Perspektiven auf eine Geschichtswissenschaft in den Zeiten generativer KI – Reflexionen aus dem Seminar „Geschichtsschreibung und KI“ (LMU München, Sommersemester 2025) – Teil 1

Sebastian Kubon und Charlotte Lerg

Nur Übersetzer*innen sind noch ersetzbarer als Historiker*innen – so jedenfalls stellt es eine in-house Studie des Microsoft-Konzerns zur Zukunft verschiedener Berufsfelder im Lichte generativer KI-Entwicklungen dar.[1] Wenn dieses Ergebnis in Historiker*innen-Kreisen für entsprechende Aufregung sorgte, dann nur bedingt, weil sie sich für wirklich ersetzbar halten. Diese Studie ist vielmehr besorgniserregend aufgrund der grotesk-verzerrten Vorstellungen von der Arbeit der Geschichtswissenschaft, die darin erkennbar wird.[2] Einmal mehr wird deutlich, wie wenig die breite Öffentlichkeit versteht, wie (und wo) Historiker*innen arbeiten und was ihre Kernaufgaben sind.[3] Von der Geschichtswissenschaft werden offenbar vorrangig Daten und Fakten verlangt und vielleicht noch die Erzählung spannender Geschichten aus ferner Zeit. Die Expertise, Daten zu interpretieren und historische Fakten immer wieder kritisch einzuordnen, gehört nicht zu diesem Bild von der Arbeit der Historiker*innen.

Massendatenverarbeitung und spektakulär bebilderte, oberflächliche Geschichten kann generative KI natürlich in der Tat besser und schneller liefern. Hier wird also eine doppelte Herausforderung sichtbar: Das Aufkommen von KI potenziert das Problem der Geschichtswissenschaft, nicht nur Inhalte, sondern auch die eigenen Arbeitsweisen und Methoden öffentlich sichtbar zu machen. Die große Herausforderung für Wissenschaft im 21. Jahrhundert ist also KI – erst recht für die Geschichtswissenschaft. Alarmismus droht zuweilen eine sinnvolle Debatte zu unterbinden, die gerade jetzt geführt werden muss.  Geschichtswissenschaftliche Lehre, Forschung und Wissenschaftskommunikation sind sowohl in praktischer, als auch in theoretischer Hinsicht betroffen. Dass generative KI schließlich auch für Geschichtsproduktionen des öffentlichen Raumes, wie bspw. das Genre Deepfakes AI auf TikTok, schon längst gängige Praxis ist, ist nicht zu übersehen. An den Universitäten setzt man sich jedoch bislang kaum mit Fragen zur Analyse oder gar Produktion solcher „Trivialhistoriographien“ auseinander, obgleich sie ein immer wichtigerer Teil populärer Geschichtsbilder werden und mehr und mehr in Konkurrenz zu wissenschaftlichen Geschichtsbildern zu stehen scheinen.[4] 

Zu diesen Befunden passt der Forschungstand: Es gibt bislang kaum theoretische Durchdringungen von der Materie, nur wenige case studies oder best practice Abhandlungen und erst recht keine fachspezifischen Lehrbücher zur sinnvollen Nutzung von generativen KI-Anwendungen in Lehre, Forschung oder Kommunikation. Und auch viele der damit zusammenhängenden theoretischen Fragen, beispielsweise ob es sich bei KI um ein Werkzeug, einen Akteur oder sonst etwas handelt, sind weit entfernt von einer abschließenden Klärung.

Angesichts der noch sehr begrenzten theoretischen Fundierung von generativer KI im Kontext von Geschichtswissenschaft bot sich dieses Format hier ganz besonders an, denn auch wenn wir als Lehrende zwar (vielleicht) einen Vorsprung haben, bleibt die Möglichkeit, gemeinsam mit der Lerngruppe in unerforschtes Terrain vorzudringen, gegeben. In einem theoretischen Teil wurden zunächst einige Grundlagentexte der KI-Forschung zur Geschichte diskutiert und der gegenwärtige Forschungsstand erhoben. Daran anschließend versuchten wir gemeinsam, ein vorläufiges Raster für die Analyse von mit Hilfe von KI generierter Geschichte zu erarbeiten.

