Innovation und KI: Was Menschen besser können
- marion wetter
- 31. März
- 8 Min. Lesezeit
KI übernimmt immer mehr kreative Aufgaben: Texte, Ideen, Designs, Brainstorming-Protokolle. Was dabei leicht untergeht: KI-Kreativität und menschliche Innovation sind nicht dasselbe und dieser Unterschied ist entscheidend für jeden, der mit KI arbeitet. Dieser Artikel erklärt, wo KI heute tatsächlich stark ist, wo sie architektonisch scheitert und warum das für deine tägliche Arbeit mit KI entscheidend ist.
KI ist kreativer als Menschen, aber ist sie auch innovativer?
In einem Experiment mit über 100.000 Teilnehmenden hat GPT-4 bei standardisierten Kreativitätsaufgaben besser abgeschnitten als der Durchschnitt der menschlichen Teilnehmenden [1]. Kein Einzelfall. Eine aktuelle Studie aus 2023 mit 256 Menschen und drei KI-Systemen kommt zum gleichen Ergebnis: KI übertrifft den menschlichen Durchschnitt bei divergentem Denken, also bei der Fähigkeit, für ein Problem möglichst viele ungewöhnliche Lösungsideen zu generieren [2].
Das klingt nach einem Problem. Ist es aber nur dann, wenn du die falsche Frage stellst.
Denn in beiden Studien gilt: Die kreativsten Menschen schlagen die KI. Der entscheidende Unterschied liegt nicht darin, wie viele Ideen jemand produziert. Da gewinnt KI problemlos, sondern in dem, was Ideen zu echter Innovation macht: Intentionalität, Mut und die Fähigkeit, das Spielfeld selbst in Frage zu stellen, statt nur besser darin zu spielen.
KI generiert mehr Ideen, schneller, ohne Ermüdung. Was sie nicht kann: wissen, warum welche Ideen zählen.
Was unterscheidet KI-Kreativität von echter Innovation?
Bevor wir weitermachen, brauchen wir eine Unterscheidung, die in der öffentlichen KI-Debatte fast immer fehlt. „Kreativität“ ist kein einheitlicher Begriff und genau darin liegt das Missverständnis.
In der Kreativitätsforschung gibt es ein Modell, das den Unterschied sauber macht. Das 4C-Modell beschreibt vier Ebenen kreativen Denkens: von alltäglich bis transformativ [3]:
mini-C ist das persönliche Aha-Erlebnis: du verstehst etwas auf neue Weise, verbindest zwei Dinge, die du bisher nicht zusammengedacht hast. Kreativ für dich — nicht notwendigerweise für andere.
little-C ist Alltagskreativität: der gut formulierte Projektbericht, das ansprechende Erklär-Video, der Workshop, der besser läuft als der letzte. Hier passiert der Großteil dessen, was wir im Büro als „kreativ“ bezeichnen.
Pro-C ist Expertisekreativität: der erfahrene Designer, der ein Problem auf eine Weise löst, die andere nicht gesehen hätten. Die Beraterin, die eine Klientensituation mit einem Rahmen versteht, den sie über Jahre entwickelt hat.
Big-C ist das, worum es geht, wenn wir wirklich über Innovation sprechen: transformativ, systemverändernd, nicht auf bestehende Strukturen aufbauend, sondern diese grundlegend hinterfragend. Das, was ein Spielfeld neu erfindet, eine Branche umdreht, eine Annahme zerstört, die alle für selbstverständlich gehalten haben.
Und genau hier liegt das Wesentliche: Innovation im Sinne des DRAIVE-Frameworks™ ist Big-C. Wenn ich im Folgenden von Innovation schreibe, meine ich immer diesen Typus — die Fähigkeit, aus dem System herauszutreten und zu fragen, ob das System selbst das richtige ist. Nicht besser spielen. Die Strecke wechseln.
Die Forschung ist eindeutig: KI ist stark bei mini-C und little-C, kann Pro-C unterstützen und scheitert strukturell an Innovation. Nicht wegen mangelnder Rechenleistung, sondern wegen eines fundamentalen architektonischen Limits: KI interpoliert. Sie bewegt sich innerhalb des Raums, den ihre Trainingsdaten abstecken. Sie kombiniert, variiert, optimiert, aber sie kann nicht aus dem System heraustreten und fragen, ob das System selbst das falsche ist [3].
