Einordnung statt Gewissheit: Dialogatlas trennt Quellen, Beobachtungen und redaktionelle Schlussfolgerungen. Neue Daten können diese Einordnung verändern.

Ein randomisierter Pilot mit drei verschiedenen Prüfaufträgen

Klos und Kolleg:innen untersuchten Tess mit 181 argentinischen Studierenden zwischen 18 und 33 Jahren; 158 und damit 87,2 Prozent der Teilnehmenden waren Frauen. Nach der Randomisierung erhielten 99 Personen für acht Wochen Zugang zu Tess, während 82 Personen ein Psychoedukationsbuch über Depression bekamen. Die Forschungsfrage war bewusst breiter als eine reine Wirksamkeitsprüfung: Untersucht werden sollten Machbarkeit, Akzeptanz und ein möglicher Einfluss auf depressive und ängstliche Symptome. Diese drei Ebenen sind verwandt, aber methodisch nicht austauschbar.

Das Design besitzt einen entscheidenden Vorzug: Tess wurde nicht nur vor und nach der Nutzung betrachtet, sondern mit einer Kontrollbedingung verglichen. Dadurch lässt sich zumindest prüfen, ob sich die Entwicklung in der Tess-Gruppe von jener bei einem anderen niedrigschwelligen Informationsangebot unterschied. Für depressive Symptome verwendete das Forschungsteam nichtparametrische Vergleiche, für Angstsymptome t-Tests. Weil die Publikation ausdrücklich als Pilotstudie angelegt war, sollte sie jedoch weder wie eine abschließende Wirksamkeitsprüfung noch wie ein bloßer Produkttest gelesen werden.

Am Ende blieben 73 auswertbare Teilnehmende

Die größte Einschränkung wird bereits an der Rücklaufquote sichtbar. Nach acht Wochen lagen Daten von 39 der 99 Personen in der Tess-Gruppe und von 34 der 82 Personen in der Kontrollgruppe vor. Das entspricht 39 beziehungsweise 41 Prozent. Der starke Verlust trat somit in beiden Bedingungen in ähnlicher Größenordnung auf. Ähnliche Quoten verhindern allerdings nicht, dass die verbleibenden Personen sich von jenen unterscheiden können, die keine Abschlussdaten lieferten.

Für die Interpretation bedeutet das: Die Randomisierung war der richtige Ausgangspunkt, doch der abschließende Vergleich beruht nur noch auf einem Teil der ursprünglichen Stichprobe. Die Quelle liefert keine Grundlage dafür, Motive des Ausstiegs zu bestimmen oder den fehlenden Personen bestimmte Erfahrungen zuzuschreiben. Man darf also weder behaupten, sie hätten Tess abgelehnt, noch annehmen, ihre Symptomverläufe hätten den beobachteten entsprochen. Zusätzlich begrenzen die überwiegend weibliche Stichprobe und der enge Kontext argentinischer Hochschulen die Übertragbarkeit auf andere Bevölkerungen und Versorgungssituationen.

Der Gruppenvergleich fällt nüchtern aus

Vom Ausgangswert bis zur achten Woche fanden die Forschenden weder bei depressiven noch bei ängstlichen Symptomen einen signifikanten Unterschied zwischen der Tess- und der Kontrollgruppe. Für die zentrale Frage nach einem Vorteil des Gesprächssystems gegenüber dem Psychoedukationsbuch ist das der maßgebliche Befund. Die Studie belegt damit nicht, dass Tess Symptome stärker verringerte als die Vergleichsbedingung. Ebenso wenig belegt ein nicht signifikanter Unterschied die Gleichwertigkeit beider Angebote oder ihre Wirkungslosigkeit; eine solche Schlussfolgerung würde mehr voraussetzen, als dieser Pilot leisten kann.

