KI-Einsatz in der qualitativen Forschung: Verschiebung des Engpasses

Einführung

Anfang Juni 2026 hielt Thorsten Dresing an der Universität Bremen einen Vortrag mit dem Titel „KI transformiert qualitative Forschung?! Zwischen Beschleunigungshoffnung und menschlichem Analyse(lern)prozess“. Dresing arbeitet seit Jahren mit qualitativer Forschung, sowohl in der Praxis als auch methodisch, unter anderem als Mitentwickler der Transkriptionssoftware f4 und als langjähriger Dozent für qualitative Methoden und MAXQDA.

Er stellte sein Vortragsskript ausführlich online. In diesem Skript gibt er eine umfassende Bestandsaufnahme dessen, was KI in der qualitativen Forschung bereits leisten kann, wo methodische Probleme auftreten und welche Ansätze für eine reflektierte Integration von KI in Gestalt von Large Language Modells (LLM) in qualitative Forschungsprozesse in der Literatur diskutiert werden. Meine Ausführungen beziehen sich auf dieses Skript; ich habe den Vortrag selbst leider nicht gesehen. Beim Lesen des Skripts stellte sich für mich eine zentrale Frage, die in Dresings Argumentation eher am Rande steht: Was ist in verschiedenen Forschungskontexten tatsächlich die realistische Alternative zum Einsatz von KI?

Dresings Einwände gegen eine umfassende Delegation qualitativer Forschung an LLM erscheinen mir weitgehend überzeugend. Gleichzeitig liegt seiner Argumentation ein Vergleichsmaßstab zugrunde, der vor allem für universitäre Forschung und Qualifikationsarbeiten plausibel ist. Hier wird eine KI-gestützte Analyse mit einer sorgfältig durchgeführten manuellen Analyse verglichen. In vielen anderen Kontexten ist die Ausgangslage jedoch häufig eine andere. Meine Ergänzung setzt deshalb nicht an Dresings methodischer Kritik an, sondern am Vergleichsmaßstab. Die Kritik an KI-gestützter qualitativer Forschung ändert sich dadurch nicht grundsätzlich. Sie verändert jedoch die Frage, mit welcher Alternative der KI-Einsatz verglichen wird.

Dabei verwende ich den Begriff „qualitative Forschung“ im Folgenden bewusst in einem weiten Sinn. In Praxisfeldern wie Schule, Vereinen oder kleinen Organisationen geht es häufig nicht um publizierbare Forschungsarbeiten, sondern um methodisch informierte qualitative Evaluation und Erkenntnisgewinn. Beide Perspektiven sind für die folgende Argumentation relevant: wissenschaftliche qualitative Forschung ebenso wie qualitative Forschung in praxisbezogenen Kontexten.

Der Vortrag in Kürze

Dresing beginnt mit den heutigen Einsatzmöglichkeiten von KI in der qualitativen Forschung. Automatische Transkription ist weit verbreitet und wird allgemein akzeptiert. Im Bereich der KI-gestützten Auswertung ist die Situation weniger eindeutig. Hier reicht das Anwendungsspektrum von Zusammenfassungen und Fragen an das Material über Themenidentifikation und automatisches Codieren bis hin zu Interpretationsvorschlägen und automatisch generierten Ergebnisberichten. LLMs können entweder direkt genutzt werden, z.B. über ChatGPT oder Claude, oder als integrierter Bestandteil von Forschungssoftware wie MAXQDA, ATLAS.ti oder NVivo.

An dieser Stelle setzt ein erster zentraler Kritikpunkt an. Die Anbieter solcher Programme entwickeln in der Regel keine eigenen Sprachmodelle, sondern greifen auf bestehende Modelle zurück und steuern deren Verhalten unter anderem über Systemprompts. Für die Nutzenden ist selten transparent, welche Modelle und Prompts genau verwendet werden. Dies ist methodisch relevant. Solche Prompts können Vorentscheidungen enthalten, welche Aspekte eines Materials hervorgehoben werden, wie codiert wird oder was überhaupt als relevantes Thema gilt. Wer ein solches Werkzeug einsetzt, übernimmt damit möglicherweise eine methodische Logik, die nur eingeschränkt nachvollzogen und überprüft werden kann.

