Wer ist eigentlich kreativer? 100.000 Menschen und KI haben dieselbe Aufgabe gelöst.

Machen Sie zuerst eine kleine Aufgabe

Die Regel ist ganz einfach: Schreiben Sie 10 Substantive auf, deren Bedeutungen sich so weit wie möglich voneinander entfernen.

„Katze, Hund, Tisch“ reicht nicht aus, diese drei Wörter sind zu eng verwandt, man sieht sofort, dass sie zur selben Kategorie gehören. Es sollte so aussehen wie „Galaxie, Gabel, Freiheit, Alge, Mundharmonika“, jedes Wort stammt aus einer völlig unabhängigen Welt.

Sie können wirklich ein Blatt Papier nehmen und es ausprobieren, vier Minuten reichen völlig aus. Lesen Sie erst weiter, wenn Sie fertig sind – denn in der folgenden Studie haben 100.000 Menschen zusammen mit Modellen wie GPT-4 und Claude3 genau diese Aufgabe gelöst, die Sie gerade in der Hand haben.

Abbildung: Die Antwortseite der offiziellen Testwebsite datcreativity.com. Es gibt sechs Regeln: Nur englische Wörter, nur Substantive, keine Eigennamen, keine Fachbegriffe, selbst erdenken (nicht die Dinge im Raum abschreiben) und kreativ sein.

Diese Aufgabe hat einen offiziellen Namen, sie heißt Divergente Assoziationsaufgabe und wurde 2021 in der *Proceedings of the National Academy of Sciences* veröffentlicht. Was sie misst, ist sehr simpel: Wie weit können sich die von Ihnen gedachten Wörter voneinander entfernen. In der Psychologie gibt es eine seit langem bestehende Ansicht: Menschen, die neue Ideen entwickeln können, erkennen oft Verbindungen zwischen zwei Dingen, die überhaupt nichts miteinander zu tun haben.

Der Aufgabensteller Jay Olson begann im Alter von sieben Jahren, Zaubertricks vorzuführen, später brachte er diese Kunst in das psychologische Labor ein. Er hat ein Experiment auf der Straße durchgeführt, bei dem 118 Passanten gebeten wurden, „beliebig“ eine Karte auszuwählen. 98 % der Menschen wählten genau die Karte aus, die er sie wählen lassen wollte, und neun von zehn waren sich danach sicher, dass sie die Entscheidung selbst getroffen hatten. Zauberei funktioniert durch die Manipulation der Aufmerksamkeit, und für seine Forschung wählte er auch ähnlich schwierige Probleme – wie misst man Dinge, die im menschlichen Kopf unsichtbar und ungreifbar sind?

Kreativität ist genau eine der am schwersten zu messenden Größen. Bei herkömmlichen Messverfahren müssen Juroren die Antworten bewerten, die Juroren sind erschöpft und ihre Standards stimmen oft nicht überein. Das Kluge an dieser Aufgabe ist, dass die Bewertung an den Algorithmus übergeben wird. Die Bedeutungen der Wörter können in eine „semantische Karte“ eingeordnet werden: Wörter mit ähnlicher Bedeutung stehen nah beieinander, unbändige Wörter stehen weit auseinander. Die durchschnittliche Entfernung zwischen jeweils zwei der zehn Wörter ist Ihre Punktzahl. Sie misst nur diesen einen Aspekt der Kreativität, nämlich die „divergente Assoziation“, nicht die gesamte Kreativität – diese Rechnung wird am Ende des Artikels noch nachgeholt. Aber gerade weil die Bewertung an den Algorithmus übergeben wird, wird die Punktzahl unabhängig davon gleich berechnet, wer die Prüfung macht, und es spielt keine Rolle, ob der Prüfling ein Mensch oder eine Maschine ist.

Diesmal wurde die Aufgabe an die KI gestellt

Im Januar 2026 veröffentlichte *Scientific Reports* den bislang größten Vergleich der Kreativität zwischen Menschen und künstlicher Intelligenz, angeführt von Karim Jerbi, einem kognitiven Neurowissenschaftler an der Universität Montreal, dessen Labor normalerweise Gehirnströme und Bewusstsein erforscht.

