Schwächt generative KI das kritische Denken? Die Beweislage ist kompliziert

Google News machte am 15. August den provokanten Hashtag #DeeperStupidAI sichtbar und verwandelte eine Debatte über kognitiven Abbau in einen weiteren Konflikt, der für den sofortigen Konsum aufbereitet wurde.

Der Saturday Hashtag essay erreichte über den Aggregator die Leser mit einer unverblümten Implikation. Generative KI liefert nicht bloß unzuverlässige Antworten. Sie ermutigt Menschen dazu, weniger tiefgründig zu denken.

Für diese Sorge gibt es Hinweise, doch die Schlagzeile ist schneller als die Forschung. Studien haben bei einigen KI-gestützten Aufgaben einen geringeren selbstberichteten kognitiven Aufwand festgestellt. Forschende beobachteten zudem in einem kontrollierten Schreibexperiment ein schwächeres Erinnerungsvermögen und eine geringere neuronale Aktivierung.

Keiner dieser Befunde beweist, dass KI Menschen dauerhaft weniger intelligent macht. Die belastbarste Forschung stützt eine engere Schlussfolgerung. Menschen geben oft wichtige Denkarbeit ab, wenn ein System eine flüssig formulierte Antwort liefert, bevor sie sich ein eigenes Urteil gebildet haben.

Diese Unterscheidung ist wichtig, weil Google das Umfeld verändert, in dem Millionen Menschen auf Informationen stoßen. Die Suche präsentierte früher gerankte Quellen und verlangte von Nutzern, zwischen ihnen zu wählen. AI Overviews und dialogorientierte Suche fassen diese Quellen zunehmend zusammen, bevor der Nutzer eine davon besucht.

Der zentrale Konflikt lautet daher nicht Menschen gegen Maschinen. Es geht um bequeme Synthese gegenüber aktiver Recherche.

Google erklärt, seine KI-Suchfunktionen helften Menschen dabei, komplexere Fragen zu stellen und nützliche Websites zu erreichen. Unabhängige Verhaltensdaten zeigen, dass Zusammenfassungen zugleich Klicks auf externe Quellen verringern können. Kognitionsforschung legt nahe, dass übermäßiges Vertrauen in generierte Antworten den Aufwand für deren Überprüfung senkt.

Das Label #DeeperStupidAI zieht Aufmerksamkeit auf sich, droht aber, ein komplexes Thema zu vereinfachen. Die nützlichere Frage lautet, ob KI-Systeme die Handlungen bewahren, die Verständnis schaffen: Vergleich, Abruf, Interpretation, Zweifel und Überarbeitung.

Google News machte aus einem Argument ein Ereignis

Das unmittelbare Ereignis ist ein Mediensignal, kein neues wissenschaftliches Ergebnis.

Der Beitrag von WhoWhatWhy erschien in Google News als Kommentar über KI und Kognition. Er kündigte weder ein Produkt an noch legte er einen klinischen Befund offen oder präsentierte ein neu abgeschlossenes Experiment.

Das unterscheidet den Beitrag von einer herkömmlichen Technologiegeschichte. Es gibt kein Veröffentlichungsdatum nachzuverfolgen, keinen Benchmark zu reproduzieren und keine Unternehmensbehauptung zu prüfen. Seine Bedeutung ergibt sich aus dem Zeitpunkt und der Verbreitung seines Arguments.

Die Vorstellung, dass digitale Werkzeuge das Denken schwächen, ist nicht neu. Suchmaschinen, Taschenrechner, GPS-Navigation, Rechtschreibprüfungen und soziale Plattformen haben ähnliche Sorgen ausgelöst. Jedes dieser Werkzeuge verlagerte einen Teil einer mentalen Aufgabe von der Person in ein externes System.

Psychologen nennen dies kognitive Auslagerung. Der Begriff beschreibt die Nutzung einer externen Ressource, um die für Erinnern, Rechnen, Entscheiden oder Navigieren erforderliche Denkarbeit zu verringern.

