Eine Heimat, dann zwei
75 PersonenBeispiel
Ich bin hier nicht mehr richtig daheim, aber es ist trotzdem so meine gefühlte Heimat. Und wenn ich dann wieder hierherkomme, fühle ich mich einfach zu Hause, weil das eben mein Zuhause geworden ist.
Im Herbst 2026 haben rund 2.450 Menschen darüber gesprochen. Die Gespräche von über 300 von ihnen haben wir ausgewertet.
1Eine KI wählt aus schon geprüften Stellen je Thema welche, die für viele stehen, und formuliert sie kurz und ohne Ortsnamen um.
2Code prüft jede Umformulierung: keine Ortsnamen und Zahlen, nicht wörtlich, nah am Original.
3Ein Mensch wählt 18 Sätze aus.
4Eine KI schreibt aus dem Zusammenhang eine längere Fassung. Bei einem Satz steht die längere.
5Ein Mensch liest jeden Satz und gibt frei.
6Mehr Demokratie wählt daraus sechs für den Einstieg.
7Eine KI liest die Sätze vor, mit verschiedenen Stimmen, vorab aufgenommen.

Wie kann es gelingen, dass sich tausende Menschen begegnen? Und was denken und fühlen sie zum Thema Heimat? Anlässlich des Tages der Deutschen Einheit initiierten Mehr Demokratie e. V. und die Initiative Offene Gesellschaft die Dialogreihe „Das Große Gespräch: Reden über Heimat“. Unterstützt wurden sie von ihrem bundesweiten Netzwerk von knapp 2.000 ausgebildeten Moderator:innen.
In drei Runden teilten die Teilnehmenden jeweils nacheinander ihre Erfahrungen. In der Regel war der Ausgangspunkt die Frage: „Wie geht es dir mit dem Thema Heimat?“. Die Teilnehmenden konnten den Austausch in den Kleingruppen mittels senze.ai freiwillig aufnehmen, anonymisieren und analysieren lassen. Dieser Bericht ist keine repräsentative Umfrage. Er ist die Analyse hunderter im Vertrauen geteilter Erfahrungen und damit ein neuartiger Ansatz.
331 der 338 Personen haben über mindestens eines dieser 25 Themen gesprochen. Je größer eine Blase, desto mehr Personen. Je näher sie an der Mitte liegt, in desto mehr Veranstaltungen kam das Thema vor. Nahe Blasen sind nicht unbedingt ähnliche Themen. Gezeigt sind Themen ab 20 Personen.
Beispielsätze umformuliert von einer KI, nah am Gesagten.
Grundlage sind die Redebeiträge aus den Kleingruppen, anonymisiert und in Abschnitte geteilt.
1Vorarbeit: Ein Rechenverfahren sortiert ähnliche Stellen vor.
2Sprachmodelle lesen Stichproben daraus und schlagen Themen vor.
3Die Vorschläge werden zusammengeführt. Eine KI liest ganze Beiträge und fragt, was fehlt.
4Menschen prüfen die Themenliste und schärfen Namen.
5Eine KI liest jede Antwort ganz und ordnet ihre Abschnitte den Themen zu, mit wörtlichem Beleg.
6Code prüft den Beleg und zählt Personen.
7Menschen lesen zufällig gezogene Zuordnungen gegen.
8Eine zweite KI prüft die Ergebnisse nach.
9Eine KI wählt Beispielsätze aus und formuliert sie um.
10Menschen lesen die Beispielsätze und geben frei.
Die Themen kommen aus einem Codebuch, das zuerst aus den Gesprächen selbst entwickelt wurde: Ein Rechenverfahren hat ähnliche Abschnitte vorsortiert (Text-Embeddings: Jeder Abschnitt wird als Zahlenfolge dargestellt, die seine Bedeutung abbildet; ähnliche Bedeutungen liegen nah beieinander). Sprachmodelle haben daraus Themen vorgeschlagen, sie zusammengeführt und an ganzen Beiträgen auf Lücken geprüft. Erst danach wurden sie mit Begriffen aus der Forschung zu Heimat abgeglichen.
