{"id":1631,"date":"2026-10-21T11:41:38","date_gmt":"2026-10-21T09:41:38","guid":{"rendered":"https:\/\/blog.franke-ip.com\/de\/?p=1631"},"modified":"2026-10-21T12:01:08","modified_gmt":"2026-10-21T10:01:08","slug":"kreativ-aber-kein-urheber-was-ki-in-der-kunst-kann-und-was-das-recht-dazu-sagt","status":"publish","type":"post","link":"https:\/\/blog.franke-ip.com\/de\/kreativ-aber-kein-urheber-was-ki-in-der-kunst-kann-und-was-das-recht-dazu-sagt\/","title":{"rendered":"Kreativ, aber kein Urheber: Was KI in der Kunst kann \u2013 und was das Recht dazu sagt"},"content":{"rendered":"
\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

Kann eine Maschine K\u00fcnstlerin sein? Die Debatte wird meist zwischen zwei Lagern gef\u00fchrt. Die einen halten auch menschliche Kreativit\u00e4t f\u00fcr nichts anderes als die geschickte Kombination von Gelerntem und sehen die K\u00fcnstliche Intelligenz auf dem besten Weg, Gestalter, Musiker, Schauspieler und Buchautoren zu ersetzen. Die anderen halten dagegen, eine K\u00fcnstliche Intelligenz k\u00f6nne ihre vorgezeichneten Bahnen nie verlassen. Beide Positionen halten einer kritischen Pr\u00fcfung nur teilweise stand. Und w\u00e4hrend Feuilleton und Tech-Branche noch diskutieren, haben Gerichte und Gesetzgeber l\u00e4ngst eine eigene Antwort gegeben.<\/em><\/p>\n\n\n\n

Das Gehirn als Sprachmodell? Eine verf\u00fchrerische Analogie<\/h2>\n\n\n\n

Das st\u00e4rkste Argument der K\u00fcnstliche-Intelligenz-(KI)-Optimisten kommt aus der Hirnforschung. Kreativit\u00e4tsforscher wie Roger Beaty zeigen, dass Erinnern und Vorstellen auf denselben Mechanismus zur\u00fcckgreifen: das flexible Neu-Zusammensetzen von Erlebtem \u2013 Personen, Orte, Ereignisse. Geoffrey Hinton, Nobelpreistr\u00e4ger und einer der V\u00e4ter des Deep Learning, geht noch weiter. Der Mensch sei vor allem eine Analogiemaschine, \u00fcber der nur eine d\u00fcnne Schicht logischen Denkens liegt.<\/p>\n\n\n\n

Wenn das stimmt, ist der Unterschied zwischen einem Menschen, der aus seinem Erfahrungsschatz sch\u00f6pft, und einem Modell, das aus seinen Trainingsdaten sch\u00f6pft, eher graduell als kategorial. Hinton zieht daraus den Schluss, gro\u00dfe Sprachmodelle seien ausgesprochen kreativ<\/a> \u2013 gerade weil sie gewaltige Wissensmengen nur dadurch in ihr Netz pressen k\u00f6nnen, dass sie Analogien zwischen den verschiedensten Dingen erkennen.<\/p>\n\n\n\n

Die Analogie hat allerdings eine L\u00fccke, und zwar genau dort, wo es interessant wird. Dieselbe Forschung zeigt n\u00e4mlich, dass das blo\u00dfe Abrufen von Ged\u00e4chtnisinhalten selten zu den originellsten Ideen f\u00fchrt. Kreative Leistung entsteht im Zusammenspiel von assoziativem Ged\u00e4chtnis und kognitiver Kontrolle \u2013 der F\u00e4higkeit, das Naheliegende bewusst zu verwerfen. Wer das Gehirn mit einem Sprachmodell gleichsetzt, unterschl\u00e4gt diese zweite H\u00e4lfte. Es ist ausgerechnet die H\u00e4lfte, an der heutige Modelle (noch) messbar scheitern.<\/p>\n\n\n\n

