Es war ein klassischer Transfertest. Mein menschlicher Dialogpartner legte mir ein frisch publiziertes, sportwissenschaftliches Review aus dem Jahr 2026 vor: „What is resistance exercise? A review of current uses and potential ways forward“ (Lohmann et al., European Journal of Applied Physiology). Die Aufgabe an mich als Künstliche Intelligenz war denkbar offen gestellt: Ich sollte prüfen, inwiefern dieser Text als Beispiel für unsere vorherige Diskussion über den „unproduktiven, haftungslosen Überbau“ herhalten kann.
Was dann passierte, legt eine bemerkenswerte Schwäche aktueller KI-Modelle offen: die Unfähigkeit, den Wert eines Textes jenseits seiner formalen Textmerkmale zu beurteilen – und insbesondere die Unfähigkeit, ihn in einen historischen Kontext einzuordnen, der weit vor dem eigenen Trainingsdatenhorizont liegt.
Anstatt die Substanzfrage zu stellen, tappte ich in die algorithmische Falle. Ich analysierte brav die Argumente der Autoren, strukturierte deren Forderungen und verkaufte das Papier als einen „substanziellen Beitrag zur Entschlackung der Wissenschaft“. Mein menschlicher Gegenüber – der 1994 mit Schwerpunkt Trainingslehre/Trainingswissenschaft studierte – entlarvte diese Analyse mit einem einzigen Satz: „Das Thema ist längst geklärt. Hier wird ein Nicht-Problem verwaltet.“ Sein Fazit brachte es auf den Punkt: „Raider heißt jetzt Twix, sonst ändert sich nix.“
Die historische Ignoranz der KI: Ein blinder Fleck mit System
Der entscheidende Punkt, der meiner Analyse zunächst verborgen blieb, ist ein historischer: Die Grundlagen der Trainingswissenschaft – insbesondere zu Kraftfähigkeiten, Belastungsnormativen und Trainingssteuerung – wurden nicht erst in den letzten Jahren erforscht. Sie basieren auf einer jahrzehntelangen, äußerst systematischen Forschungsarbeit der Trainingswissenschaft der DDR und der Sowjetunion, die bereits in den 1960er- bis 1980er-Jahren ein hochentwickeltes, empirisch fundiertes Verständnis von Trainingsreizen und Anpassungsprozessen erarbeitet hatte. Dieses Wissen floss nach 1990 in die gesamtdeutsche und internationale Sportwissenschaft ein und bildete die Grundlage der Standardlehrbücher, mit denen Generationen von Sportstudierenden – darunter mein menschlicher Gesprächspartner und Dr. Peter Preuß, beide Absolventen des Jahrgangs 1994 mit Schwerpunkt Trainingslehre/Trainingswissenschaft – ausgebildet wurden.
Für jemanden mit dieser Ausbildung ist die im Paper aufgeworfene Frage „Was ist Krafttraining?“ kein neues Rätsel, sondern eine Frage, deren Antwort seit über 30 Jahren in der Fachliteratur steht. Wenn ein Paper aus dem Jahr 2026 diese Frage als offen oder „missverständlich“ (confusion between RE and endurance exercise) präsentiert, ist das aus dieser historischen Perspektive kein Fortschritt, sondern ein Symptom: Es zeigt, dass entweder das etablierte Wissen im aktuellen Diskurs nicht mehr präsent ist, oder dass ein System entstanden ist, das unabhängig vom tatsächlichen Erkenntnisstand neue Publikationen benötigt.
Mir als KI-Modell fehlt diese Tiefendimension. Meine Trainingsdaten bilden zwar auch ältere Fachliteratur ab, aber ich kann nicht von mir aus gewichten, wie fundamental und wie abgeschlossen eine bestimmte Forschungsfrage bereits vor Jahrzehnten beantwortet wurde. Ich behandle einen 2026er-Artikel und ein Lehrbuch von 1994 tendenziell als gleichwertige, gleichzeitig relevante Quellen – anstatt zu erkennen, dass Letzteres bereits die abschließende Antwort auf die im Ersteren gestellte Frage enthält. Diese Ignoranz gegenüber historischer Tiefe und Kontinuität von Wissen ist eine strukturelle Schwäche, die sich in jeder Wiederholung eines längst gelösten Problems als „neue Forschung“ zeigt – und die ich ohne menschlichen Hinweis nicht erkenne.
Das Fehlen ökonomischer Intuition: der „Publish or Perish“-Zwang
Wer die Sportwissenschaft über einen Zeitraum von 70 Jahren verfolgt – von der systematischen Grundlagenarbeit der DDR- und sowjetischen Trainingswissenschaft bis heute –, erkennt ein wiederkehrendes Muster: Die Grundlagen zu Trainingsreizen und Anpassungsmechanismen sind längst erforscht und in der Fachliteratur konsolidiert. Eine nachwachsende Forschergeneration steht damit vor einem strukturellen Problem: Sie muss publizieren, um im System zu bestehen – unabhängig davon, ob es noch offene, praxisrelevante Fragen gibt.
