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

Eine große Frage mit zu geringer Auflösung

Zhang und Wang stellen die Ersetzungsfrage ausdrücklich ins Zentrum ihres Beitrags. Sie führen mögliche Vorteile wie ständige Verfügbarkeit, Skalierbarkeit, konsistente Abläufe und einen leichteren Zugang an. Zugleich beschreiben sie Grenzen bei Langzeitgedächtnis, algorithmischer Verzerrung, Datenschutz, ethischer Urteilsfähigkeit und echter Empathie. Ihr eigener Ausblick läuft daher nicht auf vollständige Substitution hinaus, sondern auf eine unterstützende Rolle unter menschlicher Aufsicht. Die vorliegende Quelle liefert keinen direkten randomisierten Vergleich zwischen einer KI und Psychotherapeut:innen, der eine Ersetzungsbehauptung tragen könnte.

Das Problem liegt schon in der Kategorie. Ein Beruf besteht nicht aus einer einzigen Leistung. Er umfasst Gesprächsführung, Beurteilung, Dokumentation, Verlaufskontrolle, Entscheidungen unter Unsicherheit und den Umgang mit wechselnden Situationen. Eine Maschine kann einzelne Tätigkeiten übernehmen oder unterstützen, ohne damit eine ganze professionelle Rolle auszufüllen. Aus unserer Sicht verdeckt die binäre Frage nach Ersatz oder Nichtersatz deshalb die eigentlich prüfbaren Fragen: Welche konkrete Funktion soll das System erfüllen, mit welchen Daten arbeitet es, und woran wird sein Erfolg gemessen?

85 Studien, drei grundverschiedene Einsatzfelder

Die Leitpublikation von Cruz-Gonzalez und Kolleg:innen bietet für diese Präzisierung die stärkste Grundlage. Das Team durchsuchte CCTR, CINAHL, PsycINFO, PubMed und Scopus von Beginn der jeweiligen Datenbankbestände bis Februar 2024. Nach vorab festgelegten Einschlusskriterien gingen 85 Studien in die systematische Übersicht ein. Untersucht wurden Anwendungen aus den Bereichen Diagnose, Monitoring und Intervention. Diese Anlage ist wichtig: Die Übersicht bewertet nicht einfach, ob KI in der psychischen Versorgung funktioniert, sondern ordnet verschiedene technische Verfahren unterschiedlichen Aufgaben zu.

Auch die häufig verwendeten Methoden unterschieden sich nach Einsatzgebiet. Bei diagnostischen Aufgaben dominierten Support Vector Machines und Random Forests. Beim Monitoring war maschinelles Lernen die häufigste Kategorie, bei Interventionen waren es KI-basierte Gesprächssysteme. Schon dieser Befund widerspricht dem populären Bild, psychische KI bestehe hauptsächlich aus einer sprechenden Oberfläche. Ein großer Teil des Feldes klassifiziert Daten, schätzt Risiken, prognostiziert Reaktionen oder verfolgt Verläufe. Das Gespräch ist sichtbar und leicht vorzuführen; die systematische Übersicht zeigt jedoch ein breiteres technisches Gefüge.

Genauigkeit beantwortet noch keine Versorgungsfrage

Nach der Übersicht erschienen KI-Werkzeuge geeignet, psychische Erkrankungen zu erkennen und zu klassifizieren, Risiken vorherzusagen, die Reaktion auf Behandlungen abzuschätzen und laufende Verläufe zu beobachten. Das ist ein substanziell positiver Befund und sollte nicht aus bloßer Technologieskepsis kleingeredet werden. Die bereitgestellten Angaben nennen allerdings keine gemeinsamen Leistungsmaße, keine zusammengefassten Effektgrößen und keine Aufschlüsselung nach Erkrankung, Datentyp oder Anwendungskontext. Aus dem Gesamturteil lässt sich daher nicht ableiten, dass jedes erfasste Verfahren klinisch zuverlässig oder auf andere Populationen übertragbar wäre.

