Sechs wissenschaftlich belegte Parallelen zwischen LLM-Fehlfunktionen und ADHS-Kognition

Praktische Parallelen zwischen LLM- und ADHS-Kognitionsmustern

Ein Entwickler mit ADHS, der mit LLMs im Pair Programming gearbeitet hat, bemerkte vertraute Fehlermuster: selbstbewusste Erfindungen, Kontextverlust mitten im Gespräch, brillante laterale Verbindungen gefolgt von grundlegenden sequenziellen Logikfehlern. Die Forschung zeigt sechs spezifische Parallelen zwischen dem Betrieb von LLMs und der ADHS-Kognition.

Sechs forschungsgestützte Parallelen

• Assoziative Verarbeitung: Bei ADHS dringt das Default Mode Network in aufgabenpositive Netzwerke ein (Castellanos et al., JAMA Psychiatry). Die Transformer-Attention berechnet gewichtete Assoziationen über alle Tokens hinweg ohne starke Relevanzfilterung. Beide Systeme funktionieren als Assoziationsmaschinen mit hoher kreativer Konnektivität und zufälligen irrelevanten Einflüssen.
• Konfabulation: Erwachsene mit ADHS produzieren signifikant mehr falsche Erinnerungen, die sich wahr anfühlen (Soliman & Elfar, 2017, d=0.69+). Ein PLOS Digital Health-Paper von 2023 argumentiert, dass LLM-Fehler eher Konfabulation als Halluzination genannt werden sollten. Ein ACL-Paper von 2024 fand, dass LLM-Konfabulationen messbare Eigenschaften mit menschlicher Konfabulation teilen (Millward et al.). Keines der Systeme lügt – beide füllen Lücken mit plausiblen, musterergänzten Inhalten.
• Kontextfenster als Arbeitsgedächtnis: Arbeitsgedächtnisdefizite gehören zu den am häufigsten replizierten ADHS-Befunden (d=0.69-0.74 über Metaanalysen hinweg). Das Kontextfenster eines LLM fungiert als sein Arbeitsgedächtnis – feste Größe, wobei Informationen am Ende verloren gehen und frühere Inhalte unscharf werden. Kompensationsstrategien spiegeln sich wider: Menschen nutzen Planer und externe Systeme; LLMs nutzen Systemprompts, CLAUDE.md-Dateien und RAG.
• Musterergänzung über Präzision: ADHS korreliert mit besserem divergentem Denken und schlechterem konvergentem Denken (Hoogman et al., 2020). LLMs zeigen das gleiche Muster – exzellent in Mustererkennung und kreativer Ergänzung, schlecht in präziser mehrstufiger Argumentation. Beide optimieren für „was passt zum Muster“ statt „was ist logisch korrekt in der Sequenz“.
• Struktur als Kraftmultiplikator: Strukturierte Umgebungen verbessern die ADHS-Leistung signifikant (Frontiers in Psychology, 2025). Das Gleiche gilt für LLMs – klare Systemprompts mit Einschränkungen produzieren deutlich bessere Ergebnisse. Entfernt man die Struktur, produzieren beide Systeme weitschweifige, unkonzentrierte Ergebnisse.
• Interessengesteuerte Beharrlichkeit vs. Themenkontinuität: Anhaltendes fokussiertes Engagement an einem Thema erzeugt in beiden Fällen eine sich verstärkende Qualität. Das Unterbrechen des Themas führt zum vollständigen Kontextverlust, ähnlich wie Unterbrechungen den Tiefenfokus bei ADHS stören.

Praktische Implikationen

Menschen, die Jahre damit verbracht haben, ADHS-Gehirne zu managen, haben bereits Fähigkeiten trainiert, die für die KI-Kollaboration relevant sind: externe Gerüste, musterorientiertes Denken und Iteration ohne Frustration. Die vollständige Forschung mit allen Zitaten ist verfügbar unter thecreativeprogrammer.dev.