Warum KI die Mathematik der Schriftgrößenskala falsch berechnet

KI berechnet die Mathematik der Schriftgrößenskala oft falsch, weil eine modulare Skala exponentielle Arithmetik ist — Basis × Verhältnis^n — und ein Sprachmodell, das direkt aus der Sprache heraus antwortet, diese Arithmetik annähert, statt sie tatsächlich auszuführen. Die Ergebnisse sehen richtig aus: plausible Pixelwerte, nah an den echten. Aber sie driften, am deutlichsten bei Halbschritten und immer dann, wenn jede neue Größe aus einer bereits gerundeten vorherigen multipliziert wird.

Die Unterscheidung, die man sofort ziehen sollte: Hier geht es nicht um typografisches Urteilsvermögen. Frag ein Modell, welches Verhältnis zu einem textdichten Dashboard passt, und der Rat ist meist stichhaltig. Das Versagen sitzt eine Ebene tiefer, in der Arithmetik — und genau zu kartieren, wo diese Ebene beginnt, ist der Sinn dieses Artikels, Teil unseres Leitfadens zu KI und Designsystemen. Nicht um das Modell zu verspotten, sondern um die Grenze zu markieren: Sprache ist sein Heimspiel; exponentielle Präzision gehört dem Taschenrechner.

Welche Mathematik verlangt eine Schriftgrößenskala eigentlich?

Eine modulare Schriftgrößenskala leitet jede Schriftgröße aus einer Basis und einem Verhältnis ab:

size(i) = base × ratio^i

Die entscheidende Operation ist der Exponent. Jeder Schritt multipliziert das vollständige Ergebnis der vorherigen Berechnung, deshalb muss die Präzision in ungerundeten Dezimalstellen den ganzen Weg nach oben mitgeführt werden — ein Fehler von einem Drittel Pixel bei Schritt zwei wird bei Schritt drei zu einem ganzen Pixel und bei Schritt vier zu zwei Pixeln. Die Potenzierung verzeiht kleine Fehler nicht; sie schaukelt sie auf.

Warum nähern Sprachmodelle an, statt zu rechnen?

Ein Sprachmodell erzeugt Text Token für Token, geleitet davon, was statistisch wahrscheinlich ist angesichts von allem, was davor kam. Zahlen sind auch Token. Das Modell hat genug Arithmetik gelesen, um starke Muster dafür verinnerlicht zu haben, wie eine Antwort aussieht — richtige Größenordnung, richtige Nachbarschaft, richtige Anzahl an Ziffern —, sodass seine Ausgabe nahe am echten Wert landet, mit der Zuversicht eines berechneten. Was ihm fehlt, wenn es direkt aus der Sprache heraus antwortet, ist eine Recheneinheit, die exakte Dezimalstellen durch einen Exponenten trägt.

Für die meisten Alltagszahlen ist die Annäherung nah genug, um durchzugehen. Eine exponentielle Skala ist genau die Art von Aufgabe, bei der „nah genug“ zum Vorschein kommt: Das Aufschaukeln bestraft jeden kleinen Fehler, und der Rundungsschritt am Ende macht aus einer Drift von 0,4px eine sichtbar andere Ganzzahl.

Eine ehrliche Einschränkung: Viele Assistenten können ein Code-Werkzeug aufrufen, und wenn das Modell die Berechnung tatsächlich ausführt, kommen die Zahlen richtig zurück. Die Fehlerklasse gehört zu Antworten, die direkt aus der Sprache heraus entstehen — und nichts an der Formulierung einer Antwort verrät dir, welche Art du bekommen hast.

Wie sieht die Drift in echten Zahlen aus?