Auslagerung ist nicht automatisch schädlich. Ein Notizbuch speichert Details, die eine Person sonst vergessen könnte. Ein Taschenrechner setzt Aufmerksamkeit für ein größeres mathematisches Problem frei. Eine Karte hilft jemandem, ein Ziel zu erreichen, ohne jede Abbiegung auswendig lernen zu müssen.

Der Zielkonflikt hängt davon ab, was delegiert wird. Das Auslagern von Rechenoperationen kann höherstufiges Denken unterstützen, wenn der Nutzer die zugrunde liegende Operation versteht. Das Auslagern der Entwicklung eines Arguments kann die Denkübung selbst beseitigen.

Generative KI erweitert diesen Zielkonflikt, weil sie mehr tut, als eine Tatsache abzurufen. Sie kann Belege auswählen, Behauptungen ordnen, Übergänge formulieren, Sicherheit imitieren und eine fertige Schlussfolgerung liefern.

Diese Fähigkeit verändert die Rolle des Nutzers. Ein traditionelles Suchergebnis lädt zu einer Abfolge von Entscheidungen ein. Der Nutzer öffnet Quellen, bewertet ihre Relevanz, erkennt Widersprüche und konstruiert eine Antwort.

Eine KI-Zusammenfassung kann diese Abfolge auf einen Absatz reduzieren. Der Nutzer erhält das Produkt eines scheinbaren Denkprozesses, ohne jede Auswahl zu sehen, die es geprägt hat.

Google News fügt eine weitere Ebene hinzu. Es entscheidet, welche Überschriften von Publishern in einen personalisierten Stream gelangen, und platziert sie neben anderer Berichterstattung. Ein provokanter Hashtag kann Leser daher erreichen, bevor sie wissen, ob er für Evidenz, Kommentar oder Satire steht.

Das bedeutet nicht, dass Aggregation grundsätzlich irreführend ist. Es bedeutet, dass die Benutzeroberfläche interpretatives Gewicht trägt. Platzierung und Darstellung beeinflussen, welche Behauptungen wichtig, aktuell und glaubwürdig wirken.

Die Geschichte von #DeeperStupidAI ist vor allem als Warnung vor dieser Benutzeroberfläche nützlich. Eine Behauptung über passiven Informationskonsum kam über ein System, das Informationskonsum beschleunigen soll.

Darin liegt die eigentliche Umkehrung des Artikels. Der Verteilungsmechanismus veranschaulicht das kritisierte Verhalten.

Leser sollten den Hashtag nicht als wissenschaftliche Diagnose behandeln. Sie sollten ihn als Anstoß verstehen, zu prüfen, wie moderne Entdeckungssysteme Aufmerksamkeit neu organisieren.

KI-Zusammenfassungen in Google News verändern die Aufgabe der Leser

KI-Suche verlagert Aufwand vom Finden von Informationen hin zur Entscheidung, ob eine synthetisierte Antwort Vertrauen verdient.

Google hat generative Funktionen in der Suche kontinuierlich ausgeweitet. Im Mai 2025 erklärte das Unternehmen, AI Overviews habe mehr als 200 Länder und Gebiete in über 40 Sprachen erreicht.

Google berichtete außerdem, dass AI Overviews die Nutzung bei berechtigten Suchanfragetypen in den Vereinigten Staaten und Indien um mehr als 10 Prozent erhöht habe. Diese Zahl beschreibt die Interaktion mit Google, nicht Verständnis oder Genauigkeit.

Das erklärte Ziel des Unternehmens ist, Nutzern zu helfen, schwierigere Fragen zu stellen, nützlichen Kontext zu erhalten und über sichtbare Links weiter zu recherchieren. Spätere Aktualisierungen ergänzten Inline-Zitate, Quellenvorschauen, bevorzugte Publikationen und klarere Wege zum Originalmaterial.

Diese Änderungen erkennen ein grundlegendes Problem an. Wenn eine generierte Antwort zum Hauptobjekt der Seite wird, können Quellen zu bloßem Beiwerk werden.

Unabhängige Browsing-Daten veranschaulichen den Effekt. Eine Pew analysis untersuchte die Google-Aktivitäten von 900 einwilligenden Erwachsenen in den USA im März 2025.

