Human–AI Fusion: Warum qualitative Forschung im KI‑Zeitalter zum neuen Handwerk wird
Von Dr. Anita Petersen und Nayeli Tusche
Von Dr. Anita Petersen und Nayeli TuscheKünstliche Intelligenz verändert qualitative Forschung weniger auf methodischer als auf rollenbezogener Ebene. Der Beitrag reflektiert die neue Rolle qualitativ Forschender im Zusammenspiel von Entscheidung, Interpretation und Gestaltung.
Viele Forschende wie auch die Empfänger von Forschungsergebnissen bewegt in diesen Tagen die Frage, in welcher Weise sich Künstliche Intelligenz auf den Forschungs- und Erkenntnisprozess auswirkt. Natürlich versuchen alle KI als Effizienzbooster zu nutzen und KI dabei aktiv im Forschungsprozess einzubeziehen. Aber was bedeutet das für die Rolle der Forschenden und welche Auswirkungen hat diese Revolution, die sich Klick für Klick vollzieht, auf die qualitative Forschung selbst?
Wie bei disruptiven Veränderungen üblich, zeigen sich im aktuellen Diskurs typische Haltungen: Auf der einen Seite rufen die Skeptiker: „Nur der Mensch versteht das Menschliche!“ und fordern, qualitative Forschung und KI strikt zu trennen. Auf der anderen Seite stehen die Substituierer, die KI als Personas für sich selbst sprechen oder KI synthetisierte Daten generieren lassen. Dazwischen agiert eine große Gruppe pragmatischer Anwender und Anwenderinnen, die KI punktuell als Effizienzwerkzeug nutzt, ohne Rollen und Verantwortlichkeiten im Erkenntnisprozess grundsätzlich neu zu verhandeln. Unser Fokus liegt jedoch auf einer vierten Haltung als Zielbild: dem eklektizistischen Potenzial von KI in der qualitativen Forschung - inspirierend, aber geführt; skalierend, aber kontrolliert; methodisch ambitioniert und verantwortlich.
Case Study: Studiendesign im Überblick
Für unsere methodische Betrachtung der veränderten Rollenbilder wählten wir eine im Methoden-Mix angelegte Case Study auf Basis (1) Netnography Augmented, (2) AIMIS (AI‑moderierte Interviews) und (3) quantitativer Validierung.
Wir nutzen diese Case Study nicht primär als Ergebnis- oder Typologiebericht, sondern als Werkbank: ein Setting, in dem sichtbar wird, wie sich qualitative Forschung verändert, wenn KI nicht nur Gegenstand, sondern Mitspieler im Forschungsprozess ist. Im Fokus steht dabei, wie sich entlang der Prozessschritte Entscheidungsmacht, Verantwortlichkeiten und Qualitätsentscheidungen der Forschenden verschieben.
In zwei Methoden der Case Study haben wir die veränderten Arbeitsweisen Schritt für Schritt analysiert. Sowohl die Netnography Augmented wie auch AIMIS sind Paradebeispiele für Qual‑at‑Scale und zeigen, wie KI darüber hinaus echten Mehrwert schafft: als Strukturierungs‑ und Verdichtungshelfer, der die analytisch‑interpretative Rolle der Forschenden stärkt.
Die Case Study beleuchtet inhaltlich die vielschichtige Rolle von konversationeller KI im privaten Kontext und nutzt dabei im ersten Schritt Netnography Augmented.
Netnography Augmented: Die Insight Bazooka
Die Netnography kann vor allem eines: den Raum erkunden, in dem Menschen ungefiltert und unverfälscht sprechen, weshalb Foren als Datenquelle besonders geeignet sind. Aus Reddit und anderen Forenbeiträgen überführten wir einen immensen Datenpool aus Textbeiträgen in eine KI-Nutzungsmotivanalyse sowie in starke, validierbare und quantifizierbare Insights. Augmented wird die Netnography erst mit der KI‑gestützten Analyse. Mit diesem Setup eröffnet die Netnography die phänomenologische Analyse in ihrer radikalen Zuspitzung. In über 4.000 Beiträgen aus Online-Foren zeigten sich zugespitzte Narrative der konversationellen KI-Nutzung: von radikaler Delegation über KI als primäre Anlaufstelle bis hin zu Identitätsarbeit, emotionaler Regulation und Beziehungs‑Debugging.
