Autor: Klaus Graf

Von Jannik Müller

Wenn wir uns mit der Geschichte als solche befassen, versuchen wir uns i.d.R. an einer Sinnbildung über Zeiterfahrung. Unser historisches Denken ist dabei strukturell stets perspektivisch-selektiv, interessengeleitet und identitätsgebunden.

Bei der Bildung historischer Narrative ergeben sich daher an verschiedensten Stellen unseres Arbeitens Probleme: In der Quellen- und Literaturrecherche befinden wir uns zwangsweise in einem Auswahlprozess, in welchem wir, gleichermaßen unterstützt durch fachliche Kompetenz wie auch durch persönlichen Befund, Entscheidungen zur Wichtigkeit einzelner Werke entrichten. Ist dann der
Forschungsstand ermittelt und das passende Quellenmaterial gesichtet, ergibt sich im weiteren Schritt das Problem der (Re-)Konstruktion: Um die behandelte Vergangenheit darzustellen, müssen wir konkret selektieren, herausheben, Zusammenhänge herstellen und Sachverhalte voneinander abtrennen.

Aufgrunddessen kommen wir zuletzt in der Sinnbildung nicht darum herum, dem Thema unseres Interesses wertend und bewertend eine Bedeutung und Wahrhaftigkeit zuzuschreiben, an welcher wir selbst als Auswählende und Konstruierende mitgewirkt haben. Diese Tatsache des geschichtlichen Denkens, die auch in der wissenschaftlichen Beschäftigung mit der Disziplin allgegenwärtig ist, hat das Potential, den Objektivitätsanspruch einer Arbeit maßgeblich zu schmälern.

Der Einzug Künstlicher Intelligenz in die geschichtswissenschaftliche Arbeitspraxis verspricht in dieser Hinsicht Abhilfe. Durch die Beanspruchung von Large Language Models ist ein schneller Einstieg ins Thema, sowie ein weitläufiger Überblick bezüglich Fachliteratur und Quellen im Handumdrehen möglich. Mit wenig Eigenleistung gelingt die Ermittlung eines Forschungsstands, der womöglich sogar den Tücken einer manuellen Selektion durch den Historiker/die Historikerin entgeht. Bei der Konstruktion von Vergangenheit und der dafür erforderlichen Quellen- und Literaturarbeit helfen Dienste wie NotebookLM, die dank Retrieval-Augmented Generation (RAG), im Gegensatz herkömmlichen Künstlichen Intelligenzen wie ChatGPT, systemintern mit vom Nutzer hochgeladenen Material oder anderen verifizierten Quellen arbeiten, und somit sogar der Problematik der viel beklagten Halluzinationen und der damit verbundenen Ungenauigkeit erfolgreich begegnen. Die KI-Plattform Transkribus verwandelt Handschriften durch Texterkennung in bearbeitbare Dokumente und sorgt für eine schnellere Aufarbeitung.

Insgesamt ist durch diese Hilfsmittel also eine sinnvolle Erschließung von Quellen und Literatur möglich. Über den Aspekt der Erleichterung der Workload hinaus hat der Einsatz von Künstlicher Intelligenz weiterführend auch das Potenzial, geschichtswissenschaftliche Praxis von genau den unerwünschten Strukturmerkmalen historischen Denkens zu befreien, die einer möglichst objektiven und wissenschaftlichen Betrachtung vordergründig im Wege stehen: Sie eliminiert den Faktor Mensch, der ja nunmal aufgrund seiner Position im Hier und Jetzt stets rückblickend, hypothetisch und identitätsgebunden denken muss.

Wir können diesen Prozess der Aneignung geschichtlichen Wissens so also effizienter und produktiver gestalten. An der Schwelle von der Einordnung zur Deutung müssen wir jedoch aufpassen, dass uns diese bis jetzt so stromlinienförmige Arbeitsweise nicht in den Rücken fällt: Wir sind nun mit dem Problem der Sinnbildung konfrontiert. Dieser Schritt erfordert uns einiges ab: Er verlangt, dass wir problematisieren, einordnen und mitunter auch vorangegangene Wissenskonstruktionen kritisch begegnen. Um dazu in der Lage zu sein, benötigen wir alles andere als Objektivität: Wir müssen uns, ganz im Gegenteil, unserer eigenen Identitätsgebundenheit und Perspektivität bewusst sein und aus ihr heraus handeln, um neue Erkenntnisse zu erlangen. Wenn wir also die Strukturmerkmale unseres historischen Denkens, die wir vor unserem Gespräch mit der KI an der Tür abgegeben haben, beim Gehen an der Garderobe vergessen, dann führt das dazu, dass unser Endergebnis trotz aller gewonnenen Gründlichkeit leidet. Denn all die Aspekte des historischen Denkens, die das geschichtswissenschaftliche Arbeiten in den ersten Schritten ungenau und in gewisser Weise angreifbar machen, sind zwingend notwendig, um letzten Endes aus der Überfülle des verfügbaren historischen Materials sinnvolle Deutungen und Kontextualisierungen zu produzieren.

Die Teilnehmer meiner Freiburger Übung „Künstliche Intelligenz, Google Books und die Wunderwelt digitaler Bibliotheken“ (Sommersemester 2026) haben über KI gebloggt.

Jannik Müller
KI und Geschichtsbewusstsein in der Arbeitspraxis

lhofmann
Test der Nutzungsmöglichkeiten von ChatGPT für das (Geschichts-)Studium

epollakowski
user: ich | system: KI

alwilh
Das Projekt @ichbinsophiescholl als Ausblick für die Wissensvermittlung im Zeitalter von KI?

lwoerz
Handschriftenerkennung mit KI? Ein erster Selbstversuch mit Transkribus

aibach
Möglichkeit und Grenzen des agentischen Arbeitens in den Geisteswissenschaften

lschurig
Androzentrische Algorithmen? Über LLMs, Digitalisierung, Gender Data Gaps und Frauengeschichte

rbackendorf
Kann ChatGPT historische Literatur recherchieren? Ein Selbstversuch am Beispiel der Revolution von 1848

gted
Warum glauben Menschen der KI so ziemlich alles, obwohl die Antworten nachweislich falsch sein können?

Adriano Abbondandolo
Die Lüge im Antwortfenster: Wie Künstliche Intelligenz zur neuen Quelle von Fake News wird

cbartmann
Historische Literatur digital erschließen – Wie Künstliche Intelligenz Bibliotheken verändert

seisele
Generative KI in der Quellenkritik