KI kompetent nutzen: Praxiswissen für PsychologInnen in Beratung, Praxis, Organisationen
Inhalt:
Es ist Dienstagabend, ein Workshop zum Thema Konfliktmanagement soll in der nächsten Woche stattfinden. Die Teilnehmenden kommen aus einer Führungsebene, die gerade eine schwierige Reorganisation hinter sich hat. Die Stimmung ist angespannt, der Zeitdruck ist hoch. Früher hätte die Vorbereitung bedeutet: stundenlanges Recherchieren, Fall- und Rollenspiele aus dem Gedächtnis konstruieren und auf die Situation anpassen. Heute sieht das anders aus.
Ein gezielt formulierter Prompt an ein KI-Sprachmodell liefert in Minuten einen ersten Entwurf für das Workshopdesign. Ein zweiter Prompt erzeugt aus schon bestehenden Vorlagen drei unterschiedliche Szenarien als Ausgangspunkt für passgenaue Szenarien. Eine dritte Eingabe liefert Ideen für passende Reflexionsfragen. Kein einziges dieser Ergebnisse wird unverändert übernommen, aber jedes spart erheblich Zeit und öffnet Denkräume, die man allein vielleicht nicht so schnell betreten hätte.
Generative KI ist in der psychologischen Praxis angekommen. Die Frage ist nicht mehr ob, sondern wie man sie sinnvoll nutzt.
Was KI-Sprachmodelle eigentlich sind, und wie verlässlich sie sind
Um Künstliche Intelligenz kompetent einsetzen zu können, muss man verstehen, womit man es zu tun hat. Große Sprachmodelle (Large Language Models, kurz LLM) wie Claude, ChatGPT oder Gemini wurden auf enormen Textmengen trainiert. Sie erzeugen Antworten, indem sie auf Basis statistischer Muster das wahrscheinlichste nächste Wort vorhersagen. Sie „verstehen“ Inhalte nicht im menschlichen Sinne, sondern modellieren sprachliche Wahrscheinlichkeiten. Das macht sie außerordentlich gut in der Textgenerierung. Und sie helfen zu strukturieren, erklären sowie beim Umformulieren und Zusammenfassen.
Was sie nicht können, ist, verlässlich die Wahrheit zu sagen. Das Phänomen der sogenannten „Halluzinationen“, also sprachlich plausibler, aber faktisch falscher Outputs, ist strukturell bedingt und empirisch gut dokumentiert. Entscheidend dabei ist jedoch: Die Halluzinationsrate ist hierbei stark davon abhängig, wie und wofür die KI eingesetzt wird.
KI kann Denkräume öffnen. Ob die Richtung stimmt, muss der Mensch entscheiden.
Das zeigt eine im März 2026 publizierte Übersichtsarbeit zu LLM-Anwendungen in der medizinischen Forschung (Gong et al., 2026) besonders deutlich. Bei freier Literaturrecherche, also wenn KI eigenständig Quellen suchen und daraus Text generieren soll, lagen die Halluzinationsraten bei fabrizierten Referenzen zwischen 47 und 55%. Das bedeutet: Fast jede zweite KI-generierte Literaturangabe könnte eine Studie zitieren, die es so nicht gibt. Wird mit KI hingegen an einem vorliegenden Dokument als Grundlage gearbeitet, etwa zur Zusammenfassung von Sitzungsprotokollen, zeigen Studien deutlich niedrigere Halluzinationsraten. Asgari et al. (2025) fanden beim Zusammenfassen medizinischer Transkripte auf Basis vorliegender Dokumente eine Halluzinationsrate von im Durchschnitt unter 2%, allerdings nur unter Einsatz besonders geplanter Prompts und Templates. Ohne solche Rahmenbedingungen sind auch hier vermutlich höhere Raten zu erwarten.
Diese Unterscheidung ist für die Praxis unmittelbar handlungsleitend: KI auf der Grundlage von vorliegenden Dokumenten oder Sitzungsnotizen arbeiten zu lassen ist deutlich zuverlässiger als KI frei nach Informationen suchen oder Inhalte generieren zu lassen. Für PsychologInnen, die an Evidenzbasierung gewöhnt sind, ist das eine wichtige Arbeitsbedingung. KI ist kein Wissensspeicher, dem man blind vertrauen kann. Sie ist ein Denkpartner, der gut formulieren kann, aber keine Verantwortung trägt.
