Einleitung

Generative KI-Systeme wie ChatGPT haben in den letzten Jahren beeindruckende Fähigkeiten in der Text-, Bild- und Musikkreation gezeigt. Sie können auf Aufforderung hin Gedichte verfassen, Bilder malen oder sogar Programmcode schreiben – Leistungen, die oberflächlich betrachtet kreativen menschlichen Schöpfungen ähneln. Dies wirft die grundlegende Frage auf, ob solche KI-Systeme tatsächlich kreativ sein können. Sind sie nur innerhalb der Grenzen kreativ, die der Nutzer durch seine Prompts (Eingabeaufforderungen) vorgegeben hat, oder vermögen sie eigenständig neuartige und originelle Ideen zu generieren? In der öffentlichen Debatte stehen sich hierzu teils gegensätzliche Positionen gegenüber. Manche Forscher bezeichnen große Sprachmodelle wie ChatGPT als bloße „stochastische Papageien“ oder „Autocomplete auf Steroiden“, die nichts Eigenständiges erschaffen, sondern lediglich statistisch wahrscheinliche Wortsequenzen reproduzieren . Andere wiederum vertreten die Auffassung, dass generative KI unser Verständnis von Kreativität revolutionieren könnte und solche Systeme künftig sogar zu bahnbrechenden Entdeckungen fähig sein könnten . Vor diesem Hintergrund soll die folgende Analyse wissenschaftlich fundiert untersuchen, inwieweit die Kreativitätsleistung generativer KI an die Inputs der Nutzer gebunden ist oder ob echte eigenständige Kreativität vorliegt. Dabei werden aktuelle Theorien zur Kreativität von Mensch und Maschine berücksichtigt, ebenso wie Befunde zur Rolle von Trainingsdaten, Prompt-Engineering, Emergenzphänomenen und Selbstreferenzialität in generativen Modellen. Beispiele für kreative KI-Leistungen – von künstlerischen Werken bis zu Problemlösungen – werden vorgestellt und kritisch eingeordnet.

Theoretischer Hintergrund

Kreativität wird in der Kreativitätsforschung oft als die Fähigkeit definiert, etwas Neuartiges und Nützliches bzw. angemessenes hervorzubringen. Menschliche Kreativität umfasst dabei verschiedenste Formen – von alltäglicher Einfallsreichheit bis zu seltenen Genie-Leistungen – und wird mit Eigenschaften wie Bewusstsein, Emotion, Intention und Lebenserfahrung in Verbindung gebracht. Eine einflussreiche theoretische Unterscheidung stammt von der Kognitionswissenschaftlerin Margaret Boden, die drei Arten von Kreativität beschreibt: kombinatorische Kreativität, exploratorische Kreativität und transformatorische Kreativität . Kombinatorische Kreativität besteht darin, vertraute Ideen auf neue Weise zu kombinieren (etwa zwei bekannte Konzepte zu etwas Ungewöhnlichem zu verknüpfen). Exploratorische Kreativität meint das systematische Ausloten eines bestimmten „konzeptuellen Raums“ – zum Beispiel Variationen innerhalb eines etablierten Stils oder Regelwerks zu erzeugen . Beide Typen zielen darauf ab, Neuheiten innerhalb bestehender Referenzrahmen zu schaffen. Demgegenüber steht transformatorische Kreativität, bei der die zugrunde liegenden Regeln, Stile oder Denkrahmen selbst verändert oder gesprengt werden, sodass etwas radikal Neuartiges entsteht, das außerhalb des bisherigen Erfahrungshorizonts liegt . Dieser letztgenannte Typ wird oft als die höchste Form von Kreativität angesehen, da hier wirklich originäre Ideen entstehen, die nicht einfach auf Vorhandenem aufbauen.

