KI beantwortet Mails, schreibt Texte und meldet sich am Telefon – wie verändert sich Kommunikation durch die KI grundsätzlich?
KI verschiebt den Schwerpunkt menschlicher Kommunikation. Schon heute kann sie uns für nahezu jeden Anlass einen sprachlich geschliffenen, stilistisch passenden Text schreiben – von der Ansprache einer Führungskraft über die Eröffnung einer Konferenz bis zur Hochzeitsrede für den besten Freund. Dadurch werden sich Menschen auf der verbalen Ebene ähnlicher: Unterschiede in Eloquenz, Stil und Textqualität verlieren an Bedeutung, weil grundsätzlich jede und jeder auf ein sehr hohes sprachliches Niveau zugreifen kann.
Umso wichtiger wird, was die KI uns nicht abnimmt: die stimmliche Umsetzung. Derselbe Text kann kompetent oder unsicher, engagiert oder gleichgültig, natürlich oder abgelesen klingen. Entscheidend ist, ob es uns gelingt, durch Stimme, Betonung, Pausen und Rhythmus Kompetenz, Selbstbewusstsein und Leidenschaft zu vermitteln und die Botschaft wirklich zum Publikum zu tragen. Zu einer glaubwürdigen menschlichen Darbietung gehören dabei durchaus auch kleine Unflüssigkeiten oder gelegentliche Füllwörter. Perfektion ist nicht automatisch Authentizität.
Die Forschung zeigt, wie schnell diese stimmliche Ebene wirkt: Schon innerhalb von Sekundenbruchteilen entstehen Eindrücke von Freundlichkeit, Alter, Geschlecht oder körperlicher Größe. Unsere eigene aktuelle Forschung zeigt zudem, dass bereits zwei bis drei Sekunden spontaner Sprache ausreichen, um die charismatische Wirkung eines Menschen erstaunlich zuverlässig einzuschätzen. Inhalt, Wortwahl und Argumentation benötigen dagegen deutlich länger – teilweise mehrere Minuten –, um ihre Wirkung vollständig zu entfalten. Zugespitzt gesagt: KI kann uns künftig fast allen einen hervorragenden Text liefern. Ob daraus auch eine überzeugende Rede wird, entscheidet weiterhin der Mensch.
Gleichzeitig führt KI paradoxerweise zu einer Renaissance des gesprochenen Wortes. Auch ich selbst diktiere heute sehr viel häufiger: Prompts für KI-Systeme, Nachrichten oder Texte, die anschließend automatisch verschriftlicht werden. Menschen sprechen also nicht nur häufiger digital miteinander, sondern zunehmend auch mit Maschinen. Dabei entsteht eine eigentümliche Mischform: Wir sprechen, versuchen aber zugleich, so strukturiert, vollständig und schriftsprachlich zu formulieren, als würden wir schreiben. Außerdem fehlen beim Sprechen mit einer Maschine häufig jene kleinen Rückmeldesignale – ein Nicken, ein „mhm“, ein fragender Blick –, an denen wir normalerweise erkennen, ob unser Gegenüber uns noch folgt. Wir müssen unsere Äußerungen deshalb stärker vorausplanen und anders strukturieren.
Einige Forschende sprechen bereits vorsichtig von einem dritten Zeitalter der Mündlichkeit: Nach Jahrhunderten, in denen das geschriebene Wort gesellschaftlich dominierte und als besonders verlässlich galt, gewinnt das gesprochene Wort durch soziale Medien, Sprachnachrichten und Mensch-Maschine-Interaktion wieder erheblich an Bedeutung. Wie diese neue Art des Sprechens langfristig unsere Sprache, unser Denken und unsere zwischenmenschliche Kommunikation verändert, ist allerdings noch weitgehend unerforscht. Wir stehen hier erst am Anfang.
Welche Rolle spielt der Faktor Mensch in der Kommunikation in Sachen Glaubwürdigkeit und Vertrauen?
