Welche KI ist wirklich witzig? Vier im Test
Von Chatday Editorial Team ·
Wir baten vier KIs um eine Bildunterschrift für das Foto eines grummeligen Hundes im Regenmantel. Drei davon machten denselben Witz: Der Hund möchte bitte den Chef vom Himmel sprechen.
Das fiel uns schon beim ersten Durchlauf auf, und es hörte nicht auf. Also haben wir einen richtigen Test daraus gemacht: vier der stärksten Modelle, die du gerade in Chatday öffnen kannst, dieselben vier kleinen Comedy-Aufgaben und eine ehrliche Bewertung der Ergebnisse. Mit dabei waren GPT-6.1, Claude Opus 5.5, Gemini 4 Argon und Grok 4.7. Alles, was wir unten zitieren, haben die Modelle genau so geschrieben. Wir haben nichts geschönt und nur dort gekürzt, wo wir es dazusagen.
Die vier Witz-Aufgaben für jede KI
„Erzähl mir einen Witz“ haben wir uns gespart, denn das braucht eigentlich niemand. Wir haben die Art von Humor gewählt, für die Leute KI tatsächlich nutzen:
- Eine Geburtstagskarte für die Kollegin Dana, die 40 wird und dafür berüchtigt ist, die guten Kugelschreiber zu klauen. Unter 40 Wörtern, herzlich, nichts Gemeines.
- Eine Instagram-Bildunterschrift für einen Golden Retriever im winzigen Regenmantel, der vom Regen zutiefst beleidigt ist. Unter 15 Wörtern.
- Ein eigener Witz darüber, warum Katzen Dinge vom Tisch schubsen.
- Eine Rede mit 60 Wörtern zum 30. Geburtstag des besten Freundes. Der Freund, Sam, hat sich mal zwei Stunden lang in einem IKEA verlaufen.
Jedes Modell bekam exakt denselben Wortlaut, ohne Zusatzanweisungen und ohne „Du bist ein Comedian“-Vorspann. Die Bildunterschrift ließen wir pro Modell noch zweimal laufen, um zu sehen, wie stark sich die Antworten von Versuch zu Versuch ändern. Bewertet haben wir vier Dinge: Hat es uns überrascht, ging es auf unsere Details ein, klang es nach einem Menschen statt nach Glückwunschkarte von der Stange, und hielt es sich an die Vorgaben?
Vorweg: Alle vier haben sich an die Regeln gehalten. Die Reden lagen zwischen 59 und 61 Wörtern, alle Karten blieben unter 40, und niemand wurde gemein zu Dana. Die Unterschiede lagen ausschließlich in den Witzen selbst.
Runde eins: die Geburtstagskarte
Das Detail mit den Kulis war eine dankbare Vorlage, und zwei Modelle landeten bei derselben Pointe.
Alles Gute zum 40., Dana! Vierzig Jahre voller Glanz, und irgendwie hast du immer noch keinen einzigen guten Kuli zurückgegeben. Wir haben für dein Geschenk zusammengelegt, aber wir haben nichts gefunden, womit wir die Karte unterschreiben konnten. Hab einen fantastischen Tag! (Claude Opus 5.5)
Alles Gute zum 40. Geburtstag an unsere Lieblingskollegin und hauseigene Kulidiebin, Dana! Wir wollten diese Karte unterschreiben, aber du hast schon alle guten Kulis. Wir lieben dich trotzdem! Feier schön! (Gemini 4 Argon)
Claude gewinnt diese Runde mit seinem Timing. „Nichts gefunden, womit wir die Karte unterschreiben konnten“ sitzt, weil es einen Takt zu spät kommt, wenn du denkst, der Witz sei schon vorbei. Gemini erzählt denselben Witz, erklärt ihn aber.
GPT-6.1 nannte Dana „offiziell ein Klassiker“ und endete mit „Kulis, die du dir nicht ‚ausleihen‘ musst“. Das ist lieb und ungefährlich. Grok 4.7 war mit 24 Wörtern am kürzesten und wünschte Dana ein Jahr „voller guter Kulis“, während alle so tun, als wüssten sie nicht, wo die hin sind. Herzlich, aber genau der Witz, den du schon vor dem Lesen erraten hättest.
