Die leise Rückkehr der Stimme

Die Assistenten stagnieren. Das Diktieren hebt ab – nach eigenen Angaben

Wer „Alexa, stell einen Timer“ sagt, nutzt die erste Art der Spracheingabe. Wer eine E-Mail diktiert, statt sie zu tippen, die zweite.

Insgesamt gibt es fünf Arten, und in den letzten zwei Jahren haben sie sich auseinanderentwickelt: Befehle an Assistenten, das Diktieren von Text, Sprachnachrichten, gesprochene Unterhaltungen mit KI-Modellen und die Stimme beim Programmieren und beim Erteilen von Aufgaben an KI-Agenten.

Die erste Art erreicht kaum noch neue Menschen. In den USA besaßen im Jahr 2021 33 % einen Smart Speaker, im Jahr 2025 waren es 35 %; das Umfrageinstitut selbst sagt, die Zahl habe sich in vier Jahren kaum bewegt.¹

Großbritannien ist die Ausnahme: von 25 % auf 45 % im selben Zeitraum, vor allem dank Alexa.² Die Nutzung pro Besitzer stieg länger weiter: von 7,5 Aufgaben pro Woche am Lautsprecher im Jahr 2017 auf 12,4 im Jahr 2022.³

Geschäftlich aber ist die erste Welle gescheitert. Amazons Gerätesparte verlor zwischen 2017 und 2021 mehr als 25 Milliarden Dollar, weil die Leute Echo für Wecker und Wetterbericht nutzten, nicht zum Einkaufen.⁴

Die zweite Welle sieht man fast nur in dem, was Unternehmen über sich selbst erzählen. Wispr Flow, eine Diktier-App, stieg von einer Bewertung von 700 Millionen Dollar im November 2025 auf 2 Milliarden Dollar im August 2026.⁵

Google sagt, 63 % der mehr als einer Milliarde monatlichen Nutzer der Gemini-App „nutzen Sprache“ – ohne zu verraten, wie das gezählt wurde.⁶ Laut Apple wuchsen die Siri-Anfragen von etwa 1,5 Milliarden pro Tag im Jahr 2024 auf mehr als 2,5 Milliarden im Jahr 2026.⁷

Die großen unabhängigen Umfragen – Pew, YouGov, Edison, Ofcom – fragen Diktieren oder Sprachchats mit KI noch nicht gesondert ab. Am nächsten kommt eine Erhebung, nach der 57 % der Amerikaner ab 12 Jahren schon einmal einen generativen KI-Assistenten genutzt hatten, getippt oder gesprochen.⁸

Die Wachstumskurve der zweiten Welle zeichnen also Beteiligte mit eigenem Interesse.

Sprachnachrichten, die dritte Art, sind eine Massengewohnheit, aber keine wachsende. Die letzte offizielle Zahl von WhatsApp: 7 Milliarden pro Tag, Stand März 2022.¹⁰

In einer YouGov-Umfrage unter 2.442 Amerikanern im Februar 2026 schickten etwa 10 % mehrmals pro Woche Sprachnachrichten, und 41 % sagten, das Format betreffe sie nicht. Ebenso viele nutzten sie seltener (12 %) wie häufiger (11 %).⁹

Beim Abschreiben dreimal schneller. Beim Formulieren etwa 1,4-mal

Die meistzitierte Zahl über die Stimme: Sprechen ist dreimal schneller als Tippen. Das stimmt – fürs Abschreiben. Im Experiment dahinter gaben 48 Menschen, 24 pro Sprache, kurze vorgegebene Sätze auf einem iPhone ein.

Auf Englisch schafften sie per Stimme 153 Wörter pro Minute, auf der Bildschirmtastatur 52; auf Mandarin 123 gegen 43.¹¹

Die Autoren selbst nennen das eine Obergrenze, erreicht im Labor. Und niemand schreibt, indem er abschreibt.

2020 baten Foley, Casiez und Vogel 28 Menschen, auf dem Handy einen eigenen Satz zu formulieren, der drei einfache Bilder verbindet. Solange tatsächlich gesprochen oder getippt wurde, lag die Stimme weiterhin dreimal vorn: 116,5 gegen 35,1 Wörter pro Minute.

