Keigo, KI und die japanische Geschäfts-E-Mail: Warum das Register verrutscht

TL;DR: Keigo-KI-E-Mail-Entwürfe scheitern auf eine ganz bestimmte Weise. Die Grammatik stimmt meist. Das Register stimmt nicht: die Formalitätsebene, das Maß an Abfederung, die Form des Schlusses. KI behandelt Höflichkeit wie einen einzigen Regler und stellt ihn auf den Durchschnitt aller japanischen Geschäfts-E-Mails, die sie je gesehen hat. Ihr Leser merkt es in der ersten Zeile. Dem Modell zu sagen, es solle „höflich und professionell“ sein, hilft nicht, denn diese Formel beschreibt Tausende von Schreibenden und keine ihrer tatsächlichen Gewohnheiten. Eine Stimme lebt in den konkreten Entscheidungen: welche Begrüßung, wie viele Abfederungsfloskeln, welche Verbform die Bitte abschließt. Messen Sie diese an Ihren eigenen E-Mails, übergeben Sie sie als Regeln, und jedes künftige Modell setzt sie besser um als das vorige.

Sie bitten ChatGPT um eine Follow-up-E-Mail an einen Kunden auf Japanisch. Zurück kommt makelloses 尊敬語, eine Eröffnung wie aus dem Lehrbuch und ein Schluss, den Sie so nie schreiben würden. Sie senden sie trotzdem, und die Antwort des Kunden fällt eine Spur kühler aus als sonst.

Nichts in diesem Entwurf war falsch. Alles darin gehörte jemand anderem.

Warum verfehlt KI das Keigo in Geschäfts-E-Mails?

Weil Keigo zwei Probleme ist und KI nur das erste löst. Das erste Problem ist Grammatik: wohlgeformte ehrerbietige, bescheidene und höfliche Formen zu produzieren, und ein modernes Modell schafft das zuverlässig. Das zweite Problem ist das Register: zu entscheiden, wie formell, wie abgefedert und wie distanziert man diesem Leser heute gegenübertritt. Das Modell entscheidet das per Voreinstellung, und die Voreinstellung ist die statistische Mitte aller japanischen Geschäftstexte, mit denen es trainiert wurde.

Japans Rat für Kulturangelegenheiten hat die fünf Kategorien des Keigo 2007 in seiner Leitlinie 敬語の指針 festgelegt: 尊敬語, 謙譲語Ⅰ, 謙譲語Ⅱ, 丁寧語 und 美化語. Das ist die Grammatikebene, und sie ist lehrbar. Was die Leitlinie Ihnen nicht sagen kann und was kein Modell aus der Grammatik ableiten kann, ist, ob Sie persönlich einem Lieferanten, den Sie seit sechs Jahren kennen, ご確認ください oder ご確認いただけますでしょうか schreiben. Beides ist korrekt. Nur eines ist Ihres.

So sieht es typischerweise aus, was ein KI-Entwurf in einer einzigen E-Mail richtig und falsch macht:

Jede Zeile in der rechten Spalte ist ein Registerfehler, kein Grammatikfehler. Rechtschreibprüfung und Grammatiktools lassen den Entwurf durch. Ihr Kunde nicht.

Was ändert sich zwischen den Registern im Japanischen tatsächlich?

Vier Dinge, und jeder Schreibende stellt sie unabhängig voneinander ein: die Höflichkeitsebene selbst, das Maß an Abfederung vor einer Bitte, die Eröffnungs- und Schlussformeln und der Satzrhythmus. KI presst alle vier in eine einzige Einstellung namens „formell“ und wendet sie einheitlich an.

Nehmen Sie eine Produktmanagerin in Osaka, die an einem Vormittag drei E-Mails schreibt. An den Lieferanten, mit dem sie seit zwei Jahren zusammenarbeitet, lautet die Eröffnung いつもお世話になっております, die Bitte kommt im zweiten Satz, und der Schluss ist よろしくお願いします ohne das いたします. An den Direktor eines potenziellen Kunden trägt die Eröffnung eine jahreszeitliche Zeile, die Bitte ist in お忙しいところ恐縮ですが und ご検討いただけますと幸いです verpackt, und der Schluss nimmt das volle 何卒よろしくお願い申し上げます. An ihr eigenes Team, auf Japanisch, ist die Betreffzeile die Bitte, Sätze enden auf です und ます, und es gibt überhaupt keine Schlussformel.

Dieselbe Person. Drei Register. Keines davon ist auf eine Weise „höflich und professionell“, die ein Adjektiv unterscheiden könnte, und alle drei sind höflich und professionell.

