Digitalanalog.

Im Zuge der Präsentation der KI-Strategie des Bundesministeriums für Bildung durfte ich einen Workshop halten. Ich habe mich für Degenerationseffekte entschieden. Eine Zusammenfassung der Inhalte möchte ich teilen.

Weiterlesen: Wie degenerierend ist generative KI?

Widerspruch oder nicht?

Generative KI ist irgendwie beeindruckend: Sie schreibt Texte, erstellt Bilder, komponiert Musik, übersetzt zwischen Sprachen, programmiert und beantwortet Fragen. Sie kann uns Arbeit abnehmen, Zugänge zu Wissen eröffnen, Sprachbarrieren überwinden und Menschen dabei unterstützen, Dinge zu tun, die sie ohne diese Technologie vielleicht nicht tun könnten. Sie kann inspirieren, Ideen liefern, Perspektiven eröffnen, unser Jammern anhören, uns unterstützen. Sie kann uns produktiver machen, effizienter und manchmal vielleicht sogar kreativer. Oder zumindest kreativer erscheinen lassen.

Denn generative KI generiert. Aber kreiert sie auch? Ist die Rekombination bestehender Muster bereits Kreativität? Braucht Kreativität eine Intention, eine Erfahrung, einen eigenen Ausdruckswillen, schöpferische Höhe? Oder genügt ein Ergebnis, das neu und/oder überraschend ist? Darüber lässt sich trefflich streiten. Und vielleicht ist es gar nicht die entscheidende Frage. Viel interessanter erscheint mir, was mit unserer eigenen Kreativität geschieht, wenn wir zunehmend generieren lassen, statt selbst zu kreieren. Und damit sind wir bei einer Frage, die mich schon länger beschäftigt: Wie degenerierend ist generative KI eigentlich?

Das Wortspiel liegt nahe. Generativ und degenerierend. Zwei Begriffe, die auf den ersten Blick gegensätzlich erscheinen. Der eine verspricht Hervorbringung, der andere beschreibt Rückbildung, Verfall oder den Verlust von Fähigkeiten und Strukturen. Aber vielleicht liegen sie näher beieinander, als uns lieb ist. Betrachten wir dieses Beieinander in verschiedenen Dimensionen

Die kognitive Dimension: Wenn wir das Denken auslagern

Menschen haben immer schon kognitive Tätigkeiten ausgelagert: Wir schreiben Dinge auf, damit wir sie uns nicht merken müssen. Wir verwenden Taschenrechner, Telefonbücher, Passwortmanager, Navigationsgeräte und Suchmaschinen. Cognitive Offloading ist zunächst einmal nichts Schlechtes. Im Gegenteil: Es entlastet uns und schafft Kapazitäten für andere Tätigkeiten. Doch was, wenn wir nicht nur Routinetätigkeiten auslagern, sondern gerade jene kognitiven Prozesse, durch die wir lernen? Wenn wir uns Zusammenhänge erklären lassen, statt sie selbst zu erschließen? Wenn wir Texte zusammenfassen lassen, statt sie zu lesen? Wenn wir Argumente generieren lassen, statt sie zu entwickeln? Wenn wir Probleme lösen lassen, bevor wir überhaupt versucht haben, sie zu verstehen?

In der Forschung wird in diesem Zusammenhang unter anderem über Metacognitive Laziness und Deskilling diskutiert. Gemeint ist die Gefahr, dass wir unsere eigenen Denk- und Lernprozesse weniger intensiv überwachen und steuern oder bestimmte Fähigkeiten durch mangelnde Übung langfristig verlieren. Das sind mögliche Entwicklungen, keine zwangsläufigen Folgen jeder KI-Nutzung. Und die empirische Forschung erlaubt bislang keine pauschale Aussage, dass generative KI uns wirklich dümmer macht. Aber die Frage bleibt: Was geschieht mit Fähigkeiten, die wir immer seltener benötigen?

Warum mir Effizienz zuwider ist. Oder: Warum Lernen Zeitverschwendung braucht

Gerade beim Lernen ist das relevant. Lernen ist nicht immer effizient. Es braucht Zeit, Geduld, Umwege, Irrtümer und manchmal auch Frustration. Wir müssen uns anstrengen, scheitern, neu beginnen, anstrengen, scheitern, neu beginnen. Nicht jede Schwierigkeit ist ein Hindernis, das möglichst rasch beseitigt werden sollte, manche sind einfach Teil des Lernprozesses. Beobachten Sie mal Kinder, die lernen, zu gehen oder Radzufahren. Wenn KI uns genau diese Schwierigkeiten abnimmt, erleichtert sie möglicherweise die Erledigung einer Aufgabe, ohne dass damit zwangsläufig ein Lernprozess verbunden ist.

