„Learning by Doing“
Ich weiß nicht, wie oft ich mir diesen Satz schon anhören musste. Er begegnet mir immer dann, wenn eine Aufgabe so neu ist, dass sie schier unüberwindbar scheint. Als ich in meinem ersten Job als studentische Mitarbeiterin nicht wusste, wie ich die Recherche für ein wichtiges Briefing anfangen sollte, zum Beispiel. Oder als ich den allerersten Text für diese Kolumne geschrieben habe – obwohl ich zuvor eigentlich nie für irgendjemanden geschrieben hatte.
Heute gehört das Schreiben seit vielen Jahren zu meinem Job. Ich habe Skripte für Kurzvideos geschrieben, Reden für öffentliche Auftritte, Grußwörter und Social-Media-Posts. Ich habe Bücher geghostwritet und Kommunikationsstrategien von Anfang bis Ende verfasst.
Dass ich das kann – und halbwegs gut darin bin –, liegt vor allem daran, dass ich es immer wieder tun musste. Es gab keine Abkürzung.
An dieser Stelle wäre es einfach, zu den Sprachmodellen (Large Language Models) überzuleiten und über eine Generation von Nachwuchstalenten herzuziehen, die das Schreiben mithilfe von KI-Modellen outsourcen.
Diese Perspektive langweilt mich inzwischen aber extrem. Sie bringt weder uns noch junge Talente weiter. Und überhaupt sollte man sich die Frage stellen: Ist es wirklich so schlimm, wenn politische Kommunikatoren nur noch ChatGPT, Claude und Co schreiben lassen?
KI-Texte: Wo liegt das Problem?
Die kurze Antwort lautet: wahrscheinlich ja. Darauf deuten zumindest erste wissenschaftliche Arbeiten hin.
Eine der wenigen Arbeiten, die den Einfluss von KI auf politische Kommunikation mit breiter Erhebungsbasis untersucht haben, stammt von Andreas Jungherr und Adrian Rauchfleisch (2026). In einem präregistrierten Experiment in den USA und in Großbritannien mit jeweils 1.800 Teilnehmern testeten sie, wie Menschen auf politische Ansprache reagieren: einmal durch einen menschlichen Campaigner, einmal durch einen KI-Chatbot, jeweils mit Informations- oder Überzeugungsabsicht.
Die Studie misst also nicht, ob KI gut schreiben kann. Sie misst etwas viel Grundlegenderes: Was passiert, wenn Menschen schon wissen, dass KI im Spiel ist?
„Wer KI einsetzt, riskiert Vertrauensverlust.“
Das Ergebnis ist ernüchternd. Die Forschenden finden eine sogenannte „AI Penalty“, also eine systematische Abwertung von KI-vermittelter Ansprache. Über fast alle gemessenen Dimensionen hinweg und in beiden Ländern wurde der Kontakt mit einer KI als weniger akzeptabel, bedrohlicher für die eigene Autonomie und weniger nützlich bewertet. Die negativen Bewertungen richteten sich nicht nur gegen den Kontakt selbst, sondern auch gegen die Organisation dahinter: Wer KI einsetzt, riskiert Vertrauensverlust.
Besonders relevant für alle, die in der politischen Kommunikation arbeiten: Der Effekt war gerade dort am stärksten, wo die Ansprache rein informierend war – also in genau dem Kontext, in dem man annehmen könnte, dass KI am wenigsten schadet. Das Gegenüber muss gar nicht das Gefühl haben, manipuliert zu werden. Für ein mulmiges Gefühl reicht, dass eine Maschine schreibt.
„Allein das Signal – hier war keine echte Person am Werk – kann die Wirkung einer Botschaft beschädigen.“
Was bleibt, ist eine unbequeme Erkenntnis: Es geht nicht primär darum, ob ein KI-generierter Text inhaltlich korrekt ist. Allein das Signal – hier war keine echte Person am Werk – kann die Wirkung einer Botschaft beschädigen. Und dieses Signal steckt im Text selbst: in der Sprache, im Rhythmus und in der Abwesenheit von Ecken und Kanten.
Daraus folgt etwas sehr Konkretes. Wer Texte produziert, die nach Maschine klingen – ob bewusst oder aus Bequemlichkeit –, riskiert genau den Effekt, den Jungherr und Rauchfleisch beschreiben. Erkennbar menschliches Schreiben ist damit nichts weniger als eine berufliche Kernkompetenz.
Learning by…Reviewing?
Zurück zu den Nachwuchstalenten und zu der Frage: Wie lernt man eine Disziplin, die nicht nur von einer KI übernommen werden kann, sondern in der Anzeichen von KI auch einen erheblichen Effekt auf die Wirkung eines Textes haben?
Der naheliegende Rat wäre: die ersten Jahre im Berufsleben komplett ohne KI zu schreiben. Klingt sauber, hat früher ja auch funktioniert. Nur ist „vorher“ nicht mehr die Realität, in der Berufseinsteiger heute arbeiten. Die Branche hat sich durch KI verändert – und mit ihr die Geschwindigkeit, die von allen erwartet wird. Wer heute in einer Agentur oder einem Abgeordnetenbüro anfängt, arbeitet in einer Umgebung, in der Kollegen längst mit KI-Tools operieren. Das auszublenden wäre nicht diszipliniert, sondern weltfremd.
