12. Januar 2026

Als der Rock 'n' Roll mit der Künstlichen Intelligenz zu tanzen begann. Und warum alle verrückt dadurch wurden.
 

1955 wurde der Begriff "artificial intelligence" geprägt. Parallel entstanden noch mehr Wörter, die ein faszinierendes Bild von der Zukunft der Gegenwart zeichnen. Eine kleine Zeitreise...

Es ist bekannt, dass der Begriff "artificial intelligence" in dem Sinne, wie wir ihn heute verwenden, 1955 vom Logiker John McCarthy geprägt wurde. McCarthy verwendete ihn in einem Förderantrag für eine Konferenz. ("We propose that a 2 month, 10 man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College in Hanover, New Hampshire.") Die Konferenz gilt gemeinhin als Initialzündung für die wissenschaftliche Beschäftigung mit KI.

Aber was passiert, so habe ich mich gefragt, wenn man einmal quer durch das Geburtsjahr des Begriffs "artificial intelligence" schneidet und sich anschaut, welche Begriffe im Jahr 1955 noch geprägt worden sind? Das Ergebnis ist faszinierend.

1955 entstanden nämlich auch die Begriffe "computer science", "information science", "home computer", "data file" und "microminiaturization". Es ist, als würde man durch ein Zeitfenster aus der Lochkartenwelt in die Zukunft schauen. Tatsächlich aber sind diese Begriffe ein Kind ihrer Zeit, denn 1955 beherrschten Kybernetik und Systemtheorie die wissenschaftliche Agenda. Kein Wunder, dass der "technophile" 1955 erstmals sein Haupt hebt. Es ist das Jahr, in dem sich die moderne Welt als System zu beschreiben beginnt.

Doch dieses System ist verwundbar, genau wie die Menschen, weshalb die Begriffe "stress test", "fallout shelter" und "intensive care unit" geprägt werden. 

Auch in der Naturwissenschaft und der Industrie wird die Welt neu definiert. Begriffe wie "animal model", "base pair", "agribusiness" und "profit center" entstehen. Auch die "solar cell" scheint 1955 erstmals auf. Und wer's richtig heiß mag, erfeut sich am neuen "microwave ofen".

Technik, Biowissenschaften, Big Business und große Gefahr - fehlen nur noch das Militär und die mit ihm verbundene Raumfahrt. Und siehe da: 1955 ist auch ihr Jahr. Die Worte "aerospace", "special forces" und "cosmonaut" werden aus Buchstaben zusammengestanzt.

Die Hochphase des Kalten Krieges spiegelt sich in der Sprache. Es geht ums Überleben, um Abschreckung, Kontrolle und Technik. Doch wie immer ist die Gegenbewegung nicht weit. 1955 ist auch das Jahr von "do it yourself" und "New Left", die gemeinsam von "nonfossil" und "nonleaded" Treibstoffen träumen.

So gesehen ist es normal, dass parallel zur "artificial intelligence" auch das Wort "weirdo" entsteht. Für manch einen war der begrifflich wie musikalisch gleichzeitig entstehende "Rock 'n' Roll" bevölkert von solchen "Verrückten." Auch die Wissenschaft fand neue Begriffe und sprach von "schizoid personality disorder". Auch "intellectually disabled" taucht 1955 erstmalig auf.

Wenn es stimmt, dass Worte der Index von dem sind, was eine Gesellschft wahrnimmt, dann war 1955 ein sehr aufmerksames Jahr.

10. Januar 2026

Macht KI uns dümmer? Oder schlauer? Wahrscheinlich sind das die falschen Fragen!

Die Studienlage wirkt(!) widersprüchlich.

1.) Viele Arbeiten zeigen: Mit KI schreiben Menschen bessere Texte, produzieren mehr Ideen, lösen Aufgaben schneller. Die Schlagworte, in diesem Zusammenhang völlig zurecht nennen, lauten "Upskilling" und "Newskilling" (nicht zu verwechseln mit "news killing" 🙃) Jedenfalls: Die Leistung steigt durch KI. Nicht überall und nicht bei allen gleich, denn bei Menschen mit mehr (KI-)Vorbildung steigt sie oft stärker, aber der Teufel scheißt nunmal auch in der digitalen Welt auf den größten Haufen.

