Der gemeinsame Satz ist da. Das gemeinsame Gespräch fehlt. Der gemeinsame Satz ist da. Das gemeinsame Gespräch fehlt.

Der Satz sieht aus wie das Ende einer Debatte

In Protokollen steht der gemeinsame Satz meist dort, wo das Gespräch aufgehört hat. Nach Einwänden, Korrekturen und längeren Pausen hält er fest, worauf sich eine Gruppe einigen konnte. Seine Form erzählt deshalb eine Geschichte über seine Entstehung: Menschen müssen einander zugehört, Gründe geprüft und Unterschiede ausgehalten haben.

KI kann diese Reihenfolge umkehren. Der gemeinsame Satz ist dann bereits da, bevor es ein gemeinsames Gespräch gab.

Ein Sprachmodell erhält mehrere Positionen und formuliert daraus einen weiteren Text. Dieser Text nimmt Vorbehalte auf, verbindet ähnliche Anliegen und schwächt Gegensätze so weit ab, dass sich viele Beteiligte darin wiederfinden. Er kann ausgewogen, präzise und überraschend fair sein. Was wie das Ergebnis einer politischen Debatte aussieht, kann jedoch entstanden sein, ohne dass eine Person der anderen geantwortet hat.

Darin liegt der eigentliche Konflikt der KI-Moderation. Das Problem beginnt nicht erst, wenn ein System eine Minderheit unterschlägt oder eine Position bevorzugt. Es kann auch entstehen, wenn das System seine Aufgabe bemerkenswert gut erfüllt. Je überzeugender die Synthese klingt, desto leichter wird ihre sprachliche Geschlossenheit mit einer bereits vollzogenen Verständigung verwechselt.

Demokratische Deliberation verlangt allerdings mehr als kompatible Formulierungen. Sie schafft einen Raum, in dem Menschen erfahren, wer aus welchem Grund widerspricht. Eine Forderung verändert ihre Bedeutung, wenn die Person, die sie erhebt, ihre Betroffenheit erklären und auf Gegenargumente reagieren kann. Macht wird sichtbar. Schweigen wird sichtbar. Auch die eigene Gewissheit kann weniger bequem werden.

Der von KI erzeugte Satz ist deshalb nicht wertlos. Er beweist nur weniger, als seine Form vermuten lässt. Er kann eine Karte des gemeinsamen Bodens sein. Er belegt noch nicht, dass die Beteiligten diesen Boden miteinander betreten haben.

Die Habermas Machine moderiert eine Wahl zwischen Texten

Die wichtigste experimentelle Grundlage dieser Debatte ist die Habermas Machine. Die am 18. Oktober 2024 erschienene Science-Studie über KI-vermittelte Deliberation ↗ umfasst Versuche mit insgesamt 5.734 erwachsenen Teilnehmenden aus dem Vereinigten Königreich. Die meisten wurden über eine Online-Forschungsplattform gewonnen. Zusätzlich organisierten die Forschenden eine virtuelle Bürgerversammlung mit 200 Personen, die entlang mehrerer demografischer Merkmale für die britische Bevölkerung repräsentativ ausgewählt worden waren.

Der Versuchsablauf war kein offener Gruppenchat. Die Beteiligten arbeiteten meist in Gruppen von fünf Personen. Zunächst schrieb jede Person privat ihre Position zu einer politischen oder gesellschaftlichen Frage und begründete sie kurz. Auf dieser Grundlage erzeugte das System mögliche Gruppenaussagen.

Im Kern bestand die Habermas Machine aus zwei Komponenten. Ein generatives Modell schrieb Kandidatentexte. Ein personalisiertes Bewertungsmodell sagte voraus, wie die einzelnen Gruppenmitglieder diese Fassungen einordnen würden. Die vorhergesagten Rangfolgen wurden anschließend mit einem Verfahren aus der Sozialwahltheorie zusammengeführt. Das System suchte also nicht nur nach häufigen Wörtern oder einem rechnerischen Mittelwert. Es veranstaltete eine simulierte Wahl zwischen möglichen Texten.

Die Teilnehmenden bewerteten und ordneten die vorgelegten Aussagen. Danach erhielten sie die ausgewählte Fassung und konnten sie privat kritisieren. Das System erzeugte daraufhin überarbeitete Vorschläge, die erneut bewertet wurden. Eine unmittelbare Antwort von Mensch zu Mensch war für diesen Ablauf nicht erforderlich. Die Beteiligten wussten, dass die Gruppentexte algorithmisch erzeugt worden waren.

