KI ist brillant, aber die Fabrik stoppt oft bei „Und was bauen wir jetzt?“ — Wer die erste Idee zündet, verwandelt Fähigkeit in Produktion
1. Du hast 100 Genies eingestellt, aber alle sitzen im Pausenraum, weil kein Arbeitsauftrag da ist
Generative KI kann programmieren, schreiben, recherchieren, übersetzen, Optionen vergleichen und riesige Wissensbestände nutzen.
Eigentlich müsste morgen jeder zehn Ein-Personen-Unternehmen führen.
Doch vieles stoppt an einer Frage:
„Was bauen wir?“
Eine extrem leistungsfähige KI ohne Aufgabe bleibt ungenutzte Kapazität. Hundert Ferraris ohne Ziel sind nur ein sehr teurer Parkplatz.
Im KI-Zeitalter ist die knappe Ressource nicht immer die Modellleistung.
Es kann die Person sein, die dieser Fähigkeit den ersten Auftrag gibt.
2. Die Stärke ist oft nicht die große Erfindung, sondern der erste Funke
Bei Ideenstärke denkt man leicht an eine revolutionäre Eingebung.
In der Praxis sind kleinere Fragen oft stärker:
- das hier ist lästig
- können wir diese zwei Dinge verbinden?
- kann diese Funktion anders genutzt werden?
- warum existiert dieser Schritt überhaupt?
- was lernen wir aus einem Minimalprototyp?
Das sind Zündpunkte.
Die erste Idee muss nicht fertig sein. Sie soll etwas erzeugen, über das man weiterdenken kann.
Ein leerer Tisch ist schwer zu kritisieren. Ein grober Prototyp löst sofort Reaktionen aus: „das ist falsch“, „das funktioniert“, „das fehlt“, „dann könnten wir als Nächstes …“.
Der erste Schritt ist nicht die Antwort.
Er ist eine Maschine für weitere Antworten.
3. „Ideenfähigkeit“ ist keine einzelne Fähigkeit
| Fähigkeit | Funktion |
|---|---|
| Divergenz | Mehrere Möglichkeiten erzeugen |
| Analogie | Strukturen aus anderen Bereichen übertragen |
| Rekombination | Aus A+B ein neues C machen |
| Problemfindung | Reibung vor der vorgegebenen Aufgabe entdecken |
| Reframing | Neu bestimmen, was wirklich gelöst werden sollte |
| Konvergenz | Entscheiden, was umgesetzt wird |
| Zerlegung | Ziele in KI-bearbeitbare Aufgaben teilen |
| Initiierung | Das erste sichtbare Artefakt erzeugen |
| Re-Ideation | Aus dem Artefakt die nächste Idee gewinnen |
Die APA beschreibt divergentes Denken als kreatives Denken, das von üblichen oder gelernten Strategien abweicht.[1]
Tests für divergentes Denken sind aber nicht gleichbedeutend mit realer Kreativität insgesamt.[2]
Viele Ideen zu erzeugen reicht nicht.
Man muss neu rahmen, auswählen, bauen, beobachten und wieder denken.
4. Kreativität ähnelt „erzeugen→erkunden→wieder erzeugen“
Das Geneplore-Modell der kreativen Kognition trennt generative und explorative Prozesse und beschreibt eine Schleife zwischen beiden.[3]
Bei KI-Arbeit sieht das so aus:
- eine Idee entsteht
- man diskutiert sie mit KI
- daraus wird eine grobe Spezifikation
- man baut
- man führt aus
- etwas wirkt falsch
- ein neuer Blickwinkel entsteht
- man baut erneut
Die Idee muss vor der Umsetzung nicht fertig sein.
Die Umsetzung wird Teil des Denkens.
Wenn ein Prototyp drei Monate dauert, versucht man vorher viel im Kopf zu lösen.
Wenn er in dreißig Minuten erscheint, wird der Prototyp selbst zur Denknotiz.
