„Mein Ex war ein Mistkerl. Der nächste auch. Und der danach genauso.“ Vier Beziehungen, also vier Erfahrungen. Aber wenn man alles unter demselben Etikett ablegt, hat die „Datenbank“ im Kopf nur eine einzige brauchbare Spalte dazubekommen: Mistkerl.
Genau da liegt der Haken.
Viel erlebt zu haben heißt noch nicht, daraus Modelle gewonnen zu haben, die man wiederverwenden kann. Bei ChatGPT ist das nicht anders. Wer die ganze Arbeit abgibt und sich mit der Antwort zufriedengibt, denkt womöglich weniger selbst. Wer aber immer weiterfragt – „Warum?“, „Welche andere Erklärung gibt es?“, „Was würde das widerlegen?“, „Was sagt die Forschung?“ und „Welche Information würde meine Schlussfolgerung ändern?“ –, für den denkt die KI nicht mehr mit, sondern wird zum Sparringspartner fürs Denken.
Eine systematische Übersichtsarbeit von 2026, die 67 empirische Studien zusammenfasst, zeigt in dieselbe Richtung. Wurde ChatGPT strukturiert genutzt, mit Fragen und Nachdenken zwischendurch, unterstützte es eher das Denken auf höherem Niveau. Wer dagegen einfach nahm, was kam, blieb häufiger an der Oberfläche und überließ das Denken der KI.[1]
1. Denken wir mit KI wirklich weniger?
Die ehrlichste Antwort: Es kommt darauf an, wie man sie nutzt.
Eine Studie von 2025 untersuchte 319 Wissensarbeiter und 936 echte Fälle von KI-Nutzung. Je mehr sie der KI vertrauten, desto weniger kritisches Denken gaben sie an; je mehr sie ihrem eigenen Urteil vertrauten, desto genauer prüften sie nach. Das kritische Denken verschob sich außerdem dahin, Ziele zu setzen, Ergebnisse zu prüfen, Informationen zusammenzuführen und das Endergebnis zu verantworten.[2]
Wer also so vorgeht:
KI fragen → Antwort übernehmen → fertig
lagert das Denken schnell aus.
Wer aber so vorgeht:
Irgendwas kommt mir komisch vor
→ daraus eine Frage machen
→ Hypothese aufstellen
→ die KI um Gegenhypothesen bitten
→ Studien und Primärquellen prüfen
→ mit anderen Fällen vergleichen
→ Modell überarbeiten
→ im echten Leben testen
→ nach dem Ergebnis noch einmal nachbessern
hat immer noch jede Menge zu tun.
Man wollte mit KI Arbeit sparen und hat sich dabei ein Peer-Review-Gremium in den eigenen Kopf geholt.
2. Warum bringt „der war halt ein Mistkerl“ so wenig?
„Mistkerl“ befreit, ist aber viel zu grob, um etwas vorherzusagen.
Person A = Mistkerl
Person B = Mistkerl
Person C = Mistkerl
Person D = Mistkerl
Vier Erfahrungen, und fast nichts, woran man einen Fall vom anderen unterscheiden könnte.
Besser hält man fest, was Schritt für Schritt passiert ist:
Überschreitet eine kleine Grenze
→ schaut, wie man reagiert
→ hört auf, wenn man es sagt / macht weiter
→ Forderungen werden kleiner / größer
Zeigt sehr starke Zuneigung
→ die Beziehung beruhigt sich
→ der Einsatz pendelt sich ein / bricht plötzlich weg
Wird auf ein Problem hingewiesen
→ erklärt die Umstände
→ versucht, es wieder gutzumachen / schiebt alle Schuld zurück
Ein einzelnes Verhalten beweist noch keinen festen schlechten Charakter. Ein Missverständnis, Müdigkeit, fehlendes Können oder ein einmaliger Fehler sehen ähnlich aus.
Interessanter sind die Umstände, ob es sich wiederholt, wie sich jemand nach Kritik verändert, wer profitiert und ob es Wiedergutmachung gibt.
Nicht von „hat einmal etwas Schlechtes getan“ gleich auf „ist ein schlechter Mensch“ springen. Den Mechanismus festhalten, nicht das Etikett.
