Synthetisch generierte Podcast Folge in Deutsch. Diese Folge bespricht den folgenden Text in Auszügen. Reinhören und ein eigenes Bild machen. Der Podcast wurde mit NotebookLM ( https://notebooklm.google/ ) generiert.
von Tristan Schulze
Die Gestaltung steht an einem Kipppunkt: Mit dem Einzug generativer Künstlicher Intelligenz verändern sich nicht nur Werkzeuge, sondern auch die Grundlagen des kreativen Prozesses. Wo bislang menschliche Intuition, Erfahrung und soziale Kontextualisierung dominierten, drängen nun algorithmische Modelle in den Entwurfsraum. Diese Entwicklung ist nicht bloß eine technische Disruption – sie verändert tiefgreifend, wie wir Zukunft denken, entwerfen und kommunizieren. Gleichzeitig eskaliert die Realität: ökologische Krisen, soziale Spannungen, geopolitische Unsicherheiten und digitale Überwachungssysteme überlagern sich zu einer multiplen Gegenwart der Verunsicherung. In diesem Spannungsfeld bekommt Gestaltung eine neue Verantwortung – und eine neue Chance. Spekulatives Design und Design-Fiktion bieten Mittel, um alternative Zukunftsszenarien zu entwerfen, Möglichkeitsräume offenzuhalten und systemische Zusammenhänge sichtbar zu machen. Sie können helfen, die Gegenwart anders zu befragen – und dem gegenwärtigen Technosolutionismus eine widerständige, vielstimmige Imagination entgegenzusetzen. Dieser Text untersucht, wie sich Gestaltung im Zeitalter von KI neu positionieren kann – jenseits der Optimierung bestehender Systeme, hin zu einer Kultur des kritischen Fragens, kollektiven Erzählens und radikalen Vorstellens.
Design war lange Zeit ein Vehikel gesellschaftlicher Utopien – ein Ort, an dem Zukunft entworfen, soziale Alternativen angedacht und radikale Möglichkeitsräume formuliert wurden. Doch dieser Anspruch ist im Laufe der letzten Jahrzehnte zusehends zurückgewichen. Heute dominiert ein funktionales, dienstleistungsorientiertes Designverständnis: nutzerzentriert, marktorientiert, techniknah.
Mit dem Einzug Künstlicher Intelligenz droht sich dieser Trend zu verstärken: Viele KI-gestützte Designprozesse orientieren sich an Effizienz, Vorhersagbarkeit und Skalierbarkeit – Werte, die eher bestehende Verhältnisse reproduzieren als sie infrage zu stellen. Gleichzeitig eröffnet gerade diese technologische Disruption neue Möglichkeitsräume: Was wäre, wenn KI nicht nur Werkzeuge, sondern Dialogpartner in einem spekulativen Entwurfsprozess wird? Wenn Design wieder utopisch denkt – nicht als Vision des Perfekten, sondern als Einladung zur radikalen Imagination?
In den 1960er und 70er Jahren war Design ein Experimentierfeld für gesellschaftliche Visionen. Gruppen wie Archigram, Superstudio oder Ant Farm entwarfen spekulative Szenarien, die sich bewusst von funktionalistischer Gestaltung abgrenzten. Ihre Projekte stellten nicht das Machbare in den Vordergrund, sondern das Vorstellbare. Architektur wurde zu einem Medium für gesellschaftliche Kritik, Technik zu einem Symbol für Freiheit oder Kontrollverlust.
Dieser Geist fand Resonanz bei Victor Papanek, der 1971 ein Design forderte, das nicht nur ästhetisch oder funktional, sondern sozial und ökologisch verantwortlich sein sollte. Für Papanek war Design ein Werkzeug zur Verbesserung der Welt – nicht zur Steigerung des Konsums (Papanek, 1971).
Mit dem Aufstieg des Neoliberalismus veränderte sich die Rolle des Designs grundlegend. In einer zunehmend marktförmigen Welt wurde Gestaltung zum strategischen Mittel für Markenidentität, Effizienz und Verkaufssteigerung. Unternehmen wie Apple führten die Ästhetisierung des Konsums an; Designer:innen wurden zu Dienstleister:innen im Innovationsbetrieb.
Wie Guy Julier schreibt, wurde Design in den 1980ern zum Motor eines postfordistischen Konsumismus – nicht länger gesellschaftskritisch, sondern marktorientiert (Julier, 2014). Parallel dazu verlor die politische Dimension des Designs an Sichtbarkeit. Die utopischen Impulse der 60er wurden abgelöst von einem Denken in Produkten, Märkten und User Journeys.
Mit dem Fall der Berliner Mauer und dem Zerfall alternativer Gesellschaftssysteme setzte sich die Illusion durch, dass keine anderen Zukünfte mehr denkbar seien – ein Zustand, den Francis Fukuyama als das „Ende der Geschichte“ bezeichnete (Fukuyama, 1992).
Der Kapitalismus wurde zur unhinterfragten Norm, auch im Design. Was blieb, war der Rückzug ins Persönliche: Hyper-Individualisierung, maßgeschneiderte Produkte, personalisierte Interfaces. Die Vorstellungskraft wurde von der Logik der Plattformen vereinnahmt.
Boltanski und Chiapello analysierten diesen Wandel als Teil eines neuen „Geistes des Kapitalismus“, der Kreativität, Flexibilität und Selbstentfaltung absorbiert und ökonomisch verwertet (Boltanski & Chiapello, 2003).
Trotz der zunehmenden Vereinnahmung von Design durch neoliberale Marktlogiken seit den 1980er Jahren bildeten sich zugleich widerständige und gemeinschaftsorientierte Designpraktiken heraus, die sich dem kommerziellen Paradigma bewusst entzogen. In der sogenannten DIY-Kultur (Do It Yourself), der Maker-Bewegung, in Open-Source-Initiativen und Grassroots-Projekten entwickelte sich ein Designverständnis, das nicht primär auf Profit oder Markenidentität abzielte, sondern auf Zugänglichkeit, Teilhabe und kollektives Wissen.
Statt auf das Eigentum und die Exklusivität klassischer Produktgestaltung zu setzen, stehen in diesen Bewegungen Offenheit, Weiterverwendbarkeit und kollaborative Entwicklung im Zentrum. Projekte wie Open Structures (Thomas Lommée) oder die globalen Fab Labs (Gershenfeld, 2005) sind paradigmatisch für diese Haltung: Sie verstehen Gestaltung als offenen, modularen und iterativen Prozess, in dem jeder Mensch mitgestalten kann – unabhängig von Herkunft, Kapital oder institutioneller Anbindung.
Diese Strömungen können als konkrete Gegenentwürfe zu der in der Kultur des Designs beschriebenen Funktionalisierung von Gestaltung im Dienst des Konsumkapitalismus gelesen werden (Julier, 2014). Sie knüpfen zugleich an ältere Forderungen nach einer sozialen und ökologisch verantwortlichen Gestaltung an, wie sie Victor Papanek bereits 1971 in Design for the Real World formulierte. Für Papanek war Design kein Stilmittel, sondern ein Werkzeug zur Weltverbesserung – ein Anspruch, der in vielen DIY- und Open-Design-Bewegungen weiterlebt.
Auch medientheoretisch und politisch lassen sich diese Bewegungen im Sinne eines Commons-basierten Designs (vgl. Troxler, 2010) verstehen: Sie schaffen Infrastrukturen für ein anderes Wirtschaften und Gestalten, das nicht auf Verknappung, sondern auf geteiltem Wissen basiert. In einer Zeit, in der laut Mark Fisher (2009) „die Vorstellungskraft selbst unter neoliberale Bedingungen geraten ist“ und Alternativen zum Kapitalismus oft als unmöglich gelten, setzen diese Initiativen ein wichtiges Zeichen: Sie zeigen, dass Zukunft auch jenseits des Marktes vorstellbar, denkbar und gestaltbar bleibt.
Seit den 2000er Jahren steht Design zunehmend unter Druck. Klimakrise, digitale Überwachung, soziale Spaltung, Pandemien und ökonomische Instabilität führen zu einer tiefen Krise der Imagination.
Der Kulturtheoretiker Mark Fisher beschrieb diesen Zustand als capitalist realism: die Unfähigkeit, sich Alternativen zum Bestehenden vorzustellen – eine „gestohlene Zukunft“ (Fisher, 2009).
Zentrale Herausforderungen heutiger Designpraxis:
Kurzsichtigkeit: Design wird häufig auf effiziente Problemlösung (Service Design, UX) reduziert – anstelle gesellschaftlicher Transformation.
Corporate Capture: Große Plattformunternehmen diktieren Ästhetiken, Interaktionsmodelle und Werte. Designer:innen gestalten zunehmend für extraktive Systeme, wie Shoshana Zuboff im Konzept des Surveillance Capitalism analysiert (Zuboff, 2019).
Klimakatastrophe: Nachhaltigkeit droht zur Floskel zu werden, wenn sie nicht systemisch gedacht wird – Design muss sich vom Greenwashing zum radikalen ökologischen Umdenken bewegen.
Dunne & Raby sprechen in diesem Zusammenhang davon, dass Träume zu Hoffnungen geschrumpft sind: Wo früher spekulative Entwürfe andere Welten aufriefen, wird Design heute oft in engen Bahnen gedacht – machbar, vermarktbar, messbar. Der Raum für radikale Spekulation, für das Noch-nicht und Vielleicht, ist kleiner geworden.
Quellen:
Dunne, A. & Raby, F. (2013): Speculative Everything. Design, Fiction, and Social Dreaming. MIT Press.
Julier, G. (2014): Die Kultur des Designs. Wagenbach.
Papanek, V. (1971): Design for the Real World. Thames and Hudson.
Fukuyama, F. (1992): Das Ende der Geschichte und der letzte Mensch. Kindler.
Boltanski, L. & Chiapello, E. (2003): Der neue Geist des Kapitalismus. UVK.
