Der Human in the Loop – und im Gespräch: Eindrücke vom Open Space am DH-Tag 2026

Der 8. DH-Tag der Universität Münster am 10. Juli 2026 brachte viele Impulse zur Frage nach menschlicher Autonomie im Zeitalter von KI und anderen Technologien hervor. In Form der Grußworte, der anregenden Keynote von Tobias Hodel, den AG-Vorstellungen und natürlich in Pausengesprächen wurde das Verhältnis von Mensch und Maschine in den Digital Humanities umfassend diskutiert. Hierüber haben wir in einem vorausgegangenen Blogpost bereits berichtet. Als letzter Programmteil des Tages sollte der Open Space die verschiedenen Diskussionsfäden aufgreifen und durch weitere Ideen, Eindrücke und Kritikpunkte aller Teilnehmenden ergänzen. Das World-Café-Format startete mit einer Abstimmung über die die besonders interessierenden Themenfelder, aus denen die versammelte DH-Community drei Favoriten herauskristallisierte:

1. Welche Maximen oder Gesetze können/sollten sich Forschende bei der Anwendung von KI auferlegen?
2. Welche Erwartungen an die Wissenschaft und an wissenschaftliches Arbeiten bestehen angesichts der Verwendung von KI? Kommt es hier zu veränderten Rollenverständnissen und Ansprüchen?
3. Wie wirken Mensch und Maschine in Workflows zusammen? Wie ist dabei der „Human in the Loop“ – der Mensch als kontrollierendes und mit seiner Expertise gestaltendes Subjekt in iterativen KI-gestützten Arbeitsprozessen – zu denken? Welche Aufgaben übernehmen dabei große Sprachmodelle?

An den drei Thementischen wurde eifrig diskutiert und Flipcharts dienten als Dokumentationsflächen für den intensiven Austausch. In zwei Runden à 20 Minuten haben die Teilnehmenden folgende Perspektiven erarbeitet.

Tisch „Maximen/Gesetze zur KI-Anwendung“

Die erste Gesprächsrunde begann mit einer Art Bestandsaufnahme: Wie und warum nutzen wir eigentlich KI? Das Ergebnis lag erstaunlich quer zu dem, was der öffentlich hin- und herdiskutierte KI-Hype erwarten lässt: Einer der Teilnehmer*innen bezeichnete sich zunächst sogar als KI-abstinent (und relativierte dies im Verlauf des Gesprächs), ein anderer leugnete die wissenschaftliche Bedeutsamkeit von Texten, die von Large Language Models (LLMs) produziert werden. Für Alltagstexte, die z.B. einfache Informationen zusammenfassen, erscheinen die KI-Produkte immerhin meist akzeptabel und nützlich. Und in KI-Chatbots sehen einige auch geeignete „Sparringspartner“ für das Austesten eigener Argumente. Der KI als Produzentin wissenschaftlicher Texte gegenüber herrscht hingegen große Skepsis angesichts ungeklärter Fragen rund um das Black-Box-Problem (keine oder nur unzureichende Einblicke in die KI-Trainingsdaten und internen Verarbeitungsprozesse). Ein Teilnehmer schilderte die Verunsicherung in Anbetracht fehlender Reproduzierbarkeit von Ergebnissen. Anhand der beobachteten Unbeständigkeit könne man sich fragen, welches forschende Subjekt hier eigentlich am Werke sei.

Das Fazit des ersten Gesprächskreises blieb deskriptiv und bestand in der Feststellung eines Kontinuums der Akzeptanz von KI zwischen den Polen „Willkommenes Helferlein für lästige Arbeiten“ und der konsequenten Ablehnung für diejenigen Arbeitsbereiche, die besonders Spaß machen oder dezidierte Kompetenzbereiche von Forschenden betreffen. Aus Zeitgründen konnte der eingebrachte Diskussionspunkt über die begriffliche Unterscheidung von Autonomie und Souveränität nicht weitergeführt werden.

Zu Beginn der zweiten Runde wurde ganz offen die Sorge formuliert: Was ist, wenn die KI jetzt oder in Zukunft tatsächlich bessere Texte produziert als ich? Die Möglichkeit der KI als konkurrierende Rivalin im Wissenschaftsbetrieb wurde aber auch grundsätzlich bestritten. So beeindruckend die aktuellen Modelle sind, z.B. in einem Text stilistisch den Duktus Heideggers nachahmen zu können, so wenig überzeugt waren einige der Teilnehmer*innen von der erwartbaren Originalität der Inhalte.

