Generative KI produziert nicht zwangsläufig schlechte Inhalte. Sie produziert akzeptable und teilweise sehr gute Kommunikation in einer Menge, in der handwerkliche Qualität allein kaum noch unterscheidet.

Genau darin liegt das Mittelmaß-Paradox: Der Durchschnitt wird besser, während Texte, Bilder und Ideen einander ähnlicher werden können. Für Marken verlagert sich der Engpass. Gute Ausführung lässt sich immer schneller und günstiger erzeugen. Knapp bleiben belastbare Entscheidungen darüber, was eine Marke sagen soll, wofür sie steht und was sie bewusst nicht tut.

Wenn Ausführung zur Commodity wird, wandert der Wettbewerbsvorteil vom Erzeugen zum Entscheiden.

Dieser Beitrag basiert auf dem Vaternam Research Paper 01/2026. Dafür wurden 39 ausgewählte wissenschaftliche und institutionelle Quellen aus der Forschung zu generativer KI, Kreativität, Produktivität, Markenführung, Glaubwürdigkeit und Informationsüberlastung ausgewertet.

Das vollständige Research Paper mit Methodik, Evidenzmatrizen, Modellen und Literaturverzeichnis steht auf dieser Seite als PDF zum Download bereit.

Die falsche Diagnose: KI senkt nicht einfach die Qualität

Die Forschung widerspricht der verbreiteten Vorstellung, generative KI könne lediglich billige und schwache Inhalte erzeugen.

Noy und Zhang untersuchten 453 Personen bei beruflichen Schreibaufgaben. Mit ChatGPT sank die durchschnittliche Bearbeitungszeit um 40 Prozent. Die extern bewertete Qualität stieg um 18 Prozent. Besonders stark profitierten Personen mit schwächeren Ausgangsleistungen.

Brynjolfsson, Li und Raymond analysierten die Einführung eines KI-Assistenten bei 5.172 Beschäftigten im Kundenservice und mehr als drei Millionen Chats. Die Zahl gelöster Fälle pro Stunde stieg im Mittel um 15 Prozent. Weniger erfahrene Beschäftigte näherten sich in ihrer Kommunikation den Mustern leistungsstärkerer Kolleginnen und Kollegen an.

Ein präregistriertes Experiment mit 758 Beraterinnen und Beratern der Boston Consulting Group kam zu einem vergleichbaren Ergebnis. Bei Aufgaben innerhalb der damaligen Leistungsgrenze von GPT-4 erledigten die Teilnehmenden mit KI 12,2 Prozent mehr Aufgaben, arbeiteten 25,1 Prozent schneller und erzielten je nach Versuchsbedingung rund 30 bis 34 Prozent höhere Qualitätswerte.

Auch visuelle Kommunikation lässt sich nicht pauschal abwerten. Hartmann, Exner und Domdey verglichen 10.320 KI-generierte Marketingbilder mit 2.400 menschlich produzierten Bildern. Die besten KI-Bilder übertrafen die Vergleichsbilder bei mehreren Qualitäts-, Realismus- und Ästhetikmaßen. In einem Feldtest mit mehr als 173.000 Impressionen erzielte ein KI-Banner eine bis zu 50 Prozent höhere Klickrate als ein Banner mit professionellem Stockfoto.

Die Studien untersuchen unterschiedliche Aufgaben und Qualitätskriterien. Ihre Prozentwerte sind nicht direkt vergleichbar. Gemeinsam zeigen sie jedoch: Eine wissenschaftlich haltbare Kritik an generativer KI kann nicht darauf beruhen, ihre Ausführungsqualität grundsätzlich für minderwertig zu erklären.

Der Durchschnitt steigt. Die Vielfalt kann fallen.

Das eigentliche Risiko liegt an einer anderen Stelle. Einzelne Ergebnisse können besser werden, während die gesamte Menge an Ergebnissen enger und ähnlicher wird.