Ein Sprachmodell hat jedem Abschnitt passende Themen zugeordnet, jeweils mit wörtlichem Beleg und einer Sicherheit von 1 bis 3. Ohne wörtlichen Beleg fällt die Zuordnung weg. Gezählt wird nur, was klar angesprochen ist (Sicherheit 2 oder 3). Ein Mensch hat 20 zufällig gezogene Zuordnungen gegengelesen; alle 20 passten.
Zwei Themen haben wir nachträglich ergänzt, nachdem sie in den Papierdokumentationen auffielen: Heimat als Geborgenheit und Zugehörigkeit, und das Bild der Wurzeln. Ein Sprachmodell hat sie mit denselben Regeln allen Beiträgen zugeordnet, ein zweites hat jede Zuordnung nachgeprüft.
Gezählt werden Personen: eine sprechende Person in einer Kleingruppe einer Veranstaltung, je Thema einmal, auch über mehrere Runden. Eine Person kann bei mehreren Themen zählen.
Gezeigt sind 25 Themen in 5 Bereichen, jedes mit mindestens 20 Personen. Themen über das Gesprächsformat selbst sind nicht dabei. Menschen haben die Themenliste durchgesehen und geschärft.
Die Beispielsätze beruhen auf wörtlichen Belegen ohne Orts- und Personennamen, zwei je Thema aus verschiedenen Veranstaltungen, von einem Sprachmodell vorausgewählt. Ein Sprachmodell hat die Sätze nah am Gesagten umformuliert, eine zweite KI hat jede Umformulierung mit dem Original verglichen. Menschen haben die Beispielsätze gelesen und freigegeben.
An 18 Orten gab es keine Aufnahme. Dort haben Moderator:innen und Teilnehmende auf Karten, Flipcharts und in kurzen Berichten festgehalten, was ihnen wichtig war.
21 der 25 Themen der Landkarte finden sich dort wieder, am häufigsten „Menschen“ und „Mitgestalten“, in je elf der 18 Veranstaltungen.
Politische und biografische Themen stehen auf Papier seltener als in den Aufnahmen.
Zwei Themen der Landkarte sind uns erst in den Papierdokumentationen aufgefallen: Heimat als Geborgenheit und Zugehörigkeit, und das Bild der Wurzeln. Wir haben sie danach mit denselben Regeln in allen Gesprächen gesucht.
Blase antippen: Je größer und je näher an der Mitte, desto mehr Veranstaltungen haben das Thema festgehalten.
Grundlage: 18 Veranstaltungen ohne Aufnahme, 10 davon als Foto von Karten und Flipcharts, 8 als Bericht der Moderation. 440 Zettel und Absätze über Heimat, die Hälfte davon trägt ein Thema der Landkarte. Ein Sprachmodell hat sie denselben Themen zugeordnet wie die Aufnahmen, ein zweites Modell hat jede Zuordnung nachgeprüft. Gezählt wird, in wie vielen Veranstaltungen ein Thema dokumentiert ist, nicht Personen. Themen aus nur einer Veranstaltung fehlen. Gefühle und Erzählungen stehen auf Papier zu selten für eine eigene Karte.
1Eine KI schreibt die Fotos von Karten und Flipcharts und die Berichte der Moderation ab.
2Ein Mensch prüft die Abschriften.
3Eine KI liest je Veranstaltung alle Zettel und ordnet sie den Themen der Landkarte zu, mit wörtlichem Beleg.
4Eine zweite KI prüft jede Zuordnung. Gezählt wird nur, was hält.
5Code zählt, in wie vielen Veranstaltungen ein Thema steht, ab zwei.
6Zwei Bilder fallen zuerst auf Papier auf. Eine KI sucht sie in allen Gesprächen, eine zweite prüft nach.
7Menschen geben die gezeigten Zettel einzeln frei.
Nachgeprüft: Ein Sprachmodell hat jeden Beitrag gelesen und gefragt, ob die Person einen Vorbehalt gegen das Wort äußert und ob sie das Wort selbst bejaht. Eine zweite KI hat jeden Treffer gelesen. Wie wichtig Heimat jemandem ist, zählt hier nicht.
Unabhängig vom Wort sagen 182 von 338 Personen, dass Heimat ihnen wichtig ist oder dass sie sich nach Heimat sehnen.
Beispielsätze umformuliert von einer KI, nah am Gesagten.
Ausgewertet: 34 Veranstaltungen, Stand 12.11.
