Von Mythen, Maschinen und Missverständnissen: Der „ELIZA-Effekt“

Die Geschichte der Künstlichen Intelligenz beginnt nicht mit Rechenzentren, Start-ups oder milliardenschweren Plattformen. Auch nicht mit einem großen Knall im Medienlabor. Sie beginnt mit einem Irrtum. Genauer gesagt: mit einer menschlichen Projektion.

Mitte der 1960er-Jahre entwickelte der Informatiker Joseph Weizenbaum am MIT ein simples Textprogramm mit dem Namen ELIZA.¹⁶ Das System war technisch banal: Es erkannte Schlüsselwörter und antwortete mit vorgefertigten Satzmustern. ELIZA verstand nichts. Es rechnete nicht, es dachte nicht, es hatte kein Bewusstsein. Und doch geschah etwas, das Weizenbaum selbst überraschte – und später zutiefst beunruhigte: Nutzer:innen begannen, ELIZA menschliche Eigenschaften zuzuschreiben. Sie vertrauten dem Programm persönliche Gedanken an. Sie führten Gespräche, als gebe es ein verständnisvolles Gegenüber. Nicht weil die Maschine intelligent war, sondern weil der Mensch bereit war, ihr diese Intelligenz zuzuschreiben.¹⁷

Was als Experiment begann, entwickelte sich rasch zu einer kulturellen Schlüsselerfahrung. Weizenbaum erkannte, dass nicht die Leistungsfähigkeit der Maschine das eigentliche Problem war, sondern das, was die Menschen daraus machen. Aus diesem Eindruck heraus entstand der Begriff ELIZA-Effekt – ein Terminus,¹⁸ der sich später in der Fachliteratur, Technikfolgenabschätzung und Medienwissenschaft als nachträgliche Benennung genau dieses von Weizenbaum beschriebenen Phänomens einbürgerte und allgemeiner unter dem Begriff der Antromorphisierung des Computers diskutiert wird.¹⁹ Er beschreibt die Tendenz, dass wir Maschinen durchaus Verständnis, Empathie und Intentionalität zuschreiben, obwohl sie diese Fähigkeiten gar nicht besitzen:

„Indeed, the tendency to invest private feelings in a computer puzzled and concerned Weizenbaum, who worried that people’s internal reality might be replaced by that of the machine. Weizenbaum was also concerned by the extent to which computers ‘induce powerful delusional thinking in quite normal people’ and strengthened notions of human beings as machines, by which rationality became associated with calculation. This became known as the ‘ELIZA effect,’ the propensity for humans to ascribe understanding and intelligence to computer systems.“ (Berry 2023)

Dieser Effekt ist kein historisches Kuriosum. Er ist die Ursuppe all dessen, was wir heute im Umgang mit generativer KI nach einem einfachen Prinzip erleben: Je überzeugender eine Maschine kommuniziert, desto eher neigen Menschen dazu, sie für kompetent, authentisch und urteilsfähig zu halten. . Der „ELIZA-Effekt“ hilft also dabei zu erklären, warum Systeme auch dann als vertrauenswürdig gelten, wenn eigentlich klar ist, dass ihre Funktionsweise – vereinfacht gesagt – auf mathematischen Berechnungen beruht.

Weizenbaum zog daraus eine Konsequenz, die ihn zum Außenseiter seiner Zunft machte. Während viele seiner Kollegen KI als Fortschrittsmotor feierten, warnte er eindringlich davor, menschliche Entscheidungsprozesse an Maschinen zu delegieren: Nicht alles, was berechenbar sei, dürfe – so Weizenbaum – automatisiert werden, weil sich manche Herausforderungen, die Verantwortung, Urteil und moralische Abwägung erfordern schlicht der maschinellen Verarbeitung entzögen.²⁰

Heute wirkt diese keineswegs unbillige Warnung erstaunlich aktuell. Denn der „ELIZA-Effekt“ scheint längst zu skalieren: Aus einem einfachen Textprogramm ist eine globale Infrastruktur geworden. KI evoziert einen exponentiell gewachsenen Wust an digitalen Inhalten – sichtbar wie unsichtbar: Aus einer psychologischen Beobachtung wird ein struktureller Belastungstest für die demokratische Öffentlichkeit. 

