Agenten haben keine Duschen

Im ersten Teil habe ich die heilige Kuh zum Nutztier erklärt: Kreativität ist in Marketing und Design kein Mysterium, keine Sache der Auserwählten, sondern eine Dienstleistung – messbar, beschreibbar, delegierbar. Eine nette Provokation. Sie bleibt eine Behauptung, solange wir nicht genauer hinsehen. Also: Was heißt eigentlich kreativ sein/arbeiten? Was genau passiert, wenn ein Mensch kreativ ist? Und wenn wir das wüssten – ließe es sich einer Maschine beibringen?

Genie = schlecht dokumentierter Workflow

Die unbequeme Antwort zuerst. Das meiste, was wir „Genie“ nennen, ist einfach schlecht dokumentierter Workflow und mangelhafte Kommunikationsfähigkeit bzw. -bereitschaft. Die Aura des Genialen, des Mysteriösen, des Musenkusses will ja gewahrt bleiben. Die Kreativitätsforschung hat den Prozess dagegen schon lange zerlegt, und zwar erstaunlich nüchtern.

Der Klassiker stammt von Graham Wallas, von 1926. Er beschreibt kreatives Denken in vier Phasen: Preparation (man „sättigt“ sich mit dem Problem), Incubation (man lässt es liegen), Illumination (der berühmte „Aha“-Moment) und Verification (man prüft, ob die Idee trägt) (Wallas, 1926). Drei dieser vier Phasen sind im Grunde ein Ablaufplan – recherchieren & Immersion, (Lösungs-)Optionen erzeugen, (Lösungs-)Optionen bewerten. Wer schon mal ein wenig tiefer mit einem KI-Agenten zusammengearbeitet hat, dürfte jetzt ein wenig zusammengezuckt sein...

Wallas ist vielleicht der erste, der kreatives Denken in ein Phasenmodell übersetzt hat, aber nicht der/die Einzige. Die Kreativitätsforschung hält einen ganzen Ordner an Modellen bereit. Klar, kleine Unterschiede hier und da, im Kern aber geprägt von deutlichen Überschneidungen.

Folgend eine kleine Übersicht ausgewählter Modelle, mit dem Versuch, die Substituierbarkeit von Aufgaben/Tätigkeiten durch KI zu bewerten:

Modell (Quelle)	Kernidee / Dimensionen	Kann KI das?
Wallas (1926)	4 Phasen: Vorbereitung (Problem durchdringen) → Inkubation (unbewusstes Reifen) → Illumination (der Einfall) → Verifikation (prüfen, ausarbeiten)	drei Phasen ja, die Inkubation nicht
Sternberg & Lubart (1991)	„Investment“-Theorie: Zusammenspiel von sechs Ressourcen – intellektuelle Fähigkeiten, Wissen, Denkstil, Persönlichkeit, Motivation, Umfeld/Kontext	das meiste „zu beschaffen“, Motiv und Verantwortung nicht
Boden (2004)	3 Wege zum Neuen: 1. kombinatorisch, 2. explorativ, 3. transformational	1. + 2. ja, 3. kaum
Dietrich (2004)	Neuro-Matrix 2×2: Einfälle entstehen bewusst oder spontan, kognitiv oder emotional	das Bewusst-Kognitive ja, das Spontane/Emotionale nicht
Amabile (2012)	3 Komponenten: Fachkompetenz, Kreativitätstechniken, intrinsische Motivation (+ förderndes Umfeld)	Kompetenz + Techniken ja, Motivation nein
Jordanous (2012)	14 empirisch abgeleitete Bausteine (u. a. Originalität, Wert, Domänenkompetenz, Umgang mit Unsicherheit, Intention/Emotion)	viele ja, Intention + Emotion nein

Kombinieren + explorieren = Heimspiel der KI

Schaut man genauer in die einzelnen Dimensionen, Tätigkeiten oder Faktoren dieser Modelle, wird deutlich: Vieles lässt sich als „Playbook“ beschreiben, als Handlungsanweisung, als Ablauf – und ist damit grundsätzlich für eine Automatisierung und Ausführung durch KI geeignet. Boden (2004) etwa unterscheidet drei Wege, etwas Neues zu erschaffen: kombinatorisch (Bekanntes neu verknüpfen – die Analogie, das Mash-up, „X trifft Y“), explorativ (einen vorhandenen Stil oder Regelraum systematisch ausreizen – alle Varianten innerhalb eines Genres) und transformational (die Regeln dieses Raums selbst aufbrechen – einen Stil überhaupt erst erfinden, statt ihn nur zu bespielen). In den ersten beiden ist generative KI mehr oder minder unschlagbar. Sie kombiniert und exploriert in einer Vielfalt und Geschwindigkeit, die wir Menschen nicht erreichen.