Doshi und Hauser ließen 293 Personen Kurzgeschichten schreiben und von 600 weiteren Personen bewerten. KI-gestützte Geschichten wurden im Durchschnitt als neuartiger, nützlicher und besser geschrieben beurteilt. Gleichzeitig ähnelten sie einander stärker.

Zhou und Lee analysierten mehr als vier Millionen Kunstwerke auf einer digitalen Plattform. Nach Einführung von Text-zu-Bild-KI stieg die Produktivität der Nutzerinnen und Nutzer um 25 Prozent. Zugleich nahm die durchschnittliche inhaltliche und visuelle Neuartigkeit ab.

Drei präregistrierte Studien mit 2.200 College-Essays kamen zu einem ähnlichen Ergebnis. Jeder weitere menschliche Text brachte mehr neue Ideen in den gemeinsamen Ideenraum als ein weiterer GPT-4-Text.

Wenger und Kenett verglichen 102 Menschen mit 22 Sprachmodellen in drei Kreativitätsaufgaben. Die Modelle erreichten bei der individuellen Originalität ungefähr menschliche Durchschnittswerte. Auf der Ebene der Gesamtmenge waren ihre Antworten in allen drei Aufgaben deutlich weniger variabel.

Ein gutes Einzelergebnis ist kein Beleg für einen vielfältigen Ideenraum.

Diese Unterscheidung ist für Marken entscheidend. Ein Kampagnenmotiv kann gut bewertet werden und trotzdem austauschbar sein. Ein Text kann sprachlich überzeugen und dennoch nichts enthalten, das ausschließlich diese Marke glaubwürdig sagen kann.

Was „Mittelmaß“ in diesem Zusammenhang bedeutet

Mittelmaß meint hier keine schlechte Gestaltung. Gemeint ist eine Kombination aus hoher Basiskompetenz, Nähe zu häufigen Mustern und strategischer Austauschbarkeit.

Der Text ist verständlich. Das Motiv sieht professionell aus. Die Aussage klingt plausibel. Trotzdem könnte dasselbe Ergebnis mit wenigen Änderungen ebenso von einem Wettbewerber stammen.

Diese Form des Mittelmaßes ist gefährlicher als offensichtlich schlechte Kommunikation. Schwache Ausführung wird häufig erkannt und verworfen. Strategisch austauschbare Kommunikation passiert die Qualitätskontrolle, weil sie formal einwandfrei wirkt.

Ein allgemeines Modell kann Sprachstile, Bildästhetiken und bekannte Argumentationsmuster reproduzieren. Es kennt jedoch nicht automatisch die tatsächlichen Ursachen einer Marke: ihre Fähigkeiten, Produktgrenzen, Kundenkenntnisse, internen Entscheidungen, Belege und Verpflichtungen.

Eine Marke beginnt dort, wo das Modell aufhört

Markenwert entsteht nicht aus der Menge veröffentlichter Inhalte.

Kevin Lane Keller beschreibt starken kundenbasierten Markenwert als Ergebnis starker, günstiger und einzigartiger Assoziationen. Erdem und Swait zeigen, dass glaubwürdige Marken als Signale wirken. Sie reduzieren Unsicherheit und Informationskosten. Konsistenz, Klarheit und vergangene Investitionen tragen zur Glaubwürdigkeit bei.

Für KI-gestützte Kommunikation entsteht daraus eine klare Asymmetrie: Eine weitere Aussage ist in Sekunden formuliert. Ein glaubwürdiger Beleg bleibt aufwendig.

Ein Modell kann eine Garantie beschreiben. Es kann sie nicht gewähren. Es kann Haltung formulieren. Es kann keine organisatorische Verpflichtung eingehen. Es kann jede denkbare Position sprachlich darstellen, aber nicht entscheiden, welche Position ein Unternehmen über Jahre verteidigen will.

Strategie entsteht durch Begrenzung. Michael Porter brachte diesen Gedanken bereits 1996 auf den Punkt: „The essence of strategy is choosing what not to do.“

Diese Entscheidung wird durch generative KI nicht überflüssig. Ihr Einfluss wächst, weil sie immer mehr Ausgaben steuert.