Über die allgemeine Version davon haben wir in warum sich Ihre Schreibstimme ändert, wenn Sie die Sprache wechseln geschrieben. Der japanische Fall ist schärfer, weil die Registermechanik grammatikalisiert ist. Im Englischen klingt jemand, der einem Kollegen gegenüber etwas zu formell ist, ein wenig steif. Im Japanischen klingt jemand, der 謙譲語Ⅱ gegenüber einem Gleichgestellten verwendet, als spräche er mit einem Fremden, und der Gleichgestellte fragt sich, was sich geändert hat.

Die vier beweglichen Teile im Einzelnen:

1. Höflichkeitsebene. Kein Spektrum mit zwei Enden, sondern ein Satz diskreter Entscheidungen pro Verb. させていただきます gegenüber いたします gegenüber します sind drei verschiedene soziale Positionen, und die meisten Schreibenden haben für jede Beziehung eine feste Gewohnheit.
2. Abfederung. Wie viele クッション言葉 einer Bitte vorausgehen, und welche. Manche verwenden eine, immer dieselbe. Manche stapeln drei für einen Erstkontakt und null für einen regelmäßigen. KI stapelt standardmäßig.
3. Formeln. Eröffnungs- und Schlusszeilen. Die Auswahl ist klein und öffentlich, also trägt die Wahl darin Information. Wer interne Mails immer mit 以上です und Kundenmails mit 引き続きよろしくお願いいたします schließt, hat eine Signatur, und die steckt in keinem Adjektiv.
4. Rhythmus. Satzlänge, wie oft ein Satz auf ein Substantiv statt auf ein Verb endet, ob die Bitte ein eigener Absatz ist. Das ist der Teil der Stimme, der die Übersetzung der anderen drei überlebt, und der Teil, den KI am gründlichsten einebnet.

Unsere eigenen Messungen bestätigen die Einebnung. Über den Benchmark mit 320 Beispielen hinweg, der unseren sprachspezifischen Vergleichsbasen zugrunde liegt, liegt japanische KI-Ausgabe bei 59 für Formalität und 45 für Prägnanz, mit dem niedrigsten Wortschatzreichtum der vier gemessenen Sprachen bei 37. Das sind Durchschnittswerte, und der Durchschnitt ist das Problem: Das Modell schreibt nicht auf Ihrer Formalitätsebene, es schreibt auf 59. (Unseren japanischen Wert für Ausdrucksstärke haben wir nach Entdeckung eines Messfehlers zurückgezogen und führen ihn hier nicht an.)

Warum löst „höflich und professionell“ das Problem nicht?

Weil die Formel ein Zeiger auf ein Register ist, das das Modell bereits kennt, und sie zeigt auf die Mitte von allem, was je unter diesem Etikett geschrieben wurde. Tippen Sie 丁寧でプロフェッショナルに oder „höflich, professionell, angemessen für das japanische Geschäftsleben“, und das Modell ruft seinen Durchschnitt japanischer Geschäftskorrespondenz ab: denselben Durchschnitt, den jeder andere Nutzer dieser Formel erhält. Ihr Kollege, der dieselben Wörter eintippt, bekommt dieselbe E-Mail. Sie beide schreiben sich kein bisschen ähnlich.

KI kennt Ihren Ton nicht. Sie kennt Wörter, die Ton beschreiben.

Dieselbe Schwachstelle haben wir für das Englische in warum Ton-Adjektive nicht Ihre Stimme sind auseinandergenommen, und das Japanische verschärft sie auf zwei Arten. Erstens ist das Registervokabular reicher, sodass das Adjektiv mehr Fläche abdeckt und weniger einschränkt. „Höflich“ umfasst im Japanischen alles von einer Slack-Nachricht bis zum förmlichen Entschuldigungsschreiben. Zweitens ist die Sensibilität des Lesers höher. Japanische Geschäftsleser lesen das Register als Information über die Beziehung, also ist eine Abweichung keine Stilkleinigkeit. Sie ist eine Botschaft, die Sie nicht senden wollten.

Auch die üblichen Behelfslösungen schließen die Lücke nicht:

• Frühere E-Mails als Referenzdateien hochladen. Das Modell ruft sie ab, wenn es sie für relevant hält, und paraphrasiert den Inhalt. Die Gewohnheiten nimmt es nicht auf. Fünf E-Mails können ihm nicht sagen, ob Ihre einzelne Abfederungsfloskel eine Regel oder eine Laune ist.
• Um „denselben Ton wie in meiner letzten E-Mail“ bitten. Funktioniert für einen Entwurf, verflüchtigt sich in der nächsten Unterhaltung und kopiert die Oberfläche dieser einen E-Mail samt allem, was daran ungewöhnlich war.
• Auf Englisch schreiben und um eine japanische Übersetzung bitten. Erzeugt englische Direktheit in japanischer Grammatik. Die Bitte kommt zu früh, die Abfederung fehlt, und das Ergebnis wirkt auf jeden japanischen Kollegen schroff. Die Gegenrichtung, KI-Englisch, das übersetzt klingt, ist derselbe Fehler mit vertauschten Sprachen.
• Auf ein neueres Modell wechseln. Ein leistungsfähigeres Modell folgt Anweisungen treuer. Geben Sie ihm ein Adjektiv, und es liefert eine polierte Fassung desselben Durchschnitts. Der Entwurf liest sich besser und klingt kein bisschen mehr nach Ihnen.

