KI als kultureller Beschleuniger

KernaussageNicht die reine Leistungsfähigkeit von KI entscheidet über ihren gesellschaftlichen Wert. Entscheidend sind die Bedingungen, unter denen aus individueller Assistenz überprüfbare Erkenntnis, kollektives Wissen und gemeinschaftlich nutzbare Handlungsmöglichkeiten entstehen.

• Dieses Whitepaper untersucht KI nicht primär als Produktivitätsinstrument, sondern als mögliche Erweiterung menschlicher Erkenntnis- und Gestaltungsmöglichkeiten.
• Im Zentrum steht die Frage, unter welchen Bedingungen aus technischer Assistenz überprüfbare Erkenntnisse, kollektives Wissen und gesellschaftlicher Nutzen entstehen können.
• Die Arbeit unterscheidet bewusst zwischen individueller Leistung, Exploration, überprüfter Erkenntnis, kollektivem Wissen und normativer Bewertung.
• Die gesellschaftlich-institutionelle Perspektive ist zentral. Bildung, wissenschaftliche Kritik, digitale Souveränität und institutionelle Anreize sind keine Nebenthemen, sondern Vermittlungsbedingungen.

Dieses Whitepaper ist eine interdisziplinäre, wissenschaftlich informierte Argumentation. Es ist weder eine eigene empirische Untersuchung noch eine vollständige systematische Literaturübersicht. Sein Ausgangspunkt ist eine persönlich motivierte Frage, nicht eine aus den Studien abgeleitete Hypothese. Empirische Forschungsarbeiten werden herangezogen, um einzelne Annahmen zu prüfen und Gegenbefunde sichtbar zu machen. Fachliche Empfehlungen und normative Orientierungen werden davon unterschieden. Das vorgeschlagene Bedingungsmodell ist eine eigene konzeptionelle Synthese, deren Beziehungen nicht insgesamt empirisch validiert sind.

Die empirische Grundlage umfasst acht vertieft analysierte Einzelarbeiten und zwei teilweise überlappende Metaanalysen. Es handelt sich um eine thematisch begründete, nicht erschöpfende Auswahl. Ergänzend werden wissenschaftstheoretische und institutionelle Ansätze sowie Orientierungstexte herangezogen. Die Untersuchung unterscheidet experimentelle Effekte, beobachtete Zusammenhänge, theoretische Mechanismen, normative Kriterien und offene Hypothesen. Eine fehlende Kausalprüfung wird nicht durch die Plausibilität einer Theorie ersetzt. Die Quellenhinweise benennen den jeweils zugrunde gelegten Stand; einzelne bibliografische Angaben bleiben für die Endredaktion zu verifizieren.

ABB. 01Vergrössern ↗

Die Frage hinter der Effizienz: Was könnten Menschen mit KI erschliessen?

Die öffentliche Diskussion über künstliche Intelligenz konzentriert sich häufig auf die schnellere und günstigere Erledigung bestehender Aufgaben. Gleichzeitig besteht die Befürchtung, dass ihre Fähigkeiten eines Tages so weit reichen könnten, dass Menschen die Kontrolle über sie verlieren. Beide Perspektiven berühren wichtige Fragen. Sie teilen jedoch eine auffällige Voraussetzung: Im Mittelpunkt steht die Leistungsfähigkeit der Technologie, während der Mensch vor allem als Anwender, Betroffener oder möglicher Konkurrent erscheint. Eine andere Frage verdient ebenso Aufmerksamkeit: Welche neuen Erkenntnis- und Gestaltungsmöglichkeiten eröffnet KI, wenn Menschen damit nicht nur bekannte Aufgaben erledigen, sondern bisher schwer zugängliche Ansätze untersuchen?

Die Frage entstand aus einer praktischen Überlegung und nicht aus einer wissenschaftlichen Theorie. Ausgangspunkt war die Beschäftigung mit einem lokalen KI-Agentensystem und der Versuch, eine eigene technische Idee mithilfe künstlicher Intelligenz systematisch auszuarbeiten. Dabei rückte ein besonderer Aspekt in den Vordergrund: Die Möglichkeiten des Vorhabens waren zu Beginn nicht vollständig absehbar. Fragen, die zunächst nach Softwarearchitektur oder geeigneten Werkzeugen aussahen, führten zu weiterführenden Überlegungen über Datenmodelle, wissenschaftliche Recherche, Anforderungen, Verifikation, Kontrolle und das Zusammenspiel unterschiedlicher technischer Verfahren. Mit der Bearbeitung einer Frage entstanden neue Fragen.

Diese Erfahrung ist zunächst eine Motivation für eine Untersuchung, kein Nachweis eines allgemeinen Effekts. Dass sich ein Entwicklungsprojekt durch KI-Unterstützung verändert, zeigt für sich genommen weder, dass dadurch dauerhaft neues Fachwissen erworben wird, noch, dass eine bestimmte Systemarchitektur überlegen ist. Noch weniger belegt es einen gesellschaftlichen Fortschritt. Daraus ergibt sich eine relevante Untersuchungsperspektive: Wenn ein Mensch einen Entwurf verfolgen kann, ohne schon alle dafür erforderlichen Fachgebiete vollständig zu beherrschen, könnten sich sowohl sein Handlungsspielraum als auch sein Verständnis der ursprünglichen Aufgabe verändern. Wenn sich im Verlauf der Arbeit auch die Fragestellung verändert, lässt sich der Prozess nicht ausreichend durch einen Effizienzgewinn beschreiben.

Die Untersuchung folgt einer konzeptionellen Arbeitsthese: Die gesellschaftliche Bedeutung künstlicher Intelligenz hängt nicht allein von ihrer Leistungsfähigkeit ab. Sie hängt auch davon ab, unter welchen technischen, individuellen und institutionellen Bedingungen neue Fragen und Möglichkeiten entstehen, wie die daraus hervorgehenden Ergebnisse überprüft werden und ob sie als vielfältiges, nachvollziehbares und gemeinsam nutzbares Wissen weiterentwickelt werden können. Die These dient der Analyse. Eine allgemeine empirische Bestätigung liegt nicht vor.

Im Folgenden meint Produktivität die Leistung bei einer bestimmten Aufgabe im Verhältnis zu eingesetzten Mitteln. Exploration bezeichnet die offene Suche, bei der auch die Fragestellung, Kriterien oder Lösungswege verändert werden können. Überprüfte Erkenntnis setzt eine dem Gegenstand angemessene Begründung oder Prüfung voraus. Kollektiver Erkenntnisgewinn verlangt darüber hinaus, dass Ergebnisse von anderen verstanden, kritisiert oder weiterverwendet werden können. Von kultureller Beschleunigung spricht dieses Whitepaper nur als Untersuchungsperspektive auf Veränderungen der gemeinsamen Wissens-, Diskurs- und Gestaltungspraxis. Ob solche Veränderungen als Fortschritt gelten, ist eine zusätzliche normative Frage. Wissenschaftliche und diskursive Praktiken sind in diesem Sinn Teil von Kultur, ohne Kultur auf Wissenschaft zu reduzieren.

Vom beschleunigten Arbeitsschritt zum erweiterten Möglichkeitsraum

Die beiden Wirkungen lassen sich unterscheiden. Ein Werkzeug, das für eine bereits festgelegte Aufgabe weniger Zeit benötigt, verbessert zunächst die Ausführung dieser Aufgabe. Ein Werkzeug, das zusätzliche Lösungswege sichtbar macht, bisher getrennte Wissensbestände miteinander in Beziehung setzt oder die Prüfung neuer Hypothesen erleichtert, könnte hingegen beeinflussen, welche Aufgaben überhaupt in Betracht gezogen werden. Beides kann nützlich sein, doch die Wirkungen sind nicht identisch.

In einem Forschungsprozess besteht ein beträchtlicher Teil der Arbeit darin, den Wissensstand zu erschliessen: relevante Literatur zu finden, Begriffe und Methoden zu vergleichen, frühere Versuche zu verstehen, widersprüchliche Befunde zu erkennen und eine untersuchbare Frage präzise zu formulieren. Künstliche Intelligenz könnte einzelne dieser Tätigkeiten unterstützen. Besonders interessant wird das dort, wo sie Verbindungen zwischen Disziplinen oder Forschungsfeldern vorschlägt, die eine einzelne Person unter ihren zeitlichen und fachlichen Bedingungen nur schwer überblicken kann. Aus einer ersten Idee könnte so eine besser begründete Hypothese werden; aus einer Hypothese ein prüfbarer Versuch; aus einem unerwarteten Ergebnis eine neue Frage.

Ein KI-Modell verfügt jedoch nicht über ein vollständiges und verlässlich abrufbares wissenschaftliches Wissen. Es kann Quellen übersehen, Zusammenhänge falsch darstellen, plausible Belege erfinden oder bestehende Positionen vereinfachen. Ein wissenschaftlicher Assistent verdient seinen Namen deshalb nicht allein dadurch, dass er schnell Antworten formuliert. Seine Vorschläge müssen auf auffindbare Literatur, nachvollziehbare Verfahren und gegebenenfalls auf mathematische, algorithmische oder experimentelle Prüfungen zurückgeführt werden können. Wo eine Berechnung oder ein formaler Beweis notwendig ist, sollte ein geeignetes Prüfwerkzeug die Richtigkeit sichern; wo eine empirische Behauptung aufgestellt wird, braucht es Daten und methodisch angemessene Untersuchungen. Eine überzeugend klingende Erklärung ersetzt keinen überprüfbaren Erkenntnisnachweis.

Eine sinnvolle Arbeitsteilung sieht deshalb wie folgt aus: Menschen formulieren Probleme, bewerten Relevanz, bestimmen Anforderungen und tragen Verantwortung. KI-gestützte Verfahren können bei Suche, Strukturierung, Variantenbildung und Hypothesenentwicklung helfen. Weitere Werkzeuge übernehmen dort die Prüfung, wo explizite Regeln oder formale Verfahren verlässlichere Resultate liefern. Es wäre nicht sinnvoll, jedes Problem einem Sprachmodell zu überlassen. Ebenso wenig sollten seine möglichen Beiträge zur Exploration von vornherein auf die Textproduktion reduziert werden. Entscheidend ist die angemessene Verbindung der Verfahren mit der jeweiligen Frage.

Ein Gedankenexperiment über menschliche Fähigkeiten

Das Gedankenexperiment fragt, wie Albert Einstein, Leonardo da Vinci oder Sokrates mit einem leistungsfähigen wissenschaftlichen Assistenten gearbeitet hätten. Die Frage lässt sich historisch nicht beantworten. Sie ist kein Argument dafür, dass diese Menschen bestimmte Entdeckungen früher gemacht oder andere Werke geschaffen hätten. Als Gedankenexperiment lenkt sie den Blick jedoch auf unterschiedliche Formen menschlicher Begrenzung.

Bei Einstein steht die Möglichkeit im Raum, mathematische Verfahren, Forschungsstände und alternative Modellannahmen mit geringeren Such- und Übersetzungshürden zu untersuchen. Bei Leonardo da Vinci zeigt sich eine andere Perspektive: die Verbindung von Kunst, Konstruktion, Naturbeobachtung und unterschiedlichen Fachmethoden. Bei Sokrates schliesslich rückt nicht die Menge des verfügbaren Wissens, sondern das Fragen selbst in den Mittelpunkt. Was bedeutet ein Gespräch mit einem Gegenüber, das in bestimmten Fragen sehr viel mehr Informationen und bessere Schlussfolgerungsverfahren zur Verfügung hat? Welche Rolle bleiben Zweifel, Widerspruch und menschlichem Urteil?

Die drei Beispiele stehen für unterschiedliche Formen intellektueller Arbeit. Sie verdeutlichen aber, weshalb KI-Unterstützung nicht allein für Menschen ohne vertiefte Ausbildung interessant sein könnte. Wer bereits über besondere Erfahrung oder Fachkompetenz verfügt, kann andere Fragen stellen, Annahmen präziser prüfen und Vorschläge fundierter beurteilen. Umgekehrt kann ein geringerer Zugangswiderstand Menschen ermöglichen, überhaupt erst in ein bislang fremdes Themengebiet einzusteigen. Daraus folgt jedoch nicht, dass assistierte Leistung mit selbstständiger Kompetenz gleichzusetzen wäre. Wer eine Aufgabe mithilfe eines Systems erfolgreich bearbeitet, kann noch nicht notwendigerweise erklären, überprüfen oder ohne dieses System wiederholen, was dabei geschehen ist.

Die Frage nach dem Potenzial künstlicher Intelligenz betrifft somit nicht nur die Höhe einer einzelnen Leistung. Sie betrifft auch den Zugang zu Fragen, die Qualität der anschliessenden Prüfung und die Fähigkeit, das Erarbeitete in eigenes Verständnis zu überführen. Eine KI kann dabei helfen, eine Forschungslücke zu erkennen; sie kann aber auch eine vermeintliche Lücke erzeugen, weil entscheidende Literatur fehlt. Sie kann einen ungewöhnlichen Gedanken nahelegen; dieser kann wertvoll, trivial oder falsch sein. Der Wert der Unterstützung entsteht erst im Verhältnis zu einem überprüfbaren Ergebnis und zu dem Menschen, der damit weiterarbeitet.

Warum das grössere Ganze entscheidend bleibt

Es wäre deshalb voreilig, aus schnellerer Arbeit auf bessere Forschung, aus grösserer Ideenmenge auf mehr Kreativität oder aus leistungsfähigen Assistenten auf gesellschaftlichen Fortschritt zu schliessen. Schon auf der Ebene einzelner Aufgaben können neue Aufwände entstehen: Vorschläge müssen überprüft, Quellen nachgelesen, Ergebnisse verglichen und Fehler korrigiert werden. Eine schnell erzeugte Antwort kann den Arbeitsprozess verkürzen; sie kann aber auch zusätzliche Unsicherheit oder Kontrollarbeit erzeugen. Das Verhältnis zwischen Geschwindigkeit und tatsächlichem Nutzen ist eine empirische Frage.

Noch deutlicher wird die Unterscheidung, wenn viele Menschen dieselben oder ähnliche KI-Systeme nutzen. Auch wenn einzelne Anwender bessere Ergebnisse erzielen, müssen die Ergebnisse einer Gruppe deshalb nicht vielfältiger werden. In Untersuchungen zur KI-unterstützten Kreativarbeit finden sich sowohl Hinweise auf individuell höher bewertete Ergebnisse bei zugleich stärkerer Angleichung als auch Befunde, nach denen unterschiedliche Anregungen, Interaktionsformen und Anreize die Vielfalt beeinflussen. Diese Arbeiten messen jedoch vor allem kreative Ergebnisse unter bestimmten Versuchsbedingungen. Aus der Ähnlichkeit von Texten lässt sich weder direkt auf die Qualität wissenschaftlicher Erkenntnisse noch auf den Zustand einer Gesellschaft schliessen. Die Unterscheidung zwischen individueller Befähigung und kollektivem Erkenntnisgewinn bleibt daher eine zentrale Prüfaufgabe dieser Arbeit.

Sie verweist zugleich auf eine gesellschaftliche Dimension. Welche Menschen erhalten Zugang zu leistungsfähigen Systemen, Literatur und Prüfwerkzeugen? Welche Fähigkeiten sind nötig, um Ergebnisse kritisch einzuordnen? Welche Forschungsfragen werden durch institutionelle Anreize bevorzugt, welche vernachlässigt? Wer kann darüber entscheiden, welche Daten verarbeitet werden und welche Werkzeuge in sensiblen Umgebungen eingesetzt werden dürfen? Und wie lässt sich verhindern, dass technische Abhängigkeiten, standardisierte Arbeitsweisen oder eine wachsende Menge generierter Inhalte den Raum für eigenständiges Denken gerade dort verengen, wo er erweitert werden sollte?

Diese Fragen sind nicht bloss nachgelagerte Regeln für eine ansonsten feststehende Technologie. Gesellschaftliche und institutionelle Bedingungen beeinflussen bereits, welche Probleme verfolgt werden, wie Systeme gestaltet sind, was als Erfolg gilt und ob ihre Ergebnisse öffentlich überprüft werden können. Ein lokales KI-System kann beispielsweise bestimmte Formen technischer Kontrolle erleichtern; daraus folgt jedoch nicht automatisch, dass es sicher, inklusiv oder ökologisch unproblematisch ist. Ebenso wenig muss KI bei jeder Aufgabe die angemessene Lösung sein. Manchmal sind ein klassischer Algorithmus, eine sorgfältiger gestaltete Organisation oder der bewusste Verzicht auf Automatisierung überzeugender.

Kultureller Beschleuniger als offene Frage

Vor diesem Hintergrund erhält der Begriff des kulturellen Beschleunigers eine präzisere Bedeutung. Gemeint ist nicht, dass möglichst viele Texte, Programme, Bilder oder Forschungsergebnisse in möglichst kurzer Zeit entstehen sollen. Beschleunigung allein ist noch kein Fortschritt. Die interessantere Möglichkeit besteht darin, dass Menschen sich auf neue Weise mit Wissen auseinandersetzen, disziplinäre Grenzen überwinden, Fragen gemeinsam prüfen und Ideen entwickeln können, deren Verwirklichung zuvor ausserhalb ihres praktischen Horizonts lag.