Bei allen Spannungsfeldern hat ein Sprachmodell alle Beiträge zum Thema vorausgewählt, eine zweite KI hat jeden Treffer gelesen. Jede Person steht auf einer der beiden Seiten oder in der Mitte, wenn sie beides äußert; wer sich nicht dazu äußert, wird nicht gezählt. Die Fläche zeigt, wo sich die Personen häufen, die Kreise zählen Personen.
1Eine KI schlägt Pole vor, Menschen legen fest, was A und was B heißt.
2Code wählt Beiträge vor: frühere Zuordnungen und Schlüsselwörter. Beim Wort „Heimat“ werden alle gelesen.
3Eine KI fragt je Beitrag: Steht hier A? Steht hier B? Jede Antwort mit wörtlichem Beleg.
4Eine zweite KI liest jeden Treffer und seinen Beleg.
5Eine KI liest Stichproben aus dem Rest und sucht, was übersehen wurde.
6Code zählt Personen: nur A, beides, nur B. Wer nichts dazu sagt, zählt nicht.
7Eine KI formuliert Beispielsätze um.
8Menschen lesen die Beispielsätze und geben frei.
Beispiel
Ich bin hier nicht mehr richtig daheim, aber es ist trotzdem so meine gefühlte Heimat. Und wenn ich dann wieder hierherkomme, fühle ich mich einfach zu Hause, weil das eben mein Zuhause geworden ist.
Beispiel
Ich glaub, das hat richtig lange gedauert, bis wir hier wirklich angekommen sind. Erst als die Leute sich geöffnet haben, konnte das hier überhaupt zur Heimat werden.
Beispiel
Ich seh unter Heimat halt weder einen Ort noch 'ne Stadt noch 'nen Staat. Heimat ist für mich da, wo ich mich wohlfühl, wo ich Freunde hab und vielleicht auch meine Familie.
Beispiel
Ich würd's echt schön finden, wenn ich irgendwann merke, dass meine Stadt für mich Heimat und Zuhause geworden ist. Nach all den Jahren ist das halt noch nicht so weit.
Beispiel
Vielleicht ist das für mich heute so eine Entwicklung, dass ich sagen kann: Ich kann mich dem Begriff doch irgendwie annähern, und zwar positiv.
Beispiel
Ich denke manchmal, wenn das hier so weitergeht und es politisch für mich weiter so schwierig wird, und autokratische Zustände hier auch passieren, dann orientiere ich mich vielleicht doch irgendwo anders hin.
Figur 1 von 6
Beispielsätze umformuliert von einer KI, nah am Gesagten.
Ausgewertet: 34 Veranstaltungen, Stand 12.11.
Die Erzählfiguren sind aus den Gesprächen gefunden, nicht vorgegeben. Ein Sprachmodell liest alle Redebeiträge in Stapeln zu zehn und schlägt Figuren vor, je mit wörtlichem Beleg. Ein zweites Modell fasst gleichbedeutende Vorschläge zusammen; was nicht in mindestens sechs Beiträgen aus drei Veranstaltungen vorkommt, fällt weg. Dann ordnet ein Sprachmodell jedem Redebeitrag höchstens eine der gefundenen Figuren zu, mit wörtlichem Beleg; ohne Beleg fällt die Zuordnung weg. Gezählt wird in Personen; Figuren mit weniger als fünf Personen fallen weg. Gezeigt sind hier die 6 Figuren, von denen mindestens 20 Personen erzählen, von 10 gefundenen. Gezählt werden nur Zuordnungen, die das Modell als deutlich oder ausdrücklich einstuft.
1Eine KI liest alle Beiträge in Stapeln zu zehn und schlägt Bewegungen von A nach B vor, mit Beleg.
2Code sucht jeden Beleg wörtlich im Beitrag. Ohne Fundstelle fällt der Vorschlag weg.
3Eine zweite KI fasst gleiche Vorschläge zu Figuren zusammen und legt fest, wo sie anfangen und enden.
4Code behält Figuren aus mindestens sechs Beiträgen in drei Veranstaltungen.
5Eine KI liest jeden Beitrag und gibt ihm höchstens eine Figur, mit wörtlichem Beleg.
6Code prüft den Beleg und zählt Personen. Unter fünf fällt eine Figur weg, gezeigt werden Figuren ab 20.