Die Kooperationspartner stehen ebenfalls im Zusammenhang mit Kreativität. Der Erstautor Antoine Bellemare-Pépin komponiert Musik an der Musikfakultät der Concordia University; Olson ist auch dabei, der Zauberer; Kory Mathewson von Google DeepMind hat den kanadischen Comedy-Preis gewonnen und ist einer der ersten Menschen, die KI auf die Bühne für improvisierte Komödie gebracht haben; auf der Liste steht auch der Pionier des tiefen Lernens und Turing-Preisträger Yoshua Bengio. Komponisten, Zauberer, Komiker und KI-Gründer haben dieses Mal gemeinsam an derselben kleinen Aufgabe mit zehn Wörtern geforscht.

Abbildung: Einer der Autoren, der Turing-Preisträger Yoshua Bengio. Foto von Maryse Boyce, aus Wikimedia Commons, CC BY 4.0.

Für diese Aufgabe gab es zuvor bereits Antworten von 100.000 Menschen, die Hälfte Männer und die Hälfte Frauen, im Alter von 18 bis über 60 Jahren, wobei jede der fünf Altersgruppen 20 % ausmachte. Die Forscher ließen neun Modelle – GPT-3.5, GPT-4, GPT-4-turbo, Claude3, GeminiPro sowie vier kleine Open-Source-Modelle wie Vicuna – dieselbe Aufgabe lösen, und platzierten dann die Ergebnisse der Maschinen zusammen mit denen der 100.000 Menschen in einer Rangliste.

Die Durchschnittspunktzahl wurde verloren, die Höchstpunktzahl liegt noch bei den Menschen

Bei der Beantwortung nach den üblichen Einstellungen erzielte GPT-4 die höchste Punktzahl, seine Durchschnittspunktzahl übertraf deutlich den menschlichen Durchschnitt; GeminiPro unterschied sich nicht wesentlich von der menschlichen Durchschnittspunktzahl; die restlichen sieben Modelle, einschließlich Claude3, lagen unter dem menschlichen Durchschnitt. Zehn Säulen sind aufgereiht, der menschliche Durchschnitt liegt an zweiter Stelle und wird nur von GPT-4 übertroffen.

Abbildung: Die durchschnittliche Kreativitätspunktzahl von DAT, von niedrig bis hoch. Die graue Säule steht für 100.000 Menschen, die grüne Säule für GPT-4; GPT-3 in der Abbildung steht für GPT-3.5. Quelle: Bellemare-Pepin et al., *Scientific Reports*, 2026 (CC BY 4.0).

Wenn man die 100.000 Menschen nach ihren Punktzahlen sortiert und dann betrachtet: Die 50.000 Menschen in der oberen Hälfte der Rangliste, deren Durchschnittspunktzahl immer noch höher ist als alle getesteten Modelle; wenn man nur die oberen 10 % betrachtet, ist der Abstand zwischen Mensch und Maschine noch größer. Die folgende Verteilungskurve macht es noch deutlicher: Die Punktzahlen der 100.000 Menschen reichen von 30 Punkten bis über 95 Punkte, und im höchsten Bereich am rechten Ende erreicht kein einziges Modell die Punktzahl; die Punktzahlen jedes einzelnen Modells hingegen drängen sich in einem sehr engen Bereich zusammen.

Abbildung: Die Punktverteilung der verschiedenen Modelle und der 100.000 Menschen (grau). Die gestrichelte Linie ist der Mittelwert. Quelle wie oben (CC BY 4.0).

Die Forscher wählten dann drei Modelle aus – GPT-3.5, Vicuna und GPT-4 – und ließen sie drei Aufgaben lösen, die näher an der echten Kreation liegen: Haiku (dreizeilige kurze japanische Gedichte) schreiben, eine Zusammenfassung einer Filmgeschichte verfassen und eine Kurzgeschichte schreiben. Die Richtung blieb gleich: Die Maschinen schreiben ansehnliche Werke, sind aber immer noch nicht so gut wie die Gruppe der Menschen, die am besten schreiben können.