Ob dies zu einer kulturell vielfältigen und gesellschaftlich verantwortbaren Entwicklung führt, hängt von weiteren Voraussetzungen ab. Dazu gehören verlässliche Verfahren zur Prüfung von Behauptungen, die Fähigkeit zu begründetem Widerspruch, Möglichkeiten zur selbstbestimmten Gestaltung, der Zugang zu Wissen und eine institutionelle Umgebung, die nicht ausschliesslich Geschwindigkeit oder unmittelbar messbaren Output belohnt. Auch die Freiheit, KI nicht einzusetzen, gehört zu einer reflektierten technologischen Kultur. Eine Gesellschaft wird nicht allein dadurch entwicklungsfähiger, dass ihr mehr technische Optionen zur Verfügung stehen; sie muss diese Optionen verstehen, bewerten und verantwortet wählen können.

Damit lässt sich die Ausgangsfrage präzisieren. Statt nur zu fragen, ob künstliche Intelligenz Menschen ersetzen, übertreffen oder effizienter machen kann, untersucht dieses Whitepaper, unter welchen gesellschaftlichen, institutionellen und technischen Bedingungen KI die kollektive menschliche Erkenntnisfähigkeit erweitern kann und welche Voraussetzungen dafür nötig sind, dass daraus eine vielfältige, selbstbestimmte und verantwortbare Entwicklung entsteht. Im Mittelpunkt stehen nicht die Fähigkeiten eines einzelnen Modells und auch nicht die Behauptung eines unausweichlichen technischen Fortschritts. Im Mittelpunkt steht die Beziehung zwischen menschlicher Neugier, explorativer Zusammenarbeit, überprüfbarem Wissen und gesellschaftlicher Gestaltung.

Die folgenden Kapitel untersuchen dafür zunächst, wie wissenschaftliche Assistenz und neue Formen der Exploration aussehen können. Anschliessend werden empirische Gegenbefunde und die Grenzen individueller Leistungsgewinne betrachtet. Den Schwerpunkt bilden schliesslich die gesellschaftlichen Voraussetzungen, unter denen aus eröffneten Möglichkeiten tatsächlich gemeinsam nutzbare Erkenntnisse werden könnten. Der Begriff des kulturellen Beschleunigers bleibt dabei eine zu prüfende Möglichkeit, kein bereits feststehendes Ergebnis.

Erkenntniszugang, Kompetenz und wissenschaftliche Assistenz

Wissenschaftliche Fragestellungen bauen auf Beobachtungen, bestehenden Untersuchungen, Methoden und offenen Widersprüchen auf. Bevor daraus eine tragfähige Hypothese werden kann, muss zunächst erkennbar sein, was bereits bekannt ist, welche Begriffe in unterschiedlichen Fachgebieten verwendet werden und welche Behauptungen einer Prüfung standgehalten haben. Dieser Zugang zum vorhandenen Wissen kann selbst für Fachleute anspruchsvoll sein. Für Menschen, die ein neues Gebiet erschliessen möchten, wird er häufig zur ersten grossen Hürde.

Hier liegt eine mögliche Funktion künstlicher Intelligenz. KI kann die Erschliessung der für eine Forschungsfrage relevanten Wissensbestände unterstützen. Wissenschaftliche Ausbildung und mehrjährige Forschungsarbeit werden dadurch nicht überflüssig. Vielmehr eröffnet sich die Frage, ob Menschen mit geeigneter Unterstützung früher zu einem Punkt gelangen können, an dem sie das eigentliche Problem verstehen, bestehende Ansätze vergleichen und begründete nächste Schritte entwickeln. Der Gewinn läge dann nicht allein in der Zeitersparnis. Er könnte auch darin bestehen, dass jemand überhaupt Zugang zu einer Fragestellung findet, die zuvor ausserhalb seiner praktischen Möglichkeiten lag.

Von der verfügbaren Information zur begründeten Forschungsfrage

Das Internet hat den Zugang zu Veröffentlichungen, Lehrmaterialien und wissenschaftlichen Werkzeugen erheblich erweitert. Verfügbarkeit ist jedoch nicht dasselbe wie Erschliessbarkeit. Wer nach einer bestimmten Theorie sucht, muss wissen, unter welchen Begriffen sie diskutiert wird. Wer mehrere Disziplinen miteinander verbinden möchte, muss deren unterschiedliche Methoden und Fachsprachen zumindest so weit verstehen, dass sich Gemeinsamkeiten und Widersprüche erkennen lassen. Selbst eine umfangreiche Literaturliste beantwortet nicht die Frage, welche Arbeiten für die eigene Überlegung tatsächlich relevant sind.

KI-gestützte Assistenz kann die Formulierung und Strukturierung solcher Fragen unterstützen. Sie kann helfen, eine unpräzise Vermutung in mehrere überprüfbare Teilfragen zu zerlegen, verwandte Begriffe vorzuschlagen, methodische Alternativen zu erläutern und mögliche Gegenpositionen sichtbar zu machen. Aus einer ersten Frage nach einem technischen Verfahren könnte sich beispielsweise die Einsicht ergeben, dass nicht nur die Implementierung, sondern auch die Datenqualität, die Gültigkeit von Annahmen oder die Nachvollziehbarkeit eines Ergebnisses untersucht werden muss. Solche Vorschläge können den weiteren Suchprozess strukturieren.

Ein vorgeschlagener Zusammenhang und sein wissenschaftlicher Nachweis sind zwei verschiedene Leistungen. Ein Sprachmodell kann überzeugend erklären, weshalb zwei Forschungsgebiete zusammenpassen könnten. Ob sich die behauptete Verbindung tatsächlich in der Fachliteratur findet, bleibt zunächst offen. Es kann eine vermeintliche Forschungslücke benennen, obwohl eine einschlägige Publikation übersehen wurde. Es kann auch Quellen korrekt identifizieren, deren Ergebnisse aber auf einen anderen Untersuchungsgegenstand beziehen. Wissenschaftliche Recherche wird dadurch nicht hinfällig, sondern verändert ihre Form. Neben das Auffinden von Informationen tritt die Aufgabe, maschinell vorgeschlagene Beziehungen zu überprüfen.

Deshalb sollte ein wissenschaftliches Assistenzsystem nicht als allwissende Instanz verstanden werden. Das im Training verarbeitete Wissen ist weder vollständig noch immer aktuell oder im Einzelfall verlässlich abrufbar. Auch der Zugriff auf Suchmaschinen, Datenbanken und Dokumente garantiert keine vollständige Recherche. Ein belastbarer Arbeitsprozess muss erkennen lassen, welche Quellen tatsächlich gefunden wurden, welche Aussagen auf ihnen beruhen und wo die Suche oder die Interpretation unsicher bleibt. Für eine wissenschaftliche These genügt es nicht, dass passende Literatur genannt wird. Die ausgewählten Arbeiten müssen den behaupteten Zusammenhang auch tatsächlich tragen.

Für die Beurteilung wissenschaftlicher Assistenz lassen sich vier unterschiedliche Funktionen beschreiben. Erstens kann KI beim Erschliessen helfen, indem sie Suchbegriffe, Quellenkandidaten und fachliche Verbindungen aufzeigt. Zweitens kann sie Entwürfe und Hypothesen entwickeln, deren Neuheit und Tragfähigkeit zunächst offen sind. Drittens kann sie bei der Prüfvorbereitung unterstützen, etwa indem sie Testfälle, formale Bedingungen oder alternative Erklärungen zusammenstellt. Viertens können die so gewonnenen Resultate durch unabhängige fachliche, formale oder empirische Verfahren untersucht werden. Die vierte Funktion ist weder automatisch in den ersten drei enthalten noch stets durch dasselbe Werkzeug zu erfüllen. Der Übergang von Assistenz zu Erkenntnis hängt daher von überprüfbaren Quellen, angemessenen Prüfverfahren und fachlicher Verantwortung ab.

Wissenschaftliche Assistenz als überprüfbare Arbeitsteilung

Daraus ergibt sich eine mögliche Arbeitsteilung zwischen menschlicher Fragestellung, KI-gestützter Exploration und spezialisierten Prüfverfahren. Der Mensch bestimmt, welches Problem untersucht werden soll, welche Voraussetzungen akzeptabel sind und woran ein Ergebnis gemessen wird. KI kann bei der Suche, Gliederung, Gegenüberstellung und Entwicklung von Hypothesen helfen. Wo Berechnungen, Datenanalysen oder formale Nachweise erforderlich sind, sollten geeignete Werkzeuge diese Aufgaben übernehmen und ihre Ergebnisse unabhängig von der sprachlichen Darstellung überprüfbar machen.

Gerade die Unterscheidung zwischen sprachlicher Plausibilität und überprüfbarer Gültigkeit ist wesentlich. Ein Modell kann einen mathematischen Beweis erläutern oder einen Lösungsweg vorschlagen. Daraus folgt nicht, dass jeder Schritt logisch korrekt ist. Wenn eine Aussage formal beweisbar sein soll, braucht es entweder eine nachvollziehbare mathematische Prüfung oder geeignete formale Verifikationsverfahren. Ähnliches gilt für Programmcode: Eine gut klingende Erklärung ersetzt keine Tests, und ein erfolgreich ausgeführter Test deckt nicht automatisch sämtliche Fehlerfälle ab. In empirischen Wissenschaften müssen Hypothesen letztlich an Messungen, Versuchsdesigns und reproduzierbaren Auswertungen bestehen.

Eine solche Verbindung unterschiedlicher Verfahren erscheint weniger spektakulär als die Vorstellung einer Maschine, die selbstständig jede wissenschaftliche Frage beantwortet. Sie ist aber für die tatsächliche Nutzbarkeit möglicherweise wichtiger. Nicht jede Teilaufgabe verlangt ein generatives Modell. Datenbanksuchen, statistische Berechnungen, regelbasierte Prüfungen und deterministische Algorithmen können je nach Problem genauer, transparenter oder wirtschaftlicher sein. Der Beitrag künstlicher Intelligenz liegt dann nicht darin, alle anderen Methoden zu ersetzen, sondern dabei zu helfen, sie sinnvoll zu kombinieren und die Ergebnisse im Zusammenhang der Forschungsfrage zu interpretieren.

Diese Arbeitsteilung setzt allerdings voraus, dass Verantwortlichkeiten nicht nur behauptet, sondern praktisch wahrgenommen werden. Wenn ein Mensch am Ende lediglich eine überzeugend formulierte Antwort bestätigt, ohne die entscheidenden Voraussetzungen prüfen zu können, ist die Kontrolle eher formal als wirksam. Wissenschaftliche Assistenz verlangt deshalb auch Verfahren, mit denen Unsicherheit, Fehlversuche, Gegenbelege und die Herkunft zentraler Aussagen sichtbar bleiben. Die Qualität einer Antwort bemisst sich nicht allein daran, ob sie ein Ergebnis liefert. Sie bemisst sich ebenso daran, ob sich nachvollziehen lässt, warum dieses Ergebnis für tragfähig gehalten wird.

Ein konkreter Einblick in KI-gestützte Forschung

Wie eine solche Verbindung aussehen kann, zeigt das 2026 veröffentlichte Forschungssystem Robin von Ghareeb und Mitautoren. Das System kombiniert spezialisierte Komponenten für Literaturrecherche und Datenanalyse mit einem iterativen wissenschaftlichen Arbeitsprozess. Es generiert Vorschläge, bezieht experimentelle Rückmeldungen ein und passt weitere Untersuchungsschritte daran an. Entscheidend ist dabei, dass Menschen weiterhin Laborversuche durchführen, Ergebnisse bereitstellen und fachliche Entscheidungen treffen. Robin ist deshalb kein Beispiel für vollständig autonome Wissenschaft, sondern für eine teilweise automatisierte Forschung in Zusammenarbeit mit menschlichen Wissenschaftlern.

Die Autoren demonstrieren ihren Ansatz am Beispiel der trockenen altersabhängigen Makuladegeneration. In experimentellen Untersuchungen retinaler Pigmentepithelzellen wurden für die Wirkstoffkandidaten Ripasudil und KL001 Effekte auf untersuchte Phagozytose-Endpunkte berichtet. Damit reicht die Arbeit über die blosse Produktion plausibler Forschungsideen hinaus: Bestimmte Vorschläge wurden im Labor überprüft. Zugleich bleiben die Grenzen des Befundes erheblich. Ein Effekt in einem Zellmodell belegt keine therapeutische Wirksamkeit bei Menschen. Die Ergebnisse bedürfen weiterer biologischer Untersuchung und unabhängiger Bestätigung. Auch die Übertragbarkeit des Systems auf andere Forschungsgebiete lässt sich aus einem solchen Fall nicht allgemein ableiten.

Gerade diese Begrenzung macht das Beispiel aussagekräftig. Es zeigt einen möglichen Ablauf, in dem maschinell erschlossene Literatur, analytische Werkzeuge und neue experimentelle Daten miteinander verbunden werden. Der wissenschaftliche Wert liegt nicht darin, dass das System besonders schnell eine Antwort formuliert. Er liegt in der Möglichkeit, aus vorgeschlagenen Zusammenhängen überprüfbare Untersuchungen zu entwickeln und anhand ihrer Ergebnisse weiterzuarbeiten. Dieser Übergang von der plausiblen Idee zur externen Prüfung ist für die Frage nach neuen Erkenntnismöglichkeiten entscheidend.

Die Veröffentlichung enthält auch einen Vergleich der benötigten Arbeitszeit. Die Autoren stellen geschätzte menschliche kognitive Aufwände von 359 bis 424 Stunden einer Agentenlaufzeit von weniger als zwei Stunden gegenüber. Diese Zahlen dürfen jedoch nicht als kontrolliert nachgewiesene Gesamtproduktivitätssteigerung verstanden werden. Die menschliche Referenz beruht wesentlich auf Schätzungen, während die Agentenlaufzeit aus dem konkreten Durchlauf stammt. Laborarbeit, Qualitätssicherung, Fehlversuche und die vollständigen Kosten eines wissenschaftlichen Prozesses sind damit nicht gleichartig gegenübergestellt. Die Studie illustriert somit ein technisches Potenzial, liefert aber keine allgemeine Aussage darüber, wie viel schneller Forschung mit KI insgesamt wird.

Unterstützung ist noch keine angeeignete Kompetenz

Für die ursprüngliche Ausgangsfrage dieses Whitepapers entsteht hier eine weitere Unterscheidung. Wenn jemand mithilfe von KI eine komplexe Aufgabe bearbeiten kann, bedeutet das zunächst, dass sich seine unterstützte Handlungsfähigkeit erweitert hat. Ob sich dadurch auch die eigene Fachkompetenz dauerhaft verbessert, ist eine andere Frage. Zwischen beiden Zuständen besteht ein wichtiger Unterschied.

Ein Mensch kann mit Assistenz ein Datenmodell entwerfen, eine statistische Methode anwenden oder eine wissenschaftliche Publikation erschliessen, ohne alle zugrunde liegenden Verfahren eigenständig zu beherrschen. Das kann ein sinnvoller Einstieg in ein neues Gebiet sein. Es kann Fragen hervorbringen, die ohne Unterstützung gar nicht gestellt worden wären, und einen Lernprozess auslösen. Es besteht aber auch die Möglichkeit, dass wesentliche Schritte unverstanden bleiben und die Leistung ohne das System nicht wiederholbar ist. Ob Unterstützung zu eigenständigem Lernen führt, hängt vermutlich unter anderem davon ab, wie aktiv jemand Entscheidungen trifft, Fehler nachvollzieht, Ergebnisse hinterfragt und erworbene Einsichten später selbstständig anwenden kann. Für diese Vermutung benötigt das Whitepaper noch gezielte empirische Forschung zur Kompetenzentwicklung.

Die Frage, ob man sich mit KI eine Spezialisierung aneignen kann, für die sonst viele Jahre Ausbildung erforderlich wären, lässt sich daher nicht pauschal beantworten. Schon der Begriff der Spezialisierung bezeichnet mehr als einen Bestand abrufbarer Informationen. Dazu gehören Methodenverständnis, Erfahrung mit unvollständigen Daten, die Bewertung von Ausnahmen, fachliche Urteilskraft und häufig auch praktische Fertigkeiten. Weder lässt sich diese Entwicklung grundsätzlich ausschliessen, noch macht der Zugang zu einem leistungsfähigen Modell diese Fähigkeiten automatisch verfügbar.

Präziser lässt sich die mögliche Wirkung so beschreiben: KI könnte die Schwelle senken, ab der Menschen sinnvoll an einer anspruchsvollen Fragestellung mitarbeiten oder ein bisher fremdes Wissensgebiet systematisch erkunden können. Wie weit diese Beteiligung reicht, muss jedoch je nach Aufgabe und Verantwortung unterschieden werden. Eine erste Forschungsfrage zu entwickeln, eine veröffentlichte Methode nachzuvollziehen und eine neuartige medizinische Behandlung zu beurteilen, verlangen unterschiedliche Grade fachlicher Sicherheit. Je grösser die möglichen Folgen eines Fehlers, desto weniger genügt allein die Fähigkeit, mit Unterstützung ein überzeugendes Ergebnis zu erzeugen.