Fisher, M. (2009): Capitalist Realism: Is There No Alternative? Zero Books.
Zuboff, S. (2019): The Age of Surveillance Capitalism. PublicAffairs.
Troxler, P. (2010): Commons-Based Peer Production of Physical Goods. In: Open Design Now.
Viele Designerinnen und Entwicklerinnen verfolgen mit ihren Entwürfen aufrichtige, oft idealistische Ziele. Doch selbst gut gemeinte Innovationen können langfristig problematische Wirkungen entfalten. Diese Spannung zwischen Intention und Wirkung ist ein zentrales Merkmal gestalterischen Handelns – denn Gestaltung ist nicht neutral, sondern epistemisch: Sie erzeugt Weltbilder, Praktiken und Möglichkeitsräume, aber auch Nebenwirkungen, die häufig erst viel später sichtbar werden.
So entwarf der Architekt Le Corbusier mit seiner „Radiant City“ ein funktionales, rational organisiertes Stadtmodell, das die Moderne verkörpern sollte. In der gebauten Realität führte diese Vision jedoch häufig zu fragmentierten Vororten mit sozialen Problemen und Isolation – ein Effekt, den Fishman (1977) als „Utopien der Unverbundenheit“ beschreibt. Auch andere technische Durchbrüche zeigen diese Ambivalenz: Die Entdeckung der Kernspaltung eröffnete neue Wege der Energiegewinnung, ermöglichte aber auch den Bau von Massenvernichtungswaffen. Die Erfindung des Kunststoffs Bakelit durch Leo Baekeland im Jahr 1907 läutete eine Ära des industriellen Fortschritts ein – und markierte zugleich den Beginn einer massiven ökologischen Belastung durch Plastik (Freinkel, 2011). Ähnlich paradox wirkt die „Grüne Revolution“: Norman Borlaug wollte weltweiten Hunger lindern, schuf jedoch mit neuen Hochleistungssaaten eine Industrialisierung der Landwirtschaft, die Monokulturen, Bodendegradation und eine Abhängigkeit von Pestiziden förderte (Shiva, 1991).
Diese historischen Beispiele zeigen, wie Gestaltung Wissen erzeugt, aber auch blinde Flecken hinterlässt. Gestalterisches Handeln greift immer in komplexe, soziale, politische und ökologische Systeme ein – mit Konsequenzen, die sich nicht vollständig antizipieren lassen. Es ist eine Illusion, davon auszugehen, dass man mit Design nur Gutes bewirken könne. Gestaltung wirkt – auch dort, wo sie scheitert.
Mit Blick auf die Gegenwart stellen sich ähnliche Fragen: Was passiert, wenn die Werkzeuge der Gestaltung heute nicht mehr nur Materialien, sondern Menschen, Daten und Aufmerksamkeit sind? Plattformen wie Social Media wurden mit der Idee entwickelt, Kommunikation zu erleichtern und Gemeinschaften zu verbinden – und haben zugleich zur Verbreitung von Desinformation, zur Polarisierung politischer Diskurse und zur Erosion demokratischer Öffentlichkeit beigetragen. Auch künstliche Intelligenz verspricht eine Demokratisierung kreativer Prozesse, birgt aber zugleich Risiken der Automatisierung, Entfremdung und Kontrolle, etwa durch algorithmisch verstärkte Vorurteile oder die Unsichtbarkeit gestalterischer Entscheidungsprozesse.
Die Herausforderung für die Gestaltung von heute liegt daher nicht nur in der Lösung konkreter Probleme – sondern in der radikalen Reflexion ihrer eigenen Mittel, Annahmen und Zukunftswirkungen. Wenn wir Gestaltung nicht nur als Werkzeug, sondern als kulturelle Kraft verstehen, müssen wir auch ihre Schattenseiten erkennen – und lernen, mit ihnen umzugehen.
Quellen
Fishman, R. (1977). Urban Utopias in the Twentieth Century. MIT Press.
Freinkel, S. (2011). Plastic: A Toxic Love Story. Houghton Mifflin Harcourt.
Shiva, V. (1991). The Violence of the Green Revolution. Zed Books.
Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.
Latour, B. (2008). What is the Style of Matters of Concern? Spinoza Lectures.
Generative KI-Systeme haben das Potenzial, drängende Menschheitsprobleme wie Klimawandel, medizinische Versorgung oder Bildungsgerechtigkeit neu anzugehen (Floridi, 2023). Doch zugleich entfalten sie eine disruptive Kraft, die bestehende Machtverhältnisse zementieren, kreative Existenzen bedrohen und demokratische Prozesse destabilisieren kann (Zuboff, 2019; Crawford, 2021). Diese Ambivalenz verlangt eine neue Ethik des Gestaltens: eine, die technische Möglichkeiten nicht nur nutzt, sondern auch kritisch einhegt. Es braucht Werkzeuge der Gestaltung und der Verweigerung.
Die Entwicklung leistungsstarker KI ist derzeit monopolisiert. Konzerne wie OpenAI (Microsoft), Google (DeepMind) oder Meta dominieren durch Zugang zu Milliardeninvestitionen, exklusiven Datensätzen und hyperskalierbaren Rechenzentren (Mozur & Krolik, NYT, 2023). Diese Konzentration schafft ein Ungleichgewicht, das einige Kritiker:innen als „digitalen Kolonialismus“ bezeichnen (Couldry & Mejias, 2019): Während globale Konzerne de facto Standards und ethische Leitlinien setzen, bleiben demokratisch legitimierte Kontrollinstanzen marginal.
Gegenmaßnahmen:
Ein europäischer Gegenentwurf könnte in öffentlich getragenen Hochleistungs-Rechenzentren liegen – wie dem französischen Jean-Zay-Supercomputer, aber konsequent auf Open-Access-KI-Forschung ausgelegt. Projekte wie EleutherAI oder LAION zeigen, dass gemeinwohlorientierte Modellentwicklung machbar ist – wenn sie finanziell und rechtlich gestützt wird. Der Digital Services Act mit seinem Prinzip der „systemischen Risiken“ könnte auf KI ausgeweitet werden, um Transparenz und Rechenschaftspflicht durchzusetzen (EU-Kommission, 2023).
Generative Systeme wie Stable Diffusion oder GPT-4 sind auf Millionen Werke trainiert – ohne Zustimmung, Vergütung oder Attribution. Dies führt zu einem kulturellen Extraktivismus (Kelty, 2022), bei dem Künstler:innen, Autor:innen und Fotograf:innen plötzlich mit Imitaten ihrer Arbeit konkurrieren, produziert von Maschinen, die von ihrer Arbeit gelernt haben. Die rechtliche Lage ist bislang prekär; erste Sammelklagen etwa von Getty Images oder Autorenverbänden sind anhängig (Katz, 2023).
Gegenmaßnahmen:
Ein Modell kollektiver Vergütung – etwa über eine „GEMA für Trainingsdaten“ – wäre ein erster Schritt. Zusätzlich könnten Tools wie Content Credentials (Adobe) oder Have I Been Trained? (Spawning AI) zu rechtlich verankerten Standards weiterentwickelt werden. Entscheidend ist auch ein gesetzlich garantierter Opt-out für Trainingsdatensätze wie LAION-5B – eine Forderung, die zivilgesellschaftliche Initiativen bereits erheben (EFF, 2023).
KI hat die Täuschung demokratisiert: Deepfakes imitieren Stimmen und Gesichter, Sprachmodelle generieren massenhaft Fake-Kommentare, und Bildgeneratoren fälschen glaubwürdige Nachrichtenbilder. Die Folge ist ein struktureller Vertrauensverlust: Wenn alles gefälscht sein kann, wird alles potenziell unglaubwürdig – ein Effekt, der Verschwörungsideologien Vorschub leistet (DiResta, 2022).
Gegenmaßnahmen:
Neben technischen Lösungen wie der Deepfake Detection Challenge (Meta/MIT) braucht es massiv ausgebaute öffentlich-rechtliche Factchecking-Netzwerke, etwa nach dem Vorbild von Correctiv oder AFP Factuel. Zentral ist aber die Bildung: Medienkompetenz muss ab der Grundschule als Kernfach etabliert werden – wie Lesen oder Rechnen. Auch in der Erwachsenenbildung braucht es verpflichtende Schulungen zur Quellenkritik in Sozialen Medien (UNESCO, 2023).
KI-Systeme reproduzieren systematisch Vorurteile ihrer Trainingsdaten. Der berüchtigte Amazon-CV-Skandal offenbarte, wie ein Bewerbungssystem weibliche Profile abwertete, weil es auf männlich dominierte Daten trainiert war. Studien des MIT Media Lab belegen, dass Gesichtserkennungssysteme von IBM, Microsoft und Face++ People of Color deutlich häufiger falsch klassifizieren (Buolamwini & Gebru, 2018). Der Mythos der „neutralen Maschine“ verhindert oft die nötige kritische Auseinandersetzung.
Gegenmaßnahmen:
Benötigt werden unabhängige Auditstellen, die algorithmische Systeme auf Bias, Fairness und Repräsentation prüfen – analog zu Datenschutzbehörden. Für sensible Bereiche wie Strafverfolgung oder Personalentscheidungen müssen verpflichtende Prüfverfahren eingeführt werden. Gleichzeitig sollten öffentliche Auftraggeber nur noch Systeme zulassen, deren Trainingsdaten offengelegt und diversitätsgeprüft sind.
Quellen (Auswahl)
Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research.
Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press.
Couldry, N., & Mejias, U. A. (2019). The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism. Stanford University Press.
DiResta, R. (2022). The Digital Maginot Line. In: The Atlantic.
EU-Kommission (2023). Digital Services Act.
EFF – Electronic Frontier Foundation (2023). Open Letter on Generative AI and Copyright.
Floridi, L. (2023). The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities. Springer.