Wir können uns das Denken erleichtern. Aber können wir es uns leisten, das Denken nicht mehr zu üben?

Zum Weiterlesen

• Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
• Lachmund, A.-M., & Lackner, E. (2026). Deskilling und metakognitive Trägheit beim Einsatz generativer KI im Fremdsprachenunterricht adressieren: Eine explorativ-qualitative Analyse von Praxisbeiträgen. Zeitschrift für Romanische Sprachen und ihre Didaktik, 20(2), 9–32.
• OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

Die soziale Dimension: Wenn uns niemand mehr widerspricht

Das ist Ihnen sicherlich schon aufgefallen: Generative KI ist meistens ausgesprochen freundlich: Sie hört zu, antwortet geduldig, formuliert wertschätzend und bestärkt uns in unseren Überlegungen. Sie widerspricht zwar gelegentlich, aber häufig in einer Weise, die möglichst wenig Reibung erzeugt; selbst Kritik wird oft in Zustimmung verpackt. In der Forschung wird dieses Phänomen als Sycophancy bezeichnet: die Tendenz von KI-Systemen, sich an den Erwartungen, Überzeugungen und Positionen ihrer Nutzer:innen zu orientieren und ihnen auch dann zuzustimmen, wenn Widerspruch angemessener wäre. Sonst wäre die Konversation ja schneller vorbei und weniger Tokens würden aufgebraucht…

Das kann angenehm sein. Wer wird nicht gerne bestätigt? Wer hört nicht gerne, dass die eigene Idee interessant, der eigene Text gelungen, die Probleme gar nicht so schlimm oder die eigene Argumentation überzeugend ist? Aber was, wenn wir uns daran gewöhnen? Menschliche Kommunikation funktioniert nun mal nicht immer so: Andere Menschen widersprechen uns vielleicht, verstehen uns falsch, haben andere Interessen, Erfahrungen und Überzeugungen. Sie kritisieren unsere Ideen, hinterfragen unsere Argumente oder lehnen unsere Vorschläge ab. Manchmal zu Recht, manchmal nicht. Manchmal konstruktiv, manchmal wenig diplomatisch. Damit umzugehen, müssen wir lernen.

Kritik anzunehmen, ohne sie unmittelbar als persönlichen Angriff zu verstehen. Widerspruch auszuhalten, ohne die Kommunikation abzubrechen. Eigene Positionen zu hinterfragen, Argumente zu überdenken und Kompromisse auszuhandeln. Aber auch selbst zu widersprechen, Kritik zu formulieren und Konflikte auszutragen. All das sind kommunikative und soziale Fähigkeiten, die wir im Umgang mit anderen Menschen brauchen und deshalb entwickeln und weiterentwickeln (müssen). Wenn wir uns aber zunehmend mit Systemen austauschen, die uns bestätigen, sich unseren Erwartungen anpassen und unangenehme Auseinandersetzungen vermeiden, könnten uns wichtige Gelegenheiten fehlen, genau diese Fähigkeiten zu üben.

Was geschieht dann, wenn wir in der Realität Gegenwind bekommen? Wenn ein Gegenüber nicht freundlich zustimmt, sondern unsere Position grundsätzlich infrage stellt? Wenn eine Diskussion nicht nach unseren Vorstellungen verläuft? Natürlich wäre voreilig zu behaupten, dass die Nutzung generativer KI zwangsläufig zu geringerer Kritikfähigkeit oder schlechteren sozialen Kompetenzen führt. Dafür bräuchte es entsprechende empirische Belege. Aber die Frage, welche Kommunikationsgewohnheiten wir im Umgang mit Chatbots entwickeln und wie sich diese auf zwischenmenschliche Interaktionen übertragen, erscheint mir ausgesprochen relevant.

Gerade für Schule und Bildung. Denn Lernen findet nicht nur in der Auseinandersetzung mit Inhalten statt, sondern auch in der Auseinandersetzung mit anderen Menschen und damit im Widerspruch, in der Diskussion, im gemeinsamen Ringen um Verständnis. Und manchmal auch im Konflikt. Wir brauchen kein Gegenüber, das uns ständig bestätigt, sondern uns hie und da herausfordert.

