Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Automatisierung oder Ausweitung unserer Fähigkeiten? Ein geisteswissenschaftlicher Blick auf Digitalisierung und KI

Dieser Blogpost ist die stark gekürzte Fassung eines Essays, der zuletzt als CeUS Working Paper beim Center for Uncertainty Studies (CeUS) der Universität Bielefeld veröffentlicht worden ist.1 Alle Referenzen zu den im vorliegenden Text aufgeführten Informationen sind im Working Paper aufgeführt.

Technologischer Wandel führt zu Reaktionen der Selbstvergewisserung

Was bedeutet es, dass ChatGPT und Co. inzwischen Teil akademischer Forschungspraxis geworden sind und oft sogar für das Schreiben von Fachtexten eingebunden werden? Etwas Grundlegendes hat sich verschoben, denn zwischen Tastatur und Gehirn gibt es plötzlich eine weitere Instanz, die zwar von Menschen instruiert wird, aber dennoch mit einer relativen ‚Eigenständigkeit‘ Sätze vorschlägt, Argumente glättet, Ideen anbietet oder Analyseergebnisse liefert. Diese Entwicklung – egal wie man zu ihr steht – zwingt uns, über unser tradiertes und zukünftiges Verständnis von Autor:innenschaft, Kreativität und Innovationsverantwortlichkeit in der wissenschaflichen Praxis nachzudenken. Wo genau endet Unterstützung durch Technologie und wo beginnt Delegation an die Technologie? Große Sprachmodelle (LLMs), die auch den bekannten KI-Chatbots zugrunde liegen, können selbstverständlich nicht als verantwortlich gelten für generierte Inhalte; aber welche genauen Rollen wir ihnen und uns in Zukunft anvertrauen wollen, ist Gegenstand einer lebendigen Diskussion geworden.

Dies sind keine rein technologischen Fragen. Mehr noch berühren sie unser Selbstverständnis als Forschende. Wie jede technologische Zäsur löst auch das Aufkommen digitaler Methoden – aktuell vor allem LLMs – Reaktionen der Selbstvergewisserung aus. Neu ist jedoch die Geschwindigkeit, mit der KI-Werkzeuge inzwischen in alle möglichen Bereiche wissenschaftlicher Arbeit hineinwirken. Für die Geisteswissenschaften ist dies besonders herausfordernd, weil hier die hermeneutische Konstitution von Bedeutung im Mittelpunkt der Erkenntnisgenese steht – dafür gibt es methodische Qualitätsstandards, aber letztendlich entspringt geisteswissenschaftliches Wissen kontingenten Interpretationen. Welche Rolle kann KI hierbei spielen?

Es geht nicht um Technologie, sondern um Aneignungsstrategien

Wie bei jeder gewissenhaften Methodenkritik sollte es auch in Bezug auf KI-Tools nicht primär darum gehen, was die Technologie per se kann, sondern wofür sie dienen soll – auch wenn dafür eine fundierte Auseinandersetzung mit Funktionsweisen, Potenzialen und Risiken der Technologie essenziell ist. Schaut man auf den gegenwärtigen Diskurs, so scheint es zwei Pole eines Spektrums an möglichen Einsatzweisen für KI zu geben: Automatisierung und Ausweitung.

Unter ‚Automatisierung‘ kann die Delegation von Aufgaben zusammengefasst werden. Hier geht es um die maschinelle Ersetzung menschlicher Arbeit. Unter ‚Ausweitung‘ dagegen ist die gezielte Stärkung menschlicher Fähigkeiten gemeint: Technologie als Werkzeug, das unsere Fähigkeiten anreichert, Erkenntnisse zu produzieren und zu kommunizieren. Gerade in den Geisteswissenschaften scheint mir die zweite Perspektive die produktivere zu sein. Denn nur hier wird wissenschaftliche Expertise, Kontextwissen und die eigentliche Innovationsleistung, Zusammenhänge zu deuten, mit maschineller Datenverarbeitung, Mustererkennung, und strukturellen Analyse komplementär zusammengebracht. Digitale Werkzeuge können uns helfen, die Erzeugung neuen Wissens transparenter und reflektierter zu gestalten, aber sie nehmen uns nicht die dabei zentralen Entscheidungen im Forschungsprozess ab. Erst recht können sie nicht geisteswissenschaftliche Sinnerzeugung übernehmen.

