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

Die entscheidende Frage liegt zwischen Nutzung und Nutzen

Inkster, Sarda und Subramanian wollten Wysa nicht nur danach beurteilen, ob Menschen die Anwendung öffnen oder freundlich bewerten. Ihre vorläufige Real-World-Evaluation untersuchte, ob sich bei Nutzer:innen mit selbstberichteten Depressionssymptomen Veränderungen im Patient Health Questionnaire-9, kurz PHQ-9, beobachten ließen und ob diese Veränderungen mit der Nutzungsintensität zusammenhingen. Zusätzlich wertete das Team Rückmeldungen innerhalb der App aus. Diese Verbindung aus Symptomverlauf, tatsächlicher Nutzung und qualitativer Erfahrung ist für die Leitfrage wesentlich: Ein Gesprächssystem kann nur unterstützen, wenn Menschen sich überhaupt darauf einlassen.

Darin liegt ein belastbarer Vorzug der Studie. Sie betrachtet keine bloße Vorführung des Systems und kein hypothetisches Gespräch, sondern Verhalten im laufenden App-Betrieb. Damit erfasst sie eine Dimension, die kontrollierte Versuche leicht unterschätzen können: ob eine automatisierte Unterhaltung über mehrere Kontakte hinweg genügend Anschluss erzeugt. Die Kehrseite folgt unmittelbar. Weil die Nutzung nicht experimentell zugeteilt wurde, ist genau das Engagement, das Wysa interessant macht, zugleich die zentrale Unsicherheit bei der Interpretation.

Eine Feldbeobachtung ohne zufällige Zuteilung

Beobachtet wurden anonyme Nutzer:innen aus verschiedenen Ländern, die Wysa freiwillig installiert, textbasiert mit der Anwendung kommuniziert und Depressionssymptome per PHQ-9 angegeben hatten. Für die quantitative Analyse entstanden anhand der Nutzung an und zwischen zwei aufeinanderfolgenden Screeningzeitpunkten zwei Gruppen: 108 Personen mit hoher und 21 mit niedriger Nutzung. Diese Gruppen waren also ein Ergebnis des beobachteten Verhaltens. Niemand wurde per Zufall dazu bestimmt, besonders viel oder wenig mit Wysa zu schreiben.

Diese Konstruktion ist für das Verständnis wichtiger als das Etikett künstliche Intelligenz. Verglichen wurden bestehende Nutzungsverläufe, nicht zwei unter ansonsten gleichen Bedingungen vergebene Interventionen. Die Studie kann daher einen Zusammenhang zwischen intensiverer Nutzung und stärkerer Verbesserung prüfen. Sie kann nicht isolieren, ob die Nutzungsintensität selbst die Veränderung hervorbrachte. Auch der Vergleich ungleich großer Gruppen erschwert eine einfache Lesart. Das macht die Untersuchung nicht wertlos; es definiert vielmehr präzise, welche Art von Aussage ihre Daten tragen.

Die Zahlen sind ermutigend, aber nicht selbsterklärend

In der Gruppe mit hoher Nutzung betrug die mittlere Verbesserung der selbstberichteten Depressionswerte 5,84 Punkte bei einer Standardabweichung von 6,66. In der Gruppe mit niedriger Nutzung lag sie bei 3,52 Punkten, die Standardabweichung betrug 6,15. Der Gruppenunterschied war im verwendeten Mann-Whitney-Test statistisch signifikant mit P gleich 0,03; die Autor:innen berichten eine moderate Effektgröße von 0,63. Damit enthält die Untersuchung ein echtes positives Signal: Stärkere Nutzung ging nicht nur mit Aktivität in der App, sondern mit einer im Mittel größeren Verbesserung der erhobenen Werte einher.

Ebenso wichtig ist die breite Streuung innerhalb beider Gruppen. Die Durchschnittswerte beschreiben keine einheitliche Erfahrung aller Beteiligten. Aus dem bereitgestellten Studienbefund lässt sich zudem nicht ableiten, welcher Anteil eine bestimmte klinisch relevante Veränderung erreichte oder ob die Unterschiede länger anhielten. Die korrekte Aussage ist deshalb weder, Wysa wirke nachweislich, noch, die Daten bedeuteten nichts. Belegt ist eine statistische Verbindung in dieser beobachteten Auswahl von Nutzer:innen; die kausale Erklärung bleibt offen.