Vor diesem Hintergrund stellt sich die Frage, wie generative KI-Systeme in dieses Schema einzuordnen sind. Solche Systeme – seien es große Sprachmodelle wie GPT-3/4 (ChatGPT) oder Bildgeneratoren wie DALL-E und Midjourney – sind auf der Grundlage riesiger Mengen an Trainingsdaten trainiert. Sie lernen statistische Muster, Zusammenhänge und Stilmittel aus menschlichen Texten, Bildern oder Musikstücken. Beim Text-zu-Text-Modell ChatGPT etwa erfolgt das Training mittels Deep Learning auf Abermilliarden von Wörtern aus dem Internet und anderen Quellen, wobei das Modell lernt, das wahrscheinlich nächste Wort in einem Satz vorherzusagen. Dadurch kann es höchst unterschiedliche Texte erzeugen, die oft grammatisch korrekt und inhaltlich schlüssig wirken. Ähnliches gilt für generative Bildmodelle, die aus Millionen von Bildern Muster für visuelle Stile, Formen und Kompositionen lernen. Wichtig ist: Diese Systeme verfügen nicht über Bewusstsein oder eigene Erlebnisse – ihre „Kreativität“ beruht allein auf der musterbasierten Rekombination dessen, was in den Daten bereits enthalten war . In Bodens Kategorien ausgedrückt: Generative KI erreicht beeindruckende Ergebnisse vor allem im Bereich der kombinatorischen und exploratorischen Kreativität, indem sie neue Kombinationen bekannter Muster erzeugt und Variationen innerhalb gelernter Stilräume hervorbringt . So kann z.B. ein Bildgenerator in Sekundenschnelle „neue“ Bilder zu beinahe jedem erdenklichen Thema erzeugen, die bestimmten künstlerischen Stilen ähneln, ohne jedoch identisch mit existierenden Bildern zu sein . Dies wurde als „synthetische Kreativität“ bezeichnet – die KI produziert neuartiges Output, das dem Trainingsmaterial nachempfunden ist.

Demgegenüber steht die transformatorische Kreativität, bei der etwas wirklich einzigartig Neues außerhalb bekannter Stile entsteht. Hier zeigen sich die Grenzen der Maschinenkreativität: Aktuelle KI-Systeme erfinden keine völlig neuen Stilrichtungen oder Konzepte, sondern extrapolieren aus dem Bestehenden. Sie sind insofern systematisch und regelgebunden kreativ, nicht spontan oder paradigmensprengend . Ein weiterer zentraler Unterschied liegt darin, dass menschliche Kreativität häufig von intrinsischer Motivation, Selbstausdruck und unvorhersehbaren Einfällen („Geistesblitzen“) getragen ist, während KI-Systeme keine eigene Intentionalität besitzen . Wie ein Autor feststellt: „Das vielleicht signifikanteste Unterschied zwischen Künstlern und KI: Während menschliche Künstler selbst- und werkgetrieben sind, ist KI äußerst konsumenten- bzw. auftragsgetrieben – wir erhalten nur die Kunst, um die wir bitten“ . Mit anderen Worten: Eine generative KI wird nie von sich aus beschließen, kreativ tätig zu werden, sie reagiert stets auf externe Inputs. Dieses fehlende agentive Moment – also eigenes Wollen und zielgerichtetes Schaffen – ist ein grundlegendes Unterscheidungsmerkmal zwischen menschlicher und maschineller Kreativität.