Die Digital Humanities beschäftigen sich seit Jahrzehnten mit dieser Spannung, auch Abseits von KI. Verfahren des Text Mining, Geographical Information Systems (GIS) oder Netzwerkanalysen haben neue Wege eröffnet, große Textmengen auf semantische Muster hin zu untersuchen. Doch die Resultate solcher auf statistischen Analysen beruhenden und Muster visualisierenden Verfahren sind nie ‚objektiv‘, sondern interpretationsbedürftig. In diesem Sinn sind digitale Methoden keine Bedrohung für hermeneutische Ansätze. Sie verschieben vielmehr die Aufmerksamkeit von der reinen Textlektüre hin zur dynamischen Wechselwirkung zwischen detailliertem Interpretieren bestimmter Texte und dem Überblick über große Datenstrukturen. Franco Moretti prägte dafür die Begriffe close reading und distant reading – eine Unterscheidung, die längst in Konzepten wie blended oder scalable reading zusammengebracht worden sind und sich auch auf andere Datentypen als Textdaten bezieht. In der Praxis bedeutet das: Forschende „zoomen“ zwischen unterschiedlichen Ebenen der Analyse hin und her, was nicht nur neue Muster sichtbar macht, sondern auch die eigene Perspektive für die Interpretation schärft. Hier geht es um die konstruktive Aneignung technologischer Potenziale, nicht um eine Essenzialisierung von Technologie.

Epistemische Aufgaben zu verfolgen ist charakteristisch auch für die Geschichte einer weiteren digitalen Technologie: Hypertext. Hiermit wird allgemein die Erweiterung traditioneller Textformate durch flexibel verknüpfte Informationseinheiten bezeichnet, was früh mit der Ausweitung menschlicher Fähigkeiten in Verbindung gebracht wurde. Im Folgenden geht es mir allerdings weniger um einen technologischen Vergleich zwischen KI und Hypertext oder um eine Kontinuitätsgeschichte. Vielmehr eignet sich die Konzeptgeschichte von Hypertext als Vergleichsgröße, um noch genauer über die Einsatzmöglichkeiten von KI im Sinne einer Ausweitung menschlicher Fähigkeiten zu reflektieren.

Ausweitung durch digitale Technologie: Das Beispiel Hypertext

1945 beschrieb der US-amerikanische Ingenieur Vannevar Bush in seinem berühmten Essay As We May Think das Konzept des Memex (kurz für „memory extender“). Dabei handelt es sich um eine Art prä-digitale Wissensbank, mit der auf Mikrofilm gespeicherte massenhafte Informationen flexibel durchstöbert, individuell per Assoziation verknüpft und die dadurch entstehenden Navigationspfade geteilt werden sollten. Diese Idee entwickelte Buch in scharfer Abgrenzung zum gedruckten Text als bisherigem Leitmedium für die Speicherung und Kommunikation von Wissen: Bücher und andere Drucktextformate würden einzelne Informationen zwar in gewissem Rahmen mehreren Kontexten zuordnen können – in Form von Fußnoten, Indizes, etc. Aber letztlich folge die gedruckte Informationsorganisation immer einer starren Hierarchisierung, da sie materiell fest auf Papierseiten eingeschrieben ist. Memex sollte diese Einschränkungen durch Flexibilisierung überwinden, wurde aber nie gebaut. Der Entwurf stellt jedoch den Beginn einer Konzeptgeschichte dar, die auf die Ausweitung menschlicher Geistesleistungen – Bei Bush: unserer Gedächtnisfähigkeiten – abzielt.

Darauf aufbauend entwickelte Douglas Engelbart in den 1960er Jahren das oN-Line System (NLS). Hierbei handelt es sich um das erste technisch in die Tat umgesetzte Hypetertextsystem: Ein Computerarbeitsplatz visualisierte komplexe Probleme mit ihren wesentlichen Elementen ähnlich einer Concept Map auf Bildschirmen. Alle Elemente konnten dabei interaktiv bearbeitet werden. Dieses analytische Tool sollte es ermöglichen, Problemlösungsstrategien zu entwickeln, wie es allen im Kopf nicht leistbar wäre. In diesem Sinn war das NLS als Ausweitung des menschlichen Intellekts gedacht.

