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

Der Fortschritt hat mindestens drei Bedeutungen

Die systematische Übersicht von Yining Hua und Kolleg:innen untersucht Studien aus den Jahren 2020 bis 2024 und unterscheidet regelbasierte, maschinell lernende und auf großen Sprachmodellen beruhende Systeme. Diese Einteilung macht eine oft verdeckte Differenz sichtbar: Technischer Fortschritt, praktische Verwendbarkeit und gesundheitlicher Nutzen sind verschiedene Gegenstände. Ein System kann variablere Antworten erzeugen, ohne deshalb Symptome zu verringern. Es kann regelmäßig genutzt werden, ohne eine nachgewiesene Wirkung zu entfalten. Und ein eng geführter Dialog kann trotz schlichter Technik nützlich sein.

Gerade deshalb ist die Architektur keine Rangliste der Versorgungsqualität. Regelbasierte Angebote dominierten laut Review bis 2023; 2024 entfielen bereits 45 Prozent der neuen Studien auf Systeme mit großen Sprachmodellen. Das belegt einen schnellen Forschungswechsel, aber noch keinen entsprechenden Wirkungssprung. Redaktionell halten wir diese Unterscheidung für den Kern des Befunds: Wer Innovation allein an generativer Sprache erkennt, verwechselt eine neue Gesprächsoberfläche mit einem bereits geprüften gesundheitlichen Instrument.

160 Studien ordnen ein unübersichtliches Feld

Quelle 1 ist eine systematische Übersicht von 160 Studien. Ihre Forschungsfrage richtet sich nicht nur auf die Ergebnisse einzelner Anwendungen, sondern auf die Entwicklung des gesamten Feldes: Welche technischen Architekturen werden untersucht, auf welcher Bewertungsstufe befinden sich die Studien, und wie belastbar sind die Aussagen über einen therapeutischen Nutzen? Der Review reagiert damit auf eine fragmentierte Literatur, in der Systeme mit sehr unterschiedlichen Funktionsweisen unter ähnlichen Bezeichnungen auftreten und in der die Strenge der Evaluation erheblich variiert.

Aus dem bereitgestellten Quellenmaterial gehen allerdings weder die durchsuchten Datenbanken noch detaillierte Ein- und Ausschlusskriterien oder eine konkrete Bewertung des Verzerrungsrisikos hervor. Diese methodischen Einzelheiten können hier daher nicht beurteilt werden. Auch die Zusammenfassung erlaubt keine Aussage dazu, wie sich Diagnosen, Zielgruppen oder Studiendauern über die 160 Arbeiten verteilen. Die Übersicht liefert somit eine belastbare Kartierung der berichteten Evaluationsarten, aber keine pauschale Wirksamkeitsschätzung für psychologische Gesprächssysteme insgesamt.

Ein Prüfmodell gegen begriffliche Abkürzungen

Hua und Kolleg:innen schlagen drei Stufen vor. Am Anfang steht die grundlegende technische Prüfung: Funktioniert das System wie vorgesehen, und lassen sich seine Antworten technisch validieren? Darauf folgt eine Machbarkeitsprüfung, die vor allem Nutzung und Beteiligung untersucht. Erst die dritte Stufe richtet sich auf klinische Wirksamkeit, in der Symptomveränderungen geprüft werden. Das Modell ist unspektakulär – und gerade deshalb nützlich. Es verhindert, dass eine gute Antwortbewertung, hohe Nutzung oder positive Rückmeldung stillschweigend als gesundheitliche Wirkung ausgegeben wird.

