„KI hilft mir, besser und schneller zu schreiben, aber ich habe es satt, fast alles zu lesen, was von KI geschrieben wurde.“ Der Satz steht in Colin Brecks Essay „I Don’t Want to Read What You Didn’t Write“. Breck ist kein Gegner der Technik. Er nutzt Sprachmodelle täglich und sagt, sie machen ihn schneller. Was ihn stört, ist die wachsende Menge an Texten, die niemand selbst geschrieben hat, die aber so tun, als wären sie ein Beitrag zum Gespräch.
Vielleicht kennst du das. Man öffnet ein Designdokument, einen Pull Request, eine Ticketbeschreibung und merkt nach zwei Absätzen: Hier spricht keine Person, sondern eine Maschine, die eine bereits erbrachte Leistung nacherzählt. Schreiben ist wie das Anlegen eines Weges durch unbekanntes Gelände. Wer selbst geht, tritt den Pfad, markiert die steilen Stellen und weiß, wo man stehen bleiben sollte. Wer nur eine Wegbeschreibung ausdruckt, hat den Weg nie gesehen. Der Text existiert, der Weg nicht. Leser merken das sofort.
Entwürfe, die keine Entwürfe mehr sind
Ein Muster, das Breck beschreibt: Menschen bauen zuerst etwas, mit KI-Unterstützung, und lassen anschließend die KI rückwirkend ein Designdokument darüber schreiben. Das Ergebnis ist kein Vorschlag mehr. Ein Designdokument war früher ein Werkzeug, um Zustimmung zu gewinnen, Kollegen mitzunehmen und Ideen in langsamem, absichtlichem Denken zu schärfen. Es war ein Zwischenstand, ein Angebot, ein offener Entwurf, an dem andere mitarbeiten konnten.
Was stattdessen entsteht, ist eine Zusammenfassung in erschöpfender Genauigkeit – ohne Kontext, ohne Perspektive, ohne die Frage, die verhandelt werden soll. Breck nennt solche Texte unlesbar und inhuman. Er beschreibt noch einen zweiten Effekt: Die Verfasser werden ungeduldig, wenn niemand reagiert. Sie haben ja bereits geliefert, das System läuft. Wer soll da noch widersprechen? Der Weg ist asphaltiert, bevor jemand gefragt wurde, ob er überhaupt dorthin führen soll.
Pull Requests, Tickets und Zusammenfassungen ohne Frage
Ähnlich bei Pull Requests. Breck sieht dort zunehmend Zusammenfassungen, die offensichtlich von Maschinen für Maschinen geschrieben sind: Das wurde geändert, jenes aufgeteilt, dort zusammengeführt, hier unberührt gelassen, Tests ergänzt, und so weiter. Alles korrekt, alles vollständig. Trotzdem bleibt die wichtigste Ebene leer.
Was fehlt, sind die Fragen, die eine Leserin braucht: Warum machen wir das? Welchen Wert hat es? Wie riskant oder dringend ist die Änderung? Worauf soll ich achten? Ohne diese Einordnung liest man eine Inventarliste und muss selbst herausfinden, was daran wichtig ist. Dasselbe gilt für Tickets und Protokolle, die eine KI aus einem Meeting zieht. Der Text besteht aus Aussagen ohne Kontext. Aussagen ohne Kontext sind keine Kommunikation – sie sind Rohmaterial, das jemand anderes sortieren soll.
Das zeigt sich auch im Persönlichen. Breck erzählt von einer Nachricht zu einem sensiblen Thema, die erkennbar mit KI geglättet wurde, um bloß nicht anzuecken. Sie hatte alle Bestandteile, ergab als Ganzes aber keinen Sinn. Sie war unpersönlich, leidenschaftslos, zusammenhanglos. Er wollte weder lesen noch antworten. Ihm wäre eine ungeschickte, ehrliche Nachricht mit eigener Stimme lieber gewesen, selbst mit dem Risiko, verletzt zu werden. In Beziehungen steckt Verletzlichkeit. Wer Verletzlichkeit und Risiko technisch eliminiert, eliminiert die Beziehung selbst.