Abbildung 4 fasst die zyklische Entwicklung von KI als wiederkehrende Abfolge von Erwartungsüberschuss, Ernüchterung und Neuorientierung zusammen. Der erste Ausschlag („Mythos“) steht für die frühe Phase symbolischer KI in den 1950er- und 1960er-Jahren – rund um ELIZA und science-fictionhafte Visionen denkender Maschinen. In dieser Phase wurde Maschinenintelligenz projektiv überhöht; die Erwartungen an schnelle Durchbrüche waren immens. 

Darauf folgt die erste Ernüchterung, der sogenannte „erste KI-Winter“ (ca. 1973–1980). Der Lighthill-Report im Vereinigten Königreich und ähnliche Evaluierungen führen zu massiven Förderkürzungen. Viele Versprechen erweisen sich als nicht einlösbar, Investitionen gehen zurück, und die öffentliche Aufmerksamkeit sinkt deutlich. 

In der anschließenden Phase der „Rationalisierung“ (ca. 1980–1987) verlagert sich der Fokus auf Expertensysteme: KI wird stärker regelbasiert, domänenspezifisch und industriell verwertbar gemacht. Die Technologie verliert ihren universalistischen Anspruch und wird als Spezialwerkzeug für klar definierte Anwendungen positioniert.

Diese Entwicklung mündet schließlich in einen zweiten „KI-Winter“ (ca. 1987–1993). Der Markt für Expertensysteme bricht teilweise ein, viele Systeme erweisen sich als teuer, unflexibel und wartungsintensiv. Die Erwartungen korrigieren sich abermals, weil die Technologie den hochgesteckten Versprechen nicht gerecht wird. 

Mit dem Durchbruch datengetriebener Verfahren beginnt ab 2012 eine neue Boom-Phase: Die „Deep-Learning-Euphorie“ basiert auf großen Datenmengen, steigender Rechenleistung und erheblichen Fortschritten in Sprach- und Bilderkennung. KI wird nun nicht mehr als regelbasiertes System verstanden, sondern als lernfähige, statistische Infrastruktur.

Diese Dynamik verstärkt sich ab 2022 mit dem „Hype um Generative KI“, dem „KI-Frühling“: Große Sprachmodelle und multimodale Systeme erreichen – u.a. mit ChatGPT – breite gesellschaftliche Durchdringung: Die Technologie verlässt den Forschungs- und Unternehmenskontext und wird zum Massenphänomen. Die Erwartungen steigen erneut sprunghaft an – sowohl in wirtschaftlicher als auch in kultureller Hinsicht: KI wird zunehmend sozial angeeignet, Fortschritte in Rechenleistung, Datenverfügbarkeit und neuronalen Netzen erzeugen erneut Hype-Dynamiken – nun jedoch auf breiter gesellschaftlicher und wirtschaftlicher Basis.

Seit ca. 2023/24 zeichnet sich schließlich eine Phase „regulatorischer Rationalisierung“ ab. Mit Initiativen wie dem EU AI Act und einer intensivierten AI Governance-Debatte verschiebt sich der Diskurs von bloßer Leistungsfähigkeit hin zu Fragen von Verantwortung, Transparenz, Haftung und Machtasymmetrie. KI wird zunehmend institutionell eingebettet und normativ gerahmt.

