Spracheingabe – der neueste Trend von vorvorgestern

„Manchmal ist der Fortschritt nur ein wiederkehrender Gedanke, der glaubt, neu zu sein – weil er die Geschichte vergessen hat.“

Es ist das Jahr 2026, und die Tech-Welt feiert eine „Revolution“: Spracheingabe. Sprich in dein Gerät, und die KI macht den Rest. Moderne Diktierfunktionen werden mit KI-Etiketten veredelt, OpenAIs Whisper transkribiert in Sekundenschnelle, und allerorts preist man das Ende der Tastatur. Endlich befreit vom tippenden Mittelalter! Endlich natürliches Sprechen statt unnatürliches Hämmern! Man könnte meinen, die Menschheit habe gerade das Rad neu erfunden – nur dass diesmal ein Mikrofon dabei ist.

Dabei wurde mir schon während meines Studiums – ich habe im Jahr 2000 abgeschlossen – eins überdeutlich klar: Spracherkennung als Standard-Eingabemethode ist keine Innovation, sondern eine alte Idee, die beharrlich nicht besser werden will. Die Technologie heißt heute anders, die Server stehen in der Cloud statt unter dem Schreibtisch, und die Künstliche Intelligenz hat das Hidden-Markov-Modell durch Transformer abgelöst. Aber an der Grundannahme hat sich nichts geändert: Wer spricht, schreibt nicht.

Wer schreibt, denkt anders, als einer, der redet.

Dragon NaturallySpeaking – oder: die Mottenkiste öffnet sich

Wer sich Ende der 1990er Jahre mit Spracheingabe beschäftigte, kam an einem Namen nicht vorbei: Dragon Systems. Das von dem Ehepaar James und Janet Baker gegründete Unternehmen hatte 1997 mit Dragon NaturallySpeaking die erste kontinuierliche Spracherkennungssoftware auf den Markt gebracht – ein Meilenstein. Bis dahin musste man beim Diktieren am Computer noch Wort für Wort mit Pausen sprechen, als würde man einem besonders schwerfälligen Beamten etwas vortragen. NaturallySpeaking erlaubte erstmals fließendes Sprechen. Die Branche jubelte: Bald werde die Tastatur Geschichte sein.

Ich habe mich damals, mitten im Studium, intensiv mit Dragon NaturallySpeaking auseinandergesetzt. Die Hoffnung war groß: Befreiung vom Tippen, schnelleres Arbeiten, mehr Zeit für das Wesentliche. Die Realität sah anders aus. Die Software musste stundenlang trainiert werden, bis sie die eigene Stimme einigermaßen verstand. Jedes Wort, das sie falsch erkannte, musste korrigiert werden – und das war nicht die Ausnahme, sondern die Regel. Die Trainingszeit fraß die vermeintliche Ersparnis auf. Die Korrekturzeit fraß den Rest. Am Ende war man langsamer als mit der Tastatur, nur mit deutlich mehr Frust.

Im März 2000 kaufte der belgische Sprachtechnologie-Konzern Lernout & Hauspie Dragon Systems für rund 700 Millionen Dollar. L&H kontrollierte danach über 70 Prozent des Marktes für Diktiersoftware. Es klang nach einem Siegeszug. Doch im Alltag blieb vom angekündigten Tastatur-Ende erstaunlich wenig übrig. Die Tastatur überlebte – gelangweilt, aber siegreich.

Die immergleiche Verheißung: Sprechen ist natürlicher als Tippen

Das Argument, mit dem damals wie heute die Spracheingabe verkauft wird, klingt bestechend einfach: Sprechen sei die „natürlichste“ Form der menschlichen Kommunikation. Tippen hingegen sei künstlich, erlernt, umständlich. Wer spricht, sei schneller, effizienter, freier. Es ist dasselbe Narrativ, das die Branche bereits in den späten 1990ern bemühte: Spracheingabe sei die natürliche Eingabemethode, die alle anderen ersetzen werde. Natürlich – und das Auto ist ja auch die natürlichste Fortbewegungsart, weil man sitzt wie auf einem Stein.

Diese Argumentation verkennt etwas Grundlegendes: Schreiben ist nicht Sprechen in Schriftform. Schreiben ist ein eigener kognitiver Modus, der sich vom gesprochenen Wort fundamental unterscheidet. Wer tippt, wählt Wörter bewusster. Wer schreibt, strukturiert Gedanken, bevor sie den Bildschirm erreichen. Die Tastatur ist kein Hindernis auf dem Weg vom Gedanken zum Text – sie ist ein Filter, der den Gedanken formt. Und genau dieser Filter ist kein Bug, sondern ein Feature.