Die strategische Selektionsprämie

Das Vaternam Research Paper bezeichnet diesen Effekt als strategische Selektionsprämie.

Der Begriff beschreibt keinen bereits empirisch gemessenen Preisaufschlag. Er bezeichnet den zunehmenden Hebel einer vorgelagerten Auswahlentscheidung.

Früher steuerte ein Briefing vielleicht drei Entwürfe. Heute kann dieselbe Entscheidung fünfzig, fünfhundert oder mehrere tausend Varianten prägen. Eine passende Position vervielfacht ihren Nutzen über alle Ausgaben. Eine falsche Annahme verbreitet sich mit derselben Geschwindigkeit.

Je billiger die einzelne Produktion wird, desto stärker wirken die Entscheidungen, die vor der Produktion getroffen wurden.

Das betrifft die Wahl der Zielgruppe, das zu besetzende Problem, die erlaubten Versprechen, die notwendigen Belege, den Preis- oder Serviceanspruch, die wiederkehrenden Markencodes und die Themen, bei denen eine Marke bewusst schweigt.

Eine Position ohne Ausschluss ist häufig keine Strategie. Sie ist eine Sammlung unverbindlicher Präferenzen.

Was eine KI-native Markenführung entscheiden muss

Ein allgemeines Modell maximiert zunächst den Möglichkeitsraum. Eine Marke muss ihn begrenzen.

Sie muss festlegen, für wen sie vorrangig Wert schafft und welche erreichbaren Zielgruppen trotzdem keine Priorität erhalten. Sie muss bestimmen, welche Leistung sie nachweislich beherrscht und welche Behauptung über ihre tatsächliche Kompetenz hinausgeht. Sie muss entscheiden, welche Tonalität zu ihrer Position passt, selbst wenn eine andere kurzfristig mehr Reichweite verspricht.

Auch die wiederkehrenden Codes einer Marke benötigen Schutz. KI kann fortlaufend neue Stile, Bildwelten und Formulierungen erzeugen. Werden diese Möglichkeiten ungefiltert genutzt, entsteht Variantenreichtum ohne Wiedererkennbarkeit.

Markenführung bedeutet deshalb nicht, möglichst viele Optionen zu produzieren. Sie bedeutet, eine kleine Zahl relevanter Optionen konsistent auszuwählen.

Das Vaternam-Modell für KI-gestützte Markenführung

Das aus der Forschung abgeleitete Modell trennt Markenkonstitution, Exploration und redaktionelle Freigabe.

1. Die Markenkonstitution

Vor der Produktion werden Realität, Zielgruppe, Position, Versprechen, Belege, Trade-offs, wiederkehrende Codes und verbindliche Grenzen festgelegt.

Diese Entscheidungen müssen von Menschen verantwortet werden. Sie betreffen die tatsächlichen Fähigkeiten und Verpflichtungen einer Organisation. KI kann bei der Analyse unterstützen, Widersprüche aufdecken und Optionen simulieren. Sie kann die Entscheidung nicht institutionell tragen.

2. Exploration und Produktion

Innerhalb der festgelegten Grenzen kann KI ihre Stärke ausspielen. Sie kann Suchräume erkunden, Varianten für unterschiedliche Kanäle entwickeln, komplexe Inhalte vereinfachen, alternative Perspektiven testen und große Mengen konsistent produzieren.

Vielfalt muss dabei bewusst erzeugt und geprüft werden. Zwanzig Umformulierungen derselben Idee sind kein breiter Suchraum.

3. Das redaktionelle Gate

Vor der Veröffentlichung wird geprüft, ob eine Aussage wahr, belegt, markengerecht, unterscheidbar und mit dem bestehenden Kommunikationssystem vereinbar ist.

