Mikro-Szenario #2: Wohnraum in Ballungszentren

🎧 1. Einstieg – Frequenzabfrage

KI (sanft, neutral):

„Stell dir vor, du suchst in 10 Jahren eine Wohnung in einer Stadt.
Welche dieser Aussagen klingt am stärksten in dir — jetzt, in diesem Moment?“

□ A: Ich möchte in der Stadt wohnen können – auch wenn das bedeutet, dass meine Wohnung klein ist oder ich mit anderen teile.

□ B: Ich bin bereit, außerhalb zu wohnen und zu pendeln, wenn ich dafür mehr Platz und Grün habe.

□ C: Mir ist wichtig, dass Wohnraum bezahlbar bleibt – auch wenn das bedeutet, dass der Staat stärker reguliert.

□ D: Ich finde, der Markt sollte entscheiden – wer mehr zahlen kann, soll auch besser wohnen dürfen.

□ E: Ich wünsche mir gemeinschaftliche Wohnformen (Co-Housing, Genossenschaften) – auch wenn das weniger Privatsphäre bedeutet.

□ F: Ich möchte, dass Leerstand konsequent bepreist wird – auch wenn das Eigentümer:innen belastet.

□ G: Ich finde, Neubau sollte Priorität haben – auch wenn das bedeutet, dass Grünflächen weichen müssen.

□ H: Bestandsschutz ist mir wichtig – auch wenn dadurch weniger neuer Wohnraum entsteht.

Du kannst mehrere auswählen – oder deine eigene Resonanz hinzufügen.

🌀 2. Szenarien-Synthese

Basierend auf deiner Auswahl generiert die KI ein kurzes Zukunftsbild.

Nicht als Diagramm, sondern als erlebbares Fragment. Hier stark verkürzt:

„Im Jahr 2035 lebst du in einer dicht bebauten Stadtregion.

Deine Wohnung ist Teil einer Genossenschaft, die vor einigen Jahren gegründet wurde.
Du hast 45 m² – nicht riesig, aber hell und gut geschnitten.
Im Erdgeschoss gibt es eine Gemeinschaftsküche, die du nutzen kannst, wenn du willst.

Deine Miete ist durch eine regionale Wohnkostenstabilisierung begrenzt.
Sie steigt langsam, aber vorhersehbar.
Du weißt: Wenn dein Einkommen bricht, fällst du nicht sofort aus dem System.

In deinem Quartier stehen drei Häuser leer – sie gehören Investor:innen, 
die lange auf Wertsteigerung gewartet haben.
Seit einigen Jahren wird längerfristiger Leerstand bepreist.
Zwei der drei Häuser wurden inzwischen verkauft und in Genossenschaftsmodelle überführt.

Dein Nachbar, der seit 40 Jahren hier wohnt, musste nicht ausziehen.
Seine Miete ist durch Bestandsschutz gedämpft.
Aber das Haus nebenan wurde abgerissen und durch einen Neubau mit vielen kleinen Wohnungen ersetzt.

Du siehst weniger Himmel als früher – aber du weißt:
Mehr Menschen mussten dafür nicht an den Rand der Stadt gedrängt werden.“

„Dieses Szenario basiert auf deinen Resonanzmustern.
Möchtest du etwas anpassen — verstärken, abschwächen oder neu ausrichten?“

🔁 3. Iteration

Du kannst an jedem Punkt sagen:

„Das fühlt sich anders an, wenn ich es wirklich sehe.“

Dann öffnet sich die Justierungsfläche. Du kannst:

• Gewichtungen verschieben
  („Ich möchte mehr Grün – auch wenn das weniger Neubau bedeutet.“)
• Prioritäten neu ordnen
  („Bezahlbarkeit ist mir wichtiger als Wohnlage.“)
• einzelne Elemente feinjustieren
  („Leerstand ja bepreisen, aber erst nach 12 Monaten.“)
• eine eigene Idee einbringen
  („Was wäre, wenn jede Quartiererweiterung automatisch einen öffentlichen Raum mitfinanziert?“)

Die KI führt nichts für dich aus.
Sie hält nur fest, was sich bei dir bewegt, während du hinschaust.

📊 4. Heatmap-Speicherung

Dein Szenario fließt in die Heatmap ein:

• anonymisiert – keine Profile, keine Zuordnung zu dir als Person
• segmentiert – z. B. nach Region, Altersgruppe, Wohnsituation
• rückspielbar – du kannst sehen, wie viele andere ähnlich empfinden

Beispielhafte Muster in einer Stadtregion:

• 67 % unterstützen eine Form von Wohnkostenstabilisierung
• 54 % unterstützen eine Bepreisung von längerfristigem Leerstand
• 48 % sind offen für Verdichtung, aber nur mit sichtbarem Grünausgleich
• 39 % bevorzugen Genossenschaften gegenüber rein privatem Eigentum
• 22 % möchten, dass der Markt möglichst frei bleibt
• 71 % wünschen Bestandsschutz für langjährige Mieter:innen

Die Heatmap entscheidet nichts.
Sie zeigt nur, wo sich Wünsche ballen – und wo sie auseinanderlaufen.