Nutzer klickten bei 8 Prozent der Besuche auf ein traditionelles Ergebnis, wenn eine KI-Zusammenfassung erschien. Ohne eine solche Zusammenfassung klickten sie bei 15 Prozent der Besuche auf ein Ergebnis. Nur 1 Prozent der Besuche mit einer Zusammenfassung führte zu einem Klick auf eine darin zitierte Quelle.

Diese Zahlen beweisen nicht, dass Leser weniger lernten. Eine Zusammenfassung kann eine einfache Frage korrekt beantworten und Zeit sparen.

Das Klickverhalten ist jedoch wichtig, wenn eine Frage Kontext erfordert. Wer die Ergebnisseite verlässt, stößt auf Methoden, Einschränkungen, konkurrierende Interpretationen und Belege, die nicht in eine kurze Synthese passen.

Die Veränderung betrifft auch Publisher. Originäre Berichterstattung erfordert Interviews, Dokumentenprüfung, Fachwissen und redaktionelle Verantwortung. Wenn Zusammenfassungen die unmittelbare Suchanfrage befriedigen, erhält die Organisation, die diese Arbeit leistet, möglicherweise weder den Besuch noch die Beziehung zum Leser.

Google widerspricht den weitreichendsten Behauptungen über ein Einbrechen des Referral-Traffics. Das Unternehmen erklärt, aggregierte Klickdaten würden oft schlecht gemessen, und Besuche über KI-Ergebnisse könnten engagierter sein.

Das Unternehmen hat zudem weitere Funktionen eingeführt, die Originalquellen sichtbarer machen sollen. 2026 ergänzte Google Labels für bevorzugte Quellen und einen Indikator „Highly Cited“, um Nutzern bei der Identifizierung einflussreicher Berichterstattung zu helfen.

Diese Verbesserungen betreffen die Auffindbarkeit, lösen aber nicht das gesamte kognitive Problem. Ein sichtbares Zitat hilft nicht, wenn der Nutzer es nie öffnet. Eine korrekte Zusammenfassung kann dennoch den Vergleichsprozess entmutigen, der dauerhaftes Verständnis schafft.

Der Druck trifft drei Gruppen.

Leser müssen entscheiden, wann eine Zusammenfassung ausreicht. Publisher müssen Inhalte schaffen, die auch nach der Verdichtung ihrer Fakten wertvoll bleiben. Google muss unmittelbare Antworten mit einem Informationsmarkt in Einklang bringen, der auf Quellbesuchen beruht.

Der gleiche Druck erreicht Lehrende und Arbeitgeber. Beide erhalten zunehmend ausgefeilte Ergebnisse, ohne den dahinterliegenden Denkprozess klar erkennen zu können.

Die frühere Suchkompetenz bestand darin, eine nützliche Seite zu finden. Die entstehende Kompetenz für KI-Suche besteht darin zu erkennen, wann eine scheinbar nützliche Antwort notwendige Ungewissheit beseitigt hat.

Was die Forschung zum kritischen Denken tatsächlich herausfand

Die aktuelle Evidenz stützt die Sorge über geringeren Aufwand, aber nicht die Behauptung, KI mache Nutzer zwangsläufig dumm.

Eine der stärksten begutachteten Studien stammt von Microsoft Research und der Carnegie Mellon University. Die Forschenden befragten 319 Wissensarbeiter zu 936 Beispielen für den Einsatz generativer KI.

Die critical-thinking study wurde auf der CHI Conference on Human Factors in Computing Systems 2025 vorgestellt.

Sie ergab, dass höheres Vertrauen in generative KI mit weniger kritischem Denken verbunden war. Größeres Vertrauen in die eigene Fähigkeit ging mit mehr kritischem Denken einher.

Diese Beziehung ist aufschlussreicher als der Slogan, KI schwäche jeden Menschen. Das Problem war nicht allein der Zugang zu einem Modell. Entscheidend war das Maß an Vertrauen, das Nutzer im Verhältnis zu sich selbst in das Modell setzten.

Die Teilnehmer berichteten nicht, kritisches Denken vollständig aufgegeben zu haben. Stattdessen verlagerte sich ihr Aufwand auf andere Aktivitäten. Sie prüften KI-Ausgaben, integrierten Antworten in bestehende Arbeit und überwachten die Aufgabenerledigung.