Dennoch blieb ein Rest Unsicherheit, der Fragen nach dem wissenschaftlichen Subjekt und seiner Bedeutung befeuerte: Geht es letztlich um das „beste“ Ergebnis oder um die „Selbstvervollkommnung“ der Wissenschaftler*innen? Ein Teilnehmer formulierte dazu zuspitzend: „Das selbstbestimmte Verfassen von Texten ist eine Grundkompetenz wissenschaftlichen Arbeitens“. Noch vor ein paar Jahren hätten wir eine solche Regel wohl für selbstverständlich und kaum der Erwähnung wert gehalten. Heute zwingt uns die tatsächliche wissenschaftliche Praxis zu einer kritischen Revision dieser Norm. Agentensysteme konfrontieren uns mit der Gefahr opaker Entscheidungen im Forschungsprozess, die wir nicht ohne Weiteres als selbstbestimmt gelten lassen können. Gleichwohl eröffnet uns die KI gerade dadurch auch neue Horizonte in der Forschung. Daher benötigen wir geeignete Maßnahmen zur Sicherung von Nachvollziehbarkeit und Transparenz im Sinne guter wissenschaftlicher Praxis. So könnten z.B. der Entscheidungsraum von KI-Agenten klar und eindeutig definiert und begrenzt sowie Forschungsprozesse kleinschrittig dokumentiert und ediert werden. Aber auch für einen radikalen Schritt war Platz im Gespräch: Forschungsergebnisse könnten statt als harte wissenschaftliche Fakten eher als methodisch abgesicherte Erzählungen verstanden werden.

Erwartungsgemäß erreichte die Tischrunde kein abschließendes Ergebnis und konnte auch keine Liste praktischer Lösungen präsentieren. Das Gespräch endete aber mit einer interessanten Analogie zum Sport. Was wäre, wenn wir die Integration von KI in den Forschungsprozess so verstehen würden wie die Enhanced Games? Damit wäre eine Art „KI-Doping“ in noch zu bestimmenden Grenzen möglich und erlaubt. Dazu gäbe es ganz sicher noch viel zu diskutieren. Es ist aber auch festzuhalten: Die Ergebnisse des ersten sportlichen Wettbewerbs dieser Art im Mai 2026 blieben weit hinter den Erwartungen zurück. 

Tisch „Erwartungen an die Wissenschaft im Lichte der Anwendung von KI“

In beiden Gesprächsrunden stand die Frage im Mittelpunkt, welche Folgen der rasante Fortschritt generativer KI für wissenschaftliches Arbeiten und die Rolle von Wissenschaftler*innen haben könnte. Dabei zeigte sich schnell, dass die Diskussion weit über praktische Fragen des KI-Einsatzes hinausging und grundlegende Überlegungen zum Selbstverständnis von Wissenschaft berührte: Mehrfach wurde vermutet, dass klassische wissenschaftliche Kernkompetenzen – etwa das Schreiben oder das Anhäufen und Abrufen von Wissen – künftig an Bedeutung verlieren könnten. Stattdessen rückten Fähigkeiten in den Fokus, die als genuin menschlich wahrgenommen werden: Humor, Kreativität, Streitkultur und die Fähigkeit zu urteilen. Zugleich wurde allerdings hinterfragt, ob diese Abgrenzung dauerhaft Bestand haben wird, da KI-Systemen inzwischen auch kreative Leistungen zugetraut werden. Wiederholt fiel auf, dass aktuelle Sprachmodelle als auffallend höflich, ausgleichend und unterwürfig wahrgenommen werden. Gerade diese scheinbare Neutralität wurde kritisch diskutiert, da sie Erwartungen erzeugen könne, die mit den tatsächlichen Eigenschaften der Systeme wenig zu tun haben.

Ein weiterer Schwerpunkt war die wissenschaftliche Verlässlichkeit von KI. Mehrere Teilnehmende äußerten Bedenken gegenüber der fehlenden Nachvollziehbarkeit von Ergebnissen und dem Black-Box-Charakter großer Sprachmodelle. Wissenschaftliche Erkenntnisse müssten überprüfbar bleiben; die Gefahr, Ergebnisse zu übernehmen, deren Entstehung sich nicht mehr rekonstruieren lässt, wurde als erhebliches Problem gesehen. Daran schloss sich die grundsätzliche Frage an, wer letztlich wissenschaftliche Entscheidungen trifft: Bleibt der Mensch dauerhaft unverzichtbar oder könnte der „Human in the Loop“ perspektivisch entfallen? Diskutiert wurde sogar, ob künftig mehrere KI-Systeme eigenständig Hypothesen entwickeln und wissenschaftliche Diskurse führen könnten.