Der Kontext, den nur der Promptende hat
Nun gibt es den verbreiteten Einwand, KI-Ausgaben seien doch „für mich“ sehr nützlich. Breck bestreitet das nicht, er erklärt es. Wer den Prompt geschrieben hat, hat den Kontext selbst erzeugt: die Vorgaben, die Einschränkungen, den Quellcode, die Logs, die Statistiken, die Bilder. Man kann die Ausgabe überfliegen und in Sekunden entscheiden, was stimmt und was nicht. Man war Teil des Prozesses, ein Frage-und-Antwort-Spiel, ein Hin und Her. Der Mensch bringt die Perspektive mit.
Wer denselben Text von außen bekommt, hat davon nichts. Kein Vorwissen, kein Hin und Her, keine Entfaltung. Diese Person muss jede Zeile ernst nehmen, weil sie nicht wissen kann, welche wichtig ist. Sie schaut in das Innere einer Maschine und hofft, dabei Kontext aufzubauen. Dass sie irgendwann aufhört zu lesen, ist keine Faulheit, sondern vernünftig.
Die Zahlen stützen das. Breck verweist auf eine Umfrage von Cynthia Dunlop zu Reaktionen auf KI-verfasste Artikel: 78 Prozent der Leser hören auf zu lesen, wenn sie den Text für KI-gestützt oder KI-verfasst halten, und 71 Prozent meiden künftig den Autor. 98 Prozent bevorzugten den Text des Autors selbst, mit allen Fehlern und Eigenheiten. Bryan Cantrill beschreibt den Effekt als Reflex: Unser Gehirn zieht mitten im Satz den Ausstiegshebel, aus Selbstschutz. Bjarne Stroustrup, der Erfinder von C++, sagte in einer Podiumsdiskussion, ein Buch funktioniere dann, wenn er die Stimme des Autors im Kopf höre, mit seltsamen Akzenten und Eigenheiten des Sprechens. Klinge es wie trockener akademischer Text, habe jemand wieder einen trockenen akademischen Text geschrieben.
Wie KI beim Schreiben tatsächlich hilft
Breck beschreibt konkret, wo ihm KI nützt – nämlich beim Schreiben eines Fachaufsatzes, den er vollständig selbst verfasst hat. Die KI schrieb keine einzige Zeile. Er schrieb in LaTeX und gab dem Modell die Stilrichtlinien der Zeitschrift, die Vorlage, alle dort bereits erschienenen Arbeiten, den Quellcode der beschriebenen Systeme sowie Konfiguration, Logs und Produktionsmetriken.
Nach jedem Absatz ließ er prüfen, ob seine Aussagen stimmen: Sind wirklich diese Datenbankspalten indiziert? Wie sind die Zeilen in den Parquet-Dateien sortiert? Das hielt ihn im Schreibfluss, weil er weiterschreiben konnte, während die Prüfung des vorherigen Absatzes lief. Die KI fand Auslassungen und Ungenauigkeiten, erledigte die lästigen Literaturangaben, war schonungslos bei Rechtschreibung und Grammatik, schlug Kürzungen für zu lange Sätze vor und zeichnete technische Diagramme in TikZ. Sie entdeckte sogar einen subtilen Notationsfehler, den vier menschliche Fachgutachter übersehen hatten.
Der Umkehrschluss: Wenn Breck die KI bat, den Absatz aus dem gelieferten Kontext selbst zu schreiben, war das Ergebnis nie brauchbar. Nicht ein einziges Mal. Es war durchweg unangenehm zu lesen und oft schlicht falsch. Und was schrieb die KI am besten? Das Abstract – der knappste, mechanischste, unmenschlichste Teil der Arbeit. Er übernahm es unverändert. Das überrascht wenig: Zusammenfassen, Abstrahieren und neu Darstellen von bereits Gedachtem ist das, worin solche Modelle stark sind.