7Eine KI formuliert Beispielsätze um.
8Eine zweite KI liest jede Umformulierung gegen das Original.
9Menschen lesen die Beispielsätze und geben frei.

Ausgewertet: 34 Veranstaltungen, Stand 12.11.
Ein Sprachmodell liest aus jeder Textstelle, welches Gefühl die sprechende Person ausdrückt oder deutlich beschreibt, aus einer festen Liste (Genfer Emotionsrad plus Geborgenheit, Vertrautheit, Sehnsucht), jeweils mit wörtlichem Beleg; ohne Beleg fällt das Label weg. Gezählt wird in Personen.
1Vorgegeben ist eine feste Gefühlsliste aus der Forschung, dazu Geborgenheit, Vertrautheit und Sehnsucht.
2Eine KI liest jede Antwort ganz und ordnet ihren Abschnitten Gefühle zu, mit wörtlichem Beleg, im selben Durchgang wie die Themen.
3Code prüft den Beleg und zählt Personen.
4Eine zweite KI prüft eine Stichprobe. Vier Gefühle, die zu oft nicht hielten, fehlen.
5Eine weitere KI prüft jede Zuordnung nach und ist oft strenger.
6Ein Mensch liest 20 Fälle, darunter 13 abgelehnte. Alle 13 passen, deshalb wird nicht gefiltert.
7Eine KI formuliert Beispielsätze um.
8Eine zweite KI liest jede Umformulierung gegen das Original.
9Menschen lesen die Beispielsätze und geben frei.
Beispielsätze umformuliert von einer KI, nah am Gesagten.
Lesen: Fünf Ringe von innen nach außen: Ich, Beziehungen, Gemeinschaft, Ort und Natur, Gestalten. Jede Quelle sitzt auf ihrem Ring, Kreisgröße ist die Zahl der Personen, die sie nennen (ab 5). Tun: Antippen hebt einen Eintrag hervor; die Redebeiträge dahinter zeigt dieser Bericht nicht.Jede Quelle liegt auf einer von fünf Ebenen: Ich, Beziehungen, Gemeinschaft, Ort und Natur, Gestalten. Die Liste zählt, wie viele Personen sie nennen (ab 5).
1Vorgegeben ist eine Liste von Kraftquellen. Menschen haben jede einer Ebene zugeordnet.
2Eine KI liest jede Antwort ganz und ordnet ihren Abschnitten Kraftquellen zu, mit wörtlichem Beleg, im selben Durchgang wie die Themen.
3Code prüft den Beleg und zählt Personen, ab fünf.
4Eine zweite KI prüft eine Stichprobe nach. Alle Kraftquellen halten.
82 Rückmeldebögen. Nicht jede Person hat jede Frage beantwortet, deshalb steht die Zahl der Antworten an jeder Frage.
Median 8 von 10 für die Veranstaltung, 8 für die Auswertung
49 Rückmeldungen
46 Rückmeldungen
Angekreuzt auf einer Skala von 1 bis 10; die Zahl der Antworten steht unter jeder Grafik
12 von 23: gar nicht
„Wie hat sich die Audioaufnahme auf das Gespräch ausgewirkt?“23 Antworten, nur Kleingruppen mit Aufnahme
32 von 43 sagen ja
„Hat dir der Dialog neue Perspektiven auf das Thema Heimat eröffnet?“43 Antworten
25 Nennungen, danach Zuhören ohne Diskussion mit 18
„Was hat dir an der Veranstaltung gut gefallen?“Nennungen; eine Antwort kann mehreres nennen
Die Bewertungen sind angekreuzt. Die übrigen Fragen waren offen; ein Sprachmodell hat die Antworten nach einer festen Liste eingeordnet, nicht von Hand geprüft.
1Teilnehmende füllen nach der Veranstaltung einen Rückmeldebogen aus. Code zählt die Skalenantworten.
2Eine KI entfernt aus den freien Antworten Namen und andere Angaben zur Person.
3Eine KI ordnet jede freie Antwort Punkten einer festen Liste zu, etwa was gut gefallen hat, mit wörtlichem Beleg.
4Code zählt die Nennungen. Die Antworten zur Aufnahme fasst er in drei Stufen.