Eine zentrale – allerdings ist menschliche Kommunikation nicht automatisch vertrauenswürdig. Wir reagieren auf das Zusammenspiel von Inhalt und stimmlichem Ausdruck. Wie sicher, zugewandt oder angemessen emotional jemand klingt, beeinflusst, ob wir ihm Glauben schenken. Die Stimme transportiert also nicht nur eine Botschaft, sondern prägt zugleich unser Urteil über deren Absender. Unsere Forschung zeigt beispielsweise, dass bereits die Art von Füllpausen und kleinen Klicklauten die wahrgenommene charismatische Wirkung verändern kann. Nicht jedes „ähm“ ist dabei ein Problem: Entscheidend ist seine konkrete Ausgestaltung.
Diese menschlichen Wahrnehmungsmechanismen wirken auch gegenüber Maschinen. In einem unserer Experimente folgten Autofahrer den zunehmend falschen Anweisungen eines Navigationssystems länger, wenn dessen künstliche Stimme mit einer an Steve Jobs orientierten, charismatischeren Sprechweise sprach. Sie bewerteten das System zudem als vertrauenswürdiger. Vertrauenswürdig zu klingen und tatsächlich verlässlich zu sein, sind also zwei verschiedene Dinge.
Hinzu kommt ein häufig unterschätzter Faktor: die Übertragungstechnik. Experimente zeigen, dass Forschende bei schlechter Tonqualität schlechter beurteilt werden – obwohl sie dasselbe sagen. Bei Zeugenaussagen sank unter solchen Bedingungen sogar die zugeschriebene Glaubwürdigkeit; die Aussagen wurden bei der Urteilsbildung geringer gewichtet. Ein technisches Problem wird damit gewissermaßen dem Menschen zugerechnet.
Für mich folgt daraus: Wir müssen sowohl die stimmliche Gestaltung als auch ihre Übertragung ernst nehmen. Vor allem dürfen wir aber einen überzeugenden Klang nicht mit Wahrhaftigkeit verwechseln. Der entscheidende menschliche Beitrag besteht auch darin, Verantwortung zu übernehmen: für die Richtigkeit einer Aussage, für Zusagen und für den Umgang mit Fehlern.
Lassen sich Faktoren wie Authentizität und Charisma erlernen – und wenn ja, wie?
Das sind eigentlich zwei Fragen mit unterschiedlichen Zeithorizonten. Charisma – verstanden als Überzeugungskraft, Ausdrucksstärke und Ausstrahlung – lässt sich eindeutig erlernen. Dabei spielt die Stimme eine tragende Rolle. In Untersuchungen, in denen KI-Systeme menschliche Entscheidungen, etwa Wahl-, Kauf- oder Bewertungsverhalten, vorhersagen sollen, liefern akustische Merkmale häufig besonders viele Informationen. Danach folgen Körpersprache und Mimik; der reine Wortlaut trägt oft weniger zur Vorhersage bei. Entscheidend ist also nicht allein, was wir sagen, sondern in hohem Maße, wie wir es sagen.
Das Problem ist: Stimme ist schwer greifbar. Wörter können wir erkennen und austauschen, Körperhaltungen können wir sehen und unmittelbar korrigieren. Stimmliche Unterschiede können wir dagegen nur systematisch erzeugen und kontrollieren, wenn wir zuvor gelernt haben, sie überhaupt wahrzunehmen. Unser Ansatz besteht deshalb darin, Stimme sichtbar zu machen. Visualisierungen und konkrete Leitplanken zeigen beispielsweise, wie Sprechtempo, Pausen, Lautstärke oder Sprechmelodie verändert werden können. Das Auge baut dabei eine Brücke zwischen den zunächst wenig greifbaren Muskel- und Koordinationsprozessen des Sprechapparats und dem, was das Ohr hören lernen muss. Auf diese Weise wird stimmliches Charisma messbar und trainierbar – ohne Menschen eine standardisierte Stimme überzustülpen.