Innerhalb der Tess-Gruppe nahmen die Angstsymptome signifikant ab, während in der Kontrollgruppe keine entsprechende signifikante Veränderung beobachtet wurde. Bei depressiven Symptomen ergaben sich in keiner Gruppe signifikante Veränderungen. Gerade hier ist statistische Disziplin nötig: Dass eine Veränderung in einer Gruppe signifikant ist und in der anderen nicht, beweist noch keinen signifikanten Unterschied zwischen den Gruppen. Die Autor:innen sprechen deshalb nachvollziehbar von einem möglichen Einfluss und vielversprechenden ersten Ergebnissen, nicht von einer nachgewiesenen Überlegenheit.

472 Nachrichten sind ein Verhaltenssignal

In der Tess-Bedingung wurden im Mittel 472 Nachrichten ausgetauscht, bei einer Standardabweichung von 249,52. Durchschnittlich 116 Nachrichten stammten von den Nutzenden als Antwort an das System. Diese Zahlen sagen nichts darüber, ob jede Nachricht substanziell war oder eine psychische Veränderung auslöste. Sie zeigen aber, dass die Anwendung für die verbliebenen Teilnehmenden nicht nur aus einem einmaligen Öffnen oder einer kurzen Probe bestand. Interaktion fand in erheblichem Umfang statt.

Eine höhere Zahl ausgetauschter Nachrichten war zudem mit positiverem Feedback verbunden. Auch dieser Zusammenhang ist interessant, aber nicht kausal aufzulösen. Vielleicht bewerteten stärker engagierte Personen Tess positiver; vielleicht führte eine gute Erfahrung zu mehr Nutzung; möglicherweise wirkten beide Prozesse zusammen. Der Pilot beantwortet das nicht. Für Produktteams bleibt der Befund dennoch wertvoll: Ein textbasiertes psychologisches Angebot kann wiederholte Beteiligung erzeugen. Nur ist Beteiligung eine Nutzungskennzahl und keine Ersatzmessung für Symptomverbesserung.

Wysa verstärkt das Engagement-Signal und sein Deutungsproblem

Die ältere Wysa-Studie von Inkster, Sarda und Subramanian erweitert dieses Bild mit anonymen Nutzungsdaten aus einer global verfügbaren App. Untersucht wurden Personen mit selbst berichteten depressiven Symptomen, die Wysa freiwillig installiert, textbasiert genutzt und zu zwei aufeinanderfolgenden Zeitpunkten den PHQ-9 ausgefüllt hatten. Aus der Nutzungsintensität ergaben sich Gruppen mit hoher und niedriger Nutzung. Bei den 108 stark Nutzenden sank der selbst berichtete Depressionswert im Mittel um 5,84 Punkte, bei den 21 wenig Nutzenden um 3,52 Punkte; der Unterschied war statistisch signifikant.

Außerdem bezeichneten 67,7 Prozent der abgegebenen Rückmeldungen die Erfahrung als hilfreich und ermutigend. Das ist ein ernst zu nehmender positiver Erfahrungsbefund. Weil die Gruppen aber nicht zufällig einer hohen oder niedrigen Nutzung zugewiesen wurden, bleibt offen, ob intensivere Nutzung die stärkere Verbesserung verursachte. Engagement kann ebenso Ausdruck von Motivation, Passung oder anderen Unterschieden zwischen den Nutzenden sein. Im Vergleich macht der Tess-Pilot deshalb etwas Wichtiges sichtbar: Ein randomisiertes Design kann trotz schwächer aussehender Ergebnisse die strengere Antwort auf die Wirkungsfrage liefern.

Akzeptanz ist kein Trostpreis

Es wäre falsch, die Tess-Studie wegen des ausgebliebenen Gruppenunterschieds als ergebnislos abzutun. Psychologische Digitalprodukte entfalten keine mögliche Unterstützung, wenn Menschen sie gar nicht verwenden. Wiederholte Gespräche und positive Rückmeldungen sind deshalb eigenständige Entwicklungsbefunde. Sie können anzeigen, dass Form, Zugänglichkeit oder Gesprächsmodus für einen Teil der Zielgruppe anschlussfähig waren. Die Studie liefert somit plausible Hinweise auf Nutzbarkeit und Akzeptanz in ihrem untersuchten Kontext, genau wie es die Autor:innen in ihrer Schlussfolgerung hervorheben.