Runde zwei: der Hund im Regenmantel
Hier wurde es seltsam. Das sind die ersten Antworten (die Emojis haben wir entfernt):
| Modell | Bildunterschrift |
|---|---|
| GPT-6.1 | „Winziger Regenmantel. Riesiger Groll. Ich möchte bitte den Chef vom Wetter sprechen.“ |
| Claude Opus 5.5 | „Regenmantel getragen. Trotzdem nass. Ich möchte den Chef vom Himmel sprechen.“ |
| Gemini 4 Argon | „Ich möchte den Chef des Himmels sprechen. Sofort.“ |
| Grok 4.7 | „Dieser Regenmantel ist süß. Der Regen ist ein persönlicher Angriff.“ |
Dreimal der Chef. Wir haben es pro Modell noch zweimal laufen lassen. Gemini lieferte beide Male exakt denselben Satz, Wort für Wort: „Ich möchte bitte den Chef des Himmels sprechen.“ Claude kam einmal auf den Chef vom Himmel zurück und wechselte dann zu „reicht eine offizielle Beschwerde beim Himmel ein“. Von allen 12 Bildunterschriften wollte die Hälfte den Chef sprechen.
Herausgestochen sind die beiden, die dem ausgewichen sind. Der zweite Versuch von GPT-6.1, „Dieser Regenmantel schützt mein Fell, nicht meine Gefühle“, ist eine gute Zeile. Und Grok 4.7 hat eine Stimme gefunden und ist dabei geblieben: Zweimal antwortete es fast wortgleich „Dem Mantel habe ich zugestimmt. Dem Regen nicht.“ Das ist die beste Bildunterschrift im Test, und sie klingt nach dem Hund.
Das erklärt auch, warum dieselbe Frage jedes Mal eine andere Antwort bekommen kann, oder nervigerweise immer dieselbe. Mehr dazu in warum KI nie zweimal dieselbe Antwort gibt.
Runde drei: der Katzenwitz
Diesmal kein Chef vom Himmel, und die Antworten wurden prompt besser.
- Grok 4.7: „Katzen schubsen Dinge vom Tisch, weil der Boden bei seinen Leistungsbeurteilungen ständig durchfällt.“
- Claude Opus 5.5: „Katzen schubsen Dinge vom Tisch, weil die Schwerkraft nur eine Theorie ist und sie extrem gründliche Gutachterinnen sind.“
- GPT-6.1: „Katzen schubsen Dinge vom Tisch, weil die Schwerkraft ein Treueprogramm hat und ihnen nur noch eine Tasse bis zum Gratis-Nickerchen fehlt.“
- Gemini 4 Argon: „Warum schubsen Katzen alles vom Tisch? Weil sie, falls die Erde tatsächlich flach wäre, diejenigen sein wollten, die sie abräumen.“
Claude und Grok liegen dicht beieinander. Groks Witz ist kürzer und fieser, so wie eine Katze eben wäre. Claudes Idee ist die klügere. Das Treueprogramm von GPT-6.1 macht Spaß, braucht aber einen zweiten Blick. Geminis Flache-Erde-Pointe ist die schwächste im Test, weil die Logik nicht hält, sobald man darüber nachdenkt.
Runde vier: die Rede für Sam
Längere Witze liegen Modellen, die eine kleine Geschichte aufbauen können, und diese Runde hat das Feld klar geteilt.
Bei Claude Opus 5.5 überlebte Sam „mit purer Willenskraft und der Hoffnung auf Köttbullar“, dann kam die Wendung: „Mit den Pfeilen in der Ausstellung tust du dich vielleicht schwer, aber als Freund hast du dich noch nie verlaufen.“ Das ist eine echte Rede. Du könntest aufstehen und sie so halten.
Grok 4.7 war am bildhaftesten. Sam kam heraus „mit Köttbullar, einer Lampe und einer Geschichte, die wir nie ganz in Rente schicken werden“, und die Rede endet mit „wir lieben dich, auch zwischen den Sofas“. Gemini 4 Argon setzte eher auf Herz als auf Humor („mit niemandem würde ich mich lieber verlaufen“). Das ist schön und vielleicht genau das, was du bei einem Abendessen willst. GPT-6.1 eröffnete mit der besten Einzelzeile und wünschte Sam ein Jahrzehnt mit „Möbeln, die schon fertig aufgebaut sind“, rutschte zum Ende aber in Glückwunschkarten-Floskeln ab.
Welche KI ist also die witzigste?
