Generative KI zu nutzen, ist außerordentlich bequem. Sie brauchen eine schöne Präsentation zum Vorjahresumsatz? Geben Sie ihr die Rohdaten und etwas Richtung, und wenige Minuten später haben Sie jene PowerPoint, für die Sie früher einen Tag gebraucht haben. Sie brauchen eine kleine App für Ihre Fitnessziele? Die KI schreibt sie in Minuten. Oder sie erstellt eine Infografik mit fotorealistischen medizinischen Illustrationen. Und vieles mehr. Sie kann sogar Lieder oder Gedichte schreiben, und wenn Sie ihr sagen, welchen Stil Sie mögen, trifft sie ihn recht gut.

Sie kann das, weil sie auf so ziemlich allem trainiert wurde, was der Menschheit im Internet offen zugänglich ist, ergänzt um viele zusätzliche nichtöffentliche Inhalte. Hunderte medizinische Illustrationen, Tausende bereits gesungene Lieder, Millionen quelloffener Codebeispiele auf GitHub – alles da, damit KI-Modelle es aufnehmen und daraus etwas Neues und meist Brauchbares für uns erzeugen.

Genau dieser Rückgriff macht solche Aufgaben so leicht. Auch menschliches Schaffen ist oft Wiederholung, und das Verarbeiten dessen, was zuvor geschaffen wurde, tut ohnehin jeder neue Schöpfer. So lernen wir, und das ist ein wichtiges Prinzip menschlicher Innovation.

Für uns Menschen ist das jedoch ein Ausgangspunkt; für die KI und alle, die sich auf sie verlassen, ist es der Endpunkt.

Für Menschen sind Verarbeiten und Nachahmen Katalysatoren der Innovation. Für die KI und alle, die sich auf sie verlassen, sind sie die Endpunkte.

Johannes Kunz, CEO 9senses

KI ist ein sehr kompetenter Verwerter

Wie an anderer Stelle beschrieben, denkt ein auf Deep Learning beruhendes Modell nicht über Bedeutung nach; es bewegt sich durch einen Raum von Vektoren und sucht die nächste plausible Fortsetzung. In der Praxis macht es das außergewöhnlich gut darin, vorhandene Formen, Stile, Strukturen und Lösungen zu etwas neu zu kombinieren, das stimmig, passend und nützlich wirkt. Erzeugung ist in jedem Fall Interpolation, allenfalls Extrapolation, wenn ein findiger Mensch gut führt. Meist aber produziert das Modell etwas nahe der Mitte all dessen, was es an Ähnlichem gesehen hat. Und es hat viele Vertriebspräsentationen gesehen, viele Lieder analysiert, viele Gedichte gelesen.

Vermutlich eher die besseren, denn die werden geteilt, besprochen, bewertet. Statistisch liegt die Ausgabe also nahe der Mitte der verfügbaren Eingaben, gewichtet nach den Signalen, die auf gute Qualität hindeuten.

Das ist nicht bloß Theorie. Doshi und Hauser haben experimentell gezeigt (Science Advances, 2024), dass generative KI die Geschichte des einzelnen Autors besser machen kann – und die Gesamtheit aller Geschichten einander ähnlicher. Das Werkzeug hebt jeden von uns ein wenig über die Mitte und zieht uns alle auf dasselbe Niveau.

A virtual ballad sung and played by AI – about AI – showing how well it can process past input.

Für die meisten Alltagszwecke ist das genau richtig. Eine Vertriebspräsentation muss nicht überaus kreativ sein, ein einfacher Bericht über eine Arzneimittelstudie muss vor allem passen und alle Punkte abdecken, ein Werbejingle muss eingängig klingen. Hexenwerk ist das nicht. Und: Aktuelle KI-Modelle sind in dieser Verwertungsarbeit so gut geworden, dass sie sehr brauchbare und zielgenaue Ergebnisse liefern. Das zu leugnen hieße, sich selbst zu belügen.

