Wenn alle mit KI brainstormen: Warum gute Ideen einander ähnlicher werden

Eine Mitarbeiterin bittet einen KI-Assistenten um eine Idee und bekommt einen überzeugenden Vorschlag. Zehn Kollegen stellen dieselbe Frage. Auch sie gehen mit brauchbaren Vorschlägen aus dem Gespräch. Was aber, wenn am Ende alle elf beinahe dieselbe Idee präsentieren?

Es wäre zu einfach, daraus zu schließen, die Technologie mache Menschen unkreativ. Die einzelnen Vorschläge können durchaus besser sein als das, was ohne Unterstützung entstanden wäre. Nur beantwortet eine gute Idee eine andere Frage als eine gute Sammlung von Ideen. Was dem Einzelnen hilft, kann die Vielfalt der Gruppe verringern.

Genau diesen scheinbaren Widerspruch haben Forschende mehrfach beobachtet. Inzwischen gibt es auch Gegenbefunde: Unterschiedliche KI-Perspektiven können die Verengung begrenzen. Entscheidend ist deshalb weniger, ob KI kreativ ist. Es geht darum, was wir von ihr erwarten, wenn viele Menschen zugleich nach neuen Möglichkeiten suchen.

Eine starke Einzelidee ersetzt keine breite Suche

Bei einem Vorschlag fragen wir nach Qualität. Ist er brauchbar, verständlich, interessant, umsetzbar? Bei zehn Vorschlägen kommt ein weiteres Kriterium hinzu: Wie verschieden sind die Wege, die sie eröffnen? Ein Team kann zehn hervorragende Variationen desselben Gedankens sammeln und trotzdem einen entscheidenden Lösungsansatz übersehen.

Stellen wir uns einen Workshop vor, in dem ein Unternehmen Beschwerden über seinen Kundenservice reduzieren will. Alle entwickeln raffinierte Ideen für bessere Antwort-E-Mails. Die Vorschläge sind einzeln vielleicht gut. Niemand schlägt jedoch vor, das fehleranfällige Formular abzuschaffen, das die Beschwerden auslöst. Das ist ein hypothetisches Beispiel, keine dokumentierte Wirkung von KI. Es zeigt, warum der Blick auf den Ideenpool etwas anderes leistet als die Bewertung seiner besten Karte.

Der Unterschied ist mehr als ein akademisches Detail. Wer einen sofort verwendbaren Text braucht, kann einen ähnlichen, bewährten Vorschlag begrüßen. Wer noch nicht weiß, welches Problem er lösen muss, benötigt eine Suche mit möglichst verschiedenen Perspektiven. Beide Ziele verdienen eine eigene Bewertung.

293 Geschichten und ein unbequemer Doppelbefund

2024 untersuchten Anil Doshi und Oliver Hauser in einer randomisierten Studie in Science Advances, was passiert, wenn Menschen kurze Geschichten mithilfe generierter Ideen schreiben. Die 293 Teilnehmenden waren in Gruppen aufgeteilt: ganz ohne KI-Ausgangsidee, mit einer solchen Idee oder mit einer Auswahl mehrerer KI-Ideen. Die fertigen Geschichten ließen die Forschenden anschließend beurteilen.

Auf der Ebene einzelner Texte fiel das Ergebnis zugunsten der Unterstützung aus. Geschichten mit KI-Ideen wurden unter anderem als kreativer, besser geschrieben und angenehmer zu lesen bewertet. Besonders deutlich war der Gewinn bei Menschen, deren vorheriger Kreativitätstest einen niedrigeren Wert ergeben hatte. Der Assistent konnte also eine Hürde am Anfang des Schreibprozesses senken.

Die Forschenden betrachteten aber auch, wie ähnlich sich die Geschichten insgesamt waren. Und hier kehrte sich der Eindruck um: Die KI-unterstützten Texte ähnelten einander stärker als die Geschichten jener Personen, die ohne solche Vorgaben geschrieben hatten. Das Experiment fand individuelle Verbesserungen und eine geringere kollektive Verschiedenheit im selben Versuch.

Eine wichtige Einschränkung: Kurze Geschichten sind keine Strategieprojekte, und ein Online-Experiment ist keine vollständige Arbeitsorganisation. Die Studie beweist nicht, dass KI den Innovationswert eines Unternehmens senkt. Sie zeigt einen kausal untersuchten Zielkonflikt für genau diese Aufgabe, mit den damaligen Modellen und der untersuchten Stichprobe.

Auch über die kreative Fähigkeit der Beteiligten ohne Hilfsmittel sagt die Bewertung des fertigen Textes nur begrenzt etwas aus. Ob Assistenz bestehende Unterschiede im Können dauerhaft verändert, ist eine andere Frage, die wir bereits beim experimentellen Design dieser Studie nicht mit dem Erfolg einzelner Geschichten gleichsetzen dürfen.