Freinkel, S. (2011). Plastic: A Toxic Love Story. Houghton Mifflin Harcourt.
Katz, R. (2023). The AI Copyright Wars Have Begun. New Yorker.
Kelty, C. (2022). The Extraction of Culture in AI. In: Logic Magazine.
Shiva, V. (1991). The Violence of the Green Revolution. Zed Books.
UNESCO (2023). Media and Information Literacy Curriculum Guidelines.
Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.
Victor Papanek formulierte es einst drastisch:
„There are professions more harmful than industrial design, but only a few of them.“
Die Welt steht an einem Wendepunkt: Sie befindet sich in einer tiefgreifenden ökologischen, sozialen und ökonomischen Krise. Die bestehenden kapitalistischen Systeme tragen maßgeblich zu einem drohenden ökologischen und gesellschaftlichen Kollaps bei. Diese Krisen werden zunehmend durch neue Technologien, darunter auch Künstliche Intelligenz (KI), verstärkt. Doch gleichzeitig birgt genau diese Technologie das Potenzial, als Katalysator für nachhaltige Lösungen und systemische Transformationen zu wirken. KI kann sowohl eine der disruptiven Ursachen als auch ein Werkzeug für positive Veränderung sein – es kommt darauf an, wie wir sie gestalten und einsetzen. Design ist in diesem Kontext kein neutraler Beobachter. Vielmehr ist es ein integraler Bestandteil der bestehenden Systeme und ein entscheidender Faktor, um die Weichen für die Zukunft zu stellen.
Design muss sich seiner Verantwortung bewusst werden und sich radikal neu ausrichten: nicht als Mittel zur Marktoptimierung, sondern als Instrument für kritische Reflexion, Systemwandel und spekulative Zukünfte. Um eine nachhaltige und gerechte Veränderung zu ermöglichen, sollten bestimmte Kriterien beachtet werden:
Ein zukunftsfähiges Design sollte Materialien in geschlossenen Kreisläufen führen, anstatt sie nach kurzer Nutzung zu entsorgen. Reparierbarkeit, Modularität und Wiederverwendbarkeit müssen zentrale Designprinzipien sein. Am Ende des Lebenszyklus sollten Produkte biologisch abbaubar oder vollständig recyclebar sein – ein Gedanke, den Victor Papanek bereits 1971 in "Design for the Real World" als essenziell beschrieb. Papanek plädierte für eine ressourcenschonende Gestaltung, die sich an ökologischen Grenzen orientiert und den gesamten Lebenszyklus eines Produkts mitdenkt.
Gutes Design ist inklusiv. Es schafft Zugang für alle Menschen – unabhängig von sozialer Herkunft, körperlichen Fähigkeiten oder kulturellem Kontext. Es integriert marginalisierte Perspektiven in den Designprozess und trägt zur sozialen Gerechtigkeit bei. In der Tradition von Design for Social Impact knüpfen hier auch Positionen wie die von Donna Haraway an, die in "Staying with the Trouble" (2016) für ein „verwobenes“ Denken (Sympoiesis) plädiert – ein Designverständnis, das nicht von dominanter Kontrolle, sondern von kooperativer Koexistenz ausgeht.
Designentscheidungen haben direkte Auswirkungen auf das Verhalten von Nutzer:innen und auf gesellschaftliche Prozesse. Daher müssen Designer:innen ihre Werte transparent machen und die ethischen Konsequenzen ihres Handelns reflektieren. Wie Papanek betonte, sei es „kriminell, einen schlecht gestalteten Radioempfänger zu entwerfen, wenn man auch ein Gerät gestalten kann, das Menschenleben rettet“. Verantwortung bedeutet, sich nicht nur dem Markt, sondern auch der Gesellschaft gegenüber rechenschaftspflichtig zu fühlen.
Design ist immer kulturell codiert. Es sollte lokale Traditionen, Wissenssysteme und ästhetische Ausdrucksformen respektieren, anstatt sie zu vereinnahmen oder zu verdrängen. In einem globalisierten System ist es umso wichtiger, kulturelle Vielfalt zu schützen und durch gestalterische Prozesse sichtbar zu machen. Nur so kann ein Design entstehen, das sensibel auf lokale Kontexte reagiert und nicht zu kultureller Homogenisierung beiträgt.
Design kann mehr als Probleme „lösen“. Es kann Fragen stellen, alternative Zukünfte imaginieren und Denkprozesse anstoßen. Die Gestaltungsansätze von Anthony Dunne und Fiona Raby (Speculative Everything, 2013) zeigen, wie Design genutzt werden kann, um bestehende Annahmen zu hinterfragen und spekulative Szenarien zu entwickeln. Auch Julian Bleecker (Design Fiction, 2009) betont die Rolle von Design als erzählerisches Werkzeug, das Zukünfte nicht voraussagt, sondern durch Storytelling erlebbar und diskutierbar macht.
Design sollte kein autoritärer Akt „von oben“ sein, sondern ein dialogischer, interdisziplinärer Prozess. Es lebt von Beteiligung, Kritik und Weiterentwicklung. In Anlehnung an Haraways Sympoiesis ist ein gutes Design ein kollektiver Prozess, der nicht von einem einzelnen Genius ausgeht, sondern im Austausch mit anderen wächst – mit Menschen, Materialien, Maschinen und Ökosystemen.
Jede Designentscheidung sollte sorgfältig abgewogen werden: Schadet sie Umwelt oder Gesellschaft? Führt sie zu ungewollten Abhängigkeiten oder Ausschlüssen? Ein verantwortungsvolles Design muss den Mut haben, auf Lösungen zu verzichten, wenn sie langfristig mehr schaden als nutzen. Design muss lernen, auch nicht zu gestalten – eine Praxis der Zurückhaltung und Achtsamkeit gegenüber der Komplexität der Welt.
In der Designforschung lassen sich seit langem zwei grundlegende Herangehensweisen unterscheiden: Auf der einen Seite steht das konzeptbasierte Design, das von abstrakten Ideen, theoretischen Überlegungen oder digitalen Prozessen ausgeht. Auf der anderen Seite findet sich das material- und erfahrungsbasierte Gestalten, das sich aus der unmittelbaren physischen Auseinandersetzung mit Werkstoffen entwickelt. Mit dem Aufkommen Künstlicher Intelligenz (KI) und generativer Design-Tools erfährt diese grundlegende Dichotomie eine neue Dynamik, die sowohl Chancen als auch kritische Fragen aufwirft.
Das konzeptbasierte Design hat seine Wurzeln in rationalistischen Gestaltungstraditionen, wie sie etwa am Bauhaus mit dem Leitgedanken "Form follows function" oder im Funktionalismus Max Bills ("Die gute Form", 1949) entwickelt wurden. Bildgebende generative KI etwa führen diesen Ansatz in radikaler Weise fort, indem sie Entwürfe generieren, die vollständig ohne physische Materialerfahrung entstehen. Diese Entwicklung ermöglicht zwar eine beispiellose Geschwindigkeit und Komplexität in der Formgebung, wirft jedoch fundamentale Fragen auf.
Juhani Pallasmaa ("The Thinking Hand", 2009) weist darauf hin, dass haptische Erfahrungen und der unmittelbare Dialog mit Materialien wesentliche Bestandteile des kreativen Prozesses sind. Die KI-gestützte Gestaltung umgeht diese Dimension vollständig, was zu Entwürfen führen kann, die zwar ästhetisch überzeugend wirken, aber praktisch nicht realisierbar sind. Jean Baudrillard ("Simulacra and Simulation", 1981) hatte bereits die Ablösung des Realen durch Zeichen und Simulationen beschrieben - ein Phänomen, das sich in KI-generierten Designs fortsetzt, die oft Materialeigenschaften und physikalische Gesetze ignorieren. Lev Manovich ("AI Aesthetics", 2022) kritisiert zudem, dass KI-Systeme vorwiegend bestehende Stile reproduzieren, anstatt wirklich innovative Ansätze zu entwickeln.
Dem gegenüber steht die material- und erfahrungsbasierte Gestaltungstradition, die von Architekten wie Peter Zumthor ("Atmospheres", 2006) oder Handwerkern wie der Keramikkünstlerin Lucie Rie vertreten wird. Diese Herangehensweise betont die sinnliche Erfahrung des Materials als grundlegende Voraussetzung für authentisches Gestalten. Gottfried Semper ("Der Stil", 1860-63) sah im Material die eigentliche Grundlage jeder Formgebung, eine Position, die David Pye ("The Nature and Art of Workmanship", 1968) weiterentwickelte, indem er den kreativen Widerstand des Materials als wesentlichen Bestandteil des handwerklichen Prozesses beschrieb.
Aktuelle Forschungsansätze wie "Critical Making" (Matt Ratto) oder die Arbeiten des MIT Tangible Media Group (Hiroshi Ishii) versuchen, diese scheinbare Dichotomie zu überwinden, indem sie digitale Werkzeuge und physische Materialerfahrung bewusst miteinander verbinden. Projekte wie jene von Unfold Studio demonstrieren, wie KI-Entwürfe mit experimentellen Materialforschungen kombiniert werden können, um neue Gestaltungspotenziale zu erschließen.
Die aktuelle Diskussion zeigt deutlich, dass KI das materialbasierte Gestalten nicht ersetzen kann, sondern vielmehr als ergänzendes Werkzeug verstanden werden sollte. Während KI-Systeme zweifellos die konzeptbasierte Entwurfsarbeit revolutionieren, bleibt die physische Materialerfahrung unverzichtbar für innovative und realisierbare Designlösungen. Die Zukunft des Gestaltens liegt wahrscheinlich in der bewussten Integration beider Ansätze - unter Wahrung der spezifischen Qualitäten materialbasierter Prozesse.