Sie sind aber genau deshalb so gut, weil ihnen all diese Eingaben vorliegen, geschaffen in den vergangenen Jahrhunderten von kompetenten, kreativen oder gar genialen Menschen. Trainiert wurden sie mit der Arbeit von Menschen, die ihr Handwerk über die Zeit gelernt haben, durch Wiederholung, Fehler, Korrektur und Erfahrung. Viele begannen ihr berufliches oder kreatives Leben mit einfacheren Aufgaben, sammelten Erfahrung, bauten Wissen auf und trainierten ihr Gehirn, um eines Tages etwas Gutes zu schaffen. So lernen wir: von anderen und aus eigenen Fehlern. Wenn KI diese Arbeit zunehmend ersetzt, wird der Nachschub an künftiger Expertise ungewiss. Das ist die Eingabe. Für uns und für die KI.

Muskeln verkümmern ohne Training – das Gehirn auch

Können und Expertise entstehen durch Wiederholung, Versuch und Irrtum, Korrektur und anhaltende Aufmerksamkeit. Das menschliche Gehirn lässt sich in dieser Hinsicht mit einem Muskel vergleichen: Es wird stärker, indem es benutzt wird. Nicht umsonst sprechen wir von Training. In der Schule, in der Ausbildung und vor allem, während wir lernen, indem wir Dinge tun. Diese ersten Schritte, manchmal unbeholfen, manchmal in ärgerlichem Scheitern endend, machen uns gut in dem, was wir tun.

Nun bricht die KI dieses Training. Und zwar hart. Studierende, die ihre Arbeiten mit KI schreiben, leisten die mühsame Arbeit des Recherchierens, Verarbeitens und stringenten Argumentierens nicht wirklich; Softwareentwickler, die mit KI programmieren oder Fehler suchen, machen nicht mehr all die Fehler, die wir früher beim Programmieren gemacht haben. Womöglich werden wir vom Arbeitgeber oder von uns selbst sogar davon abgehalten, etwas zu versuchen, das die KI besser kann als wir. Und genau das verlangsamt oder stoppt das Training unseres Gehirns.

Die Belege dafür sind längst nicht mehr anekdotisch. In einer Mixed-Methods-Studie mit 666 Teilnehmenden fand Gerlich (2025, Societies), dass stärkere KI-Nutzung mit schwächerem kritischem Denken einhergeht, vermittelt über das, was er kognitive Entlastung nennt – und der Effekt war bei den jüngsten Nutzern zwischen 17 und 25 am stärksten, also genau in der Gruppe, die ihre Fähigkeiten noch aufbaut. Eine Studie mit 580 Studierenden (Tian und Zhang, 2025, Acta Psychologica) weist in dieselbe Richtung: Je stärker die Studierenden von KI abhingen, desto schlechter fiel ihr kritisches Denken aus. Und die Studie „Your Brain on ChatGPT“ des MIT Media Lab (Kosmyna et al., 2025) liefert eine eindrückliche Illustration des Mechanismus: Mittels EEG verglich sie Menschen, die mit einem Sprachmodell, mit einer Suchmaschine oder ganz ohne Hilfsmittel schrieben, und fand bei der Sprachmodell-Gruppe die schwächste neuronale Vernetzung, deutlich gleichförmigere Texte und – wenig überraschend – häufig die Unfähigkeit, eine einzige Zeile aus dem eben „verfassten“ Essay zu zitieren. Sie hatten sich nie wirklich mit dem Stoff auseinandergesetzt. Die Autoren nennen den Rückstand „kognitive Schulden“. Das ist das größere Risiko: KI kann uns helfen, Aufgaben zu erledigen

Was das über die Sorge um faule Studierende hinaushebt: Dieselbe Erosion ist inzwischen bei erfahrenen Fachleuten gemessen worden. Eine multizentrische Studie in The Lancet Gastroenterology & Hepatology (Budzyń et al., 2025) untersuchte Endoskopiker, die einige Monate mit KI-gestützter Koloskopie gearbeitet hatten – und fand, dass ihre Erkennungsraten ohne KI zurückgingen, sobald das System abgeschaltet war. Es geht hier um Fachleute, die ihr Handwerk bereits beherrschten; das Werkzeug hat eine Fähigkeit ausgehöhlt, die sie sich über Jahre erarbeitet hatten. Die nächste Generation baut sie vielleicht gar nicht erst auf.