Nehmen wir ein zweites Modell, das die Dusche schon vorwegnimmt: Dietrich (2004) sortiert Einfälle in einer Vierfelder-Matrix – sie entstehen bewusst oder spontan, im kognitiven oder im emotionalen Modus. Das Bewusst-Kognitive (systematisch, wissensbasiert, „ich arbeite das Problem durch“) ist das Heimspiel der KI. Das Bewusst-Emotionale (aus eigenem Erleben schöpfen – der Song über die eigene Trennung) kann sie bestenfalls imitieren. Und die beiden spontanen Felder – der Geistesblitz unter der Dusche und die Eingebung, die einen emotional trifft – sind ihr schlicht verschlossen. Schon hier zeichnet sich ab, wo die Grenze verläuft.

Agentic AI: Vom passiven Werkzeug zum selbständigen Akteur

Bisher ging es um den Menschen. Jetzt kommt die Maschine ins Spiel – und zwar in einer Form, die es vor zwei, drei Jahren noch gar nicht gab. Lange war KI ein braves Werkzeug: Mensch fragt, Maschine antwortet, Mensch entscheidet. Mit den agentischen Systemen der letzten Zeit kippt das: Der Mensch gibt das Ziel vor, ein Agent plant, rekrutiert andere Agenten, ruft Werkzeuge auf, lädt für Teilaufgaben spezialisierte „Skills“ nach, iteriert, lässt Ergebnisse und sich selbst bewerten, kritisiert sich selbst... (Anthropic, 2025). Das ist nicht einfach ein schnelleres Werkzeug. Das ist eine andere Art zu arbeiten. Simon Colton und Geraint Wiggins (2012) haben das schon vor über einem Jahrzehnt definiert: Von „computational creativity“ spreche man erst, wenn ein System Verantwortung übernimmt – wenn es den Wert seiner eigenen Ergebnisse beurteilt, Neues erzeugt und die Motive dahinter erklären kann. Genau das trennt einen „kreativen Agenten“ von einem bloßen Hilfswerkzeug wie Photoshop. Bei Photoshop kommt die Kreativität unstrittig vom Menschen. Beim Agenten ist plötzlich nicht mehr klar, wer hier eigentlich der Kreative ist – und das ist unbequem.

AI-Legend: „Chef Watson“

Ein kurzer Blick auf eine der historischen „Legends“ der KI - IBM Watson, in seiner Rolle als kreativer Koch. Neue Rezepte zu entwickeln, werden wir mit großer Sicherheit als kreative Tätigkeit anerkennen. „Chef Watson“ konnte dies. Sie/er bestand aus drei Modulen: a) einem Rezept-Designer, der neue Rezeptideen generiert hat, b) einem Assesor, der diese beurteilt hat und c) Planer, der die Zubereitung geplant hat. Die für alle drei Module zugängliche Wissensbasis bestand aus der Kombination von drei unterschiedlichen Datenbanken: 1.) große Rezept-Datenbanken als „Inspiration“ (u. a. ca. 25.000 Rezepte aus dem Wikia-Korpus), die per Natural Language Processing (NLP) in ein strukturiertes Datenmodell überführt wurden;, 2.) Daten über die Aromastoffe (flavor compounds) von Zutaten (Volatile Compounds in Food-Datenbank, Fenaroli's Handbook) und 3.) Daten aus der Psychophysik, die das Angenehmheits-Empfinden von Menschen im Hinblick auf bestimmte Gerüche ausdrücken.