Diese Verschiebung kann produktiv sein. Ein erfahrener Analyst könnte KI nutzen, um einen ersten Entwurf zu erstellen, und anschließend mehr Zeit darauf verwenden, Annahmen zu testen und Belege zu vergleichen.

Sie kann aber auch einen oberflächlichen Prüfzyklus erzeugen. Ein Nutzer fordert eine Antwort an, überfliegt sie auf offensichtliche Probleme, ändert die Formulierung und verwechselt redaktionelle Bereinigung mit Überprüfung.

Flüssige Sprache macht dieses Versagen schwerer zu erkennen. Große Sprachmodelle erzeugen wahrscheinliche Wortfolgen, die kohärente Erklärungen hervorbringen können, ohne sicherzustellen, dass jede Behauptung wahr ist.

Der Nutzer muss daher Arbeit leisten, die die Benutzeroberfläche optional macht. Er muss die Quelle identifizieren, ihre Relevanz prüfen, bestätigen, ob ein Zitat existiert, und nach fehlenden Gegenbelegen suchen.

Erfahrung wird dabei besonders wichtig. Ein Experte erkennt ein unplausibles Ergebnis oft, weil es etabliertem Wissen widerspricht. Ein Anfänger verfügt möglicherweise nicht über die Bezugspunkte, um denselben Fehler zu erkennen.

Das schafft ein Paradox für KI-gestütztes Lernen. Die Menschen, die den größten unmittelbaren Nutzen erhalten, sind möglicherweise zugleich am wenigsten in der Lage, ihn zu bewerten.

Die Forschung sagt nicht, dass Anfänger KI meiden sollten. Sie legt nahe, dass Werkzeuge Möglichkeiten bewahren müssen, damit Nutzer ihr eigenes Denken entwickeln und prüfen können.

Ein System könnte Nutzer auffordern, eine Vorhersage zu treffen, bevor es eine Antwort zeigt. Es könnte widersprüchliche Quellen offenlegen, statt sie voreilig zusammenzufassen. Es könnte direkte Belege von der Interpretation des Modells trennen.

Nutzer können sich selbst eine ähnliche Struktur auferlegen. Sie können vor einer Anfrage eine Position formulieren, Gegenargumente anfordern, Primärquellen öffnen und die abschließende Begründung in eigenen Worten rekonstruieren.

Ein persönliches Wissenssystem kann auch Quellen und sich entwickelnde Interpretationen bewahren. Dieser Ansatz hält die Synthese mit Material verbunden, das Nutzer erneut prüfen können.

Die von Microsoft geleitete Studie hat wichtige Einschränkungen. Sie stützte sich auf Selbstauskünfte der Beschäftigten zu ihrem Aufwand. Langfristige Veränderungen bei Intelligenz, Gedächtnis oder beruflicher Leistung wurden nicht gemessen.

Die Stichprobe umfasste zudem spezifische Beispiele aus der Wissensarbeit. Ergebnisse aus Schreib-, Recherche-, Analyse- und Kommunikationsaufgaben lassen sich nicht automatisch auf jede KI-Nutzung übertragen.

Dennoch identifiziert die Studie einen plausiblen Mechanismus. Vertrauen in das System kann die Bereitschaft der Nutzer verringern, dessen Ergebnisse kritisch zu hinterfragen.

Dieser Mechanismus ist wichtiger als die in #DeeperStupidAI enthaltene Beleidigung. Er zeigt, wo Produktdesign und Nutzerverhalten ansetzen können.

Die Gehirnstudie wurde zu einer weiterreichenden Behauptung als ihre Daten hergeben

Das meistzitierte Experiment fand beim Verfassen von Essays bedeutsame Unterschiede, doch sein Design kann keinen dauerhaften kognitiven Abbau belegen.

Die Debatte beschleunigte sich, nachdem mit dem MIT Media Lab verbundene Forschende im Juni 2025 „Your Brain on ChatGPT“ veröffentlichten.

