Cognitive Offloading: Wie KI entlastet und wann Können verloren geht

Worum es geht

Wer sich helfen lässt, gilt als vernünftig. Wer jede Aufgabe selbst erledigt, hat offenbar noch nicht verstanden, wie Arbeitsteilung funktioniert. Wir lassen uns an Geburtstage erinnern, durch fremde Städte führen und inzwischen auch sagen, was wir von einem Text halten könnten. Das spart Zeit. Was die Entlastung auf Dauer mit unserem Können macht, ist eine andere Frage.

In vier polnischen Endoskopiezentren bekamen erfahrene Ärztinnen und Ärzte eine KI zur Seite, die während Darmspiegelungen verdächtige Stellen auf dem Bildschirm markierte. Mehr Aufmerksamkeit, wogegen man sowohl in der Medizin als auch andernorts wenig einwenden dürfte. Schon bald nach der Einführung des Assistenzsystems sank jedoch bei herkömmlichen Untersuchungen ohne KI-Unterstützung der Anteil der Fälle, in denen die Ärzte mögliche Krebsvorstufen entdeckten, merklich: von 28,4 auf 22,4 Prozent (1).

Diese Studie beweist nicht, dass die Ärzte ihr Können verlernt hatten. Die Forschenden selbst wollen ihren Befund als Hinweis verstanden sehen, der noch bestätigt werden muss. Beunruhigend ist er dennoch.

Cognitive Offloading, auf Deutsch kognitive Auslagerung, nennt man ganz allgemein das Auslagern geistiger Arbeit. Es gehört zum Alltag, seit Menschen sich Dinge aufschreiben, statt sie im Kopf zu behalten. Ein Einkaufszettel ist eine kleine zivilisatorische Errungenschaft, und niemand muss seine geistige Unabhängigkeit dadurch beweisen, dass er die Milch vergisst. Bei einer KI, die bereits die Abwägung mitliefert, wird die Arbeitsteilung nur etwas schwerer zu überblicken. Wir sollen ihr das Denken überlassen und zugleich genügend davon behalten, um zu bemerken, wenn sie falschliegt.

Systematisch untersucht hat die Psychologie das Phänomen erst spät. Evan Risko und Sam Gilbert, die 2016 einen viel zitierten Überblick dazu veröffentlichten, beginnen mit einem Beispiel, das jeder kennt. Wer eine schräg gedruckte Zeile lesen will, legt den Kopf schief, statt das Bild in Gedanken zu drehen (2). Schon das zählt für sie als Cognitive Offloading, als Handlung, die den geistigen Aufwand einer Aufgabe verringert. Wir zählen an den Fingern ab, gestikulieren beim Erklären oder tragen den Termin in den Kalender ein. Ob wir dabei den eigenen Körper nutzen oder eine Liste am Kühlschrank, macht für die Definition keinen Unterschied.

Interessant ist aber, wann wir auslagern. Das hängt nämlich weniger davon ab, wie gut wir etwas können, als davon, wie gut wir es uns zutrauen. Wer seinem Gedächtnis misstraut, schreibt mehr auf, auch wenn er sich vieles gemerkt hätte. Dieses metakognitive Urteil kann also gründlich danebenliegen.

Die Philosophen Andy Clark und David Chalmers gingen 1998 noch einen Schritt weiter. In ihrem Aufsatz über den Extended Mind schlägt ein an Alzheimer erkrankter Mann namens Otto in seinem Notizbuch nach, wo das Museum liegt, und für die beiden Autoren gehört dieses Notizbuch zu Ottos Geist (3). Auch Menschen können einander als Speicher dienen. Der Psychologe Daniel Wegner sprach hier vom transaktiven Gedächtnis: In eingespielten Teams muss nicht jeder alles wissen, es reicht, wenn man weiß, wen man fragen kann. Der Satz „Das weiß die Kollegin aus der Buchhaltung“ ist in diesem Sinn ein vollwertiger Gedächtnisinhalt.

Ob uns das etwas kostet, hängt davon ab, was wir abgeben und wie oft wir es noch selbst üben. In der Debatte über KI geraten dabei gern drei Dinge durcheinander. Wer eine Fähigkeit eine Weile nicht nutzt, hat sie deshalb noch nicht verloren, ihm fehlt zunächst vielleicht nur die Übung. Anders liegt der Fall, wenn jemand sie gar nicht erst erwirbt, weil von Anfang an ein Werkzeug die Arbeit erledigt hat. Erst im dritten Fall kann man im strengen Sinn von Verlernen sprechen: Man konnte etwas und kann es nicht mehr. Für Unternehmen und Verbände ist vor allem der mittlere Fall tückisch, denn er fällt so lange niemandem auf, bis die nächste Generation Verantwortung übernehmen soll und merkt, dass ihr etwas fehlt.