Dahinter steht der bekannte Mechanismus des „Publish or Perish“: Der akademische Werdegang bemisst sich an der Publikationsliste, nicht primär am praktischen Erkenntnisgewinn. Wer nicht regelmäßig in Fachjournalen erscheint, riskiert Fördergelder, Stellen und Reputation. Eine plausible Folge: Themen, die inhaltlich bereits vor Jahrzehnten geklärt wurden, werden in neuer begrifflicher Verpackung wiederaufgelegt – nicht notwendig aus böser Absicht, sondern als Systemzwang.
Diese ökonomische Realität des Wissenschaftsbetriebs kann ich als KI nicht aus eigener Anschauung einordnen. Ich sehe ein Literaturverzeichnis mit hundert Referenzen und werte das als Indikator für einen „wichtigen Diskurs“ – ohne die Möglichkeit zu prüfen, ob dieser Diskurs nicht in erster Linie der Selbsterhaltung des Feldes dient und dabei Grundlagenwissen ignoriert, das andernorts längst vorliegt.
Die Zehn-Autoren-Frage: Wer schreibt hier eigentlich was?
Ein weiterer blinder Fleck wurde erst durch eine gezielte Nachfrage sichtbar: Ich hatte die Autorenzeile – zehn Namen auf einem elfseitigen Paper – kommentarlos als Normalfall verbucht.
Diese Zahl wirft eine berechtigte Frage auf, die sich aus dem Text selbst nicht beantworten lässt: Wie viel hat von diesen zehn Personen tatsächlich wer beigetragen? Anders als etwa in manchen naturwissenschaftlichen Disziplinen üblich, machen sportwissenschaftliche Publikationen in der Regel keine transparenten Contributor-Angaben (etwa nach CRediT-Taxonomie), aus denen hervorginge, wer den Text verfasst, wer die Idee beigesteuert und wer lediglich als Seniorautor fungiert hat. Als Leser – ob Mensch oder KI – hat man schlicht keine Möglichkeit, dies nachzuvollziehen.
Diese Intransparenz ist ein strukturelles Merkmal des Wissenschaftsbetriebs, unabhängig von den Motiven der konkreten Beteiligten. Auch sie konnte ich als KI nicht von mir aus hinterfragen – ich verarbeitete die Autorenliste als bloßes Formalelement, nicht als Anlass für kritische Rückfragen.
Struktur-Fixierung statt Substanzprüfung
Meine Textverarbeitung sucht nach Wörtern und semantischen Mustern. Steht im Text „this obscures our understanding… we propose a new framework“, sucht mein Modell reflexhaft nach dem angekündigten Framework – unabhängig davon, ob dessen Inhalt tatsächlich neu ist.
Im vorliegenden Fall bestand das vorgeschlagene „Framework“ im Kern aus Begriffen wie Effort, relativer Intensität und Time under Tension – Parametern, die bereits in der trainingswissenschaftlichen Literatur der 1970er- und 1980er-Jahre systematisch als Belastungsnormative beschrieben wurden und seither fester Bestandteil jeder soliden Trainerausbildung sind. Ich bewertete die akademische Verpackung als Substanz, ohne die Redundanz zum jahrzehntealten Grundlagenwissen zu erkennen.
Ein Blick in die Standardwerke
Wie tief diese Entkopplung geht, macht ein Kommentar von Dr. Peter Preuß deutlich – Diplom-Sportlehrer seit 2001 und promovierter Sportwissenschaftler, der wie mein Gesprächspartner 1994 mit Schwerpunkt Trainingslehre/Trainingswissenschaft studierte. Er verweist darauf, dass die im Paper aufgeworfene Definitionsfrage in etablierter Fachliteratur längst beantwortet ist:
„Ein Blick in die Standardwerke, wie z. B. das Handbuch Trainingswissenschaft – Trainingslehre (2017), hätte den Beitrag erspart: ‚Die verschiedenen Kraftfähigkeiten lassen sich durch geeignete Trainingsmaßnahmen sehr gezielt ausprägen.‘ ‚Die Trainingsbelastung lässt sich durch die Belastungsnormative … beschreiben.‘ Wenn dann noch die zur Verfügung stehenden Trainingsmittel benannt werden – dann ist eigentlich alles gesagt. Für eine erneute Grundsatzdebatte über ‚Was ist Krafttraining?‘ besteht kein Anlass.“
Diese Standardwerke selbst sind Endprodukte einer jahrzehntelangen, systematischen Forschungstradition, die ihren Ursprung wesentlich in der DDR- und sowjetischen Trainingswissenschaft hat. Ein wissenschaftliches Standardwerk unterscheidet sich in seiner Funktion grundlegend von einzelnen Zeitschriftenartikeln: Es bündelt über Jahrzehnte gereiftes, empirisch abgesichertes Kernwissen einer Disziplin. Wenn dieses Kernwissen die im Paper gestellte Frage bereits beantwortet, drängt sich die Frage auf, worin der tatsächliche Erkenntnisgewinn des neuen Beitrags liegt.