Ein zweiter Schwerpunkt des Vortrags betrifft die Eigenschaften von LLM-Ausgaben selbst. Dresing zeigt an einem kurzen Transkriptausschnitt mehrere typische Probleme. So fasst ein Modell eine Äußerung inhaltlich zusammen, obwohl die befragte Person die gestellte Frage gar nicht beantwortet hat. Eine für die Interpretation relevante sprachliche Nuance wird dabei übergangen. Hinzu kommt die Varianz der Ergebnisse. Dieselbe Anfrage an dasselbe Modell kann bei mehreren Durchläufen zu unterschiedlichen Themen oder Interpretationen führen. Bei einer einmaligen Anfrage bleibt diese Varianz unsichtbar.

Problematisch ist außerdem die häufig große sprachliche Eindeutigkeit der Antworten. Ein Modell kann eine Interpretation als plausibel und abgeschlossen darstellen, obwohl mehrere Lesarten des Materials möglich wären. Gerade die Abwägung zwischen konkurrierenden Deutungen gehört jedoch zu den zentralen Elementen qualitativer Analyse. Eine einzelne, sprachlich überzeugende LLM-Antwort kann diesen Prozess eher verdecken als unterstützen. Ähnliches gilt für die Zuordnung von Textstellen zu Kategorien. Auch wenn ein Modell seine Entscheidung begründet, ersetzt diese Begründung keine methodische Prüfung. Wird eine solche Prüfung konsequent durchgeführt, kann sich der Zeitaufwand wiederum einer manuellen Analyse annähern.

Ein weiterer zentraler Punkt ist für Dresing der Datenschutz. Qualitative Daten lassen sich häufig deutlich schwieriger anonymisieren als quantitative Daten. Bereits die Kombination mehrerer für sich genommen unauffälliger Informationen kann eine Re-Identifikation ermöglichen. Auch ein Serverstandort innerhalb Europas löst dabei nicht automatisch alle rechtlichen und datenschutzbezogenen Probleme.

Als Reaktion auf diese Herausforderungen stellt Dresing verschiedene methodisierte Ansätze vor. Dazu gehört das hybride Interpretieren. Mehrere unterschiedliche LLMs und die forschende Person werden dabei in mehreren Runden in einen Interpretationsprozess einbezogen. Unterschiede zwischen den Modellausgaben werden nicht ausschließlich als Fehler verstanden, sondern können ähnlich wie unterschiedliche Perspektiven in klassischen Interpretationsgruppen zum Gegenstand der Analyse werden.

Beim Serendipity-Prompting soll das LLM dagegen gerade keine fertige Interpretation liefern. Stattdessen soll es durch Rückfragen oder alternative Perspektiven auf mögliche blinde Flecken im Material aufmerksam machen.

Am Ende formuliert Dresing fünf Kriterien, anhand derer sich Entscheidungen über den Einsatz von KI prüfen lassen: methodische Passung, Transparenz, Agency, Datenschutz und sichere Prüfpfade.

Dresings Kernpunkte:
LLM-Ausgaben sind methodisch nicht automatisch transparent, können zwischen einzelnen Durchläufen variieren und wirken teilweise eindeutiger, als es das Material rechtfertigt. Der Einsatz von KI in qualitativen Forschungsprozessen erfordert deshalb methodische Passung, Nachvollziehbarkeit, Datenschutz und verlässliche Möglichkeiten zur Prüfung der Ergebnisse.