Ein Teufelskreis

The vicious cycle

Was wird also vermutlich geschehen? Wirklich fähig zu werden, wird schwerer; außergewöhnlich zu werden, wird enorme Willenskraft erfordern, um die Hürden zu überwinden, die ein nie ermüdender und bereits kompetenter Konkurrent namens KI aufstellt. Womöglich entwickeln wir nicht einmal das Selbstvertrauen dafür, weil alles, was wir bisher geschaffen haben, mit Hilfe der KI entstanden ist und nicht wirklich unser eigenes Werk war.

Die letzte Folge dieses Kreislaufs ist, dass der breite Strom gegenwärtiger und vergangener menschlicher Beiträge, der die Gesellschaft (und das KI-Training) speist, zum Rinnsal wird und die KI überwiegend von ihrer eigenen Ausgabe lebt.

Um dem Argument gerecht zu bleiben: Neukombination ist auch ein echter und legitimer Teil menschlicher Kreativität – wir sollten das weiße Blatt nicht romantisieren. Der entscheidende Unterschied ist nicht, dass Neukombination schlecht wäre, sondern dass die KI ohne kreative Menschen, die sie führen, nicht mehr als das kann. Und diese kreativen Menschen könnte es in einer KI-geprägten Zukunft immer seltener geben.

Der Weg des geringsten Widerstands

Wenn die KI das nun für uns erledigt, ohne Zögern, blitzschnell und meist in einer Qualität, die uns und den Empfängern mehr als genügt, wird es zunächst leicht und später schwierig. Wenn die KI „gut genug“ interpolierte Ergebnisse nahezu kostenlos und sofort liefert, verliert die langsame, teure, unsichere Arbeit des Neuschaffens den Anreizwettbewerb jedes Mal. Es steckt eine Art Greshamsches Gesetz darin: Billige, reibungslose Reproduktion verdrängt tendenziell die teure, mühsame Schöpfung. Das macht aus einem theoretischen Risiko einen realen, beobachtbaren Trend.

Aber: Technikangst ist nicht neu, und sie war nie berechtigt …

Über die negativen Folgen neuer Technologien wurde schon oft diskutiert. Von der Dampfmaschine über das elektrische Licht bis zum Computer galt alles manchen als Ende des menschlichen Handwerks, und doch überlebte die menschliche Kreativität jedes Mal. Wir wurden dabei schneller und wohlhabender.

Warum also sollte generative KI anders sein? Die Leute werden sie nutzen, sich an sie gewöhnen, und alles wird effizienter und schneller. Genau dasselbe also, oder?

Nein. Frühere Werkzeuge automatisierten Ausführung oder Reproduktion und überließen das Erschaffen den Menschen. Keines dieser Werkzeuge trainierte auf seiner eigenen Ausgabe, um die nächste zu erzeugen. Die Kamera hat nie sämtliche früheren Fotografien aufgesogen, um das nächste Bild zu erzeugen: Der Fotograf blieb der Künstler. Strukturell neu ist hier die Schleife: Der Rohstoff des Werkzeugs ist menschliche Kreativität, und seine Ergebnisse fließen zurück in genau den Vorrat, aus dem es schöpft, während der menschliche Beitrag knapp wird. Diese Rückkopplung ist das, was diesmal wirklich anders ist.