Engagement kann Ursache, Folge oder Auswahlmechanismus sein

Plausibel sind mehrere Deutungen. Häufigeres Schreiben könnte dazu geführt haben, dass Nutzer:innen mehr unterstützende Impulse erhielten und stärker profitierten. Ebenso könnten Personen, die früh eine Verbesserung oder eine passende Gesprächserfahrung bemerkten, gerade deshalb weitergeschrieben haben. Denkbar ist außerdem, dass sich die Gruppen bereits in Motivation, Erwartungen oder anderen nicht berichteten Merkmalen unterschieden. Das sind keine nachgewiesenen Erklärungen, sondern typische Alternativen, die aus dem beobachtenden Design folgen.

Für die Produktentwicklung ist diese Mehrdeutigkeit produktiver als ein vorschnelles Erfolgsurteil. Ein System, das wiederholt genutzt wird, hat offensichtlich eine relevante Hürde überwunden. Es erreicht Menschen nicht nur technisch, sondern hält eine Interaktion aufrecht. Doch aus guter Bindung folgt nicht automatisch eine bestimmte psychische Wirkung. Unsere redaktionelle Einordnung lautet: Engagement sollte bei solchen Anwendungen als eigenständiges Ergebnis ernst genommen werden, ohne es heimlich zum Wirksamkeitsnachweis aufzuwerten. Erst wenn Nutzungsdosis, Ausgangslage und Verlauf methodisch getrennt werden, lässt sich genauer sagen, was die Unterhaltung selbst beiträgt.

Positives Feedback misst Erfahrung, nicht Symptomwirkung

Die qualitative Seite der Wysa-Studie stärkt den Befund, dass die Anwendung für viele Antwortende akzeptabel war. Von den innerhalb der App abgegebenen Rückmeldungen bewerteten 67,7 Prozent die Erfahrung als hilfreich oder ermutigend. Präzision ist hier entscheidend: Die Zahl bezieht sich auf die eingegangenen Feedbackantworten, nicht automatisch auf alle beobachteten Nutzer:innen. Sie beschreibt eine wahrgenommene Qualität der Interaktion. Ob diese Wahrnehmung die gemessene Veränderung verursachte, lässt sich daraus nicht schließen.

Zum Mixed-Methods-Ansatz gehörte außerdem die Auswertung von Einwänden in Unterhaltungen und die Prüfung eines maschinellen Klassifikators zu deren Erkennung. Das vorliegende Abstract nennt dazu jedoch kein konkretes Resultat, das eine weitergehende Bewertung erlauben würde. Diese Wissensgrenze sollte nicht mit Vermutungen gefüllt werden. Festhalten lässt sich dennoch: Die Studie behandelte Gesprächsqualität nicht ausschließlich als Stimmung am Ende einer Sitzung, sondern versuchte auch, Reibung innerhalb der Interaktion methodisch sichtbar zu machen.

Der randomisierte Pilot setzt einen anderen Prüfstein

Die Pilotstudie von Ly, Ly und Andersson aus dem Jahr 2017 erweitert den Vergleich, weil sie einen vollständig automatisierten Gesprächsagenten in einem randomisierten Design untersuchte. Die Intervention lief zwei Wochen. Berichtet wurde eine hohe Beteiligung mit durchschnittlich 17,71 App-Öffnungen über den gesamten Zeitraum. Auch die qualitativen Daten lieferten Hinweise auf das moderierende Format des Systems, also auf eine Gesprächsfunktion, die Nutzer:innen offenbar als besonderes Merkmal wahrnahmen. Damit bestätigt die Studie, dass automatisierte Dialoge über einen kurzen Zeitraum tatsächlich intensive Nutzung erzeugen können.