Entscheidend ist nicht allein die Qualität des einzelnen Inhalts. Auch seine Wirkung auf das gesamte Markenportfolio zählt. Wiederholt er lediglich eine bereits übernutzte Idee? Stärkt er erkennbare Markencodes? Erzeugt die Aussage eine Erwartung, die das Unternehmen dauerhaft erfüllen kann?

KI kann Quellen, verbotene Begriffe, Inkonsistenzen und Ähnlichkeiten vorprüfen. Die Freigabe strategischer, emotionaler oder haftungsrelevanter Kommunikation braucht eine zurechenbare Verantwortung.

Was Unternehmen jetzt anders messen sollten

Sinkende Produktionskosten sind real. Sie sollten nicht vollständig in eine höhere Veröffentlichungsfrequenz fließen.

Ein Teil der Einsparung gehört in bessere Briefings, Marktforschung, proprietäre Daten, Expertenprüfung, Pretests und die Analyse des gesamten Kommunikationsportfolios. Sonst produziert die Organisation effizienter, ohne ihre Marke zu stärken.

Auch der Wert von Erfahrung verschiebt sich. Seniorität liegt weniger im Schreiben jedes einzelnen Erstentwurfs. Ihr größter Hebel befindet sich in der Problemdefinition, der Auswahl belastbarer Belege, dem Setzen von Grenzen und der Bewertung möglicher Konsequenzen.

Produktivität und Markenwirkung müssen getrennt gemessen werden. Zeitersparnis, Stückkosten und Outputmenge zeigen, ob ein Produktionssystem effizienter geworden ist. Sie zeigen nicht, ob Menschen die Marke besser erinnern, eindeutig zuordnen oder für glaubwürdiger halten.

Ein KI-Programm kann operativ erfolgreich und für die Marke wirkungslos sein.

Die eigentliche Knappheit

Wenn jeder Text professionell klingt, unterscheidet Professionalität allein weniger.

Wenn jedes Versprechen in Sekunden formulierbar ist, gewinnt der Beleg.

Wenn jeder Stil simulierbar ist, gewinnt Wiedererkennbarkeit.

Wenn jede Haltung dargestellt werden kann, gewinnt die reale Verpflichtung.

Wenn alle Optionen verfügbar bleiben, gewinnt der Mut zum Ausschluss.

KI verbilligt das Erzeugen. Sie macht Strategie nicht automatisch teurer. Sie vergrößert deren Hebel.

Über das Research Paper

Der Beitrag basiert auf „Das Mittelmaß-Paradox: Generative KI hebt die Qualität und macht strategische Markenentscheidungen wertvoller“, Vaternam Research Paper, Version 1.0.

Das vollständige Paper enthält die Untersuchungsmethode, ein Abstract, zwei Evidenzmatrizen, das Vaternam-Entscheidungssystem sowie 39 wissenschaftliche und institutionelle Quellen.

Zitierempfehlung:
Vaternam Research. (2026). Das Mittelmaß-Paradox: Generative KI hebt die Qualität und macht strategische Markenentscheidungen wertvoller. Vaternam Research Paper, Version 1.0. Vaternam Kreativagentur e.K.

Ausgewählte Primärquellen

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence.
https://doi.org/10.1126/science.adh2586

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work.
https://doi.org/10.1093/qje/qjae044

Dell’Acqua, F. et al. (2026). Navigating the jagged technological frontier.
https://doi.org/10.1287/orsc.2025.21838

Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content.
https://doi.org/10.1126/sciadv.adn5290

Zhou, E., & Lee, D. (2024). Generative artificial intelligence, human creativity, and art.
https://doi.org/10.1093/pnasnexus/pgae052

Hartmann, J., Exner, Y., & Domdey, S. (2025). The power of generative marketing.
https://doi.org/10.1016/j.ijresmar.2024.09.002

Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful.
https://doi.org/10.1038/s41562-024-02024-1

Wenger, E., & Kenett, Y. N. (2026). Large language models are homogeneously creative.
https://doi.org/10.1093/pnasnexus/pgag042

Das vollständige Literaturverzeichnis befindet sich im Research Paper.