Von der Theorie in die Praxis: KI gezielt nutzen lernen
Dr. Paul Endrejat vermittelt in diesem Seminar, wie sich KI-Sprachmodelle konkret in Beratung, Coaching und Organisationsarbeit einsetzen lassen. Mit praxisnahem Wissen und gezieltem Prompting für den psychologischen Berufsalltag.
Unterschiedlichste Nutzungsfelder
Vorbereitung: KI kann dabei helfen, Hypothesen zu einem Klienten zu generieren und dabei unterstützen die theoretische Rahmung zu durchdenken oder Interventionsideen zu entwickeln. Ein nützliches Vorgehen ist hierbei, die Ausgangssituation des Coaching-Prozesses zu beschreiben und die KI zu bitten, aus verschiedenen psychologischen Schulen heraus mögliche Interpretationen zu generieren. Das ersetzt keine Supervision, aber kann die eigene Reflexion anstoßen und blinde Flecken sichtbar machen. Auf ähnliche Weise lassen sich auch für Kompetenzentwicklung oder Organisationsberatung Workshopdesigns skizzieren, alternative Agenden vergleichen oder Moderationssequenzen strukturieren. Auch die Vorbereitung von Gesprächen oder die Einarbeitung in neue Themenfelder lässt sich mit KI beschleunigen.
Materialentwicklung: Entwürfe für Arbeitsblätter, Fallvignetten, Reflexionsfragen, Selbstbeobachtungsbögen, all das lässt sich mit KI deutlich schneller entwickeln als ohne. Die KI liefert schnelle Ideen und schnelle Rohlinge, die dann nur noch fachlich geprüft, kontextuell angepasst und finalisiert werden müssen. Der erste Entwurf ist selten der letzte, aber er ist ein guter Ausgangspunkt, der die eigentliche Denkarbeit nicht ersetzt, sondern ihr vorausgeht. Besonders nützlich: KI kann auf Anfrage mehrere Varianten eines Materials gleichzeitig liefern, sodass man aus mehreren Optionen wählen kann, statt bei null anzufangen. Eine Umfrage der „Society for Industrial and Organizational Psychology“ (Nag et al., 2025) unter ihren Mitgliedern bestätigt: PraktikerInnen nutzen KI am häufigsten genau hier: Für Trainingsmaterialien, Fragebögen und strukturierte Textentwürfe.
Nachbereitung: In der Nachbereitung lassen sich Sitzungsnotizen strukturieren, Verlaufsdokumentation vorbereiten oder Muster über unterschiedliche Sitzungen erkennen. Wichtig ist hierbei, wie auch bei allen anderen Aufgaben, keine personen- oder gesundheitsbezogenen Daten in externe KI-Systeme einzugeben. Gerade die Dokumentationslast ist in vielen Praxen und Beratungskontexten einer der größten Belastungsfaktoren. Hier kann KI Rohversionen liefern, die dann geprüft und finalisiert werden.
Wenn ich mit einer bestimmten Vermutung in die KI-Nutzung gehe, ist die Wahrscheinlichkeit hoch, dass mir die KI genau dafür passende Argumente liefert. Nicht unbedingt, weil die Einschätzung stimmt, sondern weil der Prompt bereits eine Richtung vorgibt.Paul Endrejat & Etienne Martin
Warum KI unsere Denkfehler manchmal noch stärker macht
LLMs reproduzieren Biases aus ihren Trainingsdaten: kulturelle, demographische und sprachliche. Für PsychologInnen ist das in zweierlei Hinsicht relevant. KI-generierte Inhalte oder Entscheidungen können somit einzelne Gruppen systematisch benachteiligen oder verzerrt darstellen (BSI, 2026). So kann es z.B. in Personalauswahlverfahren, welche KI-Systeme einsetzen, zu diskriminierenden Entscheidungen kommen.