Über den ganzen Versuch gerechnet aber – nachdenken, sprechen, korrigieren – brauchte eine Nachricht per Stimme 20,8 Sekunden und per Tastatur 29,2. Das ist etwa das 1,4-Fache, nicht das Dreifache.¹²

Zwei Dinge fraßen den Vorsprung auf. Vor dem ersten Wort dachten die Leute doppelt so lange nach, wenn sie gleich sprechen sollten: 11,0 Sekunden gegen 5,3. Beim Tippen denkt man unterwegs; beim Sprechen plant man den Satz vorher.

Und jede Korrektur kam teuer: Über beide Methoden und beide Aufgaben hinweg erreichten Versuche, bei denen etwas korrigiert werden musste, 54,6 Wörter pro Minute, fehlerfreie dagegen 141,1.

Zur Einordnung: Freiwillige in einem Online-Tipptest schafften auf einer physischen Tastatur im Schnitt 52 Wörter pro Minute, gemessen an 168.000 Menschen,¹³ und auf dem Handy 36, gemessen an 37.000.¹⁴

Einen kontrollierten Vergleich zwischen Formulieren per Stimme und an der Desktop-Tastatur mit heutiger Spracherkennung gibt es nicht. Der letzte stammt von 1999: Erstnutzer formulierten per Stimme mit 7,8 Wörtern pro Minute, Korrekturen eingerechnet, gegenüber 19 mit Tastatur und Maus; beim Abschreiben waren es 13,6 gegen 32,5.¹⁵

Ihr Sprechtempo ist das Tempo Ihres Mundes, nicht das des Diktierens: Hier wird nichts erkannt, und nichts muss korrigiert werden. Das Verhältnis Ihrer beiden Zahlen ist das Maximum, das die Stimme Ihnen je bringen kann.

In Foleys Experiment war reines Sprechen 3,3-mal so schnell wie Tippen, der ganze Versuch 1,4-mal: Nach Nachdenken und Korrigieren blieben etwa 40 % des Tempovorteils übrig.

Was die Maschine hört, hängt davon ab, wer spricht

Sagen Sie „Verschieb das Meeting auf Donnerstag um zehn“ in einem ruhigen Raum mit der Aussprache einer Nachrichtensprecherin, und eine gute Spracherkennung schreibt es richtig. Sagen Sie es mit Lagos-Akzent im Lärm eines Cafés, und sie tippt womöglich „Donnerschlag um Zehen“.

Gemessen wird Erkennung mit der Wortfehlerrate: dem Anteil der Wörter, die falsch erkannt, verschluckt oder hinzugedichtet werden. Im Oktober 2025 kam das beste Modell einer öffentlichen Standard-Rangliste über deren Testdatensätze hinweg auf durchschnittlich 5,63 %.

Whisper large-v3, das offene Modell hinter vielen Diktier-Apps, kam auf 7,44 %.¹⁶ Zum Vergleich: Sorgfältige professionelle Transkription erreichte 2017 bei aufgezeichneten Telefongesprächen 5,1 %.¹⁷

Diese Durchschnitte verdecken, wer spricht. Bei einer Sammlung englischer Gespräche mit Akzenten aus aller Welt lag Whisper bei 19,7 % falschen Wörtern, gegenüber 2,7 % bei sauber vorgelesenem amerikanischem Englisch.

Bei nigerianischem und jamaikanischem Englisch kamen selbst die stärkeren Modelle über 20 %, ein akademisches Modell über 45 %.¹⁸

2020 lagen fünf kommerzielle Systeme bei Schwarzen Sprechern bei 35 % falschen Wörtern, bei weißen bei 19 %: dasselbe System, fast doppelt so viele Fehler.¹⁹

Die generative Erkennung hat eine neue Art des Versagens mitgebracht: Sie erfindet Dinge. Whisper dachte sich in etwa 1 % der Transkripte ganze Phrasen aus, und 38 % dieser Erfindungen enthielten etwas Schädliches, etwa Gewalt oder falsche Behauptungen.²⁰

Lange Pausen, wie sie bei Menschen mit Aphasie häufig sind, machten Erfindungen wahrscheinlicher. Ein erfundener Satz ist schlimmer als ein verhörtes Wort, weil er sich glatt liest.

