KI-Gesprächssysteme senken einzelne Symptome – ein Ersatznachweis ist das nicht

Die falsche Messlatte

Die öffentliche Debatte springt gern von einer flüssigen Antwort zu einer großen Systemfrage: Wenn eine Maschine verständnisvoll klingt, kann sie dann Psychotherapeut:innen ersetzen? Schon die Form dieser Frage verschiebt die Beweislast. Sprachliche Plausibilität, wahrgenommene Empathie und eine gemessene Symptomveränderung sind drei verschiedene Dinge. Keine dieser Größen steht automatisch für die anderen. Erst recht belegt ein statistischer Vorteil gegenüber einer Kontrollbedingung nicht die Gleichwertigkeit mit einer ausgebildeten Fachperson.

Das ist kein semantischer Einwand, sondern der Kern des Forschungsproblems. Eine professionelle Behandlung umfasst unter anderem Verlaufskontinuität, situatives Urteil und den Umgang mit komplexen Veränderungen. Die vorliegenden Metaanalysen prüfen demgegenüber definierte psychische Endpunkte in zeitlich begrenzten Studien. Aus ihren Ergebnissen lässt sich Nutzen für bestimmte Aufgaben ableiten. Ein allgemeiner Ersatznachweis folgt daraus nicht. Nach unserer redaktionellen Einschätzung sollte genau diese Trennung die Diskussion bestimmen.

Der metaanalytische Kern von 2023

Li, Zhang, Lee und ihre Mitautor:innen suchten in zwölf Datenbanken nach experimentellen Studien zu KI-basierten dialogischen Agenten, die vor dem 26. Mai 2023 veröffentlicht worden waren. Von 7.834 gefundenen Einträgen erfüllten 35 Studien die Kriterien für die systematische Übersicht. Für die Metaanalyse wurden 15 randomisierte kontrollierte Studien herangezogen. Diese Unterscheidung ist wichtig: Die breitere Übersicht beschreibt das Forschungsfeld, während die zusammengefassten Wirksamkeitsschätzungen auf einem deutlich kleineren randomisierten Kern beruhen.

Die Leitpublikation untersucht nicht nur, ob solche Systeme psychische Zielgrößen verändern. Sie fragt auch, welche Merkmale mit stärkeren Effekten und mit der Nutzungserfahrung zusammenhängen. Damit geht sie über eine bloße Ja-nein-Bilanz hinaus. Zugleich bleiben die untersuchten Systeme, Zielgruppen und Endpunkte verschieden. Die Metaanalyse verdichtet diese Vielfalt zu standardisierten Effektgrößen; sie verwandelt die unterschiedlichen Anwendungen jedoch nicht in ein einheitliches Produkt oder eine einheitliche Intervention.

Zwei positive Befunde und eine aussagekräftige Leerstelle

Für depressive Symptome berichtet die Metaanalyse eine signifikante Verringerung mit Hedges g von 0,64 und einem 95-Prozent-Konfidenzintervall von 0,17 bis 1,12. Für psychische Belastung lag Hedges g bei 0,70; das Intervall reichte von 0,18 bis 1,22. Das sind positive zusammengefasste Befunde. Die relativ breiten Intervalle zeigen aber auch, dass die genaue Größe der Effekte unsicher bleibt. Statistische Signifikanz beantwortet zudem weder die Frage nach langfristiger Stabilität noch nach der klinischen Bedeutung im einzelnen Anwendungsfall.

Beim allgemeinen psychischen Wohlbefinden zeigte sich dagegen kein signifikanter Vorteil. Die Schätzung lag bei Hedges g von 0,32, das Konfidenzintervall schloss mit minus 0,13 bis 0,78 auch einen fehlenden Effekt ein. Gerade dieser Unterschied ist aufschlussreich: Weniger depressive Symptome oder weniger Belastung sind nicht dasselbe wie umfassend verbessertes Wohlbefinden. Die Evidenz spricht damit für eine zielgrößenspezifische Wirkung, nicht für eine pauschale Verbesserung psychischer Gesundheit.

Größere Effekte sind noch keine Bauanleitung

In der Analyse fielen die Effekte stärker aus, wenn die dialogischen Agenten multimodal oder generativ angelegt waren, in Mobil- beziehungsweise Sofortnachrichten-Anwendungen eingebunden wurden oder sich an klinische, subklinische und ältere Bevölkerungsgruppen richteten. Solche Moderatorbefunde sind für die Produktentwicklung interessant. Sie deuten an, dass Zugangsweg, Darstellungsform, technische Architektur und Zielgruppe nicht bloß Verpackung sind, sondern mit den Ergebnissen zusammenhängen können.

Sie dürfen jedoch nicht kausal gelesen werden. Die Metaanalyse weist Zusammenhänge zwischen Studienmerkmalen und Effektstärken aus; sie belegt nicht, dass etwa Multimodalität selbst die Verbesserung verursacht. Hinter den Unterschieden können weitere Merkmale der jeweiligen Studien und Anwendungen stehen. Aus einem stärkeren Schätzwert folgt deshalb keine gesicherte Entwicklungsregel. Redaktionsseitig halten wir es für verfrüht, aus diesen Untergruppen einen vermeintlich optimalen KI-Begleiter abzuleiten.

Eine gute Gesprächserfahrung ist noch kein Wirkmechanismus

Die systematische Übersicht beschreibt drei Faktoren als besonders prägend für die Nutzungserfahrung: die Qualität der als therapeutisch erlebten Mensch-KI-Beziehung, die Beschäftigung mit den Inhalten und eine wirksame Kommunikation. Das ist ein wichtiger Befund für die Gesprächsgestaltung. Ein System, das unverständlich, unpassend oder beziehungslos wirkt, dürfte kaum als hilfreiches Gegenüber erlebt werden. Die Studie zeigt damit, dass dialogische Qualität für Nutzer:innen nicht nebensächlich ist.

