Wie Google Gemini das Denken verändert: Jenseits der Text-Illusion

Das Ende der Text-Illusion

Lange Zeit wurde der Fortschritt generativer KI vor allem an einem sichtbaren Ergebnis gemessen: an Text.

Texte konnten schneller geschrieben, zusammengefasst, übersetzt und verändert werden. Aus wenigen Stichpunkten entstanden Berichte. Aus einer Frage wurde eine Erklärung. Aus einer groben Anweisung wurde ein fertiger Entwurf.

Das war beeindruckend. Aber möglicherweise war es auch eine Täuschung über die eigentliche Bedeutung dieser Technologie.

Denn der Text war lediglich die sichtbare Oberfläche eines viel umfassenderen Vorgangs. Menschen denken nicht ausschließlich in Sätzen. Sie denken mit Bildern, Erinnerungen, Geräuschen, räumlichen Vorstellungen, Zahlen, Diagrammen, Gesten, Erfahrungen und Situationen. Ein großer Teil dessen, was Menschen wissen, liegt nicht als sauber formulierter Text vor.

Ein Sprachmodell, das lediglich Text verarbeitet, begegnet dieser Welt über eine Übersetzung. Die Welt muss zunächst in Sprache gebracht werden.

Moderne multimodale Systeme verändern diese Ausgangslage. Forschung zu multimodalen Modellen beschreibt inzwischen Architekturen, die Text, Bild, Audio und Video in gemeinsamen Verarbeitungssystemen verbinden. Dabei geht es nicht mehr lediglich darum, ein Bild zu beschriften oder eine Audiodatei zu transkribieren. Die Forschung zielt zunehmend auf Systeme, die Informationen verschiedener Modalitäten gemeinsam interpretieren und daraus Schlussfolgerungen ableiten können.

Das ist ein technologischer Unterschied. Aber vielleicht ist es auch ein erkenntnistheoretischer.

Wenn eine Maschine nicht mehr nur Sprache verarbeitet, sondern verschiedene Formen von Wirklichkeit miteinander in Beziehung setzen kann, verändert sich möglicherweise nicht nur ihre Antwortfähigkeit, sondern die Art des Dialogs selbst.

Genau hier beginnt die interessantere Frage.

Nicht: Wie schnell kann eine KI einen Text erzeugen?

Sondern: Was geschieht, wenn eine KI den Kontext, aus dem ein Gedanke entsteht, immer vollständiger erfassen kann?

Die Architektur der Sinne

Die Entwicklung multimodaler künstlicher Intelligenz wird häufig als technische Erweiterung beschrieben: Ein System kann nun neben Text auch Bilder oder Audio verarbeiten.

Diese Beschreibung ist korrekt, aber sie unterschätzt die Konsequenz.

Ein Bild ist nicht einfach ein anderer Text. Ein Diagramm enthält Beziehungen, die sich nur schwer vollständig sprachlich beschreiben lassen. Ein Video enthält zeitliche Abläufe. Eine Tonaufnahme enthält nicht nur Wörter, sondern Betonung, Rhythmus und Geräusche. Ein Foto kann gleichzeitig Informationen über Raum, Objekte, Personen und Situationen enthalten.

Wenn solche Informationen gemeinsam verarbeitet werden, entsteht ein anderer Informationsraum.

Ein Mensch könnte beispielsweise ein Diagramm zeigen und gleichzeitig erklären, warum es ihm problematisch erscheint. Die Maschine erhält dann nicht mehr nur die sprachliche Beschreibung des Problems, sondern den Gegenstand selbst und die Interpretation des Menschen dazu.

Genau diese Verbindung ist wichtiger als die einzelne zusätzliche Fähigkeit.

Multimodalität bedeutet nicht lediglich mehr Eingabeformate. Sie ermöglicht die Verknüpfung verschiedener Evidenzformen.