2.) Andere Studien zeigen: Durch KI werden Menschen unkritischer, prüfen weniger nach, büßen Fähigkeiten ein. Das Schlagwort hier: Deskilling. Kompetenzverlust.

1 UND 2 sind gut belegt und stimmen auf ihre Weise. Aber die öffentliche Debatte (und hier auf LinkedIn) tut so, als gäbe es nur eine Frage: Macht uns KI schlauer oder dümmer? Das ist die falsche Frage, denn wenn man die Daten genau anschaut, lautet der Schluss: KI macht uns schlauer, aber auch insofern dümmer, dass wir seltener merken, wann unsere Leistung trügt.

Die Psychologen kennen das Phänomen. Sie nennen es Processing Fluency (PF). Heißt im Kern: Was sich leicht und reibungslos anfühlt, wirkt auf uns richtiger und besser begründet. Auch wenn es falsch ist. Oder wir gar nichts kapiert haben. Man denke an Erklärvideos: Man schaut sie und fühlt sich danach wissend, gerade bei komplexen Dingen. Aber wenn man das Thema später erklären muss, wird es dünn. Das ist als Explanatory Depth (ED) bekannt.

KI hat diesen Effekt und potenziert ihn. Die Ergebnisse wirken perfekt, die Analysen super gerechnet, die Texte sind rund und ohne Fehle.r
Früher sagte meine innere Stimme: "Ich kann es nicht erklären, also verstehe ich es nicht." Heute sagt sie: "Ich habe die Erklärung gelesen, also verstehe ich es.“

Bisher nahm unser Gehirn die Fluency als Signal für Qualität. "Da steckt viel Arbeit drin", sagte die Stimme. Aber jetzt, wo alles gut ist, verliert das Signal seine Funktion. PF + ED = OH JE !

Das "Verrückte" Upskilling und Fehlkalibrierung passieren gleichzeitig. Und genau hier liegt der Denkfehler der Debatte. Wir werden nicht "klüger" oder "dümmer". Wir werden leistungsfähiger bei schlechterer Selbsteinschätzung unserer Leistung.

Wir verlieren nicht Fähigkeiten, sondern unser Gefühl fürs eigene Nichtwissen.
Oder wie sich die Philosophen ausdrücken würden: KI beschädigt nicht unsere Intelligenz, sondern unsere epistemische Selbstdiagnostik.

Mit anderen Worten: KI verschiebt unseren Kompaß. Wir sind nicht mehr eingenordet, sozusagen. (Auch wenn Landkarten früher geostet, gewestet und gesüded waren. Aber das ist ein anderes Thema.) Jedenfalls macht uns KI zu schnell zufrieden und lässt unsere Maßstäbe bröseln. Und genau darin liegt die Gefahr.

8. Januar 2026

Perplexity.ai im Test: 22 Studien lassen den Hype bröckeln.
Das gefeierte KI-Tool verkauft Wissen und Gewissheit, liefert sie aber zu selten

Perplexity.ai wird von vielen gefeiert, weil es das liefert, was sie wollen: schnelle Antworten, sauber formuliert, mit Quellen versehen. Das wirkt wie tiefe Recherche, gesicherte Erkenntnis, großes Wissenschaftskino. Und genau darin liegt das Problem.

Es ist nicht so, dass Perplexity „Fake News“ ausspuckt. Es produziert etwas, das noch gefährlicher ist: falsche Sicherheit.

Ich habe 22 Studien zu Perplexity analysiert und auch meine eigenen Erfahrungen mit einfließen lassen.