Doch wahrgenommene Beziehungsqualität ist noch kein Beleg dafür, dass dieselbe Beziehung die gemessene Symptomveränderung verursacht hat. Ebenso wenig ist sie mit menschlicher Empathie gleichzusetzen. Ein Sprachsystem kann emotionale Muster erkennen und passende Formulierungen erzeugen, ohne Gefühle zu erleben. Die Leitpublikation fordert folgerichtig weitere Forschung zu den zugrunde liegenden Wirkmechanismen. Genau hier liegt eine zentrale Wissensgrenze: Wir sehen teilweise Veränderungen, wissen aber noch nicht hinreichend, wodurch sie zustande kommen.

Bei jungen Menschen wird das Muster schärfer

Die Metaanalyse von Feng, Hang, Wu und Kolleg:innen aus dem Jahr 2025 grenzt die Population auf 12- bis 25-Jährige ein. Durchsucht wurden fünf große Datenbanken bis zum 6. August 2024. Eingeschlossen wurden 14 Artikel mit 15 randomisierten Studien und insgesamt 1.974 Teilnehmenden. Zwei Personen extrahierten die Daten unabhängig, eine dritte prüfte sie; das Verzerrungsrisiko wurde mit dem Cochrane-Instrument bewertet. Der bereitgestellte Abstract berichtet allerdings nicht das Ergebnis dieser Qualitätsbewertung.

Nach Korrektur für Publikationsverzerrung zeigte sich bei depressiven Symptomen ein Effekt von Hedges g gleich 0,61 mit einem 95-Prozent-Konfidenzintervall von 0,35 bis 0,86. In subklinischen Gruppen lag die Schätzung bei 0,74. Für generalisierte Angstsymptome, Stress, positiven und negativen Affekt sowie psychisches Wohlbefinden waren die korrigierten Effekte dagegen nicht signifikant. Damit bestätigt die jüngere Analyse nicht einfach einen allgemeinen Nutzen, sondern konzentriert die positive Evidenz noch deutlicher auf depressive Symptome.

Die Autor:innen benennen unterschiedliche therapeutische Ausrichtungen der Systeme und fehlende Nachbeobachtungen als zentrale Grenzen. Die Aussage zur frühen Unterstützung bei Depression ist daher ein Potenzialhinweis, kein Nachweis dauerhafter Wirkung. Bemerkenswert ist zudem die Übereinstimmung mit der älteren Metaanalyse beim Wohlbefinden: Auch in der enger definierten jungen Population lässt sich für dieses breite Ziel kein signifikanter Vorteil zeigen.

Die Ersatzfrage überholt ihre eigene Evidenz

Zhang und Wang stellen 2024 ausdrücklich die Frage, ob KI Psychotherapeut:innen ersetzen könne. Ihr Beitrag erweitert den Blick auf Skalierbarkeit, ständige Verfügbarkeit, mögliche Offenheit gegenüber Maschinen und die Unterstützung überlasteter Versorgungssysteme. Zugleich behandelt er langfristige Gedächtnisprobleme, algorithmische Verzerrungen, Datenschutz, fehlendes echtes emotionales Erleben und die Notwendigkeit menschlicher Aufsicht. Seine Schlussrichtung ist daher vorsichtiger als der zugespitzte Titel: KI soll menschliche Arbeit ergänzen, nicht deren zentrale Elemente verdrängen.

Methodisch bleibt entscheidend, dass der bereitgestellte Befundtext keinen direkten randomisierten Gleichwertigkeitsvergleich zwischen einem KI-System und Psychotherapeut:innen beschreibt. Auch ein dort verwendetes hypothetisches Unterstützungsgespräch kann eine mögliche Interaktionsform veranschaulichen, aber keine Wirksamkeit demonstrieren. Die Behauptung einer bevorstehenden Ersetzung reicht somit weiter als die dargestellte Evidenz. Sie vermischt technische Fähigkeiten, vermutete Versorgungsvorteile und klinische Resultate zu einer Prognose, die noch nicht geprüft ist.

Die ehrliche Produktbeschreibung beginnt beim Endpunkt

Für Forschung und Produktentwicklung folgt daraus eine unbequem präzise Sprache. Ein System mit Evidenz für die Verringerung depressiver Symptome sollte nicht als allgemein wirksam für psychische Gesundheit beschrieben werden. Ein kurzfristiger Studienendpunkt sagt nichts über dauerhafte Stabilität. Eine positive Nutzungserfahrung ersetzt keine Sicherheitsprüfung, und ein Moderatorzusammenhang ist keine gesicherte Konstruktionsanweisung. Die Leitpublikation nennt gerade Langzeiteffekte, Wirkmechanismen und die sichere Einbindung großer Sprachmodelle als offene Forschungsaufgaben.

Unsere redaktionelle Position ist deshalb weder technikfeindlich noch euphorisch: Dialogische KI kann eine begrenzte, empirisch prüfbare Funktion haben. Gerade diese Begrenzung macht seriöse Entwicklung möglich. Die relevante Einheit ist nicht „der digitale Therapeut“, sondern eine konkrete Anwendung für eine definierte Zielgruppe, Zielgröße und Dauer. Solange Studien keine direkte Gleichwertigkeit mit professioneller Behandlung untersuchen, ist Ersatz die falsche Kategorie. Der belastbare Befund lautet schmaler – und nützlicher: Manche Systeme verändern manche Symptome, während viele weitergehende Wirkversprechen offenbleiben.