Zunächst einmal ist Auslagern eine Hilfe. Das Arbeitsgedächtnis fasst nur wenig, und was dort noch herumliegt, stört beim Lernen von Neuem. Benjamin Storm und Sean Stone haben das 2015 in einem schlichten Versuch gezeigt (4). Ihre Probanden sollten nacheinander zwei Wortlisten lernen, die jeweils in einer eigenen Datei standen. Durften sie die erste Datei abspeichern, bevor sie sich der zweiten zuwandten, behielten sie die zweite Liste deutlich besser. Die Forscher sprechen von Saving-Enhanced Memory. Was gesichert ist, darf der Kopf getrost vergessen, und das schafft Platz.

Der Effekt verschwand allerdings, sobald die Versuchspersonen dem Speichern nicht trauten. Wir lassen offenbar nur los, was wir sicher verwahrt glauben. Im Alltag ist das meistens der Fall, weshalb wir Geburtstage, Passwörter und Wegbeschreibungen so bereitwillig nach außen geben und dafür im Gespräch bei der Sache bleiben können. Auf diesem Vertrauen beruht auch die Hoffnung, dass KI uns Routine abnimmt und mehr Zeit für anspruchsvollere Arbeit lässt.

Die Wissenschaftsjournalistin und Philosophin Sibylle Anderl hält in ihrem Buch Bequeme neue Welt dagegen, dass zu viel Entlastung uns auch um etwas bringt: um die Erfahrung, Schwieriges selbst zu bewältigen, aus der Selbstwirksamkeit entsteht.

Die Kehrseite nennt die Forschung Deskilling. Der Rückgang in der polnischen Studie wiegt vor allem deshalb schwer, weil die gemessene Adenomdetektionsrate in der Darmkrebsvorsorge als wichtigste Qualitätskennzahl gilt; relativ betrachtet sank sie um rund ein Fünftel. Überdehnen sollte man die Studie trotzdem nicht. Die Forschenden haben im Nachhinein Untersuchungen aus den drei Monaten vor und nach der Einführung verglichen, also retrospektiv und ohne kontrollierten Versuch. Naheliegend ist die Vermutung, dass Ärzte, die sich an das aufleuchtende Kästchen gewöhnt haben, ohne dieses Kästchen weniger gründlich suchen. Ein verändertes Suchverhalten wäre aber noch kein dauerhafter Verlust.

Eine zweite Studie, die eine Gruppe um Tom Andre Pedersen 2026 veröffentlicht hat, fand keinen solchen Effekt (5). Dort war die Messung von Anfang an Teil des Studiendesigns, sie bezog sich jedoch auf eine andere Kennzahl, nämlich auf Polypen ab fünf Millimetern. Widerlegt sind die polnischen Ergebnisse damit also nicht. Es spricht aber einiges dafür, dass Deskilling von den Umständen abhängt und davon, wie ein Werkzeug in den Arbeitsalltag eingebettet ist.

Dass auch das Urteilen selbst betroffen sein kann, deutet eine Studie des MIT Media Lab an. Ein Team um Anku Rani und Pattie Maes ließ 67 Teilnehmende einen Monat lang Nachrichten mit Bildern als echt oder gefälscht einstufen und ihre Einschätzung anschließend mit einem KI-Assistenten besprechen. Mit Unterstützung lagen sie deutlich häufiger richtig.

Ohne KI dagegen sank ihre Trefferquote bei neuen Artikeln von Woche zu Woche, nach vier Wochen um gut 15 Prozentpunkte unter den Ausgangswert, vor allem beim Erkennen von Fälschungen. Die Studie ist bislang ein Preprint mit kleiner Stichprobe. Aufschlussreich ist sie trotzdem, weil sie auch zeigt, woran es lag: Gab die KI früh die Antwort, litt das eigene Urteilsvermögen; stellte sie stattdessen Fragen, die zum Nachdenken anregten, blieb es eher erhalten.