In dieser Gesamtschau zeigt sich: Die Entwicklung der KI verläuft nicht linear, sondern in wiederkehrenden Wellen. Phasen technologischer Überhöhung werden regelmäßig durch Ernüchterung korrigiert und anschließend in stabilere, institutionell eingebettete Strukturen überführt. Der aktuelle Moment markiert daher weniger einen endgültigen Durchbruch als einen weiteren Übergang – von euphorischer Expansion hin zu gesellschaftlicher Einhegung und struktureller Integration.

Gerade vor diesem Hintergrund wird deutlich, warum der Umgang mit KI weniger eine Tool-Frage ist als eine dauerhafte Resilienzaufgabe für den digitalen Journalismus: Die eigentliche Herausforderung von KI liegt nicht in ihrer Rechenleistung, sondern in ihren Folgen für Vertrauen, Autorität und Beziehung. Nicht die Maschine entscheidet, wie mächtig sie wird – sondern die Art, wie ihr Bedeutung zugeschrieben wird.
 

Die „gezackte Grenze“ – warum KI leistungsfähig und dumm zugleich ist

Was ELIZA im stillen Kämmerlein vorführte, setzt sich heute im großen Maßstab fort. Der entscheidende Unterschied liegt nicht in der Logik, sondern im Maßstab. Moderne KI-Systeme simulieren kein Gespräch mehr im Labor, sondern strukturieren Kommunikation im Alltag. Sie beantworten Fragen, fassen Texte zusammen, sortieren Informationen, schreiben E-Mails und moderieren Debatten. Damit sind sie von der Simulation zur Infrastruktur geworden.

Dabei bleibt der Kern unverändert: Diese Systeme wissen nichts. Sie verstehen nicht, was sie sagen. Sie berechnen Wahrscheinlichkeiten auf Basis gigantischer Datenmengen. Sie suggerieren Anschlussfähigkeit, erzeugen aber keine Erkenntnis. Doch je flüssiger, präziser und selbstbewusster ihre Antworten klingen, desto stärker entsteht der Eindruck von Kompetenz. Genau hier setzt die zentrale Verwechslung an: Verfügbarkeit wird mit Verlässlichkeit verwechselt, Plausibilität mit Wahrheit.

Was früher als technisches Experiment galt, ist heute fest in alltägliche Routinen eingebettet: Suchmaschinen, soziale Netzwerke, Redaktionssysteme und Content-Management-Tools – überall arbeiten bereits KI-gestützte Prozesse im Hintergrund. Sie strukturieren Aufmerksamkeit, priorisieren Themen, glätten Sprache und beschleunigen Entscheidungen. Der Journalismus nutzt diese Systeme zunehmend nicht mehr nur als professionelle Prothese, sondern als integralen Bestandteil seiner Produktionslogik. 

Damit verändert sich auch die Rolle des Journalismus. Er agiert nicht mehr allein als vermittelnde Instanz zwischen Ereignis und Publikum, sondern bewegt sich zunehmend innerhalb einer technischen Architektur, die eigenen Regeln und Kausalitäten folgt. Die Maschine wird dabei nicht zum Akteur im klassischen Sinn – aber sie wird zum strukturellen Mitspieler im Prozess öffentlicher Meinungsbildung.

Gerade darin liegt eine auch für Journalist:innen mulmige Ambivalenz: KI kann entlasten und beschleunigen, sie verspricht Übersicht und Effizienz. Zugleich greift sie tiefer in Entscheidungsprozesse ein, als es auf den ersten Blick scheint. Urteile entstehen nicht mehr allein im Moment bewusster redaktioneller Abwägung, sondern sind zunehmend vorgelagert. Welche Folgen das für journalistische Urteilskraft hat, wird in Kap. 3 ausführlicher diskutiert. Für den Journalismus ist das, im Ganzen gesehen, kein technisches Detail, sondern ein Wendepunkt im Rahmen seiner Entstehungsgeschichte. Denn wenn Systeme, die nichts wissen, beginnen, vieles vorzusondieren, steht nicht ihre Leistungsfähigkeit zur Debatte – sondern unser Urteilsvermögen. Die entscheidende Frage ist nicht, ob KI richtige Antworten liefern kann, sondern ob Redaktionen noch erkennen, wann und warum sie ihr widersprechen müssen.