Die MIT-Forschungsseite beschreibt ein Experiment mit 54 Teilnehmenden in den ersten drei Sitzungen. Achtzehn Teilnehmende absolvierten eine vierte Sitzung.

Die Forschenden teilten die Teilnehmenden in drei Bedingungen ein. Eine Gruppe nutzte ein großes Sprachmodell, eine andere eine Suchmaschine, und eine dritte schrieb ohne eines der beiden Werkzeuge.

Das Team nutzte Elektroenzephalografie, kurz EEG, um Muster elektrischer Aktivität zu messen, die an der Kopfhaut aufgezeichnet wurden. Außerdem bewertete es die Essays mittels Verarbeitung natürlicher Sprache, durch menschliche Lehrkräfte und einen KI-Juror.

Die LLM-Gruppe zeigte während der Aufgabe eine geringere neuronale Konnektivität als die Gruppen mit Suchmaschine und ohne Hilfsmittel. Teilnehmende, die das Modell nutzten, hatten zudem größere Schwierigkeiten, Passagen aus ihren Essays zu erinnern, und berichteten von einer geringeren Identifikation mit der Arbeit.

Diese Ergebnisse verdienen Aufmerksamkeit. Schreiben ist nicht bloß eine Methode, einen fertigen Gedanken darzustellen. Wörter auszuwählen, Wissen abzurufen, Belege zu ordnen und Widersprüche aufzulösen, sind Bestandteile des Denkens.

Wenn ein Modell diese Operationen übernimmt, hat der Nutzer weniger Anlass, dieselben Prozesse zu durchlaufen. Eine geringere Aufgabenbeteiligung ist daher plausibel.

Das Problem beginnt, wenn aus „geringerer Beteiligung während dieses Experiments“ „ChatGPT schädigt das Gehirn“ wird. Das sind unterschiedliche Behauptungen.

Die Arbeit wurde als Preprint veröffentlicht, hatte also zum Zeitpunkt der Veröffentlichung noch kein herkömmliches Peer-Review durchlaufen. Ihre Stichprobe war klein und geografisch begrenzt. An der entscheidenden Crossover-Sitzung nahmen nur 18 Personen teil.

Das Experiment untersuchte außerdem das Verfassen von Essays unter festgelegten Bedingungen. Es erfasste nicht jede Form der KI-Nutzung, professionelle Zusammenarbeit, Langzeitgedächtnis oder Veränderungen der allgemeinen Intelligenz.

Eine spätere methodische Kritik äußerte Bedenken hinsichtlich Stichprobengröße, Reproduzierbarkeit, EEG-Analyse, Konsistenz der Berichterstattung und Transparenz des Vorgehens.

Kritik hebt die ursprünglichen Ergebnisse nicht auf. Sie setzt Grenzen dafür, was diese Ergebnisse stützen können.

EEG-Daten erfordern eine sorgfältige Interpretation. Ein Unterschied in der Konnektivität lässt sich nicht direkt in eine Rangfolge der Intelligenz übersetzen. Geringere Aktivierung kann auf weniger Beteiligung hindeuten, doch auch Effizienz, Vertrautheit, Strategie und Aufgabendesign können neuronale Messungen beeinflussen.

Auch der Begriff „Schuld“ stellt eine Herausforderung dar. Er legt nahe, dass sich geringerer Aufwand ansammelt und später Kosten verursacht. Das Experiment liefert vorläufige Hinweise auf schwächere Erinnerung und geringere Identifikation nach KI-gestütztem Schreiben, kann aber keine lebenslange kognitive Bilanz belegen.

Die am besten vertretbare Lesart ist enger gefasst. Wenn Menschen ein LLM einen Essay verfassen lassen, können sie sich weniger mit dem Material auseinandersetzen und den entstandenen Text schlechter erinnern.

Das ist ein ernstes bildungspolitisches Problem. Es rechtfertigt jedoch nicht, jede KI-gestützte Aufgabe mit dem Kopieren eines generierten Essays gleichzusetzen.

Betrachten wir zwei Nutzer.

Der erste bittet ein Modell, einen Bericht zu schreiben, nimmt kosmetische Änderungen vor und reicht ihn ein. Dieser Arbeitsablauf delegiert Themenwahl, Struktur, Belege und Sprache.