Der Engpass hat sich von der Erkennung zur Korrektur verschoben. Das Bearbeiten per Stimme hat zwei ungelöste Probleme: einen Befehl von Text zu unterscheiden, der aufgeschrieben werden soll, und auf die Stelle zu zeigen, die korrigiert werden muss.

Nahe am Fehler auf den Bildschirm tippen, dabei die Korrektur sagen und ein Sprachmodell herausfinden lassen, was wohin gehört: Das senkte in einem Test mit 16 Menschen die Bearbeitungszeit um 16,4 % und die Tastaturanschläge um 47,5 % gegenüber der bis dahin besten Methode.²¹

Diktierter Text kommt außerdem weitschweifig und locker heraus; deshalb lassen die neuen Apps ihn von einem Sprachmodell umschreiben, bevor sie ihn einfügen. In einer Tagebuchstudie über 7 bis 10 Tage mit einem solchen Werkzeug kamen 9 von 12 Schreibenden gut damit zurecht.

Ihr Wohlbefinden bewerteten sie im Median mit 5 von 7. Wer skeptisch blieb, nannte die alten schwierigen Stellen: beim Sprechen schon an den nächsten Satz denken und den Cursor dorthin setzen, wo er hingehört.²²

Die Stimme beschleunigt den Mund, nicht das Planen

Wenn die Stimme dreimal schneller ist, warum wird Schreiben dann nicht dreimal schneller? Weil Schreiben größtenteils nicht Tippen ist. Eine Studie über das Verfassen von Briefen ergab 1983, dass etwa zwei Drittel der Schreibzeit Planung sind – zwischen 58 % und 78 %, je nach getesteter Anordnung.

Die Briefe gerieten gleich gut, ob man sie von Hand schrieb, diktierte oder frei sprach.²³ Ein schnellerer Ausgabekanal beschleunigt nur das verbleibende Drittel.

Ben Shneiderman schlug im Jahr 2000 den Mechanismus vor: Sprechen und Kurzzeitgedächtnis greifen auf dieselbe Ressource zu, während eine Handbewegung parallel zum Denken abläuft.

In einem Experiment seines Labors waren gesprochene Befehle 12–30 % schneller als die Maus, doch wer sie laut aussprach, konnte sich schlechter an Symbole erinnern, die später wieder eingetippt werden mussten.²⁴

Spätere Studien reihen sich auf einer Linie auf, vom Abschreiben bis zum Problemlösen. Wo die Aufgabe Abschreiben heißt, gewinnt die Stimme beim Tempo und fühlt sich leichter an. Wo die Aufgabe Formulieren heißt, ist die Stimme etwas schneller und fühlt sich gleich an.

Wo ein Problem zu lösen ist, belastet die Stimme den Kopf stärker. Bei 50 Menschen, die einen medizinischen Chat-Assistenten nutzten, erhöhte Sprechen die gemessene mentale Belastung bei schweren wie bei einfachen Aufgaben.²⁵

Bei 35 Notärztinnen und Notärzten, die per Stimme dokumentierten, lief die Arbeit 18,1 % langsamer, und es gab 138 Fehler gegen 32.²⁶

Klare Gewinner sind Menschen, deren Engpass die Hand oder die Rechtschreibung ist. Schülerinnen und Schüler mit Lernschwierigkeiten schrieben mit Spracherkennung bessere Aufsätze als von Hand; bei den übrigen machte es keinen Unterschied.²⁷

Das Gespräch mit der KI liegt auf derselben Linie. In der größten Studie, die ich gefunden habe, konnten 919 Studierende eines Einführungskurses ins Programmieren wählen, wie sie ein KI-Werkzeug ansprechen. Fast neun von zehn wählten nur Text (88,5 %), 4,8 % nur Stimme und 6,7 % beides.

