Kreativität unterstützt durch Algorithmen: Wo KI hilft und wo nicht

Einer der Grafiker, mit dem wir bei Cashcrown gesprochen haben, beschrieb es so: „Das Modell generiert mir hundert Icon-Varianten in der Zeit, in der ich eine gezeichnet habe. Achtundneunzig werfe ich weg. Aber diese zwei, auf die ich selbst nicht gekommen wäre, sind die ganze Zeit wert.“ Das ist eine gute Zusammenfassung dessen, was kreatives Schaffen durch KI ist und was nicht.

Generative Modelle funktionieren durch Rekombination von Mustern aus Trainingsdaten. Für den kreativen Prozess bedeutet das mehrere konkrete Anwendungen.

Generierung von Varianten zu geringen Kosten. LLM kann in wenigen Sekunden zwanzig Versionen einer Überschrift, dreißig Varianten einer Farbpalette (als Beschreibung) oder fünfzehn narrative Strukturen produzieren. Menschen generieren selten so viele Optionen selbst, da Zeit und kognitive Ermüdung sie einschränken. Der Algorithmus hat diese Barrieren nicht.

Durchbrechen des lokalen Optimums. Ein auf eine Lösung fixierter Schöpfer kreist um diese. Ein gut konstruierter Prompt kann Vorschläge aus völlig anderen konzeptuellen Räumen generieren. Allein die Konfrontation mit einer unerwarteten Option durchbricht die Schleife.

Musteranalyse in großen Datensätzen. Das Modell kann tausend bestehende Arbeiten durchsehen und aufzeigen, welche Kompositionselemente, Rhythmen oder narrativen Strukturen in Werken vorkommen, die von einer bestimmten Gruppe hoch bewertet werden. Das ist ein analytisches Werkzeug, kein Orakel.

Automatisierung repetitiver Schritte. Skalierung, Formatkonvertierung, grundlegende Metadatenbeschreibung, Generierung von Skizzen für die weitere Bearbeitung: Aufgaben, die Zeit kosten, ohne kreatives Denken zu erfordern.

Keine dieser Anwendungen erfordert, die Ergebnisse als fertiges Werk zu behandeln. Das Modell produziert Material. Der Schöpfer bewertet, selektiert, modifiziert.

Der Hype um „KI als Schöpfer“ erwähnt diese vier Grenzen selten.

Fehlendes Verständnis des kulturellen Kontexts. Das Modell weiß nicht, warum ein bestimmtes Symbol in einem bestimmten Land, einer Altersgruppe oder einem historischen Moment unangemessen ist. Trainiert auf Internetdaten reproduziert es dominante kulturelle Muster und deren blinde Flecken gleichzeitig. Die Entscheidung über kulturelle Angemessenheit liegt beim Menschen.

Fehlende Wertung. Die Explainability generativer Modelle ist begrenzt: Das Modell kann nicht erklären, warum es eine Variante einer anderen vorzieht, in einer für den Schöpfer verständlichen Weise. Schlimmer noch, es bewertet „Güte“ ausschließlich nach Ähnlichkeit mit Mustern aus dem Trainingsdatensatz. Das ist nicht dasselbe wie Originalität oder künstlerischer Wert.

Halluzinationen und faktische Fehler. In faktenbasierten kreativen Prozessen (Drehbücher, informative Texte, wissenschaftliche Materialien) generiert das Modell regelmäßig Halluzinationen: Fakten, Zitate, Daten, Namen von Institutionen, die plausibel klingen, aber falsch sind. Jedes faktische Element erfordert eine Überprüfung durch den Menschen.

Reproduktion von Verzerrungen in Trainingsdaten. Wenn der Trainingsdatensatz einen bestimmten Stil, eine Epoche oder Gruppe von Schöpfern überrepräsentiert, wird das Modell zu diesen Mustern konvergieren. „Typisches KI-Bild“ ist ein realer Effekt: eine ästhetische Monokultur, die aus der Dominanz bestimmter Datensätze resultiert.

Kreative Unterstützung ohne definierte Kontrollpunkte endet in einem von zwei Problemen: Entweder unterbricht der Schöpfer den Algorithmus bei jedem Schritt und gewinnt nichts, oder er veröffentlicht ungeprüften Output und übernimmt die Verantwortung für fremde Fehler.

Das Muster, das wir bei der Implementierung kreativer Unterstützung bei Cashcrown beobachten, unterscheidet drei Arten von Eingriffspunkten des Menschen in den Prozess:

Vorauswahl. Das Modell generiert N Varianten. Der Schöpfer wählt aus, welche in die nächste Phase gelangen. Das ist eine Aufgabe, bei der menschliche ästhetische Intuition und Kontextwissen entscheidend und unersetzbar sind.

Faktische Überprüfung. Jede Aussage, jedes Datum, jeder Name und jedes Zitat im generierten Material muss vor der Veröffentlichung überprüft werden. Es gibt keine Ausnahme von dieser Regel. Ein Modell, das „sicher wirkt“, halluziniert mit derselben Sicherheit wie ein Modell, das zögert.

Endbewertung vor der Verbreitung. Kein generiertes Material erreicht den Empfänger ohne Freigabe durch eine Person, die die Verantwortung für dessen Inhalt übernehmen kann. Das gilt sowohl für einen Tweet als auch für einen Forschungsbericht.