Auch erfahrene Fachleute könnten von solchen Systemen profitieren, allerdings auf andere Weise. Ihre Expertise ermöglicht es, Fragen genauer zu stellen, relevante Annahmen schneller zu erkennen und ungewöhnliche Vorschläge kritisch zu beurteilen. Dadurch könnten sie KI zur Erkundung von Lösungswegen einsetzen, die sie ohne Assistenz aus Zeit- oder Ressourcenmangel nicht verfolgt hätten. Ob und unter welchen Bedingungen dieser Effekt tatsächlich eintritt, muss ebenfalls untersucht werden. Die Überlegung ist plausibel, aber nicht allein durch das Vorhandensein leistungsfähiger Modelle bewiesen.

Wenn mehr wissenschaftliche Leistung nicht automatisch mehr Wissen bedeutet

Die bibliometrische Forschung verdeutlicht die Grenzen dieser Annahme. Hao und Mitautoren (Nature, 2026) untersuchten einen grossen Bestand naturwissenschaftlicher Veröffentlichungen und verglichen individuelle Erfolgsindikatoren mit der thematischen Breite wissenschaftlicher Forschung. In ihrem untersuchten Korpus weisen als KI-gestützt klassifizierte Arbeiten beziehungsweise die damit verbundenen Forschenden höhere Werte bei bestimmten Publikations- und Zitationsindikatoren auf. Gleichzeitig berichten die Autoren eine geringere Ausdehnung des kollektiv bearbeiteten Themenraums und weniger wissenschaftliche Anschlussinteraktionen nach ihren jeweiligen Messverfahren. Hao et al. 2026

Dieser Befund ist für das Whitepaper relevant, weil er auf ein mögliches Spannungsverhältnis hinweist. Die Verbesserung individueller Erfolgsindikatoren muss nicht bedeuten, dass wissenschaftliche Fragen insgesamt vielfältiger werden. Sie könnte unter bestimmten Bedingungen auch mit einer stärkeren Konzentration auf bereits gut erschlossene, datenreiche oder populäre Forschungsgebiete einhergehen.

Allerdings handelt es sich um eine beobachtende bibliometrische Untersuchung. Die Erfassung KI-gestützter Forschung ist methodisch begrenzt, und ein grosser Teil des Untersuchungszeitraums betrifft frühere Formen maschinellen Lernens und nicht heutige generative Assistenzsysteme. Die Studie beweist deshalb weder, dass KI die thematische Konzentration verursacht, noch, dass moderne KI-Agenten notwendigerweise dieselbe Wirkung entfalten. Publikationszahlen, Zitationen und semantisch gemessene Themenbreite sind ausserdem nicht mit wissenschaftlicher Wahrheit oder gesellschaftlichem Nutzen gleichzusetzen.

Die Studie liefert damit kein Gegenargument gegen wissenschaftliche Assistenz an sich. Sie verdeutlicht vielmehr, dass der Erfolg auf verschiedenen Ebenen geprüft werden muss. Ein System kann einzelne Forschende produktiver machen, ohne dass dadurch automatisch mehr unterschiedliche Fragen verfolgt werden. Umgekehrt muss eine stärkere Spezialisierung nicht immer negativ sein, etwa wenn sie Replikation oder vertiefte Untersuchung unterstützt. Für die Vorstellung eines kulturellen Beschleunigers genügt es daher nicht, bloss die Leistung einzelner Personen oder Systeme zu betrachten. Entscheidend wird auch, welche Fragen überhaupt Aufmerksamkeit erhalten und welche Erkenntnisse aus individuellen Arbeiten für andere zugänglich, prüfbar und anschlussfähig werden.

Vom Zugang zum Wissen zur Fähigkeit, es zu beurteilen

Der mögliche Nutzen wissenschaftlicher KI-Assistenz hängt folglich mit einer anspruchsvolleren Form von Zugang zusammen. Es reicht nicht aus, dass Informationen schnell verfügbar sind. Menschen müssen auch erkennen können, auf welcher Grundlage eine Antwort entsteht, wie belastbar sie ist und welche fachlichen Grenzen sie besitzt. Ohne diese Fähigkeit könnte eine niedrigere Zugangsschwelle paradoxerweise eine neue Abhängigkeit erzeugen: Man erhält leichter komplexe Ergebnisse, kann sie aber nur schwer selbst beurteilen.

Eine bestimmte bildungspolitische oder institutionelle Massnahme lässt sich daraus noch nicht ableiten. Für die gesellschaftliche Untersuchung ist deshalb zu klären: Welche Lern-, Forschungs- und Prüfbedingungen benötigen Menschen, damit KI nicht bloss ihre kurzfristige Ausführungsfähigkeit erhöht, sondern ihre Möglichkeiten zu eigenständigem Urteil und verantwortlicher Mitgestaltung erweitert? Die Anforderungen unterscheiden sich danach, ob es um eine persönliche technische Exploration, eine wissenschaftliche Arbeitsgruppe, die Schule oder eine öffentliche Institution geht.

Daraus folgt für die weitere Untersuchung eine klare Abgrenzung. Künstliche Intelligenz kann als wissenschaftliche Assistenz verstanden werden, wenn sie nicht nur Antworten liefert, sondern den Weg von einer Frage zu prüfbaren Aussagen unterstützt. Der Fall Robin zeigt eine konkrete, eng begrenzte Verbindung von Recherche, Hypothesenbildung und experimenteller Überprüfung. Die Studie von Hao und Mitautoren erinnert daran, dass individuelle Forschungsindikatoren und kollektive Themenvielfalt auseinanderfallen können. Offen bleibt, in welchem Umfang solche Systeme eigenständige Kompetenz fördern und wie sie die Wahl wissenschaftlicher Fragen langfristig verändern. Ghareeb et al. 2026

Im folgenden Kapitel steht deshalb die explorative Entwicklung von Fragestellungen im Zentrum. Was geschieht, wenn eine Frage nicht nur beantwortet wird, sondern durch ihre Bearbeitung neue Fragen entstehen? Unter welchen Bedingungen wird aus einer schnelleren Bearbeitung bekannter Aufgaben eine tatsächliche Exploration neuer Möglichkeiten, und wann reproduzieren KI-Systeme vor allem bestehende Muster?

Exploration, Reproduktion und die Entstehung neuer Möglichkeiten

Eine Idee lässt sich selten vollständig beurteilen, bevor man beginnt, sie umzusetzen. Manche Schwierigkeiten zeigen sich erst beim ersten Versuch. Andere Fragen entstehen, weil ein unerwartetes Ergebnis eine ursprüngliche Annahme infrage stellt. Was zunächst als Lösung eines begrenzten Problems gedacht war, kann auf diese Weise zum Ausgangspunkt einer anderen Untersuchung werden. Das Ergebnis explorativer Arbeit ist deshalb nicht vollständig durch den ursprünglichen Plan vorgegeben.

Der persönliche Ausgangspunkt ist die Entwicklungsidee eines lokalen KI-Agentensystems. Ein solches System kann zunächst dafür vorgesehen sein, unterschiedliche Aufgaben mit spezialisierten Werkzeugen zu unterstützen. Während der Umsetzung ergeben sich möglicherweise Fragen, die über das ursprüngliche Vorhaben hinausgehen. Wie lässt sich eine Antwort auf ihre Quellen zurückführen? Wann benötigt eine Aufgabe ein Sprachmodell, wann genügt ein überprüfbarer Algorithmus? Wie verändert sich eine Arbeitsweise, wenn Zwischenergebnisse gespeichert, verglichen und erneut geprüft werden können? Diese Fragen sind Beispiele möglicher Entwicklungspfade, keine Behauptung darüber, was im konkreten Projekt bereits erreicht worden ist. Ihr gemeinsamer Kern besteht darin, dass die Auseinandersetzung mit einer Idee neue Probleme und damit neue Handlungsmöglichkeiten sichtbar machen kann.

KI kann bei der Erschliessung von Informationen, der Entwicklung alternativer Vorgehensweisen und der Verknüpfung unterschiedlicher Wissensgebiete unterstützen. Ob dabei etwas Neues entsteht, lässt sich nicht an der Menge oder Geschwindigkeit der Vorschläge ablesen. Entscheidend ist, ob sich der Raum sinnvoller Fragen erweitert, ob unterschiedliche Möglichkeiten ernsthaft geprüft werden und ob sich tragfähige Ergebnisse von bloss plausibel klingenden Varianten unterscheiden lassen.

Eine Idee umsetzen und dabei die Frage verändern

Exploration ist hier ein offener Suchprozess. Lösungswege und Bewertungskriterien stehen zu Beginn nicht vollständig fest. Man untersucht Möglichkeiten, gewinnt Rückmeldungen, verändert Annahmen und kann dabei auf Probleme stossen, die zuvor nicht Teil der eigenen Fragestellung waren. Davon lässt sich die gezielte Verbesserung einer bereits bekannten Lösung unterscheiden. Bei einer solchen Optimierung ist das Ziel gewöhnlich klarer: Ein Verfahren soll schneller, günstiger, zuverlässiger oder präziser werden.

Beide Tätigkeiten erfüllen unterschiedliche, notwendige Funktionen. Wer ausschliesslich erkundet, ohne gefundene Ansätze zu überprüfen oder auszuarbeiten, produziert möglicherweise viele Anfänge, aber wenig belastbare Ergebnisse. Wer dagegen nur bestehende Abläufe optimiert, kann wichtige Alternativen übersehen. Für die hier untersuchte Frage interessiert besonders das Verhältnis dieser beiden Bewegungen. KI könnte helfen, bekannte Lösungswege effizient zu bearbeiten. Sie könnte unter geeigneten Bedingungen aber auch Varianten sichtbar machen, die zu einer veränderten Problemformulierung führen.

Ein hypothetisches Beispiel aus der Softwareentwicklung verdeutlicht diesen Unterschied. Jemand beginnt mit der Idee, wissenschaftliche Dokumente automatisch nach bestimmten Begriffen zu durchsuchen. Während der Entwicklung zeigt sich, dass das eigentliche Problem nicht im Finden einzelner Treffer liegt. Die schwierige Frage lautet vielmehr, ob eine Aussage durch die gefundene Passage tatsächlich belegt wird und ob widersprechende Quellen berücksichtigt wurden. Aus einem Suchwerkzeug könnte deshalb schrittweise ein System zur dokumentierten Quellenprüfung werden. Das neue Ziel ergibt sich nicht zwingend aus dem ersten Auftrag. Es entsteht, weil die praktische Arbeit einen bislang unterschätzten Zusammenhang sichtbar gemacht hat.

Ein solches Beispiel demonstriert noch keinen empirisch nachgewiesenen KI-Effekt. Auch ohne generative KI können Prototypen neue Fragen hervorbringen. Die prüfbare Zusatzfrage lautet daher, ob und wann KI die Breite, Qualität oder Geschwindigkeit dieser Suchbewegung gegenüber anderen Arbeitsformen verändert. Dazu bräuchte es Vergleiche mit geeigneten Alternativen, nicht bloss die Beobachtung, dass während eines KI-gestützten Projekts weitere Ideen entstanden sind.

Exploration kann nicht allein daran gemessen werden, wie viele unterschiedliche Antworten erzeugt werden. Für die vorliegende Argumentation sind vielmehr unterscheidbare Prüffragen relevant: Hat die Zusammenarbeit eine zuvor nicht erwogene Frage oder Hypothese hervorgebracht? Wurden tatsächlich andere Suchwege oder Methoden erprobt? Hat sich das Verständnis des Problems durch einen überprüfbaren Befund verändert? Und können die Beteiligten erläutern, welche Annahmen korrigiert wurden? Diese Merkmale sind Vorschläge für eine spätere Operationalisierung. Sie sind noch kein validiertes Messinstrument und erlauben insbesondere nicht, kreative Textdiversität unmittelbar als wissenschaftliche Neuheit auszuweisen.

Zur Exploration gehört auch die Möglichkeit des begründeten Widerspruchs. Ein KI-System, das plausible Vorschläge liefert, kann den Suchraum nur dann sinnvoll erweitern, wenn Menschen Alternativen prüfen und auch die Vorschläge des Systems zurückweisen können. Diese Frage der Urteilskraft verbindet die praktische Exploration bereits mit dem Sokrates-Gedankenexperiment des Schlusskapitels.

Was als neue Möglichkeit gelten kann

Nicht jede neue Formulierung ist eine neue Erkenntnis. Ein Modell kann denselben Gedanken in vielen Varianten ausdrücken, ungewöhnliche Begriffe kombinieren oder einen bekannten Ansatz in einen anderen Kontext übertragen. Das kann nützlich sein, ist für sich genommen aber noch kein wissenschaftlicher Fortschritt. Auch hohe sprachliche Originalität bedeutet nicht automatisch, dass ein Vorschlag technisch realisierbar, mathematisch gültig oder gesellschaftlich wünschenswert ist.

Für dieses Whitepaper lohnt sich deshalb eine begriffliche Unterscheidung. Variation bezeichnet unterschiedliche Ausprägungen einer Idee. Neuheit beschreibt, dass etwas gegenüber einem bestimmten Vergleichsbestand noch nicht bekannt oder selten ist. Exploration meint den Prozess, in dem Möglichkeiten gesucht und untersucht werden. Erkenntnis setzt zusätzliche Gründe voraus, die eine Aussage oder Einsicht tragen. Gestaltungsmöglichkeit schliesslich betrifft die Frage, ob aus einer Einsicht eine verantwortbar umsetzbare Handlung werden kann. Die Begriffe hängen zusammen, dürfen aber nicht gleichgesetzt werden.

Eine neuartige Kombination kann zunächst wertlos erscheinen und später nützlich werden. Ebenso kann eine unspektakuläre Verbesserung einen grossen praktischen Beitrag leisten. Für die Bewertung von KI-gestützter Exploration wäre es daher unzureichend, ausschliesslich die Anzahl erzeugter Ideen oder ihre semantische Distanz zueinander zu messen. Es muss auch gefragt werden, welche Vorschläge weiterverfolgt wurden, woran sie geprüft wurden, welche Irrtümer ausgeschlossen werden konnten und ob dadurch zuvor nicht zugängliche Handlungswege eröffnet wurden.

Hier zeigt sich zugleich eine epistemische Grenze der gegenwärtig untersuchten Kreativitätsforschung. Viele Studien verwenden kurze Schreibaufgaben, Ideenlisten oder Ähnlichkeitsmasse. Damit lassen sich bestimmte Formen von Variation und Bewertung untersuchen. Die Ergebnisse sagen jedoch nur begrenzt etwas darüber aus, wie neue wissenschaftliche Theorien, langlebige technische Systeme oder kulturell bedeutsame Werke entstehen. Der Übergang von kreativem Material zu dauerhaft tragfähigen Erkenntnissen bleibt ein eigenständiges Forschungsproblem.

Die Gestaltung der Zusammenarbeit beeinflusst den Suchprozess

Die bisherigen Untersuchungen liefern Hinweise darauf, dass die Wirkung von KI nicht unabhängig von der Art ihrer Verwendung betrachtet werden sollte. Ashkinaze und Mitautoren untersuchten in einem dynamischen Experiment, wie Menschen auf zuvor gezeigte Ideen reagieren. Unter einer Bedingung mit hoher passiver Exposition gegenüber KI-Ideen nahm die gemessene kollektive semantische Vielfalt zu, ohne dass sich die individuelle Originalitätsbewertung in derselben Weise verbesserte. Das Experiment betrifft eine eng umgrenzte Ideenaufgabe und keine freie wissenschaftliche Zusammenarbeit. Es zeigt aber, weshalb bereits die Zusammensetzung der gezeigten Anregungen für das Ergebnis relevant sein kann.

Auch Untersuchungen von Shiiku und Mitautoren sowie von Jo und Raghavan machen die Bedingungen der Interaktion sichtbar. Bei Shiiku entwickelten sich gemischte Netzwerke aus Menschen und KI in späteren Durchläufen hinsichtlich bestimmter Vielfaltmasse anders als reine KI-Netzwerke. Jo und Raghavan fanden in einer kontrollierten Schreibaufgabe, dass Anreize für Originalität die Nutzungsstrategien und die Vielfalt von Ergebnissen verändern konnten. Daraus folgt weder eine allgemeine Überlegenheit gemischter Gruppen noch die Behauptung, passende Anreize würden jede Form von Angleichung verhindern. Die Studien legen lediglich nahe, dass Aufgabenstellung, Rückkopplung und Erwartungen an die Teilnehmenden den Verlauf eines kreativen Prozesses mitprägen können.

Wan und Kalman untersuchten zusätzlich, ob unterschiedlich gestaltete KI-Personas die Ähnlichkeit von Schreibresultaten beeinflussen. Ihre Ergebnisse sind als vorläufiger Gestaltungshinweis zu verstehen. Ein statistisch nicht signifikanter Unterschied gegenüber einer Vergleichsbedingung beweist nicht, dass beide Bedingungen gleichwertig sind oder dass Homogenisierung zuverlässig vermieden wurde.