5. „Ich kann kein Multitasking“ stimmt, wenn der Mensch alles selbst machen soll
Das menschliche Gehirn sollte nicht gleichzeitig zehn Projekte, zehn Spezifikationen, zehn Codepfade und zehn Prüfzustände halten müssen.
Das ist kein menschliches Versagen.
Es ist schlechte Architektur.
Der Mensch muss kein Multitasking betreiben. Das System kann parallel arbeiten.
Der Mensch behält Richtung, Priorität, Grenzen und finale Entscheidungen.
Recherche, Spezifikation, Implementierung, Test, Übersetzung und Audit können nach Abhängigkeiten getrennt und delegiert werden.
Je schwerer Multitasking fällt, desto wertvoller ist es, Arbeit aus dem Kopf in klare Verantwortungen zu verlagern.
6. Ein riesiger Korpus ist ein Materiallager, kein Bauplan
Eine riesige KI-Wissensbasis ist wie ein gigantischer Baumarkt mit Holz, Stahl, Glas, Werkzeug und schweren Maschinen.
Beeindruckend.
Aber wenn niemand entscheidet, was gebaut werden soll, bleibt er ein Baumarkt.
Fähigkeit wird zu Arbeit, wenn jemand sagt:
„Diese Reibung will ich entfernen.“ „Diese zwei Systeme könnten verbunden werden.“ „Dieses Erlebnis kann eine Stufe besser werden.“
Man muss nicht mehr wissen als die KI.
Man muss wissen, wo sie graben soll.
7. Wer das Problem neu bauen kann, kann stärker sein als jemand, der es nur löst
Designforschung behandelt Framing und Reframing als zentrale Praktiken bei offenen, komplexen Problemen. Dorst betont neue Frames, die schwierige Situationen besser bearbeitbar machen.[4]
Je schneller KI antwortet, desto wichtiger wird das.
Eine falsche Frage kann in hoher Geschwindigkeit eine perfekte Antwort auf das falsche Problem erzeugen.
Frage nicht nur:
„Wie machen wir diese Aufgabe schneller?“
Frage auch:
„Muss diese Aufgabe überhaupt existieren?“ „Will der Nutzer schneller arbeiten oder gar nicht mehr arbeiten müssen?“ „Gibt es einen anderen Einstieg in das Bedürfnis?“
8. Schnellere Umsetzung erzeugt mehr Ideen, nicht nur mehr Output
In einem präregistrierten Experiment von Noy und Zhang zu professionellen Schreibaufgaben senkte ChatGPT in den untersuchten Aufgaben die durchschnittliche Bearbeitungszeit um 40 % und erhöhte die bewertete Qualität um 18 %.[5]
Das bedeutet nicht, dass jede Arbeit 40 % schneller wird.
Der wichtigere Punkt:
Wenn Ausprobieren billiger wird, kann man häufiger ausprobieren.
Reale Artefakte liefern neue Informationen: Ist es nützlich? Sieht es schlechter aus als gedacht? Ist ein anderer Einsatz besser? Lässt es sich mit einer Nachbarfunktion verbinden? Wo stockt der Nutzer?
Je kürzer die Schleife
Idee→Umsetzung→Beobachtung→neue Idee
wird, desto eher werden Ideen zur Kettenreaktion.
9. Wenn KI alle Ideen liefert, können alle denselben Berg besteigen
Doshi und Hauser fanden, dass KI-generierte Story-Ideen die durchschnittliche Bewertung individueller Geschichten verbesserten, während KI-unterstützte Geschichten einander ähnlicher wurden und die kollektive Vielfalt sank.[6]
Wenn jeder dasselbe Modell nach „zehn kreativen Ideen“ fragt, sitzen vielleicht alle im selben Reisebus.
Darum bleiben eigenartige menschliche Inputs wertvoll:
- selbst erlebte Reibung
- seltsame Details aus der Praxis
- besondere Einschränkungen bestehender Systeme
- Analogien aus fremden Bereichen
- ungewöhnliche Kombinationen
- die Frage „Alle machen es so, aber warum?“
Der Mensch wirft einen ungewöhnlichen Stein ins Wasser.