Dieses Muster entspricht dem, was wir im Kontext von human-oversight in KI-Systemen umfassender beschreiben: Es geht nicht darum, den Prozess zu verlangsamen, sondern ihn so zu gestalten, dass das Ergebnis vertrauenswürdig ist.

Eine der unterschätzten Anwendungen von KI in kreativen Prozessen ist die Erzwingung von Struktur durch structured output. Statt das Modell zu bitten, „einen kreativen Brief zu schreiben“, kann ein JSON-Schema mit Feldern definiert werden: Kommunikationsziel, Zielgruppe, Formatbeschränkungen, drei alternative narrative Ansätze, Fragen zur Überprüfung durch den Kunden.

Das Modell füllt das Schema aus. Der Schöpfer sieht, welche Felder schwach sind. Nicht weil das Modell besser ist, sondern weil das erzwungene Schema die Runde der Fragen „Was genau meinst du?“ eliminiert und die Zeit bis zur ersten brauchbaren Vorschlag verkürzt.

Wenn ein Schöpfer ein KI-unterstütztes Werk veröffentlicht, wird die Frage der Urheberschaft zu einem praktischen rechtlichen und ethischen Problem. Im Jahr 2026 besitzt KI in den wichtigsten Jurisdiktionen keine Urheberrechte, und die Rechte am Werk stehen dem Schöpfer zu, der den kreativen Beitrag geleistet hat: Selektion, Modifikation, Kombination von Elementen zu einem Ganzen.

Der Schöpfer trägt die volle Verantwortung für das Endergebnis, unabhängig davon, wie viel Prozent des Materials das Modell generiert hat. Wenn der generierte Text ein Plagiat aus den Trainingsdaten enthält, liegt das Problem beim Schöpfer, der ihn veröffentlicht hat. Transparenz gegenüber Kunden wird zunehmend erwartet: Das Verschweigen des KI-Anteils in einem kommerziellen kreativen Projekt kann zu Streitigkeiten über den Umfang der Dienstleistung führen.

Im Forschungskontext ist dieses Problem noch akuter. Wir behandeln es ausführlich in dem Artikel über KI als autonomen Wissenschaftler, der zeigt, wie führende wissenschaftliche Verlage die Deklaration des KI-Einsatzes in Manuskripten regeln.

Es lohnt sich auch zu lesen, wie sich die Rolle des Forschers im Zeitalter der KI verändert: Kreativer Überblick und Wertung werden wichtiger, nicht weniger wichtig, wenn Algorithmen die Generierung von Varianten übernehmen.

Nein, in einem Sinne, der geschäftlich oder künstlerisch sinnvoll ist. Das Modell generiert Varianten basierend auf Mustern aus dem Trainingsdatensatz. Es bewertet nicht, welche Variante im Kontext eines bestimmten Kunden, einer Kultur, eines Moments oder einer kreativen Intention gut ist. Selektion, Wertung und Verantwortung für das Ergebnis bleiben beim Menschen. KI verkürzt die Zeit für die Generierung von Optionen, eliminiert aber nicht die Notwendigkeit kreativer Beurteilung.

Bewusst Quellen und Techniken diversifizieren. Modelle verwenden, die auf diversen Datensätzen trainiert wurden, Prompts einsetzen, die Lösungen außerhalb dominanter Muster erzwingen (z. B. „schlage einen Ansatz vor, der der Gattungskonvention widerspricht“), und vor allem den kreativen Prozess nicht ausschließlich auf das Filtern des Modell-Outputs beschränken. Das Modell ist eines von mehreren Werkzeugen, nicht die einzige Ideenquelle.

Jedes generierte faktische Element als Hypothese behandeln, die einer Überprüfung bedarf. Datum, Zitat, Name der Institution, Titel der Publikation: alles in der Primärquelle vor der Veröffentlichung überprüfen. Ausführlich dazu, wie Halluzinationen auf Architekturebene begrenzt werden können: Wie man KI-Halluzinationen begrenzt.

Bei kommerziellen Projekten: zunehmend ja, sowohl aus ethischen als auch aus rechtlichen Gründen. Branchenstandards in Werbung, Design und Journalismus entwickeln sich schnell. Das Verschweigen des KI-Einsatzes kann zu Streitigkeiten über den Umfang der Dienstleistung oder Vertrauensbruch führen. Ein detaillierteres Vorgehen zur Verantwortung bei KI in analytischer und Forschungsarbeit beschreiben wir im Artikel über verantwortungsvolle Innovation.

Am besten: Generierung von Varianten bei geringem Fehlerrisiko, Musteranalyse in großen Datensätzen, Automatisierung repetitiver technischer Schritte, Strukturierung von Materialien durch Schemata. Am schlechtesten: Bewertung von Originalität und künstlerischem Wert, Interpretation des kulturellen Kontexts, Entscheidungen, die Kenntnis der Geschichte der Beziehung zum Kunden oder Empfänger erfordern, Aufgaben, bei denen faktische Fehler große Konsequenzen haben. Die Grenze zwischen diesen beiden Bereichen hängt vom konkreten Projekt ab und sollte vor Beginn der Arbeit mit dem Modell festgelegt werden, nicht danach.

Der ethische Kontext algorithmischer Unterstützung in Forschung und Kreativität wird in dem Text über die Rolle des Menschen in der Schleife weiterentwickelt.