3. Kann es wichtiger sein, wie man Erfahrungen vergleicht, als wie viele man hat?
Manchmal ja.
In der klassischen Studie von Gick und Holyoak konnten Menschen, die erklärten, was zwei auf den ersten Blick sehr verschiedene Probleme gemeinsam hatten, das dahinterliegende Lösungsprinzip besser auf ein neues Problem übertragen.[3]
Beim Verhandlungstraining zeigte sich Ähnliches. Teams, die zwei Fälle verglichen, um die gemeinsame Struktur zu finden, setzten in einer neuen Verhandlung eine wichtige Strategie besser ein als Teams, die dieselben Fälle getrennt durchgearbeitet hatten.[4]
Statt also aufzuschreiben:
Beziehung A: furchtbar
Arbeitsplatz C: furchtbar
kann man festhalten:
Beziehung A: unklare Grenzen → die Forderungen wuchsen
Arbeitsplatz C: unklare Rollen → die Aufgaben häuften sich
Gemeinsame Struktur: Wo Grenzen nicht festgelegt sind, bleibt die Last leicht an einer Seite hängen
Die Figuren wechseln, aber der Schaltplan bleibt derselbe.
4. Was trainiert man, wenn man immer wieder „Warum?“ und „Was würde das widerlegen?“ fragt?
Sich selbst Ursachen und Zusammenhänge zu erklären, nennt man Selbsterklärung. Eine Metaanalyse mit 64 Forschungsberichten und 69 Effektstärken fand im Schnitt einen mittleren Lernvorteil, wenn Menschen zum Selbsterklären angeregt wurden.[5]
Eine weitere Metaanalyse mit 122 Experimenten und 10.382 Teilnehmenden untersuchte das Üben, Wissen aus dem Gedächtnis abzurufen. Verglichen mit bloßem Wiederlesen ließ sich das im Schnitt besser auf neuen Stoff übertragen, auch auf Anwendungs- und Schlussfolgerungsfragen.[6]
Fragen wie diese machen also mehr, als ein Gespräch in die Länge zu ziehen:
- Was ist wirklich passiert?
- Warum habe ich es so gedeutet?
- Welche andere Ursache passt zu den Fakten?
- Was ist das stärkste Gegenbeispiel?
- Welche neue Information würde meine Schlussfolgerung ändern?
- Habe ich dieselbe Struktur schon einmal woanders gesehen?
Sie machen aus einer Erfahrung eine Struktur, die man später wiederfinden kann.
5. Wie kommt man dadurch zu dem Gefühl, „zu sehen, was als Nächstes kommt“?
Hat man genug abstrakte Modelle, muss man bei einer neuen Situation nicht jedes Mal bei null anfangen.
Neuer Fall
→ mit den Modellen A, B und C vergleichen
→ einschätzen, in welcher Phase man ist
→ eine Hypothese zum nächsten Schritt aufstellen
→ beobachten und anpassen
Das ist keine Wahrsagerei. Man kann nur aus einer Sammlung von Mustern eine erste Hypothese ziehen.
Die große Falle ist der Rückschaufehler. Wenn das Ergebnis feststeht, kostet „Wusste ich doch“ nichts.
Wer seine Vorhersagekraft wirklich prüfen will, schreibt vorher auf:
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 Entscheidungsforschung zur Analyse für Nachrichtendienste empfiehlt, die Treffsicherheit von Prognosen und die Unsicherheit mit Zahlen zu verfolgen.[7]
So wird aus „Ich habe das Gefühl, gut vorherzusagen“ etwas, das sich eichen lässt.
6. Wenn ChatGPT das externe Gehirn ist: Was sollte man selbst behalten?
KI ist stark bei schwerer, wiederkehrender Arbeit: Suchen, Optionen vorschlagen, Vergleichen, die Gegenseite vertreten, Zusammenfassen und Formatieren.
Das sollte man selbst in der Hand behalten:
- was einem merkwürdig vorkam,
- wie man das Problem definiert,
- welchen Belegen man traut,
- was das Modell widerlegen würde,
- für welches Modell man sich am Ende entscheidet,
- was man im echten Leben testet,
- was man nach dem Ergebnis verwirft.
Nützliche Fragen:
- Was ist das stärkste Argument gegen diese Hypothese?