Immer wieder wurde deutlich, dass der Umgang mit KI auch eine Auseinandersetzung mit bestehenden wissenschaftlichen Praktiken verlangt. Daten seien nie frei von Verzerrungen, und Probleme wie der Survivorship Bias historischer Überlieferung existierten bereits lange vor dem Einsatz von KI. Vor diesem Hintergrund wurden unterschiedliche Strategien für die Geisteswissenschaften skizziert – vom Rückzug auf traditionelle Methoden über eine stärkere Betonung wissenschaftlicher Streitkultur bis hin zur bewussten Hervorhebung menschlicher Urteilskraft. Einigkeit bestand jedoch darin, dass Fachkompetenz nicht durch KI ersetzt werden könne, sondern vielmehr Voraussetzung bleibe, um KI-generierte Ergebnisse überhaupt kritisch bewerten zu können.

Die Gespräche entwickelten sich schließlich zu einer breiteren Reflexion über die Zukunft von Wissenschaft und akademischer Bildung. Welche Bedeutung hat eine wissenschaftliche Ausbildung noch, wenn KI-Systeme immer leistungsfähiger werden? Werden sich wissenschaftliche Disziplinen unterschiedlich entwickeln, und welche Rolle spielen gesellschaftliche, wirtschaftliche oder ökologische Rahmenbedingungen dabei? Auch kulturpolitische Aspekte fanden Eingang in die Diskussion, etwa die Sorge um den langfristigen Erhalt analoger Bücher als besonders persistente Wissensspeicher oder grundsätzliche Kritik an den ökonomischen Bedingungen, unter denen KI entwickelt und eingesetzt wird.

Ein abschließender Konsens wurde bewusst nicht gesucht. Stattdessen blieb der Eindruck einer lebhaften und engagierten Diskussion, in der sich Hoffnungen, Skepsis und grundlegende Fragen nach der Zukunft wissenschaftlicher Praxis auf produktive Weise begegneten.

Tisch „Workflows“

An diesem Tisch kreiste die Diskussion um die strukturierte Abfolge von Arbeitsschritten in den Digital Humanities. „Workflow“ erwies sich dafür als der passende Begriff, der in den Augen beider Diskussionsgruppen allerdings unterschiedlich ausgedeutet werden kann:

Formt nicht bereits die Zusammenarbeit mehrerer Personen ein Zusammenspiel in Workflows? Ist der Begriff also nicht per se unabhängig vom Einsatz digitaler Werkzeuge? Hieran schloss sich eine weitere Lesart an, die das Konzept von Pipelines in den Mittelpunkt rückte. Damit ist zunächst die Abfolge automatisierter, aufeinander aufbauender Datenverarbeitungsschritte gemeint, womit wir es mit einem eher mechanistischen Vorgang zu tun haben, welche die Strukturierung von Arbeitsschritten betont. Diese Strukturierung kann zunächst als ergebnisoffen verstanden werden, was zum Experimentieren und Anpassen einlädt.

Demgegenüber wurde in der weiteren Diskussion die Einbeziehung digitalmethodischer Komponenten (nicht nur KI) und die Interaktionen, die dabei zwischen Mensch und Maschine stattfinden, als konstitutiv für Workflows in den DH gewertet. In diesem Sinne kam die Rolle von Forschenden als Expert*innen zur Sprache, die im Sinne des viel zitieren Human in the Loop LLMs anweisen und trainieren – aber selbst ebenso „trainiert“ werden, indem die KI-generierten Teilschritte und Endergebnisse Feedback produzieren, durch die der Mensch sein Handeln anpasst. Vor diesem Hintergrund kam es zu einer lebhaften Debatte darüber, ob derlei Workflows als strukturierte Fließbandarbeit verstanden werden müssen, oder ob es sich doch im einen Prozess handelt, in dem Kreativität und neue Ideen als Elemente des iterativen Arbeitens mit LLMs aufzufassen sind. Dies betrifft nicht nur die Zurkenntnisnahme von KI-Resultaten und das anschließende Verfassen neuer Prompts, sondern auch den regelmäßigen Austausch von LLMs durch neue Sprachmodelle im Workflow; deren Entwicklung schreitet immerhin rasant voran, wodurch immer leistungsfähigere Modelle verfügbar werden. In solche Interaktions- und Iterationsschleifen müssen auch Beobachtungen darüber eingehen, welche Biases in LLMs enthalten sind. Aber auch Menschen bringen ihre Privilegien, Sozialisationen und Verzerrungen in Interaktionen mit der KI hinein. All diese Faktoren haben letztlich großen Einfluss auf die Ergebnisse, die am Ende eines Workflows stehen, und sollten daher feste Bestandteile einer Überprüfung der Funktionsfähigkeit des Workflows sein. An diese Beobachtung schloss sich sodann ein weiterer Aspekt der Gruppenreflexionen an: Führt der KI-Einsatz zu einer Automatisierung von Aufgaben in Workflows, oder erweitern die Forschenden ihre Fähigkeiten durch ein leistungsfähiges Instrument? Hier dominierte der Eindruck, dass dies nur je nach Kontext und konkreter Fragestellung zu beantworten ist, weswegen ein „geeigneter“ Einsatz von LLMs stets an dem behandelten Problem auszurichten ist. Damit war ein eindeutiger Bogen zu Tobias Hodel gespannt, der in seiner Keynote schließlich betonte, die Methode müsse stets dem Erkenntnisinteresse und den vorliegenden Forschungsdaten gerecht werden.