Die KI verstärkt die Wellen.
10. Die praktische Schleife ist einfach: Funke→Satz→zerlegen→delegieren→prüfen→neuer Funke
- Funke — „Wäre es nicht nützlich, wenn das so funktionieren würde?“
- Ein Satz — Wer soll von welchem Zustand in welchen Zustand kommen?
- Zerlegen — Recherche, Design, Umsetzung, Verifikation.
- Delegieren — Nicht alles im Kopf behalten; an KI abgeben.
- Artefakt — Text, Oberfläche, Code oder sichtbare Daten.
- Readback — Prüfen, ob der Zielzustand wirklich existiert.
- Re-Ideation — Fragen, was jetzt zusätzlich möglich wird.
A macht B sichtbar. A+B ergibt C. C erlaubt, den ganzen Dienst als D neu zu definieren.
Ein kleiner Funke kann in einem Kraftwerk enden.
11. Die Falle entsteht, wenn Ideengeschwindigkeit die Ordnungsgeschwindigkeit überholt
Schnelle Ideen plus schnelle Umsetzung erzeugen Schicht um Schicht an Erweiterungen.
Eines Tages öffnet man die Verkabelung:
„Wer hat das gebaut?“
Du. Gestern.
Die Lösung ist nicht, Ideen abzuwürgen.
Die Struktur muss stärker werden:
- nicht unnötig mehrere Wahrheitsquellen schaffen
- kein zweites System für dieselbe Verantwortung bauen
- wenn möglich in bestehende Strukturen integrieren
- nur wirklich unabhängige Arbeit parallelisieren
- nach Umsetzung immer zurücklesen und prüfen
- wichtige Änderungen mit Qualitätsgates absichern
- „wir können es bauen“ von „wir sollten es jetzt bauen“ trennen
Nicht weniger Gas geben.
Lenkung und Bremsen verbessern.
12. Fazit: Der Vorteil verschiebt sich von „KI benutzen können“ zu „Arbeit für KI erzeugen können“
Modelle werden besser.
Mehr Wissen, schnellerer Code, schnelleres Schreiben, mehr Agenten.
Dadurch verschiebt sich die wertvolle menschliche Ebene:
erkennen, was existieren sollte,
den ersten Funken erzeugen,
das Problem neu rahmen,
Arbeit zerlegen,
delegieren,
das reale Ergebnis betrachten,
und daraus die nächste Idee erzeugen.
KI ist enorme Fähigkeit.
Aber Fähigkeit wartet auf eine Aufgabe.
In einem Unternehmen mit hundert genialen KIs fehlt vielleicht nicht zuerst Genie Nummer 101.
Vielleicht fehlt die Person, die die erste Zeile des Arbeitsauftrags schreibt.
Editorial QC
- Personal identifying information: removed.
- Employer, location, health, finances, relationships, account identifiers, private repository operational secrets, and other identifying details: removed.
- The article generalizes the conversation into a reusable concept rather than presenting a personal profile.
- Fixed locale order: ja / en / ko / zh-Hans / zh-Hant / es / pt-BR / id / th / vi / fr / de.
- All 12 locales contain the same 12-section argument and conclusion.
- Divergent thinking is treated as one component of creativity, not as a synonym for total creative ability.
- The Geneplore model is presented as a research model of iterative generation and exploration, not as a diagnosis of any individual.
- Noy & Zhang findings are scoped to the professional writing tasks studied; they are not generalized into a universal 40% AI productivity law.
- Doshi & Hauser findings are scoped to their short-story experiment; similarity risk is not asserted as universal for all AI-assisted work.
- GitHub status remains source-draft / manual-review-required; repository insertion is not treated as production publication or PRODUCTION_VERIFIED.
- No image requested; no image included.
Quellen
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- 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 doi.org
