Dasselbe Werkzeug, zwei Gegenüber

Eine Szene, wie sie in jedem Atelier vorkommt. Am selben Bildschirm sitzen eine Praktikantin und ein Grafiker mit zwanzig Jahren Praxis. Dasselbe Programm schlägt beiden Muster vor. Sie klickt sich durch sechs Varianten und strahlt. Er klickt dreimal zurück, ändert ein Detail, dann noch eines, und wirkt zunehmend verstimmt. Man ist versucht, das als Charakterfrage abzutun, Neugier gegen Sturheit. Eine neue Studie legt nahe, dass es um etwas anderes geht.

Joana Rovira Martins, Pedro Martins und Ana Boavida (2026) haben 30 Personen mit PatternPursuit arbeiten lassen, einem System, das Arbeiten des portugiesischen Grafikers Sebastião Rodrigues in grafisches Rohmaterial zerlegt und daraus Muster für Geschenkpapier entstehen lässt (S. 2). Fünfzehn waren Expert:innen mit mehr als fünf Jahren Berufspraxis. Die anderen fünfzehn bildeten eine gemischte Gruppe aus Junior-Designer:innen und Leuten aus fachfremden Berufen (S. 9). Wichtig für alles Weitere: PatternPursuit ist kein Bildgenerator, der aus einem Satz ein fertiges Bild macht. Es kombiniert vorhandenes Material Schritt für Schritt (S. 17).

Die beiden Gruppen benutzten dasselbe Werkzeug und erlebten zwei verschiedene. Die Nicht-Expert:innen probierten mehr Ideen aus, meist vier bis fünf oder mehr, bevor sie sich entschieden. Die Expert:innen blieben meist bei zwei oder drei und gingen öfter zurück, um etwas zu ändern (S. 13). Zwölf von fünfzehn Expert:innen beschrieben das System als halbautonom, neun von fünfzehn Nicht-Expert:innen als etwas, das sie selbst steuern. Die Nicht-Expert:innen bewerteten auch ihre Kontrolle und ihre Wahlfreiheit höher (S. 13). Für sie, so die Autor:innen, erweitert das System die eigenen Fähigkeiten, für Expert:innen ist es ein halbautonomer Partner, der die Autorschaft infrage stellt (S. 3). Aus der Gruppe der Expert:innen fühlte sich jemand eingeschränkt, weil das System viele der Bilder kontrolliert habe (S. 16).

Im Creativity Support Index kamen die Nicht-Expert:innen auf 83 Punkte, die Expert:innen auf 71. Ihre eigenen Muster bewerteten die Nicht-Expert:innen bei Qualität und Wert höher, bei der Neuheit war der Unterschied nicht gesichert (S. 14). Nur: Das sind Selbstbewertungen, und die Stichprobe ist klein, wie die Autor:innen selbst schreiben (S. 17). Aufschlussreicher sind die Zusammenhänge. Bei den Nicht-Expert:innen gingen gefühlte Neuheit und gefühlte Qualität zusammen, die Autor:innen folgern, dass sie Originalität mit Qualität verwechseln. Bei den Expert:innen hing der Wert, den sie einem Ergebnis gaben, mit der Kontrolle zusammen, die sie darüber hatten (S. 16). Die Expert:innen erleben die Maschine eher als Gegenüber und sind trotzdem, oder gerade deshalb, unzufriedener.

Andere Studien messen anders und kommen zu einem nüchterneren Bild. Wang und Kolleg:innen (2025) liessen 21 Studierende und 21 Designer:innen mit mehr als drei Jahren Berufserfahrung eine Figur entwerfen, erst klassisch, dann mit generativen Werkzeugen. Drei externe Fachleute bewerteten die Ergebnisse. Den Anfänger:innen half die KI vor allem beim Finden von Ideen, den Erfahrenen eher bei Qualität und Ausarbeitung, und die Erfahrenen blieben vorn (S. 13). Weil alle zuerst ohne und dann mit KI arbeiteten, lassen sich Übungseffekte allerdings nicht ganz trennen (S. 7). Und Chulvi und Kolleg:innen (2026) fanden zwischen Bildgeneratoren und Studierenden einen gesicherten Unterschied nur bei der Vielfalt, nicht bei Neuheit oder Qualität (S. 8).