Die Kritikpunkte zeichnen sich klar ab:

- Quellen werden von Perplexity oft nicht zuverlässig zugeordnet
- Zahlen werden genannt, sind aber zu oft nicht valide
- Synthesen klingen gut, haben aber alle Widersprüche in den Daten getilgt

Das Ergebnis von Perplexity klingen richtig gut. Aber sie sind oft nur eine Möglichkeit der Wahrheit. Gefühlte Wahrscheinlichkeiten. Oder genauer gesagt: Perplexity ersetzt strenge wissenschaftliche Logik durch wahrscheinlichkeitsbasierte, kohärent wirkende Texte. Nicht, weil es schlecht programmiert ist, sondern weil es nicht tief genug zu analysieren vermag, zu viel synthetisiert und in vielen Fällen nicht zwischen Plausibilität und Wahrheit unterscheidet.

Trotzdem (oder gerade deswegen) wirken die Antworten souverän, sachlich und wie fertige Wahrheiten. Deshalb, auch das zeigen die Studien, prüfen viele Nutzer nicht mehr nach. Die Folgen sind klar und empirisch valide: Verlust kritischer Prüfung der Ergebnisse und weniger Selbstreflektion, dafür ein übergroßes Vertrauen in die von der KI generierten Texte.

Ein wenig zugespitzt könnte man sagen: Perplexity ist kein schlechtes Werkzeug, aber es ist schlecht als Fundament für Entscheidungen.

Eine ausführliche Vorstellung der einzelnen Studien folgt später. Jetzt erstmal viel Spaß mit meiner kleinen Präsentation der Ergebnisse - gibt's hier als PDF oder als kleines "Karussell" auf LinkedIn.

7. Januar 2026

Wissens-Recherche mit KI: Schnell, klug, aber inhaltlich und methodisch blind?
 

Es wird viel darüber geredet, wie man mit KI-Tools Studien recherchiert und Wissen zusammenfasst. Aber :

1.)  nutzen viele für eine Wissensrecherche (nur) ChatGPT, Notebook LM & Co. und selbst die besten Prompts helfen da nur bedingt weiter
2.)  reichen selbst die Deep Research Möglichkeiten von ChatGPT und Co. nicht allzu weit und
3.)  reichen auch wissenschaftsspezifische KI-Tools wie Perplexity, Scispace und Elicit für eine umfassende Wissensrecherche nicht aus

Aber ich kann natürlich viel behaupten. Deshalb werde ich in den nächsten Tagen eine kleine Reihe starten und an konkreten Recherchebeispielen zeigen, wo die Grenzen und Probleme eine Recherche mit KI liegen? Zugleich will ich dabei auch demonstrieren wie sehr KI unser Wissen zwar erweitert, zugleich aber einengt, wenn wir nicht aufpassen und nur auf KI-Tools zu Recherche vertrauen?

Als Thema würde ich mir mal eine aktuelle Debatte empirisch zur Brust nehmen, nämlich die Frage: Macht uns KI dumm?

Das ist natürlich selbst eine ziemlich dumme Frage, deshalb neutraler und damit besser formuliert: Welche Auswirkungen hat die KI-Nutzung auf unsere Fähigkeiten und Kompetenzen? Gibt es empirische Hinweise darauf, dass die Nutzung von KI-Tools zu einem Abbau bestimmter kognitiver oder fachlicher Kompetenzen führt. Und wenn ja, wie sind diese Daten konkret einzuordnen, wie valide sind sie und wo sind Lücken in unserem Wissen zu diesem Thema?

Das erste KI-Tool, das ich teste, wird Perplexity sein.
 

4. Januar 2026

Von den Lügen, die wir uns im KI-Zeitalter übers Menschsein erzählen oder

"KI macht alles seelenlos!" Warum uns dieser Satz so gut gefällt - und was er eigentlich sagt

Jeder kennt das: Man entdeckt eine Band, die kaum einer kennt. Die Abrufzahlen ihrer Songs liegen auf Meeresspiegelniveau, Auftritte gibt's keine, und im Radio wird ihre Musik auch nicht gespielt. Aber geil sind die Songs trotzdem. Oder vielleicht gerade deswegen. Jedenfalls: man liebt diese Band.