Diese Studien untersuchen unterschiedliche Aufgaben, Messgrössen und Interaktionsformen. Sie dürfen deshalb nicht zu einem einzigen Wirkungsnachweis für explorative KI-Systeme zusammengerechnet werden. Gemeinsam begründen sie vielmehr eine konkrete Frage für die weitere Forschung: Unter welchen Bedingungen erweitert eine KI-Interaktion die Vielfalt ernsthaft bearbeiteter Möglichkeiten, und unter welchen Bedingungen führt sie dazu, dass Menschen ähnliche Vorschläge übernehmen oder sich auf naheliegende Lösungen konzentrieren?

Vom Vorschlag zum überprüften Versuch

Besonders anschaulich wird der Unterschied zwischen ideeller Variation und überprüfter Exploration dort, wo Vorschläge an eine externe Wirklichkeit zurückgebunden werden. Das bereits in Kapitel 2 betrachtete System Robin ist hierfür ein begrenzter, aber aufschlussreicher Fall. In der Untersuchung von Ghareeb und Mitautoren unterstützten spezialisierte KI-Komponenten die Literaturarbeit und die Entwicklung biomedizinischer Hypothesen. Die vorgeschlagenen Wirkstoffkandidaten wurden anschliessend in einem Forschungsprozess mit menschlicher Beteiligung experimentell untersucht. Die berichteten Resultate beziehen sich auf in-vitro-Untersuchungen und erlauben keine Aussage über eine klinische Wirksamkeit.

Für die Frage dieses Kapitels ist weniger entscheidend, wie viele Hypothesen erzeugt wurden. Interessanter ist die Rückkopplung zwischen theoretischem Vorschlag und experimenteller Prüfung. Eine Hypothese kann sich als unzureichend erweisen, neue Daten können ihre Ausgangsannahmen verändern, und aus diesem Befund können weitere Fragen entstehen. Der Fall veranschaulicht damit einen möglichen Mechanismus KI-gestützter Forschungsexploration. Er beweist nicht, dass solche Systeme in jedem Fachgebiet neuartige Entdeckungen hervorbringen oder ohne menschliche Expertise einen vollständigen Forschungsprozess durchführen können.

Dieser Unterschied gilt auch für technische und mathematische Fragestellungen. Ein KI-System kann einen Lösungsweg vorschlagen oder eine unerwartete Verbindung herstellen. Erst nachvollziehbare Tests, Berechnungen, formale Prüfungen oder geeignete empirische Untersuchungen können zeigen, ob der Vorschlag trägt. Für starke Aussagen darüber, dass KI eigenständig neue mathematische Beweise ermöglicht oder systematisch bislang unzugängliche Forschungsräume eröffnet, sind spezifische, überprüfte Fallstudien und geeignete Vergleichsmassstäbe erforderlich. Die vorhandenen C1-Quellen reichen für eine solche Verallgemeinerung nicht aus.

Exploration besteht somit nicht allein im Generieren von Möglichkeiten. Sie umfasst auch das Ausscheiden unhaltbarer Ansätze, das Erkennen von Grenzen und die Bereitschaft, ursprüngliche Erwartungen zu ändern. Gerade wenn KI viele plausible Vorschläge erzeugen kann, gewinnt dieser prüfende Teil des Prozesses an Bedeutung.

Nicht jede Aufgabe benötigt generative KI

Eine weitere Unterscheidung betrifft die Wahl der Werkzeuge. Es wäre widersprüchlich, die Erweiterung menschlicher Handlungsmöglichkeiten zu untersuchen und dabei jedes Problem von vornherein auf den Einsatz eines Sprachmodells festzulegen. Manche Aufgaben lassen sich durch eine Datenbankabfrage, einen deterministischen Algorithmus, ein etabliertes Simulationsmodell oder eine formale Regelprüfung zuverlässiger lösen. Andere profitieren gerade von offener sprachlicher Exploration, etwa wenn eine Forschungsfrage zunächst unklar ist, mehrere Disziplinen verglichen werden müssen oder alternative Interpretationen gesucht werden.

In einem lokalen Agentensystem könnte diese Unterscheidung zu einem zentralen Gestaltungsprinzip werden. Ein Sprachmodell würde dann nicht die Funktion aller übrigen Verfahren übernehmen. Es könnte vielmehr dabei helfen, eine Aufgabe zu verstehen, geeignete Werkzeuge auszuwählen oder Ergebnisse zu erläutern. Ob die Auswahl richtig war und ob die Resultate den Anforderungen genügen, müsste gesondert überprüfbar bleiben. Auch diese Architektur ist hier als Möglichkeit und Untersuchungsgegenstand beschrieben, nicht als bereits bestätigtes Ergebnis eines produktiven Systems.

Die Frage nach dem geeigneten Verfahren ist zugleich eine Frage der Souveränität. Wer ein Ergebnis verstehen, wiederholen oder unabhängig prüfen möchte, benötigt andere Eigenschaften als jemand, der lediglich einen schnellen Vorschlag sucht. Ein offener Forschungsprozess könnte dadurch sogar an Qualität gewinnen, wenn er an bestimmten Stellen bewusst auf probabilistische Generierung verzichtet. Innovation wäre dann nicht an die maximale Nutzung von KI gebunden, sondern an die sinnvolle Kombination von Fähigkeiten, Werkzeugen und menschlichen Entscheidungen.

Wann aus Exploration eine kulturelle Entwicklung werden könnte

Bis hierhin stand vor allem die einzelne Frage im Mittelpunkt: Welche neuen Wege kann jemand erkennen und untersuchen, wenn KI den Zugang zu Informationen, Varianten und Prüfverfahren verändert? Doch ein vergrösserter individueller Möglichkeitsraum sagt noch wenig darüber aus, welche dieser Möglichkeiten in einer Gemeinschaft Bestand haben. Eine Idee muss kommuniziert, kritisiert, reproduziert oder in einen gemeinsamen Zusammenhang eingeordnet werden können. Andere Menschen benötigen die Möglichkeit, ihre Voraussetzungen zu prüfen und eigene, auch widersprechende Schlussfolgerungen zu entwickeln.

Damit wird die ursprüngliche Vorstellung eines kulturellen Beschleunigers anspruchsvoller. Beschleunigt werden könnte die Produktion von Varianten, ohne dass dadurch neue Erkenntnis entsteht. Es könnte aber auch gelingen, bislang getrennte Wissensbestände zu verbinden und Menschen an Untersuchungen zu beteiligen, zu denen sie zuvor kaum Zugang hatten. Ob diese Möglichkeiten tatsächlich realisiert werden, hängt nicht nur von der Leistungsfähigkeit der Systeme ab. Relevant sind auch fachliche Prüfpraktiken, Lernbedingungen, unterschiedliche Perspektiven, die Verfügbarkeit von Ressourcen und die Art, wie neue Ergebnisse anerkannt oder zurückgewiesen werden.

Ein solcher Prozess ist weder zwangsläufig positiv noch grundsätzlich auf künstliche Intelligenz angewiesen. Die hier betrachteten Studien belegen nicht, dass KI kulturelle Entwicklung insgesamt beschleunigt. Sie zeigen aber unterschiedliche Ausschnitte eines möglichen Zusammenhangs zwischen Anregung, Interaktion, Variation und überprüfbarer Forschung. Daraus ergibt sich eine begründete Untersuchungsperspektive: KI sollte nicht nur danach bewertet werden, ob sie Aufgaben schneller löst oder originellere Vorschläge erzeugt. Ebenso wichtig ist, ob sie Menschen hilft, neue Fragen zu stellen, Alternativen kritisch zu vergleichen und Erkenntnisse so zu entwickeln, dass andere daran anschliessen können.

Das führt zur nächsten Schwierigkeit. Eine Zusammenarbeit kann für einzelne Personen produktiv und anregend sein, während die Ergebnisse vieler Personen insgesamt ähnlicher werden. Umgekehrt kann eine grössere Vielfalt an Vorschlägen entstehen, ohne dass ihre Qualität steigt. Das folgende Kapitel untersucht deshalb genauer, weshalb individuelle Erfolge und kollektive Wirkungen auseinanderfallen können und welche Gegenbefunde eine einfache Fortschrittserzählung infrage stellen.

ABB. 02Vergrössern ↗

Warum individuelle Erfolge nicht automatisch kollektiver Gewinn sind

Verbessert KI die Bearbeitung einer anspruchsvollen Aufgabe, ist dies zunächst ein individueller Leistungsgewinn. Jemand kann einen bislang schwer zugänglichen Forschungsstand erschliessen, Ideen für einen Entwurf entwickeln oder eine wissenschaftliche Hypothese präziser formulieren. Die vorausgehenden Kapitel haben beschrieben, weshalb solche Unterstützung für exploratives Arbeiten interessant sein kann. Doch aus einer verbesserten Einzelleistung folgt noch nicht, dass eine Gruppe, eine Wissenschaftsdisziplin oder eine Gesellschaft insgesamt mehr erkennt.

Für die Beurteilung kultureller Entwicklung ist diese Unterscheidung wesentlich. Eine Gesellschaft verfügt nicht einfach deshalb über vielfältigeres und zuverlässigeres Wissen, weil ihre Mitglieder mehr Texte, Vorschläge oder Publikationen erzeugen. Entscheidend ist auch, ob unterschiedliche Ansätze entstehen, ob Fehler erkannt und korrigiert werden, ob neue Erkenntnisse für andere nachvollziehbar sind und ob abweichende Perspektiven erhalten bleiben. Die Verbindung zwischen individueller Befähigung und kollektivem Gewinn ist deshalb keine Selbstverständlichkeit, sondern eine eigenständige Untersuchungsfrage.

Die ausgewerteten Studien zeigen unterschiedliche Effekte, die gemeinsam betrachtet werden müssen. Einige Experimente zeigen verbesserte individuell bewertete kreative Leistungen bei stärkerer Ähnlichkeit der entstehenden Ergebnisse. Andere Untersuchungen finden unter bestimmten Bedingungen mehr kollektive Vielfalt oder Hinweise darauf, dass die Gestaltung der Zusammenarbeit eine Rolle spielt. Die beiden bisher geprüften Metaanalysen sprechen im Mittel für ein Risiko der Homogenisierung, lassen aber erhebliche Unterschiede zwischen Aufgaben und Untersuchungsbedingungen erkennen. Diese Befunde widersprechen der Möglichkeit individueller Erweiterung nicht. Sie zwingen uns vielmehr, zwei Ebenen auseinanderzuhalten, die in öffentlichen Debatten oft vermischt werden.

Wenn eine bessere Einzelleistung zu ähnlicheren Ergebnissen führt

Ein Experiment von Doshi und Hauser untersuchte, wie sich Vorschläge eines generativen KI-Systems auf das Schreiben kurzer Geschichten auswirken. Doshi & Hauser 2024 Die Teilnehmenden, die auf KI-gestützte Ideen zurückgreifen konnten, erzielten in bestimmten Kreativitätsbewertungen bessere Ergebnisse. Gleichzeitig waren die Geschichten über die Teilnehmenden hinweg ähnlicher. Die einzelne Person konnte somit von der Unterstützung profitieren, während die gemeinsame Ergebnismenge weniger unterschiedlich ausfiel.

Dieser Befund widerspricht der Annahme, dass individuell bessere Ergebnisse automatisch zu vielfältigeren Gesamtergebnissen führen. Werden viele Personen einzeln betrachtet, können Verbesserungen sichtbar werden. Vergleicht man dagegen ihre Ergebnisse miteinander, zeigt sich möglicherweise eine geringere Bandbreite. Ein solcher Befund bedeutet nicht, dass die Geschichten identisch oder wertlos wären. Ebenso wenig beweist er, dass jede Form der KI-Unterstützung kulturelle Vielfalt verringert. Er macht aber verständlich, weshalb individuelle Qualität und kollektive Verschiedenheit getrennte Grössen sind.

Eine andere Studie von Moon und Mitautoren verglich menschlich verfasste und von GPT-4 generierte Texte im Kontext von Bewerbungsessays. Moon, Green & Kushlev 2025 Die untersuchten KI-generierten Textbestände wiesen geringere semantische Vielfalt auf. Dieses Ergebnis ergänzt die Frage nach möglichen Angleichungseffekten, darf jedoch nicht als unmittelbarer Nachweis über Menschen interpretiert werden, die KI in einem offenen gemeinsamen Schreibprozess nutzen. Der Vergleich unterschiedlicher Textkorpora ist methodisch etwas anderes als ein Experiment mit individuell gesteuerter Mensch-KI-Zusammenarbeit.

Auch für die Wissenschaft finden sich Hinweise auf eine Spannung zwischen individueller Leistung und kollektivem Suchraum. Hao et al. 2026 Hao und Mitautoren untersuchten grosse bibliometrische Datenbestände und berichteten Zusammenhänge zwischen dem Einsatz von KI-Werkzeugen, erhöhten individuellen wissenschaftlichen Leistungsindikatoren und einer engeren thematischen Fokussierung der Forschung auf aggregierter Ebene. Dieser retrospektive Befund erfasst verschiedene Technologien und historische Zeiträume. Er isoliert weder die Wirkung heutiger generativer Sprachmodelle noch beweist er einen einfachen kausalen Mechanismus. Dennoch verdeutlicht er, warum sich die Frage nach wissenschaftlichem Fortschritt nicht allein anhand der Produktivität einzelner Forschender beantworten lässt.

Was die Metaanalysen tatsächlich zeigen

Die beiden bereits analysierten Forschungsübersichten erweitern den Blick über einzelne Experimente hinaus. Holzner, Maier & Feuerriegel 2025, analysierte Fassung Holzner, Maier und Feuerriegel untersuchten in ihrer Metaanalyse verschiedene Aspekte generativer KI und Kreativität. Über die einbezogenen Studien hinweg fanden sie für die individuelle kreative Leistung unter KI-Unterstützung einen positiven mittleren Effekt. Für die Vielfalt menschlicher Ergebnisse bei KI-Unterstützung berichteten sie dagegen einen negativen aggregierten Befund. Dieser Diversitätseffekt beruhte allerdings nicht auf allen 28 in der Untersuchung enthaltenen Publikationen, sondern auf lediglich vier Arbeiten mit sechs Effektgrössen. Zudem war die statistische Heterogenität sehr hoch. Der Befund ist deshalb relevant, aber keine stabile allgemeingültige Wirkungszahl für sämtliche kreativen Tätigkeiten.

De Rooij und Biskjaer untersuchten gezielt die semantische Homogenisierung bei kreativen Aufgaben mit generativer KI. de Rooij & Biskjaer 2026, Journalfassung Ihre Metaanalyse umfasste 18 Artikel mit 19 Studien und 61 Effektgrössen. Sie berichteten einen positiven mittleren Homogenisierungseffekt, der auch in einer Sensitivitätsanalyse nach Ausschluss einer einflussreichen Studie bestehen blieb. Gleichzeitig variierten die Ergebnisse deutlich zwischen den Aufgabenarten, und auch hier war die Heterogenität ausgeprägt. Die Richtung des aggregierten Ergebnisses ist damit mit einer Verringerung kollektiver Vielfalt unter den untersuchten Bedingungen vereinbar, seine Stärke lässt sich jedoch nicht ohne Weiteres auf andere Arbeitsfelder übertragen. Die hier besprochenen Studienzahlen und Effektangaben stammen aus der im Forschungsprozess untersuchten Preprintfassung vom April 2026. Die am 31. August 2026 online veröffentlichte Journalfassung bestätigt auf Ebene von Abstract und Methodik die Einbeziehung von 19 Studien und 61 Effektgrössen sowie den positiven mittleren Homogenisierungsbefund. Ein vollständiger Abgleich sämtlicher Tabellen und Modellparameter wurde für dieses Whitepaper nicht vorgenommen; die ursprünglichen Schätzwerte werden deshalb nicht ohne Kennzeichnung als unabhängig aus der Journalfassung verifiziert ausgegeben.

Beide Metaanalysen verwenden unterschiedliche Ergebnisdefinitionen, statistische Modelle und eingeschlossene Studien. Die negativen Werte für Vielfalt in der einen und die positiven Werte für Homogenisierung in der anderen Untersuchung beschreiben zudem gegensinnig codierte Grössen. Ihre Zahlen dürfen deshalb nicht direkt miteinander verglichen oder zusammengerechnet werden. Hinzu kommt, dass mehrere Primärarbeiten in beiden Übersichten vorkommen. Zwei Metaanalysen mit teilweise gemeinsamen Studien sind keine zwei vollständig unabhängigen Bestätigungen desselben Effekts.

Für dieses Whitepaper ergibt sich daraus eine begrenzte, aber wichtige Aussage: Eine stärkere Angleichung kreativer Ergebnisse unter generativer KI ist ein empirisch ernst zu nehmendes Risiko. Sie ist weder für alle Aufgaben nachgewiesen noch mit einem umfassenden Verlust kultureller oder wissenschaftlicher Vielfalt gleichzusetzen. Die untersuchten Endpunkte betreffen überwiegend vergleichbare kreative Artefakte und deren semantische Eigenschaften, nicht die langfristige Entwicklung von Wissenschaft, Institutionen oder kulturellen Traditionen.