Bleibt die Frage, was die Unzufriedenheit bedeutet. Lee und Kolleg:innen (2025) haben 319 Wissensarbeiter:innen befragt. Wer der KI mehr zutraute, dachte nach eigener Auskunft weniger kritisch nach. Wer sich selbst mehr zutraute, tat es mehr, auch wenn sie es als mühsamer empfanden. Kausal ist das nicht belegt, und auch hier sprechen die Befragten über sich selbst. Die Arbeit verschiebt sich, so die Autor:innen, vom Ausführen zum Beaufsichtigen, zum Prüfen und Einordnen. Man kann das Murren des Grafikers deshalb auch anders lesen: nicht als Widerstand gegen das Werkzeug, sondern als Urteil, das noch arbeitet.

Bahaa Mustafa und Abeer Ibrahim (2026) beschreiben in einer Übersicht über 33 Quellen, was für die Jüngeren auf dem Spiel steht (S. 1). Sie unterscheiden drei Haltungen von Grafiker:innen gegenüber generativer KI: Resisters lehnen sie ab, unter anderem aus ethischen Gründen, Adapters nutzen sie und halten Urteil und Einfall für menschlich, Integrators bauen ihr Berufsbild um die Zusammenarbeit mit der Maschine (S. 6). Erfahrene sind wohl meist Adapters, und das geht auf: Was die KI übernimmt, war nie der Kern ihrer Arbeit und trägt ihr Selbstbild nicht (S. 7). Am Anfang der Karriere ist genau diese Routine der Ort, an dem man lernt. Drei Tage an einem Logo lehren Balance und Proportion, dreissig Sekunden mit einem Prompt nicht (S. 7). Wer das eigene Machen nie geübt hat, kann später nicht beurteilen, was die KI liefert (S. 8). An Daten geprüft ist die Typologie noch nicht (S. 9).

Für ein Atelier ist das eine praktische Frage, im Studio wie in der Lehre. Die Begeisterung der Jüngeren ist kein Beweis für gute Arbeit, und das Zögern der Älteren kein Beleg für Sturheit. Bewerte also nicht das Gefühl am Ende, sondern die Begründung davor. Wer das fünfte Muster wählt, sagt in einem Satz, warum nicht das vierte. Und bevor die Maschine vorschlägt, steht fest, was nicht verhandelbar ist: Material, Format, Anlass. Bei SOL LAB nennen wir das Sprache vor Spezifikation. Dann hat auch die Praktikantin etwas, wogegen sie Varianten prüfen kann, und der Grafiker etwas, das ihm die Kontrolle zurückgibt.

Das Werkzeug ist dasselbe. Was es tut, hängt davon ab, wer davorsitzt und was diese Person schon weiss. Ein Studio, das nur misst, wie zufrieden alle sind, misst vor allem die Erfahrung.

Quellen

Chulvi, V., Ruiz-Pastor, L., Berni, A., Royo, M., & Castillo-López, A. (2026). Creative potential of image-generative AI models for conceptual engineering design tasks. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 40, e8. https://doi.org/10.1017/S0890060426100286 (full text)

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI ’25) (S. 1–22). ACM. https://doi.org/10.1145/3706598.3713778 (full text)

Mustafa, B., & Ibrahim, A. (2026). Professional identity of graphic designers in the age of generative AI: Threats, adaptation, and a conceptual typology. American Journal of Arts and Human Science, 5(4), 1–11. https://doi.org/10.54536/ajahs.v5i4.8133 (full text)

Rovira Martins, J., Martins, P., & Boavida, A. (2026). Understanding how expertise shapes human-AI collaboration in graphic design with PatternPursuit. Design Science, 12, e34. https://doi.org/10.1017/dsj.2026.10078 (full text)

Wang, N., Kim, H., Peng, J., & Wang, J. (2025). Exploring creativity in human–AI co-creation: A comparative study across design experience. Frontiers in Computer Science, 7, 1672735. https://doi.org/10.3389/fcomp.2025.1672735 (full text)