Beim Navigieren lässt sich Ähnliches über Jahre hinweg beobachten. Louisa Dahmani und Véronique Bohbot haben fünfzig Autofahrerinnen und Autofahrer getestet (6). Wer schon lange mit Navigationsgerät unterwegs war, schnitt schlechter ab, sobald er sich ohne Hilfe zurechtfinden musste. Bei einer Nachuntersuchung, an der nur noch 13 Personen teilnahmen, hatte das räumliche Gedächtnis gerade bei den eifrigsten Navi-Nutzern stärker nachgelassen. Dass Menschen mit schlechtem Orientierungssinn einfach öfter zum Navi greifen, ließ sich dagegen nicht feststellen. Die Autorinnen sehen darin einen Hinweis, dass die Gewohnheit die Fähigkeit schwächen könnte.

Neu ist diese Sorge nicht. Schon in Platons Phaidros lässt Sokrates einen ägyptischen König warnen, die Schrift werde die Menschen vergesslich machen, weil sie sich auf das Aufgeschriebene verlassen. Fast 2.400 Jahre später fanden Betsy Sparrow und Kollegen für die Suchmaschine etwas Ähnliches heraus (7): Wer damit rechnet, eine Information später nachschlagen zu können, merkt sich eher, wo sie steht, als was sie besagt. Bekannt wurde das als Google-Effekt. Ein anderer Versuch aus derselben Arbeit hielt 2018 zwar einer großen Wiederholungsstudie nicht stand, den Befund zum Ablageort betraf das aber nicht.

Bei vielen vertrauten Hilfsmitteln ist noch gut erkennbar, welche Arbeit wir ihnen überlassen. Ein Notizbuch gibt zurück, was man hineingeschrieben hat, und ein Navi schlägt einen Weg vor, von dem man spätestens am Ziel weiß, ob er stimmte. Ein Sprachmodell dagegen gliedert, wägt ab und formuliert. Es übernimmt also Arbeit, die wir bislang Denken genannt haben, und liefert Ergebnisse, die vorher niemand irgendwo abgelegt hat. Ob man ihm trauen kann, ist deshalb sehr viel schwerer zu beurteilen als bei einem Kalender, zumal eine Antwort sicher klingen kann, ohne verlässlich zu sein.

Wie viel dabei von der Gestaltung abhängt, zeigt ein Experiment von Hamsa Bastani und Kollegen mit knapp tausend Schülerinnen und Schülern (8). Ein Teil von ihnen übte Mathematik mit einem einfachen KI-Chat auf Basis von GPT-4, ein anderer mit einem KI-Tutor, der keine Lösungen verriet und stattdessen Hinweise gab, der Rest ganz ohne KI. Beim Üben schnitten beide KI-Gruppen deutlich besser ab. In der anschließenden Prüfung ohne Hilfsmittel lag die Gruppe mit dem einfachen Chat jedoch rund 17 Prozent hinter der Kontrollgruppe, während beim Tutor kaum ein Rückstand auftrat. Die Jugendlichen hatten sich die Lösungen offenbar einfach geben lassen. Ein einzelnes Schulexperiment beweist zwar nichts über das Berufsleben. Es zeigt aber, dass beim Lernen mit KI viel davon abhängt, wie viel die Maschine verrät, und das ist letztlich eine Designfrage.

Hinzu kommt eine Selbsttäuschung, die Risko und Gilbert schon für Suchmaschinen beschreiben. Wer gerade etwas gegoogelt hatte, schätzte sein eigenes Wissen anschließend höher ein. Bei KI-Texten ist die Versuchung noch größer, weil sich die Formulierung auf dem Bildschirm so anfühlt, als hätte man sie selbst gefunden. Und wer nicht mehr selbst liest, verwechselt die Zusammenfassung leicht mit dem eigenen Verständnis.

Wie weit das reichen kann, legt eine Umfrage des Charter-Instituts nahe: Demnach traut jede dritte Führungskraft der KI mehr als dem eigenen Urteil, unter den übrigen Beschäftigten nur etwa halb so viele. Diese geliehene Eloquenz ist bequem, und sie lädt zu jener metakognitiven Trägheit ein, mit der man Antworten übernimmt, ohne sie zu prüfen.

In der Luftfahrt kennt man das Problem schon lange. 2013 riet die US-Luftfahrtbehörde FAA den Fluggesellschaften in einer Sicherheitsmitteilung, ihre Piloten öfter von Hand fliegen zu lassen, wo die Bedingungen es erlauben. Anlass waren Auswertungen aus dem Flugbetrieb, nach denen Fehler bei der Handsteuerung zugenommen hatten. Den Autopiloten schaffte deshalb niemand ab, man plante aber bewusst Gelegenheiten zum manuellen Fliegen ein. Das lässt sich gut übertragen: Wer KI einführt, sollte zugleich festlegen, wo und wann ohne sie gearbeitet wird. Der Erhalt von Fähigkeiten wird so zur Sache der Organisation.