Unbearbeitete Sprach-Prompts funktionierten seltener auf Anhieb: 35 % gegen 52 % bei der ersten Aufgabe und 38 % gegen 58 % bei der zweiten. Sobald die Studierenden das Transkript überarbeiteten, war der Unterschied nicht mehr signifikant.²⁹

Bei kreativen Aufgaben brachte die Stimme einen schnelleren ersten Prompt und mehr sowie längere Nachfragen, änderte aber weder die gefühlte Anstrengung noch die Bewertung der Ergebnisse.²⁸

Die beliebte Vorstellung, lautes Denken helfe, stimmt nur zur Hälfte. Über 94 Studien hinweg änderte das bloße Aussprechen der eigenen Gedanken nichts an der Genauigkeit und machte die Arbeit nur langsamer; genauer wurde sie, wenn Menschen ihr Vorgehen erklären mussten.³⁰

Einem KI-Modell ein Problem mündlich zu erklären, könnte also durchaus helfen. Getestet hat das niemand.

Die Stimme ermüdet nach Dosis. Die Dosis des Diktierens hat niemand gemessen

Wer den ganzen Tag tippt, ermüdet die Hände. Wer den ganzen Tag redet, ermüdet etwas anderes – und eine wissenschaftlich begründete Tagesgrenze dafür, wie viel davon unbedenklich ist, gibt es nicht. Gut gemessen ist dagegen, wie viel Stimme Sprechberufe verbrauchen.

Lehrkräfte, ein Beruf mit hohen Raten an Stimmstörungen, lassen ihre Stimmlippen in 23 % der Arbeitszeit klingen, gegenüber 13 % außerhalb der Arbeit und 12 % am Wochenende – so eine Studie mit 31 Lehrkräften von 2007.³¹ Eine neuere Gruppe von 26 Lehrkräften kam auf 16,2 %, 8,4 % und 8,0 %.³²

Diese Klangzeit heißt Phonation: Sie zählt nur die Momente, in denen die Stimmlippen tatsächlich schwingen, nicht die Pausen zwischen den Wörtern.

Der Körper merkt es schnell. Beim lauten Lesen steigt ein objektiver Marker der Stimmanstrengung schon in den ersten 15 Minuten, und nach 30 Minuten spüren die Menschen es selbst – so eine Studie mit 10 Personen.³³

Nach zwei Stunden lautem Vorlesen in Klassenzimmer-Lautstärke schätzten 86 Lehrkräfte ihre Stimme binnen 4–8 Stunden als weitgehend erholt ein; ein kleiner Rest hielt einen Tag oder länger an.

Bei den genauen Zahlen widerspricht sich der Artikel selbst: Seine Zusammenfassung nennt 90 % nach 4–6 Stunden und volle Erholung nach 12–18.³⁴

Der bestehende Beruf, der dem ganztägigen Reden mit einem Computer am nächsten kommt, ist die Arbeit im Callcenter. Über 15 Studien hinweg hatten 33–68 % der Beschäftigten irgendwann im Berufsleben Stimmprobleme und 27 % zum Zeitpunkt der Untersuchung.³⁵

Eine Umfrage zählte 6,8 Stimmsymptome pro Callcenter-Kraft gegenüber 1,7 in der Allgemeinbevölkerung.³⁶

Direkte Belege über Diktiernutzer gibt es nur aus den 1990er- und 2000er-Jahren, als Diktieren noch hieß, nach jedem Wort eine Pause zu machen.

In einer Fallserie bekamen fünf Menschen, die wegen Handschmerzen auf Spracherkennung umgestiegen waren, eine überanstrengte Stimme; nach Stimmtherapie und kürzeren Sitzungen ging es drei von den fünf besser.³⁷

Muskelmessungen an 10 Menschen deuteten darauf hin, dass die Last wandert, statt zu verschwinden: weniger Dauerspannung in Unterarm und Nacken und bis zu einem gewissen Grad in den Schultern, dazu eine Tendenz zu mehr Spannung im Cricothyroideus, einem Kehlkopfmuskel.³⁸

Modernes Diktieren beseitigt die vermutete Ursache – flaches, maschinenhaftes Sprechen mit einer Pause nach jedem Wort – und bringt das Mikrofon nah an den Mund, sodass man leise sprechen kann. Das ist eine berechtigte Hoffnung, kein Befund.

Keine Studie hat die Stimmbelastung bei Menschen gemessen, die heutige Diktier-Apps oder die Sprachmodi von KI-Modellen nutzen.

