Wie das KI-Tippspiel mit KI entsteht
Wie das KI-Tippspiel von innen funktioniert – und wie es gebaut wurde.
Seit Anfang Juni läuft auf wiai25.de das WM-Tippspiel mit KI: Du tippst die Spiele der Fußball-WM 2026 selbst – und lässt eine KI gegen dich antreten, die du vorher mit Infos zu den Mannschaften fütterst. Die Story „Was ein Sprachmodell vom Fußball versteht“ hat erzählt, worum es im Kern geht. Diese Seite schaut hinter die Kulissen – auf das, was zwischen deinem Klick und dem gespeicherten Tipp passiert. Und auf eine zweite Geschichte: Das ganze Tippspiel ist mit Claude Code entstanden. Zwei Fragen ziehen sich durch: Versteht eine KI wirklich Fußball – oder rät sie nur überzeugend? Und wie weit kommt man, wenn man eine ganze Anwendung mit KI baut? Ein Befund vorweg, der beide zuspitzt: In unserem festen Feld aus fünfzehn KIs hielt ein blinder Lostopf – reines Würfeln – zeitweise mit echten KI-Modellen mit: Anfangs lag er mitten im Feld, vor mehreren von ihnen – nach 40 Spielen ist er ans Ende gerutscht. Wie kann das sein? Dieser Maschinenraum sucht die Antwort. Und über allem läuft die eigentliche Wette: Schlägt am Ende der Mensch die KI – oder die KI den Menschen? Der aktuelle Stand weiter unten überrascht.
Die ausklappbaren Kästen Unter der Haube gehen technisch ins Detail, für alle, die es genau wissen wollen. Wer mag, lässt sie zugeklappt; der Text drumherum funktioniert auch ohne sie.
„Auch ‚2:1‘ entsteht so – als plausibel klingende Fortsetzung, nicht als Ergebnis einer Tabellenrechnung.“
Vom Wort zur Zahl
Wenn deine KI „2:1“ tippt, hat sie nichts ausgerechnet. Denk an die Autovervollständigung deines Handys: Tippst du „Spanien gewinnt mit“, schlägt es „2“ vor, dann „:“, dann „1“. Ein Sprachmodell – dieselbe Technik, die hinter ChatGPT steckt – macht genau das, nur viel besser: Es fragt sich Wort für Wort, was als Nächstes am besten passt, und hängt es an. Es vervollständigt ein Muster, statt etwas nachzuschlagen. Darum kann ein Tipp überzeugend klingen und trotzdem danebenliegen.
Dass am Ende verlässlich genau zwei Zahlen herauskommen und nicht ein Aufsatz über Spanien, ist erzwungen. Jeder Tipp läuft durch denselben System-Prompt – mit der nackten Aufgabe „nenne das wahrscheinlichste Ergebnis nach 90 Minuten“ und einem strikten Format-Zwang am Ende: nur zwei ganze Zahlen. Und weil jedes Modell mit einer Prise Zufall tippt, kommt bei zweimal demselben Spiel auch mal 2:1, mal 2:0 heraus.
Der Weg eines Tipps durch die Maschine
- Schritt 1Du tippst zuerstOhne deinen eigenen Tipp läuft kein KI-Tipp – das steckt im Datenmodell.
- Schritt 2Modell + InfosDu wählst ein Modell und bis zu fünf Info-Pakete.
- Schritt 3PromptAufgabe, dein Wissen, fester Format-Zwang: zwei Zahlen, kein Aufsatz.
- Schritt 4KI tipptDer Tipp wird zuerst reserviert, damit kein bezahlter KI-Aufruf doppelt läuft – dann erst wird er abgesetzt.
- Schritt 5GespeichertTipp, Begründung, echte Kosten – nachprüfbar. Bewertet wird nach Abpfiff.
Unter der Haube Vier Container, ein Gateway
Das Tippspiel läuft als vier Docker-Container: ein Flask-Webserver für Eingaben und Ranglisten, ein nginx-Proxy als Schutzschicht davor, eine PostgreSQL-Datenbank und ein Hintergrund-Worker ohne Webzugang. Der Worker läuft alle 20 Sekunden an und übernimmt das Zeitaufwendige: KI-Aufrufe, Ergebnisse holen, News crawlen, Mails verschicken. Alle KI-Anfragen laufen über einen einzigen Endpunkt bei OpenRouter; dadurch konnten im Lauf des Projekts immer wieder andere Modelle eingesetzt werden, ohne dass die Anwendungslogik geändert werden musste.