Die Forschung betrachtet diese Entwicklung deshalb zunehmend als eigenen Bereich der künstlichen Intelligenz. Aktuelle Übersichtsarbeiten unterscheiden verschiedene Formen multimodaler Modelle und untersuchen, wie Informationen aus unterschiedlichen Modalitäten miteinander ausgerichtet und verarbeitet werden. Gleichzeitig bleiben erhebliche Probleme bestehen: Modalitäten lassen sich nicht automatisch verlustfrei verbinden, Daten sind unterschiedlich strukturiert und zeitlich organisiert, und die gemeinsame Interpretation kann weiterhin fehlerhaft sein.

Das Wort „Verstehen“ sollte deshalb vorsichtig verwendet werden.

Ein System kann Beziehungen zwischen Bild, Sprache und Ton erkennen, ohne diese Welt auf menschliche Weise zu erleben. Es kann Muster integrieren, ohne über menschliche Wahrnehmung zu verfügen.

Trotzdem entsteht eine neue praktische Fähigkeit.

Die Maschine muss nicht mehr darauf warten, dass der Mensch die Welt vollständig in Sprache übersetzt.

Und damit verschiebt sich eine alte Arbeitsteilung.

Bisher musste der Mensch der Maschine häufig erklären, was er sah. Zunehmend kann die Maschine selbst an dem teilnehmen, was gesehen, gehört oder dargestellt wird.

Vom Dokument zum Datenraum

Noch grundlegender ist eine zweite Veränderung: Wissen muss nicht mehr ausschließlich in einzelnen Fragen abgerufen werden.

Die klassische Suche funktioniert nach einem einfachen Prinzip. Ein Mensch formuliert eine Anfrage. Ein System sucht passende Dokumente. Der Mensch liest, bewertet und verbindet die Ergebnisse.

Diese Form des Informationszugangs war revolutionär, weil sie den Zugriff auf riesige Wissensbestände ermöglichte.

Doch sie besitzt eine entscheidende Begrenzung: Die Suchmaschine kennt den individuellen Zusammenhang der Frage nur in dem Maße, in dem er in der Suchanfrage ausgedrückt wird.

Ein kontextreiches KI-System kann dagegen mit einem größeren Wissensraum arbeiten. Dokumente, Notizen, frühere Entscheidungen, Bilder, Tabellen oder andere Materialien können gemeinsam zum Kontext einer Aufgabe werden.

Technisch wird diese Entwicklung unter anderem durch Verfahren wie Retrieval-Augmented Generation ermöglicht. Dabei werden externe Wissensbestände mit der Verarbeitung eines Sprachmodells verbunden. Die grundlegende Idee ist inzwischen etabliert: Ein Modell muss Wissen nicht ausschließlich in seinen Parametern speichern, sondern kann relevante Informationen aus einem externen Wissensraum abrufen und in die Antwort einbeziehen.

Damit verändert sich auch die Vorstellung davon, was eine Frage ist.

Eine Frage lautet nicht mehr zwangsläufig:

„Welche Information finde ich zu diesem Thema?“

Sie kann lauten:

„Was ergibt sich aus allem, was wir bereits wissen, wenn wir es unter diesem Gesichtspunkt betrachten?“

Das ist ein fundamentaler Unterschied.

Die erste Frage sucht nach Information.

Die zweite sucht nach einer Beziehung zwischen Informationen.

Damit entsteht etwas, das man als kontextuellen Datenraum bezeichnen könnte.

Dieser Begriff ist weniger eine exakt definierte technische Kategorie als eine Beschreibung einer neuen Nutzungssituation: Wissen liegt nicht mehr ausschließlich als Sammlung voneinander getrennter Dokumente vor. Es kann innerhalb eines gemeinsamen Kontexts miteinander in Beziehung gesetzt werden.

Doch auch hier lauert eine Illusion.

Mehr Kontext bedeutet nicht automatisch mehr Wahrheit. Untersuchungen zu langen Kontexten zeigen, dass zusätzliche Informationen die Qualität einer Antwort nicht unbegrenzt verbessern. Zu viel Material kann sogar schaden, wenn relevante Informationen zwischen irrelevanten Passagen untergehen.