Dieser letzte Punkt verdient einen eigenen Abschnitt, denn auf ihn setzen die meisten.

Lernt ein besseres Modell mein japanisches Register?

Nein, und der Grund ist struktureller Natur. Modellfähigkeit und Konditionierung auf Nutzerdaten sind getrennte Schichten. Das Labor verbessert die erste mit jeder Version. Die zweite kann es nicht liefern, denn sie besteht aus E-Mails, die Sie gesendet haben, und das Labor hat sie nie gesehen.

Was ein stärkeres Modell liefert, ist Anweisungstreue. Füttern Sie es mit „höflich und professionell“, und es führt diese Anweisung gründlicher aus als das vorige Modell: glatteres Keigo, konsistentere Ebene, sauberere Formeln. Es ist näher an den Durchschnitt gerückt, nicht näher an Sie. Leser, die berichten, ihre japanischen Entwürfe seien nach einem Modell-Upgrade „generischer“ geworden, beschreiben genau das.

Dieselbe Eigenschaft arbeitet für Sie, sobald die Anweisung etwas Präzises enthält. Ein Profil, das sagt „Kundenmails mit いつもお世話になっております eröffnen, nie mit dem jahreszeitlichen Gruß; eine Abfederungsfloskel vor einer Bitte, immer お手数ですが; mit よろしくお願いいたします schließen, nie mit 申し上げます; Bitte im zweiten Satz“, ist ein Regelsatz, den ein stärkeres Modell genauer trifft als ein schwächeres. Je besser das Modell darin wird, nuancierten Anweisungen zu folgen, desto besser setzt es Ihr Profil um. Das allgemeine Argument haben wir in warum bessere KI-Modelle Ihre Stimme trotzdem nicht kennen dargelegt. Das Japanische ist der Fall, in dem das Argument am härtesten greift, weil die Lücke zwischen „höflich“ und Ihrem Höflich am breitesten ist.

Das Modell-Dropdown ist also das Letzte, was Sie ändern sollten. Korrigieren Sie, was das Modell ausführen soll, und jede künftige Version führt es besser aus.

Wie geben Sie der KI Ihr eigenes japanisches Register?

Messen Sie es an E-Mails, die Sie bereits gesendet haben, und übergeben Sie die Messwerte dann als Regeln. Ihr Register ist zählbar. Jeder der vier beweglichen Teile oben lässt sich in einer Stunde aus zehn bis fünfzehn E-Mails ablesen, und jeder wird zu einer Anweisung ohne ein einziges Adjektiv.

Beginnen Sie damit, Ihre Beispiele zu trennen. Japanisch in einen Ordner, Englisch in einen anderen, und innerhalb des Japanischen jede E-Mail nach Beziehung beschriften: langjähriger Kunde, neuer Kontakt, intern, Lieferant, Entschuldigung. Werfen Sie sie nicht zusammen. Ein Profil, das über Ihre Kundenmails und Ihre Teammails gemittelt ist, ist ein Profil von niemandem, und genau diesem Fehler wollen Sie entkommen.

Dann zählen Sie, pro Register:

Ebene. Welche Verbform haben Sie bei jeder Bitte verwendet? Zählen Sie いたします, させていただきます, します. Bei jeder Anfrage: ください, いただけますでしょうか oder いただけますと幸いです. Sie werden pro Beziehung eine feste Gewohnheit finden, und eine Gewohnheit ist eine Regel.

Abfederung. Zählen Sie クッション言葉 pro Bitte. Notieren Sie, welche. Die meisten Schreibenden haben ein oder zwei Favoriten und ein Maximum, das sie nie überschreiten. Schreiben Sie das Maximum als harte Obergrenze auf.

Formeln. Listen Sie Ihre Eröffnungen und Schlüsse nach Register auf. Notieren Sie, was Sie nie verwenden. Abwesenheit ist in einem Beispiel unsichtbar und muss ausgesprochen werden: „nie 拝啓, nie 何卒 in internen Mails.“

Rhythmus. Wörter oder Zeichen pro Satz, typischer Wert und Spanne. Wo die Bitte sitzt (erster Satz, zweiter, eigener Absatz). Ob Sie in Kundenmails Aufzählungen verwenden. Wie oft ein Satz auf ein Substantiv endet.