Der Designer generierte über verschiedene Verfahren Tausende bis Millionen möglicher Zutatenkombinationen. Der Assessor hat jede Idee im Hinblick auf zwei Aspekte bewertet: die Neuartigkeit des Rezeptes (über „Bayesian Surprise“) und den Wohlgeschmack des Rezeptes (u.a. geschätzt über ein Modell der olfaktorischen Angenehmheit; Idee: Geruch ist Hauptträger von Aroma; Analyse der molekularen Ebene der Zutaten im Hinblick auf Angenehmheit einzelner Duft-/Aromastoffe). Menschen wählten am Ende aus den so nach Neuheit und Wohlgeschmack gerankten Top-Ideen aus – das System arbeitete also nicht rein autonom. Schmeckte es tatsächlich? Anscheinend schon. Validiert wurde mittels Bewertung durch unbeteiligte Profi-Köche: Ein systemgeneriertes „Caymanian Plantain Dessert“ erzielte z. B. 4,33 von 5 Punkten und damit höhere Kreativitäts-/Geschmackswerte als zwei menschlich erstellte Vergleichsrezepte. Beim Food Truck auf der SXSW 2014 wurden täglich ~500 Portionen mit überwiegend positivem Feedback serviert (Varshney et al., 2019).

Gleicht man „Chef Watson“ mit Wallas' Phasen ab, passt es fast unheimlich genau: Vorbereitung, Inkubation (die molekulare Analyse), Illumination (die Rezeptliste), Verifikation (das Ranking). Der Mensch griff nur noch an drei Stellen ein – beim Briefing, bei der Auswahl und bei der Bewertung. Den schöpferischen Akt erledigte die Maschine. War’s das mit mit der menschlichen Kreativität, hat „Chef Watson“ schon die Übernahme durch Maschinen angekündigt? Nicht zwingend, oder besser: nicht vollumfänglich. Macht man sich die Mühe kreatives Arbeiten in seine einzelnen Tätigkeiten zu zerlegen und den Kern dieser zu betrachten, lässt sich das Delegierbare genauer vom unverzichtbar Menschlichen trennen.

Tätigkeit / Fähigkeit	KI?
Recherche, Wissen sammeln	✓
Immersion (Eintauchen, Einfühlen, emotionales Eindenken)	~ (umstritten)
Kombinieren (Bekanntes neu verknüpfen)	✓
Explorieren (einen Regelraum absuchen)	✓
Optionen bewerten / verifizieren	✓ (mit Maß)
Transformieren (die Regeln selbst verändern)	~ / ✗
Inkubation (Stehenlassen, Serendipität)	✗
„Echtes“ Wollen (intrinsische Motivation)	✗
Verantwortung übernehmen	✗

Eintauchen und Einfühlen als Sonderfall

Zwischenfazit: Die rein recherchierenden, kombinierenden, explorierenden und prüfenden Aufgaben wandern mit ziemlicher Sicherheit zu den KI-Agenten. Aber was ist mit der Immersion – dem Eintauchen, dem Einfühlen, dem emotionale Eindenken in ein Produkt, eine Situation, eine Zielgruppe? Auf den ersten Blick ist sie die am schwersten beschreibbare und damit am wenigsten automatisierbare Tätigkeit: Wer nie selbst verliebt, nie krank, nie verschuldet, nie ratlos war – wie soll der sich einfühlen? Zwei Gedanken dazu:

1.) Wir sollten ehrlich sein... auch unter Kreativen wird einer Immersion nicht immer das Gewicht beigemessen, das sie gemäß der Theorie benötigen würde. Enge Deadlines, enge Budgets, mehrere Projekte gleichzeitig... da will in der Praxis schnell etwas produziert, nicht nur „eingefühlt“ sein. Und eine Immersion ist zudem nur so gut, wie der Mensch es versteht sich einzufühlen, Daten zu interpretieren, empathisch zu sein, andere Rollen einzunehmen. 2.) Sprachmodelle „fühlen“ vielleicht nicht im menschlichen Sinne, simulieren das Einfühlen jedoch sehr überzeugend. Sie spielen Personas, spiegeln Tonlagen, antizipieren Reaktionen – statistisch, nicht erlebt, aber im Ergebnis oft überraschend treffsicher.