Analyse

Kreativität im Rahmen des Nutzer-Prompts. Generative KI-Systeme benötigen zur Initialisierung ihres Schaffens in der Regel einen Nutzereingabebefehl (Prompt). Der Prompt kann sehr detailliert oder auch offen gehalten sein – etwa „Erzähle eine fantasievolle Kurzgeschichte über eine Reise zum Mars“. In jedem Fall bildet er den Kontext und Rahmen, in dem die KI ihre Antwort generiert. Empirische Studien unterstreichen, dass KI keine kreative Initiative ohne solchen Anstoß zeigt: „KI hat – anders als Menschen – keine eigene Handlungsabsicht und ist auf die Unterstützung durch einen menschlichen Nutzer angewiesen. Ihr kreatives Potenzial verharrt im Zustand des Stillstands, solange sie nicht aufgefordert wird“ . Diese Einschätzung von Hubert und Kollegen (2023) bringt auf den Punkt, dass ChatGPT & Co. aus sich heraus keine Ideen „sprudeln“ lassen, sondern immer vom Prompt gelenkt werden. Das Prompt-Engineering – also die Kunst, die KI durch clevere Eingaben zu bestimmtem Output zu bewegen – wird damit selbst zu einer kreativen Fertigkeit des Menschen . So zeigte sich in experimentellen Untersuchungen, dass unerfahrene Nutzer oft nicht die passenden stilistischen oder technischen Schlagwörter kennen, um die KI zu außergewöhnlichen Ergebnissen zu führen . Prompt-Engineering muss wie jede andere kreative Technik erlernt und verfeinert werden . Damit fließt ein erheblicher Teil menschlicher Kreativität bereits in die Formulierung der Aufgabe ein. Die KI wirkt dann gewissermaßen wie ein Verstärker oder Ausführungstool für die im Prompt angelegten Ideen. Technische Parameter des Modells erlauben es ebenfalls, den kreativen Spielraum zu modulieren – beispielsweise erhöht ein höherer Temperatur-Wert bei Sprachmodellen die Zufälligkeit der Wortwahl, was zu einfallsreicheren und weniger vorhersehbaren Texten führt . Diese Steuerungsmöglichkeiten unterstreichen, dass die Kreativität der KI stark vom Nutzerwillen abhängt: Was die KI erschafft (Thema, Stil, Format) und wie originell oder konventionell das Ergebnis ausfällt, kann durch den Prompt maßgeblich beeinflusst werden. In diesem Sinne agieren generative Modelle hauptsächlich im Rahmen dessen, was der Benutzer vorgibt.

Allerdings ist es wichtig zu erkennen, dass die Outputs der KI den Prompt übersteigen können – sie liefern nicht bloß trivial das Vorgegebene, sondern generieren oft eigenständige, manchmal überraschende Inhalte innerhalb des gesetzten Rahmens. Ein und derselbe Prompt kann zu immer wieder neuen Ergebnissen führen, und diese Ergebnisse können Details oder Ideen enthalten, die nicht explizit in der Eingabe genannt waren. Hier liegt der Grund, warum viele Nutzer die Ausgaben von Systemen wie ChatGPT als „kreativ“ empfinden: Die KI kann Assoziationen herstellen oder Lösungen vorschlagen, auf die der Mensch selbst nicht gekommen wäre. In kontrollierten Studien zur kreativen Textproduktion wurde etwa gezeigt, dass Menschen von KI-generierten Einfällen profitieren können. Eine Untersuchung in Science Advances (2023) ließ Autoren Kurzgeschichten schreiben – teils mit, teils ohne Ideen von GPT-4 als Hilfestellung. Die Resultate: Zugang zu von KI erzeugten Ideen steigerte die wahrgenommene Originalität und Nützlichkeit der Geschichten signifikant . Vor allem weniger kreative Probanden erzielten mit KI-Unterstützung einfallsreichere Erzählungen; die KI wirkte hier also als kreativer Katalysator . Interessanterweise waren die mit KI-Hilfe geschriebenen Geschichten im Schnitt auch ähnlicher zueinander als die komplett menschlichen Geschichten, was auf eine gewisse Homogenisierung hindeutet . Diese „Dilemma“ – individuelle Kreativitätshilfe versus kollektiver Ideen-Einfalt – betont, dass die KI tendenziell zum Mainstream neigt: Sie bietet naheliegende kreative Lösungen an, die vielen Nutzern gleichermaßen einfallen, wodurch die Vielfalt einzigartiger Ideen abnehmen kann . Auch dies spricht dafür, dass die KI vor allem innerhalb bekannter Pfade variiert, anstatt wirklich originäre Vielfalt zu schaffen.