Quellen:
Spekulatives, kritisches Design und Designfiktion eröffnen spannende Möglichkeiten, um sich den komplexen Herausforderungen der Gegenwart und Zukunft zu nähern. Diese Ansätze erscheinen auf den ersten Blick vielleicht als eine Flucht vor der Komplexität, aber sie bieten tiefgreifende Perspektiven, um mit den drängenden Fragen unserer Zeit umzugehen.
Spekulatives Design geht über die bloße Vorstellung hinaus, wie die Welt in der Zukunft aussehen könnte. Es macht Zukunftsfantasien sichtbar und fühlbar, indem es ihnen eine konkrete Form gibt – durch Geschichten, Bilder oder Objekte. Diese "prototypischen" Zukünfte helfen uns, zu verstehen, wie sich die Welt entwickeln könnte, und regen dazu an, die eigene Vorstellung von einer wünschenswerten Zukunft aktiv zu gestalten. Dunne und Raby (2013) betonen in ihrem Konzept des spekulativen Designs die Bedeutung des Designs als Werkzeug zur Exploration und Visualisierung von Zukunftsvisionen. Diese Art von Design ermöglicht es, nicht nur wahrscheinliche, sondern auch wünschenswerte Zukünfte zu entwerfen und zu hinterfragen, wie wir als Gesellschaft dorthin gelangen können.
Spekulatives Design lädt dazu ein, bestehende Systeme, Normen und Technologien infrage zu stellen. Anstatt sofort nach Lösungen zu suchen, fördert es die Auseinandersetzung mit den zugrunde liegenden Problemen und Unzulänglichkeiten. Design wird hier als Mittel zur Reflexion und zur Anstiftung zu kritischen Diskussionen verstanden, wie auch von Dunne und Raby (2013) sowie von Fry (2009) unterstrichen wird. Diese Form des Designs bietet einen Raum für das Innehalten und das kritische Überdenken von scheinbar gegebenen Wahrheiten, sodass tiefgehende Fragen zu sozialen, ökologischen oder technologischen Entwicklungen angestoßen werden können.
Spekulatives Design nutzt fiktive Objekte, Geschichten oder Szenarien, um den Menschen zu helfen, sich in die Perspektiven anderer hineinzuversetzen. Durch diese Techniken können wir nicht nur die Sichtweisen von betroffenen Menschen oder zukünftigen Generationen verstehen, sondern auch von nicht-menschlichen Akteuren, die oft in Designprozessen übersehen werden. Die Designfiktion von Bleecker (2009) stellt die Bedeutung von Empathie als zentrales Element heraus. Durch das Schlüpfen in andere Rollen und Perspektiven wird es möglich, ein tieferes Verständnis für komplexe Themen und deren Auswirkungen auf verschiedene Lebensrealitäten zu entwickeln. Dies fördert ein respektvolleres und verantwortungsbewussteres Design, das die Bedürfnisse und Perspektiven aller beteiligten Akteure berücksichtigt.
Ein herausragendes Merkmal des spekulativen Designs ist seine Fähigkeit, gewohnte Denkmuster zu durchbrechen. Indem es absichtlich „unrealistische“ oder „unnütz“ erscheinende Szenarien entwickelt, öffnet es den Raum für neue, kreative Ideen und Lösungsansätze. Diese Art des Designs ist ein Schlüssel zur Förderung von Innovation und Transformation, da sie die Vorstellungskraft anregt und dazu herausfordert, über das Bekannte hinauszudenken. Bleecker (2009) und Dunne und Raby (2013) betonen, wie spekulatives Design den kreativen Prozess anregen kann, indem es unkonventionelle Ideen ins Spiel bringt und so die Grenzen des Machbaren erweitern kann. Dieser kreative Freiraum kann nicht nur neue Produkte oder Dienstleistungen hervorbringen, sondern auch neue Denkansätze und Werte.
Spekulatives Design ist nicht nur ein Werkzeug der Kreativität, sondern auch ein Instrument des politischen Aktivismus. Design kann genutzt werden, um gesellschaftliche Normen und Werte zu hinterfragen, Konsumkritik zu üben und alternative Lebens- und Wirtschaftsmodelle zu entwerfen. Es stellt die bestehenden Machtverhältnisse in Frage und zeigt auf, wie diese durch Design beeinflusst oder verändert werden können. Fry (2009) und Zuboff (2019) verdeutlichen, wie Design als Mittel genutzt werden kann, um beispielsweise die Überflutung der Gesellschaft mit Produkten zu hinterfragen und die emotionalen Erschöpfungen, die damit einhergehen, kritisch zu beleuchten. Diese Art von politischem Design fordert eine bewusste Auseinandersetzung mit den eigenen Konsumgewohnheiten und sozialen Strukturen und regt dazu an, alternative, gerechtere Lösungen zu suchen.
Ein weiterer wertvoller Aspekt des spekulativen Designs ist die Möglichkeit, eine Bestandsaufnahme der aktuellen Lebenswelt vorzunehmen. Durch einen Perspektivwechsel auf bekannte Lebensrealitäten und Herausforderungen kann Design dazu beitragen, unsere eigene Position in der Welt bewusster wahrzunehmen und zu reflektieren. Dies fördert nicht nur das Verständnis für bestehende Probleme, sondern auch die Einsicht in die Auswirkungen von Entscheidungen und Handlungen auf individuelle und gesellschaftliche Ebenen. Spekulatives Design hilft so, sich selbst als aktiven Teil eines größeren Ganzen zu begreifen und zu erkennen, wie Design zu gesellschaftlichem Wandel beitragen kann.
Quellen:
Dunne, A., & Raby, F. (2013). Speculative Everything: Design, Fiction, and Social Dreaming. MIT Press.
Bleecker, J. (2009). Design Fiction: A Short Essay on Design, Science, Fact and Fiction. Near Future Laboratory.
Fry, T. (2009). Design Futuring: Sustainability, Ethics and New Practice. Berg Publishers.
Zuboff, S. (2019). The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power. PublicAffairs.
Generative KI verändert derzeit grundlegend, wie kreative Prozesse initiiert, strukturiert und ausgeführt werden. Besonders im frühen konzeptionellen Stadium – also dort, wo Ideen entstehen, Perspektiven getestet und Szenarien entworfen werden – zeigt sich die disruptive Kraft dieser Technologie. Während klassische Designmethoden oft auf Nutzerzentrierung, iterative Entwicklung und empirische Forschung setzen, erlauben generative Werkzeuge eine radikale Erweiterung des Möglichkeitsraums. Hier bieten sich Methoden wie spekulatives Design, kritisches Design oder Designfiktion als wichtige komplementäre Zugänge an: Sie stellen nicht die technische Umsetzbarkeit, sondern die gesellschaftliche Relevanz, Wirkung oder Irritation in den Mittelpunkt. In diesem Spannungsfeld kann generative KI eine produktive Rolle einnehmen – nicht als Ersatz für menschliche Gestaltung, sondern als Impulsgeberin, Übersetzerin oder kritische Mitgestalterin. Die folgenden Beispiele zeigen mögliche Denk- und Handlungsperspektiven:
KI-Systeme können genutzt werden, um Denkmuster aufzubrechen und neue Perspektiven auf gewohnte Themen zu eröffnen. Durch text- oder bildbasierte Impulse entstehen alternative Entwürfe, überraschende Analogien oder gestalterische Störungen, die als Gesprächsanlass oder Ausgangspunkt dienen können. Dabei bleibt die Steuerung – also die kuratorische und ethische Kontrolle – bei den Gestalter:innen. Besonders in frühen Phasen eines Projekts kann KI als Feedbackgeberin oder Ideen-Generatorin fungieren, die Denkbahnen erweitert, ohne sie zu dominieren.
Ein weiteres Potenzial liegt in der Fähigkeit, Inhalte über mediale Grenzen hinweg zu transformieren – etwa wenn Klang in Bild, Bewegung in Text oder Daten in räumliche Strukturen übersetzt werden. So entstehen neue Formen der Narration, Wahrnehmung und Partizipation. Generative KI kann hier als technisches Bindeglied fungieren, das unterschiedliche Ausdrucksformen miteinander verknüpft und ungewöhnliche Perspektivwechsel eröffnet. Auch spekulative Szenarien können auf diese Weise multisensorisch erfahrbar gemacht werden.
In komplexen Projekten, in denen verschiedene Wissensbereiche aufeinandertreffen – etwa Kunst, Wissenschaft, Technik oder Soziologie – kann KI als Vermittlerin agieren. Sie erlaubt es, Daten, Konzepte oder Metaphern aus einem Bereich in die Sprache eines anderen zu übertragen und so gemeinsame Denkräume zu eröffnen. Besonders in inter- oder transdisziplinären Kontexten kann das Zusammenspiel zwischen menschlicher Interpretation und maschineller Umformung neue Synergien schaffen.
KI lässt sich auch bewusst gegen den Strich denken: als Werkzeug, das eigene Gestaltungsannahmen hinterfragt. Welche impliziten Normen, Stereotype oder Ausschlüsse sind in einem Entwurf enthalten? Welche sozialen oder ökologischen Auswirkungen könnten entstehen? Durch gezielte Prompt-Gestaltung oder den Einsatz spezieller Analysemodelle können solche Fragen im Entwurfsprozess sichtbar gemacht werden – nicht als endgültige Bewertung, sondern als Anstoß zur Reflexion.
Ein zentrales Potenzial liegt in der Fähigkeit, komplexe Inhalte verständlich zu machen – sei es durch Visualisierung, Vereinfachung oder narrative Rahmung. In diesem Sinne kann KI helfen, Design als Übersetzungsarbeit zu begreifen: zwischen Fachdisziplinen, zwischen kulturellen Codes, zwischen Generationen oder gesellschaftlichen Gruppen. Anwendungen könnten hier z. B. die visuelle Übersetzung wissenschaftlicher Inhalte für Kinder, die Gestaltung barrierefreier Formate oder die mehrsprachige Visualisierung abstrakter Zusammenhänge umfassen.
