KI und Konzeption: das Schaf im Wolfspelz

KI und Konzeption: das Schaf im Wolfspelz

Kürzlich ist die neue Trendstudie „Kommunikation in der digitalen Transformation“ der ZHAW Zürcher Hochschule für Angewandte Wissenschaften erschienen. Sie zeigt mit knapp 100 Prozent KI-Nutzung für Texterstellung und für konzeptionelle Arbeiten, dass KI in der Kommunikation (zumindest in der Schweiz) klar angekommen ist. Sie sagt allerdings auch aus, dass nur ein Drittel der befragten Schweizer Kolleginnen und Kollegen Kreativitätsverluste für ein Risiko halten, das mit KI-Nutzung einhergeht.

Mich hat diese Kombination überrascht und ein bisschen beunruhigt. Ich bin keine KI-Kassandra, die KI regelmäßig verteufelt und vor ihren Folgen warnt, ganz im Gegenteil: Mein Glas ist mehr als halb voll. Und dennoch glaube ich, dass Konzeptions- und Kreativarbeit mit KI bewusster angegangen werden muss.

Technische Grenzen

Sprachmodelle bevorzugen bei der Suche nach Antworten aus ihren Daten die vermutlich sicherste Wahl. Bei simplen Aufgaben wie Übersetzungen, kurzen Texten, Zusammenfassungen etc. ist das egal. Bei Aufgaben mit offenen Zielen wie Strategien, kreativen Ideen, Marktpositionierungen etc. sieht es dann anders aus. Die auf Nummer sicher gehende KI liefert mir dann die vorherrschenden Meinungen, die bewährten Strategien, die bekannten kreativen Lösungen. Das kann auch ausreichend sein. Aber die außergewöhnlichen, exotischen, mutigen Möglichkeiten abseits der Norm bekomme ich eher nicht vorgeschlagen. Glätten statt Schärfen lautet das Motto, Ecken und Kanten bleiben außen vor.

Dieser Trend zum Konsens entsteht durch das Alignment-Training. Die RLHF-Methode (Reinforcement Learning from Human Feedback) trimmt das Modell auf „gefällt den meisten Menschen“, nicht auf „originell“ oder „ungewöhnlich“. Exotische oder gewagte Antworten werden dabei quasi noch weiter an den Rand geschoben, selbst wenn sie im ursprünglichen Trainingsmaterial durchaus vorkamen. Das führt zu einer Verengung der Antworten, die auch schon empirisch nachgewiesen wurde. Eine Langzeit-Analyse über 68 Sprachmodelle und drei Jahre hinweg zeigt, dass diese Tendenz bei ergebnisoffenen Fragen auch mit neueren, besseren Sprachmodellen wider Erwarten nicht abnimmt, sondern sogar noch zunimmt, so dass die Autoren vor einer „algorhytmischen Monokultur“ warnen.

Psychologische Gründe

Wir waren es gewohnt, Strategien oder Ideen zu erarbeiten. Wir haben uns in Konzeptionen reingekniet: wir haben intensiv recherchiert, unsere Annahmen hinterfragt und Perspektiven gewechselt, Gegenpositionen antizipiert, mittendrin die Richtung geändert, in Brainstormings wild gedacht und in Sparring-Sessions mit der Geschäftsführung um Ideen gerungen. Am Ende dieser Prozesse hatten wir ein mehrfach geprüftes valides Ergebnis, von dem wir voll überzeugt waren.

Der Co-Creation-Prozess mit KI leistet das oft nicht. Die KI ist natürlich deutlich schneller, aber sie kämpft auch nicht für oder gegen Ideen. Sie findet fast alles schon sehr gut und präsentiert Arbeitsergebnisse schnell und überzeugend, so dass wir gerne mit ihren Ergebnissen weiterarbeiten und sie übernehmen. Das ist Framing aus dem Lehrbuch: Menschen übernehmen präsentierte Optionen und erleben sie später als eigene Präferenz, ohne die Prägung durch die Präsentation zu bemerken. Ein überzeugend formulierter, schnell gelieferter KI-Vorschlag wirkt deshalb nicht wie Beeinflussung, sondern wie eine gute Idee. Genau dieses Muster beschreiben auch Forscher der TU Darmstadt und LMU München als Risiko von KI-gestützter Co-Konstruktion. Sie kommen unabhängig davon zu dem Schluss, dass sich ergebnisoffene Aufgaben grundsätzlich nicht vollständig automatisieren lassen, weil das eigentliche Ziel erst im Zusammenspiel mit dem Menschen entsteht.

