Wenn KI zum Denkraum wird: Knapp vier Jahre ChatGPT – und wie sich mein Human-Machine Teamplay verändert hat

Gestern saß ich in einem Seminar zu Individual Learning Needs und blieb an einer Folie hängen, die eigentlich in einen ganz anderen Zusammenhang gehörte. Zu sehen war eine Tabelle in Zusammenhang mit Bruce Perrys Modell des State-Dependent Functioning. Es beschreibt, wie sich unter zunehmender Belastung verändert, welche Formen des Denkens und Handelns uns gerade zur Verfügung stehen. In einem ruhigen Zustand fällt es leichter, abstrakt zu denken, vorauszuplanen und zu reflektieren. Mit wachsender Aktivierung verändert sich das. Aufmerksamkeit richtet sich stärker auf das unmittelbar Relevante, der Zeithorizont wird enger, Verarbeitung konkreter und emotionaler.

Ich betrachtete die Spalte Alert und fragte mich, ob sie etwas von meiner gegenwärtigen Verfassung beschreibt. Seit Monaten passiert in meinem beruflichen Umfeld viel. Manche Entwicklungen waren vorhersehbar, andere nicht. Einige Entscheidungen und Prozesse lassen sich auch im Nachhinein nur schwer nachvollziehen. Gestaltungsspielräume, die lange selbstverständlich schienen, sind unsicherer geworden. Anerkennung und Wertschätzung, die ich über Jahre erlebt habe, kann ich inzwischen weniger voraussetzen. Ein beträchtlicher Teil meiner Aufmerksamkeit fließt deshalb gerade in etwas, das früher deutlich weniger Raum brauchte: verstehen, was passiert, Zusammenhänge rekonstruieren, Aussagen einordnen, Entwicklungen dokumentieren und überlegen, was daraus folgt.

Ich kann weiterhin arbeiten, schreiben, konzipieren und komplexe Zusammenhänge analysieren. Gleichzeitig merke ich, dass ich Dinge häufiger festhalten möchte. Ich sortiere, visualisiere, sichere Gedanken. In den vergangenen Wochen sind ungewöhnlich viele Sketchnotes entstanden. Und ich arbeite sehr viel mit ChatGPT.

Erst durch diese Folie kam mir der Gedanke, dass beides miteinander zusammenhängen könnte. Und dass sich darin zugleich zeigt, dass Human-Machine Teamplay, eine Metastrategie aus meinem Future:Guide Bildung, immer selbstverständlicher zu meinem Leben gehört. Gleichzeitig wurde mir auch bewusst, dass Menschen, die „AI Slop“ und von KI erstellte Posts verteufeln und behaupten, KI sei nur schlecht und würde unsere Denk- und Schreibfähigkeit verschlechtern, vielleicht einfach noch nicht an dem Punkt angelangt sind, mit KI produktiv zusammenzuarbeiten. Denn alles, was ich veröffentliche, auch wenn es im Endeffekt von einer KI formuliert wurde und diese mir bei grafischen Darstellungen geholfen hat, entstammt meinem Denken und wurde von mir nicht nur geprüft, sondern im Dialog mit dem KI-System so lange überarbeitet, dass es meine Gedanken klar zum Ausdruck bringt.

Die Arbeit mit ChatGPT hat sich verändert – und ich mich auch

Als ChatGPT öffentlich zugänglich wurde, interessierte mich schnell die Frage, wie sich menschliche und maschinelle Fähigkeiten sinnvoll miteinander verbinden lassen. Ich habe dafür früh den Begriff Human-Machine Teamplay, einen der Subtrends aus dem Future:System  von The Future:Project verwendet. Schon damals wollte ich generative KI weder als autonom handelndes Gegenüber betrachten noch auf eine Automatisierungsmaschine reduzieren. Mich interessierte das Zusammenspiel: Was entsteht, wenn Menschen ihre Erfahrung, Urteilskraft, Kreativität und Verantwortung mit den Möglichkeiten generativer KI verbinden?