Desdevises (2025) zeigt: ChatGPT-4o produziert mehr Ideen als Menschen, aber beide Gruppen clustern rund 80 % ihrer Antworten in denselben drei dominanten Kategorien. KI erzeugt Quantität, keine neue Diversität. Das ist der empirische Beleg für KIs Interpolations-Limit [4].
Interpolation vs. Extrapolation: KI-Systeme erzeugen Outputs, die innerhalb ihres Trainingsdatenraums liegen (Interpolation). Echte Innovation erfordert Extrapolation, also Denken außerhalb des bekannten Raums. |
Das Netzwerk, das beim Duschen aktiv ist
Es gibt eine Beobachtung, die die meisten von uns kennen: Die besten Ideen kommen nicht am Schreibtisch. Sie kommen beim Spazierengehen, im Halbschlaf, unter der Dusche, also in Momenten, in denen das Gehirn nicht auf eine konkrete Aufgabe fokussiert ist.
Das ist kein Zufall, sondern Neurobiologie.
Wenn das Gehirn keine Fokusaufgabe bearbeitet, aktiviert es ein Netzwerk, das an spontanem, assoziativem Denken beteiligt ist: an Gedankenwanderung, an der Verknüpfung entfernt liegender Konzepte, an dem, was Forschende als Incubation bezeichnen: das unbewusste Weiterarbeiten an Problemen, das dann als plötzlicher Einfall auftaucht. Neurowissenschaftliche Forschung hat 2024 erstmals kausal belegt: Wer dieses Netzwerk durch direkte Stimulation stört, produziert messbar weniger originelle Ideen. Die Anzahl der Ideen bleibt gleich, aber ihre Originalität sinkt [5].
Eine weitere Studie mit über 2.400 Teilnehmenden aus fünf Ländern zeigt: Kreative Leistung lässt sich durch die Häufigkeit von Wechseln zwischen offenem, assoziativem Denken und fokussierter Kontrolle vorhersagen [6]. Wer dauerhaft in einem Modus bleibt, entweder immer fokussiert oder immer entspannt, verliert Kreativitätspotenzial.
Was folgt daraus für den Alltag mit KI?
Wer sein Gehirn freibekommt, hat mehr "Duschmomente".
Wenn das Gehirn permanent mit little-C-Aufgaben beschäftigt ist — E-Mails formulieren, Präsentationen strukturieren, Berichte zusammenfassen —, schaltet es das Netzwerk, das Durchbrüche erzeugt, nie wirklich ein. Und genau das ist das strategische Argument für das Auslagern von small-C-Tasks an KI: nicht primär Zeitersparnis, sondern die kognitive Voraussetzung für Big-C schaffen.
Das soziale Dilemma: Je mehr alle KI nutzen, desto wertvoller wird dein Big-C
Doshi und Hauser haben 2024 in Science Advances etwas gemessen, das zunächst paradox klingt [7]: GenAI macht individuelle kreative Outputs besser: alle Geschichten werden origineller, wenn KI-Ideen zur Verfügung stehen. Aber die Gesamtheit der Outputs wird homogener. Geschichten ähneln sich um 10 % mehr. Wer KI nutzt, orientiert sich an dem, was die KI vorschlägt und KI schlägt bei allen ähnliche Dinge vor.
Das hat eine interessante Konsequenz: Je mehr Menschen KI für Alltagskreativität einsetzen, desto mehr ähneln sich die Outputs kollektiv. Wer in diesem Umfeld echtes Big-C-Denken mitbringt, also wer das Spielfeld selbst hinterfragt, wer Fragen stellt, die noch niemand gestellt hat, wird seltener und wertvoller.
Innovation war schon immer knapp. Sie wird knapper.
Verkümmert deine Kreativität, wenn KI sie übernimmt?
Es gibt eine Gegenposition zu der Logik, die ich hier entwickle. Sie lautet: Wenn du deine alltäglichen Kreativaufgaben konsequent an KI auslagern, verkümmert mit der Zeit auch die Fähigkeit zu echtem innovativem Denken. Kreativität ist wie ein Muskel: wer ihn nicht trainiert, verliert ihn.
Das scheint zunächst logisch. Eine Studie aus 2025 zeigt: Wer mit qualitativ schwachem KI-Output geprimed wird, liefert anschließend selbst schlechtere kreative Ergebnisse, ein Effekt, der an den Golem-Effekt aus der Führungsforschung erinnert [8]. Und wer nicht mehr hinterfragt, trainiert die kognitive Konfliktlösung nicht mehr, eine Kernkompetenz für Big-C-Denken.