Der Pilot löst die Evidenzfrage dennoch nicht abschließend. Die Autor:innen begründen ausdrücklich eine Wiederholung mit größerer Stichprobe und einer aktiven Kontrollgruppe. Eine solche Vergleichsbedingung wäre wichtig, um den spezifischen Beitrag des Gesprächsformats besser von allgemeiner digitaler Beschäftigung oder Aufmerksamkeit zu unterscheiden. Im bereitgestellten Quellenmaterial fehlen Angaben, die eine detaillierte Bewertung einzelner Ergebnismaße erlauben würden. Der sinnvolle Vergleich mit Wysa liegt daher vor allem im Design: Randomisierung verbessert die kausale Prüfung, während Real-World-Daten näher am tatsächlichen Gebrauch bleiben.

Große Sprachmodelle verändern nicht rückwirkend die Wysa-Evidenz

Zhang und Wang entwerfen 2024 ein wesentlich breiteres Bild künstlicher Intelligenz in der psychischen Versorgung. Ihr Beitrag behandelt unter anderem Vorhersageverfahren, digitale Interventionen, Unterstützung für Fachkräfte und kontinuierliche Beobachtung. Er verweist auf vorläufige Hinweise zu Angst- und Depressionssymptomen, betont aber zugleich kleine Untersuchungsgruppen, fehlende Langzeitbeobachtung und den Bedarf an großen randomisierten Studien. Zudem diskutiert er algorithmische Verzerrungen, Datenschutz, begrenztes Langzeitgedächtnis und die Notwendigkeit menschlicher Aufsicht. Das ist eine programmatische Übersicht, kein im bereitgestellten Text beschriebenes eigenes randomisiertes Experiment.

Besonders wichtig ist die Unterscheidung zwischen sprachlicher Leistung und emotionalem Erleben. Der Beitrag schreibt aktuellen Modellen eine hohe Fähigkeit zu, emotionale Muster in Texten zu erkennen und passende Antworten zu erzeugen, hält aber fest, dass dies auf Musterverarbeitung und nicht auf eigenem emotionalem Verständnis beruht. Diese neueren Fähigkeiten dürfen nicht rückwirkend in die Wysa-Studie von 2018 hineingelesen werden. Ein spezialisiertes mobiles System und ein allgemeines großes Sprachmodell sind weder technisch noch hinsichtlich ihrer geprüften Nutzungssituation austauschbar. Fortschrittliche Formulierungen ersetzen keine anwendungsbezogene Evidenz.

Die faire Behauptung ist kleiner und interessanter

Aus den drei Publikationen ergibt sich keine seriöse Grundlage für die pauschale Frage, ob KI Psychotherapeut:innen ersetzen kann. Sie liefern etwas Konkreteres: Automatisierte Gespräche können über kurze Zeiträume genutzt, positiv erlebt und mit verbesserten Selbstauskünften verbunden sein. Für Wysa ist dieser Zusammenhang im realen Betrieb sichtbar; im randomisierten Pilotprojekt eines anderen Systems zeigt sich ebenfalls beachtliche Beteiligung. Der spätere Überblick macht zugleich deutlich, dass kurzfristige Befunde, technische Sprachkompetenz und langfristige Versorgungsergebnisse verschiedene Ebenen sind.

Die redaktionell überzeugendste Lesart der Wysa-Studie ist deshalb weder euphorisch noch abwehrend. Ihr stärkster Beitrag besteht darin, Engagement als Teil des Forschungsgegenstands sichtbar zu machen. Menschen führten die Unterhaltung freiwillig fort, viele Rückmeldungen fielen positiv aus, und intensive Nutzung ging mit stärker verbesserten Werten einher. Das rechtfertigt weitere, strengere Prüfung und die Untersuchung ergänzender Einsatzformen. Es rechtfertigt nicht, aus einer Nutzungsgruppe einen Wirkmechanismus zu machen. Wer psychologische KI-Gespräche beurteilt, sollte daher zuerst fragen, ob gerade Akzeptanz, subjektive Hilfe, Symptomveränderung oder kausale Wirksamkeit behauptet wird. Die Unterschiede sind keine sprachliche Pedanterie, sondern der Kern der Evidenz.

Quellen & weiterführende Hinweise