- Welche andere Erklärung von Ursache und Wirkung passt zu denselben Fakten?
- Wenn meine Annahme falsch ist, wo am ehesten?
- Was lässt sich in Primärquellen nachprüfen?
- Verwechsle ich Korrelation mit Kausalität?
- Welche zusätzliche Tatsache würde die Schlussfolgerung ändern?
- Gibt es ähnliche Fälle in anderen Bereichen?
- Was sagt dieses Modell als Nächstes voraus?
Wer immer nur fragt „Ich habe doch recht, oder?“, macht aus der KI einen riesigen Wackeldackel.
Ein externes Gehirn muss widersprechen können, nicht bloß nicken.
7. Warum macht es die Schleife noch stärker, das Ganze als Artikel aufzuschreiben?
Ein Gespräch ist weggescrollt. Ein Artikel behält die Struktur.
Erfahrung
→ Frage
→ Forschung
→ Gegenbeispiel
→ gemeinsame Struktur
→ praktische Regel
→ Speicherung
→ Wiederverwendung
Ein Artikel ist nicht nur etwas, das man veröffentlicht. Er wirkt wie ein Zwischenspeicher für Denkarbeit, die beim ersten Mal teuer war.
Und je größer der Stapel an Artikeln wird, desto öfter denkt man: „Moment, ist das nicht dieselbe Struktur wie bei dem anderen Problem?“
Es wächst nicht nur das Wissen. Auch die Verbindungen zwischen den Wissensstücken wachsen.
8. Woraus besteht ein guter Blick für Menschen und Situationen am Ende?
Er hängt nicht nur davon ab, wie viele Menschen, Jobs oder Krisen man durchlebt hat.
Grob gesagt:
Urteilsvermögen
≈ Zahl der Fälle
× Detailtiefe pro Fall
× Vergleich zwischen Fällen
× Versuche, sich selbst zu widerlegen
× Abgleich mit der Wirklichkeit
Speichert man vier Personen als „Mistkerle“, kommt vielleicht Mistkerl × 4 = ein einziger Datenpunkt heraus.
Trennt man dagegen Grenzen, Schuldverschiebung, Wiedergutmachung, ob Worte und Taten zusammenpassen und wie sich das Verhalten unter verschiedenen Umständen ändert, hinterlassen dieselben vier Erfahrungen mehrere wiederverwendbare Modelle.
Der eigentliche Wert von ChatGPT liegt nicht nur in schnelleren Antworten.
Er liegt darin, dass man diesen Kreislauf schneller durchlaufen kann: Hypothese aufstellen, angreifen, neu aufbauen, auf einen anderen Fall übertragen und an der Wirklichkeit prüfen.
Gib dein Denken nicht an die KI ab.
Dreh einfach mehr Denkrunden.
Dann ist die KI kein Ersatzgehirn mehr, sondern der Laborkollege, der dir den Ball immer wieder zuspielt und anscheinend nie nach Hause geht.
参考文献・研究メモ / References
- Li, C., Cui, H., & Hagedorn, L. S. (2026). The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes. Computers and Education: Artificial Intelligence, 10, 100571. DOI: 10.1016/j.caeai.2026.100571
- Lee, H.-P. (H.), Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. DOI: 10.1145/3706598.3713778
- Gick, M. L., & Holyoak, K. J. (1983). Schema induction and analogical transfer. Cognitive Psychology, 15(1), 1–38. DOI: 10.1016/0010-0285(83)90002-6
- Loewenstein, J., Thompson, L., & Gentner, D. (2003). Analogical Learning in Negotiation Teams: Comparing Cases Promotes Learning and Transfer. Academy of Management Learning & Education, 2(2), 119–127.
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). Inducing Self-Explanation: a Meta-Analysis. Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Pan, S. C., & Rickard, T. C. (2018). Transfer of test-enhanced learning: Meta-analytic review and synthesis. Psychological Bulletin, 144(7), 710–756. DOI: 10.1037/bul0000151
- Dhami, M. K., Mandel, D. R., Mellers, B. A., & Tetlock, P. E. (2015). Improving Intelligence Analysis With Decision Science. Perspectives on Psychological Science, 10(6), 753–757. DOI: 10.1177/1745691615598511
