julianmoderdeen
← zurück

KI in Design und Gesellschaft

KI in Design und Gesellschaft ist für Julian ein offenes Arbeitsfeld, das aus der täglichen Praxis erwächst. Im Zentrum steht eine Frage, die über das einzelne Werkzeug hinausreicht. Wie verändert künstliche Intelligenz die mediale Kommunikation und den Modus, in dem wir Wissen abrufen und hervorbringen? Wenn der Zugang zu Information von navigierender Selektion zu dialogisch-generativer Interaktion übergeht, ändern sich auch die Bedingungen, unter denen Bedeutung entsteht. Diese mediale Frage gehört mit der gestalterischen zusammen und bleibt vorerst offen.

Im Arbeitsalltag ist KI ein neues Werkzeug, das es zu erkunden gilt. In der Recherche erschließt sie ein fremdes Feld rasch und ordnet Quellen ein. Beim Programmieren übernimmt sie Routinen und macht ungewohnte Techniken zugänglich. In konzeptionellen Phasen dient sie der Ideenfindung und der visuellen Exploration, indem sie Varianten anbietet, an denen sich das eigene Urteil schärft. Ihr eigentlicher Hebel liegt darin, dass sie eine durchschnittliche Expertise breit verfügbar macht und so das Kompetenzspektrum des Einzelnen weitet. Diese Ausweitung bleibt eine lose These, deren Folgen sich noch nicht abschätzen lassen. Sicher ist allein, dass die Ergebnisse ein prüfendes Auge verlangen, gerade dort, wo die eigene Expertise fehlt.

Die Forschung zur Kreativität zeigt eine Kehrseite dieses Werkzeugs. Holzner, Maier und Feuerriegel fassen in einer Meta-Analyse 28 Studien mit 8.214 Teilnehmenden zusammen und finden, dass Menschen mit generativer KI im Schnitt etwas kreativer abschneiden als ohne, während die entstehenden Ideensets deutlich an Vielfalt verlieren. Wadinambiarachchi und Kolleg:innen beobachten auf der individuellen Ebene, wie schon der Anblick KI-erzeugter Beispiele die Gestaltenden auf eine erste Lösung fixiert und Zahl, Varianz und Originalität ihrer Entwürfe senkt. Beide Befunde deuten auf eine Verengung des Lösungsraums. Für die Designpraxis folgt daraus die Frage, wie man der naheliegenden ersten Lösung widersteht und iterativer arbeitet. Design als problemlösendes Denken verändert sich dadurch nicht im Kern, denn um Urteil, Auswahl und Rahmensetzung ging es immer schon. Seine Praktiken verschieben sich hin zu einem ko-kreativen Arbeiten, in dem sich Vorschlagen und Verwerfen zwischen Mensch und Maschine verschränken.

Über das Werkzeug hinaus berührt KI, wie wir kommunizieren und wahrnehmen. Hito Steyerl nennt die erzeugten Bilder mean images, statistische Mittelwerte, die Wahrscheinlichkeit an die Stelle von Faktizität setzen, und Lev Manovich beschreibt, wie KI die ästhetischen Entscheidungen einer ganzen Kultur mitformt. Wird synthetisches Material rekursiv weiterverarbeitet, droht eine Homogenisierung, die die Vielfalt der Ausgangsdaten einebnet. Sobald der Zugang zu Information stärker über generative, sprachbasierte Schnittstellen verläuft, entscheidet deren Gestaltung mit darüber, welches Wissen überhaupt sichtbar bleibt.

Skepsis weckt das Tempo. KI entwickelt sich außergewöhnlich schnell und eröffnet dem Einzelnen großes Potential, das im selben Zug böswillige Akteure in ungeahntem Maß ermächtigt. Die Regulierung hält mit dieser Geschwindigkeit nicht Schritt, und so entstehen Konzerne, die ethische und moralische Grenzen voll ausreizen. Kate Crawford beschreibt KI in Atlas of AI als Technologie der Extraktion, die Macht bei wenigen bündelt, Emily Bender und Timnit Gebru zeigen, wie Modelle die Verzerrungen ihrer Trainingsdaten verstärken. Durch diese Befunde zieht sich derselbe Verlust an Vielfalt, vom Lösungsraum der Entwürfe über die Homogenisierung der Bildwelten bis zur Bündelung von Macht bei wenigen Anbietern. Produktiver Umgang und kritische Distanz gegenüber dieser Technologie schließen einander deshalb nicht aus, sie bedingen einander. Wer diese Werkzeuge benutzt und ihren Einsatz mitgestaltet, kann dem Verlust dort entgegenarbeiten, wo er sichtbar wird. Was das jeweils verlangt, verschiebt sich mit jeder Modellgeneration und in jedem Anwendungsfeld.

Literatur

  • Bender, Emily M., Timnit Gebru, Angelina McMillan-Major, and Shmargaret Shmitchell. 2021. “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?” In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. New York: Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
  • Crawford, Kate. 2021. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press.
  • Holzner, Niklas, Sebastian Maier, and Stefan Feuerriegel. 2025. “Generative AI and Creativity: A Systematic Literature Review and Meta-Analysis.” Preprint, submitted May 22, 2025. https://arxiv.org/abs/2505.17241
  • Manovich, Lev. 2019. AI Aesthetics. Moscow: Strelka Press.
  • Manovich, Lev, and Emanuele Arielli. 2024. Artificial Aesthetics: Generative AI, Art and Visual Media. Self-published, PDF. https://manovich.net/index.php/projects/artificial-aesthetics
  • Steyerl, Hito. 2023. “Mean Images.” New Left Review 140/141 (March–June). https://doi.org/10.64590/uhm
  • Wadinambiarachchi, Samangi, Ryan M. Kelly, Saumya Pareek, Qiushi Zhou, and Eduardo Velloso. 2024. “The Effects of Generative AI on Design Fixation and Divergent Thinking.” In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems, article 380, 1–18. New York: Association for Computing Machinery. https://doi.org/10.1145/3613904.3642919