Da sich die Lerngruppe aus Studierenden nicht nur der Geschichtswissenschaft, sondern auch aus den Kultur- und Medienwissenschaften zusammensetzte, erwies sich die Diskussionen aufgrund der unterschiedlichen Perspektiven und aus den unterschiedlichen Lerninteressen als besonders bereichernd. Es war aber auch notwendig, noch einmal theoretisch zu diskutieren: Was ist eigentlich Geschichte? Mit Blick auf die eingangs diskutierte, limitierte Wahrnehmung der Praxis von Geschichtswissenschaft außerhalb des Faches zeigte sich, wie zentral die Antwort auf diese Frage gerade für den Umgang mit generativer KI ist. Was ist Geschichte und was ist daher die Kernaufgabe der Historiker*innen? Erst wenn man eine tragfähige Antwort auf diese Frage hat, kann man Grenzen und Möglichkeiten von Anwendungen generativer KI im Bereich der Geschichtswissenschaft ausloten.

In der zweiten Semesterhälfte stand die experimentelle Anwendung von generativer KI im Mittelpunkt der Veranstaltung. Geschichtswissenschaftliches Forschen wurde somit zu einer Experimentalwissenschaft. Es wurden Themen aus allen Epochen besprochen. Zudem wurden Beispiele KI-generierter Geschichte in den medialen Formen Text, Bild (Bewegtbild und Standbild) sowie Audio behandelt, indem diese dazu von den Studierenden produziert und im Seminar von der Lerngruppe analysiert wurden. Als Prüfungsleistung galt es, zu einem selbstgewählten Thema ein solches Experiment als Referat oder in einem Projektbericht schriftlich zu präsentieren und zur Diskussion zu stellen.

Im Nachgang des Seminars haben wir ausgewählte Studierende gebeten, in einem Think Piece (s. Teil 2 dieses Beitrags) einen wesentlichen Gedankengang oder eine wesentliche Erkenntnis, die sie aus der Arbeit im Seminar gewinnen konnten, niederzuschreiben. Ohne die Restriktionen einer Prüfungsleistung ermöglichen die Think Pieces den Studierenden ihre Gedanken individuell aufzufalten. Wir erhalten so einen Einblick in ihre Erkenntnisse, Gewichtungen und Interessensfelder innerhalb des vielschichtigen Themas KI und Geschichtswissenschaft.

Als Dozierende erkennen wir hier, dass zuweilen auch Aspekte beschrieben werden, die wir nach den Diskussionen im Seminar in anderer Darstellung erwartet hätten oder denen wir selbst einen anderen Stellenwert zugordnet hätten. Beispielhaft sei nur die Frage genannt, ob es sich bei generativer KI wirklich um ein Werkzeug handelt. Die Antworten und Erkenntnisse dazu können bei Studierenden und Lehrenden in einem Seminar mit forschendem Lehren und Lernen naturgemäß unterschiedlich ausfallen. Gleichzeitig beweist die Vielfalt der Überlegungen unter den Studierenden auch, dass die Antwort auf diese kategorische Frage komplexer ist, als man vielleicht denken mag. Letztlich beschreiben die Think Pieces, die aus dem Seminar hervorgegangen sind, eine Etappe auf einem individuellen Lernweg im Kontext einer gerade erst sich konfigurierenden Forschungsdebatte und können diese so wesentlich voranbringen und wirksame Impulse setzen.

Fazit

Welche Erkenntnisse und Perspektiven können wir als Dozierende nach dem Seminar nicht zuletzt auch in Anknüpfung an die Think Pieces (s. Teil 2) fürs erste festhalten?