Insgesamt ist Dresings Argumentation von methodischer Vorsicht geprägt. Der Nutzen von KI wird dabei vor allem vor dem Hintergrund etablierter wissenschaftlicher Forschung diskutiert. Die Vergleichsgröße ist entsprechend eine sorgfältig durchgeführte manuelle Analyse.

Zugang und doppelte Expertise

Der blinde Fleck: Zugang statt nur Beschleunigung

An diesem Vergleichsmaßstab setzt meine Ergänzung an. Für wissenschaftliche Qualifikationsarbeiten ist die Annahme plausibel, dass die Alternative zu einer KI-gestützten Analyse eine methodisch sorgfältige manuelle Analyse ist. Fehlende Zeit ist in diesem Kontext kein ausreichendes methodisches Argument für den Einsatz eines weniger geprüften Verfahrens.

In anderen Praxisfeldern stellt sich die Situation jedoch häufig anders dar. Eine Schule, ein Verein oder eine kleine Organisation entscheidet nicht zwingend zwischen einer sorgfältigen manuellen Analyse und einer KI-gestützten Analyse. Häufiger besteht die Alternative zwischen einer KI-gestützten qualitativen Auswertung und dem vollständigen Verzicht auf qualitative Daten. Eine weitere mögliche Alternative ist eine ausschließlich quantitative Evaluation, etwa in Form standardisierter Fragebögen. Gerade in Praxisfeldern bietet eine an wissenschaftlichen Standards zumindest orientierte qualitative Analyse der Perspektiven aller Beteiligten einen deutlichen Erkenntnisgewinn gegenüber standardisierten Fragebögen.

Dresing selbst berichtet im Vortrag von einer Evaluationsstelle an einer Hochschule, die ChatGPT zur Auswertung einsetzt, weil die zuständige Stelle vakant ist, das Ergebnis aber dennoch geliefert werden muss. Er führt dieses Beispiel vor allem als Warnung vor einem problematischen Einsatz von KI an. Das Beispiel lässt sich zugleich als Hinweis auf ein strukturelles Problem lesen. Ohne KI-Unterstützung hätte an dieser Stelle möglicherweise keine qualitative Auswertung stattgefunden, der damit unter Umständen verbundene Erkenntnisgewinn fiele weg. Denkbar wäre stattdessen eine rein quantitative Auswertung oder der vollständige Verzicht auf diesen Teil der Evaluation. Unter solchen Bedingungen kann KI den Zugang zu qualitativer Forschung erweitern. Sie kann Formen qualitativer Auswertung ermöglichen, die zuvor an Zeit- oder Personalmangel gescheitert wären.

Damit verschiebt sich auch die Bewertungsgrundlage. Wenn die Vergleichsgröße nicht „gleiche Qualität in kürzerer Zeit“, sondern „qualitative Erkenntnisse oder keine qualitativen Erkenntnisse“ lautet, ist KI nicht ausschließlich als Instrument zur Beschleunigung bereits bestehender Forschung zu betrachten. Sie kann auch dazu beitragen, qualitative Forschung in Kontexten überhaupt praktikabel umsetzbar zu machen, in denen sie zuvor aus Ressourcengründen kaum durchgeführt wurde.

Ein Beispiel aus dem schulischen Bereich verdeutlicht diese Unterscheidung. Eine Schule möchte nach einem Digitalisierungsprojekt nicht nur einen standardisierten Fragebogen auswerten, sondern zusätzlich zehn Gruppengespräche mit Schülerinnen und Schülern sowie Lehrkräften durchführen. Ohne ausreichende personelle Ressourcen für Transkription und qualitative Auswertung besteht eine reale Möglichkeit darin, auf diesen Teil der Evaluation zu verzichten. Automatische Transkription und KI-gestützte Unterstützung bei einer ersten Strukturierung des Materials können ein solches Vorhaben eher realisierbar machen.

