#how2ai mit Mirko Lange - Politikertexte mit KI

Eingestellt von oliverg am


KI-Summary:

Einstieg und Vorstellung (00:00:00–00:04:30)

Zu Beginn begrüßt Oliver Gassner die Zuschauer und stellt seinen Gast Mirko Lange vor, mit dem er über Künstliche Intelligenz (KI) sprechen will. Nach einem lockeren Einstieg über ihre identischen Ringe kommt das Gespräch zur Aufschrift „Democracy Intelligence“ in Mirkos Hintergrund.paste.txt

Mirko erklärt „Democracy Intelligence“ als Analogie zu „Business Intelligence“: Daten werden gesammelt, aggregiert, angereichert und mithilfe von KI ausgewertet, um Muster zu erkennen und daraus Erkenntnisse zu gewinnen. Er skizziert seinen Werdegang: ausgebildeter Jurist mit fundiertem Bezug zu Demokratie und Verfassungsrecht, anschließend Studium von Journalismus und Public Relations und Beratung vieler DAX-Unternehmen inklusive früher Social-Media-Projekte wie dem Twitter-Kundenservice der Deutschen Bahn.paste.txt

Scompler und Demokratie-Analyse (00:04:30–00:07:30)

Im Rahmen der Bahn-Projekte entwickelt Mirko ein Redaktionssystem für die vielen Geschäftsbereiche, aus dem später das Content-Management-Tool Scompler entsteht. Scompler wächst schnell, beschäftigt rund 50 Entwickler und erreicht etwa 10 Millionen Euro ARR, zeitweise als eines der am schnellsten wachsenden Softwareunternehmen Deutschlands.paste.txt

Aus seinen drei Karrieren – Recht/Demokratie, professionelle Kommunikation und Software/Content – entwickelt er „Democracy Intelligence“. Nach intensiver Beschäftigung mit Desinformation rund um die Ampelkoalition, AfD und andere Themen baut er mit „Vibecoding“ ein Messinstrument zur Bewertung der demokratischen Qualität politischer Diskurse.paste.txt

Monitoring politischer Akteure (00:07:30–00:10:00)

Mirko beschreibt, dass sein Team mithilfe umfangreicher KI-Agenten die Kommunikation führender politischer Akteure in Deutschland überwacht. Dazu gehören Kanzler, Bundesminister, Ministerpräsidenten, Parteivorsitzende, Generalsekretäre, Fraktionsvorsitzende, der Bundespräsident sowie wichtige parlamentarische Staatssekretäre.paste.txt

Neben klassischer Medienberichterstattung werden große Talkshows, wichtige Interviews, Social-Media-Posts und Ausschnitte aus Parteitagsreden erfasst. Diese Inhalte werden rhetorisch analysiert: faktische Verzerrungen, Abwertung, Delegitimierung, Hass, Framing und faktische Korrektheit fließen in die Bewertung ein.paste.txt

Democracy Score und „politische Eiscreme“ (00:10:00–00:12:00)

Mirko erläutert den „Democracy Score“, ein Ampelsystem ähnlich dem Nutri-Score auf Lebensmitteln. Die Analogie: Politische Kommunikation wirkt wie „Wirkstoffe“, die entweder „Brokkoli“ (gesund) oder „Eiscreme“ (problematisch) im Kopf sind.paste.txt

Ein „A“-Score entspricht demokratisch hochwertigen Inhalten, die man „so viel konsumieren kann, wie man will“, während ein „E“-Score für „politische Eiscreme“ steht – etwa populistische oder extremistische Kommunikation. Man könne solche Inhalte zwar konsumieren, werde bei Dauerexposition aber „kognitiv adipös“, wovor das System warnen soll.paste.txt

Anlass des Gesprächs: KI-gestützte Texte (00:12:00–00:15:00)

Oliver erklärt, dass Mirko auf LinkedIn öffentlich gemacht hat, alle seine Texte seien durch KI beeinflusst, was ihn zum Podcast-Einladungstext motiviert hat. Dies geschieht in einem Umfeld, in dem Politikern, Journalisten und anderen Personen der Einsatz von KI bei Reden und Artikeln vorgeworfen oder von ihnen selbst eingeräumt wird.paste.txt

Oliver zieht den Vergleich: „Mit KI geschrieben“ wird voraussichtlich ähnlich alltäglich werden wie früher „mit Computer geschrieben“ – also eine ganz normale technische Hilfe wie Rechtschreibprüfung. Briefeschreiben sei vom Handschrift-Ideal zur Akzeptanz maschinengeschriebener Texte übergegangen; KI werde vermutlich eine ähnliche Selbstverständlichkeit erreichen.paste.txt

KI als Sparringspartner statt Textfabrik (00:15:00–00:20:00)