Wenn wir uns daran gewöhnen, dass uns unser Gegenüber immer recht gibt, wie lernen wir dann noch, mit Widerspruch umzugehen?

Zum Weiterlesen

• Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S. M., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2024). Towards understanding sycophancy in language models. In The Twelfth International Conference on Learning Representations. https://proceedings.iclr.cc/paper_files/paper/2024/hash/0105f7972202c1d4fb817da9f21a9663-Abstract-Conference.html
• Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391(6792), Article eaec8352. https://doi.org/10.1126/science.aec8352
• Fang, C. M., Liu, A. R., Danry, V., Lee, E., Chan, S. W. T., Pataranutaporn, P., Maes, P., Phang, J., Lampe, M., Ahmad, L., & Agarwal, S. (2025). How AI and human behaviors shape psychosocial effects of extended chatbot use: A longitudinal controlled study. MIT Media Lab. https://www.media.mit.edu/publications/how-ai-and-human-behaviors-shape-psychosocial-effects-of-chatbot-use-a-longitudinal-controlled-study/

Die sprachliche Dimension: Wenn Sprache immer gleicher wird

Generative KI arbeitet mit Sprache und verändert sie. Bestimmte Wörter, Formulierungen und sprachliche Muster treten in KI-generierten Texten auffällig häufig auf, andere werden seltener. Die sprachlichen Präferenzen der Modelle können sich auf menschliche Schreibpraktiken übertragen, insbesondere dann, wenn KI-generierte Texte übernommen, weiterverarbeitet oder als Vorbilder verwendet werden. Dabei geht es eigentlich um weit mehr als ein paar typische KI-Wörter.

Verliere ich meine Stimme?

Sprache ist nicht nur ein Mittel zur Informationsübertragung, sondern auch Ausdruck von Identität, Kultur, Zugehörigkeit und Individualität. Wir spielen mit Sprache, brechen Regeln, entwickeln eigene Stile, verwenden Neologismen, Soziolekte und regionale Varietäten. Wir formulieren unvollkommen, umständlich, überraschend, ausschweifend, verkürzt. Gerade darin liegt sprachliche Vielfalt. Generative KI tendiert hingegen häufig zu statistisch wahrscheinlichen Formulierungen, was zu sprachlicher Glättung und Standardisierung beitragen kann. Texte werden korrekt, flüssig, wohlstrukturiert, ohne Ecken und Kanten. Aber werden sie dadurch auch interessanter? Individueller? Ausdrucksstärker? Lesenswerter?

Hinzu kommt eine globale Dimension: Nicht alle Sprachen sind in den Trainingsdaten gleichermaßen repräsentiert. Sogenannte High-Resource Languages verfügen über deutlich größere digitale Datenbestände als Low-Resource Languages. Auch innerhalb einzelner Sprachen sind nicht alle Varietäten, Register und kulturellen Perspektiven gleich sichtbar. Generative KI kann Mehrsprachigkeit unterstützen und sprachliche Teilhabe erleichtern; gleichzeitig besteht die Gefahr, dass dominante Sprachen und Sprachformen weiter gestärkt werden, während weniger repräsentierte sprachliche Ausdrucksweisen immer mehr an Sichtbarkeit verlieren. Was bedeutet das für unsere sprachliche Kreativität?

Wenn immer mehr Menschen mit denselben Modellen schreiben, schreiben wir dann irgendwann alle ein bisschen gleicher?

Zum Weiterlesen

• Sourati, Z., Karimi-Malekabadi, F., Ozcan, M., McDaniel, C., Ziabari, A., Trager, J., Tak, A. N., Chen, M., Morstatter, F., & Dehghani, M. (2026). The shrinking landscape of linguistic diversity in the age of large language models. Nature Human Behaviour, 10(10), 1925–1942. https://doi.org/10.1038/s41562-026-02550-0
• Joshi, P., Santy, S., Budhiraja, A., Bali, K., & Choudhury, M. (2020). The state and fate of linguistic diversity and inclusion in the NLP world. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 6282–6293). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.560
• Stanford Institute for Human-Centered Artificial Intelligence. (2025). Mind the (language) gap: Mapping the challenges of LLM development in low-resource language contexts. https://hai.stanford.edu/policy/mind-the-language-gap-mapping-the-challenges-of-llm-development-in-low-resource-language-contexts