Damit ist allerdings noch nichts darüber gesagt, ob die gewonnenen Kategorien und Interpretationen methodisch belastbar sind. Die Möglichkeit, eine qualitative Analyse überhaupt durchzuführen, und die Qualität dieser Analyse sind voneinander zu unterscheiden. Auch die Zeitersparnis sollte nicht überschätzt werden. KI kann die Einstiegshürde beispielsweise bei der Transkription, einer ersten Strukturierung oder der Exploration des Materials senken. Wie groß die tatsächliche Zeitersparnis am Ende ist, hängt jedoch wesentlich davon ab, wie intensiv die erzeugten Ergebnisse geprüft werden müssen.

Der entscheidende Unterschied besteht daher nicht darin, dass qualitative Forschung durch KI grundsätzlich einfacher würde. Vielmehr kann sie unter bestimmten Bedingungen zugänglicher werden.

Die doppelte Expertise-Anforderung

Diese Zugangserweiterung reduziert jedoch nicht automatisch die Anforderungen an die beteiligten Personen. Vielmehr treten zwei unterschiedliche Formen von Expertise für die mit qualitativen Methoden Forschenden nebeneinander.

Die erste ist KI-Expertise. Dazu gehört ein grundlegendes Verständnis dafür, wie Bias, Halluzination und Varianz in LLM-Ausgaben entstehen können, welche Bedeutung die Formulierung von Prompts hat, wie sich unterschiedliche Modelle verhalten und welche Grenzen bei Anonymisierung und Datenschutz bestehen. Ebenso gehört dazu die Fähigkeit, die sprachliche Sicherheit einer Modellausgabe von ihrer inhaltlichen und methodischen Belastbarkeit zu unterscheiden.

Die zweite Kompetenz ist methodische Expertise. Wer beispielsweise mit qualitativer Inhaltsanalyse nach Kuckartz arbeitet, muss weiterhin wissen, wie Haupt- und Subkategorien gebildet werden, wie deduktive und induktive Kategorienbildung voneinander unterschieden werden, was unter Trennschärfe zu verstehen ist und unter welchen Bedingungen eine neue Kategorie analytisch sinnvoll ist. Aus meiner ganz persönlichen Sicht funktioniert dies in letzter Konsequenz nur dann, wenn der Anwender einer qualitativen Inhaltsanalyse sich ausführlich mit den methodischen Grundideen befasst hat - und im Idealfall bereits in einem vorhergehenden Projekt mit diesen Methoden gearbeitet hat.

Methodenwissen wird durch den Einsatz eines LLM also nicht überflüssig. Es bildet vielmehr die Grundlage dafür, überhaupt beurteilen zu können, welche Aufgaben an ein Modell delegiert werden können, wie ein geeigneter Prompt formuliert werden sollte und wie die erzeugten Ergebnisse anschließend einzuschätzen sind.

Ein guter Prompt ersetzt Methodenwissen nicht. Er ist im besten Fall eine Übersetzung methodischer Entscheidungen in eine Arbeitsanweisung für das Modell.

Dass diese zweite Kompetenz leicht unterschätzt werden kann, zeigt sich auch an einem Beispiel aus Dresings Vortrag. Die 13-Schritte-Prompts, die Kuckartz und Rädiker für den KI-Einsatz im Rahmen qualitativer Inhaltsanalyse vorschlagen und die Dresing aufgreift, eignen sich nach seiner Einschätzung eher als grobe Strukturvorschläge denn als unmittelbar übernehmbare Anleitungen. Diese Einschränkung ist nachvollziehbar. Ein generischer Prompt kann nicht ohne Weiteres berücksichtigen, welche methodischen Anpassungen für ein konkretes Material, eine bestimmte Fragestellung oder ein spezifisches Kategoriensystem erforderlich sind. Die notwendige Feinjustierung setzt methodisches Wissen voraus. Die Übersetzung zwischen Methodenwissen und Promptgestaltung bleibt damit eine zentrale Aufgabe der forschenden Person.