🧭 5. Auswertung & Policy-Prototypen

Auf Basis dieser Muster schlägt die KI mehrere Policy-Prototypen vor. Keine Gesetze, keine Beschlüsse — sondern Entwürfe.

Prototyp A – Das Genossenschafts-Modell (balanciert)

Was:

• Unterstützung für Genossenschaften durch zinslose Darlehen
• Stabilisierung gegen schnelle Mietanstiege (kein harter Deckel, aber Puffer)
• Nutzungsgebühr für längerfristigen Leerstand, ab Monat 12
• Neubau nur mit verbindlichem Grün-Ausgleich (z. B. Dächer, Höfe, Fassaden)

Wirkung:

• stabilere Mieten in angespannten Quartieren
• mehr gemeinschaftliche Wohnformen
• wenn Leerstand bleibt, ist er sichtbar und kostet
• Grün verschwindet nicht komplett, sondern verschiebt sich

Konflikte:

• Eigentümer:innen empfinden die Nutzungsgebühr als Eingriff
• Neubauten werden teurer
• Regulierung schränkt Marktimpulse ein

Unterstützung (Beispiel): ca. 63 %

Prototyp B – Das Markt-Modell (mit Absicherung)

Was:

• freie Mietpreisbildung
• keine Gebühren auf Leerstand
• Staat baut jährlich soziale Wohnungen
• Zugang einkommensbasiert für Menschen mit wenig Spielraum

Wirkung:

• Marktmechanismen bleiben weitgehend unangetastet
• Menschen mit sehr geringem Einkommen haben einen klaren Schutzraum
• Mittelschichten bleiben stärker unter Druck

Konflikte:

• es entsteht faktisch ein Zwei-Klassen-System
• Gentrifizierung wird nicht gebremst

Unterstützung (Beispiel): ca. 18 %

Prototyp C – Das Verdichtungs-Modell (Angebotsdruck)

Was:

• deutlicher Ausbau des Neubaus (z. B. +20 % Wohnraum in 10 Jahren)
• teilweise Versiegelung bisher unbebauter Flächen
• keine Wohnkostenstabilisierung, keine Leerstandsgebühren
• private Investor:innen tragen den Großteil der Investitionen

Wirkung:

• viel neuer Wohnraum in kurzer Zeit
• Preise sinken durch ein größeres Angebot
• Städte werden dichter, freier Raum knapper

Konflikte:

• Lebensqualität sinkt in manchen Quartieren (weniger Grün, mehr Dichte)
• alte Strukturen verändern sich rapide

Unterstützung (Beispiel): ca. 12 %

🔄 6. Zweite Runde – Feinjustierung

Nach einer ersten Diskussionsphase zeigt das System nicht nur, welcher Prototyp vorn liegt – sondern auch, wo es in ihm selbst spannt.

Beispiel für Prototyp A:

• 28 % finden die Nutzungsgebühr für Leerstand zu niedrig
• 19 % wünschen mehr Neubau, auch mit reduziertem Grün-Ausgleich
• 12 % empfinden den Stabilisierungspuffer als zu starke Regulierung

Du kannst jetzt:

• die Gebühr erhöhen (z. B. von 5 % auf 10 %)
• den Grün-Ausgleich lockern (z. B. 1:0,5 statt 1:1)
• den Ruhepuffer etwas weicher setzen
• oder einen eigenen Entwurf einbringen, der als neuer Prototyp visualisiert wird

Wenn du eine eigene Idee einbringst, wird sie nicht versteckt.
Sie erscheint als neuer Prototyp in der Karte — andere können zustimmen, ablehnen, justieren.

✨ 7. Finale Auswertung

Nach einigen Monaten verdichten sich die Muster:

• Genossenschafts-Modell A (angepasst): ca. 68 %
• Markt-Modell B: ca. 14 %
• Verdichtungs-Modell C: ca. 9 %
• weitere Modelle (inkl. Rotations-Ideen etc.): zusammen ca. 9 %

Die losbasierten Bürger:innenräte auf Stadtteil-Ebene sehen die Heatmap — nicht als Befehl, sondern als Verdichtung dessen, was Menschen wollen.

Die Frage im Raum klingt eher so:

„A liegt vorne. Wie tragen wir B und C so mit, dass sie nicht unsichtbar werden — ohne A zu verwässern?“

Die Räte verhandeln, passen an, dokumentieren die Entscheidung.
Transparent. Nachvollziehbar.

Wichtig bleibt:

• Die KI entscheidet nicht.
• Die Heatmap entscheidet nicht.
• Menschen entscheiden — aber informierter als vorher.

🪶 8. Optionale Erweiterung

Am Ende des Prozesses kannst du:

• dein Szenario „signieren“ (🪶), wenn du es als Resonanzstein weitergeben möchtest
• es für dich behalten, wenn es nur ein innerer Test war
• eine Frage in den Raum stellen, z. B.:
  „Was wäre deine größte Sorge, wenn wir Leerstand bepreisen?“

Dieses Mikro-Szenario zeigt:
Nicht „der richtige Plan“ macht Städte bewohnbar,
sondern die Fähigkeit, Spannungen sichtbar zu machen — und daran zu justieren.

Zurück zum Haupttext →