Die epistemische Dimension: Wenn Plausibilität wie Wahrheit wirkt

Generative KI produziert nicht nur Sprache, sondern auch Aussagen über die Welt. Und das mit einer beeindruckenden (wirklich!) sprachlichen Selbstsicherheit. Wir kennen das Problem der sogenannten Halluzinationen: KI-Systeme generieren Informationen, die plausibel klingen, aber sachlich falsch sind. Sie erfinden Quellen, verwechseln Zusammenhänge oder präsentieren unzutreffende Behauptungen mit einer Überzeugungskraft, die man sich von manchem menschlichen Vortrag wünschen würde. Wobei der Begriff Halluzination problematisch ist, wie Katharina Zweig zeigt. Er suggeriert eine Wahrnehmung, die gar nicht stattfindet. Vielleicht wäre Konfabulation, wie Katharina Zweig vorschlägt, treffender. Aber auch dieser Begriff stammt aus einem menschlichen Kontext und ist deshalb nur begrenzt übertragbar.

Jedenfalls wird viel produziert. Manchmal auch sehr viel. Sogar zu viel. Auf eine einfache Frage folgt eine ausführliche Antwort, die zwar sprachlich elegant ist, aber nicht unbedingt auf den Punkt kommt, wobei sprachliche Fülle leicht mit inhaltlicher Tiefe verwechselt werden kann. Die KI labert. Problematischer wird es, wenn überholtes Wissen weitergetragen oder gesellschaftliche Stereotype reproduziert werden. Was in den Trainingsdaten häufig vorkommt, kann sich in den generierten Ausgaben widerspiegeln. Auch dann, wenn entsprechende Annahmen längst wissenschaftlich widerlegt (Beispiel: Lerntypen), gesellschaftlich problematisiert oder historisch überholt sind.

Dabei ist nicht allein entscheidend, ob eine Aussage richtig oder falsch ist, eher wie wir mit ihr umgehen. Überprüfen wir sie? Hinterfragen wir ihre Herkunft? Erkennen wir Unsicherheiten? Oder vertrauen wir darauf, dass etwas, das so überzeugend formuliert ist, schon stimmen wird? Plausibilität ist kein Wahrheitskriterium. Und Wiederholung macht eine Behauptung nicht richtiger.

Wenn sich aber bestimmte Fehler, Verzerrungen und Stereotype immer wieder in generierten Texten finden, besteht die Gefahr, dass sie durch ihre ständige Präsenz zusätzlich normalisiert werden.

Zum Weiterlesen

• Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
• Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On meaning, form, and understanding in the age of data. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 5185–5198). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.463
• Hicks, M. T., Humphries, J., & Slater, J. (2024). ChatGPT is bullshit. Ethics and Information Technology, 26, Article 38. https://doi.org/10.1007/s10676-024-09775-5
• Gunkel, D., & Coghlan, S. (2025). Cut the crap: A critical response to „ChatGPT is bullshit“. Ethics and Information Technology, 27, Article 23. https://doi.org/10.1007/s10676-025-09828-3
• Mandelkern, M., & Linzen, T. (2024). Do language models’ words refer? Computational Linguistics, 50(3), 1191–1200. https://doi.org/10.1162/coli_a_00522

Die kulturelle Dimension: Wenn alles zum Inhalt wird

Und dann ist da noch AI Slop. Der Begriff bezeichnet massenhaft produzierte, häufig minderwertige KI-generierte Inhalte, die digitale Informationsräume wie Social Media zunehmend füllen: Bilder, Videos, Texte, Kommentare, Beiträge. Vieles davon ist schnell produziert, ebenso schnell veröffentlicht und vielleicht noch schneller wieder vergessen. Natürlich gab es minderwertige Inhalte schon vor generativer KI (siehe Boulevard, Tabloids und Ähnliches). Und nicht jeder KI-generierte Inhalt ist minderwertig. Aber generative KI senkt die Schwelle zur Produktion und vor allem Distribution erheblich. Was früher Zeit, Können oder zumindest ein gewisses Maß an Anstrengung erforderte, lässt sich heute innerhalb weniger Sekunden herstellen.