Und damit kehrt die unbequeme Frage aus Teil 1 zurück: Wenn der Köder dem Fisch schmecken muss und nicht dem Angler – reicht dann vielleicht ein simuliertes Einfühlen? Don’t know... Deshalb steht die Immersion in der Tabelle auch nicht als klares Nein, sondern (noch) als Fragezeichen. Es ist aber sicher sinnvoll ist, bei der Bewertung der KI-Fähigkeiten nicht nur die theoretischen Aspekte zu diskutieren, sondern sich auch ehrlich zu machen und die gelebte Praxis in der Marketing- und Designszene zu reflektieren. Unmotivierte, wenig ambitionierte, oberflächliche, „schlampige“ Arbeit lässt die Substituierbarkeit kreativer Dienstleistungen durch KI in der Praxis sicher wahrscheinlicher werden als eine saubere kreativitätstheoretische Diskussion.

Was hartnäckig menschlich bleibt

Zurück zur Tabelle: Was darunter bleibt, sind drei Dinge, die sich hartnäckig menschlich zeigen.

Das erste ist die Inkubation – Wallas’ zweite Phase. Sie ist kein Rechenschritt, kein x-facher Loop im Algorithmus, sondern das Gegenteil davon: das Liegenlassen, das Abschweifen, der Einfall beim Spaziergang, im Halbschlaf, eben unter der Dusche. Mason Currey hat in „Musenküsse“ (2014; im Original „Daily Rituals“, 2013) ausführlich dokumentiert, wie Kreative nicht arbeiten, um arbeiten zu können – Spaziergänge (u.a. Dickens), literweise billigen Rotwein (Proust), Tablettenmissbrauch (Sartre), mit Freunden Fußball spielen (Schostakowitsch), Bäder/Dusche (Woody Allen), „5-Minuten-Nickerchen“ („mediterranes Yoga“ nach Miró; Lloyd Wright), stures Nichtstun oder Schlafen (Goethe, Liszt), Briefe beantworten (Hemmingway). Und da liegt der Witz, der keiner ist: Ein Agent kann nicht „nicht arbeiten“. Er geht nicht Spazieren, macht kein Yoga, berauscht sich nicht, hat keine Dusche, kein Unterbewusstsein, das im Hintergrund weiterarbeitet. Was Boden „transformational“ nennt – das Verschieben des Möglichkeitsraums selbst –, hängt genau von der Fähigkeit des Subjektes, auch mal abschalten zu können. Warum? Nach Dietrich (2004) kommt es gerade in diesen Momenten des Abschaltens dazu, dass der Verstand „mal locker lässt“ und die starren Vorgaben nicht mehr so ernst nimmt, dadurch ganz neue Optionen entstehen.

Das zweite ist die intrinsische Motivation. Amabile (2012) setzt sie mit Leidenschaft („passion“) gleich, macht sie zur Bedingung hochwertiger Kreativität: Wer aus eigenem Antrieb an einer Sache brennt, kommt weiter als der, den nur die Belohnung treibt („the motivation to undertake a task or solve a problem because it is interesting, involving, personally challenging, or satisfying – rather than undertaking it out of the extrinsic motivation arising from contracted-for rewards, surveillance, competition, evaluation, or requirements to do something in a certain way.“). Ein Agent hat keine Antriebe, nur Zielvorgaben. Er „will“ nichts. Klingt nach einem soliden menschlichen Vorteil? Ich möchte ehrlich sein – und gegen meine eigene These argumentieren. Denn ausgerechnet im Marketing ist die Motivation selten intrinsisch. Sie heißt Briefing, Budget, Deadline – und natürlich Honorar. Die/der Kreative, die/der „aus purer Leidenschaft“ das Bremsbelag-Datenblatt oder die Fußpilzsalben-Landingpage textet, ist die Ausnahme - nach Amabile sogar quasi ausgeschlossen. Der menschliche Vorteil schrumpft also genau dort, wo wir ihn gerade noch verortet hatten. Unangenehm, aber wahr – wenn auch ein wenig theoretisch und „kleinkariert“ anmutend.

Bleibt das dritte und wichtigste: die Verantwortung. Bei Wallas endet der Prozess mit Verifikation; spätere Erweiterungen ergänzen noch Communication und Validation – die Idee muss anderen vorgelegt und von ihnen anerkannt werden. Denn kreativ wird eine Idee erst, wenn das „Feld“ – Kolleg:innen, Kund:innen, Öffentlichkeit – sie anerkennt (Csíkszentmihályi, 1999). Wer eine Idee verantwortet, entscheidet nicht nur „schön“ oder „nicht schön“, sondern steht dafür gerade – vor dem Kunden, vor der Öffentlichkeit, vor sich selbst. Und auch wenn ein KI-Agent seine Ideen oft besser und verständlicher kommuniziert, als es die Diven unter den Kreativen vermögen (oder wollen?), und seine Ergebnisse sogar bewerten kann: Dafür geradestehen kann er nicht.

