Author: Digitale Profis - Bewertung: 6x - Views:36
Studien & Quellen:
Doshi & Hauser (2024) – Generative AI enhances individual creativity but reduces the collective diversity of novel content
https://www.science.org/doi/10.1126/sciadv.adn5290
Backup/Volltext:
https://pmc.ncbi.nlm.nih.gov/articles/PMC11244532/
Moon, Green & Kushlev (2025) – Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing
https://www.sciencedirect.com/science/article/pii/S294988212500091X
DOI:
https://doi.org/10.1016/j.chbah.2025.100207
Sourati, Ziabari & Dehghani (2026) – The homogenizing effect of large language models on human expression and thought
https://www.cell.com/trends/cognitive-sciences/fulltext/S1364-6613%2826%2900003-3
DOI:
https://doi.org/10.1016/j.tics.2026.01.003
USC-Artikel dazu:
https://dornsife.usc.edu/news/stories/ai-may-be-making-us-think-and-write-more-alike/
Haase, Hanel & Pokutta (2025) – Has the Creativity of Large-Language Models peaked? An analysis of inter- and intra-LLM variability
https://arxiv.org/abs/2504.12320
Veröffentlichte Version:
https://www.sciencedirect.com/science/article/pii/S2713374525000202
DOI:
https://doi.org/10.1016/j.yjoc.2025.100113
University-of-Essex-Artikel dazu:
https://www.essex.ac.uk/news/2025/05/07/study-shows-ai-creativity-may-have-peaked
Peeperkorn, Kouwenhoven, Brown & Jordanous (2024) – Is Temperature the Creativity Parameter of Large Language Models?
https://arxiv.org/abs/2405.00492
PDF:
https://arxiv.org/pdf/2405.00492
DOI:
https://doi.org/10.48550/arXiv.2405.00492
Kumar, Vincentius, Jordan & Anderson (2024/2025) – Human Creativity in the Age of LLMs: Randomized Experiments on Divergent and Convergent Thinking
https://arxiv.org/abs/2410.03703
PDF:
https://arxiv.org/pdf/2410.03703
DOI:
https://doi.org/10.1145/3706598.3714198
Preprint-DOI:
https://doi.org/10.48550/arXiv.2410.03703
In diesem Video schauen wir uns eine unbequeme Wahrheit beim Prompting an: Die besten Prompting-Tipps für analytische Aufgaben können kreative Ergebnisse schlechter machen.
Templates, Checklisten und perfekte Prompt-Strukturen helfen bei Code, Datenanalyse, Zusammenfassungen und wiederholbaren Workflows. Aber bei kreativen Aufgaben wie Texten, Kampagnen, Ideenentwicklung oder Storytelling können sie genau das Gegenteil bewirken: weniger Reibung, weniger Originalität, mehr Durchschnitt.
Wir sprechen über aktuelle Studien zu KI und Kreativität, über das Homogenisierungs-Problem von Large Language Models und darüber, warum „Temperatur hochdrehen“ allein keine echte Kreativität erzeugt. Vor allem aber geht es darum, wie man KI besser nutzt: nicht als Automaten für fertige Ergebnisse, sondern als strategischen Sparringspartner.
Im Video geht es um:
- Warum KI einzelne kreative Ergebnisse verbessern kann, aber kollektive Vielfalt reduziert.
- Warum standardisierte Prompts kreative Arbeit oft glätten.
- Was „Mid-Level Novelty“ bedeutet.
- Warum LLMs meistens innerhalb der Box kombinieren.
- Warum mehr Zufall nicht automatisch mehr Originalität bedeutet.
- Wie strategisches Briefing, Reibung, gute Grenzen und Iteration bessere Ergebnisse liefern.
- Warum dein eigenes Denken zuerst kommen muss.
Die zentrale These:
Die KI ist nicht das Problem. Das Problem ist, sie wie einen Automaten zu behandeln, in den man oben eine Checkliste wirft und unten ein Meisterwerk erwartet.
Werde Kanalmitglied und unterstütze damit unsere Arbeit:
https://www.youtube.com/channel/UCv90NdTyTp7ZPPRvvSZaS5w/join
Videoinhalt:
00:00 So holst du mit besseren Prompts mehr Kreativität aus KI-Tools heraus
00:36 Was bedeutet die Standardisierung von Prompts?
01:00 Die Studienlage zur Kreativität von KI
02:44 Was ist das Problem bei KI und Kreativität?
04:00 Kann man das über Parameter lösen?
05:48 Vier konkrete Ratschläge für kreativere Outputs
08:34 Gefahr: Durch KI die eigene Kreativität verlieren
09:44 Fazit
Videovorschläge, Feedback und Kritik kannst Du uns jederzeit in den Kommentaren mitteilen!
SOCIAL SHARE CARD GENERATOR