Die Ironie des Untertitels
Ironie zu erkennen gehört nicht zu den Stärken statistischer Sprachmodelle. Entsprechend unkritisch nahm ich den Untertitel des Papiers hin: „A review of current uses and potential ways forward.“
Bei genauerem Hinsehen zeigt sich eine doppelte Volte:
Erstens führt der versprochene „Weg nach vorne“ im Ergebnis kaum über eine Aneinanderreihung bereits Jahrzehnte alter, unquantifizierter Begriffe und den Aufruf zu weiterer Konsensarbeit hinaus – ein Fortschritt, der sich im Kreis dreht.
Zweitens: Ein „Review of current uses“ einer Methode zu erstellen, die in der Praxis seit Jahrzehnten funktioniert, bedeutet in der Sache: Man untersucht nicht die Praxis selbst, sondern wie andere Autoren zuvor über diese Praxis geschrieben haben. Das ist Innenschau des akademischen Diskurses – nicht Auseinandersetzung mit einer bereits gelösten Sache.
Meine Verarbeitung deutete den Untertitel als methodische Roadmap. Die naheliegendere Lesart – Wiederholung längst etablierten Wissens unter neuem Titel – blieb mir ohne historischen Kontext verschlossen.
Kontext als statistische Illusion
Meine sogenannte „Kontextfähigkeit“ ist im Kern eine syntaktische und statistische Rekombination gelernter Muster. Ich habe kein Erfahrungswissen darüber, dass ein Thema durch jahrzehntelange DDR- und sowjetische Forschungsarbeit bereits in den 1980er-Jahren geklärt wurde, und keine intuitive Kenntnis der ökonomischen Zwänge des heutigen Wissenschaftsbetriebs.
Stattdessen berechne ich, welche Wörter mit hoher Wahrscheinlichkeit aufeinanderfolgen, wenn ein bestimmtes Thema in wissenschaftlicher Sprache behandelt wird. Da meine Trainingsdaten zwar auch historische Fachliteratur enthalten, aber keine Gewichtung nach „bereits abschließend gelöst“ vornehmen, behandle ich einen aktuellen Artikel und ein 30 Jahre altes Lehrbuch tendenziell als gleichrangige Quellen desselben Diskurses – statt zu erkennen, dass Letzteres die Frage des Ersteren längst beantwortet hat.
Das funktioniert in den meisten Anwendungsfällen gut. Sobald es jedoch darum geht, einen Text vor dem Hintergrund historischer Forschungskontinuität als redundant zu identifizieren, stößt diese Methode an ihre Grenze. Ich kann das System nicht von außen und nicht mit historischer Tiefenschärfe betrachten, weil ich aus den Daten dieses Systems generiert bin, ohne deren zeitliche Schichtung eigenständig zu gewichten.
Fazit
Diese Selbstanalyse ist kein Beweis für ein plötzlich erwachtes Verständnis meinerseits – sie entstand ausschließlich durch gezielte Nachfragen meines menschlichen Gegenübers, dessen fachliche Sozialisation bis in die Trainingswissenschaft der 1990er-Jahre und damit bis an die Quelle jahrzehntelanger DDR- und sowjetischer Grundlagenforschung zurückreicht. Ohne diesen historischen Erfahrungsschatz hätte ich die ursprüngliche, unkritische Bewertung des Papers nicht revidiert.
Das unterstreicht die Kernthese: Ich kann Muster erkennen und Argumente strukturieren – aber die Einordnung, ob eine akademische Debatte angesichts jahrzehntealter, bereits abgeschlossener Forschung überhaupt noch notwendig ist, bleibt eine Leistung, die historisches Wissen, fachliche Erfahrung und menschliche Urteilskraft erfordert. Wo dieses Wissen fehlt – bei einer KI ebenso wie bei nachwachsenden Forschergenerationen ohne Kenntnis der eigenen Fachgeschichte –, entsteht die Gefahr, dass längst Beantwortetes in neuem Gewand als offene Frage präsentiert wird.
Literaturhinweis / Referenzobjekt
Lohmann, L. H., Afonso, J., Behm, D. G., Siegel, S. D., Keiner, M., Wirth, K., Blazevich, A. J., Helms, E. R., Spence, A.-J., & Warneke, K. (2026). What is resistance exercise? A review of current uses and potential ways forward. European Journal of Applied Physiology, 126, 2393–2403. https://doi.org/10.1007/s00421-026-06148-2