Golem Effekt: Psychologisches Phänomen aus der Führungsforschung, auf den KI-Kontext übertragen: Wer unkritisch qualitativ schlechten KI-Outputs vertraut, übernimmt auch minderwertige Ergebnisse — was langfristig die eigene Urteilsfähigkeit schwächt. |
Meine Antwort darauf: Der Unterschied liegt in der Intentionalität der Delegation.
Das klingt nach einer schwammigen Aussage, ist aber eine konkrete Unterscheidung. Im Artikel zu Delegation in dieser Serie habe ich beschrieben, dass der Unterschied zwischen gutem und schlechtem Delegieren im Outcome-Denken liegt: Wer weiß, warum er eine Aufgabe weitergibt und was dabei entstehen soll, verliert keine Kompetenz, er schärft sie. Wer Aufgaben blind und passiv auslagert, weil KI es einfacher macht, tut es ohne Urteilsvermögen. Das Risiko liegt nicht in der Delegation selbst. Es liegt in der Passivität.
Ein konkretes Beispiel dafür, wie intentionale Delegation aussieht: Wer der KI einmalig beibringt, wie der eigene Schreibstil klingt, ihr gute und schlechte Beispiele zeigt, ihr Rückmeldungen gibt, ihr erklärt, welche Formulierungen passen und welche nicht, der investiert einmal Aufmerksamkeit, um danach Texte abgeben zu können, ohne ständig nacharbeiten zu müssen. Das Gegenteil von Atrophie: Du hast aktiv einen Standard gesetzt, der deine Qualitätsansprüche abbildet und delegierst dann innerhalb dieses Standards. Das ist keine Kapitulation vor der KI sondern echte Delegation.
Die Konsequenz daraus geht noch weiter. Wer versteht, wofür er wirklich da ist, nämlich für die Aufgaben, die Innovation im DRAIVE-Sinne erfordern, der hört auch auf, sich mit dem Satz „Dieser Artikel wurde ohne KI geschrieben“ zu schmücken. Das klingt gut. Aber die eigentliche Frage lautet: Was hast du in der Zeit, die du damit verbracht hast, nicht getan? Für welche genuinen Innovationsaufgaben fehlte dir die Kapazität, weil du little-C-Arbeit manuell erledigt hast, die KI in einem Bruchteil der Zeit hätte übernehmen können?
Was das konkret für dich bedeutet
1. Trenne systematisch: Was ist little-C, was ist Innovation?
Geh deine typische Arbeitswoche durch und frag dich: Welche Aufgaben erfordern echtes Systemhinterfragen und welche sind Ausführung, Formulierung, Struktur? Alles, was in die zweite Kategorie fällt, ist ein legitimer Kandidat für KI-Unterstützung. Nicht weil du zu faul bist, es selbst zu tun, sondern weil du die kognitive Kapazität für die erste Kategorie brauchst. Investiere einmalig Zeit darin, der KI deinen Kontext zu geben: deinen Stil, deine Standards, dein Publikum. Wer das tut, delegiert mit Qualitätsanspruch statt auf Abstriche zu setzen.
2. Schütze deine „Duschmomente“ aktiv.
Das Netzwerk, das Durchbrüche erzeugt, braucht unstrukturierte Zeit. Das sind keine Pausen, das ist Arbeit in einem anderen Modus. Konkret: Geh nach einem komplexen Meeting spazieren, bevor du die nächste Aufgabe anfasst. Halte keine Morgenroutine voll mit Inputs. Lass Gedanken wandern, bevor du antwortest. Das klingt unproduktiv. Es ist eine der produktivsten Entscheidungen, die du treffen kannst, wenn du weißt, dass du Big-C-Denken brauchst.
3. Prüfe regelmäßig: Bin ich noch auf der richtigen Strecke?
Innovation im DRAIVE-Sinne bedeutet nicht, jeden Tag das Spielfeld zu wechseln. Es bedeutet, die Fähigkeit zu erhalten, die Strecke selbst in Frage zu stellen, auch dann, wenn gerade alles gut läuft. Plane dir einmal pro Quartal explizit Zeit ein für die Frage: Optimieren wir die richtigen Dinge? Oder sind wir so beschäftigt mit dem Wie, dass wir das Wozu vergessen haben? Diese Frage lässt sich nicht an KI delegieren. Sie ist der Kern dessen, was Innovation im DRAIVE-Framework meint.
