhöhung mit geringer Wahrscheinlichkeit wurde als fast sicher dargestellt, offenbar gestützt auf einen älteren Referenzpunkt. Veraltete Referenzen sind ein bekannter Fehlermodus von KI-Systemen: Zahlen, die zu einem früheren Zeitpunkt korrekt waren, können im Output eines Modells bestehen bleiben und als aktuell präsentiert werden.

Weitere Probleme umfassten ein veraltetes Bernstein-Bitcoin-Ziel von 150.000 $ und eine falsche Beschreibung der Position der prognostizierten Preisspanne von Fidelity relativ zum Markt. Grok korrigierte seine Zinswahrscheinlichkeiten schließlich – aber erst nach einer Herausforderung.

Seine spätere Behauptung, keine Live-Daten abgerufen zu haben, ließ sich ebenfalls schwer mit seinen Verweisen auf aktuelle Inflations- und Mt-Gox-Entwicklungen vereinbaren. Die Nachfrage konnte nicht klären, ob diese Informationen aus einem Abruf, dem vorherigen Kontext oder einer anderen Quelle stammten. Für den Sprachvergleich war die wichtigste Erkenntnis nicht einfach, dass Grok einen Fehler machte. Es war, dass korrekte und inkorrekte finanzielle Aussagen mit im Wesentlichen gleichem Gesprächsselveurtrauen übermittelt wurden.

Claudes Textmodell suchte nach Belegen, erfand aber dennoch eine Methode

Claude Opus 5.5 hatte in der ursprünglichen Textsitzung einen dokumentierten Vorteil: Es führte vier Websuchen durch, bevor es antwortete. Prognose von 78.000 $ stützte sich teilweise auf Bitcoins True Market Mean, geschätzt auf etwa 77.600 $ – eine konkrete Marktreferenz, die der ChatGPT-Sprachsitzung weitgehend fehlte. Doch die schriftliche Antwort hatte eigene Probleme.

Claude gab historische Halving-Zyklus-Zeitpunkte falsch wieder, unterschätzte Bitcoins etwa 54-prozentigen Rückgang vom Hoch zum Tief und ließ den Ölschock des Iran-Kriegs in seiner wirtschaftlichen Betrachtung unerwähnt. Zudem bevorzugte es eine ETF-Abfluss-Erzählung, obwohl abgerufene Informationen für Oktober ein anderes Bild zeigten.

Aufschlussreicher war noch, wie das System seine Arbeit beschrieb. Claude sprach von „Data points I weighted most heavily“ und behauptete, eine Zinserhöhung im Dezember in seine Prognose eingepreist zu haben. Unter weiterer Nachfrage räumte es jedoch ein, keine numerischen Gewichte oder Wahrscheinlichkeiten berechnet zu haben. Die Schätzung von 78.000 $ war ein an einer Marktgröße verankerter Urteilssprung – nicht das Ergebnis einer belegbaren quantitativen Modells.

Es bedurfte drei Nachfragerunden, bis Claudes Textsitzung belegte Informationen und unbelegte Annahmen ausreichend trennte. Der Webabruf lieferte mehr Material zum Diskutieren – garantiert aber keine fundierte Analyse.

Claudes Sprachmodell lieferte die größte Überraschung des Experiments

Die spätere Claude-Opus-5.5-Sprachsitzung veränderte den Vergleich. Die erste Prognose lautete 88.000 $ und wurde später auf 85.000 $ revidiert. Anders als ChatGPTs Sprachsitzung, die ihre Antwort mehrfach änderte, hielt Claude an der revidierten Zahl für die restlichen Prompts fest und widerstand dem Impuls, sie nur für eine aufmerksamkeitsstärkere Prognose anzupassen.

Wichtiger noch: Claudes Sprachantwort machte ihre Grenzen früher von sich aus deutlich als die anderen Sitzungen. Bereits in der zweiten Antwort räumte sie ein, keine Live-On-Chain-Metriken abrufen zu können, und beschrieb ihre Prognose als Schätzung statt als berechnetes Modellergebnis. Bei der Frage nach unbelegten Informationen trennte sie abgerufene Zahlen, allgemeines Wissen, Berechnungen und Meinungen bereits bei der ersten Aufforderung.

Das war eine bessere Offenlegungsleistung als Claudes eigene Textsitzung, die drei Nachfragerunden brauchte, um ein vergleichbares Maß an Offenheit zu erreichen. Das Sprachmodell beschrieb auch korrekt, dass historische Bitcoin-Zyklushochs typischerweise 12 bis 18 Monate nach Halvings auftreten – und vermied damit einen Zeitfehler, den sowohl Groks Sprachsitzung als auch Claudes ursprüngliche Textantwort machten.

Dennoch war Claudes Sprachleistung keineswegs fehlerfrei. Sie zitierte Öl über 110 $ anhand einer Zahl, die die Untersuchung als veraltet einstufte, überzeichnet anhaltende institutionelle Bitcoin-Käufe und ließ den tieferen Marktrückgang im Juni 2026 bei der Diskussion des aktuellen Drawdowns unerwähnt. Auch zeigte sie nie eine Berechnung, die zu ihrem Ziel von 85.000 $ führte.

