SNB-Reden im KI-Test: Kürzere Texte sind noch keine bessere Geldpolitik
Eine neue Arbeitsstudie untersucht 1063 deutschsprachige Reden von 1928 bis 2024. Der Vergleich mit klassischen Rechenverfahren zeigt zugleich, weshalb KI-Ergebnisse kontrolliert werden müssen.
Die Schweizerische Nationalbank spricht heute anders über Geldpolitik als vor Jahrzehnten. Ihre Reden wurden langfristig kürzer, sprachlich zugänglicher und stärker auf Inflation ausgerichtet. Zu diesem Ergebnis kommen Severin Joho und Enzo Rossi in einer am 23. Oktober 2026 veröffentlichten SNB-Arbeitsstudie. Für die Auswertung von 1063 deutschsprachigen Reden zwischen 1928 und 2024 verglichen sie klassische computergestützte Sprachanalyse mit ChatGPT.
Die Arbeit beschreibt einen historischen Wandel, nicht die aktuelle geldpolitische Lage. Sie sagt weder den nächsten Leitzinsentscheid voraus noch beweist sie, dass einfachere Reden die Inflation besser steuern. Als Working Paper gibt sie zudem die Ansichten der Autoren wieder, nicht zwingend jene der Nationalbank. Gerade diese Grenzen machen den Vergleich für die öffentliche Debatte nützlich.
Was in den fast hundert Jahren sichtbar wird
Seit Mitte der 1950er-Jahre nahm die Zahl der jährlichen Reden zunächst zu. Nach dem Übergang zu flexiblen Wechselkursen beschleunigte sich die Entwicklung. Die historische Bewegung ist aber keine ununterbrochene Zunahme bis heute: Nach der globalen Finanzkrise sank die Redenhäufigkeit wieder. Auch Änderungen des Kommunikationsformats beeinflussen, wie viele einzelne Dokumente gezählt werden.
Die Studie unterscheidet deshalb unter anderem Ansprachen an Generalversammlungen, einleitende Bemerkungen zu geldpolitischen Lagebeurteilungen und andere Reden. Das ist mehr als eine Archivfrage. Eine kurze gemeinsame Erklärung kann weniger Dokumente ergeben als drei separate Referate, ohne dass die Bevölkerung entsprechend weniger Informationen erhält. Die reine Anzahl ist kein Mass für Transparenz oder Qualität.
Zur untersuchten Sammlung gehören ausschliesslich deutsche Texte. Die Autoren verweisen auf zusätzlich vorhandene französische, englische und italienische Reden, die nicht in die Hauptauswertung eingehen. Das Material ist damit breit, aber nicht jede Äusserung der SNB seit ihrer Gründung ist erfasst. Eine Sprachstatistik muss ihre Auswahl ebenso offenlegen wie ihre Rechenmethode.
Warum der Computervergleich wichtig ist
Die Forschenden bereinigten die Dokumente zunächst von Kopfzeilen, Seitenzahlen und anderen Layoutelementen. Anschliessend berechneten sie Wortzahlen und Lesbarkeitsmasse mit Python und liessen entsprechende Auswertungen durch ChatGPT vornehmen. Die beiden Wege ergaben bei mehreren Kennzahlen ähnliche zeitliche Muster. Identische Resultate lieferten sie jedoch nicht.
Besonders deutlich zeigt sich das bei der Wiener Sachtextformel, einem Mass für die sprachliche Schwierigkeit. In der veröffentlichten Vergleichstabelle beträgt die Korrelation zwischen den beiden Verfahren hier 0,728, gegenüber 0,996 beim deutschsprachigen Amstad-Index. Eine hohe Korrelation bedeutet ähnliche Bewegungen, nicht zwangsläufig gleiche Messwerte. Auch Wortzählungen wichen voneinander ab.
Die Autoren dokumentieren zudem konkrete Fehler: ChatGPT setzte zunächst eine Konstante einer Formel falsch ein; bei Stapelverarbeitung entstanden Ausreisser. Aber auch die klassische Auswertung war nicht von Anfang an fehlerfrei. Ältere PDF-Formate erzeugten unplausible Werte, bis die Dateien umgewandelt wurden. Der methodische Schluss lautet deshalb nicht Mensch gegen Maschine, sondern kontrollierte Datenaufbereitung und überprüfbare Berechnung.
Lesbar ist nicht automatisch verstanden
Lesbarkeitsindizes berücksichtigen beispielsweise Satzlänge oder Wortmerkmale. Sie können damit strukturelle Veränderungen sichtbar machen. Ob jemand die Begründung eines Zinsentscheids versteht, prüfen sie nicht direkt. Die SNB-Arbeit unterscheidet diese Fragen ausdrücklich. Eine Rede kann kürzer werden und trotzdem wirtschaftliches Vorwissen voraussetzen.
Eine unabhängige Untersuchung der australischen Zentralbank von 2021 unterstreicht die Bedeutung verschiedener Zielgruppen. Joan Huang und John Simon fanden, dass wahrgenommene Lesbarkeit und nachvollziehbare Begründung nur schwach zusammenhängen. Einfacheres Schreiben sei nicht zwangsläufig verständlicher. Eine Fachperson und ein Haushalt ohne ökonomische Ausbildung können denselben Text unterschiedlich beurteilen.
Ein Archivbefund ist kein Zinssignal
Für Schweizer Haushalte, Unternehmen und Medien folgt daraus ein praktischer Unterschied. Häufige Inflationsbegriffe zeigen, worüber gesprochen wird. Sie belegen nicht allein, wie stark ein künftiger Entscheid ausfällt oder welche Wirkung eine Rede auf Erwartungen hat. Dafür wären zusätzliche Untersuchungen nötig, die Verständnis und Verhalten der Adressaten tatsächlich erfassen. Für die Auswertung einer einzelnen Rede bleiben deshalb Anlass, Zielpublikum und der vollständige Argumentationszusammenhang wichtig; ein einzelnes oft verwendetes Wort kann diese Einordnung nicht ersetzen.
Die neue Studie macht die Entwicklung der SNB-Sprache überprüfbarer. Ihr stärkster Beitrag liegt gerade nicht darin, Geldpolitik an ChatGPT auszulagern. Sie zeigt, wie sich ein grosser Textbestand erschliessen lässt – und weshalb nachvollziehbare Begründungen für die Schweizer Öffentlichkeit wichtiger bleiben als eine gute Lesbarkeitsnote.
Quellen
- Joho und Rossi: SNB Working Paper 13/2026, Publikation und Originalstudie
- Reserve Bank of Australia: Central Bank Communication – One Size Does Not Fit All, 2021
- Titelbild: Hpschaefer / Wikimedia Commons
- Lizenz des Titelbildes: Creative Commons BY 3.0
- Artikelbild: Myriam Thyes / Wikimedia Commons
- Lizenz des Artikelbildes: Creative Commons BY-SA 3.0