Doch dann passiert's: Die Band wird bekannt. Die Abrufzahlen steigen, es gibt Auftritte, die Radiosender gehen in heavy rotation. Es gibt neue Platten, eine Tour, die ausverkauft ist. Und geradezu reflexhaft sagt man: „Früher waren sie besser. Ihre Musik ist jetzt zu glatt. Seelenlos.“

Die Psychologen kennen das Muster: Wenn ein Teil der eigenen Identität seine Exklusivität verliert, reagieren viele mit Abwertung. Und da ist es egal, ob sich die Sache (hier: die Musik) wirklich verändert hat, denn was zählt ist, dass sich die Funktion verändert hat. Nicht mehr Ich, sondern alle hören das jetzt. Und da steigt man aus.

„Kränkung“ nennt man das. Und genau dieser Mechanismus taucht im Zuge von KI wieder auf. Vor allem wenn es ums Schreiben, Musik machen und Zeichnen geht. Bisher brauchte man – zumindest besagte das die Meistererzählung – dafür viel Zeit, Muse und Kreativität.

Doch dank KI steht die Tür zum Kunstraum allen offen. Und alle kommen rein. Und malen und zeichnen und machen Musik. Das gefällt vor allem den Schreibern, Musikern, Malern & anderen Kreativen nicht. Was völlig verständlich ist, aber nichts an der Sache ändert: man ist gekränkt.

Aber man sagt nicht: die Akkorde der KI-Songs sind schlechter, die Kontraste der Bilder nicht fein abgestimmt, die Adjektive nicht gut gewählt. Nein, man sagt: es fehlt die Seele. Das Rauhe, Kantige: die Authentizität. Aber eigentlich sagt man: Ich bin nicht mehr Teil einer kleinen Gruppe.

KI ist der große Demokratisierer. Ein Killer der Exklusivität. Was natürlich eine Lüge ist. Aber egal. Die Kunst war jedenfalls trotz (oder gerade wegen) all der ideologischen Vereinnahmungen immer undemokratisch. Schreiben, Malen und Musizieren schien nur den Talentierten (oder sehr Fleißigen) vorbehalten zu sein. Der dahinter stehende Geniegedanke ist ein historisches Konstrukt, aber wirkmächtig. Bis heute. Als Gegenbewegung zu den als seelenlos geltenden KI-Produkten erlebt der Mensch als (angeblich) kritisch-kreativer Geist eine Renaissance.

Der Satz „KI macht alles seelenlos“ ist der gleiche wie „Die Band war früher besser.“ Es ist der Ausdruck einer Kränkung, die die Entwertung der eigenen Fähigkeiten nicht wahrhaben will. Ob die KI wirklich alles seelenlos macht, ist (mir) im Grunde egal. Es ist nicht die Frage, die ich mir stelle. Meine Frage lautet vielmehr: Wie verändert KI unser Selbstbild? Welche Zuschreibungen nehmen wir vor? Und wie viel Lüge steckt in den Geschichten, die wir uns übers Menschsein im KI-Zeitalter erzählen?
 

26. Dezember 2025

Statistik für Menschen, die Statistik eigentlich meiden (Teil 4 von 4)

Statistik ist heute so bequem wie noch nie - und das ist Teil der Lösung und des Problems zugleich. KI-gestützte Statistiktools wie excelmatic und julius leisten zwar in der Free-Version viel, aber ihre ganze Kraft entfalten sie erst im Abo. Es ist das bekannte Problem: KI erfordert Geld oder Zugehörigkeit zu einer Firma oder Organisation, die ein Budget dafür hat.

Auch der Datenschutz ist unklar. Welche Daten sensibel sind und welche nicht ist oft schwer zu entscheiden. Wenn ich die Tools in Hochschulen oder Firmen präsentiere, arbeite ich mit synthetischen Datensätzen. So lassen sich die Tools gefahrlos erproben. Trotzdem zeigt sich in der Praxis, dass Menschen diese und andere Tools auch einsetzen, wenn die Regeln es nicht zulassen.