Ein zentrales Missverständnis in der aktuellen KI-Debatte besteht unseres Erachtens darin, die Leistungsfähigkeit der Technologie als linearen Fortschritt zu denken. In dieser Logik wird unterstellt: Je besser KI wird, desto umfassender lässt sie sich einsetzen. Die empirische Realität deutet jedoch auf das Gegenteil hin. Aktuelle internationale Forschung beschreibt die Fähigkeiten von KI-Systemen nicht als kontinuierliche Kurve, sondern als „gezackte Grenze“ („jagged frontier“, Abb. 5): Systeme zeigen in einzelnen Aufgabenfeldern hohe Kompetenz, versagen jedoch abrupt in anderen – insbesondere dort, wo Kontextualisierung, Abwägung oder situatives Urteil erforderlich sind. Dieses Muster ist kein Zufall, sondern systemisch bedingt, da Interface-Design, Trainingslogiken und Nutzungskontexte Fehlzuschreibungen von Kompetenz begünstigen.²¹

Der in der folgenden Abbildung 5 markierte Punkt (ê) verdeutlicht die strukturelle Ambivalenz aktueller KI-Systeme: Sie liefern in klar umrissenen Aufgabenfeldern zuweilen sehr verlässliche Ergebnisse, brechen jedoch bei Kontextwechseln oder normativ offenen Fragestellungen abrupt ein.²² Der Klassiker: Für Journalismus und Wissensarbeit entsteht daraus ein Spannungsfeld zwischen realen Effizienzgewinnen und dem Risiko systematischer Überschätzung, wenn maschinelle Leistungsfähigkeit als universelle Kompetenz missverstanden wird. 

In Abbildung 5 steht die Markierung „AGI (hypothetisch)“ für ein oft beschworenes, aber derzeit rein theoretisches Leistungsniveau jenseits heutiger generativer Systeme. Wichtig für den Journalismus sind die heute bereits hoch automatisierten Aufgaben wie Zusammenfassen, Übersetzen und Strukturieren, während Kontextualisierung, situatives Urteil und normative Abwägung bislang klar menschlicher Verantwortung überlassen bleiben.

Abbildung 5 verdeutlicht, inwiefern KI innerhalb klar umrissener Aufgaben erstaunlich präzise arbeiten kann. Gleichzeitig zeigt sie erhebliche Schwächen in angrenzenden Bereichen, die für journalistische Arbeit zentral sind: Einordnung, Bewertung von Quellen, Plausibilitätsprüfung und ethische Abwägung. Plastisch gesprochen: Ein Sprachmodell kann binnen Sekunden juristische Schriftsätze verfassen, scheitert aber regelmäßig daran, ein einfaches Kinderspiel wie Schnick-Schnack-Schnuck strategisch konsistent über mehrere Runden zu spielen – weil es Kontext, Gedächtnis und situative Intentionalität nicht stabil zusammenführt.

Für Redaktionen ist diese „gezackte Grenze“ besonders relevant, weil journalistische Praxis nicht aus isolierten Einzelaufgaben besteht. Journalismus operiert gerade in den Übergangszonen: zwischen Fakt und Bedeutung, zwischen Geschwindigkeit und Sorgfalt, zwischen Information und Denkdisziplin. Genau dort ist KI am anfälligsten – aber genau dort wird sie zunehmend eingesetzt.

Die eigentliche Gefahr liegt daher nicht in der Überforderung der Systeme, sondern in ihrer situativen Überschätzung. KI wirkt zuverlässig, solange sie sich innerhalb klar definierter Kompetenzbereiche bewegt. Sie signalisiert Sicherheit auch dort, wo sie lediglich statistisch plausibilisiert. Fehler sind dabei nicht immer offensichtlich, sondern werden oft sprachlich sauber und logisch anschlussfähig gemacht (Affirmation-Bias). Gerade das macht sie schwer erkennbar – insbesondere unter Zeitnot und Produktionsdruck.