Kann KI überhaupt gut schreiben?
Man sollte die künftige Entwicklung nicht unterschätzen. Wir sind früh dran, und die verbreiteten Modelle sind darauf trainiert, sachlich, direkt und korrekt zu sein – nicht kreativ. Murat Demirbas argumentiert in seinem Essay, die Qualität von LLM-Texten habe sich eingependelt, weil sich Schreiben anders als Programmieren, Mathematik oder Buchhaltung nicht klar formalisieren und verifizieren lässt. Ein Modell hat kein aktives Bild einer konkreten Leserin vor Augen. Es optimiert die statistische Wahrscheinlichkeit des nächsten Wortes über einen riesigen Datensatz. Es kann sich nicht in einen Menschen einfühlen, weil es keine gelebte Erfahrung hat. Und es hat nichts zu verlieren.
Breck nennt zwei Ansätze, die ihn interessieren. Der eine ist ASD-STE100 Simplified Technical English, ein Standard für technische Dokumentation aus einem Luftfahrt-Arbeitskreis der achtziger Jahre, bestehend aus kontrolliertem Wörterbuch und Regeln zu Grammatik und Stil – inzwischen für den Einsatz mit Sprachmodellen angepasst. Für Einbauanleitungen und Runbooks will Breck das ausprobieren, für alles andere hält er es nicht für passend. Der zweite ist Pangram, ein Modell, das KI-Texte erkennt. Bryan Cantrill formuliert die Regel dahinter scharf: Ein LLM schreiben zu lassen, heißt den Gesellschaftsvertrag zwischen Schreibendem und Lesendem zu kündigen. Leser sollten nicht die Arbeit aufwenden müssen, um einen Satz zu verstehen, den der Verfasser selbst nicht aufzuwenden bereit war. Bei Oxide gilt inzwischen die Vorgabe, dass alle öffentlichen Texte von Pangram als menschlich verfasst eingestuft werden müssen.
Was sich nicht in Teile zerlegen lässt
Am Schluss wird der Essay philosophisch. Iain McGilchrist schreibt, je wichtiger etwas sei, desto mehr müsse man ringen, um es in Sprache zu fassen. Man frage ein Modell nach der verlässlichen Formel fürs Verlieben. In KI-Texten erzeugt Detailfülle die Illusion von Bedeutung. Ein Modell, das Fakten über eine Sache zusammenträgt, ist etwas völlig anderes als ein Mensch, der aus gelebter Erfahrung schreibt. Das Ganze lässt sich nicht ohne erheblichen Bedeutungsverlust in Teile zerlegen.
Es klingt zunächst albern zu behaupten, Schreiben in Wirtschaft, Technik oder Wissenschaft müsse Ungewissheit enthalten und nicht nur Fakten und Schlussfolgerungen. Aber darum geht es. Wer einen Text verfasst, trifft Entscheidungen über Reihenfolge, Betonung und Auslassung. Diese Entscheidungen sind die Aussage. Eine rückblickende Zusammenfassung, die die Maschine aus dem fertigen Produkt erzeugt, kennt diese Entscheidungen nicht mehr, weil sie in ihr nie stattgefunden haben.
Was heißt das konkret? Nicht, dass du auf KI beim Schreiben verzichten solltest. Nutze sie zum Prüfen, Kürzen, Suchen, Formatieren, für Zitate, Diagramme und für das Abstract, an dem niemand eine Stimme sucht. Aber schreibe selbst, gerade an den Stellen, an denen es darauf ankommt: die Begründung, die Frage an die Leser, die Bitte um Widerspruch. Und wenn du fremden Text bekommst, der nach Maschine klingt, ist der Ausstieg mitten im Satz kein persönliches Versagen, sondern ein Signal. Nimm es ernst – im eigenen Schreiben wie im Umgang mit dem, was andere einem zumuten.
Quelle: blog.colinbreck.com