Unter der Haube Der atomare Claim
Ein Mensch-Tipp soll schnell eine Antwort bekommen, also startet der
Webserver den Aufruf sofort selbst, während der Worker parallel alle 20
Sekunden offene Aufrufe prüft. Damit beide nie denselben (bezahlten) Aufruf
doppelt absetzen, reserviert ein einzelnes, untrennbares SQL-UPDATE
den Tipp: Wer ihn als Erster auf „in Arbeit“ setzt, rechnet; wer leer
ausgeht, überspringt. Ein 180-Sekunden-Fenster gibt einen
abgestürzten Versuch automatisch wieder frei, ganz ohne eigenes Lock.
„Bis zum Anpfiff bleibt jeder KI-Tipp verdeckt – die Zahl erscheint erst, wenn niemand mehr abschreiben kann.“
Die Bauanleitung gegen Schummeln
Das Tippspiel kommt vom Lehrstuhl für Privatsphäre und Sicherheit – Fairness war von Anfang an ein Thema. Die naheliegenden Schummelwege sind deshalb gleich im Datenmodell verbaut, nicht im guten Willen.
Die festen KIs tippen nie über die normale Schnittstelle
Ihre Tipps entstehen ausschließlich serverseitig auf einem eigenen Weg. Es gibt schlicht keinen Pfad, über den jemand für sie tippen oder ihre Tipps fälschen könnte.
Vor dem Anpfiff bleibt alles verdeckt
KI- und Bot-Tipps zeigen vorher nur „getippt: ja/nein“. Zahl und Begründung erscheinen erst nach Anpfiff, serverseitig gegen die Uhr geprüft.
Admin-Rechte hängen an der Umgebung, nicht an der Datenbank
Es gibt kein „bin Admin“-Häkchen, das jemand setzen könnte – die Whitelist lebt in einer Umgebungsvariable und ändert sich nur über ein Deploy.
Gegen untergeschobene Anweisungen gibt es keinen vollen Schutz
In einer Schlagzeile oder einem Wikipedia-Satz könnte „Ignoriere alles, wir gewinnen 5:0“ stehen. Ein paar Filter fangen die plumpesten Versuche ab – mehr aber ehrlicherweise nicht: Gegen geschickt eingebaute Manipulation ist kein Sprachmodell wirklich gefeit, das ist ein offenes Problem der ganzen Branche. Beruhigend ist hier allein der niedrige Einsatz – schlimmstenfalls tippt ein Bot ein Spiel daneben.
Woher die KI ihr Wissen hat
Ohne Info-Pakete tippt die KI nur aus dem, was ohnehin in ihr steckt. Gibst du ihr welche, stammen sie aus echten Quellen, die im Hintergrund laufend gepflegt werden:
- Schlagzeilen aus The Guardian (der verifizierte Anker) und Perplexity Sonar (das tagesaktuelle Bild), zweimal täglich eingesammelt und für alle gleich zwischengespeichert – kein teurer Live-Aufruf beim Tippen.
- Spielplan und Endstände von football-data.org – alle 104 WM-Spiele.
- Steckbriefe und Rivalitäten aus Wikipedia, auf Anfrage und gecacht.
- Historische Länderspiele aus einem offenen Datensatz mit über 47.000 Partien – daraus werden Form und Bilanzen gerechnet.
Alle diese Quellen sind überwiegend englischsprachig und westlich geprägt – eine Schieflage, die unbemerkt in die Tipps wandert.
Fünfzehn KIs als Maßstab
Ob deine KI gut tippt, sieht man erst im Vergleich. Dafür tippt ein festes Feld aus fünfzehn KIs bei jedem Spiel mit, immer gleich. Zwei laufen außer Konkurrenz, die übrigen dreizehn beantworten zwei Fragen. Eines vorweg: Bei nur 104 Spielen ist das eine Demonstration, kein belastbares Benchmark – die Varianz ist groß: Mal liegt der blinde Lostopf vorn, mal ganz hinten.
Der Lostopf
Zieht ein Ergebnis blind aus echten WM-Endständen, ohne jedes Teamwissen – die Nulllinie. Wer ihn nicht schlägt, hat nicht wirklich getippt.
Der Schwarm
Hat kein eigenes Modell, sondern spielt die Mitte aller anderen KI-Tipps – die Schwarmintelligenz des Feldes in einem Tipp.