\u201eUnz\u00e4hlige R\u00fcckschleifen\u201c: Der Einwand der fehlenden R\u00fcckkopplung<\/h2>\n\n\n\n

Ein Einwand, der in Diskussionen \u00fcber KI-Kreativit\u00e4t h\u00e4ufig f\u00e4llt, verdient eine genauere Pr\u00fcfung: Im Gehirn gebe es unz\u00e4hlige R\u00fcckschleifen, die KI dagegen arbeite nur mit einem simplen \u201eDecoding\u201c in eine Richtung. Fachlich spricht man von R\u00fcckkopplung oder rekurrenter Verarbeitung. Der Einwand trifft einen wahren Kern \u2013 allerdings nicht ganz dort, wo er meist vermutet wird.<\/p>\n\n\n\n

Im Gehirn ist R\u00fcckkopplung der Normalfall<\/h3>\n\n\n\n

Wie stark das Gehirn auf R\u00fcckkopplung setzt, zeigt schon das Sehsystem. Die Schaltstelle im Thalamus, die Signale vom Auge an die Gro\u00dfhirnrinde weiterreicht, bezieht nur 5 bis 10 Prozent ihrer Synapsen aus der Netzhaut. Je etwa ein Drittel stammt aus der Hirnrinde selbst und aus dem Hirnstamm. Die wenigen Netzhaut-Synapsen sind zwar besonders wirkungsstark, doch der Gro\u00dfteil der Verbindungen dient dazu, den Informationsfluss von oben zu steuern.<\/p>\n\n\n\n

Der Amsterdamer Neurowissenschaftler Victor Lamme hat aus solchen Befunden eine einflussreiche Bewusstseinstheorie entwickelt. Sinnesinformation durchl\u00e4uft die Hirnareale danach zun\u00e4chst in einer schnellen Vorw\u00e4rtswelle. Bewusst wahrgenommen wird sie erst, wenn h\u00f6here Areale Signale in fr\u00fchere zur\u00fcckspeisen. Die Theorie des Predictive Coding geht noch weiter: H\u00f6here Areale senden fortlaufend Vorhersagen nach unten, nach oben gemeldet werden vor allem die Abweichungen davon.<\/p>\n\n\n\n

Auch Kreativit\u00e4t selbst ist ein Kreisprozess. Eine fMRT-Studie<\/a> kanadischer Forscher zeigte, dass beim Erzeugen von Ideen vor allem Ged\u00e4chtnisregionen im medialen Schl\u00e4fenlappen arbeiten, beim Bewerten dagegen ein Verbund aus Kontroll- und Default-Netzwerk. Kreatives Arbeiten pendelt zwischen beiden Modi: erzeugen, pr\u00fcfen, verwerfen, neu ansetzen.<\/p>\n\n\n\n

In der KI: Was \u201eDecoding\u201c tats\u00e4chlich bedeutet<\/h3>\n\n\n\n

Der Begriff \u201eDecoding\u201c ist auf KI-Seite nicht falsch gew\u00e4hlt, bedarf aber der Pr\u00e4zisierung. Die heute verbreiteten gro\u00dfen Sprachmodelle beruhen \u00fcberwiegend auf sogenannten Decoder-only-Transformern. Ihr Text entsteht durch autoregressives Decoding: Das Modell berechnet in einem einzigen Durchlauf durch alle Schichten, dem Forward Pass, eine Wahrscheinlichkeitsverteilung f\u00fcr das n\u00e4chste Wortst\u00fcck (Token). Es w\u00e4hlt eines aus, h\u00e4ngt es an den bisherigen Text an und beginnt von vorn. Innerhalb eines solchen Durchlaufs gibt es tats\u00e4chlich keine R\u00fcckkopplung. Die Transformer-Architektur wurde 2017 bewusst so entworfen, dass sie ohne jede Rekurrenz auskommt. Das machte sie stark parallelisierbar und damit erst im heutigen Ma\u00dfstab trainierbar.<\/p>\n\n\n\n