1. Wir brauchen mehr vor allem auch epochenspezifische case studies, mehr best practice Anwendungsbeispiele und in gegenseitigen Feedbackschleifen mehr theoretische Durchdringung der Grenzen und Möglichkeiten von generativer KI in Forschung, Lehre und Wissenschaftskommunikation.[6] Es sieht gegenwärtig so aus, als müsste mit KI-generierter Geschichte ein eigenes Forschungsfeld vorrangig im Schnittbereich von Digital History, Public History und Historische Grundwissenschaften entstehen. Es braucht eigene Netzwerke und Forschungszusammenhänge, ggf. auch Publikationsorgane.
2. Das alles muss aber weiterhin von der klassischen epochengebundenen Grundlagenforschung grundiert sein. Als These formuliert: Epochenspezifische Arbeitsweisen schlagen sich auch hier nieder und müssen mitgedacht werden. Nicht zuletzt aufgrund unterschiedlicher Quellenmaterialien und Historiographien dürften entsprechende Unterschiede zwischen antiker, mittelalterlicher, neuerer und Zeitgeschichte auch unter KI-Bedingungen bestehen bleiben. Dies gilt auch für ein bereits bestehendes geographisches Ungleichgewicht, das es jedoch bewusst zu konterkarieren gilt.
3. Wenn hier mehr Grundlagenforschung geschaffen wurde, dann wird die „KI History“ in Forschung und Lehre ein Subfeld eigenen Rechts bleiben, wesentliche Arbeitsweisen sollten aber eingehen in die Propädeutika der epochengebundenen klassischen Unterteilungen der Geschichtswissenschaft, damit die jeweils eigenen Spezifika nicht durch ein zu hohes Abstraktionsniveau untergehen.
4. In welcher Form und bei welchen Arbeitsschritten und Ansätzen generative KI-Anwendungen die Arbeit in der Geschichtswissenschaft in Forschung, Lehre und Wissenschaftskommunikation genau verändern werden, wird die Praxis zeigen müssen. Hier können gegenwärtig noch keine Prognosen gemacht werden. Wohldokumentierte Experimente sollten aber ausdrücklich gefördert werden, um Grenzen und Möglichkeiten auszuloten.
5. Es scheint gegenwärtig allerdings noch unklar, wie man die Experimente mit KI-Anwendungen genau dokumentiert, archiviert und veröffentlicht. Hier müssen noch entsprechende Konventionen gefunden werden – nicht zuletzt mit Blick auf die tatsächliche Anwendung von KI in der Forschung und der Präsentation von Forschungsergebnissen. Die einschlägigen Zitierstile (MLA, Chicago APA etc.) haben bereits erste Vorschläge für Zitationsmöglichkeiten entwickelt, die jedoch noch fach- und methodenspezifischer Erweiterung bedürfen.[7] 
6. Da KI eigentlich weniger mit „Künstliche Intelligenz“ zu bezeichnen ist – wir haben es hier schließlich mit einer äußerst erfolgreichen Formulierung aus dem Bereich der „Antragsprosa“ zu tun[8] –, sondern bescheidener mit „Künstliche Imitation“ und sie nicht zu Unrecht als „stochastischer Papagei“[9] beschrieben wurde, bleibt die menschliche Komponente weiterhin nötig, um etwas Neues mit generativer KI zu schaffen. Es wird zwar einfacher, mit KI ‚Generika‘ zu produzieren. Das aber kann natürlich nicht der Anspruch einer kritischen Geschichtswissenschaft sein – und auch nicht der einer kritischen Öffentlichkeit. Wer mit KI etwas Neues auf hohem Niveau produzieren will, der muss weiterhin sehr viel menschliche Energie und Gedanken in die Produktion von KI-generierter Geschichte stecken.[10] Ab einem gewissen Umfang des Einsatzes individual-menschlicher Gedanken und Handlungen u.a. in Form von Prompts hat man es dann auf jedem Fall mit einem Werk zu tun, das vorranging auf menschlichem Arbeitseinsatz beruht.

Abschließend: Man wird mit Fug und Recht behaupten können, dass großen Teilen der gegenwärtigen Generationen von Historiker*innen – ob einem das nun gefällt oder nicht – der augenblickliche Moment wie ein Paradigmenwechsel im Kuhnschen Sinne erscheinen mag.[11] Das könnte man auch als Chance sehen und nicht vorrangig als Gefahr. Die Veränderungen müssen auch von Historiker*innen aktiv gestaltet werden. Im Gegensatz zur offiziellen Pointe der Microsoft-Studie könnte schließlich gefolgert werden: Generative KI wird die Arbeit von Historiker*innen nicht ersetzen, aber deutlich verändern. Diese müssen daher die relevanten Facetten von KI-Anwendungen in Theorie und Praxis zumindest in ihren Grundsätzen durchdringen. Im Zuge dessen wird die Geschichtswissenschaft auch gezwungen, wieder mehr über ihr Handwerk zu reflektieren – auch für die und in der Öffentlichkeit.

Dr. Sebastian Kubon ist KI Referent am Historischen Seminar der LMU München und arbeitet zu generativer KI in der Geschichtswissenschaft [sebastian.kubon@lmu.de • Bluesky]

Dr. Charlotte Lerg ist Professor für Nordamerikanische Kulturgeschichte und Transatlantische Studien an der LMU München. Mit einem Interesse an Wissens- und Mediengeschichte sowie Visual Culture, widmet sie sich unter anderem Fragen am Schnittpunkt von Public History und Geschichtstheorie.

---

[1] Kiran Tomlinson, Sonia Jaffe, Will Wang, Scott Counts, and Siddharth Suri (Microsoft Research Microsoft). Working with AI: Measuring the Occupational Implications of Generative AI (10. Juli 2025, last revised Sep. 9 2025) https://arxiv.org/abs/2507.07935.