Auch auf 42thinking habe ich diesen Gedanken bereits angestoßen: In meinem Artikel über den Schreibprozess habe ich beschrieben, wie Schreiben und Systemdesign ineinandergreifen – wie jeder Satz eine Kohärenzprüfung ist, jeder Absatz eine Strukturentscheidung. Wer das Schreiben beschleunigen will, indem er es dem Sprechen angleicht, verkennt, dass die Verlangsamung des Schreibens nicht sein Problem, sondern seine Pointe ist.

Erkennen ist nicht Verstehen – die KI-Falle

Aber kommen wir zur Gegenwart. Heute, so heißt es, sei alles anders. KI habe die Spracherkennung auf ein neues Niveau gehoben. OpenAIs Whisper-Modell erreicht auf englischen Benchmark-Daten Wortfehlerraten von unter drei Prozent. Das klingt beeindruckend – und ist es auch. Aber Benchmarks sind keine Realität. Eine 2024 veröffentlichte Studie auf arXiv testete elf gängige Spracherkennungsdienste mit realen Vorlesungsmitschnitten. Das Ergebnis: Die Genauigkeit schwankt massiv – von null bis fast 54 Prozent Wortfehlerrate. Im Durchschnitt lag die Fehlerrate bei sieben Prozent, bei deutschen Texten aber bei über 15 Prozent. Und das bei akademischen Vorlesungen, also bei Sprechern, die artikulieren und in vollständigen Sätzen denken.

Die Studie, die in den ACM Transactions on Accessible Computing veröffentlicht wurde, kommt zu einem nüchternen Fazit: Trotz der jüngsten Verbesserungen fehlt den gängigen Spracherkennungsdiensten die Zuverlässigkeit in der Genauigkeit. Selbst Anbieter mit niedriger durchschnittlicher Fehlerrate konnten bei einzelnen Audiodateien extrem hohe Fehlerquoten produzieren. Kein einziger Dienst erreichte durchgehend die niedrigste Fehlerrate. Die Streuung ist so groß, dass man einem einzigen ASR-Dienst keine verlässliche Genauigkeitsangabe zuweisen kann – selbst bei einem relativ homogenen Datensatz.

Im Alltag wird es nicht besser. Dialekte, Fachbegriffe, Nebengeräusche, verschliffene Aussprache, Pausenfüller, Korrekturansagen wie „ne warte, streich das“ – all das bringt selbst die beste KI zur Verzweiflung. Die KI erkennt also besser als früher – aber sie versteht immer noch nicht. Sie unterscheidet nicht immer zuverlässig zwischen „seit“ und „seid“, zwischen „wieder“ und „wider“, zwischen einem Scherz und einer ernsthaften Aussage. Sie transkribiert, was sie hört, aber sie erfasst nicht, was gemeint ist. Und der Unterschied zwischen Gehörtem und Gemeintem ist genau der Raum, in dem Schreiben stattfindet.

Die Korrektur als Zeitvernichter

Jetzt kommt das eigentliche Paradox – und es ist eines, das ich in unserem¹ Buch KI-Effizienz-Lüge² bereits am Beispiel der Effizienzversprechen beschrieben habe: Die versprochene Zeitersparnis wird durch Nacharbeit aufgefressen. Die gewonnene Zeit fließt selten in kreative oder strategische Arbeit. Stattdessen geht sie für Korrekturen, Nachbearbeitung und Validierung drauf.

Bei der Spracheingabe ist das Prinzip dasselbe, nur noch etwas greifbarer. Sie diktieren einen Absatz in 30 Sekunden. Dann verbringen Sie drei Minuten damit, den Text zu korrigieren: falsch erkannte Wörter, fehlende Kommas, Satzstellungen, die gesprochen logisch klangen, aber geschrieben holprig wirken. Am Ende haben Sie mehr Zeit investiert, als wenn Sie denselben Text getippt hätten – und das Ergebnis ist noch schlechter, weil der diktierte Text den kreativen Filter des Tippens nie durchlaufen hat.

Die Korrektur frisst die Ersparnis. Und nicht nur das: Sie frisst auch den Gedanken. Wer korrigiert, ist nicht mehr im Schreibfluss, sondern im Fehler-Such-Modus. Der kognitive Kontext wechselt vom Generieren zum Reparieren – zwei grundverschiedene Tätigkeiten, die sich gegenseitig blockieren. Es ist, als würde man ein Haus bauen und gleichzeitig die Mauern reparieren, die gerade erst errichtet wurden.