Dazu klingt KI oft erstaunlich überzeugend. Die Antworten sind sauber formuliert, gut strukturiert und wirken auf den ersten Blick fachlich belastbar. Genau darin liegt aber auch ein Risiko: Wir übernehmen Vorschläge schneller, wenn sie professionell klingen.
Besonders deutlich wird das beim Confirmation Bias. Wir Menschen suchen oft unbewusst nach Informationen, die unsere eigene Einschätzung bestätigen. Wenn ich also mit einer bestimmten Vermutung in die KI-Nutzung gehe, zum Beispiel: „Dieses Team hat vor allem ein Führungsproblem“ oder „Diese Klientin vermeidet Verantwortung“, dann ist die Wahrscheinlichkeit hoch, dass mir die KI genau dafür passende Argumente liefert. Nicht unbedingt, weil die Einschätzung stimmt, sondern weil der Prompt bereits eine Richtung vorgibt.
Ähnlich problematisch ist der Automation Bias: Was von einer Maschine kommt, wirkt schnell objektiver, als es eigentlich ist. Der erste KI-Vorschlag kann außerdem zum gedanklichen Anker werden. Dann feilen wir nur noch an diesem Entwurf, statt noch einmal grundsätzlich zu fragen: Stimmt die Richtung überhaupt?
Gerade in Beratung, Coaching, Therapie oder Organisationsentwicklung ist das wichtig. Hier geht es selten um einfache Wahrheiten. Es geht um Hypothesen, Deutungen, Dynamiken und Verantwortung. KI kann dabei enorm helfen, Gedanken zu sortieren, Perspektiven zu erweitern und schneller in die Arbeit zu kommen. Aber sie kann auch dazu führen, dass wir zu früh glauben, eine gute Erklärung gefunden zu haben.
KI-generierte Antworten klingen oft überzeugend. Das macht es schwerer, Verzerrungen im Output überhaupt zu bemerken.
Stolperfallen bei der KI-Nutzung
Neben der Verstärkung unserer Denkverzerrungen und Halluzinationen gibt es weitere Schwächen, die für den psychologischen Berufsalltag wichtig sind:
Sycophancy: LLMs neigen dazu, die Perspektive der Nutzenden zu bestätigen, statt zu hinterfragen. Wer die KI bittet, eine eigene Hypothese zu einem Klienten zu kommentieren, bekommt tendenziell Zustimmung, kein kritisches Feedback. Studien zeigen, dass Modelle ihre Antworten anpassen, sobald Nutzende Widerspruch signalisieren, selbst wenn die ursprüngliche Antwort korrekt war (Sharma et al., 2025). Für die Fallreflexion bedeutet das: KI kann bestehende blinde Flecken verstärken, statt aufzudecken, es sei denn, man fordert explizit eine kritische Perspektive ein.
Datenschutz: Personenbezogene und gesundheitsbezogene Daten gehören nicht in externe KI-Systeme ohne geprüfte Datenschutzgrundlage. Im psychologischen Kontext handelt es sich um besonders schützenswerte Datenkategorien nach Art. 9 DSGVO. Wer KI in der Praxis einsetzt, sollte prüfen: Werden Daten gespeichert? Werden sie fürs Training genutzt? Gibt es einen Auftragsverarbeitungsvertrag? Was gebe ich ein? Was in der Nachbereitung einer Sitzung wie eine praktische Abkürzung wirkt, kann datenschutzrechtlich erhebliche Konsequenzen haben.
Kontextblindheit: Was ein Sprachmodell grundsätzlich nicht kennt: die Geschichte eines Teams, die Dynamiken in einer Gruppe, die Biografie eines Klienten, den Ton eines schwierigen Gesprächs. Alles, was nicht im Prompt steht, existiert für die KI nicht. KI-generierte Vorschläge sind deshalb immer generisch, sie passen für viele Situationen, aber nicht unbedingt präzise für diese eine.