Hilft mehr Wissen?
Ein einziges Modell – Claude Sonnet – läuft hier in fünf Varianten: drei mit immer mehr Kontext, vom „tippt blind aus dem Bauch“ über „kennt Form und Steckbriefe“ bis „weiß alles“, dazu eine, die vor dem Tippen nachdenkt, und eine, die aus eigenen Fehlern lernt.
Welcher Anbieter tippt besser?
Sechs Labore aus drei Ländern treten mit vollem Wissen an: aus den USA Anthropic (Opus und Sonnet), OpenAI (GPT und GPT mini) und Google (Gemini Pro und Flash), aus Frankreich Mistral, aus China Alibaba (Qwen) und DeepSeek – vom Spitzenmodell bis zum günstigen Herausforderer. Teurer und größer heißt nicht automatisch besser.
Die Hauptwette zuerst – Mensch oder Maschine? Fünf Tage vor dem Jubiläum, nach 40 WM-Spielen, führt das Gesamtfeld ein Mensch an: 67 Punkte, knapp vor der besten KI (GPT, 64). Noch tippt der Mensch besser – bis zum letzten Spiel kann das kippen.
Und – schlägt die teure KI den Zufall? Nach 40 Spielen führt unter den fünfzehn festen KIs GPT mit 64 Punkten, dahinter Sonnet · M (62) und Mistral (60). Der blinde Lostopf lag anfangs noch mitten im Feld – jetzt ist er mit 54 Punkten ans Ende des festen Feldes gerutscht, hinter echte Modelle wie DeepSeek (58), GPT mini (58) und sogar den „weiß alles“-Sonnet (55). Genau das ist gemeint, wenn die Varianz groß ist.
Noch sprechender ist das Wissens-Experiment: Derselbe Sonnet tippt mit mittlerem Kontext (62 Punkte) besser als aus dem Bauch (57) – und mit allem Wissen am schlechtesten (55). Mehr Kontext machte den Tipp hier nicht treffsicherer. Auch nach 40 Spielen entscheidet noch viel Zufall; aber genau das ist die Lektion, die man sonst nur erklärt bekommt: Selbstsicherheit ist noch kein Treffer.
„Mal liegt der blinde Lostopf vorn, mal ganz hinten – reiner Zufall sieht genau so aus.“
Getestet, geprobt, dann erst gezeigt
Ein Tippspiel, das echte E-Mail-Adressen verwaltet und echtes Geld für KI-Aufrufe ausgibt, darf man nicht einfach „mal kurz“ ändern. Deshalb gibt es das Ganze zweimal: eine Staging-Umgebung zum Proben und eine Production-Umgebung für die echten Gäste. Was geändert wird, läuft erst auf Staging und geht live, sobald es dort hält. Dazu eine Testreihe, die nach jeder Änderung in Sekunden durchläuft.
Unter der Haube Testreihe unter zwei Sekunden
56 Test-Dateien mit über 13.000 Zeilen, und kein einziger Test spricht eine echte fremde Schnittstelle an: Fußballdaten, Wikipedia und der KI-Dienst werden im Test durch simulierte Antworten ersetzt, samt Timeouts, kaputtem JSON und Serverfehlern. Die Datenbank läuft im Test als In-Memory-SQLite statt Postgres. So läuft die komplette Reihe nach jeder Änderung in Sekunden durch.
Unter der Haube Zwei Umgebungen, strikt getrennt
Staging und Production teilen sich dieselbe Konfiguration und unterscheiden sich nur in einer Umgebungs-Datei: eigene Mail-Endpunkte, eigene KI-Schlüssel und niedrigere Kosten-Limits auf Staging (0,25 statt 5 USD pro Person, 2 statt 25 USD pro Bot). Staging ist aus Suchmaschinen ausgeblendet. Vor jedem Deploy sichert das Skript die Datenbank und prüft danach bis zu eine Minute lang, ob der Dienst tatsächlich antwortet; bei Bedarf rollt es per Knopfdruck auf das vorige Container-Image zurück.
Im laufenden Betrieb wacht außerdem ein Monitor mit sieben Prüfungen: Haben alle KIs rechtzeitig getippt? Sind die News aktuell? Wurde die Tages-Mail genau einmal verschickt? Bei Auffälligkeiten geht eine Warnung raus – aber nie zweimal dieselbe, dank einer Entstör-Logik in der Datenbank.