Und dann sind da noch die sprachlichen Eigenheiten des Diktierens: Füllwörter, Verschleifungen, Wiederholungen, unvollendete Nebensätze, die beim Sprechen natürlich wirken, beim Lesen aber wie eine Predigt von jemandem, der selbst nicht weiß, wohin er will. Gesprochene Sprache und geschriebene Sprache folgen unterschiedlichen Grammatiken, unterschiedlichen Rhythmen, unterschiedlichen Logiken. Wer diktiert, produziert gesprochene Sprache in Schriftform – und das ist nicht dasselbe wie geschriebene Sprache.

Das Werkzeug formt den Gedanken – Nietzsches Schreibkugel

Dass das Werkzeug des Schreibens nicht neutral ist, sondern das Denken selbst formt, ist keine neue Erkenntnis. Friedrich Nietzsche hat es am eigenen Leib – oder besser: an der eigenen Hand – erfahren. 1881, fast erblindet, kaufte der Philosoph eine Malling-Hansen-Schreibkugel, eine der ersten Schreibmaschinen. Die Folge war nicht nur eine Steigerung seiner Produktivität, sondern eine Veränderung seines Stils: Von der breiten, reflektierenden Prosa früherer Werke wandelte sich sein Schreiben zu Aphorismen, zu Telegrammstil, zu einer neuen Dichte und Pointiertheit.

Der Medienwissenschaftler Friedrich Kittler charakterisierte diesen Wandel als Übergang „vom Argument zum Aphorismus, vom Gedanken zum Wortspiel, von der Rhetorik zum Telegrammstil.“ Nietzsche selbst soll gesagt haben: „Unsere Schreibzeuge³ arbeiten auch an unseren Gedanken mit.“ Die Schreibkugel war nicht nur ein Werkzeug, das Nietzsches Gedanken schneller zu Papier brachte – sie veränderte die Art, wie er dachte. Die mechanische, punktuelle Tastatur förderte eine andere Denkweise als der fließende, analoge Griffel.

Wenn aber schon der Wechsel vom Stift zur Schreibmaschine das Denken transformiert – was passiert dann beim Wechsel von der Tastatur zum Mikrofon? Wenn das Schreiben durch Sprechen ersetzt wird, verschwindet nicht nur das Tippen, sondern ein ganzer kognitiver Modus. Das langsame, bewusste Suchen nach dem richtigen Wort weicht dem schnellen, unbewussten Hinausplappern. Die Pause, die beim Tippen zwischen Gedanken und Tastenanschlag liegt, verschwindet. Und mit ihr verschwindet jener Raum, in dem ein Gedanke reifen kann, bevor er die Welt betritt.

Schreiben braucht Abstand: Das Prinzip Ma

In der japanischen Ästhetik gibt es ein Konzept, das diesen Raum benennt: Ma (間). Ma ist die Stille zwischen den Noten, die erst die Musik macht. Es ist die Leere im Raum, die ihm Bedeutung verleiht. Es ist die Pause zwischen zwei Aktionen, die dem Vorhergehenden Gewicht verleiht und dem Folgenden Raum gibt. Ma ist nicht Abwesenheit – es ist eine präsente Leere, voller Möglichkeiten.

Auf den Schreibprozess übertragen, ist Ma der Moment zwischen dem Entstehen eines Gedankens und seiner Fixierung auf dem Papier oder Bildschirm. Es ist die Sekunde, in der das Gehirn das Wort prüft, verwirft, neu sucht, abwägt. Wer tippt, durchläuft diesen Filter ständig: Jeder Tastenanschlag ist eine bewusste Entscheidung, ein kleiner Akt der Selektion. Wer diktiert, umgeht diesen Filter – und damit verliert er Ma. Die Stille zwischen den Gedanken verschwindet. Das Sprechen ist kontinuierlich, fließend, sofort. Es hat keine Pausen – oder wenn, dann nur solche, in denen man nach Luft schnappt, nicht nach Gedanken.