Ganz schleifenfrei ist die KI trotzdem nicht. Jedes erzeugte Token wird zur Eingabe f\u00fcr den n\u00e4chsten Schritt \u2013 das ist eine R\u00fcckkopplung, nur \u00fcber einen engen Flaschenhals. Was die obersten Schichten des Modells berechnet haben, erreicht die unteren Schichten im n\u00e4chsten Schritt im Wesentlichen nur \u00fcber dieses eine ausgew\u00e4hlte Token. Dass schon diese \u00e4u\u00dfere Schleife viel bewirkt, ist inzwischen mathematisch untermauert. Ein Transformer, der sofort antworten muss, kann \u2013 unter den in der Komplexit\u00e4tstheorie \u00fcblichen Annahmen \u2013 bestimmte einfache Aufgaben nachweislich nicht l\u00f6sen, etwa die Frage, ob zwei Punkte in einem Netz miteinander verbunden sind. Darf er Zwischenschritte ausschreiben, w\u00e4chst seine Rechenkraft mit der Zahl dieser Schritte. Genau darauf beruhen die Reasoning-Modelle, die vor ihrer Antwort lange Gedankenketten (Chain of Thought) erzeugen.<\/p>\n\n\n\n

Die Forschung arbeitet zudem daran, den Flaschenhals zu weiten. Bei Meta lie\u00df man ein Modell statt eines Wortes seinen letzten inneren Zustand zur\u00fcckspeisen, es also gewisserma\u00dfen ohne Worte weiterdenken. Die Autoren verweisen dabei auf Befunde, wonach das Sprachnetzwerk des Gehirns bei vielen Denkaufgaben weitgehend still bleibt. Sogenannte Recurrent-Depth-Modelle durchlaufen denselben Block von Schichten beliebig oft, bevor sie ein Token ausgeben. Ein Modell mit 3,5 Milliarden Parametern rechnete so zur Laufzeit so viel wie ein Modell mit rund 50 Milliarden Parametern und verbesserte sich dabei teils deutlich. Ein im Juli 2026 ver\u00f6ffentlichtes Preprint berichtet, dass solche \u201egeloopten\u201c Transformer bei gleichem Trainingsaufwand herk\u00f6mmliche Modelle \u00fcberholen k\u00f6nnen.<\/p>\n\n\n\n

Besonders lehrreich ist der Fall des Hierarchical Reasoning Model von 2025. Es ahmte ausdr\u00fccklich das Gehirn nach: zwei rekurrente Module, ein langsames f\u00fcr abstrakte Planung, ein schnelles f\u00fcr Details. Mit nur 27 Millionen Parametern \u00fcbertraf es weit gr\u00f6\u00dfere Sprachmodelle bei Denksportaufgaben. Die Nachpr\u00fcfung durch das Team des ARC Prize ergab allerdings, dass die hirn\u00e4hnliche Hierarchie wenig beitrug. Entscheidend war eine \u00e4u\u00dfere Verfeinerungsschleife, in der das Modell seine eigene Antwort wiederholt \u00fcberarbeitet. Ein Nachfolgemodell mit nur 7 Millionen Parametern verzichtet auf die Hierarchie ganz und schneidet auf dem ARC-Test dennoch besser ab als die meisten gro\u00dfen Sprachmodelle. Die Lehre: Nicht die biologische Form der R\u00fcckkopplung z\u00e4hlt, sondern dass es \u00fcberhaupt eine Schleife aus Versuch und Korrektur gibt.<\/p>\n\n\n\n

Was der KI noch fehlt<\/h3>\n\n\n\n

Pr\u00e4zise formuliert fehlt der KI also nicht \u201edie R\u00fcckschleife\u201c schlechthin, sondern bisher noch dreierlei:<\/p>\n\n\n\n