KI-Expertise und methodische Expertise ersetzen einander folglich nicht. Für einen reflektierten KI-Einsatz in der qualitativen Forschung werden beide benötigt. Diese Kombination lässt sich als doppelte Expertise beschreiben.

Konsequenz: Der Flaschenhals verschiebt sich

Aus beiden Beobachtungen ergibt sich eine Konsequenz, die Dresings Argumentation ergänzt. KI kann die Ressourcenschwelle für qualitative Forschung senken. Bestimmte Arbeitsschritte lassen sich mit geringerem zeitlichem oder personellem Aufwand durchführen, und Vorhaben können dadurch praktikabel werden, die zuvor kaum realisierbar waren.

Die Anforderungen an die fachliche Beurteilung der Ergebnisse verschwinden dadurch jedoch nicht. Teilweise kommen zusätzliche Anforderungen hinzu. Die Zugangshürde kann sinken, ohne dass die Kompetenzanforderungen im gleichen Maß sinken.

Qualitative Forschung erforderte auch bisher methodisches Wissen, Zeit und Erfahrung in der Auswertung. Beim Einsatz von KI kommt nun eine weitere Kompetenz hinzu: Die Funktionsweise und die Grenzen der eingesetzten KI-Systeme müssen zumindest so weit verstanden werden, dass ihre Beiträge zum Forschungsprozess beurteilt werden können. Gerade außerhalb spezialisierter Forschungskontexte kann nicht vorausgesetzt werden, dass methodische und KI-bezogene Expertise in einer Person gleichermaßen vorhanden sind.

Daraus ergibt sich ein Spannungsverhältnis. Schulen, Vereine und kleinere Organisationen können von einer Senkung der Ressourcenschwelle besonders profitieren, weil dort häufig keine eigenen Forschungs- oder Evaluationsstellen vorhanden sind. Gleichzeitig ist gerade in solchen Kontexten nicht selbstverständlich, dass die für eine methodisch reflektierte Nutzung erforderliche Kombination von Kompetenzen vorhanden ist.Der mögliche Zugewinn an Zugang geht deshalb mit einem zusätzlichen Risiko einher: Je leichter eine Analyse technisch durchführbar wird, desto weniger sichtbar kann werden, welche fachlichen Voraussetzungen weiterhin erforderlich sind.

In diesem Sinne verschiebt sich der Flaschenhals zum Einsatz qualitativer Methoden. Er liegt nicht mehr ausschließlich bei verfügbarer Zeit, Personal oder Auswertungskapazität. Zunehmend stellt sich die Frage, ob genügend methodische und technische Kompetenz vorhanden ist, um die Arbeit der KI angemessen zu steuern und zu beurteilen.

Diese Überlegung widerspricht Dresings Plädoyer für einen vorsichtigen und methodisch reflektierten KI-Einsatz nicht. Sie erweitert vielmehr die Fragestellung. Neben der Frage, ob ein konkreter KI-Einsatz methodisch angemessen ist, muss auch berücksichtigt werden, wie die dafür notwendige Expertise in der Praxis verteilt ist und in welchen Kontexten sie fehlt.

Fazit

KI kann qualitative Forschung in Kontexten ermöglichen, in denen sie bislang an Zeit, Personal oder anderen Ressourcen scheiterte. Darin liegt ein Potenzial, das über die häufig diskutierte Beschleunigung bestehender Forschungsprozesse hinausgeht.

Diese Zugangserweiterung löst die methodischen Probleme des KI-Einsatzes jedoch nicht. Im Gegenteil: Wenn qualitative Forschung durch KI in neue Praxisfelder vordringt, gewinnt die Frage an Bedeutung, wer die Qualität der erzeugten Analysen fachlich beurteilen kann.

Der Flaschenhals verschwindet daher nicht. Er verschiebt sich teilweise von Zeit und Auswertungskapazität hin zu einer Kombination aus Methodenwissen und KI-Kompetenz.

