Warum gute Technik nicht den Menschen verändern, sondern unnötige Hürden abbauen sollte
Manchmal hängt ein ganzer Vormittag an einem einzigen Satz:
„Bitte erledigen Sie das zeitnah.“
Zeitnah. Was heißt das genau? Heute? Bis zum Ende der Woche? Vor dem nächsten Termin? Was soll erledigt werden? Reicht eine kurze Antwort oder werden Unterlagen erwartet?
Wer mit solchen Lücken gut umgehen kann, liest weiter. Wer klare Informationen braucht, bleibt womöglich an diesem einen Satz hängen. Nicht aus Unwillen. Nicht wegen mangelnder Fähigkeiten. Sondern weil mehrere Antworten möglich sind und keine davon sicher ist.
Nun passiert etwas Merkwürdiges. Man gibt den Satz in ein Sprachmodell ein und bittet darum, alle offenen Fragen sichtbar zu machen. Wenige Sekunden später steht dort, was in der ursprünglichen Nachricht fehlt.
Die KI hat das Problem nicht verstanden. Trotzdem hat sie gezeigt, wo es liegt.
Und plötzlich wird etwas sichtbar, das im Alltag oft übersehen wird: Nicht immer ist der Mensch zu unflexibel. Manchmal ist die Aufgabe einfach schlecht formuliert.
Ich programmiere seit vielen Jahren Anwendungen mit großen Sprachmodellen, kurz LLMs. In meiner Arbeit entwickle ich unter anderem Lösungen, die Sprachanweisungen in Datenbankabfragen übersetzen, Belege automatisiert erfassen und in ERP Systeme übernehmen und umfangreiche technische Informationen über Hilfesysteme auf Grundlage von RAG verständlich zugänglich machen. Dabei geht es nicht darum, KI um ihrer selbst willen einzusetzen. Die Systeme sollen technische Informationen leichter nutzbar machen und die Arbeit mit ERP Systemen vereinfachen. Ich kenne deshalb nicht nur die beeindruckenden Vorführungen, sondern auch die Fehler, die erst auffallen, wenn ein System außerhalb einer vorbereiteten Umgebung eingesetzt wird.
Als Vater autistischer Kinder habe ich außerdem gelernt, dass Überlastung nicht immer durch zu viele Informationen entsteht. Manchmal formuliere auch ich eine Aussage zu knapp. Einmal sagte ich meinem Sohn: „Ich installiere dir die App nachher.“ Für mich bedeutete das: sobald ich Zeit dafür habe. Er verstand jedoch: gleich als Nächstes. Das Ergebnis war, dass er neben mir stehen blieb, damit ich die App auch wirklich als Nächstes installierte.
Es fehlte weder an Bereitschaft noch am Verständnis der Aufgabe. Der Fehler lag in meiner Formulierung. Meine Zeitangabe war schlicht zu ungenau. Seitdem sehe ich Überlastung anders: Sie kann auch dadurch entstehen, dass eine einzige wichtige Information fehlt.
Genau deshalb beschäftigt mich die Verbindung von KI und Autismus. Menschen lassen Informationen oft unausgesprochen. Sprachmodelle machen das Gegenteil: Sie füllen Lücken mit wahrscheinlichen Annahmen. Beides kann helfen, und beides kann zu Fehlern führen.
Mich interessiert deshalb nicht, ob eine Maschine Autismus erklären kann. Ich frage, ob sie unnötige Hürden sichtbar macht, ohne den Menschen dahinter zu deuten.
Darum geht es in diesem Beitrag über Künstliche Intelligenz bei Autismus. . Um Nutzen, der im Alltag tatsächlich ankommt. Um Fehler, die freundlich formuliert sind und deshalb leicht übersehen werden. Und um eine Zukunft, in der KI nicht über Autisten entscheidet, sondern ihnen mehr Kontrolle gibt.
Eine Maschine, die Ordnung schafft, ohne etwas zu begreifen
Große Sprachmodelle wirken im Gespräch oft menschlich. Sie antworten freundlich, greifen frühere Aussagen auf und schreiben in einem Ton, der nach Verständnis klingt.
Doch dieser Eindruck täuscht.
Ein Sprachmodell besitzt keine Lebenserfahrung. Es kennt keine Unsicherheit vor einem Gespräch, keine Erschöpfung nach einem langen Tag und keine Erleichterung, wenn eine belastende Aufgabe endlich erledigt ist. Es verarbeitet Sprache und berechnet, welche Wörter mit hoher Wahrscheinlichkeit aufeinander folgen.