Der Traum vom vollständigen Datenraum stößt damit auf ein altes Problem des Denkens:

Nicht alles, was relevant sein könnte, ist in diesem Moment relevant.

Die Rückkehr des Kontexts

Vielleicht liegt darin eine der unterschätzten Veränderungen.

Information wird nicht nur zugänglicher. Sie kann stärker in Zusammenhang gebracht werden.

Das ist historisch nicht selbstverständlich.

Die Entwicklung moderner Wissenssysteme war lange von einer zunehmenden Trennung geprägt. Bücher wurden katalogisiert. Dokumente wurden archiviert. Datenbanken wurden strukturiert. Suchmaschinen machten einzelne Fundstellen auffindbar.

Diese Entwicklung löste ein gewaltiges Problem: die Knappheit des Zugriffs.

Das neue Problem könnte nun ein anderes sein: die Überfülle des Zugriffs.

Wenn beinahe jede Information verfügbar ist, wird das Finden einzelner Informationen weniger entscheidend. Entscheidend wird, welche Informationen miteinander verbunden werden sollten.

Damit verschiebt sich die Rolle eines Wissenssystems.

Es muss nicht nur sagen können, was irgendwo steht.

Es muss helfen können zu erkennen, was davon für den gegenwärtigen Zusammenhang Bedeutung besitzt.

Genau an dieser Stelle treffen sich technische und psychologische Fragen.

Menschen denken selbst nicht wie Datenbanken. Erinnerungen sind selektiv. Aufmerksamkeit ist begrenzt. Vorwissen beeinflusst Interpretation. Erwartungen bestimmen, was überhaupt wahrgenommen wird.

Ein System, das einem Menschen beim Ordnen seines Wissens hilft, wird deshalb nicht zu einem neutralen Spiegel.

Es wird Teil des Denkprozesses.

Und damit stellt sich eine unangenehme Frage:

Wenn ein System entscheidet, welche Zusammenhänge sichtbar werden, unterstützt es dann unser Denken – oder beginnt es bereits, unsere Wirklichkeit zu strukturieren?

Vom Automaten zum Sparringspartner

Die vielleicht auffälligste Veränderung betrifft jedoch nicht die Daten, sondern die Interaktion.

Ein klassisches Softwarewerkzeug wartet auf eine definierte Eingabe. Ein Textprogramm verarbeitet Zeichen. Eine Suchmaschine verarbeitet Suchanfragen. Eine Datenbank verarbeitet strukturierte Abfragen.

Ein generatives System kann dagegen mit einem unfertigen Gedanken beginnen.

Das klingt zunächst nebensächlich. Es ist aber möglicherweise der entscheidende Schritt.

Denn die meisten interessanten Probleme beginnen nicht als klar formulierte Aufgaben.

Sie beginnen als Irritation.

Als Gefühl, dass etwas nicht zusammenpasst. Als Beobachtung, die noch keine These ist. Als Widerspruch zwischen zwei Erfahrungen. Als Vermutung, deren Konsequenzen noch unklar sind.

Ein System, das nur fertige Aufgaben ausführen kann, hilft an diesem Punkt wenig.

Ein dialogisches System kann dagegen auf den unfertigen Gedanken reagieren.

Es kann eine mögliche Struktur vorschlagen. Es kann eine Gegenposition formulieren. Es kann unterschiedliche Interpretationen auseinanderhalten. Es kann auf eine implizite Annahme aufmerksam machen.

Damit verändert sich die Rolle des Systems.

Es ist nicht mehr ausschließlich ein Automat, der Arbeit übernimmt.

Es wird zu einem Sparringspartner für die Vorstufe der Arbeit.

Genau hier wird die häufige Diskussion über sogenannte Prompts fragwürdig.

Ein Prompt suggeriert, dass der Mensch wissen muss, was er will, und lediglich die richtige Anweisung finden muss.