Barbara Geyer hat das strukturelle Problem hinter dieser Schatten-KI-Nutzung gut beschrieben: An Hochschulen, aber auch an anderen Arbeits- und Lernorten, sind die Menschen befangen in einem Trilemma aus:
1.)  Funktionell schwachen eigenen KI-Systemen, die datenschutzkonform sind
2.)  kommerziellen, leistungsstarken KI-Tools, die datenschutzrechtlich umstritten und z.T. auch teuer sind und
3.)  fehlenden Vorgaben seitens der Arbeitgeber + Bildungseinrichtungen

Das Trilemma lässt sich nicht auflösen. Aber die Schatten-KI-Nutzung blüht auch, weil vielerorts Experimente mit dem Schlagwort „Datenschutz“ von vornherein verunmöglicht werden. Dabei ist DSGVO-Konformität kein Label, sondern das Ergebnis eines Prüfprozesses. Doch geprüft werden die Tools auf ihre DSGVO-Konformität oft nicht.

In diesen Zwickmühlen agieren auch die Statistik-KI-Tools. Sie machen zwar vieles leichter, aber sie agieren auf einem Feld, das von Unsicherheiten und Unkenntnis geprägt ist. Was also tun?

Ich selbst setze auf sensibilisieren, ausprobieren und gemeinsam über die Erfahrungen und Ergebnisse diskutieren. Auch wer keine Ahnung von Statistik hat, kann die Ergebnisse durch Einsatz mehrere Tools vergleichen, kann das Tool oder den Kursleiter fragen, was eine Regressionsanalyse, wie sich Mittelwert und Median unterscheiden usw.

Meine Erfahrung sagt, dass die Nutzung dieser Tools den Einstieg in Statistik erleichtert. Sie regen zur weiteren Beschäftigung an und bringen neue Erkenntnisse und Zugänge, nicht nur zu Daten, sondern zu Wissen und dem eigenen Fach und Arbeitsumfeld allgemein. Es muss "nur" fachkundig begleitet werden.

Wie geht ihr damit um? Kennt ihr Tools wie julius, excelmatic oder die Datenanalyse-Agenten von Mistral. Und wenn ja, nutzt ihr sie? Und wenn ihr sie nicht nutzt, woran liegt es? An Unkenntnis der Tools, Unsicherheiten wegen Datenschutz, weil ihr lieber auf die tradierte Statistikausbildung setzt oder weil ihr den Ergebnissen der Tools nicht traut? Ich bin gespannt, von euch zu hören.

 

25. Dezember 2025

Statistik für Menschen, die Statistik eigentlich meiden (Teil 3 von 4)

Statistik hatte bisher ein Imageproblem. Sie galt als knochentrocken und kompliziert, der Horror für Geisteswissenschaftler, Medienmacher & Marketingleute.

In diese Lücke stoßen KI-Tools wie julius.ai, excelmatic.ai und Co und versprechen Abhilfe. Und auf der Oberfläche der Ergebnisse liefern sie auch: statistische Analysen, Grafiken, Auswertungen. Doch je bequemer die Statistik wird, desto größer wird die Versuchung, sie nicht mehr verstehen zu müssen. Nicht Deskilling, sondern Gar-nicht-erst-Upskilling. Das ist ein generelles Problem, das KI in Hochschulen erzeugt.

Bisher scheitert Statistik jedenfalls nicht nur an fehlenden Mathekenntnissen, sondern auch und vor allem an Einstellungen und an der Frage, wozu um alles in der Welt man sich das antun soll. Und diese Frage stellen sich vor allem Geisteswissenschaftler, Medienmacher und Marketingleute.

Eine aktuelle Meta-Analyse (s.u.) von 29 Studien mit 5.000 Teilnehmern zeigt: klassische Statistikkurse bringen nichts. Die Leute lernen ein bisschen Statistik, bekommen dafür einen Schein – und ignorieren das Gelernte danach so lange, bis sie alles wieder vergessen haben. Oder sie können es in Studium und Beruf nicht anwenden, was denselben Effekt hat.

Das zeigt sich vor allem in den Geistes- und Gesundheitswissenschaften, also genau dort, wo Statistik oft kaum Platz hat und als modernes Übel gilt. Und warum: Weil der Mehraufwand als zu hoch empfunden wird im Vergleich mit dem, was bei rauskommt.