Sprachmodelle neigen also zu Standardantworten, zu bewährten, gesicherten Lösungen. Verbunden mit der überzeugenden Präsentation unserer KI-Systeme kann es passieren, dass wir diese Ergebnisse zu schnell für eine gute, eigene Idee halten und dabei unsere menschlichen Stärken wie Kreativität, strategisches Denken, geistige Flexibilität nicht mehr bzw. nicht häufig genug in diese KI-Konzeptionsprozesse einbringen.

Die anfangs erwähnte ZHAW-Studie gibt keinen Aufschluss darüber, wie genau die befragten Kommunikator:innen KI für konzeptionelle, kreative Aufgaben nutzen. Dass Kreativitätsverluste aber nur von einem Drittel als Risiko eingeschätzt werden, deutet für mich eher darauf hin, dass Effekte wie Framing oder die inhärenten Suchkriterien von Sprachmodellen noch zu oft übersehen werden. Auch hier kann der Framing-Effekt auftreten: wenn ich Konzept- und Kreativarbeit mit KI als wertvoll und hilfreich einschätze, betrachte ich sie nicht mehr als Risiko.

Kann ich KI gezielt zu mehr Kreativität prompten?

Wird ein Golf sportlicher, wenn ich ihn in Ferrari-Rot lackiere? Gefühlt ja, real nein. KI wird nicht per se kreativer, wenn ich Kreativitätstechniken über Prompts oder Agents einspiele. Die Grenze liegt in den Trainingsdaten selbst: Ein Träumer-Prompt nach der Disney-Methode sucht mir zwar eine andere, als „kreativ“ geltende Schicht aus derselben Wissensbasis hervor, die vermutlich mutiger ist als die ersten Standard-Antworten. Weil Alignment-Training Sprachmodelle wie beschrieben auf konsensfähige Antworten trimmt, mildern gezielte Prompts die Tendenz zum Konsens also ab, heben sie aber nie auf. Anders gesagt: Die KI ist ein Schaf im Wolfspelz: selbstbewusst im Ton, mutig im Auftreten, aber im Kern angepasst und auf Konsens gebürstet, ähnlich wie der Ferrari-rote Golf.

Was bedeutet das jetzt für uns Kommunikator:innen?

Im Kern geht es darum, bewusster mit KI zu arbeiten und vorab zu beurteilen, welche Aufgaben sie kann, wo ihre Grenzen liegen und wann sie wie eng und kritisch begleitet werden muss. Diese Kompetenz muss jeder Anwender und Anwenderin selbst entwickeln. Laut der schon erwähnten ZHAW-Studie wird genau das zur wichtigsten Zukunftskompetenz der Kommunikationsbranche. Nicht besseres Prompting ist deshalb entscheidend, sondern das Gespür dafür, wann eine Antwort verdächtig schnell überzeugt hat, und ein Grundverständnis dafür, wie Sprachmodelle Antworten generieren.

Mit diesen Gedanken und Tipps wird das funktionieren:

Verständnis entwickeln, wie Sprachmodelle zu Antworten kommen. Nur wenn ich beurteilen kann, wie KI-Modelle arbeiten, wie gut und verlässlich ihre Ergebnisse sind, kann ich Tätigkeiten an sie delegieren oder mit ihnen arbeiten.
KI-Konzeptionsarbeit ist intensive Co-Kreation. Im Unterschied zu agentischer Kommunikation, bei der ich Ergebnisse prüfe, muss ich bei ergebnissoffenen Fragen den Prozess von Anfang bis Ende begleiten: intensiv briefen, Zwischenergebnisse bewerten, priorisieren, nachjustieren und ggfs. selbst arbeiten.
Erwartungsmanagement: Die KI kann recherchieren, inspirieren, Vorarbeiten übernehmen und Varianten liefern. Wirklich neue, originelle und zugespitzte Ideen entstehen dann durch die Zugabe menschlicher Kreativität und die Fähigkeit zum Perspektivwechsel.
Skepsis bewahren: Geschwindigkeit und Überzeugungskraft eines KI-Vorschlags sind bei Zielfindungsaufgaben kein Qualitätsmerkmal, eher ein Anlass für zusätzliche Skepsis.
Ganz wichtig: Vor dem ersten Prompt glasklar notieren, was ich erreichen möchte und welche Bewertungskriterien ich erfüllt sehen möchte. Das ist die wirksamste Maßnahme gegen die stille Verengung des Denkraums.

Bei jeder Art von Arbeit mit KI: Hirn anschalten und anlassen.