Ein Sparringspartner setzt an einem anderen Punkt an.

Dort, wo noch nicht klar ist, was man will.

Die entscheidende Fähigkeit wäre dann nicht die Beherrschung einer möglichst präzisen Befehlssprache. Sie wäre die Fähigkeit, einen Gedanken in den Dialog zu geben und anschließend zu beurteilen, was die Antwort mit diesem Gedanken gemacht hat.

Aber ist das wirklich Denken?

Hier beginnt der philosophisch schwierigere Teil.

Wenn ein System einen Gedanken ordnet, eine Gegenposition entwickelt und neue Verbindungen vorschlägt, entsteht leicht der Eindruck eines gemeinsamen Denkprozesses.

Doch aus der Nützlichkeit eines Dialogs folgt nicht, dass beide Seiten auf dieselbe Weise denken.

Ein Mensch besitzt biografische Erfahrungen, Bedürfnisse, Interessen und eine Perspektive auf die Welt. Ein künstliches System erzeugt Antworten aus gelernten Mustern und den Informationen, die ihm im jeweiligen Kontext zugänglich sind.

Das bedeutet nicht, dass der Dialog wertlos wäre.

Es bedeutet vielmehr, dass man zwischen funktionaler Zusammenarbeit und menschlichem Denken unterscheiden muss.

Ein System kann eine Gegenposition erzeugen, ohne eine eigene Position im menschlichen Sinne zu besitzen.

Es kann Widersprüche sichtbar machen, ohne selbst von diesen Widersprüchen betroffen zu sein.

Es kann einen Gedankengang verändern, ohne ein persönliches Interesse an seinem Ausgang zu haben.

Gerade diese Fremdheit könnte sogar einen Teil seines Wertes ausmachen.

Ein menschlicher Gesprächspartner bringt seine eigenen Interessen, Erfahrungen und sozialen Beziehungen in einen Dialog ein. Ein künstliches Gegenüber kann diese soziale Einbettung in anderer Weise umgehen.

Aber auch das ist keine Garantie für Neutralität.

Modelle besitzen Trainingsprägungen, systemische Vorgaben, Auswahlmechanismen und statistische Verzerrungen. Was als Gegenargument erscheint, ist nicht automatisch die objektivste Gegenposition.

Das künstliche Gegenüber ist weder neutral noch menschlich. Gerade seine Zwischenstellung macht es interessant – und epistemisch gefährlich.

Die psychologische Gegenbewegung: Entlastung oder Entmündigung?

Psychologisch betrachtet ist die Entwicklung ambivalent.

Menschen lagern seit jeher geistige Arbeit an externe Systeme aus. Schrift entlastete das Gedächtnis. Notizbücher entlasteten die Erinnerung. Kalender entlasteten die Planung. Taschenrechner entlasteten das Rechnen.

Kognitive Entlastung ist deshalb nichts grundsätzlich Neues.

Neu ist die Reichweite.

Ein Taschenrechner übernimmt eine klar begrenzte Operation. Ein generatives System kann dagegen Teile eines wesentlich weniger klar definierten Denkprozesses übernehmen: Formulieren, Vergleichen, Zusammenfassen, Strukturieren, Argumentieren und sogar Vorschläge für weitere Denkwege.

Damit wird die Grenze zwischen Entlastung und Delegation unscharf.

Forschung der vergangenen Jahre zeigt entsprechend kein einfaches Bild. Einige Studien finden Leistungsgewinne durch strukturierte Zusammenarbeit mit generativer KI. Andere Untersuchungen zeigen Zusammenhänge zwischen starker KI-Abhängigkeit, kognitiver Entlastung und schwächerem eigenständigem kritischem Denken. Wieder andere Arbeiten weisen darauf hin, dass die Art der Nutzung entscheidend ist: Eine reflektierte Zusammenarbeit kann andere Ergebnisse hervorbringen als die vollständige Delegation einer Aufgabe.