Rolle der Trainingsdaten: Maschine als „stochastischer Papagei“? Ein limitierender Faktor für die Kreativität generativer Modelle ist ihr Trainingsmaterial. Das Modell kann nur verarbeiten (und neu kombinieren), was irgendwann in seinen Daten gesehen wurde. Kritiker argumentieren daher, dass solche KI nichts fundamental Neues hervorbringen können, sondern letztlich immer „auf den Schultern“ menschlicher Vorlagen stehen. Die bekannte Metapher vom „Stochastic Parrot“ (Bender et al., 2021) drückt aus, dass große Sprachmodelle riesige Mengen Text statistisch nachplappern, ohne echtes Verständnis oder eigenen Schöpfungsakt . In der Tat erzeugt z.B. ChatGPT seine Antworten, indem es Muster extrapoliert, die in der menschlichen Sprachstatistik angelegt sind – Kreativität erscheint hier eher als Illusion eines geschickt kombinierten Versatzstücks. Dafür spricht auch, dass generative KI leicht in Klischees und Konventionen verfällt, wenn der Prompt nicht explizit nach Originalität verlangt. Da das System auf Durchschnittsmuster optimiert ist, besteht die Gefahr, dass unkonventionelle oder seltene Ideen (die „Tails“ der Verteilungsfunktion) seltener reproduziert werden. Aktuelle Forschungen warnen zudem vor einem Phänomen des Modellkollapses, falls KI-Systeme künftig verstärkt mit KI-generierten Daten weitertrainiert werden sollten. Eine Studie in Nature (2023) zeigte mathematisch und empirisch, dass beim Training von Modellen auf den eigenen Output nach und nach die Vielfalt der Daten verfällt: Seltene Merkmale gehen verloren und das Modell „fällt“ letztlich auf einen degenerierten Zustand zurück, in dem es nur noch repetitives, mittelfristiges Material erzeugt . So verschwinden zunächst die Ausreißer und Innovationen („die Ränder der Verteilung“), bis das System schließlich fast nur noch Durchschnittliches liefert . Dieses Ergebnis verdeutlicht, wie sehr kreative Leistung der KI von frischem menschlichen Input abhängt. Sobald die Maschine gewissermaßen selbstreferentiell immer wieder die eigenen Erzeugnisse als Lernvorlage nimmt, verstärkt sie bestehende Muster und verliert die Fähigkeit, Überraschendes oder Außergewöhnliches zu produzieren . Insofern benötigt eine KI fortwährend den Anstoß und die Korrektur durch die menschliche Kreativität (etwa in Form neuer Daten oder Bewertungen), um nicht in mittelmäßige Routine abzugleiten.

Emergenz: Unerwartete Fähigkeiten als Kreativität? Auf der anderen Seite berichten Forscher von Emergenzphänomenen bei großen KI-Modellen: Mit wachsender Modellgröße und Datenmenge treten plötzlich Fähigkeiten zutage, die nicht explizit einprogrammiert wurden. Dazu zählen z.B. überraschende Leistungen beim schlussfolgernden Denken, bei sprachübergreifender Übersetzung oder beim Lösen von Rätseln, die kleinere Modelle nicht beherrschen . Solche emergenten Fähigkeiten sind per Definition unerwartet und schwer auf einzelne Trainingsdaten zurückzuführen . Einige betrachten das Auftauchen dieser Fähigkeiten als Indiz für einen gewissen „Funken“ an Kreativität: Das System zeigt Verhaltensweisen, die über die Summe des Gelernten hinauszugehen scheinen – es generalisiert und kombiniert Wissen in neuartiger Weise, ohne dass ein Entwickler diese Fähigkeit vorgesehen hatte. Beispielsweise konnte GPT-3 plötzlich einfache Programmieraufgaben lösen und GPT-4 brillierte in anspruchsvollen Tests, die nicht zum ursprünglichen Trainingsziel gehörten. Auch im kreativen Schreiben gibt es Berichte, dass große Modelle in der Lage sind, stilistisch konsistente, originelle Erzählungen oder Gedichte zu verfassen, die nicht einfach nur Plagiate existierender Werke sind. Ein empirischer Befund untermauert diese Sicht: ChatGPT (bzw. GPT-4) wurde auf klassischen Divergent-Thinking-Tests der Kreativitätsforschung geprüft, wie dem Alternate Uses Task (ungewöhnliche Verwendungen für Alltagsgegenstände finden) und dem Consequences Task (Folgen fiktiver Szenarien ausdenken). Erstaunlicherweise erzielte die KI teils höhere Originalitätswerte als die durchschnittlichen menschlichen Probanden und generierte in kurzer Zeit mehr ausgefallene Ideen . Die Antworten des Modells wurden als besonders einfallsreich und detailliert bewertet, was auf ein erhebliches kreatives Potenzial hindeutet . Solche Ergebnisse sind bemerkenswert und zeigen, dass ein großes Sprachmodell – auf Anforderung – durchaus Outputs liefert, die in Tests als kreativ gelten.