Vereinfacht gesagt ist ein LLM weniger ein digitaler Mensch als ein sehr schneller Textmechaniker. Es erkennt, welches Teil sprachlich an eine andere Stelle passen könnte. Ob der fertige Motor wirklich läuft, weiß es nicht.
Das erklärt einen scheinbaren Widerspruch: Ein Programm kann einen Text ordnen, obwohl es dessen Bedeutung nicht erlebt.
Ein Sprachmodell kann Lücken in einer Anweisung markieren, zehn ungeordnete Notizen in eine Reihenfolge bringen und einen Fachtext in verständliche Sprache übertragen. Bei mehrdeutigen Nachrichten kann es mehrere Lesarten nebeneinanderstellen. Mehr muss es an dieser Stelle gar nicht leisten.
Das alles ist nützlich.
Aber dieselbe Maschine kann auch eine Lücke mit einer erfundenen Antwort füllen. Und weil sie sprachlich keinen Unterschied zwischen Wissen und Raten macht, klingt beides oft gleich sicher.
Man sollte einer KI nicht allein deshalb vertrauen, weil sie überzeugend schreibt. Sinnvoll wird sie dort, wo ihr Auftrag klar ist und ihr Ergebnis geprüft werden kann.
Vielleicht ist die größte Hilfe gar nicht die Antwort
Wenn über KI gesprochen wird, geht es meist um Antworten. Die Maschine soll Fragen lösen, Wissen liefern und Entscheidungen vorbereiten.
Ich glaube, dass bei Autismus oft etwas anderes wichtiger ist: der Anfang.
Eine Aufgabe kann überschaubar sein und trotzdem nicht beginnen. Nicht weil das Ziel unbekannt wäre. Der Weg dorthin ist nur noch nicht in einzelne Schritte zerlegt.
Ein Sprachmodell kann aus „Ich muss mich darum kümmern“ eine Liste machen. Es kann diese Liste weiter verkleinern, bis nicht mehr zehn Aufgaben gleichzeitig im Raum stehen, sondern nur noch eine.
Der erste Schritt könnte dann lauten:
„Öffne das Dokument.“
Mehr nicht.
Für Außenstehende wirkt das vielleicht lächerlich klein. Doch ein brauchbarer erster Schritt ist keine Kleinigkeit. Er ist die Stelle, an der aus Absicht eine Handlung wird.
Eine im Jahr 2026 veröffentlichte Untersuchung analysierte 3.984 Beiträge aus sozialen Netzwerken von Menschen, die sich selbst als autistisch bezeichneten. Viele beschrieben, dass sie ChatGPT nutzten, um Aufgaben zu beginnen, Gedanken zu ordnen, Gefühle zu sortieren und schwer verständliche Kommunikation aufzuschlüsseln. Die Untersuchung ist kein Beweis dafür, dass dies bei jedem Menschen funktioniert. Sie zeigt aber, wie Autisten solche Systeme aus eigener Entscheidung bereits einsetzen. (arXiv)
Damit verschiebt sich der Blick auf den eigentlichen Nutzen. Vielleicht ist die stärkste Funktion einer KI nicht die fertige Antwort, sondern ein gangbarer Anfang.
Eine Antwortmaschine behauptet zu wissen, wo es langgeht. Eine Starthilfe zeigt nur die nächste Tür.
Das ist ein großer Unterschied.
Warum ein Chatbot angenehmer sein kann und trotzdem schlechter berät
Ein Chatbot wird nicht ungeduldig. Er zeigt keine Überraschung, wenn eine Frage ungewöhnlich klingt. Er erwartet keinen Blickkontakt. Er unterbricht nicht. Und er fragt nicht, warum ein Thema noch einmal erklärt werden muss.
Das kann einen Raum schaffen, in dem Fragen leichter gestellt werden.
Eine Studie aus dem Jahr 2024 untersuchte genau das bei elf autistischen Erwachsenen. Die Teilnehmer brachten schwierige Situationen aus ihrem Arbeitsleben mit. Sie erhielten Antworten von einem Sprachmodell und von einer Person, die sich als technisches System ausgab. Die Teilnehmer bevorzugten die Antworten des Sprachmodells deutlich. Eine Fachkraft, die autistische Menschen im Berufsleben unterstützt, bewertete Teile der Ratschläge jedoch als fragwürdig. (arXiv)
Dieser Befund ist wichtiger, als er zunächst wirkt.
