Divergenz auf Knopfdruck
Erste Woche im Semester, Aufgabe: eine Leuchte für eine Berghütte. Am Donnerstag bringen die Student:innen je sechzig Bilder mit. Warmes Holz, Messing, Schnee vor dem Fenster, sehr viel Abendstimmung. Die erste Frage in der Kritik lautet nicht mehr «Warum diese?», sondern «Mit welchem Prompt?». Das ist keine Anekdote über Faulheit. Es ist eine Verschiebung dessen, was im Atelier überhaupt besprochen wird.
Die freundlichste Lesart liefern Ma, Cai und Chen (2026). Sie haben die Portfolios von 35 Studierenden im dritten Jahr eines Interaction-Design-Studiums in Neuseeland ausgewertet. Zwei Wochen lang mussten diese für ein persönliches Markenzeichen in jeder Phase des Design Thinking generative Werkzeuge einsetzen und den Prozess dokumentieren. Die Studie findet eine wiederkehrende Schleife: generieren, vergleichen, überarbeiten. Die KI erscheint darin nicht als externes Hilfsmittel, sondern als «generative mediation», als Vermittlung, die am Urteilen teilnimmt. Ihr Rahmenmodell nimmt an, dass Bewertungen, die sonst im Kopf stattfinden, teilweise am Auswählen und Verwerfen sichtbar werden.
Aufschlussreicher ist das Kleingedruckte. Rund 28 Prozent behandelten die Ergebnisse über mehrere Prompt-Runden als vorläufige Endpunkte statt als Ausgangspunkte (S. 22). Bei einer Studentin fielen die Bilder trotz Nachschärfen immer wieder in stilisierte Vorlagen zurück. Mehrere legten in solchen Momenten die Maschine weg und griffen zum Stift. Die Autor:innen warnen selbst davor, dass das Urteil schwächer werden kann, wenn es schleichend durch die Flüssigkeit und oberflächliche Plausibilität algorithmischer Sprache ersetzt wird (S. 23). Immerhin benannte mehr als die Hälfte diese Neigung selbst, und in der Prototyp-Phase fragten viele, so die Lehrenden, zunehmend danach, ob ein Ergebnis das eigene Urteil stützt, statt ob es gut genug ist. Nur stammen die Daten aus Portfolios, die zur Kursaufgabe gehörten, und jemand aus dem Forschungsteam gehörte zum Lehrteam. Eine gut dokumentierte Schleife ist noch kein gutes Urteil.
Experimentell sieht es weniger charmant aus. Wadinambiarachchi und Kolleg:innen (2024) liessen 60 Personen einen Roboter-Avatar skizzieren, in drei Gruppen: ohne Hilfe, mit Google-Bildersuche, mit Bildgenerator. Beim Fixieren ist der Befund deutlich: Die KI-Gruppe übernahm mehr Merkmale des Beispiels als die beiden anderen Gruppen. Mehr Ideen, mehr Varianz oder mehr Originalität brachte der Generator nicht, im Schnitt lagen die Werte eher tiefer. Dazu kommt ein Effekt, den das Team «fixation displacement» nennt: Die Fixierung verschwindet nicht, sie wandert vom Beispiel auf die generierten Bilder.
Das Grundmuster ist alt. Jansson und Smith (1991, S. 8–9) gaben Maschinenbau-Studierenden im letzten Studienjahr einen Kaffeebecher als Beispiel, der mit Röhrchen und Mundstück arbeitete und leckte. Röhrchen und Mundstücke waren in der Aufgabe ausdrücklich ausgeschlossen. Die Gruppe mit Beispiel zeichnete trotzdem mehr davon, und mehr Becher, die leckten. Neu ist nur, dass das Beispiel heute auf Bestellung kommt, im Viererpack. Chulvi und Kolleg:innen (2026) haben den Viererpack geprüft. Mit demselben Lunchbox-Auftrag wie zwanzig Studierende lieferten sechs Bildgeneratoren deutlich weniger Vielfalt, bei Neuheit und Qualität war der Unterschied nicht signifikant.
In der Gruppe wird es unbequemer. Doshi und Hauser (2024) fanden, dass Kurzgeschichten mit KI-Ideen einzeln als kreativer beurteilt werden, sich untereinander aber stärker gleichen. Anderson, Shah und Kreminski (2024) verglichen ChatGPT mit einem Kartendeck aus dem Jahr 1975, den Oblique Strategies von Brian Eno und Peter Schmidt. Einzeln waren beide ähnlich divergent. Als Gruppe landeten die ChatGPT-Nutzer:innen näher beieinander, und sie fühlten sich für ihre Ideen weniger verantwortlich. Auf ein Atelier übertragen, hiesse das: Zwanzig Student:innen liefern je für sich mehr, die Klasse als Ganzes wird schmaler. Divergenz des Einzelnen, Konvergenz des Jahrgangs.