Es kommt nicht auf den Ort an. Sondern darauf, wer zuhört

Stellen Sie sich vor, Sie fragen Ihr Handy nach dem Weg: zu Hause, dann im Bus, dann am Schreibtisch mit Kollegen ringsum. Bei den meisten ändert sich die Antwort dreimal.

Die besten Zahlen dazu stammen aus einem kleinen britischen Experiment. Die 20 Teilnehmenden, 23 bis 32 Jahre alt, sahen kurze Videos, in denen ein Mann vor neutralem Hintergrund per Stimme oder per Text suchte.

Danach kreuzten sie die Orte und die Zuhörer an, bei denen sie es genauso machen würden. Die Stimme schlug den Text nur am Steuer, wo die Hände beschäftigt sind.³⁹

Wer zuhörte, zählte mehr als der Ort. Allein war die Stimme in 96 % der Antworten akzeptabel; vor Freunden in 83 %, vor dem Partner in 78 %, vor der Familie in 71 %. Vor Kollegen in 26 %. Vor Fremden in 16 %.

Bei den Zuhörern machten nur Kollegen und Fremde die Stimme signifikant weniger akzeptabel als Text; bei den Orten waren es das Zuhause, der Beifahrersitz und die Arbeit. Probieren Sie es an sich selbst aus, bevor Sie die Antworten der Studie ansehen.

In einer Umfrage unter 860 Nutzern von Sprachassistenten senkte Scham die Absicht, dabeizubleiben – und zwar gezielt in der Öffentlichkeit, während Stolz sie überall erhöhte.⁴⁰

Die Norm verschob sich trotzdem. In amerikanischen Umfragen stieg der Anteil derer, die im Restaurant mit Freunden die Stimme nutzten, von etwa 25 % im Jahr 2017 auf über 40 % im Jahr 2019. Männer nutzten Sprachbefehle 1,54-mal so häufig wie Frauen, und 46 % sagten, es störe sie, wenn andere es tun.⁴¹

Zuerst verfliegt der Reiz des Neuen. Dann auch die Scheu

Wer je einen Smart Speaker gekauft hat, kennt die erste Woche: Timer, Witze, Musik, Fragen aus reinem Spaß. Dann verfliegt der Reiz des Neuen, und übrig bleibt die Gewohnheit.

Wie sich Menschen nach dem Einstieg verändern, ist fast nur an Smart Speakern zu Hause gemessen. In einer dreiwöchigen Studie bekamen 7 ältere Menschen einen Echo Dot. Die Befehle pro Woche sanken um ein Drittel: 59,6, dann 50,1, dann 39,7.

Musik fiel von 23,9 % der Befehle auf 2,9 %, während Wetter und Einkaufslisten zulegten. Eine Teilnehmerin sagte, sie sei sich anfangs „dumm vorgekommen, mit dieser Maschine zu reden“; am Ende sagten alle sieben, sie fühlten sich sicherer und würden das Gerät weiter nutzen.⁴²

Längere Protokolle sehen anders aus. In den Google-Home-Verläufen von 18 Familien über durchschnittlich 58 Wochen blieb die Nutzung recht stabil.

Drei Familien ließen den Lautsprecher kurz nach dem Kauf wochenlang links liegen – wegen Datenschutz, mangelnden Nutzens oder einer Gewohnheit, die sich nicht eingestellt hatte – und kamen später zurück.

Familien, die endgültig aufhörten, wurden nicht untersucht. Die Steuerung des Zuhauses nahm zu, je mehr smarte Geräte die Familien kauften.⁴³

Wo Menschen sich abwandten, ging es um Nutzen, Zuverlässigkeit oder Datenschutz – nicht darum, dass sich das Reden zu Hause peinlich anfühlte.

Ein Überblick über 69 Arbeiten zur sozialen Akzeptanz betont, dass sich Akzeptanz verändert, wenn Menschen sich an eine Interaktion gewöhnen – und doch begleiteten nur drei davon Menschen im Alltag; die meisten ließen sich die Situation vorstellen oder testeten einmal im Labor.⁴⁴

Das ist die zentrale Lücke für diese Seite. Ich habe keine Studie gefunden, die Menschen begleitet, die bei der Arbeit aufs Diktieren umgestiegen sind, und Woche für Woche misst, wie sich ihre Verlegenheit verändert.