Die angenehmere Antwort war nicht automatisch der bessere Rat.
Das ist kein Widerspruch. Es sind zwei verschiedene Fragen.
Fühle ich mich bei einer Antwort ernst genommen?
Und hilft mir diese Antwort tatsächlich?
Ein Sprachmodell kann bei der ersten Frage gut abschneiden und bei der zweiten scheitern. Es kann einen Nutzer bestätigen, obwohl ein Widerspruch nötig wäre. Es kann eine vorhandene Vermutung ausbauen, obwohl die Vermutung falsch ist. Es kann einen Konflikt einseitig deuten, weil es nur eine Seite kennt.
Als Entwickler achte ich deshalb besonders auf Antworten, die sehr glatt wirken. In einem meiner Tests sollte ein Modell die Ursache eines Programmfehlers erklären. Die Antwort war sauber gegliedert und verwies auf einen angeblich falsch gesetzten Parameter. Erst der Abgleich mit dem Quellcode zeigte, dass dieser Parameter in der Anwendung überhaupt nicht vorkam. Ein Fehler, über den man stolpert, lässt sich korrigieren. Ein Fehler, der überzeugend weiterredet, bleibt dagegen leicht unbemerkt.
Der ruhige Ton eines Chatbots sagt nichts darüber aus, wie verlässlich sein Rat ist.
Wenn Rücksicht plötzlich den Lebensraum verkleinert
Viele Nutzer schreiben einer KI, dass sie autistisch sind. Sie hoffen, dass die Antwort dadurch besser zu ihnen passt.
Das ist verständlich. Doch genau an dieser Stelle kann Rücksicht in ein Vorurteil kippen.
Eine Untersuchung aus dem Jahr 2026 erzeugte 345.000 Antworten mit sechs Sprachmodellen. Zusätzlich wurden elf autistische Teilnehmer befragt. Sobald in einer Anfrage erwähnt wurde, dass der Nutzer autistisch ist, empfahlen die Systeme häufiger, soziale Veranstaltungen, Auseinandersetzungen, neue Erfahrungen oder romantische Beziehungen zu meiden. Einige Teilnehmer empfanden diese Vorsicht als entlastend. Andere erlebten sie als bevormundend und einschränkend. (arXiv)
Das ist einer jener Fehler, die bei einem kurzen Blick nicht wie Fehler aussehen.
Die Antwort klingt fürsorglich. Sie nimmt Druck heraus. Sie empfiehlt den sicheren Weg.
Doch während der Ton wärmer wird, wird das mögliche Leben kleiner.
Das Modell kennt den einzelnen Menschen nicht. Es kennt Texte, in denen Autismus vorkommt. Darunter befinden sich Fachartikel und gute Erfahrungsberichte. Darunter befinden sich aber auch Klischees, überholte Vorstellungen und Beschreibungen, in denen Autisten hauptsächlich als überfordert, sozial desinteressiert oder hilfsbedürftig dargestellt werden.
Aus diesen Mustern kann eine KI eine höfliche Begrenzung bauen.
„Das könnte zu anstrengend für dich sein.“
„Vielleicht solltest du diese Situation vermeiden.“
„Eine Beziehung wäre möglicherweise belastend.“
Solche Sätze können im Einzelfall richtig sein. Problematisch wird es, wenn sie aus der Diagnose statt aus der konkreten Person entstehen.
Eine Diagnose sagt nicht, ob jemand reisen möchte. Sie sagt nicht, ob jemand führen, streiten, lieben, allein leben oder ein Unternehmen gründen will.
Gute Anpassung fragt nach Zielen, Grenzen und Umständen.
Schlechte Anpassung ersetzt den Menschen durch eine Schablone.
Das ist technisch schwer zu erkennen, weil beide Antworten freundlich klingen können. Deshalb genügt es bei der Prüfung eines Systems nicht, nur auf den Ton zu achten. Man muss fragen, welche Möglichkeiten nach der Antwort noch offen sind.
Ein besserer Text ist nicht immer ein besserer Ausdruck
Eine häufige Nutzung von Sprachmodellen besteht darin, Texte umzuschreiben.
„Formuliere das freundlicher.“
„Klingt diese Nachricht unhöflich?“
„Kann das als Angriff verstanden werden?“
Das kann sehr hilfreich sein. Wer erlebt hat, dass sachlich gemeinte Aussagen als hart gelesen werden, bekommt damit eine Art Vorschau auf mögliche Reaktionen.