Zentral dabei: Die KI unterstützte bei Skalierung, Strukturierung und einer ersten Verdichtung des Materials, nicht jedoch bei der bedeutungsbildenden Einordnung. Die Auswahl relevanter Quellen, die Entscheidung, welche Themen vertieft werden und welche nicht, sowie die interpretative Verdichtung fragmentierter Diskurse liegen konsequent bei den Forschenden.
Abbildung: Prozessablauf Netnography Augmented
Je nach Prozessschritt verändert sich das Zusammenspiel zwischen Forschenden und KI‑Modell, und damit auch, wie viel Entscheidungsmacht das Modell in der Analyse erhält.
AIMIS – Erdung und Kalibrierung
Die AIMIS (N=40) dienen in unserem Design der Überprüfung, ob die identifizierten Muster in alltäglichen, nicht-forenbasierten Kontexten reproduzierbar sind: schnell, effizient und doch mit explorativem Touch. Eine quantitative Studie im Anschluss hat die Verbreitung dieser Muster quantifiziert und zu einer belastbaren Typologie verdichtet (hier nicht im Fokus).
Die durchgeführten AIMIS in der beschriebenen Case Study umfassten intensive Explorationsphasen, die in ähnlichen Prozessschritten KI-gestützt analysiert und mit den Erkenntnissen der Netnographie gespiegelt wurden.
Die Stärke der AIMIS liegt dabei in ihrer Tragfähigkeit: Spitze Sensation-Insights können vertieft, geerdet und an einer realistischen, weniger spitzen Stichprobe kalibriert werden. Was in Foren zugespitzt erscheint, ist in der Breite bereits normalisiert. Der eigentliche Erkenntnisgewinn lag somit nicht im Neuen, sondern in der Stabilität der Strukturen.
Wie verändert aber nun die qualitative Forschung im KI‑Zeitalter die Rolle der Forschenden? Mit KI‑Unterstützung entsteht eine neue Form des Arbeitens: situativ, vielschichtig und geprägt von unterschiedlichen Verantwortlichkeiten. KI ist somit ein Rollen‑Upgrade, nicht ein Methoden‑Upgrade. Im neuen Betriebssystem der Human–AI Fusion entscheidet sich die Qualität qualitativer Forschung deshalb weniger an der Werkzeugfrage, sondern daran, wie Forschende Entscheidungsmacht, Interpretation und Gestaltung entlang des Prozesses übernehmen. Welche Rollen daraus konkret entstehen, zeigt das folgende Rollenmodell.
Welche Rollen haben qualitativ Forschende in der Human-AI Fusion?
- Zu Beginn steht kein klassisches Analysieren, sondern ein Eintauchen. Die Taucherin hat mit KI ein U‑Boot, das sie schneller und tiefer durch den Ozean der Online‑Diskurse geführt hat.
- In der Tiefsee angekommen, hat die Archäologin digitale Sedimente freigelegt und entschieden, welche Fundstücke Bedeutung tragen und welche nicht. Hier beginnt qualitative Forschung nicht beim Fragenstellen, sondern beim Zuhören und beim Aushalten, dass sich Bedeutung nicht sofort zeigt, sondern freigelegt werden muss.
- Sobald sich erste Muster zeigen, reicht Beobachtung allein nicht mehr. Ab hier übernimmt die aktive Trainerin die Steuerung, der Moment, in dem qualitative Forschung vom Eintauchen in die Orchestrierung wechselt. Die KI kann nicht einfach genutzt, sondern muss angeleitet werden. In den AIMIS bedeutete das ganz konkret: Wie fragt sie? Wann hakt sie nach? Wo wiederholt sie sich und wo greifen Forschende ein?
- Gleichzeitig entsteht eine zweite Ebene: das Zusammenspiel der LLMs. Hier betritt die Dirigentin die Bühne, mit unterschiedlichen Instrumenten, die nur dann harmonieren, wenn jemand den Takt vorgibt.
- Bei der Integration der methodischen Bausteine (AIMIS, Netnography, etc.) muss die Architektin auf den Plan treten: Brücken bauen zwischen Methoden, zwischen unstrukturiertem Online-Diskurs, dialogischen Interviews und quantitativer Aggregation.
- Und immer wieder hilft die Rolle der Übersetzerin: zwischen Daten, KI und menschlicher Bedeutung zu vermitteln, die nicht automatisch dieselbe Sprache sprechen. Denn KI ist kein Werkzeug, das man einfach einsetzt: KI ist ein System, das geführt, kalibriert und in unsere Forschungsmethoden integriert werden muss.