Theodor Nelson, ein weiterer zentraler Hypertextpionier, erfand fast zeitgleich den den Begriff ‚Hypertext’. Damit ist bis heute allgemein die nicht-lineare Verlinkung einzelner Informationen gemeint, die Benutzer:innen Wahlmöglichkeiten zur weitreichend autonomen Navigation entlang dieser Verknüpfungen überlässt. Für Nelson ist Hypertext eine Ausweitung menschlichen Denkens und Darstellens durch Verknüpfungen, denn für ihn wird auf diese Weise ein wesentliches Missverhältnis beseitigt: Komplexe Gedanken müssten klassischerweise in eine (eher) lineare Schriftform gebracht werden, ehe Leser:innen sie bei der Lektüre wieder delinearisieren müssten. In diesem Prozess fielen aber wesentliche Querbezüge und Kontextinformationen dem Linearisierungsprozess zum Opfer. Stattdessen solle Wissen direkt non-linear aufgezeichnet und zugänglich gemacht werden – eine Idee, die heute im WWW, Semantic Web, in Datenbanksystemen oder digitalen Notizsystemen (‚digitale Zettelkästen‘/‘Second Brains‘) fortlebt.

In dieser Genealogie von Bush über Engelbart bis Nelson lässt sich der Rote Faden einer Ausweitung des Menschen durch Technologie erkennen, die keine Automatisierung oder Ersetzung des Menschen zum Ziel hat. An dieser Konzeptgeschichte anknüpfend können auch KI-gestützte Werkzeuge ähnlich verstanden werden, wobei es natürlich immer auf ihre konkreten Anwendungsgebiete ankommt. Als ein zentrales Anwendungsbeispiel kann das Schreiben wissenschaftlicher Publikationen gelten, für das ich zunächst eine theoretische Einordnung anbieten möchte – um etwas genauer zu skizzieren, in welcher Weise hier von einer ‚Ausweitung‘ gesprochen werden kann. Daran können sodann konkrete praktische Umsetzungsformen ansetzen.

Piktogramm, erstellt mithilfe von DALL-E und manueller Gestaltung.

Selbstreflexion mithilfe von Maschinen: Beobachtung zweiter Ordnung

In diesem Kontext bietet sich ein fundamentaler Begriff der Kybernetik an: Beobachtung zweiter Ordnung. 1974 hatte der Physiker und Kybernetiker Heinz von Foerster damit im Sinn, dass wir nicht nur Phänomene in der Welt beobachten bzw. erforschen, sondern diese Beobachtungsprozesse selbst ebenfalls reflektieren müssten. Nur so würde die Konstitution der Endergebnisse im Forschungsprozess wirklich nachvollziehbar werden. Dieser Gedanke ist insbesondere für alle möglichen Spielarten des Konstruktivismus verfolgt worden –aber auch jenseits davon ist die beobachtende Selbstbeobachtung ein instruktives Mittel, Wissensangebote in ihrer Genese transparent und nachvollziehbar werden zu lassen. 

Diese Art der Selbstbeobachtung ist meiner Meinung nach besonders instruktiv für den Einsatz von KI, insbesondere beim Schreiben wissenschaftlicher Texte. Schließlich gilt es hier, nicht nur Sachinhalte wie etwa historische Ereignisse und Prozesse zu beschreiben, sondern auch unsere methodischen Entscheidungen zu reflektieren: Welche Quellen berücksichtige ich? In welche Forschungsrichtung verorte ich mein Projekt? Welche Erklärmuster und Narrative baue ich auf, welche blende ich aus? KI-gestützte Tools können uns bei der Klärung dieser Fragen unterstützen, indem sie uns auf blinde Flecken hinweisen, alternative Lesarten vorschlagen oder die argumentative Struktur eines Textes in einer Tiefe sichtbar machen, die uns trotz Austausch mit Peers und eigener Reflexion nicht immer vollumfänglich bewusst sind. Diese Art der digital gestützten Selbstbeobachtung nimmt uns nicht die Arbeit ab, sondern erweitert produktiv etablierte Formen des Feedbacks und der Transparenzschaffung.