[2] Fabiola H. Gerpott, Stephan A. Jansen. Die Arbeit. Wie wir sie mit KI neu erfinden … und was für uns übrig bleibt. Hamburg 2025, schreiben zu den „Studien“ von Microsoft (anlässlich eines Beispiels von 2015), dass diese unter Wissenschaftlerinnen auch als „kreative Datenmassage zu Marketingzwecken“ betrachtet würden – leider ohne jedoch einen Beleg dafür anzugeben, S. 53.

[3] Schon 2021 brachte eine Umfrage der American Historical Association zu öffentlichen Vorstellungen von den Arbeitsweisen, Motiven und Zielen der historischen Wissenschaften ernüchternde Ergebnisse. Auch hier entstand ein Bild von Datenlisten, berühmten Persönlichkeiten und entdeckbaren Fakten; vgl. Peter Burkholder, Dana Schaffer. History, the Past, and Public Culture. Results from a National Survey.Washington, DC: American Historical Association, 2021, S. 9, 101; URL: https://www.historians.org/teaching-learning/current-events-in-historical-context/history-the-past-and-public-culture-results-from-a-national-survey.

[4] Ausnahmen: Florentina Armaselu. “Social Media: Snapshots in Public History”. Handbook of Digital Public History, edited by Serge Noiret, Mark Tebeau und Gerben Zaagsma, Berlin, Boston: De Gruyter Oldenbourg, 2022, S. 259-276, DOI: 10.1515/9783110430295-022; Berg, Mia, Andreas Lorenz und Kristin Oswald. Geschichte auf Instagram und TikTok. Berlin, Boston: De Gruyter Oldenbourg, 2025, DOI: 10.1515/9783111360874.

[5] Klaus Holzkamp. Lernen. Subjektwissenschaftliche Grundlegung. Frankfurt am Main u.a. 1995.

[6] Gleichzeitig bleibt weiterhin schwierig von der experimentellen und phänomenologischen Ebene auf eine analytische Theorieebene zu gelangen, nicht zuletzt da die Technologie weiterhin eine Blackbox bleibt, weil es bei den überwiegend privatwirtschaftlichen Konzernen, die die Infrastruktur tragen, an Transparenz mangelt.

[7] How to Cite AI-Generated Content, https://guides.lib.purdue.edu/c.php?g=1371380&p=10135074 (letzter Zugriff 06.10.2025).

[8] Knapp zur Entstehungsgeschichte des Begriffs Sebastian Rosengrün. Künstliche Intelligenz, In: Digitalität von A bis Z, hrsg. von Florian Arnold, Johannes C. Bernhardt, Daniel Martin Feige und Christan Schröter, Bielefeld 2024, S. 185-193, hier S. 185.

[9] E.M. Bender, T. Gebru, A. McMillan-Major, S. Shmitchell. “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?” Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (2021): 610–623, DOI: 10.1145/3442188.3445922; Siebe Bluijs, “Oracle, Echo, or Stochastic Parrot? Who (Or What) Speaks in KI-Generated Literature?” The Routledge Handbook of AI and Literature edited by Will Slocombeand, Genevive Liveley (Routledge 2024), DOI: 10.4324/9781003255789.

[10] Dies hat im Übrigen ein Experiment der Sendung mit der Maus gezeigt vom 22.06.2025. In dieser Sondersendung zu KI sollten zwei Redakteure ein Kinderlied inkl. Video erstellen. Jeder, der weitreichendere Erfahrungen mit Kindermusik hat, wird konstatieren, dass das Ergebnis ausgesprochen gut gelungen ist. Die Erstellung auf einem solchen Niveau hat aber nach Aussage der Redakteure letztlich viele Versuche und ca. drei Wochen gedauert. Wer also hochwertige Produkte mit KI erstellen will, muss auch weiterhin viel Arbeit investieren. https://www.ardmediathek.de/video/die-maus/ki-maeleon/wdr/Y3JpZDovL3dkci5kZS9CZWl0cmFnLXNvcGhvcmEtYWU0MDAzMDgtZGRjMy00ODI5LTk0OWEtM2U3ZGM2YTJkYmI0?isChildContent (letzter Zugriff 01.10.2025).

[11] Der von Thomas Kuhn geprägte Begriff des Paradigmenwechsel mit Blick auf wissenschaftliche Theoriebildung stößt hier an seine Grenzen, da wir es im Zuge der Digitalisierung mit einer engen Verflechtung von Theorie und Methode zu tun haben, die nicht zuletzt die Grenzen des Kuhnschen Begriffs selbst aufzeigt.

---

---