Mirko widerspricht nicht, sondern ergänzt: „Mit KI geschrieben“ umfasst ein sehr breites Feld von Nutzungsszenarien. Er unterscheidet einfache, unreflektierte Nutzung („Gemüsehobel von Temu“ bzw. „AI Slop“) von komplexen iterativen Prozessen, bei denen KI als Gesprächspartner dient.paste.txt

In seinem eigenen Workflow können KI-gestützte Textentwicklungen vier Stunden und 40–50 Iterationen dauern, in denen er mit der KI Aspekte sammelt, Perspektiven erweitert und Struktur entwickelt. Erst am Ende bittet er die KI um einen Entwurf, den er dann noch mehrfach überarbeitet – vergleichbar mit der Zusammenarbeit mit einem menschlichen Redenschreiber und mehreren Korrekturschleifen.paste.txt

Politische Reden: Realität des Schreibprozesses (00:20:00–00:24:00)

Mirko betont, dass die Vorstellung, Politiker säßen allein mit Füllfederhalter und schrieben ihre Reden selbst, naiv ist. Schon immer arbeiteten Ministerien mit Teams und Redenschreibern, die auf Basis von Stichwortlisten und gewünschten inhaltlichen Aspekten Entwürfe fertigen.paste.txt

Er schildert einen typischen Prozess: Teammeeting, Themenliste für z.B. eine Holocaust-Gedenkrede, erste Entwürfe durch Mitarbeitende, Rückmeldungen des Politikers, mehrere Überarbeitungsrunden. Ob KI in diesem Prozess einen Schritt unterstützt, ändert nichts daran, dass die Inhalte inhaltlich und politisch vom Auftraggeber vorgegeben und verantwortet werden.paste.txt

Von Rechtschreibprüfung zu generativer KI (00:24:00–00:29:00)

Oliver erinnert daran, dass schon frühe Rechtschreibprüfungen eine Form von „KI“ waren, indem sie Worte gegen Wortlisten abglichen und Fehler markierten. Später kamen automatische Textersetzungen, Grammatikprüfungen und Übersetzungssysteme wie Google Translate und DeepL hinzu, die bereits komplexe Muster verarbeiten.paste.txt

Mirko und Oliver erwähnen, dass es schon vor ChatGPT Systeme gab, die etwa Textanfänge von Science-Fiction-Geschichten generieren konnten. Sie leiten daraus ab, dass generative KI eine technisch kontinuierliche Weiterentwicklung darstellt, aber zusätzliche gesellschaftliche Diskussionen über Verantwortung und Einsatzfelder mit sich bringt.paste.txt

KI-Detektoren und ihre Grenzen (00:29:00–00:34:00)

Die beiden wenden sich dann sogenannten KI-Detektoren zu, die Texte auf vermeintliche KI-Autorenschaft prüfen. Mirko beschreibt diese als oberflächliche Mustererkenner mit oft fragwürdiger Genauigkeit; Oliver berichtet von Recherchen, wonach Studien zur Qualität solcher Detektoren meist von den Herstellern selbst stammen und sich gegenseitig zitieren.paste.txt

Beispiele zeigen, dass Detektoren vor allem auf Produktrezensionen oder Standardformeln trainiert sind und dort eher stilistische Merkmale erkennen als tatsächliche KI-Autorenschaft. KI-generierte Bewerbungen werden von KI-basierten Auswahltools bevorzugt, weil beide auf denselben statistischen Mustern beruhen – ein weiteres Beispiel für die Begrenztheit dieser Systeme.paste.txt

KI-Stilmerkmale versus menschliche Schreibweisen (00:34:00–00:38:30)

Oliver greift Beispiele aus der öffentlichen Debatte auf, etwa Formulierungen wie „Das ist nicht Innovation, das ist…“, die Miriam Meckel früher selbst verwendete, die nun aber als „KI-typisch“ gelten und Menschen sie daher meiden müssen. Sie diskutieren, dass KI lediglich das nachbildet, was aus vielen menschlichen Texten gelernt wurde – Punkt- und Kommasetzung, Semikolon-Gebrauch, Gedankenstriche, typische Dreiklang-Strukturen.paste.txt

Mirko betont, dass KI dazu neigt, statistische Mittelwerte zu produzieren, etwa gleichförmige, „mittelmäßige“ Formulierungen, wenn man sie nicht bewusst anders anweist. Gute Nutzer können durch gezielte Prompts und Vorgaben diese Gleichförmigkeit aufbrechen und eigenständigen Stil bewahren oder erzeugen.paste.txt

Qualitätskontrolle statt KI-Sündenbock (00:38:30–00:42:00)

Für Mirko liegt das Kernproblem nicht in der KI selbst, sondern in fehlender Qualitätskontrolle. Schon vor KI gab es schlechte Texter, schwache Redenschreiber und misslungene Metaphern; KI verschärft nur die Notwendigkeit, Qualität zu definieren und systematisch zu sichern.paste.txt