Auch im Bildungsbereich kann KI als Werkzeug für spekulative Szenarien und kritische Auseinandersetzung eingesetzt werden – etwa indem sie Lernende dazu anregt, alternative Zukunftsentwürfe zu entwickeln, normative Systeme zu hinterfragen oder neue Rollen einzunehmen. Sie lässt sich in diesem Sinne als methodischer Baustein in der Gestaltung von Lernumgebungen verstehen, die Kreativität, Verantwortung und Urteilskraft fördern. Denkbar sind Szenarien individueller Lernbegleitung ebenso wie Gruppenformate, in denen KI als Dialogpartnerin fungiert.
Mit dem Aufkommen generativer KI hat sich das kreative Arbeiten grundlegend verschoben – nicht nur in Bezug auf Werkzeuge und Methoden, sondern auch in seinem emotionalen, körperlichen und epistemischen Gehalt. Während KI-Systeme unzählige neue Ausdrucksformen ermöglichen, zeigen sich zunehmend Symptome einer kreativen Entfremdung: Reizüberflutung, Entscheidungslähmung, gestörte Materialbeziehungen und eine Erosion kritischer Urteilskraft.
Diese Entwicklungen lassen sich nicht nur empirisch beobachten, sondern auch theoretisch einordnen – aus Sicht der Kognitionswissenschaft, der Medientheorie, der Ethik und der Gestaltungspraxis. Der folgende Abschnitt versammelt zentrale Phänomene dieser Entfremdung und kontrastiert sie mit Positionen aus der Kreativitätsforschung, um zu zeigen, warum der schöpferische Prozess unter KI-Bedingungen neu gedacht – und möglicherweise neu verankert – werden muss.
Generative KI führt zu einer paradoxen Situation: Während sie scheinbar unbegrenzte gestalterische Möglichkeiten eröffnet, löst sie bei Gestalter:innen und Rezipient:innen oft Entscheidungslähmung aus. Dieses Phänomen lässt sich durch das Konzept des „Choice Overload“ (Iyengar & Lepper, 2000) erklären – zu viele Optionen überfordern das kognitive System und reduzieren letztlich die Zufriedenheit. Gleichzeitig führt die ständige Konfrontation mit KI-generierten Inhalten zu einer psychischen Sättigung (Kurt Lewin, 1951), bei der das Interesse an kreativen Reizen durch Wiederholung abnimmt. Hinzu kommt die von Baudrillard (1981) beschriebene Hyperrealität: Wenn KI-Simulationen perfekter wirken als die Realität, entsteht eine Desillusionierung gegenüber authentischen kreativen Prozessen.
Kreativität ist eng mit physischer Interaktion verbunden – ein Prinzip, das in der Theorie der „Embodied Cognition“ (Lakoff & Johnson, 1999) verankert ist. Generative KI abstrahiert jedoch diesen Prozess und entkoppelt ihn von materieller Erfahrung. Besonders problematisch ist der Verlust impliziten Wissens (Polanyi, 1966), etwa das intuitive Verständnis von Materialeigenschaften oder handwerklichen Techniken. Wie Dreyfus (2002) argumentiert, kann KI solche körpergebundenen Fähigkeiten nicht vollständig ersetzen. Auch Don Norman (2013) betont in seiner Designforschung, dass physisches Prototyping essenziell bleibt, um echte Innovation zu ermöglichen.
KI-generierte Visualisierungen setzen oft unrealistische Maßstäbe, die reale Umsetzungen selten erfüllen können. Die Expectation-Disconfirmation-Theory (Oliver, 1980) zeigt, dass solche Diskrepanzen zu Frustration führen. Zudem wirken perfekt berechnete Entwürfe häufig unnatürlich – ein Effekt, der mit dem „Uncanny Valley“ (Mori, 1970) beschrieben wird. Je realistischer KI-Outputs werden, desto stärker empfinden Menschen sie als unheimlich oder unecht (Moore, 2012).
Innovation entsteht oft durch Reibung und kritische Auseinandersetzung – ein Prozess, den Leonard-Barton (1995) als „Creative Abrasion“ bezeichnet. Generative KI glättet jedoch diese Widerstände und produziert scheinbar mühelose Lösungen, die tiefere Reflexion ersetzen. Gleichzeitig führt die schiere Menge an KI-generierten Optionen zum „Satisficing“-Effekt (Simon, 1956): Nutzer:innen wählen nicht die beste, sondern die erste akzeptable Variante. Dies untergräbt langfristig die Qualität kreativer Entscheidungen (Schwartz, 2004).
Generative KI ermöglicht spekulative Entwürfe ohne Rücksicht auf physische oder ökologische Grenzen – ein Phänomen, das James Bridle (2018) als „Dark Design“ kritisiert. Solche „Zombie-Projekte“ sind zwar ästhetisch überzeugend, aber oft nicht realisierbar. Ursula K. Le Guin warnte bereits vor einer post-digitalen Entmaterialisierung, die die Verbindung zur realen Welt verlieren lässt. Wie Dunne & Raby (2013) betonen, muss spekulatives Design stets seine gesellschaftlichen und materiellen Konsequenzen bedenken.
Die Omnipräsenz KI-generierter Inhalte führt zu einer wachsenden „Algorithmic Anxiety“ (Binns, 2018) – einem Misstrauen gegenüber der Authentizität digitaler Medien. Gleichzeitig ersetzt KI zunehmend menschliche Expertise, was laut Fricker (2007) zu einer epistemischen Ungerechtigkeit führt: Wenn Urteilsvermögen durch algorithmische Systeme ersetzt wird, verkümmert die Fähigkeit zur kritischen Bewertung.
Die wachsende Entkopplung von Körper, Material und Urteilskraft in KI-gestützten Gestaltungsprozessen verlangt nach bewussten Korrekturen. Kreative Entfremdung ist kein unausweichlicher Nebeneffekt technologischer Innovation, sondern ein gestaltbares Phänomen – sofern Gegenstrategien systematisch integriert werden.
Die folgenden Ansätze zeigen exemplarisch, wie sich kreative Integrität, kritische Distanz und materielle Rückkopplung trotz – oder gerade durch – den Einsatz generativer KI erhalten lassen. Sie verbinden theoretisch fundierte Konzepte mit unmittelbar anwendbaren Designprinzipien und operativen Praktiken, die sowohl individuelle Gestalter:innen als auch Teams in Organisationen adaptieren können. Ziel ist es, KI nicht als Ersatz, sondern als Impulsgeber in einem vielstimmigen, menschzentrierten Prozess zu verankern.
Eine bewusste Integration von Unperfektheiten kann der Überforderung durch hyperglatte KI-Ergebnisse entgegenwirken. Beispielsweise können handgezeichnete Skizzen neben KI-generierten Renderings präsentiert werden, um den menschlichen Charakter des Entwurfsprozesses zu betonen. Diese Methode stützt sich auf Erkenntnisse von Norman (2013), der im „Aesthetic-Usability Effect“ zeigt, dass leicht unperfekte Designs oft als zugänglicher und authentischer wahrgenommen werden.
Um der Entscheidungslähmung durch zu viele KI-generierte Varianten vorzubeugen, sollte die Auswahl auf 3–5 stark divergierende Konzepte begrenzt werden. Dieses Vorgehen basiert auf der Studie von Iyengar & Lepper (2000), die nachweist, dass eine moderate Auswahl die Zufriedenheit und Entscheidungsqualität erhöht – im Gegensatz zu unüberschaubaren Optionenmengen.
Trotz KI-basierter Visualisierungen sollte mindestens ein Low-Fidelity-Prototyp physisch gebaut werden – etwa aus Karton, Ton oder anderen leicht verfügbaren Materialien. Diese Praxis ist durch Forschung von Bergström & Clark (2014) belegt, die zeigt, dass physisches Prototyping kognitive und kreative Prozesse unterstützt, die digitale Tools allein nicht leisten können.
KI-Entwürfe sollten von vornherein auf real verfügbare Materialien und Herstellungstechniken beschränkt werden. Dieses Prinzip orientiert sich an der „Experience Prototyping“-Methode von Buchenau & Suri (2000), die betont, dass frühe physische Tests unrealistische Erwartungen vermeiden helfen.
Um Diskrepanzen zwischen KI-Visualisierungen und realer Umsetzbarkeit zu minimieren, sollten Limitationen direkt in den Entwürfen annotiert werden (z. B. „Diese Oberfläche ist derzeit nicht recyclebar“). Dies entspricht der „Expectation-Disconfirmation-Theory“ (Oliver, 1980), die Frustration durch transparente Erwartungssteuerung reduziert.
Durch gezielte Aufforderungen wie „Zeige mir unfertige, skizzenhafte Varianten“ können KI-Systeme zu weniger glatten, dafür inspirierenderen Ergebnissen angeregt werden. Gaver et al. (2003) demonstrieren in ihrer Arbeit zu „Ambiguity as a Resource for Design“, dass solche offenen Darstellungen kreative Interpretationen fördern.
Ein rhythmischer Wechsel zwischen manuellen und KI-gestützten Phasen – z. B. Handskizze → KI-Ausarbeitung → manuelle Überarbeitung – erhält die kreative Kontrolle. Buxton (2007) unterstreicht in „Sketching User Experiences“, dass dieser Hybridansatz die Stärken beider Methoden vereint.
Eine 15-minütige analoge Brainstorming-Phase vor KI-Nutzung verhindert vorschnelle Konformität mit algorithmischen Vorschlägen. Nijstad et al. (2002) belegen, dass solche rein menschlichen Ideenfindungsprozesse originellere Lösungen hervorbringen.
KI-Entwürfe sollten systematisch mit Fachleuten aus Handwerk und Ingenieurwesen diskutiert werden, um technische Machbarkeit zu prüfen. Dunne & Raby (2013) argumentieren in „Speculative Everything“, dass solche Brücken zwischen Spekulation und Praxis essenziell für verantwortungsvolles Design sind.