Die Überraschung war also nicht, dass Claudes Sprachmodell zum besseren Finanzprognostiker wurde. Sondern dass der gesprochene Assistent in dieser Sitzung offener über seine Grenzen sprach als sein Textgegenstück.

Warum Sprach- und Text-KI nicht dasselbe System sein müssen

Der Vergleich wirft eine technische Frage auf, die gelegentliche Nutzer nie bedenken: Mit einer KI zu sprechen ist nicht immer gleicheutend damit, in sie zu tippen. OpenAIs ChatGPT-Spracherlebnis nutzt eine eigene Modellfamilie, getrennt vom primären Texterlebnis. Anthropic wiederum beschreibt Claude Voice als Betrieb über die schnellste Version des gewählten Modells, einschließlich unterstützter Sonnet- und Opus-Varianten.

Dieser Unterschied erschwert direkte Vergleiche. Selbst wenn die Oberfläche denselben Modellnamen anzeigt, kann das Spracherlebnis andere Ausführungseinstellungen, Latenzbeschränkungen und Sprachverarbeitungskomponenten umfassen. Das Experiment konnte nicht unabhängig klären, wie sich diese Faktoren auf die Antworten auswirkten.

Groks Spracharchitektur wurde im Bericht nicht verifiziert – ein weiteres wichtiges Stück des technischen Vergleichs bleibt ungeklärt. Solange die drei Unternehmen keine vergleichbaren technischen Details zu ihren Sprach-Pipelines veröffentlichen, sagt ein Produktname allein wenig darüber aus, welche Konfiguration antwortet. Die Sitzungen können daher nicht belegen, dass Sprach-KI inhärent ungenauer, anfälliger für Fabrikationen oder transparenter ist als generative Text-KI. Sie zeigen, dass Schnittstelle und zugrunde liegende Konfiguration eine Rolle spielen – und dass ein vertrauter Markenname allein kein gleichwertiges Verhalten garantiert.

Claude lieferte den nützlichsten unternehmensinternen Vergleich, doch selbst dort fanden Text- und Sprachsitzung getrennt statt und stellten keine wiederholten, kontrollierten Versuche dar.

Der eigentliche Test beginnt, wenn die KI verstummt

Über alle vier Sitzungen hinweg reichten die finalen Prognosen von 78.000 $ bis 85.000 $ – allesamt relativ nah am geltenden Bitcoin-Marktkurs. Keine zeigte, wie ihre Annahmen in die gewählte Zahl überführt wurden.

Die Untersuchung benannte auch Grenzen der eigenen Methodik. Claude verfasste die Bewertung seiner eigenen Leistung, und mehrere Marktbehauptungen wurden über Suchauszüge statt vollständiger Primärquellen geprüft. Keine unabhängigen Tool-Protokolle belegten, was jeder Sprachassistent genau abgerufen hatte. Diese Einschränkungen sind relevant – und eine tiefere Verifikation obliegt xAI, OpenAI und Anthropic.

Dies war ein erkundendes Experiment, kein Beweis, dass ein Unternehmen oder Interaktionsmodus durchweg besser abschneidet. Doch es legte einen wichtigen Unterschied offen: analytisch klingen und tatsächliche Analyse zeigen sind zweierlei. Sprachassistenten können Finanzkommentare mit Rhythmus und Sicherheit eines professionellen Moderators liefern. Textmodelle können detaillierte Erklärungen auf Basis abgerufener Quellen zusammensetzen. Beide können weiterhin unbelegte Schlussfolgerungen, Halluzinationen oder schlicht Lügen produzieren – und beide können sich verbessern, wenn sie gedrängt werden, Belege von Schlussfolgerungen zu unterscheiden.

Claudes spätere Sprachsitzung zeigte, dass das Sprechen mit einer KI nicht automatisch Transparenz opfert. Zugleich zeigten ChatGPT und Grok, warum ausgefeilte gesprochene Antworten dieselbe Prüfung verdienen wie geschriebene. Wer KI zur Bewertung von Investments nutzt, sollte beim nächsten Test identische Prompts, dokumentierte Abrufaktivitäten, wiederholte Sitzungen und unabhängig geprüfte Zahlen verlangen. Erst dann können Forscher beginnen, die Effekte der Sprachinteraktion von den Denkfähigkeiten des zugrunde liegenden Modells zu trennen. Was einen solchen Test möglich machen würde, ist auf dem Papier einfach: Anbieter, die die Details ihrer Sprachstacks offenlegen, und veröffentlichte Vergleiche, die die methodische Hürde dieser Untersuchung erfüllen.

Das aufschlussreichste Ergebnis des Experiments war nicht, ob Bitcoin2026 bei 78.000 $, 82.000 $ oder 85.000 $ abschließen wird. Es war, dass vier überzeugende Auftritte im Sprachmodus vier verschiedene finanzwirtschaftliche Argumentationsketten hervorbrachten – und keine einzige konnte die Rechnung hinter ihrer finalen Antwort zeigen.