Er fordert, Standards zu formulieren, was ein „guter Text“ ist, und entsprechende Prozesse zur Qualitätssicherung einzuführen – ähnlich wie in der Sterneküche oder der Automobilproduktion. Schlechte Texte, ob von Mensch oder Maschine, sind letztlich Versäumnisse der Verantwortlichen, die Texte veröffentlichen, ohne sie ausreichend zu prüfen.paste.txt

Meinungsbildung und Verantwortung (00:42:00–00:46:00)

Ein zentrales Thema ist die Meinungsbildungsfreiheit als Grundlage der Demokratie. Mirko erläutert, dass problematisch wird, wenn Menschen ihre Haltung zu komplexen Themen (z.B. Juden im Dritten Reich, aktuelle Parteien, Migration) auf sehr selektive Quellen stützen, etwa Boulevardmedien oder stark verzerrende Online-Portale.paste.txt

Wenn jemand Meinungsbildung „kritiklos auslagert“ – sei es an einseitige Medien oder an KI –, verengt sich der Raum möglicher Sichtweisen und öffnet sich Desinformation und Manipulation. Dieser Mechanismus gilt auch bei menschlichen Redenschreibern: Wer Texte übernimmt, ohne sie kritisch zu prüfen, trägt Verantwortung für Inhalte, die er „sich zu eigen macht“.paste.txt

KI als Lückentext-Ergänzer (00:46:00–00:50:00)

Oliver beschreibt sein eigenes KI-Nutzungsmodell als „umgekehrten Lückentext“: Er liefert die Ideen, Stichworte, Argumente und Positionen, die KI füllt das „Blabla dazwischen“. Die eigentliche inhaltliche Haltung – etwa zu „Ja heißt Ja“ oder Social-Media-Verboten für Kinder – stammt von ihm, die KI strukturiert und formuliert.paste.txt

Er nutzt bei Perplexity einen Space mit selbst verfassten Barcamp-Texten als Wissensbasis, aus der KI neue Konzepte für Veranstaltungen oder Sponsorenschreiben erstellt. Fehler wie falsche Terminempfehlungen (Barcamp München im September trotz Oktoberfest und begleitender Events) zeigen ihm, dass menschliche Kontextkenntnis weiterhin unverzichtbar ist.paste.txt

Kollaboration, nicht Ersatz des Menschen (00:50:00–00:55:00)

Beide sind sich einig, dass heutige KI-Nutzung bei Texten typischerweise kollaborativ ist: Mensch und KI arbeiten zusammen; niemand, insbesondere kein ernstzunehmender Politiker, lässt sich nach ihrer Einschätzung eine Rede vollständig automatisiert generieren und ungeprüft vortragen. KI ist Werkzeug im Prozess, nicht alleiniger Autor.paste.txt

Der Vorwurf, KI lege die politische Position fest, wird als Fehlannahme bezeichnet: Inhalte und Haltungen stehen im Prompt oder in den Vorgaben und werden vom Menschen formuliert. Problematisch ist eher eine naive Nutzung, bei der Personen der KI ohne klare Vorgaben freie Hand lassen und sich anschließend hinter ihr verstecken.paste.txt

Regulierung, Gelassenheit und Differenzierung (00:55:00–01:02:00)

Mirko weist darauf hin, dass oft gerade konservative Stimmen, die sonst Deregulierung fordern, bei KI nach Verboten und strenger Regulierung verlangen. Er plädiert stattdessen für Gelassenheit und differenzierte Betrachtung: Die Technologie ist jung, vielfältige Einsatzszenarien müssen ausprobiert und verstanden werden, bevor generelle Verbote diskutiert werden.paste.txt

Sie nähern sich einem Fazit, dass man beim Thema KI im Schreiben weder in Hysterie noch in unkritische Begeisterung verfallen, sondern die „komplexe Bandbreite“ sehen sollte. Frei nach „Radio Eriwan“ lautet die Antwort auf die Frage, ob KI im Schreiben „gut“ oder „schlecht“ sei: „Im Prinzip ja, aber es kommt darauf an.“paste.txt

Schlussfazit: Verantwortung beim Sender (01:02:00–01:06:00)

Am Ende fassen Oliver und Mirko die Kernpunkte zusammen: Politische Reden und öffentliche Texte sind heute, wie früher, Ergebnis von Kollaboration – KI ist ein weiterer Beteiligter im Schreibprozess. Wo Unsinn oder problematische Inhalte auftreten, liegt die Verantwortung bei den Menschen, die Texte prüfen, freigeben, senden oder vorlesen.paste.txt

Wer „auf Senden drückt“ oder einen Text vorträgt, macht ihn zu seinem eigenen Text und trägt dafür die volle Verantwortung – unabhängig davon, ob er von Mitarbeitenden, Redenschreibern oder KI mitverfasst wurde. Sie schließen mit einem augenzwinkernden Abschied und der Ankündigung, vielleicht eine eigene Folge zu „What would Boomers do?“ zu machen.



Kommentare

Kommentar veröffentlichen