Ein guter Deal? Nicht so voreilig.

Sind wir damit fast unbemerkt beim Kern angekommen? Alle als Abläufe – und damit als Algorithmen – beschreibbaren Phasen und Tätigkeiten (Daten und Stimuli recherchieren, Optionen generieren, variieren, prüfen) lassen sich auch von Agenten ausführen. Was sie (noch?) nicht können, ist das originär Menschliche: das Blockiertsein, das Liegenlassen, das Duschengehen sowie das „echte“ Wollen und das Verantworten. Das klingt nach einem fairen Deal, wenn auch ein wenig nach „Lifestyle-Teilzeit“: Die Maschine macht die Fleißarbeit, der Mensch pflegt die Muße, knackt die „dicken Nüsse“ und behält das Edle.

Aber: Kann man überhaupt „blockiert“ sein – und das dann durch Yoga oder eine Dusche lösen –, wenn man selbst nie über dem Problem, den Rahmenbedingungen und Lösungsoptionen „gehirnt“ hat? Sollten wir von „echtem“ Wollen sprechen, wenn wir unserem Agenten lediglich ein Briefing hochladen? Und sind wir wirklich bereit, die Verantwortung für ein Ergebnis zu übernehmen, dessen Genese wir nicht verantwortet, kaum verfolgt und nur bedingt verstanden haben?

Das führt unmittelbar zur nächsten Frage: Wenn es die Fleißarbeit braucht, um das Knacken der „dicken Nüsse“, das Edle, überhaupt erst zu erlernen – wen lassen wir diese Kompetenzen dann noch erwerben? Wenn die Agenten die recherchierenden, variierenden, prüfenden Schritte übernehmen, fällt genau die Stufe weg, auf der sich bisher Geschmack und Urteil ausgebildet haben. Wen trifft das? Und ist die vermeintlich sichere Senior-Etage wirklich sicher?

Das ist die Frage des dritten Teils. Er heißt: Wer wird in Zukunft Creative Director, wenn die KI das Junior-Team ersetzt?

---

Referenzen

Amabile, T. M. (2012). Componential theory of creativity (Working Paper No. 12-096). Harvard Business School. https://www.hbs.edu/ris/Publication%20Files/12-096.pdf

Anthropic. (2025). Equipping agents for the real world with Agent Skills. https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills

Boden, M. A. (2004). The creative mind: Myths and mechanisms (2nd ed.). Routledge.

Colton, S., & Wiggins, G. A. (2012). Computational creativity: The final frontier? In Proceedings of the 20th European Conference on Artificial Intelligence (ECAI 2012), 21–26. IOS Press. https://doi.org/10.3233/978-1-61499-098-7-21

Csíkszentmihályi, M. (1999). Implications of a systems perspective for the study of creativity. In R. J. Sternberg (Hrsg.), Handbook of Creativity (S. 313–335). Cambridge University Press.

Currey, M. (2013). Daily rituals: How artists work. Alfred A. Knopf.

Dietrich, A. (2004). The cognitive neuroscience of creativity. Psychonomic Bulletin & Review, 11(6), 1011–1026. https://doi.org/10.3758/BF03196731

Jordanous, A. (2012). A standardised procedure for evaluating creative systems: Computational creativity evaluation based on what it is to be creative. Cognitive Computation, 4(3), 246–279. https://doi.org/10.1007/s12559-012-9156-1

Sternberg, R. J., & Lubart, T. I. (1991). An investment theory of creativity and its development. Human Development, 34(1), 1–31. https://doi.org/10.1159/000277029

Varshney, L. R., Pinel, F., Varshney, K. R., Bhattacharjya, D., Schörgendorfer, A., & Chee, Y.-M. (2019). A big data approach to computational creativity: The curious case of Chef Watson. IBM Journal of Research and Development, 63(1), 7:1–7:18. https://doi.org/10.1147/JRD.2019.2893905

Wallas, G. (1926). The art of thought. Harcourt, Brace and Company.