Viel hängt dabei an der Reihenfolge. Wer einen Förderantrag beurteilt oder die Anforderungen an eine neue Funktion sammelt, sollte sich zuerst selbst eine Meinung bilden und erst dann das Modell fragen. Wer es umgekehrt hält, läuft Gefahr, sich an der Antwort der Maschine zu orientieren und vor allem noch nach Abweichungen zu suchen. Hilfreich sind außerdem Übungsphasen ohne Assistenz. Véronique Bohbot empfiehlt etwa, das Navi auf dem Hinweg ein- und auf dem Rückweg auszuschalten. Schließlich lässt sich auch die KI selbst so einrichten, dass sie nachfragt und Hinweise gibt, bevor sie eine Lösung liefert. Wie viel das ausmacht, hat das Schulexperiment gezeigt.

Für Teams bedeutet das zunächst, Zeit einzuplanen. Eine gründliche Prüfung dauert, und wer sie im Projektplan nicht vorsieht, bekommt am Ende eine Unterschrift statt einer Prüfung. Schwieriger ist die Frage nach dem Nachwuchs. Berufseinsteigerinnen und -einsteiger brauchen Aufgaben, an denen sie Urteilskraft entwickeln können, auch solche, die ein Modell schneller erledigen würde. Sonst fehlt in einigen Jahren genau die Erfahrung, die man heute als Effizienzgewinn verbucht. Sinnvoll ist es außerdem, Fehler der KI im Team zu besprechen und in die Einarbeitungaufzunehmen.

Nicht alles muss man selbst können. Wer Telefonnummern dem Adressbuch überlässt, verliert nichts, was ihm später fehlen wird. Die Prüffrage, die man sich stellen sollte, ist deshalb recht einfach: Muss ich beurteilen können, was die Maschine mir liefert? Wenn ja, taugt das Auslagern nur so viel wie die Fähigkeit, die man dafür behält.

Solche Aufgaben gibt es längst. Gegen gute Schachprogramme gewinnt seit Jahren kein Mensch mehr, Satellitenbahnen rechnet niemand mehr von Hand, und bei der Vorhersage von Proteinstrukturen hat Software in wenigen Jahren erreicht, woran die Forschung zuvor Jahrzehnte gearbeitet hatte. Darüber muss man nicht trauern. Menschen haben Werkzeuge, die etwas besser können als sie selbst, schon immer gern genutzt und sich dann anderen Dingen zugewandt.

Schwierig wird es an einem Punkt, den die britische Ingenieurpsychologin Lisanne Bainbridge bereits 1983 beschrieben hat (9). Ihr Aufsatz Ironies of Automation handelt von Menschen, die automatisierte Anlagen überwachen. Ihnen bleiben die seltenen, schwierigen Fälle, in denen die Technik versagt, während ihnen ausgerechnet die Automatik die Routine abgenommen hat, in der sie für diese Fälle üben könnten. Je zuverlässiger ein System läuft, desto seltener muss jemand eingreifen und desto schlechter ist er darauf vorbereitet. Die Verantwortung trägt er trotzdem.

Etwas selbst zu können und etwas prüfen zu können, ist jedoch zweierlei. Um eine Berechnung zu kontrollieren, muss man sie nicht genauso schnell selbst ausführen können. Man kann Tests entwerfen oder die Ergebnisse mit unabhängigen Messungen vergleichen, vor allem aber muss man wissen, wo ein Verfahren an seine Grenzen stößt. Diese Prüfkompetenz müssen wir behalten, und zwar gerade dort, wo die eigentliche Arbeit längst bei der Maschine liegt.

Der europäische AI Act schreibt sie für risikoreiche KI-Systeme sogar vor. Nach Artikel 14 müssen die Menschen, die ein solches System beaufsichtigen, seine Fähigkeiten und Grenzen kennen, seine Ergebnisse richtig einordnen und notfalls eingreifen können. Ausdrücklich genannt wird auch die Gefahr, sich zu sehr auf die Maschine zu verlassen, der sogenannte Automation Bias. Fehlt diese Kompetenz, bleibt von der Aufsicht nur ein Ritual, und man erliegt der Kontrollillusion, etwas zu prüfen, das man in Wahrheit nur abnickt.

Wer die Ergebnisse einer Maschine nicht mehr prüft, hat ihr mehr überlassen als Arbeit. Er hat ihr das letzte Wort gegeben.

Eine Maschine, deren Ergebnisse niemand mehr prüft, ist kein Werkzeug mehr.
Sie ist eine Autorität.