Der Streit um ChatGPT im Brainstorming

2024 kamen Byung Cheol Lee und Jaeyeon Chung in Nature Human Behaviour bei verschiedenen kreativen Aufgaben ebenfalls zu dem Ergebnis, dass KI-Unterstützung einzelne Einfälle verbessern kann. Dabei ging es beispielsweise um Ideen für Produkte und andere kreative Problemlösungen. Die Arbeit untersuchte zunächst, ob Menschen mit ChatGPT brauchbarere und kreativere Vorschläge entwickeln.

Ein Jahr später werteten Lennart Meincke, Gideon Nave und Christian Terwiesch die veröffentlichten Daten erneut aus. Ihre Analyse aus dem Mai 2025 stellte die Gruppenfrage: Wie unterschiedlich sind die Ideen, wenn viele Teilnehmende ChatGPT einsetzen? Der untersuchte Pool war weniger divers. Das widerspricht nicht zwangsläufig dem ursprünglichen Befund. Es misst etwas anderes.

Man muss dabei sauber zählen. Die Auswertung von 2025 ist keine neue, unabhängige Stichprobe. Sie schaut durch eine andere analytische Brille auf bereits erhobene Daten. Wer sie als zweite Bestätigung mit neuen Versuchspersonen präsentiert, übertreibt die Evidenz.

Außerdem widersprachen Lee und Chung in einer publizierten Erwiderung der einfachen Folgerung, weniger Vielfalt bedeute automatisch schlechteres Brainstorming. Der Einwand ist berechtigt: Wenn das Ziel lautet, schnell eine sehr gute Lösung zu finden, kann ein enger, hochwertiger Ideenpool ausreichen. Diversität ist besonders dann wertvoll, wenn das Problem noch offen ist und die Gruppe wirklich Alternativen erkunden soll.

So gelesen ist der wissenschaftliche Disput produktiv. Die Studien streiten nicht schlicht darüber, ob die KI gut oder schlecht sei. Sie fragen, welche Leistung zu welcher Aufgabe passt. Eine Organisation sollte ihre Kreativitätsmetrik nicht erst auswählen, nachdem das Tool bereits eingeführt wurde.

2026: Bessere Produktideen, engere Ideensammlungen

Im Juli 2026 wurde in Production and Operations Management ein umfangreiches Forschungsprogramm zur KI-generierten Produktideenfindung veröffentlicht. Christian Terwiesch und seine Mitautoren ließen unter anderem Vorschläge für Produkte für Studierende mit einem Preis unter 50 US-Dollar entwickeln und bewerten. Die KI-Ideen erzielten in untersuchten Qualitätsmaßen, etwa der Kaufabsicht, im Durchschnitt bessere Ergebnisse als menschliche Ideen.

Bei der Frage nach Originalität und Verschiedenheit zeigte sich jedoch die andere Seite: Untersuchte KI-Modelle generierten weniger neuartige Einzelvorschläge und homogenere Ideensammlungen. Dasselbe Forschungsprogramm testete verschiedene Methoden, um die Vielfalt wieder zu erhöhen. Unterschiedliche Modelle, veränderte Vorgaben und heterogene Rollen machten einen Unterschied.

Hier ist Vorsicht beim Übertragen besonders wichtig. Ein Teil der Tests vergleicht direkt KI-generierte Vorschläge mit menschlichen Ideen. Das ist nicht dasselbe wie ein Team, das KI-Antworten kritisch weiterentwickelt. Kaufabsicht bei günstigen Produkten ist zudem kein Beweis für den späteren Markterfolg. Die Studie erweitert den Befund, sie löst aber die Frage nach Innovation in echten Organisationen nicht abschließend.

Interessant ist vor allem die Struktur der Ergebnisse. Es wäre möglich gewesen, dass moderne Modelle sowohl bessere Ideen als auch automatisch mehr Vielfalt liefern. Die Untersuchung fand unter den geprüften Bedingungen einen komplexeren Zusammenhang. Gute Bewertungen allein machten den Suchraum nicht weit.

Woher kommt die Ähnlichkeit?

Es gibt eine naheliegende Erklärung: Wer einem Sprachmodell eine allgemein formulierte Aufgabe stellt, erhält häufig naheliegende Muster und plausible Ausgangspunkte aus demselben statistischen System. Tun das viele Menschen unter ähnlichen Bedingungen, können gemeinsame Anker entstehen. Die spätere menschliche Arbeit baut möglicherweise auf diesen Ankern auf.

Das ist eine plausible Deutung der Befunde, keine durch alle genannten Studien separat bewiesene universelle Ursache. Menschen beeinflussen Ergebnisse durch eigenes Wissen, Nachfragen und die Auswahl von Vorschlägen. Ein Modell kann auf veränderte Eingaben sehr verschiedene Antworten liefern. Eine zwingende Gleichförmigkeit folgt aus der Technik nicht.

Gerade deshalb ist das Organisationsproblem subtil. Eine Führungskraft sieht möglicherweise zehn unterschiedlich formulierte Präsentationen und hält sie für zehn unabhängige Perspektiven. Tatsächlich teilen sie eine ähnliche Problemdefinition. Die scheinbare Vielfalt der Formulierungen verdeckt dann die Ähnlichkeit der zugrunde liegenden Lösungen.