Die Stufen sind dabei nicht austauschbar. Ohne technische Zuverlässigkeit fehlt eine Grundlage für weitere Erprobung; ohne tatsächliche Nutzung kann eine potenziell wirksame Anwendung praktisch bedeutungslos bleiben. Umgekehrt beweist intensive Nutzung keine Symptomreduktion. Auch eine Studie auf der dritten Stufe ist nicht automatisch hochwertig: Die Zusammenfassung des Reviews sagt lediglich, worauf eine Untersuchung zielt, nicht, dass jede Wirksamkeitsstudie randomisiert, ausreichend groß oder langfristig angelegt war. Das Prüfmodell schafft Ordnung, ersetzt aber keine Beurteilung des jeweiligen Designs.

Bei Sprachmodellen öffnet sich die Evidenzlücke

Über alle Architekturen hinweg konzentrierten sich laut Review 47 Prozent der Studien auf klinische Wirksamkeit. Bei Untersuchungen zu großen Sprachmodellen lag dieser Anteil hingegen bei nur 16 Prozent. Zugleich befanden sich 77 Prozent der LLM-Studien noch in früher Validierung. Die Zahlen bezeichnen keine erwiesene Wirkungslosigkeit. Sie zeigen vielmehr, dass die am schnellsten wachsende Systemklasse überwiegend noch nicht an jener Frage geprüft wurde, die in psychisch belastenden Kontexten besonders wichtig ist: Verbessert die Anwendung relevante gesundheitliche Ergebnisse?

Das ist ein zeitliches und methodisches Missverhältnis. Generative Systeme gelangen schnell in Forschung, öffentliche Nutzung und Produktentwicklung, während klinische Prüfungen zwangsläufig länger dauern. Aus dieser Verzögerung folgt weder ein Verbot noch ein Freibrief. Sie verlangt präzise Sprache: Ein technisch eindrucksvolles Modell ist ein technisch eindrucksvolles Modell. Ein gut angenommener Pilot ist ein gut angenommener Pilot. Erst eine passende Wirksamkeitsprüfung kann weitergehende Aussagen tragen. Diese sprachliche Disziplin wäre bereits ein erheblicher Fortschritt.

Empathisch bewertet ist nicht wirksam behandelt

John Torous und Charlotte Blease verschärfen diese Trennung. Sie verweisen auf Forschung mit nichtklinischen Stichproben, in der KI textbasierte Unterstützung verbessern könnte, deren Bewertungen sich jedoch vor allem auf wahrgenommene Empathie statt auf klinische Ergebnisse richteten. Wahrgenommene Empathie ist keineswegs belanglos: Sie kann Akzeptanz und Gesprächsbereitschaft beeinflussen. Doch sie beschreibt zunächst eine Erfahrung mit Kommunikation. Ob sich dadurch Beschwerden, Funktionsfähigkeit oder Versorgungsergebnisse verändern, ist eine andere Frage und erfordert ein anderes Studiendesign.

Ihr Beitrag erweitert den Blick zudem über direkte Gespräche hinaus. Naheliegende Anwendungen liegen demnach auch in Dokumentation, Verwaltungsarbeit, Ausbildung und routinemäßiger Symptombeobachtung. Das ist kein Ausweichen vor der großen Vision, sondern möglicherweise die realistischere Entwicklungsrichtung. Torous und Blease warnen zugleich vor der Annahme, bloßer Zugang zu digitalen Ressourcen löse Versorgungsprobleme. Jahrzehnte von Selbsthilfeangeboten, internetbasierten Programmen, Apps und Telemedizin hätten bereits gezeigt, dass Verfügbarkeit allein keine wirksame Prävention garantiert.

Die Ersatzfrage produziert mehr Hitze als Erkenntnis

Zhihui Zhang und Jing Wang stellen ausdrücklich die Frage, ob KI psychotherapeutische Fachkräfte ersetzen könne. Ihr Beitrag versammelt mögliche Vorteile: ständige Verfügbarkeit, Skalierbarkeit, konsistente Abläufe, potenziell offenere Angaben gegenüber einer als nicht wertend wahrgenommenen Maschine und Unterstützung in Regionen mit wenigen Fachkräften. Er verweist außerdem auf vorläufige Befunde zu Angst- und Depressionssymptomen. Zugleich benennt er kleine Teilnehmergruppen, fehlende Langzeitbeobachtung und Hinweise darauf, dass kurzfristige Effekte über längere Zeit nicht bestehen müssen.