Die Einschränkung gehört jedoch in denselben Satz: Akzeptanz ist hier vor allem für die Personen sichtbar, die bis zum Abschluss Daten bereitstellten. Der hohe Ausfall verhindert eine einfache Erzählung allgemeiner Begeisterung. Unsere redaktionelle Einordnung ist daher weder abwertend noch euphorisch. Ein Angebot, das tatsächlich genutzt wird, hat einen praktischen Vorsprung gegenüber einem ungenutzten Angebot. Ob dieser Vorsprung in eine verlässlich bessere psychische Entwicklung mündet, ist eine andere Forschungsfrage.

Die Ersatzfrage ist größer als die vorliegenden Vergleiche

Zhang und Wang diskutieren 2024 eine weit umfassendere Frage: ob KI Aufgaben von Psychotherapeut:innen übernehmen oder diese sogar ersetzen könnte. Ihr Beitrag ordnet Anwendungen von Vorhersage und Monitoring bis zu digitalen Interventionen ein und verweist auf mögliche Vorteile bei Zugänglichkeit, Skalierung und kontinuierlicher Verfügbarkeit. Zugleich nennt er fehlende echte Empathie, begrenzte Langzeiterinnerung, algorithmische Verzerrungen, Datenschutz- und Autonomiefragen sowie die Notwendigkeit menschlicher Aufsicht. Für langfristige Effekte beschreiben die Autor:innen den Forschungsstand als unsicher und verlangen weitere große randomisierte Prüfungen.

Diese Debatte darf jedoch nicht mit den beiden Anwendungsstudien kurzgeschlossen werden. Tess wurde gegen ein Psychoedukationsbuch geprüft, nicht gegen Psychotherapeut:innen. Bei Wysa wurden stark und schwach Nutzende einer freiwillig installierten App verglichen, ebenfalls keine professionellen Behandelnden. Auch Tests, in denen ein Sprachmodell Emotionen in hypothetischen Texten erkennt oder sprachlich angemessen darauf reagiert, messen nicht dieselbe Leistung wie eine über Zeit verantwortete Versorgung. Unter den drei Quellen befindet sich somit kein direkter Nachweis, dass ein KI-System menschliche Psychotherapie ersetzt oder ihr gleichkommt.

Die passende Rolle beginnt zwischen Buch und Sprechstunde

Der Tess-Pilot legt eine sachlichere Rolle nahe als die große Ersatzdebatte. Seine reale Vergleichsfolie war ein Buch: auf der einen Seite statische Psychoedukation, auf der anderen ein interaktives, textbasiertes System. In diesem Zwischenraum kann der konkrete Produktwert liegen. Ein Gesprächsformat reagiert, strukturiert Aufmerksamkeit und lädt zur wiederholten Beschäftigung ein. Dass Studierende viele Nachrichten austauschten, spricht dafür, diesen Unterschied ernst zu nehmen. Dass die Symptomverläufe den Gruppenvergleich nicht bestanden, begrenzt zugleich, was daraus versprochen werden kann.

Für Dialogatlas folgt daraus eine klare Position: Psychologische KI sollte zunächst nach der nachgewiesenen Funktion beschrieben werden, nicht nach einer möglichst großen Berufsrolle. Bei Tess ist diese Funktion bislang vor allem akzeptierte, wiederholt genutzte Gesprächsunterstützung in einem begrenzten Hochschulkontext. Die offene Wirkungsfrage schmälert diesen Befund nicht; sie verhindert nur seine Überdehnung. Fortschritt bestünde hier nicht darin, Nutzung als Behandlungserfolg auszugeben, sondern Engagement und Symptomwirkung getrennt weiterzuprüfen. Genau diese Trennung macht den Pilot trotz seines nüchternen Gruppenvergleichs fachlich produktiv.

Quellen & weiterführende Hinweise