Warum gegenläufige Befunde dazugehören

Wäre Homogenisierung eine unvermeidliche Eigenschaft jeder KI-Unterstützung, müsste sie unabhängig von der Art der Zusammenarbeit in ähnlicher Weise auftreten. Die bisher untersuchten Einzelstudien geben dafür keine ausreichende Grundlage. Vielmehr zeigen sie unterschiedliche Ergebnisse unter unterschiedlichen Bedingungen.

Ashkinaze und Mitautoren untersuchten die Wirkung zuvor gezeigter Ideen in einem dynamischen Experiment. Ashkinaze et al. 2025 Eine stärkere passive Exposition gegenüber KI-generierten Anregungen war in einer untersuchten Bedingung mit höherer kollektiver semantischer Vielfalt verbunden, während die individuelle Originalitätsbewertung nicht entsprechend zunahm. Dieser Befund steht nur scheinbar im Widerspruch zu den Ergebnissen von Doshi und Hauser. Die Versuche unterschieden sich hinsichtlich Aufgabe, Exposition, Interaktion und Messung. Die Untersuchungen beantworten daher nicht dieselbe Frage.

Shiiku und Mitautoren betrachteten die Entwicklung von Ideen in Netzwerken, die aus Menschen, KI oder einer Kombination beider bestanden. Shiiku et al., analysierte arXiv-Fassung Gemischte Netzwerke erreichten in späteren Durchläufen bei bestimmten Vielfaltmassen höhere Werte als reine KI-Netzwerke. Daraus lässt sich nicht ableiten, dass hybride Systeme grundsätzlich vielfältiger oder besser sind. Es spricht aber dafür, zeitliche Rückkopplung und Zusammensetzung eines Netzwerks nicht aus der Betrachtung auszuklammern.

Jo und Raghavan untersuchten, wie unterschiedliche Anreize die Nutzung generativer KI und die entstehenden Texte beeinflussen. Jo & Raghavan 2026 Wenn Originalität ausdrücklich belohnt wurde, veränderten sich die Strategien der Teilnehmenden und die gemessene Vielfalt. Im untersuchten Versuchsaufbau wurde die Vielfalt der rein menschlichen Vergleichsbedingung durch KI-Unterstützung jedoch nicht vollständig erreicht. Gerade diese Einschränkung ist wichtig: Eine gezielte Gestaltung kann einen Effekt beeinflussen, ohne ihn aufzuheben.

Wan und Kalman prüften schliesslich, ob unterschiedlich gestaltete KI-Personas und vielfältigere Anregungen Angleichungseffekte abschwächen könnten. Wan & Kalman 2026, Journalfassung Ihre Ergebnisse liefern einen vorläufigen Hinweis auf die Bedeutung der angebotenen Inputs. Ein statistisch nicht signifikanter Gruppenunterschied darf jedoch weder als Beweis für die Wirksamkeit dieser Strategie noch als Beweis ihrer Gleichwertigkeit mit einer Vergleichsbedingung gelten.

Zusammengenommen erlauben diese Studien keine einfache Entscheidung zwischen den Aussagen, KI homogenisiere kreative Arbeit grundsätzlich oder fördere grundsätzlich Vielfalt. Sie machen vielmehr eine andere Frage dringlich: Welche Aspekte der Aufgabenstellung, der Interaktionsform, der Auswahl von Anregungen und der Rückmeldung verändern das Verhältnis zwischen individueller Unterstützung und kollektiver Verschiedenheit? Dafür liegen erste kontextspezifische experimentelle Befunde vor, aber noch keine allgemeine, übertragbare Kausalerklärung.

Vielfalt ist notwendig, aber nicht mit Erkenntnis gleichzusetzen

Auch eine grosse Vielfalt von Ergebnissen ist für sich genommen noch kein Nachweis von Erkenntnisfortschritt. Unterschiedliche Ideen können unzutreffend, oberflächlich oder praktisch unbrauchbar sein. Umgekehrt kann sich eine wissenschaftliche Gemeinschaft aus guten Gründen auf einen gemeinsamen Befund verständigen, wenn dieser durch unabhängige Prüfungen gut gestützt ist. Übereinstimmung ist dann nicht automatisch ein Verlust, sondern möglicherweise das Ergebnis erfolgreicher Erkenntnisarbeit.

Für die Bewertung von KI ist deshalb entscheidend, auf welcher Ebene von Vielfalt gesprochen wird. Die semantische Distanz zwischen zwei Texten sagt etwas darüber aus, wie unterschiedlich ihre Formulierungen oder Bedeutungsrepräsentationen gemessen werden. Sie belegt nicht unmittelbar, dass zwei unabhängige wissenschaftliche Hypothesen verfolgt wurden. Ebenso wenig zeigt sie, ob eine bestimmte Perspektive gesellschaftlich unterrepräsentiert ist oder ob ein kreatives Werk kulturell bedeutsam wird.

Kollektive Erkenntnisfähigkeit erfordert mehr als die Summe individueller Antworten. Behauptungen müssen öffentlich oder innerhalb geeigneter Fachgemeinschaften überprüfbar sein. Widersprüche müssen sichtbar bleiben, Methoden und Quellen nachvollziehbar sein und neue Ergebnisse müssen an bestehendes Wissen anschliessen können. Zugleich braucht es Raum für konkurrierende Fragen und abweichende Annahmen. Zu frühe Angleichung könnte diesen Suchraum einengen. Eine unbegrenzte Vermehrung ungeprüfter Ideen könnte ihn dagegen mit schwer einzuordnendem Material überlasten. Beide Gefahren sind als konzeptionelle Möglichkeiten zu unterscheiden; ihre tatsächliche gesellschaftliche Bedeutung ist durch die vorliegenden Kreativitätsstudien nicht gemessen.

Hier liegt auch eine Grenze der Metaanalysen. Sie liefern wichtige Hinweise darauf, wie sich untersuchte kreative Resultate unter KI-Unterstützung verändern. Sie beantworten aber nicht, ob eine Gesellschaft langfristig bessere Entscheidungen trifft, ob Forschung zuverlässiger wird oder ob mehr Menschen eigenständige Urteilskraft entwickeln. Für solche Schlussfolgerungen wären andere Untersuchungsdesigns, längere Beobachtungszeiträume und zusätzliche theoretische Grundlagen erforderlich.

In der Zusammenschau ergibt sich kein einfacher Widerspruch zwischen positiven Kreativitätseffekten und Homogenisierung. Die Studien betrachten unterschiedliche Endpunkte und Vergleichssituationen. Einige messen die Bewertung einzelner Ergebnisse, andere Ähnlichkeiten zwischen Texten, die Breite von Ideenräumen oder Veränderungen innerhalb experimentell gestalteter Gruppen. Die beiden Metaanalysen verdichten Teile dieser Literatur, sind wegen gemeinsamer Primärstudien aber keine unabhängigen Beweislinien. Der tragfähige gemeinsame Schluss ist enger: Individuelle Unterstützung kann mit einer Verringerung bestimmter Diversitätsmasse einhergehen; experimentelle Variationen zeigen gleichzeitig, dass Kontext und Interaktionsgestaltung einen Unterschied machen können. Ob diese Resultate auf wissenschaftliche Entdeckung, langfristiges Lernen oder kulturelle Entwicklung übertragbar sind, bleibt offen.

Die Gestaltung kollektiver Erkenntnisprozesse wird zur eigenen Aufgabe

Die Befunde verändern die Ausgangsfrage dieses Whitepapers. Wenn eine einzelne Person mit KI mehr Möglichkeiten erkunden kann, ist damit noch nicht entschieden, wie diese Möglichkeiten in einem grösseren Zusammenhang wirken. Mehr Menschen könnten Zugang zu anspruchsvollen Aufgaben erhalten. Zugleich könnten sie auf ähnliche Modelle, Quellenbestände, Standardvorschläge oder Bewertungsmuster zurückgreifen. Ob aus der erleichterten Teilnahme tatsächlich eine Verbreiterung von Perspektiven entsteht, hängt vermutlich auch von Bedingungen ab, die ausserhalb des einzelnen Modells liegen.

Dazu gehören beispielsweise die Freiheit, vorgeschlagene Antworten zurückzuweisen, die Möglichkeit, alternative Quellen und Verfahren zu verwenden, die Transparenz über Herkunft und Grenzen eines Ergebnisses sowie institutionelle Anreize, eigenständige Fragen und sorgfältige Überprüfung zu belohnen. Diese Faktoren sind an dieser Stelle keine vollständig empirisch bestätigte Liste wirksamer Massnahmen. Sie bilden eine aus den bisherigen Befunden und der Fragestellung abgeleitete Arbeitshypothese, die gesondert an Forschung aus Bildung, Wissenschaftssoziologie, Organisationslehre und Governance zu prüfen ist.

Besonders wichtig ist dabei die Trennung zwischen der Verbesserung eines Outputs und der Entwicklung menschlicher Fähigkeit. Wer mit KI eine überzeugende Antwort erzeugt, hat möglicherweise eine Aufgabe erfolgreich bewältigt, aber damit noch nicht bewiesen, dass er die zugrunde liegenden Zusammenhänge selbstständig beurteilen kann. Für kollektive Erkenntnis ist diese Differenz bedeutsam, weil Wissen nicht allein als fertiges Ergebnis existiert. Es muss verstanden, hinterfragt, weitergegeben und unter veränderten Bedingungen erneut geprüft werden können.

Die ursprüngliche explorative Idee bleibt damit erhalten, wird aber anspruchsvoller. Ein kultureller Beschleuniger wäre KI nicht schon deshalb, weil mehr Personen schneller überzeugende Ergebnisse vorlegen können. Interessanter wäre, ob ihre Nutzung unter geeigneten Bedingungen mehr überprüfbare Erkenntniswege eröffnet, die Beteiligung an anspruchsvollen Fragestellungen verbreitert und unterschiedliche Perspektiven miteinander in eine produktive Auseinandersetzung bringt. Ob und in welchem Umfang das gelingt, ist offen.

Damit verschiebt sich der Schwerpunkt von der Wirkung eines Werkzeugs auf einzelne Ergebnisse hin zur Gestaltung des Umfelds, in dem solche Ergebnisse entstehen und bewertet werden. Wer Zugang zu leistungsfähigen Systemen erhält, welche Kompetenzen dafür erforderlich sind, wie Forschungsinstitutionen Leistungen bewerten und wer die technischen wie organisatorischen Entscheidungen kontrolliert, wird damit zu einem Teil der Erkenntnisfrage selbst. Diesen gesellschaftlichen und institutionellen Voraussetzungen widmet sich das folgende Kapitel.

ABB. 03Vergrössern ↗

Die gesellschaftlichen Voraussetzungen: Wer kann, darf und soll Möglichkeiten erschliessen?

Die empirischen Befunde werfen eine institutionelle Frage auf. Künstliche Intelligenz kann Menschen in bestimmten Aufgaben dabei unterstützen, Informationen zu erschliessen, Entwürfe zu entwickeln und neue Ansätze zu prüfen. Ob dadurch ihre eigenständige Urteilskraft wächst und ob daraus verlässlicheres gemeinsames Wissen entsteht, ist eine andere Frage. Die bisherigen Befunde zeigen, weshalb wir diese Ebenen nicht miteinander gleichsetzen dürfen. Sie sagen aber noch wenig darüber aus, wer überhaupt Zugang zu solchen Möglichkeiten erhält und unter welchen Bedingungen er sie nutzen kann.

Dabei reicht die Betrachtung technischer Eigenschaften allein nicht aus. KI-Systeme werden in Schulen, Forschungsgruppen, Verwaltungen, Unternehmen, kulturellen Einrichtungen und privaten Projekten eingesetzt. Dort treffen technische Fähigkeiten auf unterschiedliche Ressourcen, Kompetenzen, Pflichten und Interessen. Ein identisches Modell kann einer Person einen neuen Zugang zu einem Fachgebiet eröffnen, einer anderen zusätzliche Kontrollarbeit auferlegen und in einer Organisation zu einer stärkeren Abhängigkeit von externen Diensten führen. Diese Möglichkeiten sind keine behaupteten allgemeinen Wirkungen, sondern Gründe, das institutionelle Umfeld eigenständig zu untersuchen.

Leistungsfähigere KI führt nicht zwangsläufig zu gesellschaftlichem Fortschritt. Interessanter ist, welche gesellschaftlichen Bedingungen darüber entscheiden könnten, ob neue technische Möglichkeiten auch zu menschlich wertvollen Erkenntnis- und Gestaltungsmöglichkeiten werden. Dazu gehören Bildung, Forschungskultur, Teilhabe, Kontrolle über Infrastruktur und Daten, öffentliche Verantwortung und die Fähigkeit, einer technischen Empfehlung zu widersprechen.

Gesellschaftliche Bedingungen wirken auf den Erkenntnisprozess selbst ein. Bildungsinstitutionen prägen, ob ein KI-Ergebnis als fertige Lösung genügt oder ob seine Begründung verstanden werden muss. Forschungseinrichtungen beeinflussen über Ressourcen und Bewertungspraktiken, ob sich offene Exploration, aufwendige Gegenprüfung und das Veröffentlichen negativer Befunde lohnen. Technische und organisatorische Entscheidungsrechte bestimmen, welche Daten zugänglich sind, ob Vorschläge nachvollzogen werden können und wie unabhängig eine Frage verfolgt werden kann. Diese Beziehungen bilden einen institutionellen Erklärungsrahmen. Welche Wirkung sie in einem konkreten KI-Anwendungsfeld entfalten, ist nicht allein aus normativen Leitlinien abzuleiten.

Drei Mechanismen sind deshalb getrennt zu untersuchen: Befähigung und Widerspruch bei Lern- und Entscheidungsprozessen, Anreize und Qualitätssicherung in Forschungsorganisationen sowie Handlungs- und Wechselmöglichkeiten bei technischer Abhängigkeit. Für jeden Mechanismus ist nicht nur zu fragen, ob die betreffende Einrichtung existiert, sondern welche beobachtbare Veränderung ihres Handelns mit ihr verbunden ist.

Zugang allein schafft noch keine Befähigung

Ein leistungsfähiges KI-Werkzeug kann Wissen zugänglich machen, das zuvor nur mit erheblichem zeitlichem oder fachlichem Aufwand erschlossen werden konnte. Darin liegt ein denkbarer Gewinn für Menschen, die ausserhalb eines Spezialgebiets arbeiten oder eine eigene Idee verfolgen. Allerdings unterscheidet sich der Zugang zu einem System von der Fähigkeit, es sinnvoll einzusetzen. Wer die Grenzen einer Methode nicht kennt, kann auch eine überzeugend formulierte Antwort nur eingeschränkt beurteilen. Wer keinen Zugang zu geeigneten Daten, Rechenressourcen oder fachlicher Unterstützung hat, kann bestimmte Vorschläge möglicherweise nicht verifizieren oder praktisch umsetzen.

Der OECD-Bericht AI and Skills: What We Know So Far beschreibt fehlende Kompetenzen als ein relevantes Hindernis für die Einführung von KI in Unternehmen. OECD, AI and skills (2026) Die OECD berichtet ausserdem über eine ungleiche Nutzung generativer KI zwischen Bevölkerungsgruppen. Diese Beobachtungen belegen nicht, dass sich die genannten Unterschiede langfristig vergrössern werden. Sie zeigen aber, dass eine breite technische Verfügbarkeit noch keine gleiche Nutzungsfähigkeit bedeutet. OECD 2026, Nutzungsunterschiede

Für eine gesellschaftliche Bewertung muss daher mehr gefragt werden, als wie viele Menschen ein Konto für einen KI-Dienst besitzen. Können sie geeignete Aufgaben erkennen? Haben sie die Kenntnisse, um Aussagen zu überprüfen? Können sie Ergebnisse in ihren beruflichen, wissenschaftlichen oder persönlichen Kontext übertragen? Und besitzen sie die Freiheit, eigene Fragestellungen zu verfolgen, statt ausschliesslich vorgegebene Arbeitsabläufe schneller zu erfüllen?

Dies lässt sich mit dem Befähigungsansatz (Capability Approach) präzisieren, der insbesondere mit Amartya Sen verbunden ist. Er unterscheidet verfügbare Ressourcen von tatsächlichen Verwirklichungschancen. Ob Menschen ein technisches Mittel in eine für sie wertvolle Tätigkeit umsetzen können, hängt von persönlichen, sozialen und umweltbezogenen Umwandlungsbedingungen ab, den sogenannten conversion factors (Robeyns, 2025). Für KI wären beispielsweise Methodenkenntnis, Zeit, barrierefreie Zugänge, verfügbare Prüfwerkzeuge und institutionelle Rechte solche zu untersuchenden Bedingungen. Die Übertragung dieses allgemeinen Ansatzes auf konkrete KI-Anwendungen ist hier eine theoretische Anwendung, kein eigener empirischer Nachweis. Die relevante Frage lautet daher nicht nur, wer Zugang hat, sondern wer damit unabhängig sinnvolle Fragen verfolgen, Ergebnisse beurteilen und Alternativen wählen kann.