Besonders aufschlussreich ist die Grenze zwischen Demonstration und Nachweis. Ein im Beitrag dargestelltes hypothetisches Gespräch zeigt, wie ein Sprachmodell Belastung spiegeln und Bewältigungsstrategien anbieten könnte; es ist aber kein Studienergebnis. Auch gute Leistungen auf einer Skala zur sprachlichen Darstellung emotionaler Bewusstheit belegen keine erlebte Empathie. Zhang und Wang machen diese Einschränkung selbst: Das Modell erkennt und erzeugt Muster, es empfindet nicht. Am Ende plädieren sie trotz weitreichender Zukunftserwartungen für Ergänzung statt Ersatz und für menschliche Aufsicht.

Auch das Etikett KI braucht eine Prüfung

Der Review von Hua und Kolleg:innen findet zudem Abweichungen zwischen vermarkteten Aussagen und der tatsächlichen Architektur. Manche als KI-gestützt bezeichneten Interventionen beruhten demnach auf einfachen regelbasierten Skripten. Das ist nicht bloß ein Problem überzogener Werbung. Ohne transparente Architekturbeschreibung lässt sich schwer beurteilen, welche Befunde auf andere Systeme übertragbar sind. Ein festes Dialogskript hat andere Fehlermöglichkeiten als ein generatives Modell, das plausible, aber falsche Antworten erzeugen kann.

Für große Sprachmodelle nennt die Übersicht falsche Antworten, Datenschutzrisiken und ungeprüfte therapeutische Wirkungen als besondere ethische Probleme. Torous und Blease ergänzen Verzerrungen durch Trainingsdaten, unzureichenden Schutz sensibler Gesundheitsinformationen und schwierige Einbettung in bestehende Versorgung. Zhang und Wang verweisen außerdem auf Grenzen des Langzeitgedächtnisses und mögliche Brüche in der Gesprächskontinuität. Keine dieser Gefahren beweist, dass generative Unterstützung grundsätzlich unbrauchbar ist. Sie bestimmt aber, was vor einem konkreten Einsatz überhaupt untersucht werden muss.

Die sinnvollste Produktangabe wäre eine Prüfstufe

Unsere redaktionelle Position ist deshalb bewusst enger als die üblichen Zukunftsversprechen: Psychologische KI sollte nicht vorrangig danach beurteilt werden, ob sie menschliche Fachkräfte nachahmt oder ersetzt. Entscheidend ist, für welche abgegrenzte Aufgabe sie vorgesehen ist und auf welcher Stufe diese Aufgabe geprüft wurde. Ein System zur Psychoedukation, ein Gesprächsangebot zur emotionalen Unterstützung und ein Werkzeug zur Symptombeobachtung stellen unterschiedliche Behauptungen auf. Aus derselben flüssigen Oberfläche folgen weder dieselben Anforderungen noch dieselben zulässigen Schlussfolgerungen.

Der wichtigste Beitrag des Reviews ist somit keine endgültige Bilanz über Nutzen oder Schaden. Er liefert eine Grammatik, mit der sich Behauptungen genauer lesen lassen. Architektur, technische Leistung, Nutzung, wahrgenommene Qualität und klinische Veränderung gehören in getrennte Sätze. Produktentwicklung und Forschung würden an Glaubwürdigkeit gewinnen, wenn sie neben dem Modellnamen offenlegten, welche dieser Ebenen tatsächlich untersucht wurde. Der derzeitige Rückstand klinischer Prüfung ist kein Urteil über die Zukunft großer Sprachmodelle. Er ist ein Urteil darüber, wie wenig ihre Gegenwart schon belegt.

Quellen & weiterführende Hinweise