Für den Journalismus folgt daraus eine zentrale Erkenntnis: KI ist weder grundsätzlich ungeeignet noch im umfassenden Sinn zuverlässig. Ihr Einsatz verlangt keine pauschale Zustimmung und kein kategorisches Misstrauen, sondern Kontextsensibilität. Entscheidend ist nicht, ob KI ,gut genug‘ ist, sondern wo, wie und unter welchen Bedingungen sie eingesetzt wird. Genau hier entscheidet sich, ob Redaktionen ihre Kulturtechnik des Zweifelns – also das Prüfen, Abwägen und Kontextualisieren – eher stärken oder schleichend aus der Hand geben.

Die „gezackte Grenze“ markiert deshalb keinen technischen Mangel, sondern sie ist eine Herausforderung für organisationale Resilienz. Sie zwingt Redaktionen dazu, Haftung und Rechenschaftspflichten nicht nur individuell, sondern strukturell zu verorten: durch klare Zuständigkeiten, transparente Prozesse und bewusste Grenzziehungen zwischen maschineller Unterstützung und menschlichem Urteil. KI-Resilienz bedeutet in diesem Zusammenhang nicht, Fehler zu vermeiden, sondern Systeme so zu gestalten, dass Fehler erkannt, korrigiert und verantwortet werden können.
 

Machtfragen: Plattformen, Modelle und neue Gatekeeper

Mit der Verbreitung generativer KI verändert sich die Machtbalance im digitalen Raum enorm – aber leiser und tiefgreifender als bei früheren Umbrüchen in der Plattformökonomie. Während Suchmaschinen und soziale Netzwerke seit Jahren darüber entscheiden, welche Inhalte sichtbar werden, tritt nun eine weitere Ebene hinzu: 

KI-Systeme fungieren nicht mehr nur als Distributionsinfrastruktur, sondern zunehmend als vorstrukturierende Instanz von Öffentlichkeit. 

Das heißt: Sie beantworten Fragen, fassen Informationen zusammen, priorisieren Themen – oft, ohne dass journalistische Quellen noch sichtbar werden. Die klassische Plattformlogik von Reichweite und Engagement wird ergänzt durch ein neues Prinzip der Antwortgebung: schnell, plausibel, autoritativ wirkend.

Diese Verschiebung ist für den Journalismus von besonderer Tragweite. In sogenannten „Zero-Click“-Umgebungen erhalten Nutzende Antworten, ohne journalistische Angebote überhaupt noch aufzurufen. Die Quelle verschwindet hinter der Antwort, der Kontext hinter der Zusammenfassung. Was früher ein bewusster Rezeptionsakt war – das Anklicken, Lesen, Einordnen –, wird zunehmend durch automatisierte Verdichtung via Chat-Funktion ersetzt. Damit verliert Journalismus nicht nur Reichweite, sondern Sichtbarkeit als kulturelle Praxis und als gesellschaftliche Institution ganz allgemein. Die Arbeit bleibt vorhanden, aber sie wird noch unsichtbarer gemacht.

Der Medienunternehmer und Analyst Burt Herman geht noch einen Schritt weiter und beschreibt diesen Kipppunkt als „People Zero“:²⁴ eine Medienwelt, in der kaum noch Menschen klassische journalistische Angebote direkt ansteuern, weil KI-Interfaces zur primären Oberfläche von Netzkommunikation geworden sind. Marken, Homepages und Reichweitenlogiken lösen sich im Dialog mit dem Chatbot auf; Journalismus erscheint dort, wenn überhaupt, als Fußnoten-Überbleibsel. Hermans Diagnose ist ernüchternd – und zugleich hoch anschlussfähig an ein resilienzorientiertes Verständnis von Medienwandel. Denn wenn Aufmerksamkeit nicht mehr über Klicks, sondern über Kontexte, Intimität und Anschlussfähigkeit suggeriert wird, verschiebt sich das journalistische Produkt fundamental. 