Dresings fünf Kriterien – methodische Passung, Transparenz, Agency, Datenschutz und sichere Prüfpfade – bleiben vor diesem Hintergrund zentral. Ihnen muss aus meiner Sicht kein weiteres Kriterium hinzugefügt werden. Allerdings setzen mehrere dieser Kriterien voraus, dass die beteiligten Personen überhaupt über die notwendige Expertise verfügen, um methodische Passung, Transparenz und die Qualität von Prüfpfaden beurteilen zu können. Die Frage nach der vorhandenen Expertise sollte deshalb nicht erst nach der Entscheidung für einen KI-Einsatz gestellt werden. Sie gehört bereits zur Prüfung, ob und in welcher Form ein KI-gestütztes qualitatives Forschungsvorhaben sinnvoll durchgeführt werden kann.

Nachtrag: Zwei weitere Aspekte

Nach der ersten Fassung dieses Beitrags sind mir in Diskussionen (unter anderem mit Thorsten Dresing) zwei Aspekte aufgefallen, die die obige Argumentation ergänzen, ohne sie grundlegend zu verändern. Ich ergänze sie hier als eigenständigen Nachtrag, weil sie eher zusätzliche Facetten des Problems beleuchten als direkt in die Argumentationslinie zur doppelten Expertise einzugreifen.

Standortgebundenheit und die Wirkmächtigkeit der Erstantwort

Ein Aspekt, der in meinem ursprünglichen Text zu kurz kommt, betrifft die Frage, was eigentlich passiert, wenn wir eine LLM-Ausgabe als erste Deutung eines Materials erhalten, bevor wir selbst zu einer eigenen Einschätzung gekommen sind. Das ist zunächst kein neues Problem. Karl Mannheim hat in seiner Wissenssoziologie unter dem Begriff der Seinsverbundenheit des Denkens beschrieben, dass jede Deutung an einen sozialen Standort gebunden ist – einen Punkt außerhalb dieser Gebundenheit, von dem aus man neutral urteilen könnte, gibt es nicht. Die qualitative Sozialforschung hat darauf methodisch reagiert, etwa mit der komparativen Analyse und der Interpretationswerkstatt der dokumentarischen Methode: Der eigene Standort wird erst im Vergleich mit anderen Standorten sichtbar, nie durch introspektive Selbstprüfung allein. Qualitativ-rekonstruktive Ansätze haben in meinen Augen diesen Aspekt ausführlich methodologisch aufgearbeitet, er stellt sich einer kombinierten Analyse mit einem LLM aus meiner Sicht nicht grundlegend neu.

Eine LLM-Erstantwort lässt sich in diesem Sinne als einen weiteren Standort verstehen, der die eigene Deutung vorprägen kann, bevor eine bewusste Auseinandersetzung mit alternativen Lesarten überhaupt stattgefunden hat. Dieser Mechanismus ist als Anchoring- oder Priming-Effekt auch kognitionspsychologisch gut belegt (Tversky und Kahneman 1974) und tritt ebenso in rein menschlicher Kommunikation auf, etwa wenn die zuerst geäußerte Meinung in einer Gruppe nachfolgende Einschätzungen prägt. Er ist also nicht spezifisch für den Einsatz von KI.

Offen ist aus meiner Sicht, ob die Wirkmächtigkeit dieses speziellen Standorts im Fall von LLMs neu oder zumindest größer ist: schnell verfügbar, sprachlich glatt formuliert, scheinbar neutral und in großem Maßstab von vielen Menschen gleichzeitig genutzt. Erste Studien zu Human-AI-Interaktion untersuchen gezielt, ob KI-generierte Vorschläge in vergleichbarer Weise als Anker für menschliches Urteilen wirken wie andere Ausgangsinformationen, mit ersten Hinweisen darauf, dass dies der Fall ist. Ob dieser Effekt bei KI stärker ausfällt als bei einem menschlichen Standort in einer klassischen Interpretationswerkstatt, ist damit aber noch nicht beantwortet – das bleibt vorerst eine plausible Vermutung, kein belegter Befund. Insofern hilft - wie auch in der klassischen Analyse: keine Deutung als selbstverständlich annehmen, gezielt alternative Lesarten entwickeln. Das ist genau das, was Dresing in seinem ursprünglichen Artikel vorschlägt.