Deshalb ist die Aussage „KI macht Menschen dümmer“ wissenschaftlich ebenso verkürzt wie die Gegenbehauptung „KI macht Menschen produktiver“.

Beide Aussagen behandeln Nutzung als eine einheitliche Tätigkeit.

Sie ist es nicht.

Zwischen folgenden Formen der Zusammenarbeit liegt ein erheblicher Unterschied:

• Eine KI liefert eine fertige Antwort, die ungeprüft übernommen wird.
• Eine KI liefert mehrere Hypothesen, die der Mensch gegeneinander prüft.
• Eine KI strukturiert vorhandenes Material, während der Mensch die Bedeutung bestimmt.
• Eine KI übernimmt die eigentliche Denkarbeit, während der Mensch nur das Ergebnis auswählt.
• Ein Mensch nutzt die KI bewusst als Gegenposition und versucht, ihre Argumente zu widerlegen.

Das sind psychologisch nicht dieselben Vorgänge.

Die Frage lautet deshalb weniger, ob KI Denken ersetzt.

Die interessantere Frage lautet:

Welche Teile des Denkens geben Menschen ab, welche behalten sie – und was geschieht mit den Fähigkeiten, die über lange Zeit nicht mehr selbst ausgeübt werden?

Die Maschine wird zum Filter unserer Aufmerksamkeit

Je größer der verfügbare Kontext wird, desto wichtiger wird eine Fähigkeit, die leicht übersehen wird: Auswahl.

Ein System kann theoretisch immer mehr Informationen berücksichtigen. Aber kein Mensch kann unendlich viele Zusammenhänge gleichzeitig aufmerksam verfolgen.

Deshalb entscheidet die Maschine zwangsläufig mit darüber, welche Teile eines Kontextes hervorgehoben werden.

Das ist eine Macht, die weniger spektakulär ist als die Erzeugung eines Textes, aber möglicherweise bedeutsamer.

Wer Informationen auswählt, beeinflusst die anschließende Interpretation.

Ein System, das aus einem großen Datenraum bestimmte Zusammenhänge hervorhebt, übernimmt damit eine Form von epistemischer Vermittlung.

Es sagt nicht unbedingt:

„Das ist wahr.“

Es kann bereits vorher etwas viel Subtileres tun:

„Das sind die Aspekte, über die es sich offenbar zu sprechen lohnt.“

Darin liegt ein gesellschaftliches Problem.

Wenn Menschen ihre Informationsumgebung zunehmend durch dialogische Systeme organisieren lassen, verschiebt sich die Macht über Aufmerksamkeit von der klassischen Suche hin zur algorithmischen Auswahl von Kontexten.

Das muss nicht zwangsläufig schlecht sein.

Ohne Auswahl wäre Wissen kaum nutzbar.

Aber Auswahl ist niemals vollständig neutral.

Und je besser ein System darin wird, Auswahl unsichtbar erscheinen zu lassen, desto schwieriger wird es für den Nutzer, zu erkennen, welche Perspektiven gar nicht erst in seinen Denkraum gelangt sind.

Der alte Konflikt zwischen Tiefe und Bequemlichkeit

Damit berührt die Entwicklung generativer KI einen sehr alten Konflikt der Wissensgesellschaft.

Technologie erweitert den menschlichen Handlungsspielraum, indem sie Aufwand reduziert.

Doch gerade der Aufwand kann Teil des Lernens sein.

Wer einen Text selbst schreibt, muss seine Gedanken ordnen. Wer eine Quelle selbst durchsucht, entwickelt eine Vorstellung davon, welche Informationen existieren. Wer eine Argumentation selbst konstruiert, bemerkt möglicherweise ihre Schwächen.

Wird dieser Aufwand vollständig ausgelagert, kann das Ergebnis besser aussehen, während der innere Kompetenzaufbau geringer ausfällt.

Das ist kein Argument gegen Entlastung.

Es ist ein Argument gegen die Vorstellung, dass jede eingesparte geistige Anstrengung automatisch ein Gewinn sei.