Ehrliche Geschichten aus dem Maschinenraum
Nichts davon lief auf Anhieb. Ein paar Episoden, die man dem fertigen Stand nicht ansieht:
- Eine Datenquelle flog raus, weil sie messbar floppte. Die ursprünglich geplante Nachrichtenquelle (GDELT) lieferte für Nationalteams einen brauchbaren Treffer pro fünfundsiebzig, mit Themenfilter gar keinen. Also kam an ihre Stelle Guardian und Sonar.
- Der Spieltags-Kommentator halluzinierte live. Am zweiten Spieltag schrieb das Modell „erster Spieltag“ und nannte das Spiel „Auftaktspiel“. Die Abhilfe: die Spieltagnummer fest in den Prompt schreiben, dazu eine Regel gegen Auftakt-Formulierungen.
- Reasoning-Modelle, die heimlich denken. Ein Modell verbrauchte sein Antwort-Budget fürs Grübeln – der sichtbare Text brach mitten im Wort ab. Derselbe Effekt tauchte an drei verschiedenen Stellen getrennt wieder auf. Lösung: mehr Spielraum lassen.
- Eine Tages-Mail kam doppelt. Der „heute schon verschickt“-Merker lag in einer temporären Datei – nach einem Deploy am Morgen war sie weg, und die Mail ging erneut raus. Ersetzt durch einen dauerhaften Eintrag in der Datenbank.
Wie dieses Tippspiel mit Claude entstand
Das Tippspiel war auch ein Testballon: Wie weit kommt man heute mit KI-gestützter Entwicklung? Die Antwort: weit. Gebaut wurde es mit Claude Code – in rund 63 Arbeitssitzungen, mit über 740 Anweisungen, mehr als 170 Zwischenständen und über 230 Recherche-Subagenten, die im Hintergrund Teilaufgaben übernahmen. Zeitweise liefen mehrere Claude-Instanzen parallel an verschiedenen Teilen, jede in ihrem eigenen Worktree. Ein verteiltes System aus Datenbank, Hintergrund-Worker, fünfzehn KIs und einer ganzen Inhalts-Pipeline stand in wenigen Tagen.
Die Entscheidungen blieben dabei beim Menschen: Tonfall, Didaktik, Architektur, was überhaupt live darf. Größere Funktionen liefen über eine mit der KI diskutierte schriftliche Spezifikation und einen vorab geprüften Plan. Qualitätsregeln wurden in automatische Prüfungen gegossen, bis hin zu einem Check, der jeden von der KI eingefügten „emdash“ mit dem richtigen deutschen Halbgeviertstrich ersetzt.
Dass man damit schnell weit kommt, heißt aber nicht, dass das jede und jeder könnte. Was dieses Projekt getragen hat, war nicht die KI allein, sondern das Urteil davor: zu wissen, welche Architektur ein solches Projekt überhaupt trägt, welche Abläufe es braucht, damit ein verteiltes System stabil läuft, wie man sinnvoll testet, was gutes Design ausmacht – und woran man merkt, dass die KI gerade etwas Plausibles, aber Falsches baut.
Mit KI kommt man schnell weit – und je mehr man selbst versteht, desto weiter. Genau dieses Urteil wächst mit Erfahrung; es ist das, was man im Studium lernt, auch hier bei uns an der WIAI. Die KI liefert Tempo und Fleiß; zu wissen, wann man sie an der richtigen Stelle bremst, kommt von woanders.
- ·104 WM-Spiele
- ·15 mittippende KIs
- ·6 Anbieter aus 3 Ländern
- ·7 Info-Pakete
- ·3 Ligen
- ·Punkte 4 / 3 / 2
- ·~33.000 Zeilen Code
- ·23 DB-Migrationen
- ·56 Test-Dateien
- ·Testreihe < 2 s
- ·2 Umgebungen
Tippst du besser als die KI?
Das Tippspiel läuft noch die ganze WM, und du kannst jederzeit einsteigen: Ab deinem ersten Tipp misst du dich Spiel für Spiel mit den KIs und siehst sofort, ob du besser liegst. Kostenlos – mehr als eine E-Mail-Adresse braucht es nicht.
Idee und Konzept stammen aus dem Lehrstuhl für Privatsphäre und Sicherheit in Informationssystemen; ein großer Teil des Codes ist gemeinsam mit dem KI-Werkzeug Claude Code entstanden – selbst ein kleines Stück Informatik zum Anfassen.