Ein fertiger Block für ein Register sieht so aus:

Register: bestehender Kunde, wöchentlicher Kontakt. Eröffnung mit いつもお世話になっております, keine jahreszeitliche Zeile. Bitte in Satz zwei. Eine Abfederungsfloskel, お手数ですが oder 恐れ入りますが, nie gestapelt. Anfragen als いただけますでしょうか. Verbebene いたします; nie させていただきます. Sätze 25 bis 45 Zeichen, ein Gedanke pro Satz. Schluss mit 引き続きよろしくお願いいたします. Nie 何卒, nie 申し上げます.

Fügen Sie das dort ein, wo Ihre Anweisungen liegen: ChatGPT Custom Instructions, ein Claude Project, ein Gemini Gem, das Anweisungsfeld eines Custom GPT. Halten Sie einen Block pro Register und sagen Sie dem Modell, welcher gilt. Unser Leitfaden zum Verbinden Ihres Schreibstils mit ChatGPT erklärt, wohin jeder Block gehört und wie Sie verhindern, dass er in einer langen Unterhaltung abdriftet.

Genau das tut auch ein Stilprofil von MyWritingTwin.com, pro Sprache. Die japanischen Beispiele eines mehrsprachigen Nutzers erhalten ihre eigene Schreib-DNA-Analyse, gemessen an einer japanischen statt einer englischen Vergleichsbasis, über mehr Dimensionen als die vier oben. Die Ausgabe ist ein Block von Vorgaben, und Ihr Writing Twin für ChatGPT, Claude und Gemini ist dieser Block, eingesetzt in den Tools, die Sie ohnehin verwenden. Ihre englischen Beispiele erhalten ein eigenes Profil. Keines ist eine Übersetzung des anderen, denn Ihre beiden Stimmen sind keine Übersetzungen voneinander.

Zwei Eigenschaften eines gemessenen Profils zählen hier mehr als irgendwo sonst. Es lässt sich prüfen: „War das höflich genug?“ hat keine Antwort, „Gab es eine Abfederungsfloskel, und war es お手数ですが?“ schon. Und es überlebt das Modell, weil die Regeln Sie beschreiben und nicht das Tool.

Wie testen Sie, ob der Entwurf Ihrer ist?

Geben Sie dem Modell das Briefing für eine japanische E-Mail, die Sie bereits gesendet haben, legen Sie seinen Entwurf neben Ihren und zählen Sie. Keine Tools, fünf Minuten, und die Antwort ist ein Satz Zahlen statt eines Gefühls.

Wählen Sie aus dem letzten Monat eine E-Mail pro Register. Schreiben Sie für jede ein zweizeiliges Briefing: an wen sie ging, was Sie brauchten, was der Empfänger bereits wusste. Bitten Sie das Modell um die E-Mail auf Japanisch und vergleichen Sie:

• Eröffnungszeile: dieselbe Formel oder die aus dem Lehrbuch?
• Position der Bitte: welcher Satz?
• Abfederungsfloskeln: wie viele, und welche?
• Verbebene bei der Bitte: いたします, させていただきます oder します?
• Schluss: Ihrer oder standardmäßig よろしくお願いいたします?
• Zeichen pro Satz: typisch, kürzester, längster

Weichen die Zahlen ab, kennt das Modell Ihr Register nicht, was auch immer es sagt, wenn Sie es direkt fragen (es wird Ja sagen; es sagt immer Ja). Adjektivbasierte Setups bestehen meist bei der formellen Kunden-E-Mail, weil der Durchschnitt diesem Register am nächsten liegt, und scheitern bei der internen und der an den langjährigen Kunden, weil dort Ihre Gewohnheiten vom Zentrum abweichen.

Führen Sie denselben Test erneut durch, nachdem Sie das Adjektiv durch den gemessenen Block ersetzt haben. Die Zahlen nähern sich beim ersten Entwurf an und nähern sich weiter an, während Sie einzelne Regeln nachschärfen. Diese Annäherung ist der Unterschied zwischen einer E-Mail mit Ihrer Unterschrift darunter und einer E-Mail mit Ihnen darin.

Das Keigo war nie das Problem. Das Register war es, und das Register wurde nie übergeben.

Prüfen Sie mit dem Humanity Score-Test, wie weit Ihre KI-Entwürfe von Ihrem echten Schreiben entfernt sind, oder laden Sie Ihre japanischen Beispiele hoch und lassen Sie ein Stilprofil das Zählen übernehmen.