Doch auch hier gibt es eine Grenze.
Die Untersuchung der 3984 Beiträge zeigte, dass manche Nutzer ChatGPT einsetzten, um ihren Text mit den sozialen Zusätzen zu versehen, die andere offenbar erwarten. Zugleich beschrieben die Forschenden das Risiko eines automatisierten Maskings. Die eigene Ausdrucksweise kann dabei immer weiter hinter den Formulierungen des Systems verschwinden. (arXiv)
Das Ergebnis mag höflicher klingen. Es kann trotzdem weniger ehrlich sein.
Hier berührt die technische Frage etwas sehr Persönliches. Sprache ist nicht nur eine Verpackung für Informationen. Sie gehört zur Person.
Wenn eine KI erklärt, warum ein Satz verschieden gelesen werden kann, gibt sie dem Nutzer eine Wahl.
Wenn sie jeden Satz ungefragt in eine gesellschaftlich erwartete Form presst, nimmt sie diese Wahl.
Der Text wird dann vielleicht kompatibler. Der Mensch wird darin aber leiser.
Ich sehe bei der Programmierung einen klaren Unterschied zwischen Bearbeitung und Ersatz.
Bei der Bearbeitung bleibt die Aussage beim Nutzer. Das System hilft beim Ordnen, Kürzen oder Erklären.
Beim Ersatz bestimmt das Modell, wie ein akzeptabler Mensch zu klingen hat.
Ein System sollte deshalb nicht einfach eine angeblich richtige Fassung liefern. Es sollte zeigen, was es verändert hat und warum. Es sollte mehrere Fassungen anbieten, die direkt, höflich, kurz oder ausführlich sein können, ohne eine davon als einzig richtige darzustellen.
Die Entscheidung über die eigene Stimme muss beim Menschen bleiben.
Empathie passt nicht in ein Textfeld
Eine kleine kontrollierte Studie untersuchte ein Programm namens Noora. Dreißig autistische Jugendliche und Erwachsene im Alter von elf bis fünfunddreißig Jahren nahmen teil. Die Trainingsgruppe übte vier Wochen lang sprachliche Reaktionen auf vorgegebene Aussagen. Anschließend verbesserten sich die gemessenen empathischen Antworten stärker als in der Wartelistengruppe. Teile dieser Verbesserung zeigten sich auch in späteren Gesprächsproben. (Springer)
Das ist interessant. Aber man sollte genau hinsehen, was hier tatsächlich gemessen wurde.
Die Teilnehmer übten sprachliche Reaktionen. Daraus lässt sich nicht ablesen, was sie innerlich empfanden.
Ein Mensch kann Anteilnahme empfinden und trotzdem nicht wissen, welche Worte das Gegenüber erwartet. Ein anderer kann den erwarteten Satz sagen, ohne Anteilnahme zu empfinden.
Sprache kann Empathie zeigen. Sie ist aber nicht mit Empathie identisch.
Die Studie zeigt damit etwas anderes, als das Wort Empathie zunächst vermuten lässt. Trainiert wurde eine sprachliche Reaktion, nicht das innere Empfinden.
Das nimmt der Studie nicht ihren Wert. Im Gegenteil. Sie zeigt, dass ein eng begrenztes Programm bei einer eng begrenzten Aufgabe helfen kann. Noora war kein frei redender Chatbot, der sich zu jedem Thema äußerte. Das System arbeitete mit vorbereiteten Situationen und klaren Rückmeldungen. (Springer)
Aus Entwicklersicht finde ich das überzeugender als große Versprechen.
Ein kleines Werkzeug, das eine Sache nachvollziehbar erledigt, kann mehr Nutzen bringen als ein Programm, das bei jeder Frage so tut, als sei es Fachkraft, Trainer und Berater zugleich.
Vielleicht sitzt das Problem nicht im Menschen, sondern in der Schnittstelle
In der Programmierung gibt es Schnittstellen. Zwei Systeme tauschen Informationen aus. Wenn dabei Fehler entstehen, prüft man beide Seiten und den Weg dazwischen.
Niemand würde vernünftigerweise sagen: Dieses eine System ist grundsätzlich falsch, weil das andere seine Daten nicht versteht.
Bei menschlicher Kommunikation geschieht genau das erstaunlich oft.