Und genau da kommen die KI-Tools ins Spiel, denn Statistik wird damit scheinbar leicht. Doch ein Risiko bleibt, denn das Verständnis für Zahlen und Analysen wächst nicht. Mehr noch: der Automation Bias greift jetzt. Heißt: Menschen tendieren dazu, automatisierten Systemen übermäßig stark zu vertrauen. Was die Statistik-KIs sagen klingt super, scheint rund, sieht dazu noch grafisch gut aus. Wird also stimmen.

Tut es in den meisten Fällen auch. Aber in welchen nicht? Wie kann man das prüfen, wenn man keine Ahnung von der Materie hat? Indem man die Ergebnisse mehrerer Tools miteinander vergleicht? Das wäre ein Ansatz, aber wer macht das? Kaum jemand.

Ein weiteres Risiko betrifft den Code unter der Haube: die Black Box, die wir alle immer vergessen. KI-gestützte Statistiktools generieren intern Python- u.a. Code. Aber machen sie das auch gut? Für julius.ai zeigen Studien, dass es funktioniert. (siehe Teil 2) Bei anderen Tools fehlen diese Daten noch.

Wie also weiter? Und was generell tun? Darum wird's im vierten und letzten Teil gehen.

Quelle: Pascual et al. (2025). Attitudes of University Students Toward Statistics as a Pathway to Data Literacy: A Meta-Analysis. Journal of Statistics and Data Science Education, 1-18.

https://doi.org/10.1080/26939169.2025.2475765

23. Dezember 2025

Statistik für Menschen, die Statistik eigentlich meiden (Teil 2 von 4)

Viele Menschen, die wegen fehlender Statistik-Kenntnisse bisher keine Daten auswerten konnten, können es durch spezielle KI-Tools jetzt. Die Folgen sind vielfältig und alles andere als trivial:

Geistes- und andere Wissenschaftler sind nicht mehr nur auf Texte angewiesen, sondern können auch Zahlen und große Datenmengen (und die gibt's) für ihre Analysen nutzen. Das vergrößert nicht nur den methodischen Werkzeugkasten, sondern auch die Art der Fragestellungen.

Das gleiche gilt für all jene, die irgendwas mit Medien machen, ihre Budget-Brötchen im Marketing backen oder sich in tausend anderen Bereichen durchwursteln. Sie alle können jetzt "Statistik machen".

Und siehe da: Die Analysen ergeben oft neue Einsichten und schaffen Verbindungen, wo bisher keine zu sehen waren. Doch da ist noch mehr: Weil das alles so schnell geht, profitieren auch jene, die sich mit Statistik zumindest grundlegend auskennen. Denn jetzt können auch kleinere Arbeiten, für die eine quantitative Analyse bisher zu viel Aufwand war, mit statistischen Analysen angereichert werden. KI erlaubt es hier ganz konkret, Kenntnisse zu skalieren.

Zudem machen die mitgelieferten Visualisierungen die Ergebnisse leicht kommunizierbar – nicht nur in der Wissenschaft und im Arbeitsumfeld, auch in der Öffentlichkeit, gegenüber Medien und Interessenten aller Art.

Auch sterbenslangweilige Aufgaben wie das Filtern und Bereinigen von Daten können jetzt automatisiert werden. So bleibt mehr Zeit für die eigentliche Arbeit (oder ein paar entspannte Stunden im Büro).

Jetzt fragen Sie sich: Und wie gut sind die Tools?

Meine anekdotische Evidenz aus eigenen Analysen und meinen Workshops in Unternehmen und Hochschulen sagt: ziemlich gut. Inzwischen gibt es auch erste Studien zu einzelnen Tools, z.B. zu julius.ai (Ich sollte die Leute von Julius AI nach einem kostenlosen Abo fragen 😊) Jedenfalls haben Forscher julius für statistische Analysen genutzt und ein paar Normalitätstests und Varianzanalysen durchgeführt, um die Verarbeitung quantitativer Daten zu testen. (Nebenbei bemerkt: Ich nutze julius auch qualitativ, wenn in Datensätzen neben Zahlen Texte in Form von Kommentaren vorkommen – und es funktioniert gut).