Zukunftsfähiger Journalismus entsteht dann nicht (mehr) primär durch das bloße Bereitstellen von qualifizierten Inhalten, sondern durch Beziehung, konkreten Nutzen und die Fähigkeit, Menschen selbstwirksam zu machen – jenseits der Logik geometrischer KI-Antworten. Damit entstehen neue Gatekeeper, deren Einfluss subtiler, aber strukturell wirksamer ist als die der klassischen Plattformen. Nicht mehr Redaktionen – und nicht einmal mehr allein Reichweitenalgorithmen – entscheiden über Sichtbarkeit, sondern KI-Modelle, deren Funktionsweise proprietär und für die Öffentlichkeit weitgehend opak bleibt. Diese Systeme aggregieren journalistische Inhalte, rekontextualisieren sie und formulieren sie neu, ohne an journalistische Kriterien wie Quellenkritik, Transparenz oder Verantwortlichkeit gebunden zu sein. Öffentlichkeit wird so nicht mehr nur verteilt, sondern synthetisch verfälscht – ein Strukturwandel, den der Journalismus bislang kaum systematisch würdigt.

Die Folge ist eine strukturelle Asymmetrie: Redaktionen tragen Verantwortung für Inhalte, während KI-Systeme selbst keine verantwortlichen Akteure sind; zwar lassen sich rechtliche Pflichten auf Hersteller, Anbieter oder Betreiber verteilen, doch die Systeme erzeugen Antworten ohne eine unmittelbar zurechenbare Instanz; sie wirken autoritativ, ohne selbst – außer vielleicht den Aktionären gegenüber – rechenschaftspflichtig zu sein.²⁵ Damit entsteht ein neues Spannungsfeld zwischen Effizienzgewinnen, ethischen Grauzonen und demokratischer Kontrolle. Journalismus bleibt also an normative Verpflichtungen gebunden – Transparenz, Korrekturfähigkeit, öffentliche Verantwortung –, während KI-Systeme außerhalb vergleichbarer institutioneller Haftungsräume operieren. Diese Entkopplung von Wirkung und Verantwortung ist ein demokratietheoretisches Problem.

Für Redaktionen bedeutet diese Entwicklung eine doppelte ideologische Verschiebung ihrer Rolle und ihres ökonomischen Fundaments:

Erstens verlagert sich die Wertschöpfung weiter weg vom publizierten Inhalt hin zur infrastrukturellen Ebene. Journalistische Arbeit wird zur Vorleistung für Systeme, die diese Inhalte aggregieren, verdichten und in neuer Form ausspielen – oft ohne Rückkopplung, Vergütung oder Sichtbarkeit. 

Zweitens verlieren Redaktionen zunehmend die Kontrolle über den inhaltlichen Kontext, in dem ihre Inhalte erscheinen, interpretiert oder weiterverarbeitet werden. Artikel, Recherchen und Analysen zirkulieren nicht mehr als klar zuordenbare Beiträge, sondern als Teil maschineller Antwortketten, deren Logik nicht journalistisch, sondern algorithmisch getrieben ist.

Diese Entwicklung ist allem voran eine Frage institutioneller Macht. Wer KI-Modelle betreibt, Trainingsdaten kontrolliert und Distributionswege definiert, gestaltet die Bedingungen von Öffentlichkeit. Während Redaktionen an journalistische Sorgfaltspflichten, Pressekodizes und rechtliche Verantwortung gebunden sind, operieren KI-Systeme außerhalb vergleichbarer Rechenschaftsstrukturen. 

