Der Vortrag untersucht die wachsende Rolle von Large Language Models (LLMs) in Kommunikationsprozessen und entwickelt Harry Frankfurts „Bullshit“-Begriff weiter. Während Frankfurt individuelles Desinteresse an Wahrheit beschreibt, wird argumentiert, dass LLMs systemischen „Bullshit“ erzeugen: plausibel klingende, aber nicht notwendigerweise verifizierte Inhalte. LLMs wirken zunehmend als „supplementäre Automatisierung“ und verändern Kommunikationspraktiken, etwa durch unsichtbare Unterstützung bei Routineaufgaben. Dies führt zu Abhängigkeiten von Big-Tech-Unternehmen und begünstigt „Pseudo-Autonomie“, insbesondere bei Nutzenden mit geringer Expertise. Selbst scheinbar neutrale Anwendungen können inhaltliche Verzerrungen erzeugen. Der Vortrag plädiert daher für eine systemische Perspektive auf algorithmisch vermittelte Kommunikation und warnt vor einer „generativen Monokultur“. Der Umgang mit systemischem Bullshit erfordert interdisziplinäre Zusammenarbeit und eine stärkere Betonung menschlicher, ethischer Kommunikationsarbeit.

Rund ein Achtel der Weltbevölkerung lebt mit einer psychischen Erkrankung, während strukturelle Hürden den Zugang zu professioneller Hilfe erschweren. Large Language Models (LLMs) wie ChatGPT etablieren sich zunehmend als informelle Anlaufstellen für psychische Belastungen. Unklar bleibt, ob deren Wirkung auf Illusionsprozessen (Media Equation Theory) oder tatsächlichen therapeutischen Gesprächskompetenzen basiert. Diese Studie untersucht mithilfe einer mixed-methods Inhaltsanalyse, inwiefern drei ChatGPT-Modelle (GPT-4o, GPT-o3, ein speziell gepormetes Therapiemodell GPT-TP) in 36 simulierten Gesprächen zu vier Störungsbildern (ADHS, Angst, Depression, Anorexie) therapeutische Kompetenzen – operationalisiert über die Therapist Empathy Scale und Motivational Interviewing – abbilden. Die Ergebnisse zeigen signifikante Modellunterschiede: Standardmodelle fungierten primär als digitale Dozenten, während das therapeutische Modell ressourcenorientierte, individualisierte Gesprächsführung zeigte. Kontextsensitive MI-Techniken blieben modellübergreifend gering ausgeprägt. Kritisch sind Halluzinationen, übersteigerte Validierung und Sicherheitsdefizite bei impliziter Suizidalität – Befunde, die Weizenbaums Warnung vor unkritischer Technikakzeptanz bestätigen.

Künstliche Intelligenz (KI) ist zunehmend an Interaktionen in Gruppen beteiligt – in Privatleben, Ausbildung und Beruf. Bereits bestehende, verbundene, natürliche Gruppen könnten anders auf KI reagieren als bislang untersuchte Zero-History-Gruppen. Diese Studie untersuchte, wie KI die Zufriedenheit mit der Intragruppeninteraktion und der Mensch–KI-Interaktion in natürlichen Gruppen beeinflusst. Aufbauend auf der Unterscheidung zwischen menschlicher sozio-emotionaler und KI-basierter sozio-simulativer Interaktion führten wir ein 3×3 faktorielles Repeated-Measures-Feldexperiment mit 72 ko-präsenten natürlichen Gruppen durch, die drei Aufgaben (kognitiv, normativ, kreativ) unter drei Kollaborationsbedingungen bearbeiteten (keine KI, Tool-Chatbot, menschenähnlicher Agent-Chatbot). Die Ergebnisse zeigen, dass KI die Intragruppen-Interaktionszufriedenheit leicht verringerte, die jedoch insgesamt hoch blieb, während die Mensch-KI-Interaktionszufriedenheit moderat ausfiel. Menschlich wirkende KI-Merkmale verbesserten tendenziell beide Ergebnisse, jedoch wurde nur der Effekt auf die Mensch–KI-Interaktion durch den wahrgenommenen Anthropomorphismus vermittelt. Die Befunde unterstreichen die unterschiedlichen Logiken menschlicher und KI-basierter Interaktion und verweisen auf gruppenspezifische Mensch-KI-Interaktionsmuster.

This paper addresses the growing use of AI assistants, particularly voice-based assistants (VBAs), for information seeking by introducing a novel integration of media trust into AI trust research. While prior studies predominantly draw on interpersonal trust frameworks rooted in the CASA paradigm, which assumes that users apply social norms to human-like technologies, this perspective has been increasingly questioned as users gain experience and adapt their interactions. The study combines the qualitative analysis of online comments on different VBAs with in-depth interviews conducted in users’ homes and finds shifting interaction norms between new and experienced users, challenging CASA’s assumption of automatic social responses to anthropomorphic cues. Instead, experienced users’ trust appears to be grounded in accumulated experience and informed by technical and media-related trustworthiness evaluations rather than by social cues. By highlighting users’ subjective perspectives, the study contributes to a more differentiated understanding of trust in VBAs.