Aber selbst die beste Orchestrierung bleibt leer, wenn sie nicht zu Bedeutung führt. Der Kern qualitativer Forschung beginnt dort, wo Daten enden.
- Das Rohmaterial, das durch KI sichtbar wurde, muss von der Schreinerin bearbeitet werden. Nicht übernehmen, sondern formen: Themen zusammenführen, schärfen, präzisieren.
- Und irgendwann muss man Ordnung schaffen und Daten so anordnen, dass Zusammenhänge sichtbar werden. Die Kuratorin entscheidet, welche Exponate überhaupt in die Ausstellung kommen, welche nebeneinanderstehen dürfen, welches Stück im Mittelpunkt steht und was bewusst im Depot bleibt.
- Und manchmal braucht es auch die entschiedene Haltung der Anwältin: Welche Themen lasse ich bewusst liegen, obwohl sie sichtbar sind, welche hebe ich hervor, obwohl sie unauffällig sind?
- Dazu kommt die permanente Reibung mit der KI selbst. KI liefert viel, aber nicht immer das Richtige. Oft ist es zu glatt, zu bequem, zu vorhersehbar. Hier braucht es Widerspruch, Haltung und klare Kante: Die Rolle der Kritikerin.
- Erst aus dieser Auseinandersetzung entsteht das, was am Ende zählt: eine Geschichte, die trägt. Eine Geschichte, die nicht nur erklärt, sondern spürbar macht, was passiert. Das Narrativ zu finden, ist die Rolle der Dichterin.
- Und schließlich muss die Gestalterin die Übersetzung in visuelle Formen finden. Nicht als Dekoration, sondern als Teil der Erkenntnis selbst.
KI produziert Material, aber keine Bedeutung
Bedeutung entsteht erst dort, wo menschliche Interpretation beginnt: durch Auswahl, Einordnung, bedeutungsbildende Verdichtung und Haltung. Human–AI Fusion beschreibt genau dieses Zusammenspiel, nicht als Werkzeug, sondern als neues Betriebssystem qualitativer Forschung. Es ist eine systematische Verbindung von Mensch und Maschine, von qualitativer Tiefe und quantitativer Breite, von kulturellen Spitzen und gesellschaftlicher Mitte.
Der Mehrwert neuer qualitativer Forschung in Zeiten von KI entsteht somit nicht nur durch Effizienz, Datentiefe oder -menge. Er entsteht vor allem durch die Fähigkeit, Entscheidungen zu treffen, Bedeutungen zu formen und Ambivalenzen auszuhalten. Genau in diesen Spannungsfeldern entscheidet sich die Qualität: zwischen Effizienz und Kontrollverlust, zwischen Entlastung und Abhängigkeit, zwischen technischer Möglichkeit und menschlicher Verantwortung. Zwei typische Fallstricke (um nur zwei Beispiele zu nennen): In der Netnography kann KI-Diskurse „glätten“, wenn Ironie, Gegenrede oder Thread-Kontext nicht konsequent mitgelesen werden. In AIMIS kann eine vermeintlich flüssige Gesprächsführung blinde Flecken erzeugen, wenn Nachfragen, Brüche und Irritationen zu früh wegmoderiert werden.
Genau deshalb braucht es im KI‑gestützten Arbeiten keine zusätzliche Methode, sondern eine bewusste Qualitätsführung: klare Entscheidungspunkte, Rückbindung ans Originalmaterial und transparente Verantwortlichkeiten.
Fazit
Qualitative Forschung ist und bleibt ein Handwerk. KI bringt neue Werkzeuge und neue Formate (z.B. AIMIS), aber sie ersetzen nicht die qualitative Logik dahinter. KI ist ein Rollen‑Upgrade, nicht ein Methoden‑Upgrade: Im KI‑Zeitalter entscheidet sich die Qualität qualitativer Forschung nicht daran, ob wir KI nutzen, sondern wie wir Entscheidungsmacht, Interpretation und Gestaltung im Prozess bewusst beim Menschen verankern. Wir brauchen also nicht eine Haltung für eine neue Methode, sondern die Fähigkeit, unser Handwerk bewusster in der Vielfältigkeit der Rollen auszuüben: zu wissen, wann wir Taucherin, Dirigentin, Schreinerin oder Kritikerin sind. Das Handwerk bleibt – die Werkzeuge verändern sich.