Bildung muss mehr fördern als die Nutzung eines Werkzeugs

Im Bildungsbereich wird besonders deutlich, dass eine erfolgreiche KI-gestützte Aufgabe nicht notwendigerweise auf ein entsprechendes Verständnis der lernenden Person schliessen lässt. Ein schlüssiger Text kann entstehen, ohne dass sein Verfasser die zentralen Argumente selbst entwickeln könnte. Eine korrekt wirkende Erklärung kann übernommen werden, ohne dass die zugrunde liegenden Annahmen geprüft wurden. Umgekehrt könnte die gezielte Auseinandersetzung mit unterschiedlichen Lösungsvorschlägen und Fehlern Lernprozesse unterstützen. Welche Wirkung überwiegt, hängt von Aufgabe, Begleitung und Bewertung ab und kann nicht aus der blossen Existenz des Werkzeugs abgeleitet werden.

Die UNESCO-Leitlinie Guidance for Generative AI in Education and Research von 2023 formuliert hierfür einen menschenzentrierten Orientierungsrahmen. Sie betont Datenschutz, pädagogische Gestaltung, institutionelle Vorbereitung und den Aufbau menschlicher Fähigkeiten. Das Dokument ist eine politische und pädagogische Handreichung, kein experimenteller Nachweis, dass bestimmte Unterrichtsformen bereits zu besseren Lernergebnissen führen.

Für die Argumentation dieses Whitepapers ergibt sich daraus eine plausible Gestaltungsanforderung: Bildung sollte Menschen nicht nur beibringen, KI schnell zu bedienen. Sie sollte auch ihre Fähigkeit stärken, Fragen zu stellen, Unsicherheiten zu erkennen, Quellen zu vergleichen, Methoden auszuwählen und eine begründete eigene Position zu entwickeln. Dazu gehört, den Unterschied zwischen einer durch KI unterstützten Leistung und unabhängig verfügbarem Können sichtbar zu machen. Ebenso wichtig ist die Möglichkeit, Aufgaben bewusst ohne KI zu bearbeiten, wenn gerade das eigene Verstehen oder eine bestimmte Fertigkeit entwickelt werden soll.

Das bedeutet nicht, dass traditionelle Arbeitsformen unverändert erhalten bleiben müssten. Wenn Werkzeuge bestimmte Tätigkeiten erleichtern, können andere Kompetenzen an Bedeutung gewinnen. Doch die Entscheidung darüber, was weiterhin selbst beherrscht werden sollte, ist eine Bildungsfrage und nicht allein eine technische Folge leistungsfähiger Modelle. Sie erfordert pädagogische Forschung, fachliche Abwägung und öffentliche Diskussion.

Für die Untersuchung bietet sich deshalb eine Trennung der Messgrössen an: Qualität des assistierten Produkts, eigenständige Leistung bei einer späteren Transferaufgabe, Fähigkeit zum begründeten Widerspruch und tatsächliche Wahlmöglichkeiten. Ein experimenteller Vergleich müsste Aufgaben, Vorkenntnisse und Dauer der KI-Nutzung berücksichtigen. Die UNESCO-Handreichung von 2023 begründet eine menschenzentrierte Gestaltungsorientierung, weist aber keine solche Lernwirkung kausal nach. Das ist der erste epistemische Übergang des Rahmenmodells: von verfügbarer Assistenz zu eigenständiger Kompetenz.

Forschungsinstitutionen entscheiden mit, welche Fragen verfolgt werden

Wissenschaftliche Erkenntnis entsteht nicht nur aus individuellen Ideen. Forschung benötigt Zeit, Finanzierung, zugängliche Literatur, überprüfbare Methoden, geeignete Infrastrukturen und Gemeinschaften, die Ergebnisse kritisch prüfen. Institutionelle Regeln beeinflussen deshalb, welche Fragen als lohnend gelten, welche Ergebnisse veröffentlicht werden und wie mit gescheiterten Versuchen umgegangen wird.

Die bereits besprochene bibliometrische Untersuchung von Hao und Mitautoren liefert einen Anlass, individuelle Forschungsleistung und die Entwicklung des kollektiven Forschungsfeldes getrennt zu betrachten. Sie beweist jedoch nicht, dass bestimmte institutionelle Anreizsysteme die beobachteten thematischen Entwicklungen verursacht haben. Auch die Experimente zu Kreativität und Originalitätsanreizen lassen sich nicht ohne Weiteres auf wissenschaftliche Förder- und Publikationssysteme übertragen.

Dennoch stellt sich eine grundlegende Frage: Was geschieht, wenn der Aufwand für Literaturauswertung, Hypothesenbildung oder das Erzeugen erster Ergebnisse sinkt, die Möglichkeiten zur sorgfältigen Prüfung aber nicht im gleichen Masse zunehmen? Mehr Vorschläge können eine Forschungsgemeinschaft bereichern. Sie können zugleich die Nachfrage nach Begutachtung, Replikation und fachlicher Einordnung erhöhen. Ob daraus ein tatsächlicher Gewinn oder eine zusätzliche Belastung entsteht, ist empirisch zu prüfen.

Ein möglicher institutioneller Ansatz besteht darin, nicht nur die Menge an Ergebnissen zu belohnen, sondern auch nachvollziehbare Methoden, unabhängige Gegenprüfungen, dokumentierte Fehlversuche und begründete Abweichungen von etablierten Annahmen anzuerkennen. Dies ist hier eine theoretisch und normativ begründete Richtung, keine durch die bisherige C1-Forschung bestätigte allgemeine Erfolgsstrategie. Für eine belastbare Aussage wären zusätzlich Studien aus Wissenschaftssoziologie, Forschungsbewertung und Innovationsforschung erforderlich.

Der institutionelle Mechanismus liegt dabei in den Anreizen für unterschiedliche Forschungsleistungen. Wenn allein schnell publizierbare positive Resultate zählen, könnten schwer überprüfbare Hypothesen, Replikationen und negative Befunde relativ unattraktiv werden. Werden dagegen Dokumentation, Reproduzierbarkeit und unabhängige Prüfung explizit anerkannt, verändert dies zumindest die organisatorischen Erwartungen an Forschung. Der Bericht Reproducibility and Replicability in Science der National Academies (2019) erläutert entsprechende Empfehlungen an Förderer und Publikationsorgane. Er liefert jedoch keinen universellen Effektwert für KI-Forschung. Ob bestimmte Anreizänderungen tatsächlich zu vielfältigerer und verlässlicherer KI-gestützter Forschung führen, bleibt eine überprüfbare Hypothese.

Eine institutionelle Erklärung benötigt ausserdem eine Theorie, die individuelle Erkenntnisse mit sozialer Prüfung verbindet. Helen Longinos soziale Erkenntnistheorie betont, dass wissenschaftliche Objektivität nicht allein aus der Gewissenhaftigkeit einzelner Forschender folgt. Relevant sind öffentlich zugängliche Orte der Kritik, die tatsächliche Aufnahme von Gegenargumenten, gemeinsame Beurteilungsstandards und eine grundsätzlich offene, wenn auch fachlich verantwortliche Beteiligung an der Kritik (Stanford Encyclopedia of Philosophy, „The Social Dimensions of Scientific Knowledge“). Daraus folgt als theoretischer Mechanismus: Auch wenn eine KI einen brauchbaren Vorschlag erzeugt, hängt dessen kollektiver Erkenntniswert davon ab, ob andere ihn prüfen, bestreiten und aufgrund nachvollziehbarer Gründe verändern können. Ein Peer-Review-Verfahren ist deshalb nicht bereits kraft seines Namens wirksam; entscheidend ist, ob Kritik Folgen hat. Longinos Theorie liefert hier einen begrifflichen Massstab, aber noch keinen kausalen Wirksamkeitsnachweis für bestimmte KI-Governance-Massnahmen.

Für die Analyse von Anreizen und Entscheidungsrechten bietet das Institutional Analysis and Development Framework aus der Forschung um Elinor Ostrom einen zusätzlichen Bezugspunkt. Es unterscheidet konkrete Handlungssituationen, beteiligte Akteure, geltende Regeln, Interaktionen und Ergebnisse, die anhand ausdrücklich benannter Kriterien beurteilt werden (Ostrom Workshop, Indiana University). Auf KI-gestützte Forschung übertragen wäre zu fragen, wer Forschungsfragen auswählt, welche Nachweise belohnt werden, wer Daten oder Modelle verändern darf und wer die Folgen fehlerhafter Ergebnisse trägt. Das Rahmenwerk erklärt, welche institutionellen Variablen untersucht werden können. Es belegt nicht schon, dass ein bestimmtes Anreizsystem zuverlässig mehr wissenschaftliche Vielfalt erzeugt.

Kulturelle und wissenschaftliche Vielfalt benötigen Räume für Widerspruch

Die früheren Kapitel haben gezeigt, weshalb Vielfalt nicht einfach mit der Anzahl erzeugter Texte oder der semantischen Distanz zwischen Antworten gleichgesetzt werden darf. Für eine epistemische Kultur ist entscheidend, ob unterschiedliche Fragen überhaupt gestellt werden können und ob abweichende Argumente eine faire Chance erhalten, geprüft zu werden. Es geht somit um mehr als die statistische Verschiedenheit von Outputs. Es geht auch um Sprachen, Erfahrungen, Forschungstraditionen, Zugangsmöglichkeiten und die Bedingungen öffentlicher Auseinandersetzung.

Hier liegt eine besondere Herausforderung für Systeme, die von vielen Menschen als gemeinsamer Ausgangspunkt genutzt werden. Wenn unterschiedliche Nutzerinnen und Nutzer auf ähnliche Modelle oder Informationsbestände zurückgreifen, könnten bestimmte Perspektiven häufiger sichtbar werden als andere. Daraus folgt noch kein allgemeiner Homogenisierungseffekt auf gesellschaftlicher Ebene. Die bisherigen Kreativitätsstudien liefern für diese langfristige Entwicklung keinen direkten Nachweis. Der Zusammenhang ist aber als Forschungsfrage ernst zu nehmen.

Die UNESCO-Empfehlung zur Ethik künstlicher Intelligenz von 2021 nennt kulturelle Vielfalt, sprachliche Teilhabe, Menschenrechte und öffentliche Mitwirkung als normative Ziele. Ihre Bedeutung liegt darin, Kriterien für verantwortliche Gestaltung zu formulieren. Sie kann nicht als empirischer Beleg dafür dienen, dass eine bestimmte technische oder regulatorische Massnahme kulturelle Vielfalt tatsächlich erhöht.

Die gesellschaftliche Aufgabe besteht entsprechend nicht darin, möglichst viele widersprüchliche Antworten zu erzeugen. Sie besteht darin, begründeten Dissens zuzulassen, unterschiedliche Perspektiven zugänglich zu machen und gleichzeitig Verfahren zu erhalten, mit denen falsche Behauptungen zurückgewiesen werden können. Eine Kultur, die alles ungeprüft gelten lässt, gewinnt nicht notwendig an Erkenntnis. Eine Kultur, die zu früh nur noch eine Interpretation zulässt, könnte dagegen mögliche Entdeckungen übersehen. Der Umgang mit dieser Spannung ist Teil der institutionellen Gestaltung.

Digitale Souveränität bedeutet mehr als einen eigenen Server

Der Zugang zu KI wird häufig durch Anbieter, Verträge, Schnittstellen, Recheninfrastruktur und Datenbestände vermittelt. Das schafft Handlungsmöglichkeiten, bringt aber auch Abhängigkeiten mit sich. Eine Organisation kann ein leistungsfähiges Modell nutzen und dennoch nur begrenzt beurteilen, welche Daten verarbeitet werden, welche Änderungen ein Anbieter vornimmt oder welche Folgen ein Modellwechsel für ihre Anwendungen hat.

Digitale Souveränität sollte in diesem Zusammenhang nicht mit technischer Autarkie verwechselt werden. Es geht weniger darum, jede Komponente selbst zu entwickeln, als darum, die entscheidenden Fragen weiterhin eigenständig beurteilen und wirksam beantworten zu können. Welche Informationen benötigt eine Organisation, um eine Änderung zu erkennen? Wie kann sie deren Auswirkungen prüfen? Kann sie Ergebnisse und Daten nachvollziehbar exportieren, Verfahren austauschen oder eine Anwendung vorübergehend ohne den betroffenen Dienst betreiben? Welche Abhängigkeiten akzeptiert sie bewusst, und welche gefährden ihre Aufgaben?

Das lokale KI-Agentensystem, aus dessen explorativer Planung die ursprüngliche Idee für dieses Whitepaper hervorgegangen ist, illustriert eine mögliche Gestaltungsrichtung. Lokale Modelle und lokal kontrollierte Datenflüsse können bestimmte Abhängigkeiten und Datenweitergaben reduzieren. Daraus folgt allerdings weder vollständige Sicherheit noch automatische Unabhängigkeit. Lokale Systeme müssen ebenfalls betrieben, aktualisiert, geschützt und bewertet werden. Sie können durch Hardware, Softwarebibliotheken, Modellherkunft oder fehlende Fachkenntnisse neue Abhängigkeiten erzeugen. Das Projekt ist deshalb ein konzeptioneller Bezugspunkt, kein bereits validierter Nachweis über die Wirksamkeit lokaler KI.

Die relevante Entscheidung liegt häufig zwischen unterschiedlichen, jeweils begrenzten Möglichkeiten: lokale Verarbeitung, externe Dienste, hybride Architekturen oder der bewusste Verzicht auf KI bei einzelnen Aufgaben. Auch ein klassischer Suchindex, eine Datenbankabfrage oder ein deterministischer Algorithmus kann für eine bestimmte Anforderung die bessere Lösung sein. Die Wahl sollte sich am Zweck, an der Verifizierbarkeit und an den verfügbaren Kontrollmöglichkeiten orientieren, nicht am Anspruch, möglichst viel KI einzusetzen.

Als dritter Mechanismus kommen Entscheidungs- und Wechselrechte hinzu. Wer einen Dienst nicht auf seine Änderungen, verwendeten Daten oder Bewertungskriterien hin untersuchen kann, ist bei der Prüfung eigener Ergebnisse teilweise auf den Anbieter angewiesen. Wer auf ein alternatives Verfahren wechseln, Daten in einem nachvollziehbaren Format exportieren oder Modelle vergleichend testen kann, besitzt zusätzliche Handlungsmöglichkeiten. Das sind zunächst strukturelle Merkmale, keine Garantie besserer Forschung. Insbesondere erlaubt die lokale Ausführung eines Modells weder den Schluss auf vollständige Souveränität noch auf überlegene Ergebnisqualität. Für die empirische Bewertung müsste gezeigt werden, ob konkrete Wechsel- und Prüfmöglichkeiten tatsächlich genutzt werden, welche Kosten sie verursachen und ob sie die Unabhängigkeit von Fragestellungen oder deren Verifikation verbessern.

Kontrolle muss organisatorisch wirksam sein

Wenn KI wissenschaftliche, administrative oder wirtschaftliche Entscheidungen vorbereitet, genügt es nicht, einen Menschen formal als letzte Instanz zu nennen. Verantwortung setzt voraus, dass die beteiligten Personen die erforderlichen Informationen, Kompetenzen und Handlungsmöglichkeiten besitzen. Wer ein Ergebnis lediglich bestätigt, ohne seine Herkunft oder die wesentlichen Annahmen beurteilen zu können, übt möglicherweise keine substanzielle Kontrolle aus.

Das AI Risk Management Framework des US-amerikanischen NIST unterscheidet die Funktionen Govern, Map, Measure und Manage. Damit beschreibt es einen Rahmen für organisatorische Steuerung, Kontextklärung, Risikobewertung und den Umgang mit identifizierten Risiken. Der Rahmen ist als Gestaltungs- und Managementgrundlage hilfreich. Er ist kein empirischer Nachweis, dass eine Organisation durch seine Anwendung automatisch vertrauenswürdige Erkenntnisse oder bessere gesellschaftliche Ergebnisse hervorbringt. Auch die UNESCO-Empfehlung verankert die Bedeutung menschlicher Verantwortlichkeit, Aufsicht und überprüfbarer Verfahren als normative Anforderungen.

Für epistemisch anspruchsvolle Anwendungen entsteht daraus eine konkrete Frage: Kann eine Person oder Institution nicht nur das Ergebnis eines Systems sehen, sondern die für die eigene Entscheidung relevanten Gründe, Unsicherheiten, Quellen und Veränderungen beurteilen? Dazu gehören geeignete Dokumentation, die Möglichkeit unabhängiger Prüfungen und klare Zuständigkeiten für Fehlentscheidungen. In einzelnen Kontexten können zusätzliche technische Sicherungen, formale Nachweise oder fachliche Zweitprüfungen erforderlich sein.