Authentizität lässt sich ebenfalls entwickeln, entsteht aber langsamer. Verändern wir einen Teil unseres Sprechverhaltens, passt dieser zunächst möglicherweise noch nicht vollständig zu Körpersprache, Wortwahl oder Satzbau. Zudem neigen Menschen beim Lernen zum Übersteuern: Wer bisher zu schnell gesprochen hat, wird anfangs vielleicht zu langsam; wer zu wenig melodisch war, übertreibt die Melodie zunächst. Vorübergehend kann die neue Sprechweise deshalb weniger authentisch wirken.
Mit zunehmender Übung bildet sich jedoch ein neues Gleichgewicht. Wie beim Sport muss aus einer bewusst ausgeführten Technik eine stabile motorische Routine werden, die auch unter Stress verfügbar bleibt. Charismatische Wirkung kann man daher durchaus an einem einzigen Tag erfahren und verstehen. Sie dauerhaft, selbstverständlich und authentisch einzusetzen, erfordert dagegen Wiederholung und Konsolidierung. Authentizität bedeutet also nicht, unverändert zu bleiben. Sie entsteht, wenn eine erlernte Veränderung wirklich Teil der eigenen Person geworden ist.
Welche rechtlichen Regeln halten Sie in diesem Zusammenhang für KI für nötig?
Hier schließt sich für mich der Kreis zur ersten Frage. Wir stehen nach meiner Überzeugung am Beginn eines dritten Zeitalters der Mündlichkeit: Wir verschicken Sprachnachrichten, diktieren Texte und KI-Prompts, hören Hörbücher und kommunizieren zunehmend mündlich mit Maschinen. Damit gewinnt das gesprochene Wort gegenüber dem geschriebenen wieder an Bedeutung.
Gerade deshalb müssen wir die Stimme rechtlich und gesellschaftlich stärker schützen. Moderne KI-Stimmen sind für Menschen immer schwerer von natürlichen Stimmen zu unterscheiden. Insbesondere bei kurzen Äußerungen kann unser Gehör allein keine verlässliche Unterscheidung mehr leisten. Deshalb müssen Menschen klar erfahren, wenn sie mit einer KI sprechen oder wenn eine Stimme künstlich erzeugt beziehungsweise manipuliert wurde. Der europäische AI Act geht mit seinen Transparenz- und Kennzeichnungspflichten hier in die richtige Richtung.
Kennzeichnung allein reicht jedoch nicht. Wir müssen ebenso kontrollieren können, wo unsere Sprachaufnahmen gespeichert werden, ob sie zum Training von KI-Systemen verwendet werden und ob daraus ein Stimmenklon erstellt werden darf. Dafür brauchen wir eine ausdrückliche, informierte und zweckgebundene Zustimmung. Sie sollte festlegen, wer eine Stimme wofür, wie lange und in welchem Kontext verwenden darf – einschließlich eines Rechts auf Widerruf und Löschung. Ansätze wie CrispyVoice, bei denen Sprecherinnen und Sprecher jede Nutzung ihres digitalen Stimmklons einzeln freigeben und nachvollziehen können, weisen aus meiner Sicht in die richtige Richtung.
Denn eine Stimme ist weit mehr als eine Audiodatei. Sie kann Hinweise auf Alter, Geschlecht, Emotionen, Gesundheit, soziale Herkunft und teilweise sogar Persönlichkeit liefern; zugleich kann sie zu einem biometrischen Schlüssel werden. Trotzdem gehen wir heute häufig sorgloser mit Sprachaufnahmen um als mit geschriebenen Dokumenten. Das ist die eigentliche Ironie: Gerade die Daten, die besonders viel über uns verraten, geben wir oftmals besonders leichtfertig preis.
Sinnvoll finde ich schließlich, dass der AI Act bestimmte Anwendungen der Emotionserkennung, insbesondere am Arbeitsplatz und in Bildungseinrichtungen, begrenzt. Menschen dürfen nicht permanent anhand ihrer Stimme psychologisch vermessen werden. Wir benötigen daher nicht nur Kennzeichnungspflichten für künstliche Sprache, sondern ein umfassendes Recht auf Transparenz, Zustimmung und Kontrolle über die eigene Stimme.