Und wir wissen bereits, wohin diese Schleife führt. Als Shumailov und Kollegen Modelle mit der Ausgabe früherer Modelle trainierten, verschlechterten sich die Modelle – ein Vorgang, den sie in Nature (2024) dokumentierten. Sie nannten ihn „Modellkollaps“. Bezeichnenderweise beginnt der Schaden nicht beim Durchschnitt: Das Seltene und das Außergewöhnliche verschwinden zuerst aus der Verteilung, bis das Verbleibende auf eine schmale Mitte zusammenläuft. Spätere Forschung zeigte, wie sich der Kollaps vermeiden lässt, nämlich indem fortlaufend frische, echte, von Menschen erzeugte Daten in den Trainingsvorrat gemischt werden (Gerstgrasser et al. 2024; Kazdan et al. 2025).

Bitte lesen Sie das noch einmal: Das Immunsystem der Maschinen gegen ihre eigene Mittelmäßigkeit sind wir, solange wir weiter Neues schaffen. Und genau dieser Nachschub versiegt.

Und das ist längst kein Laborszenario mehr. Eine von Stanford geleitete Analyse des Internet Archive ergab, dass Mitte 2025 rund ein Drittel der neu veröffentlichten Websites KI-generiert oder KI-gestützt war. Und je mehr KI-Text im Internet steht, desto geringer die semantische Vielfalt. Die Varianz darin, wie Texte geschrieben werden, hat sich seit 2022 messbar verengt; groß angelegte Untersuchungen studentischer Texte bestätigen den Zielkonflikt: Die durchschnittliche Qualität steigt, die gedankliche Vielfalt sinkt. Kein noch so raffiniertes Prompten schließt diese Lücke. Die Rückkopplungsschleife ist keine Sache der Zukunft; sie ist bereits da.

Um den Befunden gerecht zu werden: Nichts davon scheint Schicksal zu sein. Gerlich fand, dass höhere Bildung gegen kognitive Entlastung abpuffert; Folgearbeiten zum Doshi-Hauser-Experiment zeigen, dass sich der Vereinheitlichungseffekt verringern lässt, indem man die Vorschläge der KI bewusst diversifiziert; und Studien zu angeleiteter, strukturierter KI-Nutzung im Unterricht finden, dass kritisches Denken erhalten oder sogar gestärkt werden kann – wenn der Mensch im Denkprozess bleibt. Und genau darum geht es in diesem Artikel: Das Risiko steckt nicht in der Technologie. Es folgt daraus, wie wir sie einsetzen.

Es gibt keine einfache Antwort auf dieses Problem

Wir setzen KI für Dinge ein, die wir früher von Menschen hätten erledigen lassen. Wir tun es aus vielen Gründen: aus Bequemlichkeit, um Zeit oder Geld zu sparen – und der KI-Einsatz wird unausweichlich, weil er all jene weniger wettbewerbsfähig macht, die ihn meiden, wenn es um ihre „durchschnittliche“ Arbeit geht. Für die wirklich Kreativen und Herausragenden unter uns bleiben die Chancen bestehen. Aber wie sollen sie in diesem Umfeld lernen, selbstbewusste Innovatoren zu werden?

Das ist eine Aufgabe für die Gesellschaft. Für Menschen mit Weitblick. Für jene, die verstehen, dass das größte Kapital der Menschheit ihre Fähigkeit zur Innovation ist, unbekannte Probleme auf neue, erfinderische Weise zu lösen. Und dass die Investition in dieses Kapital aus Training, harter Arbeit und der Gewissheit besteht, dass jede neue Generation ihre eigenen Fehler machen darf.

Auf persönlicher Ebene passt das Gegenmittel in einen Satz: Nutzen Sie KI als Verstärkung, nicht als Ursprung. Lassen Sie sie Material liefern, prüfen und Korrektur lesen, Optionen aufzeigen und Ihre Argumente herausfordern – aber behalten Sie die erste Idee, die Suche nach der richtigen Logik, den Aufbau und die tragenden Argumente sich selbst vor. Und fällen Sie IHR abschließendes Urteil. Behandeln Sie KI-Ergebnisse als eine weitere Zutat Ihrer Arbeit, nicht als fertiges Endprodukt. Die Gesundheit der Modelle hängt von Menschen ab, die noch immer Dinge schaffen, die es zuvor nie gab – und unsere ebenso.