Die Übersetzung KI-generierter Konzepte in physische Modelle (z. B. via 3D-Druck plus manueller Nachbearbeitung) stellt den Bezug zur Materialität her. Kwon et al. (2017) zeigen in „Hybrid Making“, dass solche hybriden Prozesse innovative und umsetzbare Ergebnisse liefern.
Die Einbindung von Nutzer:innen in KI-Designprozesse – etwa durch partizipative Workshops – kann manipulative Ästhetiken aufdecken. Sanders & Stappers (2008) belegen in ihrer Forschung zu Co-Creation, dass diese Methode ethisch robustere Lösungen hervorbringt.
Viktor Papanek, der Vordenker eines sozial und ökologisch verantwortlichen Designs, betonte stets die Notwendigkeit von realitätsbezogenen, erdgebundenen Gestaltungsansätzen. Seine Prinzipien bieten wertvolle Gegenstrategien zur kreativen Entfremdung durch generative KI und spekulatives Design.
Papanek forderte, dass Gestaltung konkrete Probleme lösen muss – nicht nur spekulative Visionen produzieren. Im Kontext generativer KI bedeutet dies: Jeder Entwurf sollte auf Machbarkeit, Ressourcenverbrauch und gesellschaftlichen Nutzen überprüft werden. Statt utopischer KI-Renderings könnten Designer:innen Tools wie Life-Cycle-Assessment-Software integrieren, um ökologische Folgen abzubilden („Realitäts-Check-Prompting“).
Papaneks Plädoyer für improvisiertes, materialnahes Arbeiten („Do-It-Yourself-Design“) lässt sich als Anti-Deepfake-Methode adaptieren: KI-Entwürfe sollten gezielt mit physischen Bastelprototypen kombiniert werden, um hybride Lösungen zu schaffen. Beispiel: Ein KI-generiertes Möbeldesign wird sofort aus recycelten Materialien nachgebaut – die dabei auftretenden Grenzen führen zu kreativer Problemlösung statt Entfremdung.
Papanek arbeitete stets mit lokalen Akteuren zusammen, um kulturelle Blindstellen zu vermeiden. Übertragen auf KI-gestütztes Design heißt das: Partizipative Prompt-Entwicklung, bei denen Nutzer:innen oder Handwerker:innen die Trainingsdaten und Suchanfragen mitgestalten. So entstehen keine hyperrealistischen, aber realitätsfernen Konzepte, sondern bedarfsorientierte Entwürfe.
Papanek kritisierte „Zukunftsdesign“, das die Gegenwart ignoriert. Sein Ansatz: Spekulation muss unmittelbar umsetzbare Schritte enthalten. Für generative KI ließe sich dies als „Nowistisches Prompting“ umsetzen – z. B.: „Zeige fünf Varianten dieses Stuhls, die mit lokal verfügbaren Materialien und Werkstätten herstellbar sind.“
Sein Konzept der designpädagogischen Praxis erinnert daran, dass Kreativität Handwerk braucht. Gegen die Dematerialisierung hilft: KI als Werkzeug zur Wissensvermittlung nutzen – etwa durch Tutorials, die traditionelle Techniken erklären („KI-gestützte Handwerks-Rekonstruktion“).
Die Gestaltung mit KI kann und sollte sich an etablierten nachhaltigen Designmodellen orientieren, um nicht nur ästhetische, sondern auch ethische und ökologische Verantwortung zu übernehmen. Zwei einflussreiche Werke, die als Inspiration dienen können, sind „Cradle to Cradle“ von William McDonough und Michael Braungart (2002) und „Donut Economics“ von Kate Raworth (2017). Beide Werke fordern eine grundlegende Neuausrichtung von Designprozessen, die auf die langfristigen Auswirkungen auf Umwelt und Gesellschaft achten. Übertragen auf die Arbeit mit generativer KI ergeben sich aus diesen Konzepten spezifische Ansätze und Methoden.
Life-Cycle-Assessment direkt im Prompt – inspiriert von „Cradle to Cradle“ In „Cradle to Cradle“ fordern McDonough und Braungart einen Designprozess, der von Anfang an den gesamten Lebenszyklus eines Produkts berücksichtigt – von der Rohstoffgewinnung über den Gebrauch bis hin zur Entsorgung. Dieses Konzept lässt sich in der KI-gestützten Gestaltung umsetzen, indem generative Modelle mit Life-Cycle-Assessment (LCA) ausgestattet werden. Ein Beispiel: Die KI könnte durch gezielte Prompts bereits in der Entwurfsphase nach den ökologischen Auswirkungen von Materialien fragen und alternative, nachhaltigere Optionen vorschlagen. Ein typischer Prompt könnte lauten:
„Zeige mir drei Materialvarianten dieses Produkts, gib den CO₂-Fußabdruck an und prüfe, ob die Materialien recyclebar sind.“
Donut-Check für soziale und ökologische Grenzen – inspiriert von Kate Raworths Donut-Ökonomie Kate Raworths Donut Economics stellt ein Modell vor, das wirtschaftliche Entwicklung innerhalb der Grenzen von ökologischer Nachhaltigkeit und sozialer Gerechtigkeit fordert. Die KI-gestützte Gestaltung könnte durch sogenannte Boundary-Check-Prompts angepasst werden, die automatisch überprüfen, ob ein Design innerhalb dieser Grenzen bleibt. Ein Beispiel könnte sein:
„Prüfe, ob dieses Design die sozialen Mindeststandards erfüllt und keine planetaren Grenzen überschreitet.“
Terrestrisches Design und lokale Co-Creation – inspiriert von Bruno Latour In Terrestrisches Design fordert Bruno Latour dazu auf, die „Ökologisierung“ von Designprozessen auf den realen Kontext und die spezifischen Bedürfnisse von Gemeinschaften zu beziehen. Dies lässt sich auf KI übertragen, indem Designer:innen mit lokalen Akteuren zusammenarbeiten und gemeinsam an der Umsetzung von KI-generierten Entwürfen arbeiten. Reality-Check-Workshops und Co-Design-Labs, bei denen KI-Modelle mit lokalen Handwerker:innen oder Kommunen zusammengeführt werden, stellen sicher, dass die generierten Entwürfe realistisch, praktikabel und kontextsensitiv sind. Diese Methode fördert die Transparenz und Verantwortung in der Nutzung von KI, sodass die kreativen Ergebnisse nicht nur technologisch innovativ, sondern auch kulturell und ökologisch relevant sind.
Partizipative Daten-Governance und nachhaltige Datenquellen Ein zentraler Punkt bei der Arbeit mit KI ist die Frage nach den Datenquellen, auf denen die Modelle basieren. Inspiration aus den Konzepten von „Cradle to Cradle“ und der Donut-Ökonomie zeigt, dass die Daten, mit denen KI-Systeme trainiert werden, ebenfalls nachhaltig und sozial verantwortlich sein müssen. Ein möglicher Ansatz ist die partizipative Daten-Governance, bei der Gemeinden und Nutzer:innen aktiv in den Prozess der Datenerhebung und -verwertung einbezogen werden. Diese Praxis könnte durch Participatory Data Trusts realisiert werden, in denen Daten nicht nur gesammelt, sondern auch gemeinschaftlich verwaltet und genutzt werden. Ein solcher Ansatz stellt sicher, dass die generativen Modelle auf einer fairen, transparenten und verantwortungsbewussten Datenbasis aufbauen.
Regeneratives Design und „Nowistisches Prompting“ Aus Cradle to Cradle und Raworths Donut Economics lassen sich auch die Prinzipien der regenerativen Gestaltung ableiten, die darauf abzielen, natürliche und soziale Systeme zu regenerieren, statt sie nur zu erhalten. KI-gestützte Gestaltung könnte durch Regenerative-Prompting und Nowistisches Prompting konkretisiert werden, indem Designer:innen KI-Modelle dazu anregen, sofort umsetzbare Lösungen zu finden, die sowohl ökologische als auch soziale Regeneration fördern. Ein Beispiel-Prompt wäre:
„Zeige mir fünf Varianten dieses Produkts, die mit lokal verfügbaren Materialien und Werkstätten herstellbar sind und deren Herstellung den ökologischen Fußabdruck der Region reduziert.“
Die Biomimicry-Bewegung nach Janine Benyus und der ökologisch-soziale Ansatz von Joseph Beuys bieten entscheidende Perspektiven, um spekulatives Design und generative KI wieder mit natürlichen Prinzipien und sozialer Verantwortung zu verbinden. Während KI häufig in abstrakten, entmaterialisierten Räumen operiert, fordert Biomimicry eine bewusste Orientierung an evolutionär erprobten Lösungen – und Beuys erinnert daran, dass wahrhaft kreative Prozesse stets in ökologische und gemeinschaftliche Zusammenhänge eingebettet sein müssen.
Generative KI neigt dazu, ästhetisch perfekte, aber naturferne Formen zu produzieren. Biomimicry hingegen nutzt 3,8 Milliarden Jahre evolutionäre Optimierung als Leitfaden für zukunftsfähiges Design. Diese Haltung lässt sich konkret auf KI-gestützte Prozesse übertragen: Durch „Bio-Informed Prompting“ können KI-Anfragen gezielt mit biologischen Constraints versehen werden – etwa indem eine klimaneutrale Verpackung nach dem Prinzip der Bienenwabe generiert wird. Statt rein ästhetischer Bewertungskriterien ließe sich „evolutionäre Iteration“ etablieren, bei der KI-Entwürfe nach biomimetischer Effizienz beurteilt werden, etwa durch Strömungssimulationen, die sich an Haihaut-Oberflächen orientieren. Entscheidend ist hier die Idee, die Natur als Co-Designer zu begreifen – etwa indem KI-Trainingsdaten mit biologischen Strukturen angereichert werden, um Algorithmen zu entwickeln, die Fraktalwachstum oder andere natürliche Prinzipien nachahmen. Im Gegensatz zu utopischen „Zombie-Projekten“ des spekulativen Designs entstünden so real umsetzbare, ressourcenoptimierte Lösungen.