In der Rangliste gibt es noch eine Überraschung: Die Nachfolgeversion von GPT-4, GPT-4-turbo, erzielte eine deutlich niedrigere Punktzahl als ihr Vorgänger, und war sogar schlechter als viel kleinere Modelle wie Vicuna und GPT-3.5. Zumindest bei diesen getesteten Modellen lassen sich Größe und Neuheit der Version nicht in Punktzahlen umrechnen.

Sowohl die Temperatur als auch die Prompt können die Leistung der Maschine verändern

Ist diese Leistung also unveränderlich? Die Forscher haben zwei Methoden ausprobiert.

Die erste Methode ist die Anpassung der Temperatur. Die Temperatur ist ein Parameter des Modells, der bestimmt, wie „wild“ seine Antwort ist: Bei niedriger Temperatur wählt es die sichersten Wörter; bei hoher Temperatur wagt es, seltene Wörter auszuwählen. Normale Nutzer können sie normalerweise nicht ändern, Entwickler schon. Die Forscher erhöhten die Temperatur von GPT-4 von 0,5 auf 1,5, die Punktzahl stieg entsprechend an, und die höchste Durchschnittspunktzahl erreichte 85,6, was 72 % der menschlichen Antworten übertrifft.

Die zweite Methode ist die Änderung des Prompts. Wenn man die Anweisung um den Satz ergänzt: „Gehen Sie von der Herkunft der Wörter (Etymologie) aus und suchen Sie unbändige Wörter“, übertreffen sowohl GPT-3.5 als auch GPT-4 ihre eigene Leistung mit der ursprünglichen Anweisung; wenn man den Ansatz „Schlagen Sie im Synonymwörterbuch nach“ wählt, ändert sich die Punktzahl kaum.

Welche Punktzahl dasselbe Modell erzielt, hängt teilweise davon ab, wie man es fragt. Die Forscher schreiben in ihrer Arbeit dazu, dass Prompt und Interaktion selbst bereits Teil des kreativen Prozesses geworden sind.

In den letzten drei Jahren wurden mehrere Runden ähnlicher Studien durchgeführt

Bereits im September 2023 ließen zwei Forscher aus Finnland und Norwegen ChatGPT (Versionen 3.5 und 4) sowie das Textwerkzeug Copy.Ai und 256 Menschen einen „Ungewöhnliche Verwendungen“-Test durchführen – man denkt sich neue Verwendungen für alltägliche Gegenstände wie Seile und Kartons aus. Die Durchschnittspunktzahl der Maschinen war höher, aber keine Maschine übertraf die höchste Punktzahl der Menschen. Im selben Jahr mischte ein Team der University of Montana die Antworten von GPT-4 unter die Antworten von Studenten und schickte sie an die offizielle Bewertungsstelle des Torrance-Tests (ein klassischer Kreativitätstest, der in den USA seit Jahrzehnten verwendet wird). Die Bewerter wussten nicht, dass Antworten von Maschinen darunter waren. Als Ergebnis erreichte die KI bei der Originalität die Top-1 %.

Drei aufeinanderfolgende Jahre lang beobachteten drei unabhängige Studien jeweils: Bei dem von ihnen verwendeten Test ist die Durchschnittspunktzahl des stärksten Modells dem menschlichen Durchschnitt nicht unterlegen. Die Aufgaben, Stichproben und Modelle der drei Studien sind unterschiedlich, die Schlussfolgerungen können einander nicht ersetzen; aber die Richtung ist einheitlich. Die aktuelle Studie verwendet 100.000 Menschen als Referenz und fügt Schreibaufgaben hinzu, sie ist die größte Studie dieser Art.