Bleibt die Kritik. Schmitt-Fumian, Tauscher und Thoring (2025) liessen 25 Studierende Rückmeldungen von GPT-4 und von Dozierenden vergleichen. Die Maschine schnitt in der Wahrnehmung der Studierenden gut ab: klarer gegliedert, ermutigender, ohne Schärfe. Die Autor:innen notieren aber selbst: Das Modell schwächt seine Antworten ab, sobald man ihm widerspricht. Für die Kritik, die Annahmen wirklich infrage stellt, bleiben Lehrende nötig. Park (2025) beschreibt aus zwei Master-Ateliers, wie sich die Kritik selbst verändert. Sie wird transaktional und dreht sich um Oberflächen. Prozesse werden undurchsichtig, Studierende arbeiten parallel statt miteinander, und in den Teams entsteht eine neue Hierarchie, sortiert nach KI-Kompetenz.
Schön (1983, S. 78–79) hat das Entwerfen als Gespräch mit der Situation beschrieben. Züge haben, glücklich oder unglücklich, oft Folgen, die niemand beabsichtigt hat. Die Situation antwortet, bei Schön «talks back», und man reagiert mit dem nächsten Zug. Goldschmidt (1991) zeigte an Architekt:innen beim Skizzieren, dass die Skizze kein fertiges Bild aus dem Kopf abbildet. Sie erzeugt Darstellungen, die neue Bilder erst hervorrufen, im Pendel zwischen zwei Arten zu argumentieren. Das gerenderte Bild antwortet auch, aber es antwortet fertig. Es lässt wenig Raum für das Unbeabsichtigte, von dem die Entwurfslehre jahrzehntelang gelebt hat. Das produktive Missverständnis wird wegpoliert.
Daraus folgt kein Verbot, wohl aber ein anderer Gegenstand der Bewertung. Nicht das beste Bild zählt, sondern der beste Vergleich. Zeig die verworfenen Varianten und sag, warum sie gestorben sind. Schreib das Kriterium auf, bevor du den ersten Prompt tippst, damit die Sprache vor der Spezifikation steht und nicht hinterher als Ausrede. Leg früh eine Grenze fest, ein Material, ein Mass, einen Ort, und lass die Maschine gegen diese Grenze arbeiten statt im offenen Feld. Und verteidige eine Variante gegen das Lob des Modells. Erst dann ist geurteilt und nicht bloss eingekauft worden.
Divergenz war nie die Menge der Varianten, sondern der Abstand zwischen ihnen. Und das Urteil beginnt nicht beim Generieren, sondern dort, wo man eine Variante wegwirft und sagen kann, weshalb.
Quellen
Anderson, B. R., Shah, J. H., & Kreminski, M. (2024). Homogenization effects of large language models on human creative ideation. In Creativity and Cognition (C&C ’24) (S. 413–425). ACM. https://doi.org/10.1145/3635636.3656204 (full text)
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)
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290 (full text)
Goldschmidt, G. (1991). The dialectics of sketching. Creativity Research Journal, 4(2), 123–143. https://doi.org/10.1080/10400419109534381 (abstract only)
Jansson, D. G., & Smith, S. M. (1991). Design fixation. Design Studies, 12(1), 3–11. https://doi.org/10.1016/0142-694X(91)90003-F (full text)
Ma, Y., Cai, Y., & Chen, J. (2026). AI-assisted divergent pedagogy: Understanding human-AI co-creativity in design thinking education. Design Studies, 105, 101407. https://doi.org/10.1016/j.destud.2026.101407 (full text)
Park, H. (2025). Generative AI in studio-based design education: Human–AI relationships, collaboration and assessment. In IASDR 2025: Design Next. https://doi.org/10.21606/iasdr.2025.845 (full text)
Schmitt-Fumian, T. K., Tauscher, S., & Thoring, K. (2025). AI vs. human: Exploring the potential of generative AI as a feedback tool to support ideation in design education. Proceedings of the Design Society, 5, 429–438. https://doi.org/10.1017/pds.2025.10057 (full text)
Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books. (full text)
Wadinambiarachchi, S., Kelly, R. M., Pareek, S., Zhou, Q., & Velloso, E. (2024). The effects of generative AI on design fixation and divergent thinking. In Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI ’24) (S. 1–18). ACM. https://doi.org/10.1145/3613904.3642919 (full text)