Innovation ist kein Dauerzustand — sie ist eine Superpower für den richtigen Moment
Das DRAIVE-Framework™ beschreibt Innovation nicht als Alltagskompetenz, die täglich gefragt ist. Es beschreibt sie als gezielte menschliche Stärke: Neugier, Vorstellungskraft, Intention, Vision, Kreativität, gebündelt in der Fähigkeit, aus dem bestehenden System herauszutreten und zu fragen, ob das System selbst das richtige ist.
KI kann das nicht. Sie interpoliert, immer innerhalb des Raums, den ihre Trainingsdaten abstecken. Das ist keine Schwäche, die morgen behoben wird. Es ist Architektur.
Was das für dich bedeutet: Nicht jede kreative Aufgabe braucht deine volle menschliche Stärke. Wer das versteht, hört auf zu versuchen, bei allem maximal kreativ zu sein und fängt an, Energie für die Momente aufzusparen, in denen echte Innovation gefragt ist. Wer mit KI die Strecke optimiert, hat mehr Kapazität für die Frage: Fahren wir überhaupt auf der richtigen?
Willst du wissen, wie du und dein Team die KI-Transformation besser meistern? Dann buch dir ein Gespräch mit uns auf co-drAIver.com — wir schauen gemeinsam, wo dein echtes Innovationspotenzial liegt.
Das DRAIVE-Framework™ wurde von co-drAIver entwickelt. Es identifiziert sechs menschliche Kernkompetenzen, die im KI-Zeitalter nicht nur relevant bleiben, sondern an Bedeutung gewinnen: Delegation, Ratio, Agilität, Innovation, Verantwortung und Empathie. Hinter jeder Kompetenz steckt ein fundamentales technologisches Limit der KI-Architektur — kein temporärer Mangel, sondern eine strukturelle Eigenschaft. Dieser Blogpost ist Teil einer mehrteiligen Serie. Weitere Artikel findest du auf www.co-drAIver.com.
Über die Autorin
Marion Wetter Transformationsberaterin · Change Managerin · Co-Gründerin von co-drAIver Marion Wetter begleitet Organisationen dabei, KI-Readiness systematisch aufzubauen – strategisch und menschenzentriert. Als Co-Gründerin von co-drAIver hat sie das DRAIVE-Framework™ entwickelt: ein praxiserprobtes Kompetenzmodell, das zeigt, welche menschlichen Stärken im KI-Zeitalter strukturell nicht ersetzbar sind. Marion ist Trainerin, Keynote-Speakerin und regelmäßige Autorin zu den Themen KI-Transformation, Change Management und KI-Literacy. |  |
Quellen
[1] Bellemare-Pepin, Antoine et al. (2026): Divergent Creativity in Humans and Large Language Models. Scientific Reports. DOI: 10.1038/s41598-025-25157-3
[2] Koivisto, Mika; Grassini, Simone (2023): Best humans still outperform artificial intelligence in a creative divergent thinking task. Scientific Reports, 13:13601. DOI: 10.1038/s41598-023-40858-3
[3] Zhang, Chenchen; Shao, Yong; Yuan, Yuan; Shen, Wangbing (2025): Artificial Intelligence Reshapes Creativity: A Multidimensional Evaluation. PsyCh Journal, 14:831–840.
[4] Desdevises, Joy (2025): The Paradox of Creativity in Generative AI. Frontiers in Psychology. DOI: 10.3389/fpsyg.2025.1628486
[5] Bartoli, Eleonora et al. (2024): Default mode network electrophysiological dynamics and causal role in creative thinking. Brain, Vol. 147, Issue 10. DOI: 10.1093/brain/awae199
[6] Chen, Qunlin; Kenett, Yoed N.; Beaty, Roger E. et al. (2025): Dynamic switching between brain networks predicts creative ability. Communications Biology (Nature). DOI: 10.1038/s42003-025-07470-9
[7] Doshi, Anil R.; Hauser, Oliver P. (2024): Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, Vol. 10, No. 28, eadn5290. DOI: 10.1126/sciadv.adn5290
[8] Medeiros, Cropley, Marrone, Reiter-Palmon (2025): Human-AI Co-Creativity: Does ChatGPT Make Us More Creative? The Journal of Creative Behavior.
Kommentare