Eine sinnvolle Kontrollarchitektur muss ausserdem mit Fehlbarkeit rechnen. Sprachmodelle können plausible, aber falsche Antworten formulieren. Automatisierte Abläufe können fehlerhafte Ausgangsinformationen weitertragen. Externe Änderungen können zuvor gültige Bewertungen überholen. Solche Risiken lassen sich nicht durch das Etikett «Mensch in der Schleife» beseitigen. Entscheidend ist, wie Kontrolle tatsächlich ausgeübt wird und ob ein Verfahren bei unzureichender Evidenz angehalten oder geändert werden kann.

Gesellschaftlicher Nutzen ist eine Verteilungs- und Bewertungsfrage

Selbst wenn der Einsatz von KI in einzelnen Tätigkeiten nachweislich Zeit einspart, bleibt offen, wem dieser Gewinn zugutekommt. Er kann Raum für sorgfältigere Arbeit schaffen, neue Aufgaben ermöglichen oder den Zugang zu Dienstleistungen erleichtern. Er könnte auch zu höheren Leistungserwartungen, einer Verdichtung von Arbeit oder einer Konzentration von Vorteilen bei wenigen Akteuren beitragen. Für Aussagen über die Häufigkeit und das Ausmass solcher Entwicklungen sind arbeitssoziologische und ökonomische Untersuchungen erforderlich, die in der bisherigen C1-Literaturbasis nicht hinreichend abgedeckt sind.

Ebenso wenig lässt sich eine technische Produktivitätskennzahl unmittelbar in gesellschaftlichen Fortschritt übersetzen. Eine bessere Prognose, eine schnellere Verwaltungshandlung oder ein neues wissenschaftliches Werkzeug kann für unterschiedliche Gruppen verschiedene Folgen haben. Zu prüfen wäre, welche Ziele tatsächlich erreicht werden, welche neuen Kosten entstehen und wer über die Bewertung entscheidet. Neben Geld und Zeit können dabei Datenschutz, Teilhabe, Zugang zu Bildung, institutionelle Lernfähigkeit und ökologische Belastungen eine Rolle spielen.

Auch Energie- und Ressourcenverbrauch gehören in eine solche Betrachtung. Je nach Einsatzform benötigen Modelltraining, Inferenz und Infrastruktur erhebliche materielle Ressourcen. Daraus lässt sich ohne belastbare Vergleichsdaten keine allgemeine Aussage ableiten, dass eine lokale oder externe Lösung stets die ökologisch bessere sei. Wohl aber lässt sich fordern, den eingesetzten Aufwand dem tatsächlichen Nutzen gegenüberzustellen und Alternativen zu berücksichtigen.

Die Freiheit, KI nicht zu nutzen, ist dabei kein nebensächliches Detail. Wenn Teilhabe an Bildung, Arbeit oder öffentlichen Dienstleistungen faktisch an bestimmte KI-Systeme gebunden wird, kann ein zusätzliches Werkzeug zur neuen Zugangsvoraussetzung werden. Eine menschlich orientierte Gestaltung muss deshalb auch die Interessen derjenigen berücksichtigen, die ein System nicht verwenden können oder wollen. Die UNESCO-Empfehlung benennt die optionale Nutzung künstlicher Intelligenz ausdrücklich als schützenswerte Möglichkeit. Daraus folgt für dieses Whitepaper eine normative Leitlinie, keine Behauptung über bereits verwirklichte Wahlfreiheit.

Von technischen Möglichkeiten zu gemeinsamen Handlungsspielräumen

Die gesellschaftlichen Voraussetzungen verändern die ursprüngliche Ausgangsfrage nicht, sondern machen ihre Tragweite deutlicher. Wer eine Idee mit KI verfolgen möchte, braucht mehr als eine beeindruckende Antwort. Er benötigt geeignete Werkzeuge, Möglichkeiten zur Überprüfung, Zeit zum Lernen und ein Umfeld, in dem neue Fragen gestellt werden dürfen. Das gilt für einzelne Personen ebenso wie für Forschungseinrichtungen, Verwaltungen und kulturelle Organisationen.

Die hier beschriebenen Bedingungen bilden noch keinen empirisch validierten Katalog hinreichender Voraussetzungen. Bildung, Teilhabe, Souveränität, institutionelle Qualitätssicherung und verantwortliche Governance sind vielmehr unterschiedliche Ebenen einer begründeten Arbeitshypothese. Sie können sich gegenseitig unterstützen, aber auch in Konflikt geraten. Ein streng kontrollierter Datenzugang kann beispielsweise Privatsphäre schützen und gleichzeitig bestimmte Forschungsformen erschweren. Offene Systeme können Teilhabe erleichtern, zugleich aber neue Sicherheits- oder Verantwortungsprobleme schaffen. Mehr Automatisierung kann einzelne Tätigkeiten entlasten und dennoch den Bedarf an menschlicher Prüfung erhöhen.

Die Vorstellung eines kulturellen Beschleunigers erhält damit einen anspruchsvolleren Sinn. Entscheidend wäre nicht nur, ob Menschen mithilfe von KI schneller zu Ergebnissen gelangen. Es wäre zu untersuchen, ob sie dadurch nachhaltiger lernen, eigenständige Fragen entwickeln, überprüfbares Wissen austauschen und ihre gemeinsamen Handlungsmöglichkeiten erweitern können, ohne wesentliche Formen von Urteilskraft, Vielfalt und Selbstbestimmung einzubüssen.

Die drei Vermittlungsmechanismen sind damit nicht als gesicherte Erfolgsbedingungen etabliert. Sie zeigen vielmehr, wo sich aus dem bisherigen Forschungsstand überprüfbare Fragen über Befähigung, wissenschaftliche Kritik, institutionelle Anreize und wirksame Kontrolle ableiten lassen. Kapitel 6 bündelt diese Beziehungen in einem begrenzten Prüfmodell.

Kultureller Beschleuniger: unter welchen Bedingungen?

Ausgangspunkt dieser Untersuchung war eine offene Frage zur explorativen Nutzung von KI. Es stand eine Frage: Was könnte geschehen, wenn ein Mensch eine Idee verfolgt und künstliche Intelligenz ihm dabei hilft, Wissen zu erschliessen, Probleme aus neuen Blickwinkeln zu betrachten und die eigene Vorstellung des Machbaren zu erweitern? Diese Frage entstand im Zusammenhang mit dem Versuch, ein lokales KI-Agentensystem konzeptionell zu entwickeln. Sie lässt sich aber ebenso auf wissenschaftliche, künstlerische und gesellschaftliche Tätigkeiten übertragen. Ihr Kern ist nicht die Geschwindigkeit, mit der eine Maschine eine bekannte Aufgabe erledigt. Es ist die Möglichkeit, dass sich durch die Arbeit mit ihr auch die Fragen, die Handlungsmöglichkeiten und das Verständnis eines Menschen verändern.

Die ausgewertete Forschung erlaubt weder eine pauschal positive noch eine pauschal negative Bewertung. In bestimmten Untersuchungen verbessern KI-Werkzeuge die Leistung einzelner Personen. Wissenschaftliche Systeme können Literaturarbeit, Hypothesenbildung und experimentelle Prüfungen miteinander verbinden. Zugleich weisen andere Studien auf ähnlichere Ergebnisse, begrenzte kreative Vielfalt und Unterschiede zwischen individueller Leistung und kollektiver Entwicklung hin. Diese Befunde widersprechen einander nicht zwingend. Sie beziehen sich auf verschiedene Aufgaben, Messgrössen und Formen der Zusammenarbeit. Gerade deshalb erlauben sie keine einfache Antwort auf die Frage, ob KI die Kultur als Ganzes beschleunigt.

Der Ausdruck kultureller Beschleuniger bezeichnet hier eine Untersuchungsperspektive, keine empirisch bestätigte allgemeine Wirkung. Er beschreibt die Möglichkeit, dass KI die Bedingungen verändert, unter denen Menschen Wissen erwerben, eigene Fähigkeiten entwickeln, neue Ideen verwirklichen und Erkenntnisse miteinander teilen. Ob diese Veränderungen einen Gewinn darstellen, entscheidet sich nicht allein am technischen Leistungsvermögen. Entscheidend sind auch die Qualität der Ergebnisse, die Selbstbestimmung der Beteiligten, die Offenheit für Widerspruch und die gesellschaftliche Verteilung der entstehenden Möglichkeiten.

Ein begrenzter Rahmen für die Zusammenhänge

Die Untersuchung entwickelt ein Modell epistemischer Übergänge und institutioneller Vermittlungsbedingungen. Das Modell verbindet zwei Fragen: KI kann zunächst neue, vorher kaum zugängliche Fragen und Handlungsoptionen eröffnen. Ob daraus eigenständiges Können, geprüfte Erkenntnis, gemeinsam tragfähiges Wissen oder gesellschaftlich wertvolle Ergebnisse entstehen, hängt von weiteren Übergängen ab. Die Elemente sind aus verschiedenen Theorien und Forschungsbefunden synthetisiert. Ihre Kombination ist ein Vorschlag dieses Whitepapers, keine als originär oder empirisch bestätigt ausgegebene Theorie.

Zu den Voraussetzungen gehören Kompetenzen, Ziele, verfügbares Wissen, technische Ressourcen und organisatorische Regeln. Vermittelnde Mechanismen sind etwa Exploration, Quellenerschliessung, Gegenprüfung, Widerspruch, Lerntransfer und soziale Kritik. Ergebnisse können auf der Ebene assistierter Leistung, eigenständiger Kompetenz, überprüfter Erkenntnis und kollektiver Weiterverwendung entstehen. Eine normative Bewertung fragt zusätzlich nach Autonomie, Teilhabe, Verlässlichkeit, Vielfalt, Verantwortung und Kosten. Diese vier Betrachtungsebenen ordnen die Untersuchung; ihr spezifischer Mehrwert liegt in den folgenden vier Übergängen.

Erster Übergang: technische Assistenz zu eigenständiger Kompetenz. Ein brauchbares KI-Ergebnis belegt zunächst eine assistierte Leistung. Um Lernen nachzuweisen, müsste sich zeigen, dass die betroffene Person unter geeigneten Bedingungen Probleme erklären, Fehler erkennen oder verwandte Aufgaben später selbstständig lösen kann. Fachliche Rückmeldungen, Aufgabenstellungen und Umwandlungsbedingungen im Sinne des Befähigungsansatzes könnten diesen Übergang beeinflussen. Status: theoretisch begründete Differenzierung, für das hier betrachtete Material keine ausreichend geprüfte allgemeine Langzeitwirkung.

Zweiter Übergang: individuelle Exploration zu überprüfter Erkenntnis. Eine neue Frage, ein Literaturhinweis oder eine Hypothese kann den Suchraum erweitern. Erst eine zur Fragestellung passende Prüfung, beispielsweise durch Quellenabgleich, Experiment, Replikation oder formalen Nachweis, begründet den weitergehenden Erkenntnisanspruch. Das Forschungssystem Robin illustriert einen spezifischen Fall menschlich und maschinell kombinierter Hypothesenarbeit mit Laborprüfung; daraus folgt keine allgemeine Automatisierbarkeit wissenschaftlicher Entdeckung. Status: in einzelnen Anwendungen konkret illustriert, nicht als allgemeiner Kausaleffekt gesichert.

Dritter Übergang: individuelle Ergebnisse zu kollektivem Wissen. Forschungsergebnisse müssen anderen zugänglich, interpretierbar und kritisierbar sein. Hier ist Longinos Ansatz sozialer Kritik anschlussfähig: Widerspruch muss nicht nur möglich sein, sondern begründet aufgenommen werden können. Forschungsanreize, Veröffentlichungspraktiken, Zugriffsrechte und die Vielfalt beteiligter Perspektiven beeinflussen möglicherweise, welche Ergebnisse überhaupt zur Prüfung gelangen. Die bibliometrischen Ergebnisse von Hao et al. und die C1-Studien unterstreichen, dass individuelle Leistungsindikatoren und kollektive Breite unterschiedliche Grössen sind. Status: einzelne empirische Beobachtungen und Experimente, theoretischer institutioneller Zusammenhang; keine allgemein nachgewiesene Übergangswirkung.

Vierter Übergang: kollektive Erkenntnis zu gesellschaftlichem Gewinn. Auch verlässliche und verbreitete Erkenntnisse führen nicht automatisch zu erwünschten gesellschaftlichen Folgen. Ausschlaggebend sind praktische Zugänglichkeit, Entscheidungsrechte, Verteilungseffekte sowie materielle und organisatorische Kosten. Der Befähigungsansatz hilft, reale Handlungsmöglichkeiten statt bloss verfügbare Mittel zu betrachten; institutionelle Analyse macht Regeln und Verantwortlichkeiten sichtbar. Status: normative Bewertung mit gesondert zu erhebenden empirischen Konsequenzen, keine universelle Fortschrittsaussage.

Die Übergänge sind keine zwingende Stufenleiter. Eine praktische Gestaltungsidee kann unmittelbar nützlich sein, ohne zuvor in einer wissenschaftlichen Fachgemeinschaft validiert worden zu sein. Umgekehrt können Organisationen bereits die Wahl der Ausgangsfrage beeinflussen; neue Erkenntnisse können Zugang, institutionelle Regeln und zukünftige Kompetenzen verändern. Mehr Gegenprüfung kann zuverlässigeres Wissen fördern, aber Ressourcen binden. Offenere Zugänge können mehr Perspektiven erlauben, zugleich jedoch Schutzinteressen berühren. Solche Rückwirkungen und Zielkonflikte müssen jeweils gesondert untersucht werden.

Das Modell eröffnet damit konkrete, widerlegbare Untersuchungsfragen: Führt eine KI-Lernumgebung mit späteren Transferaufgaben zu anderem Kompetenzerwerb als eine reine Ergebnisbewertung? Erhöhen dokumentierte Gegenprüfungen die Korrektur fehlerhafter Hypothesen? Verändern Anreize für Replikation und Originalität die Vielfalt tatsächlich untersuchter Fragen? Verbessern funktionierende Datenportabilität und Wechselrechte die Unabhängigkeit von Forschungsteams? Solange diese Beziehungen nicht mit geeigneten Vergleichs- und Längsschnittverfahren untersucht sind, bleiben sie Arbeitshypothesen. Gerade ihre getrennte Prüfbarkeit ist der Anspruch dieser Synthese.

Welche Aussagen die Forschung trägt und welche offenbleiben

Ein Teil dieses Rahmens lässt sich durch die im Whitepaper behandelte Forschung konkretisieren. Die untersuchten kreativen Aufgaben zeigen, dass KI-Unterstützung die Bewertung individueller Ergebnisse verbessern kann und dass die Ergebnisse mehrerer Menschen unter bestimmten Bedingungen ähnlicher werden. Die beiden herangezogenen Metaanalysen berichten im Mittel Hinweise auf Homogenisierung, wobei Studienauswahl, Untersuchungsgegenstände und Messverfahren variieren. Weil sich die eingeschlossenen Studien teilweise überschneiden, stellen sie nicht zwei vollständig unabhängige Bestätigungen dar. Andere Experimente zeigen, dass Exposition, die Zusammensetzung von Mensch-KI-Gruppen und Anreize für Originalität einen Unterschied machen können. Daraus folgt ein enger, aber wichtiger Befund: Die Folgen der Zusammenarbeit sind nicht allein durch das Vorhandensein eines KI-Modells festgelegt.

Für die Wissenschaft liefert die Untersuchung von Hao und Mitautoren Hinweise darauf, dass individuell gemessene Forschungsleistungen und die thematische Entwicklung eines Forschungsfeldes auseinanderfallen können. Die bibliometrischen Zusammenhänge erlauben jedoch keine umfassende kausale Erklärung. Der Forschungsfall Robin veranschaulicht seinerseits eine konkrete Verbindung von KI-gestützter Hypothesenarbeit und menschlich durchgeführten Laboruntersuchungen. Er beweist weder, dass wissenschaftliche Entdeckungen generell automatisierbar wären, noch dass die berichteten experimentellen Ergebnisse bereits klinische Wirksamkeit besitzen.

Diese Befunde stützen somit einzelne Beziehungen des Modells, nicht die gesamte gesellschaftliche Wirkungskette. Insbesondere bleibt offen, welche Formen der KI-Nutzung langfristig zum Aufbau eigenständiger Kompetenz beitragen, wie stark institutionelle Anreize den wissenschaftlichen Erkenntnisgewinn verändern und unter welchen Bedingungen sich ein individueller Erkenntnisvorteil in einen breiten gesellschaftlichen Nutzen übersetzen lässt. Die bisher ausgewerteten Kreativitätsexperimente können diese Fragen nicht stellvertretend beantworten.

Andere Beziehungen sind vorerst theoretische Hypothesen. Dazu zählt die Annahme, dass vielfältige Perspektiven, unabhängige Gegenprüfungen und gestaltbare KI-Arbeitsprozesse die Chancen verlässlicher Erkenntnisse erhöhen könnten. Auch die Vermutung, dass Zugang zu kontrollierbaren technischen Systemen Abhängigkeiten reduzieren und eigenständige Exploration erleichtern kann, verlangt eine kontextspezifische Prüfung. Ein lokal betriebenes System kann bestimmte Kontrollmöglichkeiten eröffnen, aber es schafft weder automatisch korrektes Wissen noch umfassende Sicherheit oder institutionelle Unabhängigkeit.