Wenn ein autistischer und ein nicht autistischer Mensch aneinander vorbeireden, wird das Problem schnell auf der autistischen Seite gesucht. Er habe den Unterton nicht erkannt. Sie habe die soziale Regel nicht verstanden. Die Reaktion sei unpassend gewesen.
Damian Milton stellte diesem Blick bereits 2012 das doppelte Empathieproblem gegenüber. Sein Gedanke: Missverständnisse entstehen nicht zwingend durch ein einseitiges Defizit. Unterschiedliche Erfahrungen und Kommunikationsweisen können das gegenseitige Verstehen auf beiden Seiten erschweren. Es geht also auch um Gegenseitigkeit. (Taylor & Francis Online)
Aus technischer Sicht ist das fast verblüffend naheliegend.
Das Kommunikationsproblem sitzt oft nicht in einem Kopf. Es sitzt zwischen zwei Köpfen.
Diese Sicht verändert auch das Ziel von KI.
Das System sollte nicht nur Autisten dabei helfen, ungeschriebene Regeln zu erraten. Es könnte ebenso zeigen, wo eine Aussage unnötig indirekt, widersprüchlich oder unvollständig ist. Es könnte nicht nur die Reaktion des Empfängers bearbeiten, sondern die Qualität der ursprünglichen Information prüfen.
Dann wäre KI kein Werkzeug, das Menschen an eine Norm angleicht.
Sie wäre ein Werkzeug, das schlechte Schnittstellen sichtbar macht.
Die gefährlichste Künstliche Intelligenz bei Autismus ist die, die nicht dem Nutzer dient
Es besteht ein großer Unterschied zwischen einer KI, die ein Autist freiwillig benutzt, und einer KI, die ihn im Auftrag anderer bewertet.
Ein selbst gewähltes Werkzeug kann einen Text ordnen oder eine Aufgabe zerlegen.
Ein fremdes System kann dagegen behaupten, Aufmerksamkeit, Motivation, Belastbarkeit oder Gefühle zu erkennen.
Besonders kritisch sind Programme, die aus Gesicht, Stimme, Blickrichtung oder Bewegung auf innere Zustände schließen. Ein solches System misst Gefühle nicht direkt. Es vergleicht sichtbares Verhalten mit Mustern aus seinen Trainingsdaten.
Damit misst es oft eher die Ähnlichkeit zu einem erwarteten Ausdruck als den tatsächlichen Zustand eines Menschen.
Ein ruhiges Gesicht beweist kein Desinteresse. Eine gleichmäßige Stimme beweist keine Gleichgültigkeit. Fehlender Blickkontakt beweist nicht, dass jemand nicht zuhört.
Trotzdem kann ein Computer aus solchen Signalen eine Zahl berechnen. Und Zahlen wirken objektiv.
Doch auch eine Zahl mit zwei Nachkommastellen kann genau berechnet und trotzdem falsch gedeutet sein.
Die europäische Verordnung über künstliche Intelligenz, häufig AI Act genannt, verbietet den Einsatz von Systemen zur Emotionserkennung grundsätzlich am Arbeitsplatz und in Bildungseinrichtungen. Eng begrenzte Ausnahmen gibt es für medizinische oder sicherheitsbezogene Zwecke. Die entsprechenden Verbote gelten seit dem 2. Februar 2025. (EUR-Lex)
Ich halte diese Grenze für richtig.
Eine Schule sollte nicht von einem Programm beurteilen lassen, ob ein Kind aufmerksam wirkt. Ein Arbeitgeber sollte nicht aus einer Stimme auf Motivation schließen. Eine Behörde sollte nicht aus einem Gesicht berechnen, ob eine Aussage glaubwürdig ist.
Sobald eine KI einen Menschen für eine andere Stelle bewertet, ist sie keine persönliche Hilfe mehr.
Dann übt sie Macht aus.
Ein kurzes Video kann auf etwas hinweisen, aber keinen Menschen erklären
Auch bei der frühen Erkennung von Autismus wird mit KI gearbeitet.