Der Erfolg und die Rückmeldungen zu „Das Große Gespräch“ zeigen, dass die Richtung stimmt. Zusammen mit der Bertelsmann Stiftung werden Mehr Demokratie e. V. und die Initiative Offene Gesellschaft 2027 viele weitere Dialoge organisieren. „DeutschLand in Sicht“ wird eine noch um ein Vielfaches größere Gesprächsreihe. Weitere Informationen gibt es in Kürze hier.
Wie verändern sich die Menschen und ihre Beziehungen zueinander im Laufe der Dialoge? Dazu wird bald ein Forschungsprojekt mit den gewonnenen Daten arbeiten. Die Ergebnisse folgen dort, nicht in diesem Bericht.

„Broad listening is like broadcasting in reverse.“
Die Trägerin des Alternativen Nobelpreises Audrey Tang beschreibt damit, was wir versuchen: nicht einer spricht zu Millionen, sondern viele werden gehört, mit ihren Gemeinsamkeiten und Unterschieden. Audrey Tang, AI and Democracy (University of Oxford Podcasts)
Im Vordergrund steht die Begegnung zwischen Menschen. In Kleingruppen kann tiefes Zuhören passieren und echte Begegnung stattfinden. Die KI hilft im Hintergrund, diese Perspektiven in einen größeren Zusammenhang zu setzen: Sie schafft ein Bild, das eine größere Gruppe sichtbar macht und miteinander in Verbindung bringt. Wir glauben, dass diese Technologie so eingesetzt werden kann, dass sie Verbindungen zwischen Menschen stärkt, statt Gesellschaften zu spalten und Demokratie auszuhöhlen. Wie das geht, finden wir gerade gemeinsam heraus.
Uns liegt viel daran, einen Raum des Vertrauens zu schaffen, in dem Menschen Persönliches sagen und dabei auch von technischen Systemen gehört werden können, ohne dass ihre Daten aus der Hand gegeben werden.
Alle Einzelheiten stehen in der Datenschutzerklärung.
| Schritt | Wer | Absicherung |
|---|---|---|
| Aufnehmen und abschreiben | Spracherkennung | Text aus einer Spracherkennung, Sprecher aus einer zweiten; auf Wiederholungsschleifen durchsucht und, wo nötig, ersetzt |
| Anonymisieren | Sprachmodell | Namen von Teilnehmenden entfernt, ausgewertet wird nur der anonymisierte Text |
| Bündeln (Karte, Spannungsfelder, Erzählungen, Gefühle, Kraftquellen) | Sprachmodell | Jede Zuordnung mit wörtlichem Beleg, im Code gegen den Beitrag geprüft; gezählt im Code, in Personen. Gezählt werden nur Zuordnungen, die das Modell als deutlich oder ausdrücklich einstuft. Bei Gefühlen und Kraftquellen hat ein zweites, unabhängiges Modell eine Stichprobe (bis zu 20 je Kategorie) nachgeprüft; was dort zu oft nicht hielt, fehlt im Bericht. Die Erzählfiguren sind aus den Gesprächen gefunden und zugeordnet; ihre Beispielsätze haben Menschen gelesen. |
| Sensemaking-Sessions | Menschen (Mehr Demokratie und senze.ai) | Gemeinsame Auswertungssessions: Hypothesen und Sichten entwickelt, Zuordnungen stichprobenartig gelesen |
| Zitate | Sprachmodell, Auswahl im Code | Belegstelle wörtlich im anonymisierten Beitrag gefunden; gezeigt wird eine Umformulierung. Jeder Beispielsatz wurde in einem eigenen Prüfdurchgang mit der Originalstelle abgeglichen; wo die Umformulierung den Sinn nicht genau traf, wurde sie ersetzt oder entfernt. Die Beispielsätze sind so ausgewählt, dass sie typische Aussagen eines Themas zeigen; eine statistische Stichprobe sind sie nicht. |
| Beispielsätze umformulieren | Sprachmodell | Jeder Satz umformuliert, damit niemand an der Wortwahl erkennbar ist; nah am Gesagten, mit Kontext; im Code gegen Wortgleichheit und Ortsnamen geprüft. |
| Datenschutz | Regeln im Code | Nichts unter 5 Personen, keine Einzelantworten; Zitate mit Ortsnamen oder erkennbaren Details ausgeschlossen |