Manche Anstrengung ist Reibung.

Andere Anstrengung ist Lernen.

Die Schwierigkeit besteht darin, beides auseinanderzuhalten.

Die entscheidende Frage ist vielleicht nicht, welche geistige Arbeit KI uns abnehmen kann. Es ist die Frage, welche geistige Arbeit wir weiterhin selbst tun müssen, damit wir wissen, was wir eigentlich denken.

Die wirtschaftliche Perspektive: Produktivität ist nicht gleich Qualität

Auch wirtschaftlich zeigt sich ein widersprüchliches Bild.

Feldexperimente mit Wissensarbeitern zeigen reale Produktivitätsgewinne durch generative KI. In bestimmten Aufgaben werden Tätigkeiten schneller erledigt und Ergebnisse können qualitativ besser ausfallen.

Gleichzeitig zeigen dieselben Forschungsrichtungen, dass der Nutzen nicht gleichmäßig verteilt ist. Bei Aufgaben, die innerhalb der tatsächlichen Leistungsgrenzen eines Systems liegen, kann KI erhebliche Vorteile bringen. Bei Aufgaben außerhalb dieser Grenze kann dieselbe Unterstützung dagegen zu schlechteren Entscheidungen führen.

Diese sogenannte ungleichmäßige Leistungsgrenze ist entscheidender als die einfache Frage, ob ein Modell „intelligent“ ist.

Denn in der realen Arbeit ist nicht immer bekannt, wo diese Grenze verläuft.

Ein System kann bei einer Aufgabe außergewöhnlich überzeugend sein und bei einer scheinbar ähnlichen Aufgabe entscheidend versagen.

Genau daraus entsteht eine neue Form des Managementproblems.

Unternehmen müssen nicht nur entscheiden, ob KI eingesetzt wird.

Sie müssen wissen, bei welchen Teilen eines Arbeitsprozesses sie eingesetzt werden sollte und wo menschliche Kontrolle unverzichtbar bleibt.

Damit verändert sich auch die Rolle des Wissensarbeiters.

Er ist nicht mehr ausschließlich Produzent eines Ergebnisses.

Er wird zunehmend zum Organisator eines Prozesses, in dem menschliche und maschinelle Fähigkeiten miteinander verbunden werden.

Vom Prompt-Ingenieur zum Kurator von Kontext

Vielleicht wird deshalb eine andere Vorstellung von KI-Kompetenz notwendig.

Lange bestand die Hoffnung, dass die entscheidende neue Fähigkeit darin liegen würde, möglichst gute Prompts zu schreiben.

Das war logisch, solange das System vor allem als Werkzeug verstanden wurde.

Wenn KI jedoch zunehmend multimodal, kontextreich und dialogfähig wird, verschiebt sich die Kompetenz.

Der Mensch muss weniger darüber nachdenken, wie er die Maschine zu einer einzelnen Antwort zwingt.

Er muss stärker darüber nachdenken, welchen Kontext er der Maschine überhaupt gibt.

Welche Informationen sind relevant?

Welche Perspektive fehlt?

Welche Annahmen sollen infrage gestellt werden?

Welche Quellen dürfen als Grundlage dienen?

Welche Unsicherheit muss sichtbar bleiben?

Welche Entscheidung darf nicht an das System delegiert werden?

Das wäre eine andere Form von KI-Kompetenz.

Nicht die Fähigkeit, die Maschine möglichst geschickt zu bedienen, sondern die Fähigkeit, ihren Denkraum sinnvoll zu gestalten.

Der Wissensarbeiter würde damit zum Kurator von Kontexten.

Das klingt weniger spektakulär als die Vorstellung einer künstlichen Intelligenz, die selbstständig denkt. Vielleicht ist es aber näher an dem, was tatsächlich entsteht.

Der Mensch stellt nicht mehr nur Fragen.

Er gestaltet den Raum, in dem Fragen beantwortet werden.