Vor allem sind die Zielgrößen nicht austauschbar. Eine gute Klassifikation zeigt zunächst, dass ein Modell in einem bestimmten Datensatz Kategorien unterscheiden kann. Eine zutreffende Risikoprognose ist wiederum etwas anderes als eine nachgewiesene Verbesserung des weiteren Verlaufs. Und eine überzeugend formulierte Antwort belegt weder diagnostische Genauigkeit noch eine anhaltende Wirkung. Unsere Einordnung ist deshalb weder ablehnend noch euphorisch: Die Übersicht dokumentiert ernst zu nehmende technische Leistungsfähigkeit, aber sie gibt keinen pauschalen Freibrief für Versorgungsaussagen.

Gesprächssysteme verändern die Prüfaufgabe

Bei einer diagnostischen Klassifikation lassen sich Modelloutput und Referenzkategorie zumindest grundsätzlich gegenüberstellen. Eine dialogische Intervention ist schwieriger zu fassen. Sie erzeugt nicht nur eine Vorhersage, sondern formuliert unmittelbar Inhalte, auf die ein Mensch reagieren kann. Dabei können Verständlichkeit, emotionale Angemessenheit, Symptomveränderung und zeitliche Stabilität auseinanderfallen. Cruz-Gonzalez und Kolleg:innen weisen Gesprächssysteme als häufigste KI-Methode im Interventionsbereich aus; die vorliegenden Angaben sagen jedoch nicht, wie viele Studien einzelne Anwendungsformen betreffen oder wie dauerhaft deren Ergebnisse waren.

Gerade hier wird die sprechende Oberfläche verführerisch. Sprachliche Flüssigkeit macht eine Leistung unmittelbar erlebbar, während Fehler in Klassifikation oder Prognose für Nutzende oft unsichtbar bleiben. Redaktionell halten wir es deshalb für falsch, Gesprächsqualität als Stellvertreter für Wirkung zu behandeln. Ein System kann zugewandt klingen und dennoch ungeeignete Inhalte liefern. Umgekehrt kann ein begrenztes, wenig menschenähnliches Werkzeug eine klar definierte Aufgabe zuverlässig unterstützen. Menschenähnlichkeit ist eine Produkteigenschaft; sie ist kein einheitliches Gütesiegel.

Die ältere Sprachforschung erklärt die Datenabhängigkeit

Die systematische Übersicht von Le Glaz und Kolleg:innen aus dem Jahr 2020 schärft diesen Punkt. Nach einer Suche in vier medizinischen Datenbanken wurden von 327 identifizierten Artikeln 58 qualitativ ausgewertet. Die Studien nutzten maschinelles Lernen und natürliche Sprachverarbeitung unter anderem, um Symptome zu extrahieren, Schweregrade zu klassifizieren, Behandlungsergebnisse zu vergleichen und psychopathologische Hinweise zu gewinnen. Medizinische Akten und soziale Medien waren die beiden wichtigsten Datenquellen; die untersuchten Populationen umfassten Menschen in medizinischen Datenbanken, Personen in Notaufnahmen und Nutzer:innen sozialer Medien.

Die Autor:innen sahen darin einen Zugang zu bislang wenig genutzten Informationen, etwa zu Alltagsgewohnheiten, die Behandelnden gewöhnlich nicht zugänglich sind. Zugleich beobachteten sie, dass leistungsfähige Klassifikatoren gegenüber transparent funktionierenden Modellen bevorzugt wurden. Viele Verfahren bestätigten eher bestehende klinische Hypothesen, als völlig neue Erkenntnisse zu erzeugen. Besonders soziale Medien bildeten eine unpräzise Kohorte, und sprachspezifische Merkmale erschwerten die Übertragung auf andere Sprachen. Dass die neuere Übersicht erneut robustere, vielfältigere Datensätze sowie mehr Transparenz und Interpretierbarkeit verlangt, zeigt: Diese methodischen Fragen sind mit leistungsfähigeren Modellen nicht verschwunden.

Der erkennbare Nutzen verdient präzise Sprache

Aus beiden systematischen Übersichten ergibt sich ein konstruktiver Befund. KI kann Muster in umfangreichen, bislang wenig erschlossenen Datenbeständen auffinden und bei Erkennung, Prognose oder Verlaufsbeobachtung nützliche Informationen liefern. Im Interventionsbereich eröffnet die jederzeit verfügbare Kommunikation zudem einen plausiblen Zugang zu Unterstützung. Zhang und Wang führen außerdem Anonymität und die von manchen Menschen als weniger wertend empfundene Interaktion als mögliche Gründe für offenere Äußerungen an. Solche Potenziale sind mehr als bloße Science-Fiction, auch wenn ihre Reichweite von Anwendung und Studienlage abhängt.