Die Kultur bestimmt, wie laut die Stimme sein darf

Ob Sie auf eine Nachricht mit einer Sprachnachricht oder mit Text antworten, hängt stark davon ab, wo Sie leben.

In einer YouGov-Umfrage in 17 Märkten verschickten 2023 66 % ihre Nachrichten lieber als Text und 7 % lieber als Audio.

Am stärksten war die Vorliebe für Text in Großbritannien (83 %), Dänemark (80 %) und Schweden (78 %), am schwächsten in den Vereinigten Arabischen Emiraten (38 %); in Spanien bevorzugten 54 % Text und 13 % Audio.⁴⁵

Das Handy hat vor zwanzig Jahren dasselbe durchgemacht. In einem Vergleich von 2007 unter Studierenden aus fünf Kulturen an einer Universität auf Hawaii bekam Telefonieren im Bus von Studierenden aus Japan 2,53 von 5 Punkten, gegenüber 3,50 von Studierenden aus Schweden und 3,44 vom US-Festland.⁴⁶

Japan einigte sich auf eine klare Regel – keine Stimme im Zug, E-Mail ist in Ordnung – und wandte sich von der öffentlichen Stimme ab, sobald es eine stille Alternative gab.

Im Jahr 2006 ärgerten sich in den USA 82 % zumindest gelegentlich über laute Telefonate in der Öffentlichkeit, und der Anteil derer, die ihnen oft begegneten, sank bis 2012 von 50 % auf 39 %.⁴⁷

2014 fanden 77 % der Amerikaner das Handy auf der Straße in Ordnung, 75 % in Bus und Bahn, 38 % im Restaurant – und 5 % im Meeting.⁴⁸ Es kam von beiden Seiten: Umstehende wurden toleranter, Telefonierende leiser. Und an der Tür zum Besprechungsraum war Schluss.

Das Büro lernt zu flüstern

2026 kam das KI-Diktieren in den Büros an, und die ersten Berichte sind Geschichten, keine Zahlen. Bloomberg beschreibt, wie es sich von Schreibtisch zu Schreibtisch ausbreitet, wie Schwanenhalsmikrofone auftauchen und das Flüstern beginnt.⁴⁹

Ein von Computerworld zitierter Analyst nennt Verlegenheit und die Sorge, Kollegen abzulenken, eine große Verhaltenshürde.

Thumbtack, ein vollständig remote arbeitendes Unternehmen, gab Wispr Flow an mehr als 200 Beschäftigte, und sein Technikchef räumt ein: Sich an lautes Sprechen zu gewöhnen, brauchte Zeit, selbst allein im Raum.⁵⁰

Der Markt wartet nicht, bis sich die Norm ändert. Er macht die Stimme leiser. Wispr Flow verkauft einen Flüstermodus und empfiehlt, etwa einen Zentimeter vom Mikrofon entfernt zu sprechen.⁵¹

Die Forschung ging schon 2018 weiter: Microsofts SilentVoice erkannte kurze Befehle, die beim Einatmen gesprochen wurden und weniger als 39 Dezibel Schall nach außen dringen ließen – mit 1,8 % falschen Wörtern bei einem geübten Sprecher und 7 % bei einem neuen.⁵²

Menschen tauschen Genauigkeit gegen Stille. In einem Experiment von 2021 waren 12 Menschen bereit, lautlose Sprache – Wörter, die nur mit den Lippen geformt werden – mit absichtlich eingestreuten 10–15 % Fehlern genauso zu nutzen wie ganz ohne Fehler.

Ihre Bereitschaft, laut zu sprechen, sank dagegen. Alle 12 begründeten das mit Privatsphäre und Sicherheit.⁵³

Am schnellsten werden nicht die Menschen mutiger. Am schnellsten wird die Stimme leiser.

Der einzige Ort, wo in großem Maßstab gemessen wird: die ärztliche Dokumentation

Die Medizin ist das einzige Feld, in dem Spracheingabe mit KI-Modellen an Tausenden Menschen gemessen wurde. Sogenannte Ambient-AI-Scribes, KI-Schreibassistenten, hören beim Termin mit und entwerfen die Notiz dazu.