Der zweite formuliert eine These, sammelt Quellen, erstellt einen Entwurf und bittet das Modell, unbelegte Gedankensprünge zu identifizieren. Dieser Arbeitsablauf nutzt KI als kritisch-konfrontativen Prüfer.

Beide Nutzer verwendeten technisch gesehen generative KI. Ihre kognitiven Aktivitäten sind nicht vergleichbar.

Deshalb werden einfache Vergleiche zwischen „KI-Nutzern“ und „Nichtnutzern“ zunehmend weniger hilfreich sein. Künftige Forschung muss das Interaktionsmuster, die Expertise des Nutzers, die Aufgabe und den Zeitpunkt der Unterstützung beschreiben.

Sie sollte außerdem verzögerten Abruf, Übertragung auf neue Probleme und Leistung nach Wegfall des Werkzeugs testen. Diese Messungen würden zeigen, ob KI-Unterstützung Urteilsvermögen entwickelt oder es lediglich ausleiht.

Die Rahmung durch #DeeperStupidAI überspringt diese Unterscheidungen. Sie verwandelt ein Design- und Verhaltensproblem in eine Identitätsbehauptung über Nutzer.

Als Kommentar mag das funktionieren. Als Ersatz für wissenschaftliche Interpretation taugt es wenig.

Der eigentliche Konflikt lautet Unterstützung versus Ersetzung

KI wird kognitiv riskant, wenn sie die Bildung von Urteilsvermögen ersetzt, statt sie zu unterstützen.

Die Branche beschreibt generative KI häufig als Produktivitätsschicht. Der Nutzer formuliert ein Ziel, das System reduziert Reibung, und die Arbeit wird schneller erledigt.

Geschwindigkeit lässt sich leicht messen. Urteilsvermögen nicht.

Ein Team kann die Zahl produzierter Berichte, beantworteter Nachrichten, geschlossener Tickets oder erzeugter Zusammenfassungen verfolgen. Schwieriger ist es zu messen, ob Beschäftigte die Entscheidungen verstehen, die in diesen Ergebnissen stecken.

Dieser Unterschied fördert Ersetzung. Organisationen setzen KI dort ein, wo sie sichtbar Zeit reduziert, selbst wenn die versteckten Kosten später durch schwache Prüfung, verlorenen Kontext oder Abhängigkeit auftreten.

Am deutlichsten wird das Risiko bei folgenreicher Arbeit. Eine medizinische Zusammenfassung kann ein einschränkendes Detail auslassen. Eine juristische Synthese kann auf ein irrelevantes Urteil verweisen. Eine finanzielle Erklärung kann Zahlen aus nicht vergleichbaren Zeiträumen zusammenführen.

Eine flüssige Antwort kann einer schnellen Prüfung standhalten, weil ihre Sprache kompetenter Arbeit ähnelt. Der Prüfer muss genug wissen, um den Inhalt zu überprüfen.

Das ist kein exklusiver Mangel generativer KI. Menschen haben stets zu bereitwillig auf polierte Dokumente, berühmte Institutionen und selbstsichere Kollegen vertraut.

KI vergrößert den Maßstab. Sie kann Tausende plausible Ergebnisse erzeugen, ohne Unsicherheit, Verantwortung oder Verlegenheit zu empfinden.

Das Design von Suchsystemen verstärkt diesen Maßstab. Google berichtete, dass AI Overviews bei den Abfragetypen, bei denen sie in großen Märkten erschienen, zu mehr als 10 Prozent zusätzlicher Nutzung führten. Das Unternehmen interpretiert dieses Wachstum als Beleg für Nützlichkeit.

Mehr Suchanfragen können auf produktive Erkundung hindeuten. Sie können aber auch bedeuten, dass Nutzer längere Gespräche innerhalb einer Plattform führen, anstatt vielfältige Quellen zu besuchen.

Googles Erweiterung von AI Overview versprach prominente Links und einfachere Erkundung. Spätere Aktualisierungen fügten mehr direkte Zitate, Artikelvorschläge und Quellenkontrollen hinzu.