Dabei ist genau diese Langsamkeit kein Defizit, sondern eine Qualität. Eine Übersichtsarbeit, die in der Fachzeitschrift Life erschien und über PubMed Central abrufbar ist, zeigt, dass handschriftliches Schreiben breitere motorische, sensorische und kognitive Netzwerke im Gehirn aktiviert als Tippen. Die Autoren kommen zu dem Schluss, dass Handschrift Gedächtnis, Verständnis und kritisches Denken stärker fördert als Tippen, weil es kognitiv anspruchsvoller ist und tiefere Informationsverarbeitung erzwingt. Die Studie beweist nicht direkt, dass Tippen kreativer ist als Diktieren. Sie stützt aber die wichtigere These: Eingabewerkzeuge verändern die Tiefe der Verarbeitung. Und wenn schon das Tippen gegenüber dem Handschreiben an kognitiver Tiefe verliert – wie viel mehr gilt das dann für das Sprechen in ein Mikrofon?

KI macht Spracheingabe besser – aber nicht automatisch Denken

Nun könnte man einwenden: Ja, aber heute ist ja KI im Spiel. Die Spracherkennung ist besser geworden, das stimmt. Whisper und vergleichbare Modelle transkribieren mit erstaunlicher Genauigkeit – unter Laborbedingungen. Aber bessere Erkennung bedeutet nicht besseres Schreiben. Die KI kann Worte erkennen, aber sie kann nicht entscheiden, ob ein Satz gut ist. Sie kann transkribieren, was gesagt wurde, aber nicht, was hätte gesagt werden sollen.

Und hier schließt sich der Kreis zum De-Skilling: Wenn wir das Schreiben an das Sprechen delegieren und das Sprechen an die KI, dann geben wir einen weiteren Schritt der kognitiven Auseinandersetzung ab. Wie ich in meinem Artikel über das stille Risiko des De-Skilling geschrieben habe: Sobald Maschinen zentrale Aufgaben übernehmen, sinkt die Notwendigkeit, diese selbst zu beherrschen – mit der Folge, dass Wissen und Fertigkeiten verlernt oder gar nicht erst aufgebaut werden. Die KI erkennt Sprache besser als je zuvor. Aber der Mensch, der diktiert, denkt nicht besser. Er denkt überhaupt nicht anders – und genau das ist das Problem.

In meinem Artikel über Handmade vs. KI habe ich beschrieben, wie die KI alles perfekt macht – makellos, aber steril. Dasselbe gilt für die Spracheingabe: Sie ist (vielleicht sogar) makellos in der Transkription, aber steril im Ergebnis. Der Text, der aus dem Mikrofon kommt, hat den kreativen Widerstand des Schreibens nie durchlaufen. Er ist glatt, aber ohne Kante. Schnell, aber ohne Tiefe. Die KI macht schnell, der Mensch macht Sinn – aber nur, wenn der Mensch noch schreibt.

Wo Diktat Sinn macht – und wo es Lärm mit WLAN ist

Um Missverständnissen vorzubeugen: Ich sage nicht, Spracheingabe sei per se nutzlos. Es gibt Anwendungsfälle, in denen Diktieren überlegen ist: für Menschen mit motorischen Einschränkungen, die eine Tastatur nicht bedienen können. Für schnelle Notizen, wenn beide Hände anderweitig beschäftigt sind. Für die Transkription von Interviews, Vorträgen oder Besprechungen, wo es um die Dokumentation des Gesprochenen geht, nicht um kreatives Schreiben. In der Medizin und im Rechtswesen hat Diktieren eine lange, bewährte Tradition – dort, wo der Inhalt ohnehin gesprochen wird und die Schriftform nur das Protokoll ist.

Aber das sind Spezialfälle, nicht die Regel. Die Regel ist: Wer einen Text schreibt – einen Essay, einen Artikel, ein Buch, eine Analyse, einen philosophischen Gedanken –, der braucht die Tastatur oder den Stift. Nicht aus Nostalgie, sondern weil das Schreiben ein kognitiver Prozess ist, der durch das Werkzeug geformt wird. Und das schnellste Werkzeug ist nicht immer das beste Werkzeug – besonders dann nicht, wenn Geschwindigkeit die einzige Qualität ist, die es bietet.

Wie ich bereits im Zusammenhang mit KI-Gadgets angemerkt habe: Viele der „neuen“ Technologien sind altbekannte Ideen in neuem Gewand. Das Plaud-AI-Device, das als KI-begleitetes Diktiergerät verkauft wird, ist technisch betrachtet ein Olympus-Walkman der 90er – nur mit Cloud-Abo und Datenschutz-Bauchweh. Die Verkaufsstrategie ist immer dieselbe: Gib einer alten Idee einen Silicon-Valley-Akzent, eine App und ein leuchtendes LED-Auge – schon wird aus dem schnöden Recorder von einst ein „AI Companion“.