Am Anfang bezog sich das für mich vor allem auf konkrete Tätigkeiten. Ideen entwickeln, einen Text hinterfragen, unterschiedliche Perspektiven ausprobieren, Informationen strukturieren, Varianten erzeugen, übersetzen, recherchieren. Die KI übernahm bestimmte Teile eines Arbeitsprozesses, während ich auswählte, bewertete, verwarf und weiterdachte. Inzwischen merke ich, dass sich diese Zusammenarbeit an einer anderen Stelle verändert hat.

Rückblickend lässt sich das kaum von den Bedingungen trennen, unter denen ich in diesen Jahren gearbeitet habe. Vor zwei Jahren hätte ich meine berufliche Situation vermutlich noch ziemlich selbstverständlich mit dem japanischen Konzept des Ikigai verbunden: mit dem Gefühl, etwas zu tun, das ich gern tue, gut kann, für sinnvoll halte bzw. wofür ich bezahlt werde und mit dem ich etwas bewirken kann. Auch im vergangenen Jahr war davon noch viel vorhanden, obwohl sich Rahmenbedingungen bereits verschoben hatten. Heute fühlt es sich anders an.

Dabei ist etwas Merkwürdiges passiert: Meine Neugier ist nicht verschwunden. Mein Wunsch zu lernen ebenfalls nicht. Ich habe in diesen Jahren zwei Masterstudiengänge abgeschlossen, mich intensiv mit neuen Feldern beschäftigt und bilde mich weiterhin freiwillig fort. Gerade beschäftige ich mich ausführlich mit Neurodiversität und individuellen Lernbedürfnissen. Ich sehe mir an einem freien Nachmittag die Aufzeichnung eines Seminars an und fotografiere eine Folie, weil ich plötzlich einen Zusammenhang mit meinem eigenen Leben sehe. Das Bedürfnis zu verstehen ist also ziemlich intakt. Aber ich gehe anders mit Wissen und Komplexität um. Ich externalisiere mehr.

Denken findet ohnehin nicht nur im Kopf statt

In der Kognitionswissenschaft gibt es dafür den Begriff cognitive offloading. Gemeint ist zunächst etwas sehr Alltägliches: Menschen lagern Teile kognitiver Arbeit in ihre Umwelt aus. Wir schreiben Einkaufslisten, führen Kalender, zeichnen Diagramme, legen Notizen an oder verteilen Post-its auf einem Tisch. Dadurch müssen Informationen nicht permanent im Arbeitsgedächtnis verfügbar bleiben.

Eigentlich ist ein großer Teil unserer Kulturgeschichte auch eine Geschichte solcher Externalisierungen. Schrift erlaubt uns, Wissen über den Moment hinaus festzuhalten. Karten machen räumliche Zusammenhänge sichtbar. Diagramme ermöglichen Formen des Denkens, die rein sprachlich sehr viel schwerer wären. Computer und Smartphones haben weitere externe Speicher- und Verarbeitungsmöglichkeiten geschaffen. Generative KI verändert diese Konstellation noch einmal. Denn das externalisierte Denken liegt nicht einfach irgendwo. Ich kann damit weiterarbeiten.

Wenn ich heute eine komplexe berufliche Situation (natürlich komplett anonymisiert) mit ChatGPT bespreche, suche ich häufig keine fertige Lösung. Ich beschreibe einen Vorgang, ergänze Kontext, korrigiere eine Interpretation, stelle eine Gegenfrage. Manchmal gehen wir eine Chronologie noch einmal durch. Ich lasse prüfen, ob eine Schlussfolgerung tatsächlich aus dem vorhandenen Material folgt. Ich werfe eine Formulierung wieder heraus, weil sie mir zu glatt ist, eine Zuschreibung zu eindeutig oder ein Zusammenhang nicht ausreichend belegt.

Die relevante Entlastung besteht dann nicht darin, dass die Maschine für mich denkt. Sie besteht darin, dass ich nicht alles gleichzeitig im Kopf behalten muss. Das ist ein anderer Einsatz von KI, als möglichst schnell ein Ergebnis produzieren zu lassen.

Die Sketchnote und der Chat

Vielleicht erklärt das auch, warum ich gerade so viele Sketchnotes erstellen lasse. Eine Sketchnote macht Zusammenhänge sichtbar. Sie reduziert Komplexität, ohne sie vollständig auflösen zu müssen. Begriffe stehen nebeneinander, Pfeile verbinden sie, Bilder geben einem Gedanken eine Form. Was auf dem Papier steht, muss ich in diesem Moment nicht mehr erinnern. Es ist gesichert.