Joseph Beuys’ Konzept der „Sozialen Plastik“ betont, dass jeder Gestaltungsakt die Gesellschaft und Umwelt formt. Für generative KI bedeutet dies eine radikale Erweiterung des Verantwortungshorizonts. Statt isolierter Algorithmen könnten „kollektive Prompt-Entwicklungen“ in partizipativen Workshops mit lokalen Communities entstehen – beispielsweise durch die Frage: „Wie sähe eine KI-generierte Stadt aus, die nach Waldprinzipien funktioniert?“ Beuys’ Ansatz würde zudem „regenerative Design-Sprints“ nahelegen, bei denen jeder KI-Prototyp einen konkreten ökologischen Mehrwert haben müsste, etwa durch Algorithmen, die CO₂-absorbierende Materialien vorschlagen. Entscheidend ist hier die Wiederverbindung mit Stofflichkeit: KI-Outputs sollten nicht im Digitalen verharren, sondern physisch in Kreisläufe zurückgeführt werden – durch Kompostierbarkeitstests, Upcycling-Experimente oder andere Formen materieller Verantwortung. Dies wäre ein Gegenentwurf zur kreativen Entfremdung, der KI stattdessen als Werkzeug für tangible, lebendige Systeme begreift.
Sowohl Biomimicry als auch Beuys lehren, dass organische Prozesse oft mehr Wert sind als bloße Kalkulation. Methodisch ließe sich dies durch „generative Unperfektion“ umsetzen – KI-Systeme könnten so trainiert werden, dass sie „natürliche“ Unregelmäßigkeiten einbauen, etwa Texturen, die Baumringen oder Erosionsspuren ähneln. Ebenso ließe sich „Slow Design mit KI“ etablieren: Statt sofortiger Renderings würden langsame, iterative Prozesse gefördert, wie sie etwa bei KI-gestützten Myzelium-Strukturen denkbar wären, die in Echtzeit nachwachsen müssen. Schließlich könnte KI genutzt werden, um „narrative Ökologien“ zu generieren – Geschichten über Materialherkunft und Lebenszyklen, die das Bewusstsein für Stofflichkeit stärken. Quellen:
Diese Methode dezentriert westliche Wissenssysteme, indem sie indigene Praktiken, orale Traditionen und alternative Materialkulturen in den Designprozess einbezieht. Mignolo (2009) argumentiert, dass Dekolonialität nicht nur eine Kritik an Eurozentrismus ist, sondern eine aktive Wissensproduktion jenseits westlicher Logiken erfordert. Ein Beispiel ist die Arbeit von Design-Initiativen in Lateinamerika, die koloniale Ästhetiken durch präkolumbische Handwerkstechniken ersetzen (vgl. Escobar, 2018). Spekulatives Design könnte hier eine Rolle spielen, indem es Zukunftszenarien entwirft, in denen nicht-westliche Epistemologien dominieren – etwa durch „Design-Fiktionen“, die Technologien aus indigenen Perspektiven imaginieren.
Eine tragfähige Alternative zur extraktiven Datenpraxis globaler KI-Konzerne bieten community-geführte Data Trusts. Dabei werden Daten nicht zentral von Unternehmen verwaltet, sondern lokal und kollektiv kuratiert – etwa in Form gemeinwohlorientierter Datenpools oder offener Wissensplattformen. Solche Modelle ermöglichen es, KI auf Grundlage geteilter Werte und Kontexte zu entwickeln. Gleichzeitig fördern sie die Transparenz und Nachvollziehbarkeit gestalterischer Entscheidungen, da Herkunft, Zielsetzung und Auswirkungen der genutzten Daten kollektiv verhandelbar bleiben.
Beispiel: DECODE-Projekt in Barcelona
Diese Methode unterläuft Wachstumslogik durch Prinzipien wie Reparierbarkeit, lokale Kreisläufe und bewusste Nicht-Skalierbarkeit. Tonkinwise bezieht sich auf Papanek (1971), der „responsible design“ als Gegenmodell zur Wegwerfgesellschaft forderte. Ein konkretes Beispiel ist das „Open Structures“-Projekt, ein modulares Baukastensystem, das globale Standardisierung durch lokale Anpassbarkeit ersetzt (Tonkinwise, 2015). Spekulatives Design könnte hier „Postwachstums-Prototypen“ entwerfen – etwa eine Fiktion, in der Städte auf Tauschlogiken statt Geld basieren.
Bridle macht unsichtbare Systeme wie Algorithmen oder Lieferketten durch Reverse Engineering sichtbar – z.B. in Kunstprojekten, die KI-Entscheidungen physisch nachbauen. Dies korreliert mit Papanek’s Kritik an den „sozialen Kosten“ von Technologie (1983). Ein Beispiel ist „The New Dark Age“ (Bridle, 2018), das Cloud-Infrastrukturen als materielle Landschaften darstellt. Design Fiction könnte hier „Spekulative Forensik“ betreiben – z.B. eine Zukunft, in der Bürger:innen Algorithmen vor Gericht stellen.
Kleine, aber systemisch wirksame Interventionen – wie Open-Source-Werkzeuge für lokale Produktion – stehen im Mittelpunkt. Mau verbindet Papanek’s „small is beautiful“-Ansatz mit heutiger Maker-Bewegung. Beispiel: „Precious Plastic“, eine DIY-Recyclingmaschine, die global nachgebaut wird. Spekulatives Design könnte „Proto-Interventionen“ entwerfen – z.B. eine serielle Anleitung, wie Mikro-Änderungen eine Stadt demokratisieren.
Hier geht es darum, konsumistische Denkmuster aktiv zu verlernen – etwa durch „De-Design“-Workshops, die Bedürfnisse hinterfragen. Fry (2009) knüpft an Papanek’s Kritik an „obsolete objects“ an. Beispiel: „The Unconsumerism Toolkit“, das Leute dazu bringt, Kaufentscheidungen zu dekonstruieren. Design Fiction könnte „Anti-Produkt-Narrative“ entwickeln – z.B. eine Werbung, die zum Nicht-Kaufen auffordert.
Gegen den „Solutionismus“ des Silicon Valley, der komplexe Probleme vereinfacht. Statt Lösungen zu bieten, hält diese Methode Widersprüche offen – z.B. durch „Problem-Fiction“, die Dilemmata verstärkt. Morozov (2013) kritisiert Tech-Utopien; ein Beispiel ist „The Toaster Project“ (Thwaites), das die Absurdität globaler Produktion zeigt. Spekulatives Design könnte hier „Nicht-Lösungen“ entwerfen – z.B. eine KI, die bewusst scheitert.
Diese Methode provoziert politischen Streit statt Harmonie – z.B. durch Installationen, die Konflikte sichtbar machen. Rancière (2010) lehnt konsensorientiertes Co-Design ab. Beispiel: „The Museum of Arte Útil“, das Nutzen und Macht hinterfragt. Design Fiction könnte „Polarisierende Zukünfte“ entwerfen – z.B. eine Stadt, in der Demokratie durch Losverfahren ersetzt wird.
Wildnis als Gestaltungsprinzip: Systeme, die sich unkontrollierbar entwickeln – wie KI als „unkalkulierbarer Akteur“. Bateson’s Ökologie der Freiheit (1972) inspiriert Projekte wie „The Next Rembrandt“ (KI-Kunst). Spekulatives Design könnte „Posthumanistische Szenarien“ entwerfen – z.B. eine Natur, die Technologie zurückerobert.
Tools zum Verlassen von Systemen – wie „How to Leave Social Media“-Anleitungen. Graeber (2014) verbindet anarchistische Praxis mit Design. Beispiel: „The School of Disobedience“. Design Fiction könnte „Exit-Protokolle“ entwerfen – z.B. eine Schritt-für-Schritt-Anleitung zum Verlassen des Kapitalismus.
Infrastrukturen hacken statt neu bauen – z.B. KI, die mit „Datenmüll“ trainiert wird. Parikka (2015) knüpft an Papanek’s Recycling an. Beispiel: „Google Earth Hacks“, die Satellitenbilder subversiv nutzen. Spekulatives Design könnte „Parasitäre Zukünfte“ zeigen – z.B. eine Stadt, die von Abfallalgorithmen lebt.
Sorgebeziehungen ins Zentrum stellen – z.B. Repair-Cafés als politische Praxis. Puig de la Bellacasa (2017) verbindet feministische Ökologien mit Papanek’s Ethik. Beispiel: „The Care Collective“. Design Fiction könnte „Fürsorge-Prototypen“ entwerfen – z.B. eine Roboter-Pflegekraft, die sich weigert, effizient zu sein.
Quellen:
Eine allgemeine Definition: Eine Idee ist ein geistiger Entwurf, der als Ausgangspunkt für Denken, Handeln oder Gestalten dient. Sie entsteht oft intuitiv oder durch Inspiration und kann ein Problem lösen, eine neue Sichtweise eröffnen oder kreative Prozesse anstoßen. In gestalterischen Kontexten ist die Idee jedoch mehr als ein bloßer Einfall – sie ist Teil eines offenen, sich entwickelnden Prozesses.
Ideen sind selten losgelöst vom Medium, in dem sie entstehen. Der Medientheoretiker Vilém Flusser beschreibt, dass sich unser Denken zunehmend durch technische Apparate wie Kameras oder Computer strukturiert. Diese Geräte erzeugen nicht nur Bilder, sondern lenken auch den Blick – sie formen bereits die Idee, bevor sie sichtbar wird (Flusser 1983, Für eine Philosophie der Fotografie). In der Gestaltung heißt das: Medien sind nicht nur Werkzeuge zur Umsetzung von Ideen, sondern Mitgestalter ihres Ursprungs.