Der Unterschied wird erst sichtbar, wenn jemand querliest, ähnliche Ansätze zusammenlegt und fragt, welche Problemklassen überhaupt vertreten sind. Eine KI kann im einzelnen Gespräch hilfreich sein und im gemeinsamen Suchprozess trotzdem einen blinden Fleck verstärken.

Die Gegenprobe: Verschiedene KI-Perspektiven verändern das Ergebnis

Eine Studie vom Mai 2026 in Computers in Human Behavior: Artificial Humans setzt an dieser Gestaltung an. Die Forschenden erzeugten zunächst mithilfe von zehn unterschiedlich angelegten KI-Personas insgesamt 300 Erzählansätze. Anschließend verfassten Menschen mit oder ohne solche Ausgangsideen Geschichten.

Anders als bei einer einheitlichen Sammlung von KI-Vorschlägen konnte die bewusste Variation in diesem Versuchsaufbau die Vielfalt gegenüber einer rein menschlichen Vergleichsgruppe erhalten. Für eine Bedingung gab es sogar Hinweise auf zusätzliche Vielfalt. Das relativiert die einfache Schlagzeile, KI müsse kreative Ergebnisse zwangsläufig vereinheitlichen.

Die Produktideen-Forschung von 2026 ergänzt diesen Gegenbefund: Auch dort veränderten unterschiedliche Modellanbieter, Rollen, Randbedingungen und weitere Suchvarianten die gemessene Ideenvielfalt. Allerdings unterscheiden sich die Aufgaben und verwendeten Messverfahren. Niemand hat damit bewiesen, dass eine Persona-Vorlage reale Innovationsprojekte automatisch erfolgreicher macht.

Die praktische Schlussfolgerung ist enger und nützlicher: Wenn ein Team wirklich unterschiedliche Lösungen sucht, sollte es nicht alle Personen mit derselben allgemein gehaltenen KI-Aufforderung starten lassen und die Vorschläge ungeprüft für unabhängig halten.

Dieser Ablauf ist eine redaktionelle Synthese aus den Forschungsergebnissen. Er wurde in der vorliegenden Form nicht als vollständiges Teamverfahren experimentell überprüft. Sein Vorteil ist ein klarer Prüfpunkt: Wurden wirklich verschiedene Möglichkeiten erzeugt oder nur unterschiedliche Versionen derselben?

Ähnliche Ideen können sogar erwünscht sein

Es gibt Tätigkeiten, bei denen standardisierte Resultate ein Qualitätsmerkmal sind. Eine rechtssichere Pflichtinformation, eine nachvollziehbare Berechnung oder ein bewährter Supportablauf müssen nicht jedes Mal neu erfunden werden. Hier wäre ein großes Spektrum kreativer Abweichungen eher eine zusätzliche Fehlerquelle.

Anders ist es, wenn ein Forschungsteam ungewöhnliche Hypothesen sucht, ein Unternehmen ein unbekanntes Kundenproblem verstehen will oder eine Geschäftsführung Alternativen zu einer Strategie braucht. Dort kann ein enger Pool dazu verleiten, zu früh zwischen ähnlichen Optionen zu wählen. Die Entscheidung wirkt gut vorbereitet, weil viele Beiträge vorliegen. Tatsächlich hat vielleicht nur eine Denkrichtung stattgefunden.

Mehr Diversität ist trotzdem nicht gleich mehr Wert. Hundert schlechte Einfälle lösen kein Problem besser als fünf gute. Eine professionelle Ideensuche braucht daher beides: genügend Unterschiedlichkeit, solange der Lösungsraum offen ist, und einen kritischen Qualitätsmaßstab, wenn aus Vorschlägen Entscheidungen werden.

Wie viel Variation angemessen ist, lässt sich aus den genannten Experimenten nicht als allgemeiner Grenzwert ableiten. Die vernünftige Frage lautet: Welche Art von Alternativen müssten wir sehen, bevor wir uns sicher genug fühlen, eine Richtung zu verwerfen?

Der beste Vorschlag ist nicht immer die beste Ideensammlung

Die Forschung beschreibt keinen Niedergang menschlicher Fantasie. Sie beschreibt einen Zielkonflikt, der bei gleichförmiger KI-Nutzung unter bestimmten Versuchsbedingungen auftritt: Einzelne kreative Ergebnisse können besser bewertet werden, während die Vielfalt des gesamten Pools abnimmt. Zugleich zeigen neuere Versuche, dass die Gestaltung der Eingaben und Modelle diesen Effekt verändern kann.

Für den Arbeitsalltag folgt daraus keine Pflicht, KI beim Brainstorming abzuschalten. Aber ein Team sollte zwei Fragen stellen, bevor es zufrieden auseinandergeht: Haben wir gute Ideen? Und haben wir überhaupt unterschiedliche Ideen gesehen?

Das mögliche Risiko eines sehr guten Assistenten ist nicht zwingend, dass er schlechte Vorschläge macht. Es kann sein, dass er vielen Menschen denselben guten Anfang liefert.