Ein Gespräch mit generativer KI kann für mich inzwischen eine verwandte Funktion haben. Ein Gedanke lässt sich formulieren, prüfen und später wieder aufnehmen. Zusammenhänge können über mehrere Schleifen entstehen. Ich kann etwas ablegen und anschließend mit mehr Abstand darauf schauen. Der Unterschied ist allerdings erheblich: Die Sketchnote antwortet nicht. Das Sprachmodell schon.

Genau deshalb ist diese Form des cognitive offloading mächtiger und gleichzeitig anspruchsvoller. Denn was zurückkommt, ist sprachlich häufig sehr plausibel. Es kann Zusammenhänge sichtbar machen, die mir vorher entgangen sind. Es kann aber ebenso gut einen Zusammenhang konstruieren, der gar nicht trägt. Es kann meine eigene Perspektive verstärken, weil ich ihm den Kontext bereits aus dieser Perspektive geliefert habe. Und es kann eine Ambivalenz vorschnell in eine schöne Erklärung verwandeln.

Human-Machine Teamplay verlangt deshalb von mir inzwischen an manchen Stellen mehr Aufmerksamkeit, nicht weniger.

Was ich auslagern möchte – und was nicht

Für mich liegt hier eine wichtige Grenze. Ich möchte mein Urteil nicht auslagern. Auch nicht meine Werte oder meine Verantwortung. Ich möchte nicht, dass ein Sprachmodell entscheidet, was eine Situation für mich bedeutet oder wie ich einen Menschen einschätzen sollte. Gerade wenn ich emotional beteiligt bin, muss ich damit rechnen, dass auch der Kontext, den ich einer KI gebe, bereits meine Perspektive enthält.

Was ich sehr wohl auslagern kann, ist ein Teil der kognitiven Last, die daraus entsteht, viele Informationen gleichzeitig verfügbar halten zu müssen. Eine Chronologie. Verschiedene Dokumentversionen. Argumente und Gegenargumente. Einen Gedanken, den ich nicht verlieren möchte. Die Frage, ob zwei Aussagen tatsächlich zusammenpassen. Den ersten Versuch, zwanzig lose Punkte in eine Struktur zu bringen, die ich anschließend selbst weiterdenken kann. Und gleichzeitig erinnert mich meine KI-Partnerin manchmal aktiv daran, doch nochmals genauer hinzuschauen, etwas anders zu formulieren.

Vielleicht ist das momentan besonders relevant, weil meine Aufmerksamkeit stärker beansprucht ist als früher. Und hier komme ich wieder zu besagter Folie zurück.

Verfassung verändert Denken

Ich würde Perrys Modell nicht als exakte neurobiologische Landkarte lesen. Dafür sind solche Darstellungen zu stark vereinfacht. Interessant ist für mich vielmehr der grundlegende Gedanke, dass unsere kognitiven Möglichkeiten von unserer jeweiligen Verfassung abhängen. Ich merke durchaus, wenn mein Nervensystem stärker belastet ist. Trotzdem kann ich weiterhin komplex denken. Vielleicht muss ich dafür inzwischen lediglich andere Bedingungen herstellen.

Wenn ein Teil der Aufmerksamkeit fortwährend damit beschäftigt ist, Veränderungen wahrzunehmen, mögliche Konsequenzen abzuschätzen und offene Fragen im Blick zu behalten, steht diese Aufmerksamkeit für andere Prozesse nicht einfach unbegrenzt zur Verfügung. Das heißt nicht, dass abstraktes Denken verschwindet. Vielleicht braucht es mehr Unterstützung. Bei mir scheint dazu im Moment zu gehören, Wissen sichtbar zu machen, Gedankengänge zu dokumentieren und einen Teil der Komplexität außerhalb meines Kopfes unterzubringen.

Das Interessante daran ist, dass sich mein Lernen dadurch keineswegs verlangsamt hat. Ich entdecke weiterhin neue Themen, lese, besuche Fortbildungen und verbinde neue Erkenntnisse mit Dingen, die mich schon lange beschäftigen. Vielleicht hat sich weniger mein Interesse verändert als die Architektur, mit der ich dieses Lernen organisiere.