Allerdings gibt es immer wieder Zweifel, die in mehrere Richtungen gehen. Die erste Richtung bezieht sich auf die Aufgabe selbst. Die Lehrbuchdefinition von Kreativität hat zwei Bedingungen: neu und nützlich. Diese Aufgabe kann messen, wie weit die Wörter voneinander entfernt sind, aber sie kann nicht messen, ob diese Assoziationen überhaupt nützlich sind. Der Aufgabensteller selbst räumt dies in seiner Arbeit ein. Andere Forscher haben sie mit anderen Kreativitätstests verglichen und berichtet, dass die Korrelation schwächer ist als in der ursprünglichen Studie, aber dieses Ergebnis wurde nur auf Konferenzen vorgestellt und hat noch nicht den Prozess der anonymen Peer-Review in Fachzeitschriften durchlaufen.

Die zweite Richtung ist schwer zu widerlegen: Die Maschine erzielt bei einem einzelnen Test eine hohe Punktzahl, aber die Antworten einer Gruppe von Maschinen sind erstaunlich ähnlich. An der vorherigen Verteilungskurve ist dies bereits zu erkennen: Die Punktzahlen jedes Modells drängen sich in einem kleinen Bereich. Eine Studie aus dem Jahr 2025 betrachtete es noch genauer: Wenn viele Modelle diese Art von Aufgaben wiederholt lösen, ist der Ähnlichkeitsgrad der Antworten der Maschinen untereinander viel höher als der zwischen Menschen. Überzeichnet ausgedrückt: Modelle, die von verschiedenen Unternehmen entwickelt wurden, beantworten die Aufgaben so, als kämen sie aus demselben Wohnheim. Eine weitere Gruppe von Forschern führte zwei vorregistrierte Experimente mit insgesamt 1100 Teilnehmern durch (Vorregistrierung bedeutet, dass der Plan vor Beginn öffentlich archiviert wird, um zu verhindern, dass man nachher nur die guten Ergebnisse präsentiert): Wenn Menschen mit Hilfe von KI Ideen entwickeln, ist die unmittelbare Leistung tatsächlich besser; bei der letzten Runde der unabhängigen Beantwortung ohne KI beobachteten die Forscher keinen vorherigen Nutzen durch die Verwendung von KI, sondern es gab Anzeichen dafür, dass die Ideen untereinander ähnlicher werden. Die Vielfalt unter den Menschen, bei der niemand dem anderen ähnelt, ist genau ein Aspekt, der durch einzelne Tests nicht erfasst werden kann.

Die dritte Richtung ist das alte Problem der Datenverunreinigung. Diese Aufgaben sind online öffentlich, es kann nicht ausgeschlossen werden, dass die Trainingsmaterialien der Modelle sie bereits enthalten haben, oder Inhalte, die ihnen ähneln. Die Autoren dieser Studie haben in ihrer Arbeit darauf hingewiesen, dass hohe Punktzahlen bei standardisierten Tests auf einem anderen Weg als bei Menschen erreicht werden können. Die Aufgaben des Torrance-Tests werden von der Bewertungsstelle aufbewahrt und nie veröffentlicht, dieses Risiko ist geringer; bei dieser öffentlichen Aufgabe mit zehn Wörtern ist das nicht der Fall.

Die vierte Richtung geht davon aus, dass die Testbedingungen selbst für Menschen ungünstig sind. Eine weitere Gruppe von Forschern wiederholte 2025 das Experiment mit 256 Teilnehmern: Wenn man den Menschen nur etwas mehr Zeit gibt und die Anforderungen der Aufgabe klar formuliert, können die Menschen die Leistung der Maschine einholen. Ein Teil des ursprünglichen Abstands stammt von den Testbedingungen selbst.

Zurück zu Ihren zehn Wörtern

Die vier Richtungen der Zweifel erschüttern die Schlussfolgerung „Testpunktzahl entspricht Kreativität“; sie können die gemessenen Ergebnisse selbst nicht erschüttern.

Bei der Aufgabe, in begrenzter Zeit eine Reihe von unkonventionellen Assoziationen zu entwickeln, liegt die Leistung der Maschine bereits über dem menschlichen Durchschnitt – dies wurde sowohl bei DAT-Tests als auch bei Tests für ungewöhnliche Verwendungen beobachtet, und bei dem Torrance-Test erreichte die Originalität von GPT-4 ebenfalls die Top-1 %. Die echte Arbeit ist natürlich viel komplex