Die Frage ist also nicht: KI ja oder nein. Die Frage ist, wie man trotzdem lernt.
Das beginnt mit etwas, das banal klingt, es aber nicht ist: der eigenen Sprache zuhören. Wer einen eigenen Stil entwickeln will, muss zuerst verstehen, wie er eigentlich spricht und schreibt, wenn niemand zuschaut. Welche Wörter fallen einem zu? Wo setzt man Pausen? Was klingt nach einem selbst? Ohne dieses Bewusstsein fehlt der Maßstab, an dem sich jeder Output eines LLM messen lassen muss.
„Wer einen eigenen Stil entwickeln will, muss zuerst verstehen, wie er eigentlich spricht und schreibt.“
Genauso wichtig ist, was man liest. Ich meine damit ausdrücklich Texte von Menschen, die für Menschen geschrieben wurden: Kolumnen, Reden, Essays, Reportagen. Texte, die eine Haltung haben, einen Rhythmus, manchmal eine Unschärfe, die gerade deshalb funktioniert, weil sie echt ist. Man muss sich dabei gar nicht vornehmen, etwas Bestimmtes daraus mitzunehmen. Es reicht, aufmerksam zu lesen und sich zu fragen: Was macht diesen Absatz lesenswert? Warum lese ich diesen einen Satz zweimal? Über die Zeit entsteht daraus ein Sprachgefühl, das kein Prompt-Engineering ersetzen kann. Man entwickelt ein inneres Ohr dafür, wann ein Text trägt und wann er nur funktioniert.
Sprachmodelle trainieren Sprachmodelle von morgen
Wovon ich dagegen dringend abraten würde: LinkedIn-Posts von selbsternannten Profis, die erklären, wie man KI-Texte erkennt. Wenn ich noch einen einzigen Beitrag darüber sehe, dass man Gedankenstriche vermeiden soll, weil die angeblich ein KI-Signal seien … Das Problem an solchen Hacks: Sie sind oberflächlich und gleichzeitig hochgefährlich. Sie suggerieren, man könne KI-Texte anhand einzelner Stilmerkmale entlarven.
Sprachmodelle werden auf menschlichen Texten trainiert – und ihre Outputs fließen zurück ins Netz und trainieren die nächste Generation. Mit jedem Zyklus werden die Grenzen zwischen menschlichem und maschinellem Schreiben durchlässiger. Wer sich heute eine Checkliste anlegt, investiert in Wissen, das mit dem nächsten Modell-Update veraltet. Was hingegen bestehen bleibt, ist ein eigener Stil, der sich durch Haltung, Rhythmus und Urteilsvermögen auszeichnet.
Und dann ist da noch die Frage, wie der eigentliche Lernprozess heute aussehen kann. Learning by Doing – dieser Satz, den ich am Anfang dieser Kolumne erwähnt habe – stimmt auch heute noch. Aber er reicht nicht mehr. In einer Branche, die zunehmend mit KI-Tools arbeitet, entsteht handwerkliche Kompetenz auch durch einen zweiten Schritt: das bewusste Überarbeiten. Einen Text selbst schreiben, ihn dann durch ein Sprachmodell laufen lassen – und anschließend den Unterschied studieren. Was hat das Modell verändert? Was davon ist tatsächlich besser, was ist nur glatter? Wo hat es eine Kante entfernt, die eigentlich eine Stärke war?
„Was hingegen bestehen bleibt, ist ein eigener Stil, der sich durch Haltung, Rhythmus und Urteilsvermögen auszeichnet.“
Wer das regelmäßig macht, schärft genau das Sprachgefühl, das ich vorhin beschrieben habe. Der eigene Stil entsteht dann in der Reibung mit der Maschine – in der immer wieder neuen Entscheidung, was man übernimmt und was man verwirft.
Wer folgt hier wem?
Wird also alles schlechter? Ich glaube nicht. Aber anders. LLMs lernen aus unseren Texten, und wir gewöhnen uns an ihre. Mit jedem Zyklus schleift sich die Grenze ein Stück weiter ab. Wer in dieser Dynamik einen eigenen Stil behaupten will, muss sich bewusst dagegen entscheiden, sich schleifen zu lassen. Das ist anstrengender als früher. Es ist aber auch eine Fähigkeit, die es früher gar nicht brauchte.
Generationen vorher haben das Schreiben noch ohne diesen Widerstand gelernt. Der Maßstab war das Feedback der Vorgesetzten, der Vergleich mit Kollegen, das eigene Gefühl beim Wiederlesen am nächsten Morgen. Das hat funktioniert, aber es war auch eine Art geschützter Raum. Man musste sich nie fragen, ob der eigene Stil von dem einer Maschine zu unterscheiden ist, weil es die Maschine schlicht nicht gab. Wer heute in den Beruf einsteigt, hat diesen Schutz nicht mehr.
Dafür hat er etwas anderes: ein Gegenüber, an dem sich der eigene Anspruch ständig messen lässt. Die Reibung zwischen dem, was man selbst schreibt, und dem, was ein Modell daraus macht, zwingt zu einer Klarheit über die eigene Sprache, die man sich früher erst über Jahre erarbeiten musste – oder eben nie.
Vielleicht werden junge politische Kommunikatoren am Ende besser darin sein. Vielleicht sogar deshalb, weil sie gar nicht erst die Illusion hatten, dass gutes Schreiben ohne Reibung entsteht.