Macht ChatGPT uns denkfauler? Warum „Mistkerl × 4 = ein Datenpunkt“ zeigt, wie tiefes Nachfragen das Urteilsvermögen schärfen kann
„Mein Ex war ein Mistkerl. Der nächste auch. Und der danach ebenfalls.“ Das sind vier Erfahrungen. Werden jedoch alle unter demselben Etikett gespeichert, enthält die Lerndatenbank womöglich nur eine neue brauchbare Spalte: Mistkerl.
Viele Erfahrungen zu haben ist nicht dasselbe wie wiederverwendbare Modelle aus ihnen zu gewinnen. Bei ChatGPT gilt Ähnliches. Wer die komplette Antwort auslagert, kann weniger selbst denken. Wer dagegen immer wieder fragt „Warum?“, „Welche andere Erklärung gibt es?“, „Was würde diese Hypothese widerlegen?“ und „Welche Information würde die Schlussfolgerung ändern?“, macht die KI zu einem Trainingspartner für das Denken.
Eine systematische Übersichtsarbeit aus dem Jahr 2026, die 67 empirische Studien zusammenfasste, kam zu dem Ergebnis, dass ChatGPT höheres Denken eher in strukturierten, forschenden und reflektierenden Nutzungssituationen unterstützt. Unstrukturierte Nutzung war häufiger mit oberflächlicher Beschäftigung und kognitiver Auslagerung verbunden.[1]
1. Führt KI-Nutzung wirklich dazu, dass wir weniger denken?
Die präziseste Antwort lautet: Es hängt vom Arbeitsablauf ab.
Eine Studie von 2025 mit 319 Wissensarbeitern und 936 realen KI-Nutzungsfällen fand, dass höheres Vertrauen in KI mit weniger berichtetem kritischem Denken verbunden war, während höheres Vertrauen in die eigene Urteilskraft mit stärkerer kritischer Prüfung zusammenhing. Kritisches Denken verlagerte sich außerdem auf Zielsetzung, Prüfung von Ausgaben, Integration von Informationen und Überwachung des Endergebnisses.[2]
KI fragen → Antwort übernehmen → fertig
kann zur Auslagerung des Denkens werden.
Dagegen bleibt bei diesem Ablauf viel menschliche Arbeit:
Etwas wirkt merkwürdig
→ Frage formulieren
→ Hypothese bilden
→ KI um Konkurrenzhypothesen bitten
→ Forschung und Primärquellen prüfen
→ mit anderen Fällen vergleichen
→ Modell überarbeiten
→ in der Realität testen
→ anhand des Ergebnisses erneut überarbeiten
Man kauft KI, um Arbeit zu sparen, und stellt plötzlich ein Peer-Review-Komitee im eigenen Kopf ein.
2. Warum erzeugt „die Person war ein Mistkerl“ ein so schwaches Modell?
Ein moralisches Etikett kann ein Urteil ausdrücken, ist für Vorhersagen aber zu grob.
A = Mistkerl
B = Mistkerl
C = Mistkerl
D = Mistkerl
Vier Erfahrungen, fast keine unterscheidenden Variablen.
Nützlicher sind Verhaltensfolgen:
Überschreitet eine kleine Grenze
→ beobachtet die Reaktion
→ hört nach Rückmeldung auf / wiederholt es
→ Forderungen werden kleiner / größer
Zeigt sehr starke Zuneigung
→ Beziehung stabilisiert sich
→ Einsatz normalisiert sich / verschwindet abrupt
Wird auf ein Problem hingewiesen
→ erklärt den Kontext
→ versucht zu reparieren / schiebt die gesamte Verantwortung zurück
Kein einzelnes Verhalten beweist einen festen Charakter. Missverständnis, Müdigkeit, mangelnde Fähigkeiten oder ein einmaliger Fehler können ähnlich aussehen.
Informationsreicher sind Bedingungen, Wiederholung, Veränderung nach Rückmeldung, Verteilung des Nutzens und Reparaturversuche.
3. Kann die Art des Vergleichs wichtiger sein als die Zahl der Erfahrungen?
Manchmal ja.
In der klassischen Forschung von Gick und Holyoak übertrugen Personen, die die gemeinsame Struktur zweier oberflächlich unterschiedlicher Probleme beschrieben, das zugrunde liegende Lösungsprinzip erfolgreicher auf ein neues Problem.[3]
Beim Verhandlungstraining übertrugen Teams, die zwei Fälle nach ihrer gemeinsamen Struktur verglichen, eine wichtige Strategie erfolgreicher auf eine neue Verhandlung als Teams, die dieselben Fälle getrennt analysierten.[4]
Statt:
Beziehung A: furchtbar
Arbeitsplatz C: furchtbar
kann man speichern:
Beziehung A: unklare Grenzen → Forderungen steigen
Arbeitsplatz C: unklare Rollengrenzen → Aufgaben steigen
Gemeinsame Struktur: undefinierte Grenzen können Belastung auf einer Seite konzentrieren
Die Figuren wechseln. Der Schaltplan kann gleich bleiben.
