Das Wichtigste auf einen Blick
- 10,3 % der Befragten nutzten generative KI mindestens täglich, meist privat.
- Tägliche Nutzer erreichten häufiger einen Wert von 10 oder mehr auf der PHQ-9-Depressionsskala – also einen Bereich, der auf moderate depressive Symptome hinweist.
- Der Zusammenhang zwischen täglicher KI-Nutzung und depressiven Symptomen war besonders deutlich bei 25- bis 64-Jährigen (OR bis 1,54).
- Nur private Nutzung zeigte einen klaren Zusammenhang mit depressiven Symptomen – berufliche oder schulische nicht.
- Social-Media-Nutzung spielte keine Rolle für diesen Effekt.
Häufigkeit der Nutzung
Die Umfrage erfasste Daten von insgesamt 20.847 US-Bürgern mit einem Durchschnittsalter von 47 Jahren. Rund 10 % der Teilnehmenden gaben an, generative künstliche Intelligenz (KI) mindestens einmal täglich zu nutzen – davon die Hälfte sogar mehrmals pro Tag. In der Gruppe mit täglicher bzw. häufigerer Nutzung dominierten private Anwendungen (87 %), gefolgt von beruflicher (48 %) und schulischer (11 %) Nutzung.
Die häufigen Nutzer waren überwiegend männlich und jünger, hatten ein höheres Einkommen sowie einen höheren Bildungsabschluss und lebten häufiger in urbanen Gebieten.
Die Nutzung sozialer Medien stand dabei in keinem Zusammenhang mit der KI-Nutzung: Weder wie oft jemand Social Media verwendet, noch wie häufig gepostet wurde, hing mit der Nutzungshäufigkeit von KI-Tools zusammen.
Auswirkungen bei täglichem Gebrauch
Die depressiven Symptome wurden anhand des PHQ-9-Fragebogens erfasst. In den vollständig adjustierten Modellen zeigte sich eine signifikant höhere Symptomlast bei täglicher (β = 1,08; 95 %-KI 0,55–1,62) und mehrfach täglicher Nutzung (β = 0,86; 95 %-KI 0,35–1,37) im Vergleich zu Nichtnutzern. Auch der Anteil der Personen mit mindestens moderaten Symptomen (PHQ-9 ≥ 10) war in der Vielnutzergruppe erhöht (32 % vs. 25,9 %; OR 1,29; 95 %-KI 1,15–1,46). Vergleichbare Assoziationen fanden sich übrigens auch für Angst und Reizbarkeit (erfasst mit GAD-2 bzw. BITe-5).
In einer weiteren Analyse wurde differenziert, zu welchem Zweck KI genutzt wurde. Nur die private Nutzung war signifikant mit höheren Depressionswerten verbunden (β = 0,31; 95 %-KI 0,10–0,52). Weder der berufliche noch der schulische Einsatz zeigten in den Modellen einen vergleichbaren Zusammenhang.
Erhöhtes Risiko vor allem bei Erwachsenen mittleren Alters
Ein Interaktionstest zeigte, dass der Zusammenhang zwischen häufiger KI-Nutzung und depressiven Symptomen je nach Alter unterschiedlich ausfiel:
- In den Altersgruppen von 25-44 Jahren sowie 45-64 Jahren berichteten Personen, die täglich KI nutzten, häufiger über depressive Symptome als gleichaltrige Personen ohne KI-Nutzung. Bei jüngeren Erwachsenen unter 25 sowie bei älteren ab 65 Jahren zeigte sich dieser Unterschied nicht.
- Auch der Anteil mit mindestens moderaten depressiven Symptomen (PHQ-9 ≥ 10) war in diesen Altersgruppen erhöht: Im Vergleich zu Nichtnutzern lagen die Odds bei täglicher Nutzung um 32 % (25-44 Jahre) bzw. 54 % (45-64 Jahre) höher. Für die Gesamtstichprobe wurde eine um 29 % höhere Wahrscheinlichkeit festgestellt.
Die Forscher wollten auch wissen, ob der beobachtete Zusammenhang zwischen KI-Nutzung und depressiven Symptomen einfach daran liegt, dass viele der Nutzer auch mehr Zeit in sozialen Medien verbringen. Das war aber nicht der Fall: Weder die Häufigkeit der Social-Media-Nutzung noch das Postingverhalten standen in Zusammenhang mit der Nutzung generativer KI.
Fazit
In der groß angelegten US-Umfrage war eine häufige Nutzung generativer KI mit einem höheren Maß an depressiven Symptomen verbunden. Besonders betroffen waren Erwachsene zwischen 25-64 Jahren sowie Personen, die KI hauptsächlich privat nutzten. Der Zusammenhang bestand unabhängig von der Social-Media-Nutzung – und zeigte sich auch für Angstsymptome und Reizbarkeit. Ein kausaler Zusammenhang lässt sich auf Basis dieser Daten jedoch nicht belegen.
- Perlis RH, Gunning FM, Usla A, Santillana M, Baum MA, Druckman JN, Ognyanova K, Lazer D. Generative AI Use and Depressive Symptoms Among US Adults. JAMA Netw Open. 2026 Jan 2;9(1):e2554820. doi: 10.1001/jamanetworkopen.2025.54820. PMID: 41563755; PMCID: PMC12824790.