Beim Nachweis von Wirkung bleibt die Formulierung entscheidend. Zhang und Wang berichten von vorläufigen Studien zu kurzfristigen Verbesserungen bei Angst- und Depressionssymptomen, verweisen aber zugleich auf kleine Gruppen, fehlende langfristige Nachbeobachtung und Befunde, nach denen Effekte über längere Zeit nicht fortbestanden. Daraus folgt weder Wirkungslosigkeit noch Gleichwertigkeit mit menschlicher Behandlung. Der sachgerechte Schluss ist enger: Bestimmte digitale Interventionen können kurzfristig hilfreich sein; ob dieser Nutzen stabil bleibt und unter welchen Bedingungen er entsteht, ist mit den hier vorliegenden Angaben nicht abschließend geklärt.

Emotionssprache ist eine Fähigkeit, kein Innenleben

Der Beitrag von Zhang und Wang illustriert eine weitere begriffliche Falle. Er verweist auf Untersuchungen, in denen ChatGPT bei Aufgaben zur emotionalen Wahrnehmung Antworten auf dem Niveau der Allgemeinbevölkerung oder darüber erzeugte. Gleichzeitig stellen die Autor:innen klar, dass diese Leistung auf Mustererkennung und Sprachmodellierung beruht, nicht auf erlebten Emotionen. Damit ist die Fähigkeit keineswegs wertlos: Ein System, das emotionale Komponenten sprachlich erkennt und passend aufgreift, kann in bestimmten Situationen nützlicher sein als eines, das dies nicht kann.

Sie beweist aber keine Gleichartigkeit der Beziehung. Zhang und Wang stellen den sprachlichen Fähigkeiten fehlende echte Empathie, Schwierigkeiten mit langfristiger Kontinuität und Grenzen beim Erfassen nonverbaler oder kulturell geprägter Nuancen gegenüber. Für die Bewertung folgt daraus ein methodischer Konflikt: Ein Test kann die Qualität emotional formulierter Antworten messen, aber nicht automatisch die Tragfähigkeit einer längerfristigen professionellen Beziehung. Wer aus einem guten Sprachbenchmark den Ersatz eines Berufs ableitet, wechselt unbemerkt die Ebene des Nachweises.

Die belastbare Einheit ist die begrenzte Aufgabe

Cruz-Gonzalez und Kolleg:innen empfehlen vielfältigere und robustere Datensätze sowie transparentere und besser interpretierbare Modelle. In Verbindung mit den beiden Vergleichsquellen ergibt sich daraus keine allgemeine Abwehrhaltung, sondern eine präzisere Forschungslogik. Diagnose, Monitoring und Intervention benötigen jeweils eigene Zielgrößen. Auch innerhalb dieser Bereiche muss erkennbar bleiben, für welche Population, Sprache, Datenquelle und Zeitspanne ein Ergebnis gilt. Der Suchzeitraum der Leitübersicht endet im Februar 2024; Aussagen über später veröffentlichte Systeme oder angekündigte Modellgenerationen lassen sich daraus nicht gewinnen.

Unsere redaktionelle Position ist daher klar: Die Zukunft psychischer KI entscheidet sich nicht daran, ob ein System insgesamt wie eine Fachkraft wirkt. Entscheidend ist, welche begrenzte Aufgabe es nachweislich erfüllt und welche Behauptung durch das jeweilige Studiendesign tatsächlich gedeckt ist. Ein Modell kann Risiken gut klassifizieren, ohne einen Verlauf zu verbessern. Ein Dialog kann kurzfristig entlasten, ohne langfristige Kontinuität zu sichern. Diese Unterschiede verkleinern das Potenzial nicht. Sie machen es erst beschreibbar – und verhindern, dass eine beeindruckende Gesprächsoberfläche zur Antwort auf Fragen erklärt wird, die nie geprüft wurden.

Quellen & weiterführende Hinweise