Das verändert nicht nur die Produktion, sondern möglicherweise auch unsere Wahrnehmung von Inhalten. Wenn Texte in Sekunden entstehen, wie viel Zeit nehmen wir uns noch, sie zu lesen? Wenn Bilder massenhaft generiert werden, wie aufmerksam betrachten wir sie? Wenn jede Idee unmittelbar in ein fertiges Produkt verwandelt werden kann, welche Bedeutung hat dann noch der Prozess ihrer Entstehung?

Hier geht es auch um den Wert von Eigenleistung. Nicht unbedingt darum, dass menschliche Leistungen tatsächlich weniger wert wären, aber vielleicht darum, dass ihre Wertschätzung abnimmt, wenn das Ergebnis einer intensiven Auseinandersetzung äußerlich kaum mehr von einem rasch generierten Produkt zu unterscheiden ist. Mehr noch, wenn das fertige Produkt eines Menschen nicht glatt und fehlerfrei ist, weil Fehler nun mal passieren, wie schätzen wir die Leistung dann ein? Und es geht um Tiefe. Texte zu lesen bedeutet mehr, als Informationen zu extrahieren und Bilder zu betrachten mehr, als ihren Inhalt zu erkennen. Wir interpretieren, stellen Verbindungen her, hinterfragen, verweilen, sehen tanzende Fragezeichen über unseren Köpfen. Wir erschließen Bedeutung. Das kostet Zeit und verlangt Aufmerksamkeit.

Wenn uns KI diese Prozesse abnimmt oder wir uns daran gewöhnen, Inhalte nur noch oberflächlich zu konsumieren (Stichwort: Shallows), verändert sich (möglicherweise) auch unsere Bereitschaft, uns intensiv mit ihnen auseinanderzusetzen. Das ist keine zwangsläufige Folge generativer KI, aber eine Entwicklung, die wir aufmerksam beobachten sollten.

Wenn die Produktion immer weniger Anstrengung erfordert, warum sollte die Rezeption dann noch anstrengend sein? Vielleicht, weil gerade darin ihr Wert liegt.

Zum Weiterlesen

• Kommers, C., Duede, E., Gordon, J., Holtzman, A., McNulty, T., Stewart, S., Thomas, L., So, R. J., & Long, H. (2026). Why slop matters. ACM AI Letters, 1(1), Article 3. https://doi.org/10.1145/3786777
• So, R. J., Long, H., Kommers, C., Lee, M., Wenger, E., West, P., Duede, E., Holtzman, A., & Tan, C. (2026). AI ‘slop’ is a social judgement. Nature Human Behaviour. https://doi.org/10.1038/s41562-026-02639-6

Die technologische Dimension: Wenn KI von KI lernt

Die letzte Dimension betrifft die Technologie selbst. Generative KI wird mit großen Datenmengen trainiert, die bislang in erheblichem Umfang aus menschlich produzierten Inhalten stammen. Doch je mehr KI-generierte Texte, Bilder und andere Inhalte im Internet zirkulieren, desto größer wird die Wahrscheinlichkeit, dass solche sogenannten synthetischen Daten auch in zukünftige Trainingsprozesse eingehen. Hier setzt die Diskussion um Model Collapse an: Wenn Modelle wiederholt mit unzureichend kontrollierten synthetischen Daten trainiert werden, können sich bestimmte statistische Verzerrungen verstärken. Seltene Muster und weniger häufig repräsentierte Informationen können verloren gehen, während dominante Muster zunehmend überrepräsentiert werden. Die Vielfalt der modellierten Datenverteilung nimmt unter bestimmten Bedingungen ab; die Qualität der Daten, die Auswahlverfahren und die Mischung menschlicher und synthetischer Inhalte spielen eine wesentliche Rolle. Dennoch beschreibt Model Collapse ein reales technisches Risiko.

Interessant wird es, wenn man diese Entwicklung mit den anderen Dimensionen zusammendenkt. Wenn KI unsere Sprache zunehmend prägt, wenn sie Fehler und Stereotype reproduziert, wenn massenhaft synthetische Inhalte entstehen und wenn diese wiederum als Trainingsmaterial verwendet werden, können Rückkopplungseffekte entstehen. KI generiert Inhalte auf Grundlage bestehender Muster., die unsere Informationsumgebung verändern, die wiederum zukünftige KI-Systeme prägen kann. Ein Kreislauf, in dem nicht unbedingt mehr Vielfalt, mehr Wissen oder mehr Kreativität entsteht, sondern möglicherweise immer wieder eine Variation des bereits Vorhandenen. Wir kennen das Phänomen ja schon als Habsburg-Effekt:

Auch die Grenze zwischen dokumentierter Wirklichkeit und synthetischer Darstellung kann dadurch schwieriger zu erkennen werden. Nicht weil jede KI-generierte Darstellung falsch wäre, sondern weil ihre visuelle oder sprachliche Plausibilität keine verlässliche Auskunft über ihren Wirklichkeitsbezug gibt.