Eine 2025 veröffentlichte Studie untersuchte kurze Aufnahmen von 510 Kindern im Alter von 18 bis 48 Monaten. Die Kinder wurden bei drei einfachen Situationen aufgenommen. Es ging um die Reaktion auf den eigenen Namen, um Nachahmung und um ein Ballspiel. Ein Modell wertete Bewegungen, Reaktionszeiten und weitere Merkmale aus. Im eigenen Test erreichte das kombinierte Modell einen AUROC von 0,83. Bei zusätzlichen Aufnahmen unter schwierigeren Bedingungen sank der Wert auf 0,73. (Nature)
Für Fachleute sind solche Ergebnisse interessant. Ein System könnte helfen, Hinweise früher zu erkennen und Abklärungen besser zu priorisieren.
Doch auch hier ist der Unterschied zwischen einem Hinweis und einem Urteil wichtig.
Das Modell war weniger zuverlässig bei subtileren Ausprägungen. Die untersuchte Gruppe bestand aus deutlich mehr Jungen als Mädchen. Die Daten kamen aus Südkorea und bildeten nicht alle denkbaren Lebenslagen und Entwicklungsverläufe ab. Die Forschenden benannten diese Einschränkungen selbst. (Nature)
Ein solches System kann sagen:
„Hier sollte ein Fachmensch genauer hinschauen.“
Es sollte nicht sagen:
„Dieses Kind ist so.“
Ein Screening ist ein Sieb. Eine Diagnose ist eine fachliche Gesamtbetrachtung.
Wer beides verwechselt, macht aus einer Rechenwahrscheinlichkeit eine Identität.
Was ich von einer guten KI erwarte
Je länger ich mit Sprachmodellen arbeite, desto weniger beeindrucken mich Programme, die alles können wollen.
Mich überzeugen Systeme mit klaren Grenzen.
Eine gute KI sollte offen sagen, wenn sie unsicher ist. Sie sollte Quellen nennen, wenn sie Tatsachen behauptet. Sie sollte nicht jede Lücke mit einer erfundenen Erklärung füllen. Persönliche Angaben sollten nicht gesammelt werden, nur weil Speicherplatz billig ist.
Vor allem sollte der Nutzer bestimmen können, welche Aufgabe das System übernimmt.
Soll es nur ordnen?
Soll es unklare Stellen markieren?
Soll es mehrere Deutungen nennen?
Soll es einen Text kürzen, ohne seinen Ton zu verändern?
Soll es eine Aufgabe in kleinere Schritte zerlegen?
Das sind verschiedene Werkzeuge. Heute erscheinen sie oft in demselben Chatfenster und wirken deshalb wie eine einzige, allwissende Fähigkeit.
Das sind sie nicht.
Der Satz „Bitte erledigen Sie das zeitnah“ steht damit für ein größeres Problem. Eine gute KI sollte nicht eigenmächtig festlegen, ob damit heute oder nächste Woche gemeint ist. Sie sollte anzeigen, dass genau diese Information fehlt.
Als Entwickler denke ich außerdem viel über Messwerte nach. Welche Technik entsteht, hängt davon ab, was ihre Entwickler als Erfolg festlegen.
Wird Blickkontakt zum Maßstab, belohnt das System Blickkontakt. Gilt sprachliche Anpassung als Fortschritt, lernt die Software vor allem Anpassung. So kann eine Anwendung gute Messwerte liefern und dennoch am Menschen vorbeigehen. Sie erleichtert dann womöglich der Umgebung den Alltag, ohne dem Autisten mehr Freiheit zu geben.
Die bessere Frage lautet:
Hat der Nutzer nachher mehr Kontrolle als vorher?
Kann er eine Aufgabe beginnen, die zuvor festhing?
Kann er eine Entscheidung nachvollziehen?
Hat er Kraft gespart?
Ist seine eigene Stimme noch zu erkennen?
Diese Dinge sind schwerer zu zählen. Sie sind aber näher an dem, worauf es ankommt.
Die Zukunft beginnt nicht mit einer klügeren Maschine
Ich glaube, dass KI für viele Autisten zu einem wichtigen Werkzeug werden kann. Nicht als künstlicher Freund, nicht als Ersatz für Fachwissen und nicht als Instanz, die weiß, was für einen Menschen gut ist.
Ihr Wert liegt an einer anderen Stelle.
Sie kann dort Ordnung schaffen, wo Informationen ungeordnet ankommen. Sie kann einen Anfang bauen, wo eine Aufgabe zu groß wirkt. Sie kann fehlende Angaben sichtbar machen. Sie kann zeigen, dass ein Missverständnis nicht immer durch mangelndes Verstehen entsteht, sondern manchmal durch mangelnde Klarheit.