Diese Funktionen eröffnen Nutzern Wege zurück ins Web. Sie zwingen jedoch niemanden, diese Wege zu nutzen.

Die Produktherausforderung ist daher verhaltensbezogen. Wie kann eine Oberfläche die Überprüfung wie einen Teil der Antwort wirken lassen, statt wie zusätzliche Arbeit nach der Antwort?

Ein Ansatz ist die Offenlegung von Unsicherheit. Ein System kann zwischen etablierten Fakten, umstrittenen Interpretationen und unbelegten Schlussfolgerungen unterscheiden.

Ein weiterer Ansatz ist Herkunftsnachweis: Er zeigt, woher konkrete Behauptungen stammen und wie eng die Quelle sie stützt. Eine Liste lose verwandter Links genügt nicht.

Ein dritter Ansatz ist produktive Reibung. Bei komplexen oder hochriskanten Fragen kann die Oberfläche zum Vergleich anregen, statt eine komprimierte Schlussfolgerung zu präsentieren.

Der Ausdruck produktive Reibung klingt ineffizient, doch viele wertvolle kognitive Aktivitäten sind ineffizient. Einen Absatz zu überarbeiten, eine Berechnung zu prüfen und einer anderen Person eine Idee zu erklären, kostet alles Zeit.

Sie legen auch Verständnislücken offen.

Nutzer brauchen eigene Handlungsregeln, während das Produktdesign aufholt.

Bei Faktenfragen: Öffnen Sie die zitierte Seite. Bei Analysen: Formulieren Sie zunächst eine eigene Sicht, bevor Sie um eine Synthese bitten. Bei Entscheidungen: Fordern Sie das stärkste Gegenargument an und überprüfen Sie es unabhängig.

Beim Lernen: Rufen Sie die Idee nach der Nutzung des Werkzeugs ohne Hilfe ab. Wenn die Erklärung verschwindet, sobald sich das Chatfenster schließt, hat der Nutzer eine Antwort geliehen, statt Wissen aufzubauen.

Organisationen sollten KI-Arbeitsabläufe anhand von mehr als nur der Bearbeitungszeit bewerten. Sie können Fehlererkennung, verzögerten Abruf, Quellenkorrektheit und Leistung testen, wenn Automatisierung nicht verfügbar ist.

Sie sollten außerdem verantwortliche Zuständigkeit bewahren. Jemand muss das Ergebnis verstehen und verteidigen können, nicht bloß seine Formatierung absegnen.

Dieselbe Regel gilt für den Nachrichtenkonsum. Das Lesen einer Zusammenfassung kann den Leser orientieren. Es sollte die Recherche nicht beenden, wenn der zugrunde liegende Gegenstand weiterhin umstritten ist.

Google News kann eine Behauptung vorstellen. Es kann nicht entscheiden, wie viele Belege diese Behauptung verdient.

Was die #DeeperStupidAI-These bestätigen oder abschwächen würde

Drei Signale werden zeigen, ob kognitive Auslagerung zu einem dauerhaften Problem oder zu einem beherrschbaren Merkmal KI-gestützter Arbeit wird.

Das erste Signal sind replizierte Studien mit größeren und vielfältigeren Stichproben.

Künftige Studien benötigen Teilnehmende unterschiedlichen Alters, aus verschiedenen Berufen und Bildungsniveaus sowie mit unterschiedlicher Fachexpertise. Sie sollten mehrere Interaktionsstile vergleichen, statt jede LLM-Nutzung in eine Kategorie einzuordnen.

Forschende sollten messen, was Wochen oder Monate später passiert. Unmittelbare Aktivität während der Aufgabe ist wichtig, doch verzögerter Abruf und Kompetenzübertragung zeigen, ob Nutzer Verständnis behalten haben.

Eine Replikation der MIT-Ergebnisse mit größeren Gruppen, vorab registrierten Methoden und unabhängiger Begutachtung würde das Argument der kognitiven Schuld stärken. Ergebnisse, die hauptsächlich je nach Prompting-Stil variieren, würden die breite Behauptung abschwächen und die Aufmerksamkeit auf das Arbeitsablaufdesign lenken.