Die Ergebnisse verdienen Aufmerksamkeit. Die maschinell erstellten Aussagen wurden im Vergleich häufiger bevorzugt als die Texte der menschlichen Vermittler. Nach dem Verfahren lagen die gemessenen Gruppenpositionen zudem näher beieinander. Die Analyse ergab außerdem Hinweise darauf, dass überarbeitete Fassungen Kritik aus Minderheitenpositionen aufnahmen, ohne die Mehrheitsposition einfach aufzugeben.

Der Vergleich mit Menschen war jedoch enger, als die Formulierung „KI schlägt menschliche Moderation“ vermuten lässt. In 75 Sechsergruppen wurde jeweils eine teilnehmende Person zufällig zur Vermittlerin oder zum Vermittler bestimmt. Diese Personen erhielten eine Schulung und einen finanziellen Anreiz, einen möglichst bevorzugten Text zu verfassen. Belegt ist damit ein Vorteil gegenüber dieser Vergleichsgruppe in diesem konkreten Versuch. Ein allgemeiner Sieg über erfahrene politische Moderation folgt daraus nicht.

Auch die gemessene Annäherung hat eine zeitliche Grenze. Die Positionen wurden unmittelbar vor und nach den Versuchsrunden erhoben. Die Studie beantwortet nicht, ob veränderte Ansichten Tage oder Monate später fortbestanden, öffentlich vertreten worden wären oder eine reale Entscheidung getragen hätten.

Hinzu kommt, dass der Name heute nicht mehr nur einen einzigen technischen Aufbau bezeichnet. Das offizielle Repository zur Habermas Machine ↗ stellt neben dem Forschungsdatensatz eine promptbasierte Implementierung bereit und benennt ausdrücklich Unterschiede zum feinabgestimmten System der Studie. Spätere Demos oder Anwendungen dürfen daher nicht ohne Weiteres als identisch mit dem untersuchten Verfahren behandelt werden.

Was die Studie überzeugend zeigt, ist die Leistungsfähigkeit einer sprachlichen Aggregation: Aus privaten Positionen und Kritiken lässt sich ein Text erzeugen, den eine Gruppe breit akzeptiert. Das ist mehr als eine Zusammenfassung. Es ist zugleich weniger als ein gemeinsam geführtes politisches Gespräch.

Gründe werden verarbeitet, aber nicht gegenseitig verlangt

In einer Debatte setzt eine Person ihre Gründe den Gründen anderer aus. Dabei kann sich zeigen, dass ein vermeintlicher Sachkonflikt in Wahrheit ein Verteilungskonflikt ist. Oder dass zwei Menschen dasselbe Ziel unterstützen, aber sehr verschieden von den Folgen betroffen wären.

Gedankliches Beispiel, kein beobachteter Anwendungsfall: Eine Gruppe einigt sich auf den Satz, ein Infrastrukturprojekt solle umgesetzt werden, sofern soziale Härten vermieden würden. Die Formulierung kann Zustimmung finden, obwohl „soziale Härte“ für eine Person steigende monatliche Ausgaben und für eine andere den Verlust des Arbeitsplatzes bedeutet. Der Satz bewahrt beide Vorbehalte. Er klärt noch nicht, ob die Risiken vergleichbar sind, welche Belastung Vorrang erhält oder wer für die Entscheidung einstehen muss.

Genau hier setzt eine am 23. Dezember 2025 veröffentlichte Kritik im Journal of Deliberative Democracy ↗ an. Alvaro Oleart und Nicolás Palomo argumentieren, dass die Habermas Machine Zustimmung organisiert, ohne eine argumentative Auseinandersetzung zwischen den Beteiligten zu verlangen. Menschen reichen Positionen ein, bewerten Vorschläge und formulieren Kritik. Sie müssen einander aber nicht als antwortende politische Akteure begegnen.

Ein System kann Gründe berücksichtigen, ohne dass Menschen sich gegenseitig Rechenschaft über diese Gründe geben. Der Unterschied wirkt technisch. Demokratisch ist er erheblich. Im ersten Fall verarbeitet ein Verfahren Eingaben. Im zweiten kann sich das Verhältnis der Beteiligten zueinander verändern.

Das persönliche Gegenüber besitzt dabei keinen automatischen moralischen Vorrang. Menschen können ausweichen, dominieren, einschüchtern oder schlicht nicht zuhören. Trotzdem entsteht im sichtbaren Austausch eine Form von Verantwortung, die ein privater Eingabekanal nicht vollständig ersetzt. Wer einen Einwand hört, muss entscheiden, ob er darauf antwortet. Wer seine Position ändert, kann benennen, was ihn überzeugt hat. Wer schweigt, überlässt dieses Schweigen nicht vollständig der Interpretation eines Systems.