Für die qualitative Forschung ergibt sich daraus eine Anschlussfrage: Reichen die etablierten methodischen Antworten auf die Standortgebundenheit des Denkens – explizites Durchspielen mehrerer Lesarten, Interpretationsgruppen, und in der Konsequenz auch Dresings Vorschlag, mehrere LLMs als eine Art Interpretationsgruppe einzusetzen – aus, um auch diese neue Form der Standortgebundenheit einzuhegen? Oder braucht es dafür eigene, noch zu entwickelnde Verfahren, etwa den bewussten Verzicht auf eine LLM-Erstantwort, bevor eine eigene Deutung überhaupt formuliert wurde?

Cognitive Surrender und die fehlende Legitimation von KI-Autorität

Ein zweiter Aspekt betrifft die von Dresing zitierte Wharton-Studie von Shaw und Nave (2026). In einem präregistrierten Experiment mit über tausend Teilnehmenden und mehreren tausend Durchläufen sollten Versuchspersonen Denksportaufgaben lösen, bei denen die naheliegendste Lösung falsch war. Ein KI-Assistent gab dabei gezielt manipulierte, falsche Lösungshinweise. Die überwiegende Mehrheit der Teilnehmenden übernahm diese falschen Hinweise – und fühlte sich dabei subjektiv sogar sicherer, die richtige Antwort gegeben zu haben. Die Autoren bezeichnen dieses Phänomen als cognitive surrender: die weitgehend freiwillige Abgabe analytischer Verantwortung an das System.

Bemerkenswert an diesem Befund ist aus meiner Sicht weniger die Fehleranfälligkeit selbst, sondern was hier eigentlich an Vertrauen abgegeben wird. Wenn wir uns auf die Einschätzung einer Lehrperson verlassen, verlassen wir uns auf eine Autorität, die eine Reihe institutioneller Legitimationsprozesse durchlaufen hat: eine Ausbildung, die Auseinandersetzung mit Aufgaben und Musterlösungen, die Notwendigkeit, Einschätzungen in Fachkonferenzen zu vertreten und zu verantworten, und die Verpflichtung, sich gegenüber Schüler:innen oder Eltern zu rechtfertigen. Diese Prozesse machen die Autorität nicht unfehlbar, aber sie machen sie korrigierbar und sozial eingebettet. Ein LLM hat nichts Vergleichbares durchlaufen. Seine sprachliche Überzeugungskraft ist von jeder Form institutioneller Rückkopplung entkoppelt – und genau das macht sie, wenn sie unreflektiert übernommen wird, potenziell folgenreicher als der Umgang mit einer fehlbaren, aber eingebetteten menschlichen Autorität.

Beide hier ergänzten Aspekte laufen letztlich auf denselben Punkt hinaus, den ich im Hauptteil bereits als KI-Expertise bezeichnet habe: Sie zu kennen und im eigenen Vorgehen zu berücksichtigen, ist selbst Teil der Kompetenz, die ein reflektierter KI-Einsatz in der qualitativen Forschung erfordert – nicht nur zu wissen, dass Ausgaben falsch sein können, sondern zu wissen, wie leicht und auf welchem Weg sie das eigene Urteil bereits geprägt haben, bevor man das überhaupt bemerkt.

Transparenzhinweis: Für diesen Artikel wurde das Sprachmodell Claude Sonett 5 als Hilfe bei der sprachlichen Überarbeitung genutzt.