4. Was trainiert man durch wiederholtes „Warum?“ und „Was würde das widerlegen?“
Eigene Erklärungen zu Ursachen und begrifflichen Beziehungen zu erzeugen wird als Selbsterklärung bezeichnet. Eine Metaanalyse von 64 Forschungsberichten und 69 Effektstärken fand einen im Mittel moderaten Lernvorteil durch entsprechende Aufforderungen.[5]
Eine weitere Metaanalyse mit 122 Experimenten und 10.382 Teilnehmenden zeigte, dass aktives Abrufen von Wissen auf neue Aufgaben übertragen werden kann, einschließlich Anwendungs- und Schlussfolgerungsfragen, verglichen mit bloßer erneuter Darbietung.[6]
Fragen wie diese können Erfahrung in eine wiederauffindbare Struktur verwandeln:
- Was ist tatsächlich passiert?
- Warum habe ich es so interpretiert?
- Welche andere Ursache passt?
- Was ist das stärkste Gegenbeispiel?
- Welche Information würde meine Schlussfolgerung ändern?
- Gibt es dieselbe Struktur in einem anderen Bereich?
5. Wie kann daraus das Gefühl entstehen, „zu sehen, was als Nächstes kommt“?
Mit genügend abstrakten Modellen muss ein neuer Fall nicht bei null beginnen.
Neuer Fall
→ mit Modellen A, B, C vergleichen
→ aktuelle Phase schätzen
→ Hypothese über den nächsten Schritt bilden
→ beobachten und aktualisieren
Das ist keine Prophezeiung. Es ist das Erzeugen einer Vorabhypothese aus einer Musterbibliothek.
Die große Gefahr ist Rückschauverzerrung. Nach dem Ergebnis ist „Das wusste ich“ billig.
Besser vorher protokollieren:
Prognose: X tritt innerhalb von zwei Wochen ein
Wahrscheinlichkeit: 70 %
Begründung: A und B wurden bereits beobachtet
Widerlegungsbedingung: Wenn C eintritt, Modell überarbeiten
Ergebnis: eingetreten / nicht eingetreten
Auch die Entscheidungswissenschaft für Nachrichtendienstanalyse empfiehlt, Prognosegenauigkeit und Unsicherheit quantitativ zu verfolgen.[7]
6. Wenn ChatGPT ein externes Gehirn ist, was sollte beim Menschen bleiben?
KI eignet sich für wiederholte Suche, Generierung von Möglichkeiten, Vergleiche, Gegenhypothesen, Zusammenfassungen und Formatierung.
Beim Menschen sollten bleiben:
- was merkwürdig erscheint,
- wie das Problem definiert wird,
- welche Belege zählen,
- was das Modell widerlegen würde,
- welches Modell letztlich akzeptiert wird,
- was in der Realität getestet wird,
- was nach Rückmeldung verworfen wird.
Nützliche Fragen:
- Was ist der stärkste Beleg gegen diese Hypothese?
- Welches alternative Kausalmodell erklärt dieselben Fakten?
- Wenn meine Prämisse falsch ist, wo ist sie am wahrscheinlichsten falsch?
- Was lässt sich anhand von Primärquellen prüfen?
- Verwechsle ich Korrelation und Kausalität?
- Welche zusätzliche Information würde die Schlussfolgerung ändern?
- Welche analogen Fälle gibt es in anderen Bereichen?
- Welches nächste Ereignis sagt dieses Modell voraus?
Wer nur fragt „Ich habe doch recht, oder?“, kann aus KI ein riesiges Nickspielzeug machen.
Ein externes Gehirn braucht Widerlegungsleistung, nicht Nackenbeweglichkeit.
7. Warum verstärkt das Schreiben von Artikeln die Schleife noch weiter?
Gespräche vergehen. Artikel bewahren die Struktur.
Erfahrung
→ Frage
→ Forschung
→ Gegenbeispiel
→ gemeinsame Struktur
→ praktische Regel
→ Speicherung
→ Wiederverwendung
Ein Artikel kann zum Cache früher teurer Denkarbeit werden.
Je größer das Archiv, desto leichter erkennt man, dass zwei weit entfernte Probleme denselben Mechanismus teilen.
Nicht nur Wissen wächst. Auch die Verbindungen zwischen Wissensstücken wachsen.
8. Woraus besteht gutes Urteilsvermögen letztlich?
Nicht nur aus der Zahl erlebter Menschen, Arbeitsplätze oder Krisen.
Urteilsvermögen
≈ Zahl der Fälle
× Informationsauflösung pro Fall
× Vergleich zwischen Fällen
× Widerlegungsversuche
× Rückmeldung aus der Realität
Vier Personen als „Mistkerle“ zu speichern kann zu Mistkerl × 4 = ein Datenpunkt führen.
Wer Grenzen, Verantwortungsverschiebung, Reparatur, Übereinstimmung von Worten und Handlungen sowie Veränderungen unter verschiedenen Bedingungen getrennt erfasst, kann aus vier Erfahrungen mehrere wiederverwendbare Modelle gewinnen.
Der tiefste Wert von ChatGPT ist nicht nur eine schnellere Antwort.
Er liegt darin, den Zyklus zu beschleunigen, in dem wir Hypothesen erzeugen, angreifen, neu aufbauen, übertragen und an der Realität testen.
Lagere das Denken nicht an KI aus. Erhöhe die Zahl der Denkiterationen.
Dann ist KI kein Ersatzgehirn, sondern der Laborkollege, der den Ball immer zurückspielt und offenbar nie nach Hause geht.