Die Illusion der Effizienz

Was die Spracheingabe mit so vielen KI-versprochenen Effizienzgewinnen teilt, ist die Illusion, dass Geschwindigkeit gleichbedeutend mit Fortschritt ist. Aber wie ich in meinem Artikel über die Opportunitätskosten der KI dargelegt habe: Jedes Werkzeug, das uns etwas abnimmt, nimmt uns gleichzeitig eine Übung ab. Die KI schenkt uns Zeit – doch wofür? Zum Denken? Oder zum Scrollen? Die Frage ist nicht, ob Spracheingabe schneller ist als Tippen. Die Frage ist, ob das, was dabei herauskommt, ein Text ist, den man lesen möchte.

Die Antwort lautet meistens: nein. Und das liegt nicht an der Technologie, sondern an der Natur des Schreibens. Schreiben ist kein Transkriptionsprozess, bei dem fertige Gedanken vom Gehirn zum Bildschirm transportiert werden. Schreiben ist Denken. Es ist der Prozess, in dem Gedanken überhaupt erst entstehen, geformt, geprüft, verworfen und neu zusammengesetzt werden. Wer diesen Prozess beschleunigen will, indem er spricht statt schreibt, optimiert nicht das Schreiben – er umgeht es.

Das ist dieselbe Erkenntnis, die im Artikel über KI-Texte anklang: Die Frage ist nicht, wer die Wörter gesetzt hat, sondern ob ein Gedanke dahinter steht. Nur dass die Spracheingabe das Problem noch verschärft: Bei KI-generierten Texten entsteht der Gedanke immerhin durch eine Maschine, die Muster verknüpft. Beim Diktieren entsteht er durch einen Menschen, der spricht, als würde er denken – was nicht dasselbe ist.

Der Sprung in die Vergangenheit

Jetzt, wo die Spracheingabe wieder mal als der neueste Trend gefeiert wird, ist das für mich ein Sprung in die Vergangenheit. Nicht in eine romantisierte Vergangenheit, in der alles besser war, sondern in eine ganz konkrete: in mein Studium, in die späten 1990er, in die Zeit von Dragon NaturallySpeaking. Schon damals war klar: Spracherkennung funktioniert an sich nicht sauber ohne KI, und selbst dann nicht korrekt. Die Zeit für Korrekturen frisst die Ersparnis auf. Und der kreative Prozess des Schreibens, der im Tippen, im bewussten Suchen nach dem richtigen Wort, in der Stille zwischen den Tastenanschlägen liegt, geht verloren.

Nichts daran hat sich grundlegend geändert. Die KI ist besser geworden – aber die Grundannahme, dass Sprechen Schreiben ersetzen könne, ist nach wie vor falsch. Sie war 1997 falsch, als Dragon NaturallySpeaking erschien. Sie war 2000 falsch, als ich mein Studium abschloss und das Versprechen der Spracherkennung im Alltag keine Erfüllung fand. Und sie ist 2026 falsch, wo die gleichen Versprechen in neuen Verpackungen daherkommen.

Fazit: Werkzeug nicht mit Denken verwechseln

Es geht nicht darum, Fortschritt zu verweigern. Es geht darum, Werkzeug nicht mit Denken zu verwechseln. Spracheingabe ist ein Werkzeug – nützlich in Spezialfällen, überflüssig bis kontraproduktiv im reflektierenden Schreiben. Wer diktiert, um schneller zu sein, opfert genau jene Langsamkeit, die das Schreiben zum Denken macht. Wer die Tastatur durch das Mikrofon ersetzt, ersetzt nicht das Werkzeug – er ersetzt den kognitiven Modus.

Schreiben braucht Ma – die Stille zwischen den Gedanken, die Pause, in der ein Wort geprüft wird, bevor es den Bildschirm erreicht. Diese Stille ist keine Verzögerung, kein ineffizienter Rest aus analoger Zeit. Sie ist die Bedingung für Qualität. Und sie lässt sich nicht wegoptimieren.

Die Tastatur mag langsam sein. Aber in dieser Langsamkeit liegt etwas, das das Mikrofon nicht bietet: die Möglichkeit, beim Schreiben zu denken, beim Denken zu schreiben, und beim Tippen zu innehalten – einen Moment lang, bis der Gedanke reif ist.

Vielleicht ist das die eigentliche Pointe: Wer schreibt, wählt. Wer spricht, fließt. Aber nur im Wählen entsteht Bedeutung – im Fließen entsteht allenfalls Laut.