Sie kann aber ebenso Vorurteile höflich verpacken. Sie kann den eigenen Ausdruck glätten, bis kaum noch etwas Eigenes übrig bleibt. Sie kann Ratschläge geben, die angenehm klingen und trotzdem in die falsche Richtung führen. Und sie kann zur Kontrolle eingesetzt werden, wenn andere über ihre Ziele bestimmen.
Darum ist die Zukunft von KI und Autismus keine Frage danach, wie menschlich Computer werden.
Es ist eine Frage danach, wie viel Entscheidungsfreiheit Menschen behalten.
Mein Fazit
Aus der Programmierung kenne ich einen Satz, der sich immer wieder bestätigt:
Ein System tut nicht das, was wir gemeint haben. Es tut das, was wir tatsächlich gebaut haben.
Bei KI und Autismus bleibt für mich am Ende eine Frage: Gibt die Technik dem Menschen mehr Handlungsspielraum, oder macht sie ihn nur unauffälliger?
Die akuteste Gefahr sehe ich derzeit darin, dass irgendwann vor allem KI mit KI spricht. Ein System erzeugt einen Text, ein anderes fasst ihn zusammen, und wir Menschen prüfen aus Zeitmangel immer seltener, was dabei verloren geht. Weil die Ergebnisse meistens plausibel klingen, bleiben Fehler, Vereinfachungen und Wiederholungen leicht unbemerkt.
LLMs können Bekanntes auf neue Weise kombinieren. Sie besitzen aber keine eigene Erfahrung und keinen persönlichen Blick auf die Welt. Wenn uns statistisch wahrscheinliche Antworten irgendwann genügen, droht eine schleichende Mittelmäßigkeit. Beim Thema Autismus wäre das besonders problematisch, weil sich alte Klischees auf diese Weise immer weiter fortschreiben können.
Eine gute KI kann Informationen ordnen, einen Anfang sichtbar machen und mehrere Wege nebeneinanderstellen. Sie darf aber nicht festlegen, wie ein Autist sprechen, fühlen oder leben soll.
Vielleicht wird die beste KI für Autisten deshalb nicht diejenige sein, die am meisten über Autismus weiß. Vielleicht ist es diejenige, die am wenigsten über den einzelnen Menschen voraussetzt und ihm die Entscheidung überlässt.
Wie eine solche Unterstützung in der Praxis aussehen kann, zeigen wir anhand eines ausführlichen Beispiels auf unserer Seite. Im Beitrag „Bescheide und Widersprüche bei Autismus: Wie ChatGPT Ihnen Arbeit abnimmt und wo die Grenzen liegen“ erfahren Sie, wie ChatGPT einen Bescheid strukturieren, Unterlagen vergleichen, fehlende Informationen sichtbar machen und einen Widerspruch vorbereiten kann. Gleichzeitig wird deutlich, weshalb Fristen, Rechtsgrundlagen und konkrete Behauptungen weiterhin sorgfältig geprüft werden müssen. Das Beispiel zeigt, worauf es bei einem verantwortungsvollen Einsatz von KI ankommt: Sie soll nicht über Menschen entscheiden, sondern Ordnung schaffen, Zusammenhänge verständlich machen und einen nachvollziehbaren nächsten Schritt vorbereiten.
Quellen
- Renkai Ma und weitere Autoren, 2026: I Use ChatGPT to Humanize My Words: Affordances and Risks of ChatGPT to Autistic Users. (arXiv)
- Caleb Wohn und weitere Autoren, 2026: Are We Writing an Advice Column for Spock Here? Understanding Stereotypes in AI Advice for Autistic Users. (arXiv)
- JiWoong Jang, Sanika Moharana, Patrick Carrington und Andrew Begel, 2024: It’s the Only Thing I Can Trust: Envisioning Large Language Model Use by Autistic Workers for Communication Assistance. (ACM Digital Library)
- Lynn Kern Koegel und weitere Autoren, 2025: Using Artificial Intelligence to Improve Empathetic Statements in Autistic Adolescents and Adults: A Randomized Clinical Trial. (Springer)
- Dong Yeong Kim und weitere Autoren, 2025: Automated AI Based Identification of Autism Spectrum Disorder from Home Videos. (Nature)
- Damian Milton, 2012: On the Ontological Status of Autism: The Double Empathy Problem. (Kent Academic Repository)
- Europäische Union, 2024: Verordnung 2024/1689 über künstliche Intelligenz. (EUR-Lex)
0 Kommentare