Vier Beispiele aus der Praxis

Wie kann so eine Beobachtung zweiter Ordnung konkret aussehen? Ich nenne hier als (nicht erschöpfende, aber das Potenzial unterstreichende) Beispiele vier Bereiche:

  1. Literaturrecherche und Zitationsarbeit.
    KI-Suchmaschinen helfen, relevante Literatur zu identifizieren, auch jenseits bekannter Kataloge. Neben diesem heuristischen Potenzial kann ich aber auch überprüfen, ob es in den bisherigen Ergebnissen meines Bibliographierens noch Assymetrien gibt – etwa durch Überrepresentation von Forschung bestimmter Weltregionen oder durch zu starke Einbeziehung spezifischer Denkschulen. Auch die Nichtberücksichtigung von Beiträgen in anderen Sprachen kann überprüft werden. So lassen sich blinde Flecken abbauen und ein diverseres Forschungsfeld erschließen.
  2. Textvergleich und Quellenanalyse
    LLMs können bis zu einem gewissen Grad inhaltliche und mehr noch strukturelle Unterschiede und Gemeinsamkeiten zwischen Texten erkennen. Dies kann sich auf Forschungsliteratur oder Quellenmaterial beziehen. Wenn ich meine eigenen diesbezüglichen Beobachtungen in einen ‚Dialog‘ mit einem KI-Chatbot eingebe, mögen mir ergänzende Hinweise angeboten werden. Entscheidend sollte dabei sein, dass eine solche KI-gestützte Evaluation nicht einfach fertige Ergebnisse liefert, sondern neue Fragen anregt: Sie macht auf Aspekte aufmerksam, denen ich selbst hermeneutisch nachgehen muss.
  3. Schreib- und Übersetzungshilfen
    KI-Tools können es erleichtern, Anfänge für Forschungstexte zu finden, was wie andere Formen der Erstellung von Textentwürfen schon viel diskutiert worden ist. Doch darüber hinaus ist die Prüfung meiner eigenen Textentwürfe auf sprachliche Kohärenz, stilistische Varianten oder adäquate Übersetzungen in andere Sprachen ein echter Mehrwert. Auch hier bleibt der Mensch Autor:in, da es allein um Selbstüberprüfung, Anregungen und Inspiration geht, nicht um Delegation.
  4. Reflexion eigener Denkmuster
    Schließlich kann KI genutzt werden, um Denkmuster zu hinterfragen, die unsere Forschungen und das Verfassen von Publikationen prägen. Indem wir KI-Tools bitten, unsere Argumentation aus unterschiedlichen theoretischen Perspektiven zu lesen – etwa aus Sicht einer feministischen Theorie oder einer postkolonialen Kritik –, entsteht eine Feedbackschleife, die zur intellektuellen Selbstprüfung anregen kann.

All diese Anwendungen teilen eine gemeinsame Idee: Die Maschine dient als Spiegel für uns selbst. Dies ist, was wir in Form von Kolloquien, Gesprächen mit Kolleg:innen und mithilfe des Peer Review schon lange tun – und zweifelsfrei auch wesentlich zielgerichteter, weil durch akademische Expertise untermauert, tun können. KI-Tools stellen mit Sicherheit keinen Ersatz dafür da. Kritisch und konstruktiv eingesetzt können sie allerdings eine nützliche Ergänzung sein, da sie uns bei jedem Schritt unserer Denk- und Schreibprozesse rund um die Uhr zur Verfügung stehen. Diese Perspektive steht im Geist des Human-centered Computing und stärkt die Rolle des Menschen als ‚human/expert in the loop‘, womit allgemein die zentrale lenkende Rolle des Menschen für die gezielte Generierung von KI-Ergebnissen beschrieben wird. Schließlich sollten Instruktionen bzw. Prompts für die KI nicht ‚irgendwie‘ sondern im Sinne eines zielgerichteten Prompt Engineering gestaltet werden.

Evolution statt Revolution

Dass große Sprachmodelle unsere wissenschaftlichen Praktiken verändern, steht außer Frage. Doch obwohl ihnen aus technologischer Sicht ein revolutionäer Charakter zugesprochen werden kann, halte ich für unsere Gebrauchsweisen bzw. Aneigungsstrategien dieser Technolgogie die Evolution für den treffenderen Ausdruck.