Daneben stehen normative Überlegungen. Menschen sollten die Möglichkeit behalten, Ergebnisse zu hinterfragen und folgenreichen Entscheidungen zu widersprechen. Bildung sollte nicht ausschliesslich die effiziente Bedienung von Werkzeugen belohnen. Gesellschaften sollten die Verteilung von Chancen und Lasten sowie kulturelle und wissenschaftliche Vielfalt berücksichtigen. Solche Aussagen sind nicht deshalb richtig, weil eine Metaanalyse sie bestätigt. Sie benötigen nachvollziehbare ethische und politische Begründungen und müssen gegen andere legitime Ziele abgewogen werden. Die Empfehlungen der UNESCO und das Risikomanagementrahmenwerk des NIST bieten dafür Orientierungen, aber keine experimentellen Nachweise ihrer allgemeinen Wirksamkeit.

Die Unterscheidung dieser drei Aussagearten ist keine blosse methodische Vorsicht. Sie verhindert, dass Beobachtungen, Zukunftserwartungen und Werturteile ineinander übergehen. Nur so bleibt sichtbar, welche Fragen bereits beantwortet werden können und wo das Whitepaper einen begründeten Vorschlag zur weiteren Untersuchung entwickelt.

Ein Gespräch mit Sokrates als Gedankenexperiment

Die Reichweite dieser Unterscheidung lässt sich mit einem Gedankenexperiment verdeutlichen. Stellen wir uns Sokrates im Gespräch mit einer hypothetischen künstlichen Intelligenz vor, die über weit umfassendere Informationen und überlegene Fähigkeiten zur Analyse verfügt. Über die tatsächliche Entstehung einer solchen Superintelligenz oder über ein mögliches Bewusstsein wird damit nichts behauptet. Das Gedankenexperiment dient allein dazu, unterschiedliche Arten von Überlegenheit zu trennen.

Ein solches System könnte historische Quellen schneller vergleichen, widersprüchliche Argumente identifizieren und philosophische Positionen mit einer Breite darstellen, die einem einzelnen Menschen nicht zugänglich ist. Sokrates könnte daraus lernen. Er könnte aber weiterhin fragen, weshalb eine Schlussfolgerung gelten soll, welche Voraussetzungen in ihr verborgen sind und ob das gewählte Ziel überhaupt erstrebenswert ist. Die Fähigkeit, mehr Informationen zu verarbeiten, beantwortet noch nicht die Frage, nach welchen Werten eine Gesellschaft leben sollte.

Selbst wenn ein System einer Person in vielen Erkenntnisfragen überlegen wäre, liesse sich daraus nicht unmittelbar ein Recht zur politischen oder moralischen Entscheidung über andere ableiten. Dazu gehören Fragen der Legitimation, Verantwortung, Betroffenheit und öffentlichen Rechtfertigung. Auch Menschen besitzen nicht allein deshalb Entscheidungsautorität, weil sie über mehr Fachwissen verfügen. Fachliche Expertise ist bedeutsam, ersetzt aber nicht die Auseinandersetzung über Ziele und gemeinsame Regeln.

Umgekehrt wäre es ebenso verfehlt, menschliche Urteile allein deshalb für überlegen zu erklären, weil sie von Menschen stammen. Eine gut begründete technische Gegenposition kann menschliche Annahmen korrigieren. Entscheidend ist eine Form der Zusammenarbeit, in der Gründe geprüft werden können und die verantwortlichen Menschen und Institutionen ihre Entscheidungen nicht auf die vermeintliche Unfehlbarkeit eines Systems abstützen müssen.

Das Gedankenexperiment führt damit zum Kern des Whitepapers zurück. KI könnte menschliche Möglichkeiten gerade dann erweitern, wenn sie nicht nur Antworten liefert, sondern auch den Raum für bessere Fragen, begründeten Zweifel und neue Sichtweisen öffnet. Ob ein System dies tatsächlich fördert, bleibt eine Gestaltungs- und Untersuchungsfrage.

Woran sich ein kultureller Gewinn erkennen liesse

Wenn wir die Rede vom kulturellen Beschleuniger ernst nehmen, benötigen wir Kriterien, an denen sich ihre Bedeutung überprüfen lässt. Dabei genügt keine einzelne Kennzahl. Je nach Anwendungsfeld wäre zu untersuchen, ob Menschen neue, vorher schwer zugängliche Fragen bearbeiten können und ob die dabei gewonnenen Ergebnisse einer unabhängigen Prüfung standhalten. Ebenso relevant wäre, ob sie nach der Zusammenarbeit eigene Kompetenzen aufgebaut haben oder dauerhaft von einem System abhängig bleiben.

Auf kollektiver Ebene müsste sichtbar werden, ob unterschiedliche Ansätze erhalten bleiben, ob überprüfbare Erkenntnisse geteilt und weiterentwickelt werden und ob auch weniger privilegierte Gruppen Zugang zu den entstehenden Möglichkeiten erhalten. Die institutionelle Perspektive fragt danach, wer technische Änderungen beurteilen kann, welche Kontroll- und Ausstiegsmöglichkeiten bestehen und wer Verantwortung für Fehler oder unerwartete Folgen übernimmt. Schliesslich gehören die Aufwände für Betrieb, Prüfung, Energie, Ressourcen und zusätzliche organisatorische Arbeit zur Bilanz.

Zwischen diesen Kriterien können Zielkonflikte entstehen. Offenheit kann den Austausch von Wissen fördern und zugleich Datenschutzfragen verschärfen. Strenge Qualitätssicherung kann Vertrauen erhöhen, aber den Zugang zu Forschungsprozessen erschweren. Eine lokale Infrastruktur kann die Kontrolle über bestimmte Daten und Abläufe verbessern, jedoch zusätzliche Anforderungen an Betrieb, Sicherheit und Ressourcen stellen. Eine verantwortliche Gestaltung muss solche Konflikte sichtbar machen, statt sie hinter dem Versprechen maximaler Produktivität zu verbergen.

Ein belastbares Urteil müsste daher mehrere Perspektiven und längere Zeiträume berücksichtigen. Ein kurzfristiger Leistungszuwachs kann wertvoll sein, ohne dass daraus nachhaltiges Lernen entsteht. Eine neue Idee kann zunächst ungewöhnlich erscheinen und erst durch späteren Austausch Bedeutung gewinnen. Und eine weithin verbreitete Anwendung kann wirtschaftlich erfolgreich sein, ohne die epistemischen oder gesellschaftlichen Ziele dieses Whitepapers zu erfüllen. Die Frage nach kulturellem Fortschritt bleibt somit offen für empirische Untersuchung und öffentliche Wertediskussion.

Die Untersuchung erlaubt damit ein bedingtes Ergebnis. Die ausgewertete Forschung belegt keine allgemeine kulturelle Beschleunigungswirkung künstlicher Intelligenz. Sie zeigt für bestimmte Aufgaben individuelle Verbesserungen, dokumentiert Risiken der Homogenisierung und liefert Hinweise darauf, dass die Gestaltung der Zusammenarbeit die Ergebnisse beeinflussen kann. Die ergänzende Literatur macht plausible institutionelle Vermittlungsprozesse sichtbar, insbesondere bei wissenschaftlicher Prüfbarkeit, Bildung und organisatorischer Kontrolle. Sie validiert jedoch nicht das gesamte hier entwickelte gesellschaftliche Modell.

Der eigenständige Beitrag dieses Whitepapers liegt daher in einer begründeten Unterscheidung von Entstehung, Prüfung, sozialer Weitergabe und normativer Bewertung neuer Möglichkeiten sowie in konkreten Fragen, an denen ihre Verbindungen erforscht werden können. Ob diese Kombination im fachtheoretischen Sinn neu ist, bleibt bis zu einem gezielten Vergleich mit bestehenden Modellen offen. Der Ausdruck kultureller Beschleuniger ist unter diesen Voraussetzungen weder Erfolgsbehauptung noch pauschale Warnung, sondern eine präzisierte Forschungsfrage.

Die Möglichkeit, neue Möglichkeiten zu entdecken

Damit schliesst sich der Kreis zur ursprünglichen Frage. Wer eine Idee mit KI verfolgt, weiss zu Beginn nicht unbedingt, welche Schwierigkeiten, Verbindungen oder weiteren Fragen daraus hervorgehen werden. Der Wert explorativer Arbeit liegt manchmal gerade darin, dass sich ihr Ziel während des Prozesses verändert. Ein lokales Agentensystem kann hierfür ein persönlicher Anlass und später vielleicht ein untersuchbarer Fall sein. Es darf aber nicht schon deshalb als Beleg für eine allgemeine gesellschaftliche Entwicklung gelten, weil die Arbeit daran neue Einsichten ermöglicht.

Auch die historischen Gedankenexperimente mit Einstein oder Leonardo da Vinci lassen sich in diesem Licht verstehen. Sie fragen nicht nach einer beweisbaren alternativen Geschichte. Sie regen dazu an, darüber nachzudenken, welche Grenzen menschlicher Forschung und Gestaltung durch Zeit, Spezialisierung und begrenzten Informationszugang entstehen und welche dieser Grenzen durch geeignete Assistenz verschoben werden könnten. Ob daraus tatsächlich neue Erkenntnisse erwachsen, ist wiederum nicht allein eine Frage der Geschwindigkeit. Sie hängt von der Qualität der Fragen, von der Prüfung der Ergebnisse und von den Bedingungen ab, unter denen Menschen ihre Ideen verfolgen können.

KI als kultureller Beschleuniger zu betrachten, heisst daher nicht, ihren Nutzen bereits vorauszusetzen. Es heisst, eine anspruchsvollere Möglichkeit ernst zu nehmen und ihre Voraussetzungen zu untersuchen. Eine Technologie wäre in diesem Sinn dann besonders wertvoll, wenn sie Menschen nicht bloss mehr Ergebnisse produziert, sondern ihnen hilft, begründeter zu urteilen, eigenständiger zu handeln, Erkenntnisse kritisch zu teilen und neue Wege des Denkens und Gestaltens zu erschliessen. Wo sie stattdessen Abhängigkeiten vertieft, Vielfalt einschränkt, Prüfung verdrängt oder die Kosten der Arbeit lediglich verlagert, wäre die Beschleunigung noch kein Fortschritt.

Die entscheidende Frage ist deshalb nicht, wie schnell künstliche Intelligenz wird. Sie lautet, welche menschlichen und gesellschaftlichen Möglichkeiten durch ihre bewusste Gestaltung tatsächlich entstehen und woran wir erkennen können, ob diese Möglichkeiten einen Fortschritt darstellen.

Die Kurzverweise im Haupttext führen zu öffentlich auffindbaren Forschungsarbeiten beziehungsweise institutionellen Originalquellen. Wo eine zuvor analysierte Preprintfassung und eine später erschienene Journalfassung existieren, wird die Versionsbeziehung ausdrücklich kenntlich gemacht. Die Integration ist keine erneute unabhängige Auswertung aller zugrunde liegenden Datensätze.

Empirische Primärstudien

• Ashkinaze, J., Mendelsohn, J., Li, Q., Budak, C., & Gilbert, E. (2025). How AI Ideas Affect the Creativity, Diversity, and Evolution of Human Ideas: Evidence From a Large, Dynamic Experiment. Collective Intelligence 2025. https://doi.org/10.1145/3715928.3737481. Untersuchte Forschungsgrundlage: arXiv:2401.13481v3.
• Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290.
• Ghareeb, A., et al. (2026). A multi-agent system for automating scientific discovery. Nature, 655, 497–505. https://doi.org/10.1038/s41586-026-10652-y. Aussagen zum Forschungsbeispiel Robin gelten für die berichteten Labor- und Analysebedingungen, nicht für eine klinische Wirksamkeit.
• Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature, 649, 1237–1243. https://doi.org/10.1038/s41586-025-09922-y. Frühere analysierte Forschungsversion aus 2025; retrospektive Beobachtungsstudie.
• Jo, N., & Raghavan, M. (2026). Incentives shape how humans co-create with generative AI. arXiv:2604.03529. https://arxiv.org/abs/2604.03529. Die im Projekt analysierte Version ist arXiv:2604.03529v1.
• Moon, K., Green, A. E., & Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans, 6, 100207. https://doi.org/10.1016/j.chbah.2025.100207. Vergleich menschlicher und KI-generierter Textkorpora, nicht interaktive Assistenz.
• Shiiku, S., Marjieh, R., Anglada-Tort, M., & Jacoby, N. (2025). The Dynamics of Collective Creativity in Human-AI Hybrid Societies. Analysierte Fassung arXiv:2502.17962v3. https://arxiv.org/abs/2502.17962v3.
• Wan, Y., & Kalman, Y. M. (2026). Diverse AI personas can mitigate the homogenization effect in human-AI collaborative ideation. Computers in Human Behavior: Artificial Humans, 8, 100289. https://doi.org/10.1016/j.chbah.2026.100289. Ursprünglich ausgewertete Fassung: arXiv:2504.13868v2; neue Publikationsidentität extern geprüft, keine stillschweigende Nachanalyse sämtlicher Tabellen.

Metaanalysen und Sekundärevidenz

• Holzner, N., Maier, S., & Feuerriegel, S. (2025). Generative AI and Creativity: A Systematic Literature Review and Meta-Analysis. Untersuchte Fassung arXiv:2505.17241v1. https://arxiv.org/abs/2505.17241v1. Der kollektive Diversitätseffekt beruht nur auf einem kleinen Teil der einbezogenen Studien; erhebliche Heterogenität.
• de Rooij, A., & Biskjaer, M. M. (2026). Does generative AI make us think alike? A systematic review and meta-analysis of homogenisation effects in human–AI co-creation. Behaviour & Information Technology, online publiziert am 31. August 2026. https://doi.org/10.1080/0144929X.2026.2726451. Versionshinweis: Im Forschungsprojekt quantitativ ausgewertet wurde die April-2026-Preprintfassung (Homogenization pre-print v1.1.pdf). Die Journalfassung bestätigt auf der überprüften Ebene 19 Studien, 61 Effektgrössen, den mittleren Homogenisierungseffekt und den aufgabenabhängigen Befund. Kein Anspruch auf vollständige Identität aller Tabellendaten. Die beiden Metaanalysen weisen Überschneidungen ihrer Primärstudien auf.

Theoretische Bezugsrahmen

• Longino, H. E. (1990). Science as Social Knowledge. Princeton University Press.
• Longino, H. E. (2002). The Fate of Knowledge. Princeton University Press. Ergänzende Darstellung: Stanford Encyclopedia of Philosophy, The Social Dimensions of Scientific Knowledge.
• Sen, A. (1999). Development as Freedom. Oxford University Press. Theoretischer Hintergrund der Verwirklichungschancen, keine KI-Wirkungsstudie.
• Robeyns, I. (2025, aktualisierte Fassung). The Capability Approach. Stanford Encyclopedia of Philosophy.
• Ostrom, E. (2005). Understanding Institutional Diversity. Princeton University Press. https://doi.org/10.1515/9781400831739. Ausgabe 2005 ist durch bibliografische Katalogangaben bestätigt; andere Jahresangaben können spätere Ausgaben oder Digitalisierung betreffen. Ergänzend: Ostrom Workshop, IAD Framework.

Institutionelle und normative Grundlagen

• National Academies of Sciences, Engineering, and Medicine (2019). Reproducibility and Replicability in Science. National Academies Press. https://doi.org/10.17226/25303. Empfehlungen zur wissenschaftlichen Forschungspraxis, kein direkter Wirkungsnachweis für KI-spezifische Anreizsysteme.
• OECD (2026, 5. Juni). AI and skills: What we know so far. https://doi.org/10.1787/f843b352-en. Beleg für Aussagen zu Kompetenzen und Einführungshindernissen.
• OECD (2026, 28. Januar). AI use by individuals surges across the OECD as adoption by firms continues to expand. Gesonderte Quelle für Aussagen zu Nutzungsunterschieden nach Bevölkerungsgruppen.
• UNESCO (2021). Recommendation on the Ethics of Artificial Intelligence. Normative Empfehlung, kein kausaler Wirksamkeitsnachweis.
• UNESCO (2023). Guidance for Generative AI in Education and Research. Handreichung.
• NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://www.nist.gov/itl/ai-risk-management-framework. Governance-Rahmen, keine Evaluation der Wirksamkeit einzelner Massnahmen.

Geltungsgrenzen dieser Quellenintegration

Der Quellenapparat stützt die benannten Aussagen nur im jeweiligen Untersuchungs- und Theoriekontext. Studien über kurze Schreib- und Ideenaufgaben belegen keine langfristige kulturelle Entwicklung. Soziale Erkenntnistheorie, Capability Approach und IAD werden als unterschiedliche theoretische Perspektiven miteinander in Beziehung gesetzt; ihre Verbindung ist kein empirisch validiertes einheitliches Kausalmodell. Für die institutionellen Wirkungsannahmen bleiben gesonderte Prüfungen erforderlich. Die Schlussfolgerung des Whitepapers ist auf den untersuchten Literaturkorpus begrenzt.