Auch die Frage selbst gehört zur demokratischen Auseinandersetzung. Ein Verfahren kann nur zwischen Positionen vermitteln, die innerhalb seiner Aufgabenstellung erscheinen. In der Science-Studie wurden mögliche Fragen zunächst mit einem Sprachmodell erzeugt und anschließend menschlich geprüft. Die Kritik von Oleart und Palomo richtet den Blick auf diese vorgelagerte Agenda: Wer bestimmt, welches Thema als strittig erscheint, entscheidet mit darüber, welche Konflikte sichtbar werden und welche außerhalb des Verfahrens bleiben.

Ein Gruppentext könnte daher alle erfassten Positionen fair abbilden und trotzdem die entscheidende politische Frage verfehlen. Nicht weil das Modell schlecht gearbeitet hat. Sondern weil niemand gefragt hat, ob über etwas anderes gesprochen werden müsste.

Auch der Begriff Konsens ist dafür oft zu groß. Die Habermas Machine sucht zunächst „common ground“: Aussagen, die Beteiligte für den weiteren Austausch akzeptieren können, ohne sie deshalb als vollständige persönliche Überzeugung oder als bindende Entscheidung anzunehmen. Was schnell als künstlicher Konsens bezeichnet wird, kann genauer ein gemeinsam akzeptierter Ausgangspunkt sein. Problematisch wird es, wenn eine Institution diese Vorstufe bereits als Abschluss behandelt.

Das direkte Gespräch ist kein unschuldiger Maßstab

Eine Kritik an der KI-Moderation darf das menschliche Gespräch nicht romantisieren. Auch der Sitzkreis besitzt eine Architektur. Status, Redezeit, Sprachsicherheit und soziale Zugehörigkeit beeinflussen, wessen Einwand den Verlauf prägt. Manche Positionen werden nicht widerlegt, sondern überhört. Andere werden gar nicht ausgesprochen, weil die Person ihren sozialen Preis bereits kennt.

Private Eingaben können unter solchen Bedingungen befreiend wirken. Menschen erhalten Zeit, ihre Position zu formulieren, ohne unterbrochen zu werden. Der Inhalt wird zunächst von Lautstärke, Auftreten und Hierarchie getrennt. Eine KI, die alle Beiträge nach denselben formalen Regeln verarbeitet, kann deshalb bestimmte Ungleichheiten umgehen, die ein physischer Raum fortschreibt.

Ein am 9. Januar 2026 eingereichter Preprint zu KI-Mediation und demokratischer Deliberation ↗, an dem mehrere Forschende der Habermas Machine beteiligt sind, beschreibt dieses Spannungsfeld offen. Skalierbare KI-Moderation könne breitere Beteiligung, politische Gleichheit und die strukturierte Einbindung von Informationen unterstützen. Zugleich blieben Fragen nach Fairness, Repräsentation, menschlicher Handlungsfähigkeit und der Einbettung in reale demokratische Prozesse ungelöst.

Die getrennte Kommunikation mit einem Vermittler kann den Druck sozial erwünschter Antworten reduzieren. Menschen müssen eine unpopuläre Ansicht nicht vor einer möglicherweise feindseligen Gruppe verteidigen und können sie weniger persönlich zurechenbar äußern. Dieselbe Distanz erschwert jedoch Vertrauen, Empathie und Gegenseitigkeit. Ein Vorurteil kann höflich in einen Gruppentext eingeordnet werden, ohne dass seine Trägerin oder sein Träger je der Person begegnet, die davon betroffen ist.

Das fehlende direkte Gespräch ist deshalb weder automatisch ein demokratischer Mangel noch ein technischer Fortschritt. Seine Bedeutung hängt von der Aufgabe ab. Soll ein Verfahren zunächst erfassen, welche Positionen in einer großen Gruppe vorhanden sind, kann private Eingabe sinnvoll sein. Soll ein lang andauernder Konflikt bearbeitet werden, ist die Beziehung zwischen den Beteiligten selbst ein Teil des Problems. Dann reicht ein besserer Text möglicherweise nicht.

Besonders wertvoll kann Bürgerbeteiligung mit KI dort werden, wo sonst kaum ein strukturierter Austausch zustande käme. Tausende Eingaben lassen sich nicht in einer einzigen Runde gegenseitig beantworten. Schon das Sichtbarmachen von Gemeinsamkeiten, Konfliktlinien und wiederkehrenden Minderheitenpositionen kann einen politischen Raum vergrößern.

Doch Skalierung ist nicht dasselbe wie Einbeziehung. Viele verarbeitete Texte sagen noch nichts darüber aus, wer teilnehmen konnte, wer fehlte, welche Sprache erwartet wurde oder ob das Ergebnis einen nachvollziehbaren Weg in eine verantwortete Entscheidung besitzt. Der Text kann größer werden als der Raum. Legitimität wächst nicht automatisch mit.