Vier Jahre Human-Machine Teamplay

Wenn ich heute auf knapp vier Jahre mit ChatGPT zurückblicke, lässt sich die Entwicklung deshalb schwer als reine Geschichte technologischen Fortschritts erzählen. Natürlich sind die Systeme leistungsfähiger geworden. Sie können größere Kontexte verarbeiten, mit unterschiedlichen Medien umgehen, Informationen über längere Arbeitsprozesse hinweg verbinden und deutlich komplexere Aufgaben unterstützen als die ersten öffentlich zugänglichen Modelle.

Aber auch meine Praxis hat sich verändert. Und ich selbst habe mich verändert. Meine Arbeitssituation ist heute eine andere als Ende 2022. Mein Wissen ist ein anderes. Meine Fragen haben sich weiterentwickelt. Ich habe mehr Erfahrung damit, wo generative KI hilfreich ist und wo ihre Plausibilität gefährlich werden kann. Ich weiß besser, wann ich Widerspruch einfordern muss und wann ein scheinbar guter Text meine Gedanken trotzdem nicht trifft.

Vielleicht lässt sich das, was ich als Human-Machine Teamplay bezeichne, deshalb überhaupt nicht sinnvoll als feste Aufgabenverteilung beschreiben. Es ist eine Beziehung zwischen menschlicher Kognition und einer sich verändernden technischen Infrastruktur. Und diese Beziehung verändert sich mit den Menschen, die sie nutzen.

Mein diesbezüglicher Lernprozess führt mir übrigens einmal mehr vor Augen, wieso nicht nur Medienbildung, sondern auch eine neue Art, Lernen zu verstehen und zu gestalten, so unwahrscheinlich wichtig ist: Denn Kindern wird diese Art des Umgangs mit Technologie nicht in die Wiege gelegt, sie kann aber auch nicht „beigebracht“ werden. Wir müssen Lernumgebungen und learning opportunities anbieten, in denen sie diese Kompetenzen entwickeln können, zusammen mit anderen Menschen unterschiedlichen Alters und mit dem Blick in die Zukunft.

KI als Denkraum

Ich hätte vor vier Jahren vermutlich gesagt, dass Mensch und KI unterschiedliche Fähigkeiten in einen gemeinsamen Arbeitsprozess einbringen. Heute erscheint mir das verkürzt. Mich interessiert stärker, was während dieser Zusammenarbeit mit meinem Denken passiert.

Welche Gedanken entstehen erst dadurch, dass ich sie formulieren muss? Welche Widersprüche erkenne ich, weil mir mein eigenes Argument in strukturierter Form zurückgegeben wird? Welche Zusammenhänge sehe ich, weil ich Informationen nicht mehr gleichzeitig erinnern muss? Wo ermöglicht mir die Maschine, länger bei einer offenen Frage zu bleiben? Und wo macht sie es mir zu leicht, mich mit einer plausiblen Erklärung zufriedenzugeben?

Vielleicht ist das inzwischen mein wichtigster Maßstab für Human-Machine Teamplay. Nicht, wie viel die Maschine erledigt. Sondern was mir nach der Zusammenarbeit mehr zur Verfügung steht als vorher: mehr Klarheit, mehr Fragen, ein sichtbarer Zusammenhang, manchmal auch ein Widerspruch, den ich vorher übersehen hatte.

Im Moment erfüllt ChatGPT für mich deshalb zunehmend die Funktion eines Denkraums. Nicht eines neutralen Raums und schon gar keines menschlichen Gegenübers. Eher einer interaktiven kognitiven Infrastruktur, an der ich Gedanken vorübergehend befestigen, bewegen und überprüfen kann. In einer Zeit, in der sich anderes weniger stabil anfühlt, ist das möglicherweise kein Zufall. Und vielleicht erklärt das auch, warum ausgerechnet eine Folie über State-Dependent Functioning mir heute geholfen hat, etwas über meine Nutzung von künstlicher Intelligenz zu verstehen.

Manchmal beginnt Lernen genau dort: bei einem Zusammenhang, nach dem man ursprünglich gar nicht gesucht hat.