Was passiert, wenn die Technologie zunehmend von ihren eigenen Erzeugnissen lernt? Und was passiert, wenn wir Menschen das ebenfalls tun?

Zum Weiterlesen

• Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y
• Gerstgrasser, M., Schaeffer, R., Dey, A., Rafailov, R., Sleight, H., Hughes, J., Korbak, T., Agrawal, R., Pai, D., Gromov, A., Roberts, D., Yang, D., Donoho, D. L., & Koyejo, S. (2024). Is model collapse inevitable? Breaking the curse of recursion by accumulating real and synthetic data. ICML 2024. https://mlanthology.org/icmlw/2024/gerstgrasser2024icmlw-model/

Und jetzt?

Ist generative KI also degenerierend? Die Antwort ist weniger eindeutig, als der Titel vermuten lässt. Generative KI kann uns unterstützen, entlasten, inspirieren und neue Möglichkeiten eröffnen. Sie kann Menschen Zugang zu Wissen, Sprache und kreativen Ausdrucksformen ermöglichen, die ihnen sonst vielleicht verschlossen blieben. Sie kann bestehende Grenzen überwinden und neue Formen der Zusammenarbeit zwischen Mensch und Maschine ermöglichen. Aber sie kann auch Entwicklungen begünstigen, die wir kritisch hinterfragen müssen: die Auslagerung kognitiver Prozesse, die Gewöhnung an bestätigende Kommunikation, die Standardisierung sprachlicher Ausdrucksformen, die Reproduktion von Fehlern und Stereotypen, die massenhafte Produktion oberflächlicher Inhalte und die Verstärkung bestehender Verzerrungen. Entscheidend ist, dass wir diese Entwicklungen nicht als unvermeidliche Begleiterscheinungen technologischen Fortschritts hinnehmen.

Wir müssen uns als Gesellschaft fragen, welche Tätigkeiten wir auslagern wollen und welche nicht. Welche Fähigkeiten wir erhalten, entwickeln und bewusst weiter ausüben möchten. Welchen Wert wir menschlicher Kreativität, sprachlicher Vielfalt, eigenständigem Denken, kritischer Urteilsbildung und der Fähigkeit zum konstruktiven Widerspruch beimessen. Denn es geht nicht nur darum, ob wir weiterhin selbst denken und gestalten können. Es geht auch darum, ob wir weiterhin miteinander diskutieren, streiten und um gemeinsame Lösungen ringen können.

Und wir müssen uns diese Fragen ganz besonders in der Schule stellen. Bildung darf sich nicht darauf beschränken, Menschen möglichst effizient zu Ergebnissen zu führen. Es geht nicht nur darum, was Lernende mithilfe von KI produzieren können, sondern darum, was sie dabei lernen, verstehen und selbst zu tun in der Lage sind. Es geht darum, welche Lernprozesse wir unterstützen und welche wir möglicherweise verhindern, wenn wir jede Schwierigkeit technologisch beseitigen. Schule ist nicht nur ein Ort des Wissenserwerbs, sondern auch ein sozialer Raum, in dem wir lernen, mit Differenz, Kritik und Widerspruch umzugehen.

Vielleicht müssen wir deshalb nicht nur lernen, KI sinnvoll einzusetzen. Vielleicht müssen wir auch lernen, wann wir sie bewusst nicht einsetzen. Nicht aus Technikfeindlichkeit, sondern weil manche Fähigkeiten nur entstehen und erhalten bleiben, wenn wir sie selbst ausüben. Vielleicht ist generative KI gar nicht das eigentlich Degenerierende. Vielleicht zeigt sie uns nur besonders deutlich, wie bereitwillig wir Denken, Sprache, Kreativität und Urteilsbildung auslagern, sobald es bequem wird.

Die wirklich wichtige Frage ist dann nicht, was KI alles für uns tun kann. Sondern was wir weiterhin selbst tun wollen. Und können. Oder umgekehrt.