Aus dem Ergebnis muss wieder ein Gegenstand werden

Eine brauchbare Grenze verläuft daher nicht zwischen menschlicher und maschineller Moderation. Sie verläuft zwischen Aufgaben, die unter dem Wort Konsens leicht ineinanderfallen.

Zunächst müssen Positionen, Gründe und Erfahrungen erfasst werden. Danach kann ein System verdichten: Wo liegt gemeinsamer Boden? Welche Begriffe werden verschieden verstanden? Welcher Einwand wird nur von wenigen Personen geäußert, verändert aber die Bedeutung des gesamten Vorschlags?

Beratung beginnt an einem anderen Punkt. Nun müssen Gründe auf Widerspruch treffen. Annahmen können sich durch neue Informationen oder die Erfahrung anderer verändern. Erst anschließend stellt sich die Entscheidungsfrage: Wer darf das Ergebnis übernehmen, ablehnen oder revidieren? Wer trägt die Folgen?

KI kann beim Erfassen und Verdichten erheblich helfen. Gefährlich wird ihre Stärke, wenn ein überzeugendes Ergebnis als Beweis gilt, dass Beratung und Entscheidung ebenfalls stattgefunden hätten.

Ein demokratisch belastbarer Gruppentext wäre deshalb kein Endprodukt, sondern ein provisorischer Gesprächsgegenstand. Die Beteiligten müssten erkennen können, welche Einwände aufgenommen wurden, welche nur in einer Nebenbedingung erscheinen und welche keinen Platz fanden. Nicht jede Differenz braucht eine versöhnliche Formulierung. Manchmal beschreibt ein sichtbarer Minderheitenbericht die Lage ehrlicher als ein Absatz, den niemand entschieden ablehnt.

Ebenso wichtig ist die Herkunft des gemeinsamen Satzes. Wer bestimmte das Optimierungsziel? Breite Zustimmung, Schutz der am stärksten Betroffenen und möglichst genaue Abbildung der Mehrheit führen nicht zwangsläufig zum selben Text. Eine Modellarchitektur kann diese politische Wahl nicht auflösen. Sie kann sie lediglich in Regeln für Erzeugung, Bewertung und Auswahl übersetzen.

Das gilt auch für das Wort „wir“. Ein System kann eine Aussage in der ersten Person Plural formulieren, ohne dass geklärt ist, wen dieses „wir“ umfasst und wer für seine Folgen einsteht. Die verwandte Frage, warum eine zurechenbar klingende Instanz noch keine verantwortliche Instanz ist, vertieft der Journal-Beitrag Ein Name ist noch keine Verantwortung.

Die stärkste Rolle einer KI in der politischen Debatte wäre dann vielleicht nicht die eines neutralen Schiedsrichters. Eher wäre sie eine Kartografin. Sie zeigt Überschneidungen, verdeckte Bedeutungsunterschiede und Wege, die eine Minderheit nicht mitgehen kann. Eine solche Karte kann ein Gespräch vergrößern. Sie sollte nicht behaupten, der Weg sei bereits gegangen.

Der Widerspruch nach dem Konsens

Ist ein von KI formulierter Konsens demokratisch wertvoll, wenn die Beteiligten kaum direkt miteinander argumentieren? Er kann es sein. Aber sein Wert liegt dann nicht darin, eine bereits vollzogene Verständigung zu beglaubigen. Er liegt darin, die nächste Auseinandersetzung genauer zu machen.

Die bisherige Forschung zeigt, dass Systeme wie die Habermas Machine aus unterschiedlichen Positionen zustimmungsfähige Texte erzeugen können. Sie zeigt auch, dass private Eingaben nicht zwangsläufig Minderheitenpositionen auslöschen. Nicht belegt sind damit dauerhafter Meinungswandel, wechselseitiges Vertrauen, politische Legitimität oder die Tragfähigkeit verbindlicher Entscheidungen.

Entscheidend ist deshalb, was nach dem gemeinsamen Satz geschieht. Hilft er Menschen, die verbleibenden Differenzen präziser zu benennen? Können sie der maschinellen Darstellung widersprechen? Bleibt sichtbar, wer die Frage gestellt, das Ziel festgelegt und die Entscheidung getroffen hat?

Wird der Text zur bequemen Schlussformel, besitzt eine Institution die sprachliche Oberfläche eines Gesprächs, auf das sie verzichtet hat. Wird er dagegen zum Gegenstand weiterer Antworten, kann KI-Moderation eine Debatte nicht nur verkürzen, sondern vertiefen.

Ein gemeinsamer Satz muss nicht beweisen, dass alle dasselbe denken. Sein demokratischer Wert könnte gerade darin liegen, sichtbar zu machen, worüber sie einander noch nicht geantwortet haben.