Das zweite Signal ist das Produktverhalten innerhalb der KI-Suche.

Google verfügt inzwischen über genug Reichweite, um zu untersuchen, ob Zitate tatsächlich zur Erkundung von Quellen führen. Das Unternehmen kann Klickverhalten, Korrekturen, Neuformulierung von Suchanfragen und Reaktionen der Nutzer auf widersprüchliche Belege offenlegen.

Google hat bereits Quellenvorschauen, Abonnementkennzeichnungen und bevorzugte Publikationen hinzugefügt. Im Mai 2026 erklärte das Unternehmen, Menschen besuchten nach der Auswahl einer bevorzugten Quelle mit doppelt so hoher Wahrscheinlichkeit diese Quelle.

Das ist ein ermutigendes Designsignal, betrifft jedoch ausgewählte Publisher und nicht die allgemeine Überprüfung. Leser benötigen weiterhin klare Belege dafür, dass generierte Behauptungen dem zitierten Material entsprechen.

Wenn Google News und Search Quellenangaben auf Behauptungsebene erleichtern, wird das Unterstützungsmodell besser vertretbar. Wenn Zusammenfassungen eigenständiger werden, während externe Klicks weiter sinken, verstärkt sich die Sorge vor Ersetzung.

Das dritte Signal ist die Leistung, nachdem Unterstützung wegfällt.

Schulen und Arbeitgeber können testen, ob Nutzer KI-gestützte Arbeit erklären, reproduzieren oder anpassen können, ohne das Modell erneut zu öffnen. Das erfordert kein Verbot der Technologie.

Ein Entwickler, der KI zum Entwurf von Code nutzt, sollte dessen Fehlermodi dennoch erklären können. Ein Analyst sollte die Begründung hinter einer Empfehlung rekonstruieren können. Ein Schüler sollte dasselbe Konzept auf ein anderes Problem anwenden können.

Starke Leistung ohne Hilfe würde zeigen, dass KI Lernen unterstützen kann. Schwache Leistung würde eine Abhängigkeit offenlegen, die durch polierte Ergebnisse verborgen bleibt.

Diese Signale sind wertvoller als ein weiteres virales Schlagwort. Sie verwandeln ein emotionales Argument in überprüfbare Fragen.

Die #DeeperStupidAI-These wird gestärkt, wenn größere Studien anhaltende Einbußen über verschiedene Aufgaben und Bevölkerungsgruppen hinweg feststellen. Sie erhält außerdem Unterstützung, wenn die Überprüfung abnimmt, während KI-Antworten prominenter werden.

Die These wird an Gewicht verlieren, wenn ein strukturierter Einsatz von KI den Transfer, die Fehlererkennung und die eigenständige Leistung verbessert. Sie wird weiter geschwächt, wenn Schnittstellen Nutzer erfolgreich zu vielfältigen Primärquellen führen.

Derzeit sprechen die Belege für Vorsicht, nicht für Panik.

Generative KI kann den Aufwand bei Aufgaben verringern, die normalerweise Verständnis aufbauen. Ein zu bereitwilliges Vertrauen in sie geht mit weniger kritischer Prüfung einher. KI-generierte Suchzusammenfassungen können Besuche bei externen Quellen verringern.

Die Belege weisen keinen dauerhaften intellektuellen Abbau nach. Sie zeigen nicht, dass jeder KI-Workflow denselben Effekt hat. Sie rechtfertigen es nicht, geringere Aufgabenbeteiligung mit geschädigter Intelligenz gleichzusetzen.

Google News verschaffte #DeeperStupidAI Reichweite. Die Leser müssen das fehlende Urteilsvermögen selbst einbringen.

Wenn ein KI-System Ihnen das nächste Mal eine vollständige Antwort liefert, halten Sie inne, bevor Sie dessen Deutungsrahmen übernehmen. Öffnen Sie die Quelle, ermitteln Sie, was die Zusammenfassung ausgelassen hat, und formulieren Sie die Schlussfolgerung in eigenen Worten.

Schließen Sie dann das Tool und stellen Sie eine letzte Frage: Können Sie noch erklären, warum die Antwort richtig ist?