Schreiben, Lesen, Vergleichen, Deuten – all das sind forschungskulturell gewachsene Tätigkeiten, die sich durch technologische Entwicklungen auch in den Geisteswissenschaften immer wieder im Detail verändert haben. Das digitale Zeitalter fügt diesen Tätigkeiten neue Ressourcen (Stichwort: massenhaft verfügbare Forschungsdaten) und Werkzeuge hinzu; aber es verändert nicht ihren epistemischen Kern. Die kreative, interpretierende – genuin neue Erkenntnisse schaffende – Arbeit bleibt menschlich. Sie kann nicht künstlich ersetzt werden, zumindest nicht nach aktuellem und absehbarem Stand der Technik.

Eine wichtige Herausforderung liegt vor diesem Hintergrund darin, die neuen Werkzeuge verantwortungsvoll und kritisch in unsere Forschungskulturen einzubetten. Zum kritischen Umgang gehören etwa ein Bewusstsein über Herausforderungen digitaler Quellenkritik, ein Wissen über grundlegende Funktionsweisen der stochastischen Berechnungen, mithilfe derer KI-Tools Inhalte generieren, oder auch die kritische Reflexion von Biases in den LLM-Trainingsdaten. Wenn wir auf diese Weise Aneignungsstrategien für KI-Tools anstreben und sie als Selbstbeobachtungwerkzeuge im Erkenntnisprozess begreifen, können sie einer Ausweitung unseres intellektuellen Horizonts dienen. Unsere Denk- und Schreibprozesse können transparenter und kritischer vorangetrieben werden. Meines Erachtens liegt hierin ein großes Innovationspotenzial für die Geisteswissenschaften.

Informationen zum Autor

Christian Wachter ist wissenschaftlicher Mitarbeiter am Arbeitsbereich Digital History und am Center for Uncertainty Studies der Universität Bielefeld. Zu seinen Forschungsschwerpunkten zählen Theorie und Methoden der Digital Humanities, Geschichtstheorie und politische Kulturgeschichte des frühen 20. Jahrhunderts. Nach seiner Promotion zum Thema Hypertext als historiografisches Medium arbeitet er in einem aktuellen Projekt an digitalen Zeitungsanalysen zur Erforschung politischer Diskurse in der Weimarer Republik. ORCID: 0000-0003-2937-0868.

  1. Wachter, Christian. 2025. Automation or Augmentation? A Humanistic Perspective on Digitization and AI. Vol. 8. Center for Uncertainty Studies Working Papers. Bielefeld: Universität Bielefeld. https://doi.org/10.4119/unibi/3011765. ↩︎


OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Christian Wachter (27. November 2025). Automatisierung oder Ausweitung unserer Fähigkeiten? Ein geisteswissenschaftlicher Blick auf Digitalisierung und KI. Digital History Bielefeld. Abgerufen am 6. März 2026 von https://doi.org/10.58079/158bm


Ein Gedanke zu „Automatisierung oder Ausweitung unserer Fähigkeiten? Ein geisteswissenschaftlicher Blick auf Digitalisierung und KI“

  1. Der Beitrag zeigt überzeugend, dass Künstliche Intelligenz in den Geisteswissenschaften weit über die blosse Automatisierung und Effizienzsteigerung hinausgeht. Vielmehr kann sie als Reflexionsinstrument dienen, das uns unsere eigenen Denk-, Forschungs- und Schreibprozesse bewusster macht. Indem KI gewissermassen als kritischer Spiegel fungiert, eröffnet sie neue Perspektiven auf Fragen von Autorschaft, Kreativität und wissenschaftlicher Erkenntnisproduktion.
    Diese doppelte Funktion – Beschleunigung und gleichzeitige Verlangsamung durch Reflexion – birgt meines Erachtens ein erhebliches Innovationspotenzial für die geisteswissenschaftliche Praxis. Es bleibt spannend zu beobachten, wie sich dieses veränderte Verhältnis von Mensch und Maschine langfristig auf unsere Disziplinen auswirken wird.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

This site uses Akismet to reduce spam. Learn how your comment data is processed.