Die Studie von Chang (siehe unten) kommt jedenfalls zu dem Schluss: „dass Julius AI über außergewöhnliche Analysefähigkeiten verfügt [...] und sich als geeignetes Hilfsmittel für Forschende in quantitativen Studien eignet.“

Das alles klingt gut. Sehr gut sogar. Der Sound der Demokratisierung. Aber das ist nur die halbe Geschichte. Die andere Hälfte kommt in Teil 3 – das heißt: wenn ich die Weihnachtsgeschenke eingepackt habe 😊

Quelle: Chang, Yu-Chin: Applications of AI in Educational Research Series (IV): Application of Julius AI in Data Analysis and Visualization, in: Journal of Education Research; Taipei Iss. 370, (2025), S. 132-143. DOI: 10.53106/168063602025020370009

22. Dezember 2025

Statistik für Menschen, die Statistik eigentlich meiden (Teil 1 von 4)
oder: Ein bekanntes Problem, ein halbwegs bekanntes KI-Tool und eine unbekannte Studie

Ein Sprichwort, das gemeinhin Karl Valentin zugeschrieben wird, tatsächlich aber aus der Filmoper „Die verkaufte Braut“ stammt, besagt: „Kunst ist schön, macht aber viel Arbeit.“

Das gleiche gilt für Statistik. Das heißt: galt, denn inzwischen gibt es jede Menge KI-Tools, die einem die Arbeit abnehmen. Sie führen komplexe statistische Berechnungen durch, erklären die Ergebnisse in aller Breite und Tiefe und visualisieren sie in jeder erdenklichen Form.

Das ist nicht nur schön anzusehen, sondern hat auch was von der vielbeschworenen „Demokratisierung durch KI“, schließlich haben viele Menschen keine Statistikausbildung. Selbst grundlegende Kenntnisse sind Mangelware. Auch unter Akademikern. Die meisten Menschen begegnen statistischen Berechnungen wie der Bedienungsanleitung eines neuen Druckers: man ahnt, dass man sie besser lesen sollte, überfliegt ein, zwei Absätze – und wirft die Anleitung aus Frust in die Ecke, in der Hoffnung, dass es auch ohne geht.

Für gewöhnlich geht’s dann nur schief – und genau hier kommen die KI-Tools ins Spiel, denn die versprechen, dass jetzt nichts mehr schief gehen kann. Riesige Zahlenreihen, Excel-Tabellen – alles kann mit natürlicher Sprache analysiert und ausgewertet werden. Und das wird (zumindest von einigen) auch getan. KI-Tools senken die Hemmschwelle: Statistik wirkt weniger bedrohlich. Man kann „Statistik probieren“ ohne zu scheitern - und wirft Excel-, SPSS-, Python und andere (Hand)Bücher mit sieben Siegeln getrost in die Ecke.

Das Schöne ist: durch dieses natürliche, dialogorientierte und fehler­tolerante Arbeiten wird Statistik lernbar, denn die Tools erklären, was sie tun und wie die Ergebnisse zu bewerten sind. 

Die entscheidende Frage lautet aber nicht, ob diese Tools bequem sind (das sind sie), sondern ob sie wirklich was taugen?

Im Folgenden gibt es paar Antworten. Und einen kleinen „Transparenzhinweis“ vorweg: Meine eigenen Statistikkenntnisse würde ich als ganz gut beschreiben – für einen studierten Geisteswissenschaftler. Für einen Hardcore-Soziologen sind sie gewiss ausbaufähig.

Ich selbst nutze für Statistik, Datenanalysen und Visualisierungen vor allem julius.ai, greife aber auch gern auf Excelmatic (Neu Gls), einen (getunten) Datenanalysen-Agenten von Mistral AI und ein paar andere Tools zurück. Wenn's sensible Daten sind, ist Orange Data Mining eine gute Option.

Durch den parallelen Einsatz kann ich Ergebnisse vergleichen und mich dort, wo meine eigenen Kenntnisse an ihre Grenzen kommen, durch den Vergleich absichern, nachfragen, gegenchecken.

Aber was bringen diese Tools nun? Wie sehen die empirischen Erkenntnisse dazu aus? Das steht in Teil 2...