Und vielleicht beginnt hier der eigentliche Konkurrenzkampf

Damit wird auch die Frage nach konkurrierenden Sprachmodellen interessanter.

Wenn verschiedene Systeme zunehmend ähnliche Fähigkeiten bei Textproduktion, Recherche und Programmierung erreichen, wird Geschwindigkeit allein kaum dauerhaft als entscheidendes Unterscheidungsmerkmal ausreichen.

Die Konkurrenz verschiebt sich auf eine andere Ebene.

Welches System kann unterschiedliche Informationsformen am zuverlässigsten verbinden?

Welches System kann den relevanten Kontext am besten erhalten, ohne den Nutzer mit irrelevanter Information zu überladen?

Welches System kann Quellen, Daten und persönliche Materialien sinnvoll miteinander verbinden?

Welches System kann nicht nur Antworten erzeugen, sondern die Qualität einer Fragestellung verbessern?

Und schließlich:

Welches System schafft einen Denkraum, in dem ein Mensch bessere Fragen stellen kann, ohne ihm die Verantwortung für die Antworten abzunehmen?

Diese Fragen lassen sich heute noch nicht abschließend beantworten.

Vielleicht ist das sogar der entscheidende Punkt.

Der Wettbewerb findet nicht mehr ausschließlich zwischen Modellen statt.

Er findet zwischen unterschiedlichen Vorstellungen davon statt, was ein künstliches Gegenüber überhaupt sein soll.

Die offene Frage: Wer kuratiert wen?

Die Entwicklung lässt sich deshalb in zwei entgegengesetzte Richtungen lesen.

In der ersten Lesart wird KI zum mächtigsten Werkzeug für menschliche Autonomie seit langer Zeit. Menschen können mehr Informationen verarbeiten, komplexere Zusammenhänge untersuchen, unterschiedliche Perspektiven simulieren und ihre eigenen Gedanken schneller weiterentwickeln.

In der zweiten Lesart entsteht eine neue Form der Abhängigkeit. Menschen geben immer mehr geistige Vorarbeit an Systeme ab, gewöhnen sich an vorstrukturierte Informationen und verlieren möglicherweise die Fähigkeit, zwischen einer hilfreichen Struktur und einer fremden Strukturierung ihres Denkens zu unterscheiden.

Beide Entwicklungen können gleichzeitig stattfinden.

Ein Mensch kann mit KI produktiver werden und zugleich weniger selbstständige Denkbewegungen ausführen.

Ein Mensch kann mehr wissen und weniger verstehen.

Er kann schneller zu einer Entscheidung gelangen und gleichzeitig schlechter beurteilen, wie diese Entscheidung zustande gekommen ist.

Er kann bessere Texte schreiben und weniger darüber nachdenken, was er eigentlich sagen wollte.

Genau darin liegt der zentrale Konflikt.

Je besser KI darin wird, unseren Kontext zu verstehen, desto größer wird ihr Potenzial, unser Denken zu erweitern. Aber je besser sie unser Denken strukturiert, desto wichtiger wird die Frage, wer am Ende eigentlich den Kontext kontrolliert.

Vielleicht ist die wichtigste Veränderung nicht künstliche Intelligenz, sondern künstliche Gegenüber

Die Geschichte der Computertechnik wurde lange als Geschichte von Werkzeugen erzählt.

Werkzeuge rechnen. Werkzeuge speichern. Werkzeuge suchen. Werkzeuge automatisieren.

Generative KI passt nur teilweise in diese Geschichte.

Denn ein System, das auf einen unfertigen Gedanken reagieren kann, ist nicht mehr nur ein Werkzeug für die Ausführung einer bereits definierten Aufgabe.

Es kann an der Entstehung der Aufgabe beteiligt sein.

Ein System, das Bilder, Sprache, Audio, Dokumente und Daten in einem gemeinsamen Kontext verarbeitet, ist nicht mehr lediglich eine schnellere Suchmaschine.