Für den Journalismus verschärft sich damit ein allseits bekanntes Problem unter neuen Vorzeichen. Schon die Plattformökonomie setzte die redaktionelle Autonomie unter Druck, indem journalistische Eigenlogiken zunehmend von ökonomischen und technologischen Bewertungsregimen überformt wurden.²⁶ Mit generativer KI wird diese Abhängigkeit nicht nur vertieft, sondern qualitativ verformt. Redaktionen geraten in die Position der nachgelagerten Akteure innerhalb von Infrastrukturen, die sie weder geschaffen haben noch beeinflussen können (anders als z.B. beim Zeitungsdruck oder TV-Sendestationen). Die Entscheidung darüber, welche Informationen relevant erscheinen, welche Perspektiven dominant werden und welche Stimmen marginalisiert bleiben, verschiebt sich von redaktionellen Prozessen hin zu ‚KI-fizierten‘ Architekturen: Öffentlichkeit wird zunehmend vorstrukturiert, bevor journalistische Arbeit überhaupt ansetzen kann.

Für das Verständnis von KI-Resilienz ist diese Machttektonik zentral. Denn Resilienz bezieht sich nicht allein auf den kompetenten Umgang mit neuen Werkzeugen, sondern auf die Fähigkeit von Organisationen, in solchen asymmetrischen Infrastrukturen handlungsfähig zu bleiben (vgl. Kap. 3): Sie fragt danach, wie redaktionelle Unabhängigkeit, Verantwortlichkeit und professionelle Standards unter Bedingungen gewahrt bleiben, in denen die Spielregeln von externen Playern definiert werden. 

Ohne dieses Bewusstsein droht der Journalismus, schrittweise vom gestaltenden Akteur der Öffentlichkeit zum Zulieferer einer von Plattformen und KI-Modellen dominierten Informationsordnung zu werden.

Journalismus zwischen Effizienzgewinn und Identitätsverlust

Die Integration von KI in redaktionelle Prozesse verändert also nicht nur Arbeitsabläufe und Fragen der Urheberschaft, sondern das professionelle Selbstverständnis des Journalismus per se. Was zunächst als pragmatischer Effizienzgewinn erscheint – schnellere Recherche, automatisierte Zusammenfassungen, sprachliche Glättung –, entfaltet eine ambivalente Wirkung. Routinen werden beschleunigt, Produktionszyklen verkürzt, Entscheidungen vereinfacht. Gleichzeitig werden jene Elemente ausgehebelt, die journalistische Arbeit über Jahrzehnte ausgezeichnet und angetrieben haben: Zweifel, Akkuratesse, und Originalität.

Dennoch übernehmen KI-Systeme Aufgaben, die lange als Kern journalistischer Kompetenz galten. Sie strukturieren Informationen, clustern Themen, generieren erste Textfassungen. Damit verschiebt sich der sichtbare Ort journalistischer Leistung: Sie liegt nicht mehr im veröffentlichten Produkt, sondern zunehmend im Hintergrund – in der Auswahl, Korrektur, Einordnung und Kontrolle maschineller Vorschläge. Journalistische Arbeit wird dadurch weniger greifbar, weniger erzählbar, weniger eindeutig zurechnungsfähig. Zweifellos steigt die Effizienz, doch geht die privilegierte Domänenkompetenz des Journalismus verloren.

Für viele Journalist:innen geht damit ein Verlust an Selbstwirksamkeit einher. Wenn Maschinen Texte liefern, die formal korrekt, sprachlich souverän und inhaltlich plausibel erscheinen, stellt sich unausgesprochen die Frage nach der eigenen Rolle. Die Arbeit wird produktiver, aber nicht notwendigerweise selbstbestimmter. Der Beruf scheint leichter zu werden, verliert aber zugleich an Anerkennung – ein Wandel, der auch die professionelle Identität untergräbt.