Nimm die häufigste Konfiguration in freier Wildbahn: Basis 16, Verhältnis 1,333 (eine reine Quarte). Das korrekte Verfahren berechnet jeden exakten Wert und rundet ihn dann:

Jetzt der sich aufschaukelnde Fehlermodus — vorwärts auf bereits gerundeten Werten multiplizieren, was ein annäherndes Modell (und, fairerweise, viele sorgfältige Menschen mit Taschenrechner) tendenziell tut:

16 × 1.333 = 21.328 → 21
21 × 1.333 = 27.99  → 28
28 × 1.333 = 37.32  → 37   (echte Skala: 38)
37 × 1.333 = 49.32  → 49   (echte Skala: 51)

Bei Schritt 3 sagt die Folge 37, wo die Skala 38 sagt; bei Schritt 4 sagt sie 49, wo die Skala 51 sagt. Jeder Wert ist eine glaubwürdige Überschriftengröße — an „49px“ wirkt nichts falsch —, aber das System, zu dem er gehört, folgt seinem eigenen erklärten Verhältnis nicht mehr.

Halbschritte legen die Annäherung noch schneller offen. Der exakte Wert von 16 × 1,333^1,5 ist 24,62, was auf 25 rundet. Ein Modell, das 1,333^1,5 grob als 1,5 annähert, antwortet 24 — einen Pixel daneben, bei genau der Art von Größe (ein Vorspann-Absatz zwischen Fließtext und Überschrift), für die Teams zu einem Halbschritt greifen.

Öffne die berechnete Quarten-Skala im Scale Composer — dieselbe Basis und dasselbe Verhältnis wie in der Tabelle, jeder Schritt aus dem exakten exponentiellen Wert berechnet und einmal gerundet, ganz am Ende.

Warum ist die Rundungsdisziplin so leicht zu übersehen?

Weil das falsche Verfahren sich rigoros anfühlt. Jede gerundete Größe mit dem Verhältnis zu multiplizieren ist das Anwenden der Formel — nur auf die falsche Eingabe. Die korrekte Disziplin besteht darin, Basis × Verhältnis^n in voller Präzision zu berechnen und diesen exakten Wert zu runden (im Code Math.round auf das ungerundete Ergebnis angewandt), und niemals eine gerundete Zahl vorwärts in die nächste Multiplikation zu übernehmen. Der Scale Composer berechnet jeden Schritt auf diese Weise, weshalb seine Skalen regenerierbar bleiben: Dieselben Eingaben erzeugen dieselben Ausgaben, für immer.

Diese Regenerierbarkeit ist der praktische Einsatz. Eine Skala, die als 16/21/28/37/49 ausgeliefert wurde, lässt sich durch keine korrekte Berechnung reproduzieren — das nächste Mal, wenn jemand sie ehrlich neu berechnet, bekommt er 38 und 51, und der Diff sieht aus wie eine Design-Entscheidung, obwohl er in Wirklichkeit eine arithmetische Korrektur ist.

Wo hilft KI bei Typografie wirklich?

Überall dort, wo die Aufgabe ein in Sprache ausgedrücktes Urteil ist. Ein Verhältnis für einen Inhaltstyp empfehlen — wobei sein Rat meist mit unserem Leitfaden zur Wahl des Verhältnisses einer Schriftgrößenskala übereinstimmt — den Kompromiss zwischen subtilen und dramatischen Hierarchien erklären, die Ebenen benennen, Schriftstärken kombinieren, die Dokumentation entwerfen. Das sind Sampling-Aufgaben über einem großen Korpus typografischer Texte, und das Modell erledigt sie gut. Die Arbeitsteilung ist eng und sauber: Lass dich vom Modell zu einer Basis und einem Verhältnis führen, und überlass es dann etwas Deterministischem, die Potenz zu bilden.

Spür die Disziplin bei einem sanfteren Verhältnis

Die Feinheit lässt sich leichter fühlen als merken: öffne dieselbe 16px-Basis bei einer kleinen Terz — Verhältnis 1,2 — und beobachte die gerundeten Schritte. Je sanfter das Verhältnis, desto näher sitzen benachbarte Größen beieinander, und desto mehr fällt ein einzelner falsch gerundeter Pixel für die Hierarchie ins Gewicht. Vergleiche die Schritte mit dem, was du beim Vorwärtsmultiplizieren gerundeter Werte bekämst — auf einer engen Skala ist die Disziplin keine Pedanterie; sie ist der Unterschied, ob benachbarte Ebenen als beabsichtigt oder zufällig gelesen werden.