Auch Gilbert Simondon geht davon aus, dass Ideen nicht fertig im Kopf existieren, sondern sich im Zusammenspiel von Denken, Technik und Materialität herausbilden. Er spricht von „Individuation“ – einem Prozess, in dem sich Formen, Gedanken und technische Umgebungen gegenseitig beeinflussen. Für kreative Arbeit bedeutet das: Ideen entstehen oft erst durch das konkrete Tun, durch das Arbeiten am Material (Simondon 1958, L’individuation à la lumière des notions de forme et d’information).
Cornelia Vismann betont, dass Medienpraktiken wie Schreiben, Archivieren oder Programmieren entscheidend dafür sind, dass eine Idee überhaupt fassbar wird. Ohne ein Medium bleibt die Idee flüchtig – durch das Medium wird sie sichtbar und handhabbar. Medien sind dabei nicht neutral, sondern strukturieren den Denkprozess mit (Vismann 2000, Akten. Medientechnik und Recht).
In philosophischer Perspektive verweist Hannah Arendt auf den Zusammenhang zwischen Denken, Handeln und dem Anfang von etwas Neuem. Eine Idee ist für sie kein abgeschlossenes Konzept, sondern der Impuls für eine Handlung im öffentlichen Raum. Kreative Prozesse sind damit auch politische Akte, weil sie Weltbezüge schaffen und verändern können (Arendt 1958, Vita activa oder Vom tätigen Leben).
In der gestalterischen Praxis zeigt sich: Eine Idee ist nie nur geistig, sondern immer schon in ein Geflecht aus Werkzeugen, Körpern, Kontexten und Materialien eingebunden. Sie verändert sich durch das, womit und worin wir arbeiten. Gestaltung beginnt also nicht erst mit einer fertigen Idee, sondern oft genau dort, wo Denken, Medium und Handlung sich begegnen.
Quellen:
Flusser, Vilém (1983): Für eine Philosophie der Fotografie. Göttingen: European Photography.
Simondon, Gilbert (1958): L’individuation à la lumière des notions de forme et d’information. Grenoble: Éditions Jérôme Millon (Neuauflage 2005).
Vismann, Cornelia (2000): Akten. Medientechnik und Recht. Frankfurt am Main: Fischer.
Arendt, Hannah (1958): Vita activa oder Vom tätigen Leben. München: Piper.
Ein Prototyp ist ein vorläufiges Modell – ein erster Entwurf eines Produkts, einer Idee oder Technologie. Er wird genutzt, um herauszufinden, ob etwas grundsätzlich funktioniert, wie es sich weiterentwickeln lässt und wie Menschen darauf reagieren. Prototypen sind nicht dazu da, perfekt zu sein – sie sind Werkzeuge zum Ausprobieren, Verwerfen, Anpassen und Lernen.
Prototypen aus designwissenschaftlicher Perspektive
In der Designforschung gilt der Prototyp nicht nur als technisches Testmodell, sondern als epistemisches Objekt – ein Objekt, das Wissen erzeugt. Die Wissenschaftshistorikerin Karin Knorr Cetina beschreibt epistemische Objekte als Dinge, die nie ganz fertig sind, sondern sich im Gebrauch verändern und neue Erkenntnisse ermöglichen (Knorr Cetina 2001, Objectual Practice). Ein Prototyp ist also nicht nur Mittel zum Zweck, sondern Teil eines offenen Erkenntnisprozesses.
Gestalterisch gesehen ermöglicht der Prototyp ein Denken durch das Machen (thinking through making). Dabei steht nicht nur das Ergebnis im Fokus, sondern die Interaktion mit Material, Technik, Körper und Kontext. Wie Clive Dilnot betont, ist Design kein reines Problemlösen, sondern ein Prozess, der gesellschaftliche und kulturelle Fragen aufwirft – der Prototyp wird so zum Ort der Auseinandersetzung mit der Welt (Dilnot 2015, A Manifesto for Design Research).
Prototypen in spekulativem, kritischem und fiktionalem Design
In Bereichen wie Speculative Design, Design Fiction und Kritischem Design wird der Prototyp bewusst aus dem Bereich der Lösungsorientierung herausgelöst. Hier geht es nicht mehr darum, ein Produkt zu verbessern, sondern neue Denk- und Möglichkeitsräume zu eröffnen.
Spekulatives Design – etwa nach Anthony Dunne und Fiona Raby – nutzt Prototypen, um alternative Zukunftsszenarien zu entwerfen. Sie dienen nicht als Vorschläge für die reale Produktentwicklung, sondern als Impulse, um über Technik, Gesellschaft und Werte nachzudenken (Dunne & Raby 2013, Speculative Everything).
Design Fiction bedient sich narrativer Mittel: Videos, Objekte, Installationen oder Interfaces entwerfen erfundene Welten, um mögliche soziale und technologische Entwicklungen erlebbar zu machen. Der Prototyp wird hier zur Fiktion mit analytischer Kraft – eine Erzählung in materieller Form.
Im Kritischen Design dagegen wird der Prototyp gezielt zur Irritation eingesetzt. Anstatt zu gefallen, soll er hinterfragen: gesellschaftliche Normen, technologische Selbstverständlichkeiten oder ethische Dilemmata. Der Prototyp wird so zum Mittel des Widerstands und der Reflexion.
Fazit
Ein Prototyp ist nie nur ein Ding – er ist eine Denkform, eine Erkundung, ein Gesprächspartner. Er erlaubt, etwas Temporäres, Fragendes, Prozesshaftes in die Welt zu stellen. In der Gestaltungspraxis verbindet er Vorstellungskraft mit Materialität, und im besten Fall macht er Unsichtbares sichtbar.
Quellen:
Knorr Cetina, Karin (2001): Objectual Practice. In: Schatzki, T. R. / Knorr Cetina, K. / von Savigny, E. (Hg.): The Practice Turn in Contemporary Theory. London: Routledge, S. 175–188.
Dunne, Anthony / Raby, Fiona (2013): Speculative Everything: Design, Fiction, and Social Dreaming. Cambridge, MA: MIT Press.
Dilnot, Clive (2015): A Manifesto for Design Research. In: Design and Culture, Vol. 7, Issue 1, S. 5–22.
Algorithmus – Eine feste Abfolge von Anweisungen, die ein Computer ausführt, um ein Problem zu lösen.
API (Application Programming Interface) – Eine Schnittstelle, die es verschiedenen Programmen ermöglicht, miteinander zu kommunizieren, z. B. um ein KI Modell in eine App einzubinden.
Bias (Voreingenommenheit) – Verzerrungen oder Vorurteile in KI-Systemen, die durch unausgewogene oder fehlerhafte Trainingsdaten entstehen.
Chatbot – Ein Programm, das mit Menschen per Text oder Sprache kommuniziert, oft mit Hilfe von KI.
Diffusionsmodell – Ein KI-Modell, das Bilder erzeugt, indem es aus einem anfangs verrauschten Bild schrittweise Details herausarbeitet.
Embeddings – Mathematische Darstellungen von Wörtern oder Bildern, die einer KI helfen, Zusammenhänge zu verstehen.
Fine-Tuning – Das Nachtrainieren einer KI mit speziellen Daten, um sie für eine bestimmte Aufgabe anzupassen.
Generative KI – Künstliche Intelligenz, die neue Inhalte wie Texte, Bilder oder Musik erschaffen kann.
Halluzinationen – Falsche oder verzerrte Informationen, die eine KI ausgibt.
KI (Künstliche Intelligenz) – Technologie, die inspiriert ist von der Funktionsweise von neuronalen Netzwerken, und zur Lösung komplexer Aufgaben verwendet wird, für deren Lösung üblicherweise organische Intelligenz zugesprochen wird.
KI-Modell – Eine trainiertes Software Konstrukt, inspiriert von dr Funktionsweise von neuronalen Netzen.
Large Language Model (LLM) – Eine KI Modell, das Sprache “versteht” und Texte generieren kann, z. B. GPT-4.
Latent Space – Ein verborgener mathematischer Raum, in dem eine KI Informationen speichert und verarbeitet.
LoRA (Low-Rank Adaptation) - Zusätzliche kleine KI Modelle, die im Verbund mit grossen KI Modellen, mit weniger Rechenaufwand und Speicherbedarf für spezifische Aufgaben angepasst werden können.
Machine Learning (Maschinelles Lernen) – Eine Methode, bei der ein KI Modell selbstständig aus Daten lernt, ohne dass jede Regel einzeln programmiert wird.
Natural Language Processing (NLP) – KI-Technologie, die menschliche Sprache analysiert und verarbeitet, z. B. für Übersetzungen oder Sprachassistenten.
Künstliches Neuronales Netz – Ein KI-Modell, das dem Aufbau des menschlichen Gehirns nachempfunden ist und Zusammenhänge in Daten erkennt.
Prompt – Eine Eingabe oder Anweisung, mit der eine KI gesteuert wird, z. B. eine Textaufforderung an ein LLM oder ein Bild an ein Diffusionsmodell
Reinforcement Learning (Bestärkendes Lernen) – Eine Methode, bei der eine KI durch Belohnung oder Bestrafung lernt, z. B. beim Training von Robotern.
Schwache KI / Starke KI (AGI) – Schwache KI ist auf spezielle Aufgaben beschränkt, während eine starke KI (Artificial General Intelligence) theoretisch jede intellektuelle Aufgabe lösen könnte – sie existiert bisher nicht.
Transformer Modell – Ein leistungsfähiges KI-Modell, das besonders gut Sprache analysieren und Texte verstehen kann.
Training – Der Lernprozess einer KI, bei dem sie mit Beispieldaten trainiert wird.
Trainingsdaten – Die Daten, mit denen eine KI lernt, bevor sie eingesetzt wird, z. B. Texte, Bilder oder Sprache.
Token – Kleinste Einheiten, in die eine KI Texte aufteilt, z. B. Wörter oder Wortteile.