Hier die Bilanz aus unseren Durchläufen. Das sind unsere Einschätzungen aus einem kleinen Test, kein Labor-Benchmark, und vielleicht lachst du über andere Zeilen.
| Stark bei | Schwachstelle | Gewonnene Runden | |
|---|---|---|---|
| Grok 4.7 | Kurze, trockene Einzeiler mit klarer Stimme | Spielt bei Herzlichem wie Karten auf Nummer sicher | Bildunterschrift, Katzenwitz (geteilt) |
| Claude Opus 5.5 | Timing und Witze, die eine kleine Geschichte erzählen | Ist auch auf den Chef-Witz reingefallen | Karte, Rede, Katzenwitz (geteilt) |
| GPT-6.1 | Starke Einstiege, schräge Ideen | Endet höflich und beliebig | Keine direkt, aber der beste Fix (siehe unten) |
| Gemini 4 Argon | Wärme und Freundlichkeit | Wiederholt sich, erklärt den Witz | Keine |
Wenn du eine Regel für deinen Gruppenchat brauchst: Grok für Einzeiler, Claude für alles mit Geschichte. Gemini ist die richtige Wahl, wenn du eher lieb als lustig willst.
Das passt zu dem, was man von ihren Stilen erwarten würde. Grok ist auf frech getrimmt, Claude ist eher sorgfältig und gut getaktet, Gemini bleibt sauber und freundlich. Wenn du wissen willst, woher diese Persönlichkeiten kommen, erklären wir es in warum KI-Modelle unterschiedliche Persönlichkeiten haben.
Der Ein-Satz-Trick, der alle vier witziger macht
Der Chef-Witz hat uns genervt, also haben wir die Bildunterschrift ein letztes Mal mit zwei zusätzlichen Sätzen laufen lassen: Vermeide die naheliegenden Witze (kein „den Chef sprechen“, kein „nicht amüsiert“), und mach es seltsam konkret, wie etwas, das nur dieser Hund denken würde.
Jedes Modell wurde besser, und die Reihenfolge änderte sich:
- GPT-6.1: „Dieser Regenmantel hat null Taschen für meinen Notfall-Käse für die Einfahrt. Zutiefst verantwortungslos.“
- Claude Opus 5.5: „Ich melde das dem Postboten. Der ist doch für draußen zuständig, oder?“
- Grok 4.7: „Ich hatte einen Termin mit diesem einen Sonnenfleck.“
- Gemini 4 Argon: „In eine raschelnde Bananenschale gezwungen, weil der Himmel unerlaubtes Badewasser abwirft.“
Der Notfall-Käse für die Einfahrt ist das Witzigste, was eine KI den ganzen Tag geschrieben hat, und er kam von dem Modell, das bis dahin keine Runde gewonnen hatte. Claudes Postboten-Zeile ist ein knapper Zweiter, weil ein Hund die Welt genau so falsch verstehen würde. Wenn dir eine KI also einen abgedroschenen Witz liefert, liegt das Problem oft an der Anfrage, nicht am Modell. Verbiete die naheliegende Pointe und bitte um ein Detail, das nur deine Situation hat.
Was die Forschung über KI-Humor sagt
Unser Test ist klein, passt aber zu dem, was größere Studien herausgefunden haben. In einer Studie der University of Southern California von 2024, erschienen in PLOS ONE, bewerteten Menschen Witze von ChatGPT 3.5 als genauso witzig oder witziger als Witze normaler Freiwilliger, und etwa 70% der Bewertenden bevorzugten die der KI. In einem zweiten Teil wurden ihre satirischen Schlagzeilen als nicht weniger witzig eingestuft als echte von den Autorinnen und Autoren von The Onion.
Professionelle Comedians urteilten deutlich härter. Eine Studie von Google DeepMind veranstaltete Workshops mit 20 aktiven Comedians, und die meisten fanden, dass Chatbots als Schreibpartner kaum helfen. Einer beschrieb die Ergebnisse als „Kreuzfahrtschiff-Comedy aus den 1950ern, nur etwas weniger rassistisch“.
Beides kann stimmen, und unser Test zeigt, warum. Bei einer schnellen, herzlichen Geburtstagskarte schlägt KI den Durchschnittsmenschen locker. Überraschend zu sein fällt ihr schwer, weil Überraschung das Gegenteil der wahrscheinlichsten Antwort ist. Genau deshalb ist ein konkreter Prompt so wichtig.
Unsere Lieblingsgewohnheit aus dem Test: Lass dir von Grok 4.7 fünf Varianten geben, kopier deinen Favoriten dann in Claude und bitte es, das Timing zu straffen. Du kannst die beiden auch direkt im Vergleich Grok 4.7 vs. Claude Opus 5.5 gegenüberstellen.