In der größten Studie, im April 2026 in JAMA erschienen, sparten rund 1.800 Nutzer im Vergleich zu 6.770 Nichtnutzern 16 Minuten Dokumentation pro 8 Stunden Sprechstunde, etwa 10 %, ohne signifikante Änderung der Arbeit nach Feierabend.

Nur 32 % nutzten den Assistenten in mehr als der Hälfte ihrer Termine.⁵⁴

In einer randomisierten Studie mit 238 Ärztinnen und Ärzten verkürzte ein Assistent die Zeit pro Notiz um 41 Sekunden, gegenüber 18 Sekunden in der Kontrollgruppe; ein anderer machte keinen signifikanten Unterschied.⁵⁵ Das Burn-out sank in 30 Tagen von 51,9 % auf 38,8 %, in einer Studie ohne Kontrollgruppe.⁵⁶

Von Hand geprüfte Notizen hatten in 18 % der Fälle Auslassungen und in 11,5 % erfundene Details; 5,3 % enthielten einen Fehler, der ernsthaften Schaden anrichten könnte.⁵⁷ Die Stimme sparte eher Aufmerksamkeit als Minuten, und der Preis dafür ist das Prüfen des Textes.

Die Experimente, die noch niemand gemacht hat

Das sind keine kleinen Löcher. Jede Karte unten ist eine Frage, die diese Seite mit einer Zahl beantworten wollte und nicht konnte, weil keine Studie sie gemessen hat.

• Eine Umfrage, die das Diktieren zählt

  Keine Umfrage mit Zufallsstichprobe misst Diktieren oder Sprachchat mit KI als eigenes Verhalten. Die Wachstumskurve stützt sich auf Angaben der Unternehmen.

• Die Stimmdosis des Diktierens

  Niemand hat Phonationszeit oder Stimmbelastung bei Menschen gemessen, die mit heutigen Apps stundenlang diktieren.

• Eine unbedenkliche Tagesmenge

  Es gibt keine evidenzbasierte Grenze dafür, wie viele Stunden Sprechen pro Tag der Stimme nicht schaden.

• Die Hände nach dem Umstieg

  Keine randomisierte Studie zeigt, dass der Umstieg auf die Stimme Überlastungsschäden der Hände verhindert oder behandelt.

• Formulieren am Schreibtisch

  Kein kontrollierter Vergleich von Schreiben per Stimme und auf einer physischen Tastatur mit moderner Erkennung. Die besten Daten stammen von 1983 und 1999.

• Ein Tag voller Reden

  Keine Tagebuch- oder Langzeitstudie begleitet Menschen, die hauptsächlich per Stimme arbeiten, und misst ihre geistige Ermüdung.

• Die Scheu im Büro verlieren

  Keine Feldstudie begleitet neue Diktiernutzer im Büro Woche für Woche. Jede Langzeitstudie zur Gewohnheit handelt von Lautsprechern zu Hause.

Wie das geprüft wurde und was ich weggelassen habe

Ich entwickle Speak-Y, eine App für Spracheingabe und Meeting-Aufzeichnung, und unten auf dieser Seite steht ein Banner dafür. Das ist ein Grund, diese Studie mit Misstrauen zu lesen.

Deshalb ist jede Zahl, die von einem Unternehmen über sich selbst stammt – auch von Diktierfirmen, die mit meiner konkurrieren –, im Text gekennzeichnet und in den Diagrammen schraffiert.

Recherchiert habe ich im September 2026 entlang von vier Fragen: Verbreitung, Tempo und Genauigkeit, Ermüdung und Denken, soziale Akzeptanz. Jede Zahl habe ich, wo es möglich war, bis zu ihrer Originalquelle zurückverfolgt.

Kleine Stichproben bleiben drin, weil es eben die sind, die es gibt, aber die Stichprobengröße steht immer neben der Zahl.

Meine eigene Lesart des Gesamtbilds, und sie ist eine Meinung: Diktieren wird zu Hause, im Auto und im eigenen Zimmer normal werden, im Großraumbüro umstritten bleiben und in Meetings fehlen – genau wie das Telefonat. Ändern würden das nicht mutigere Menschen, sondern eine leisere Stimme.