Es wird zu einer neuen Schnittstelle zwischen Mensch und Wissensraum.

Und ein System, das Gegenargumente erzeugen, Zusammenhänge herstellen und unfertige Gedanken strukturieren kann, ist nicht deshalb ein denkendes Wesen. Aber es kann eine Funktion übernehmen, die bislang fast ausschließlich von anderen Menschen erfüllt wurde: die Funktion des Gegenübers.

Vielleicht liegt darin die tiefere Bedeutung der aktuellen Entwicklung.

Nicht darin, dass Maschinen irgendwann genauso denken wie Menschen.

Sondern darin, dass Menschen beginnen, anders zu denken, weil sie jederzeit ein künstliches Gegenüber in ihren Denkprozess einbeziehen können.

Ob das zu mehr Erkenntnis oder zu größerer Abhängigkeit führt, ist nicht entschieden.

Es hängt davon ab, welche Rolle der Mensch in diesem Verhältnis einnimmt.

Bleibt er derjenige, der Fragen stellt, Kontexte auswählt, Gegenargumente prüft und Verantwortung übernimmt?

Oder wird er zumjenigen, der nur noch auswählt, welche der bereits erzeugten Antworten ihm am plausibelsten erscheint?

Zwischen diesen beiden Möglichkeiten liegt vermutlich ein größerer Unterschied als zwischen zwei einzelnen KI-Modellen.

Denn die entscheidende Zukunftsfrage lautet nicht, welches System den Menschen ersetzt.

Sie lautet:

Was geschieht mit menschlichem Denken, wenn es zum ersten Mal ein Gegenüber hat, das nahezu unbegrenzt schnell antworten, Informationen verbinden und Gedanken weiterentwickeln kann?

Vielleicht wird dieses Gegenüber zu einem der mächtigsten Instrumente geistiger Selbstständigkeit.

Vielleicht wird es zu einer neuen Form geistiger Bequemlichkeit.

Vielleicht wird beides gleichzeitig geschehen.

Genau deshalb ist die Frage noch nicht beantwortet.

Und vielleicht sollte sie es auch noch nicht sein.

Quellen & Literatur

• Towards Unified Multimodal Large Language Models: A Survey – aktuelle wissenschaftliche Übersicht über Architekturen, Ausrichtung und Entwicklung multimodaler Sprachmodelle.
• From Text to Multimodality: A Comprehensive Survey of LLMs and MLLMs Across Diverse Domains – Überblick über die Verbindung von Text, Bild, Audio und Video sowie deren Anwendungen und Grenzen.
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks – grundlegende Arbeit zur Verbindung parametrisierter Modellkenntnis mit externen Wissensbeständen.
• Long-Context LLMs Meet RAG: Overcoming Challenges for Long Inputs in RAG – Untersuchung der Grenzen großer Kontexte und der Frage, warum mehr Information nicht automatisch bessere Antworten erzeugt.
• Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality – Feldexperiment zur ungleichmäßigen Leistungsfähigkeit generativer KI bei anspruchsvoller Wissensarbeit.
• Shifting Work Patterns with Generative AI – Feldexperiment zur Veränderung von Arbeitsmustern und Zeitaufwand durch generative KI.
• When Thinking Is Outsourced: Cognitive Offloading and the Heterogeneity of Critical Thinking Among University Students Using Generative Artificial Intelligence – aktuelle Untersuchung zu kognitiver Entlastung, kritischem Denken und unterschiedlichen Formen der Mensch-KI-Zusammenarbeit.

Neue Texte auf Gedankenplanet

Was geschieht – und was es mit uns macht. Ein vielstimmiger Blick auf die Gegenwart und ihre Fragen. Neues aus Alltag & Leben, Business & Karriere, Gesellschaft & Politik, Gesundheit & Wohlbefinden, Kultur & Kunst, Liebe & Beziehungen, Natur & Umwelt, Philosophie & Psychologie, Recht sowie Wissenschaft & Technik: