- Diese Studie analysiert die Auswirkungen der Nutzung von LLMs (Large Language Models) auf die kognitiven Kosten des Menschen beim Verfassen von Essays
- Die Teilnehmenden wurden in eine LLM-Gruppe, eine Suchmaschinen-Gruppe und eine Brain-only-Gruppe eingeteilt und nahmen je nach verfügbarer Unterstützung an einem Essay-Schreibexperiment teil
- Die EEG-Analyse zeigte, dass bei der Nutzung von LLMs sowohl die Konnektivität neuronaler Netzwerke als auch die kognitive Einbindung am niedrigsten waren, während sie in der Brain-Gruppe am höchsten ausfielen
- Nach dem Schreiben der Essays zeigte die LLM-Gruppe die schwächsten Ergebnisse bei Ownership, Zitierfähigkeit und Erinnerung
- Die Ergebnisse deuten darauf hin, dass die Nutzung von LLMs zwar anfangs effizient ist, langfristig jedoch Lernen und kognitive Fähigkeiten beeinträchtigen kann
Abstract
Durch die heute weit verbreitete Einführung von LLM-Produkten (Large Language Models) wie ChatGPT nutzen sowohl Einzelpersonen als auch Unternehmen LLMs inzwischen routinemäßig im Alltag. Diese Werkzeuge bringen spezifische Vorteile ebenso wie Grenzen mit sich. Die vorliegende Studie konzentriert sich darauf, die kognitiven Kosten des Einsatzes von LLMs im Bildungskontext des Essay-Schreibens zu untersuchen, also darauf, wie sich die Nutzung von LLMs auf die kognitive Struktur von Lernenden und ihre Gehirnaktivität auswirkt.
Für die Untersuchung wurden die Teilnehmenden in eine LLM-Gruppe, eine Suchmaschinen-Gruppe und eine Brain-Gruppe eingeteilt und verfassten in jeder Sitzung Essays mit dem jeweiligen Werkzeug (oder ohne Werkzeug). Insgesamt nahmen 54 Personen an den Sitzungen 1 bis 3 teil, davon schlossen 18 auch Sitzung 4 ab. In Sitzung 4 wurden die Rollen getauscht: Die LLM-Gruppe schrieb ohne Hilfsmittel, während die Brain-Gruppe ein LLM nutzte (LLM-to-Brain, Brain-to-LLM). Während des Essay-Schreibens wurden EEG-Signale der Teilnehmenden aufgezeichnet, um kognitive Einbindung, Belastung und neuronale Konnektivität zu analysieren. Nach jeder Sitzung wurden außerdem Interviews, NLP-Analysen sowie Bewertungen durch menschliche Lehrkräfte und einen KI-Bewertungsagenten durchgeführt.
Die Analyse zeigte eine hohe Homogenität innerhalb der jeweiligen Gruppen bei Named Entity Recognition (NER), n-Grammen und Themenontologien. Die EEG-Analyse ergab, dass sich die Muster neuronaler Konnektivität zwischen den Gruppen deutlich unterschieden und dass mit zunehmender externer Werkzeugunterstützung Größe und Einbindung der Gehirnnetzwerke abnahmen (Brain > Suchmaschine > LLM). In Sitzung 4 zeigten die LLM-to-Brain-Teilnehmenden geschwächte Gehirnkonnektivität, geringe Aktivität in Alpha- und Beta-Netzwerken sowie ein schwaches Gefühl thematischer Ownership. Dagegen wurde bei den Brain-to-LLM-Teilnehmenden eine verbesserte Erinnerungsleistung sowie eine Reaktivierung von mit visueller Verarbeitung verbundenen Hirnarealen beobachtet. Die Essays der LLM-Gruppe schnitten bei Ownership, Zitierfähigkeit und Erinnerung durchweg am schlechtesten ab, während sich die Suchmaschinen-Gruppe etwas verbesserte, aber unter der Brain-Gruppe blieb.
Insgesamt zeigte die Nutzung von LLMs zwar kurzfristige Produktivitätsvorteile, bei wiederholter Nutzung über mehrere Monate blieb die Gruppe jedoch bei Gehirnverhalten, sprachlicher Leistung und Bewertungspunkten konstant hinter der Brain-Gruppe zurück. Die Studie legt nahe, dass übermäßiger Einsatz von KI-Werkzeugen im Lernumfeld zu kognitiven und praktischen Einbußen führen kann, und empfiehlt Vorsicht bei der Gestaltung langfristiger Lernprozesse.
Zusammenfassung der wichtigsten Versuchsergebnisse
- In Sitzung 4 zeigten Brain-to-LLM-Teilnehmende eine höhere Gehirnkonnektivität (über alle Bänder hinweg, darunter Alpha, Beta, Theta und Delta) als die LLM-Gruppe in den Sitzungen 1 bis 3. Das deutet darauf hin, dass die Nutzung von KI nach eigener Schreibpraxis ohne KI ein breiteres Gehirnnetzwerk aktivieren kann
- Bei den LLM-to-Brain-Teilnehmenden wurden trotz vorheriger LLM-Nutzung beim Schreiben ohne Hilfsmittel in den meisten EEG-Signalen neurologische Unkoordiniertheit (verminderte Konnektivität) sowie ein LLM-spezifischer Wortschatz-Bias beobachtet
- Sowohl KI- als auch menschliche Bewertungen zeigten, dass die Essays der LLM-Gruppe eine geringe NER-/n-Gramm-Diversität aufwiesen und strukturell homogen waren
- In der themenspezifischen Analyse zeigten sich zwischen LLM-Gruppe und Brain-Gruppe bei bestimmten Themen (HAPPINESS, PHILANTHROPY) signifikante Unterschiede in den Nutzungsmustern
- Bei Ownership und Zitierfähigkeit ergab sich gruppenübergreifend die Reihenfolge Brain > Suchmaschine > LLM
Hinweise zum Aufbau der Arbeit
- Schneller Überblick: Discussion, Conclusion
- NLP-Analyse der Essay-Texte: NLP ANALYSIS
- Verständnis der EEG-Daten: EEG ANALYSIS
- Vertiefte themenspezifische Analyse: TOPICS ANALYSIS
- Detaillierte Versuchsmethodik und Aktivitäten der Teilnehmenden: EXPERIMENTAL DESIGN
- Anhang: zusätzliche Daten, EEG-dDTF-Werte usw.
Einleitung
Die rasante Verbreitung von Large Language Models hat alltägliche Bereiche wie Arbeit, Unterhaltung und Lernen grundlegend verändert. LLMs haben im Bildungsbereich großes Potenzial, etwa in Bezug auf personalisierte Lernerfahrungen, unmittelbares Feedback und die Demokratisierung von Lernmaterialien. Tatsächlich wurden positive Effekte wie mehr Lernendenautonomie, höhere Einbindung und Unterstützung individualisierter Lernstile berichtet.
Gleichzeitig werden jedoch auch kognitive Nebenwirkungen einer breitflächigen LLM-Nutzung diskutiert. Zwar senken solche Systeme die unmittelbare kognitive Belastung, zugleich wurden aber vermindertes kritisches Denken, schwächere Tiefenanalyse und geringere Einbindung beobachtet. Insbesondere kann die analytische und urteilende Leistung des Gehirns mit wachsender Abhängigkeit von KI zurückgehen. Die Studie hebt hervor, dass vor allem jüngere Generationen stärker von KI-Werkzeugen abhängig sind und dass dies mit tendenziell niedrigeren kognitiven Leistungswerten einhergeht.
Darüber hinaus zeigen Ergebnisse, dass die Interaktion mit KI die Gelegenheiten für unabhängiges Problemlösen und kritisches Denken verringern kann, was langfristig negative Auswirkungen auf menschliche intellektuelle Entwicklung und Autonomie haben könnte. Anders als traditionelle Suchmaschinen erzeugen LLMs eher vereinheitlichte Antworten als vielfältige Perspektiven, wodurch sie Nutzerinnen und Nutzer eher zu passivem Konsum statt aktiver Informationssuche lenken und langfristig auch die Informationsverarbeitung und -bewertung beeinflussen könnten.
Die vorliegende Studie misst empirisch die kognitiven Kosten des Essay-Schreibens mit LLM-Unterstützung. Essay-Schreiben ist eine Aufgabe, die mehrere kognitive Prozesse wie Schreiben, Informationsorganisation, Zitieren und kritisches Denken in komplexer Weise vereint, und wird sowohl im Bildungsbereich als auch in standardisierten Prüfungen häufig eingesetzt. Die Studie zeigt, dass bei der Einführung von KI-Werkzeugen wie LLMs in Lernumgebungen die langfristigen kognitiven Auswirkungen sorgfältig berücksichtigt werden sollten.
Versuchsdesign und einige Details
- In jeder Sitzung wurden Teilnehmende gruppenweise neu zugeordnet oder die Bedingungen der Werkzeugnutzung verändert, um die Bedingungen LLM, Suchmaschine und Brain (ohne Werkzeug) vergleichend zu messen
- In Sitzung 4 nutzte die Brain-only-Gruppe erstmals ein LLM (Brain-to-LLM), während die LLM-Gruppe ohne Hilfsmittel schrieb (LLM-to-Brain)
- Während des Experiments wurden EEG- und NLP-Indikatoren sowie Ownership der Essays, Zitierfähigkeit und thematische Vielfalt systematisch bewertet
- Die EEG-Analyse konzentrierte sich auf Veränderungen funktionaler Gehirnkonnektivität, darunter Konnektivität neuronaler Netzwerke (dDTF-Analyse)
Zentrale Merkmale der Versuchs- und Analyseergebnisse
- Bei der Nutzung von LLMs nahmen EEG-Aktivität und sprachliche Vielfalt deutlich ab, ebenso Ownership, Erinnerungsleistung und Zitierfähigkeit
- Die Brain-only-Gruppe zeigte insgesamt überlegene Ergebnisse bei Aktivierung der Gehirnnetzwerke, sprachlicher Vielfalt, Ownership und Zitierfähigkeit
- In Sitzung 4 wurden bei Brain-to-LLM-Teilnehmenden im Unterschied zu den vorherigen Bedingungen deutliche Veränderungen in den Gehirnnetzwerken beobachtet, darunter eine verbesserte Erinnerung und eine Reaktivierung visuell-frontaler Bereiche
- Insgesamt legt eine stärkere KI-Abhängigkeit die Sorge nahe, dass es im Lernprozess zu geringerer kognitiver Effizienz und Verlust an Eigenaktivität kommt
Schlussfolgerung
Die Arbeit belegt mit vielschichtigen Daten, dass KI-Lernwerkzeuge kurzfristig zwar effizienter machen können, langfristig jedoch zentrale Elemente des Lernens wie Kognition, Lernmotivation, Ownership und Gedächtnis negativ beeinflussen können. Sie legt nahe, dass bei der Gestaltung und Einführung moderner Bildungstechnologien wie KI und LLMs diese kognitiven Schulden und die mögliche Verschlechterung der Lernqualität sorgfältig berücksichtigt und weiter untersucht werden müssen.
1 Kommentare
Hacker-News-Kommentare
Ich halte „cognitive debt“ für weniger passend als Begriffe wie kognitiver Abbau oder Verlust kognitiver Fähigkeiten. Das Gehirn speichert keine Informationen, die es nicht braucht. Früher veröffentlichte Studien zur Nutzung von Google Maps zeigen, dass häufige GPS-Nutzung das räumliche Gedächtnis verschlechtert und dass bei Kartennutzern die Menge an grauer Substanz im Gehirn tatsächlich abnimmt. Wie jeder weiß, der in den Wissenschaften einmal echte Expertise aufgebaut hat, muss man über ein Konzept lange genug nachdenken und die Zusammenhänge zwischen verschiedenen Ideen tief erkunden, um es wirklich zu verstehen. Man lernt Mathematik nicht einfach, indem man ein Mathebuch oberflächlich überfliegt. Man muss innehalten und gründlich nachdenken. Ich denke, dass der Akt des Denkens selbst der Prozess ist, durch den sich Konzepte im Geist verankern und auch später noch nützlich bleiben.
Man versteht Mathematik nicht, indem man ein Mathebuch nur grob liest; man muss innehalten und nachdenken. Und das Allerwichtigste ist das „Schreiben“. Durch Schreiben kann mein Gehirn Gedanken strukturieren. Schreiben ist ein Werkzeug, das einen strukturierten Dialog zwischen mir und mir selbst erzeugt. Es ermöglicht, verschiedene Wege zu erkunden. Nur durch Denken stößt man an Grenzen, aber Schreiben erlaubt es, die eigenen Gedanken nahezu grenzenlos zu erforschen. Der Akt des Denkens ist eng mit Schreiben verbunden, in welcher Form auch immer (Text, Zeichnungen, Formeln, Graphen usw.). Jetzt leben wir in einer Zeit, in der LLMs zunehmend für uns schreiben, und ich frage mich, wie sich das auf meine kognitiven Fähigkeiten auswirken wird.
Ich finde den Begriff cognitive debt zutreffend. Hast du schon einmal mit einem LLM einen großen Bericht geschrieben? Wenn ein LLM die Struktur vorgibt und sogar Diagramme und Argumente leicht erzeugt, wird das Ergebnis nach und nach zu etwas, das nicht mehr wirklich dir gehört. Selbst wenn du es unter deinem Namen einreichst, gerätst du oft ins Schwimmen, wenn man Erklärungen verlangt. Normalerweise habe ich in meinem Kopf ein echtes Verständnis auf einer höheren Ebene, aber mit einem LLM wird dieser Prozess übersprungen. Wenn ich dann die Kernkonzepte erklären soll, habe ich tatsächlich Mühe. Letztlich muss ich den Prozess selbst erleben, in meinem Kopf wesentliche Konzepte zu bilden, sie wiederholt zu verändern und sie an verschiedene Zielgruppen zu vermitteln. Cognitive debt beschreibt den Unterschied zwischen den mentalen Modellen, die man vor LLMs zwangsläufig aufgebaut hat, und der Oberflächlichkeit beim Einsatz von LLMs. Am Ende steht mein Name auf dem Bericht, aber mit der Zeit besteht die Gefahr, dass die Erwartungen an den Autor immer weiter sinken oder dass man sogar erwartet, dass stattdessen das LLM die Erklärung liefert. Jedes LLM ahmt die Realität mit einem anderen internen Modell und anderen Algorithmen nach, und für die genauesten Vorhersagen ist ausreichend „Verständnistiefe“ nötig. LLM-abhängiges Schreiben erzeugt diese Tiefe nicht. Langfristig könnte das zu einem allgemeinen kognitiven Abbau oder Fähigkeitsverlust in der Gesamtbevölkerung führen. Als der Buchdruck aufkam, hatten religiöse Eliten ebenfalls Sorge, dass gewöhnliche Menschen nicht richtig lesen und interpretieren könnten, doch tatsächlich war das nicht so. Schreiben ist Denken (ich glaube nach wie vor nicht, dass wir ein besseres Werkzeug als Schreiben gefunden haben), und Denken ist der Prozess, auf Basis von Informationen mentale Modelle zu konstruieren, um die Zukunft besser vorhersagen zu können. Unser Überleben hängt davon ab. Aus informationstheoretischer Sicht gilt: „Biology is only meaningful when explained in the light of information“ YouTube-Link
Wenn es heißt, „das Gehirn speichert keine Informationen, die es nicht braucht“, frage ich mich, warum ich mich dann nach über 20 Jahren immer noch daran erinnere, wie man mit DOS
config.sysundautoexec.batden Speicher optimiert. Ich werde diese Technik wahrscheinlich nie wieder brauchen.Begriffe wie „cognitive decline“ oder „brain rot“ können zu reißerisch klingen, und auch die betreffende Studie weist ausdrücklich auf die Einschränkung einer kleinen Stichprobe hin. Im Paper selbst gibt es weder eine Begründung noch Zitate für den Begriff „cognitive debt“, daher wirkt der Titel seltsam. Es entsteht der Eindruck, als hätte man ganz am Ende nur den Titel geändert. Es ist eine interessante Studie des MIT. Wie bei allen psychologischen Studien braucht es gesunde Skepsis und unabhängige Replikation. Es wirkt wie ein Gesamtpaket aus Hirnbildgebung und psychometrischen Verfahren. Die meisten Bilder im Stil von „Das ist Ihr Gehirn unter LLMs“ finde ich ziemlich unterhaltsam.
Die Aussage „das Gehirn speichert keine Informationen, die es nicht braucht“ klingt plausibel, aber es ist schon bemerkenswert, dass manche Fähigkeiten eindeutig nicht verschwinden, etwa Fahrradfahren, das man, einmal gelernt, ein Leben lang nicht vergisst.
Die Diskussion über „cognitive debt“ ist sinnvoll, aber ich denke, man braucht eine weiter gefasste Perspektive. Es geht nicht nur darum, Fähigkeiten wie Sprache oder räumliches Gedächtnis vorübergehend zu verlieren oder Dinge zu vergessen. Gemeint ist vielmehr das Phänomen, dass neuronale Schaltkreise für integratives Schlussfolgern systematisch und irreversibel schrumpfen. Der Begriff „debt“ suggeriert, dass man die Schuld durch Übung zurückzahlen, also sich erholen kann. Die eigentliche Gefahr beginnt aber, wenn man einen „cognitive tipping point“ überschreitet. Wenn man zu viel Exekutivfunktion, Integration und Argumentationslast an externe Systeme wie LLMs auslagert, beseitigt das Gehirn nicht nur gnadenlos ungenutzte Schaltkreise, sondern riskiert auch, die Fähigkeit zur „Rekonstruktion“ selbst zu verlieren. Das menschliche Gehirn ist ein „use-it-or-lose-it“-System ohne Versionsverwaltung. Geht komplexe Kognition einmal verloren, ist gewissermaßen schon der „Quellcode“ beschädigt. Ein kollabiertes neuronales Netzwerk kann man nicht per git revert zurücksetzen. Diese HN-Kommentare konzentrieren sich auf das Schreiben von Essays, aber in Wahrheit führt die gesamte Gesellschaft gerade ein groß angelegtes, unkontrolliertes Experiment zur Externalisierung intellektueller Fähigkeiten durch. Langfristig besteht die Gefahr, dass die Gesellschaft nicht nur Fähigkeiten verliert, sondern an einen strukturellen Punkt gelangt, an dem eine solche Denkweise selbst unmöglich wird. Deshalb lautet die eigentliche Frage nicht nur: „Wie vermeiden wir cognitive debt?“, sondern eher: „Brauchen wir keinen neuen Container für unseren Geist, wenn sich das biologische Gehirn selbst optimiert und dabei tödlich effizient auf Bequemlichkeit getrimmt wird?“ Verwandter Link
KI ist das Gegenteil von Zettelkasten, also einem vernetzten Notizsystem. Statt dass Menschen selbst tief in ein Thema eintauchen und so tiefere Einsichten gewinnen, entsteht auf KI-basierten Outputs nur eine schnelle, aber oberflächliche Wiederholung. Ich habe zum Beispiel gemeinsam mit OpenAI einen zehnseitigen Essay über die Ursprünge von Hammas und Hizbulah geschrieben, weil ich die Lage im Nahen Osten verstehen wollte, aber nichts ist hängen geblieben. Und selbst bei den wenigen Dingen, die geblieben sind, weiß ich nicht einmal, ob es KI-Halluzinationen waren, die ich später korrigiert habe, oder echte Fakten.
Ich bin in Bezug auf die Nützlichkeit von LLMs eher optimistisch, stimme dem oben aber zu. Man kann ein Gespür dafür entwickeln, gut mit LLMs umzugehen, aber das bedeutet nicht, dass man dadurch wirklich erklärbares Wissen oder anspruchsvolle Denkfähigkeit aufbaut. Im Kern gewöhnt man sich eher an „Muskelgedächtnis“ für bestimmte Ausgabemuster, an Prompt-Anpassung und Kontextsteuerung. Solche „Skills“ werden wahrscheinlich schnell verschwinden, sobald die Modelle besser werden. Die Lage erinnert insofern etwas an die Ohnmacht, die Fließbandarbeiter empfinden.
Die Teile, die ich selbst von Hand korrigiert habe, bleiben eher im Gedächtnis. Dinge, die einfach problemlos durchliefen, merkt man sich schlechter als die Stellen, die man selbst bearbeitet hat.
Die meisten klugen Menschen wissen, dass Schreiben nicht nur dazu dient, ein Ergebnis zu produzieren, sondern ein Prozess des „Denkens“ ist. In diesem Prozess ist ein LLM für mich ein guter Sparringspartner: Es kann auf Fehler hinweisen, Lücken oder Irrtümer finden und bei allgemeiner Recherche helfen, um die Welt besser zu verstehen. Das gilt allerdings nur, wenn das LLM nicht „anstelle von mir schreibt“, sondern unterstützend im eigenen Denkprozess eingesetzt wird. Das Ergebnis muss man jedoch immer anhand der Quellen verifizieren.
Für mich ist dieses Forschungsergebnis persönlich nicht überraschend. Wenn KI mir beim Schreiben oder Übersetzen geholfen hat, hatte ich weniger das Gefühl, selbst aktiv involviert zu sein oder tief mitzudenken. Wenn ich KI aber auf ganz andere Weise nutze, ist das Gefühl von Immersion sehr stark. Ich habe zwei Wochen lang mit Claude Code experimentiert, um Ideenfindung, Recherche und die Automatisierung von Essays bzw. Aufsätzen auszuprobieren, und dieser Prozess war geistig genauso fesselnd wie „echtes“ Schreiben, wenn auch anders. Auch die Resultate meines Experiments waren ziemlich gut. Selbst wenn es sich um von KI geschriebene Essays oder Aufsätze handelt, sind sie beim Lesen durchaus interessant. Veröffentlichen oder als wissenschaftliche Arbeit einreichen würde ich sie aber nicht.
Dieses Phänomen nennt man „cognitive offloading“. Wer lange genug mit Coding-Assistenten gearbeitet hat, wird das wohl nachvollziehen können.
Ähnlich wie die Auswirkungen der Mechanisierung auf die menschliche Industrie sollte man breiter darüber nachdenken, welche Wellen LLMs und andere neue Technologien in unserer kognitiven Struktur auslösen. Ich denke, bei Automatisierung geht es darum, repetitive und langweilige Arbeiten auszulagern und den Menschen dadurch Energie und Zeit für kreativere oder innovativere Dinge zu geben. Spannend ist die Frage, ob die zunehmende Nutzung von Werkzeugen wie LLMs oder GPS nicht nur kurzfristige Veränderungen bringt, sondern langfristig auch die Art des Denkens selbst verändert. Generationen, die mit Suchmaschinen aufgewachsen sind, behalten vielleicht weniger auswendig, erinnern sich dafür aber daran, wie man Informationen „findet“. Vielleicht ist das nur die Fortsetzung einer natürlichen Entwicklung, in der bestehende Funktionen ersetzt werden. Vielleicht führt eine zunehmende Abhängigkeit von LLMs aber auch zum Verlust von Kernfähigkeiten, die sich nicht ersetzen lassen.
Im folgenden Zitat wird darauf hingewiesen, dass „LLMs zwar die Einstiegshürde für das Beantworten von Fragen gesenkt haben, der Preis dieser Bequemlichkeit aber darin besteht, dass Nutzer Antworten oder ‚Meinungen‘ von LLMs (tatsächlich probabilistische Schätzungen auf Basis der Trainingsdaten) seltener kritisch hinterfragen“. Das bedeutet letztlich nicht, dass die Echo-Kammer verschwunden ist, sondern dass die Exposition der Nutzer strukturell auf algorithmisch priorisierte, „zuerst angezeigte“ Inhalte umgestellt wurde. Und diese „Priorität“ selbst spiegelt die Werte der Eigentümer bzw. Aktionäre des LLM wider.
Darüber denke ich in letzter Zeit auch viel nach, deshalb habe ich copilot nur kurz ausprobiert. Ich stehe noch am Anfang meiner Karriere und lerne jeden Tag. Mit LLM-Unterstützung könnte ich meine Arbeit zwar schneller erledigen, aber ich hätte dann das Gefühl, Chancen zu verlieren, mir Fähigkeiten wirklich anzueignen. Der Behauptung, „kritisches Denken auf niedriger Ebene verliere allmählich an Bedeutung und künftig brauche man nur noch hochrangige, abstrakte Planung“, kann ich nicht zustimmen. Auch emotional empfinde ich Stolz und Sinn darin, „etwas zu wissen und selbst tun zu können“. Ich halte die Nutzung von LLMs nicht für schwierig; wenn nötig, kann man die neuesten Werkzeuge auswählen und einsetzen. Aber zumindest vorerst ist mir der Prozess des eigenen Lernens und Wachsens wertvoller.
Mit der Einführung von KI könnte nicht nur die Zahl der Einstiegsjobs sinken; selbst die verbliebenen Juniorkräfte laufen Gefahr, bei der Arbeit mit KI gar nichts mehr zu lernen und für immer auf Junior-Niveau zu bleiben.
Wenn ich mit KI zusammen schreibe, fühlt es sich in dem Moment zwar flüssig und gut an, aber zugleich so, als würde ich über Ideen nicht wirklich ernsthaft nachdenken. Der fertige Text klingt dann zwar glatt und elegant, aber später weiß ich oft nicht mehr, warum ich diesen Satz überhaupt geschrieben habe. Im Moment schreibe ich zuerst meinen eigenen Entwurf und lasse ihn erst danach von KI überarbeiten. Das ist etwas mühsamer, aber ich lerne deutlich mehr dabei und behalte es länger.