Zuletzt wurden Workflows ebenfalls mit der Automatisierung von Geschäftsprozessen, wie sie die Forschungsinfrastruktureinrichtungen prägen, ins Spiel gebracht. Um KI-Tools und andere digitale Anwendungen konstruktiv zu nutzen, müsse es eine Registry oder eine Art App-Shop geben. Und dafür sind Standardisierungen in einem Ordnungsrahmen vonnöten. Dieser Diskussionsstrang schloss an das am Vormittag gehaltene Grußwort von Jörg Lorenz an.

Auch die Überlegungen dieses Thementisches führten zu keinen ganz eindeutigen Ergebnissen, sondern sollten neuralgische Punkte und dringliche Fragen adressieren, für die es konstruktive Ansätze zu finden gilt. Die Debatte zu Workflows wollte dazu anregen, sowohl Forschungen mit KI in den DH zu beschreiben als auch Forschungen über KI-gestützte DH zu greifen. Letztere Perspektive lässt erkennen, dass die digitalen Geisteswissenschaften lebhaft über den tatsächlichen und den wünschenswerten LLM-Einsatz diskutieren. Für beide Perspektiven hielten die Teilnehmenden am Tisch fest, dass agile und Output-orientierte Ansätze für die Gestaltung von Workflows fruchtbar sein können.

Nach den beiden 20-Minuten-Runden wurden die Flipcharts und damit die Gesprächsergebnisse aller Thementische abschließend allen Teilnehmenden vorgestellt.

Fazit zum DH-Tag 2026

Der 8. DH-Tag der Universität Münster zeichnete sich durch ausgesprochen angeregte und interaktive Diskussionen aus. Dies lag jedoch nicht allein an dem (nicht nur) in den Digital Humanities virulenten Bezug zu KI als disruptiver Technologie, sondern ebenso an den anregenden Impulsen des Tages selbst. Erwartungsgemäß wurden dabei keine fertigen Musterlösungen geliefert – vielmehr inspirierten Einblicke in konkrete KI-gestützte Arbeitsabläufe, deren Reflexion, weitere vortastende Ansätze und das Stellen relevanter Fragen. Besonders Tobias Hodels Keynote lieferte in diesem Sinne faszinierende Impressionen für einen konstruktiven Umgang mit Chancen und Herausforderungen von LLMs. Deutlich wurde: Im Zentrum sollte nicht allein die Technologie „per se“ stehen, sondern vor allem das planvolle Zusammenspiel zwischen Mensch und Maschine. Hodels Ausführungen zu iterativen Arbeitsabläufen in Projekten an der Universität Bern und etwa zur Frage, welchen Qualitätsstandards KI-generierte Ergebnisse genügen sollten, regten das Publikum zu weiterführenden Überlegungen an. Dabei ging es insbesondere um selbstauferlegte Regeln für den KI-Einsatz, um das Selbstverständnis wissenschaftlichen Arbeitens und um die Ausgestaltung von Workflows. Auch die infrastrukturellen Rahmenbedingungen sowie Unabhängigkeit von kommerziellen KI-Anbietern wurden als tragende Gelingensbedingungen verhandelt.

In all diesen Themenfeldern zeigte sich unter den Teilnehmenden eine Mischung aus Skepsis, Faszination und dem Ringen um angemessene Maßstäbe – eine Gemengelage, die stets zum Weiterdenken über konkrete Umsetzungsformen einlud. Als Konsens ließ sich festhalten: Der Mensch bleibt als kreative, urteilende, fachlich versierte und verantwortliche Instanz unverzichtbar. Fachkompetenz und epistemische Souveränität lassen sich nicht outsourcen. Und wie Tobias Hodel einleuchtend betonte: Auch KI-gestützte Methoden müssen stets am Erkenntnisinteresse ausgerichtet bleiben. Die Diskussion hierüber wird innerhalb der DH-Community in Münster und darüber hinaus mit Sicherheit weitergehen. Der DH-Tag 2026 als Forum hat dafür einen Raum geöffnet.

Der DH-Tag 2026 ist dokumentiert auf zenodo.org. Einblicke in den Programmablauf finden Sie ebenfalls auf Mastodon.