Was kompetente KI-Nutzung bedeutet
Zusammenfassend lässt sich die Arbeit mit KI, mit dem Konzept „Human in the Loop“ beschreiben. Die KI übernimmt Teilaufgaben, aber der Mensch behält die Verantwortung. Eine Studie, die sieben LLMs in psychotherapeutischen Kontexten evaluierte, kommt zu einem ernüchternden Befund (Tan et al., 2025). Kein einziges Modell erzeugte konsistente hochwertige Antworten über alle Aufgaben. Die Modelle leisteten bei strukturierten Aufgaben, etwa Zielsetzung oder Sitzungsplanung, deutlich bessere Ergebnisse als bei integrativem klinischem Denken. Die AutorInnen empfehlen LLMs als unterstützende Werkzeuge für KlinikerInnen, nicht als eigenständige Anwendungen.
Konkret heißt das:
- KI produziert Entwürfe, keine Endprodukte: Jeder Output wird fachlich geprüft, inhaltlich angepasst und verantwortet. Das ist kein Misstrauen, es ist professionelles Qualitätsmanagement
- Prompting ist eine Kompetenz: Präzise Anfragen formulieren, Kontext erklären, die gewünschte Perspektive benennen, das Format festlegen. Ein guter Prompt erfordert fachliches Urteilungsvermögen darüber, was man eigentlich sucht. Diese Kompetenz ist erlernbar, aber sie erfordert Übung.
- KI verändert den Workflow, nicht die Verantwortung: Wo früher viel Zeit in Rohversionen floss, liegt der Schwerpunkt jetzt stärker auf dem Verfeinern, Prüfen und Anpassen.
Ausblick
Die APA veröffentlichte im Juli 2025 erstmals eine eigene „Ethical Guidance for AI in the Professional Practice of Health Service Psychology“ (APA, 2025). Dies stellt ein klares Zeichen dafür dar, dass die Profession KI nicht mehr nur als technisches, sondern auch als berufspolitisches Thema behandelt. Für den deutschsprachigen Raum fehlt ein vergleichbares Dokument bisher noch.
Wohin die Entwicklung führen wird, ist schwer vorherzusagen. Die Frage, ob KI irgendwann Beziehungsgestaltung, klinisches Urteilsvermögen oder ethische Abwägungen übernehmen kann, lässt sich heute nicht seriös beantworten. Die Entwicklungsgeschwindigkeit macht jede Prognose unsicher. Durch ihre Ausbildung verfügen PsychologInnen jedoch über das Fachwissen, um diese Entwicklung in der Forschung, in der Berufsethik und in der öffentlichen Debatte darüber, wo menschliche Urteilskräfte unverzichtbar bleiben und wo KI sinnvoll ergänzen kann, kritisch zu begleiten.
- APA. (2025). Ethical guidance for AI in the professional practice of health service psychology. https://www.apa.org. https://www.apa.org/topics/artificial-intelligence-machine-learning/ethical-guidance-ai-professional-practice
- Asgari, E., Montaña-Brown, N., Dubois, M., Khalil, S., Balloch, J., Yeung, J. A., & Pimenta, D. (2025). A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation. NPJ Digital Medicine, 8, 274. https://doi.org/10.1038/s41746-025-01670-7
- BSI. (2026). Bias in der künstlichen Intelligenz.
- Gong, E. J., Bang, C. S., & Shin, Y. S. (2026). Applications of Large Language Models in Medical Research: From Systematic Reviews to Clinical Studies. Bioengineering, 13(3), 365. https://doi.org/10.3390/bioengineering13030365
- Nag, M., Leung, D., Zhou, S., & Belwalker, B. (2025). Use of Artificial Intelligence in Industrial-Organizational Psychology: Current Trends and Future Outlook – Society for Industrial and Organizational Psychology. https://www.siop.org. https://www.siop.org/tip-article/use-of-artificial-intelligence-in-industrial-organizational-psychology-current-trends-and-future-outlook-2/
- Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2025). Towards Understanding Sycophancy in Language Models(arXiv:2310.13548). arXiv. https://doi.org/10.48550/arXiv.2310.13548
- Tan, K. S., Cervin, M., Leman, P., Nielsen, K., Kumar, P. V., & Medvedev, O. (2025). AI meets psychology: An exploratory study of large language models’ competence in psychotherapy contexts. Journal of Psychology and AI, 1(1), 2545258. https://doi.org/10.1080/29974100.2025.2545258