Hinzu kommt ein strukturelles Problem der Verantwortungsdiffusion. Fehler, die früher eindeutig menschlichen Entscheidungen zugeordnet werden konnten, erscheinen nun als technische Abweichungen oder werden tendenziell als technische ‚Fehltritte‘ oder Einzelfälle verharmlost (vgl. prominente Fälle aus dem deutschen Onlinejournalismus, u. a. bei Burda, dem Ippen Verlag, bei „Spiegel Online“ oder dem ZDF).²⁷ Verantwortung verteilt sich zwischen Mensch und System – oder wird stillschweigend an das Werkzeug delegiert. Aussagen wie: ‚Das hat die KI gemacht‘ markieren eine neue Grauzone journalistischer Zuständigkeit. Sie entlasten kurzfristig, zerfressen aber langfristig die Grundlage journalistischer Glaubwürdigkeit: die Verantwortung, für eigene Entscheidungen einzustehen.

Diese Entwicklung wirkt unmittelbar in den redaktionellen Betrieb hinein. Wo Fehler früher als Ausdruck menschlicher Begrenztheit galten – und korrigiert werden konnten –, erscheinen sie heute als systembedingt Kollateralschäden. Die klassische Fehlerkultur, die Transparenz, Korrektur- und Lernfähigkeit miteinander verbindet, gerät unter Druck. Redaktionen laufen Gefahr, Haftungsfragen zu entpersonalisieren und damit genau jene Vertrauensressource zu schwächen, die sie im digitalen Raum am dringendsten benötigen. In vielen Medienhäusern zeigt sich diese zunehmende Unsicherheit deutlich: in vorsichtig formulierten Prompting-Regeln, abstrakten hausinternen Leitfäden und der latenten Angst, durch KI ersetzt zu werden, bevor man gelernt hat, mit ihr souverän zu arbeiten. 

Auch hierauf strahlt der „ELIZA-Effekt“ und damit die ‚Psychologie der KI‘ ab: Die Orientierungslosigkeit darüber, was KI leisten kann – und was nicht –, wirkt tief in das redaktionelle Selbstverständnis hinein – etwa durch Affektregulation, Affirmation oder Autoritätshörigkeit.²⁸ Die leise, aber wirkmächtige Frage Kann die KI das nicht besser? begleitet bereits etliche redaktionelle Entscheidungen, ohne offen diskutiert zu werden.

Für den Journalismus entstehen dadurch tiefgreifende strukturelle Herausforderungen, die in den Folgekapiteln diskutiert werden. Die Einführung von KI berührt drei zentrale Grundfragen des Berufs: 

1. Verantwortung: Wer trifft Entscheidungen? 

2. Haftung: Wer steht für Inhalte ein? 

3. Qualität: Woran misst sich journalistische Güte, wenn Produktionsprozesse teilautomatisiert sind? 

Diese Fragen lassen sich weder durch bessere Tools noch durch zusätzliche Effizienz beantworten. Sie erfordern organisatorische Klarheit, institutionelle Regeln und eine bewusste Auseinandersetzung mit publizistischer Verantwortung – jenseits technischer Machbarkeit.

Kapitel 2 hat gezeigt, dass der Einsatz von KI im Journalismus weniger an fehlender Technologie scheitert als an offenen Fragen von Einbettung, Zuständigkeit und Verantwortung. KI greift in Entscheidungsprozesse, Rollenverständnisse und professionelle Selbstbilder ein. Diese Verschiebungen lassen sich nicht allein über technische Leistungsbeschreibungen angemessen erfassen. Vor diesem Hintergrund stellt sich daher die Frage, mit welchen begrifflichen und analytischen Werkzeugen sich beschreiben lässt, wie Journalismus unter diesen Bedingungen selbsterhaltend arbeiten kann und dabei verantwortungsvoll und orientierungsgebend bleibt. Genau hier setzt das folgende Kapitel an und stellt das Konzept der KI-Resilienz vor.