English version

Rüdiger Safranski hat ein Buch über künstliche Intelligenz geschrieben. Das ist erst einmal eine gute Nachricht: Endlich streitet jemand über KI, der nachweislich schon vor ChatGPT denken konnte.

„Die Vierte Kränkung“ heißt das Buch. Die Rechnung dahinter geht so: Kopernikus nahm uns die Mitte des Weltalls, Darwin die Sonderstellung über dem Tier, Freud die Herrschaft im eigenen Haus. Und jetzt kommt eine Maschine und erledigt Intelligenzleistungen, für die wir bisher ein Bewusstsein nötig hielten — unseres, genauer gesagt. Vierte Kränkung.

Safranskis Trost, wie der ORF seine Position wiedergibt: Die KI bleibt tote Materie. Sie habe kein Außen, aber auch kein Innen, keine Ahnung von dem, was sie tut; sie prozessiere regelgeleitet.

Das ist elegant. Es ist auch fast richtig. Und an der Stelle, wo es zu kurz greift, wird es interessant.

Das Duell, das keiner angesetzt hat

„Mensch gegen Maschine“ ist eine Gegenüberstellung, und Gegenüberstellungen erzwingen Wertungen: Wer ist besser, das Hirn oder der Chip? Die Frage klingt tief und ist es nicht. Ein Flugzeug ist auch nicht „besser“ als ein Vogel. Es fliegt nur anders, und niemand käme auf die Idee, deshalb ein Buch über die Kränkung der Amsel zu schreiben.

Trotzdem sitzen wir in diesem Duell-Format fest. Man merkt es an der Vokabel „überlegen“, die in keiner KI-Debatte fehlen darf. Dabei verdeckt die Ranglistenfrage genau das, worauf es ankommt: nicht nur, was die Maschine ist und was der Mensch ist, sondern was zwischen ihnen entsteht. Die Beziehung. Das Wechselspiel. Der Ort, an dem sich tatsächlich entscheidet, was aus beiden wird.

38 Sekunden zur vierten Kränkung: Thomas Schneider über Amsel, Flugzeug und das Recht, die Maschine anzuhalten.

Design-Frage: Welche unserer KI-Debatten würden sofort produktiver, wenn wir das Wort „besser“ für eine Saison sperren?

Was die Begriffe hergeben, wenn man sie sortiert

Logik ist ein Regelwerk für gültige Schlüsse: formal, kontextarm, am Ende ja oder nein. Das ist das Heimspiel der Chips, und dort verlieren wir. Das zuzugeben kostet nichts. Taschenrechner haben uns auch nicht gekränkt; jedenfalls hat niemand ein Buch darüber geschrieben.

Vernunft ist mehr: Gründe geben, Gründe nehmen und — Safranskis stärkste Stelle — die eigenen Ziele prüfen. Instrumentelle Vernunft rechnet Wege zum Ziel; reflektierende Vernunft fragt, ob das Ziel etwas taugt, und weiß, dass sie sich irren kann. Safranski nennt die KI laut ORF die „monströse Materialisierung der instrumentellen Vernunft“. Das ist ein guter Satz. Man sollte ihn nur zu Ende denken: Die instrumentelle Vernunft hat nicht auf die KI gewartet. Sie sitzt seit Jahrzehnten in Zielvereinbarungen, Quartalslogiken und Prozesshandbüchern. Die Maschine hat das Denken nicht erobert. Sie ist nur in Räume eingezogen, die wir vorher schon entseelt hatten. Die Möbel standen bereit.

Denken ist noch einmal mehr als Vernunft: Zweifel, Umweg, Assoziation, die Pause. Denken kann anhalten. Und Diskurs ist Austausch von Gründen zwischen Leuten, die mit ihrer Position etwas riskieren — ihren Ruf, ihre Gewissheit, ihre Nacht. Hier steigt die Maschine aus, und zwar nicht aus Dummheit. Sie scheitert nicht am Denken, sie scheitert am Einsatz. Wer nichts verlieren kann, tauscht keine Gründe. Der tauscht Output.

Zwei echte Unterschiede bleiben, und beide sind Beschreibungen, keine Siegerehrungen. Erstens: Ein technisches System kann eine Anfrage in eine Ausgabe, eine Zurückweisung oder eine Weiterleitung übersetzen. NIST beschreibt solche Mensch-KI-Konfigurationen; selektive Vorhersagemodelle zeigen zudem, dass eine technische Reject-Option konstruierbar ist. Menschliches Urteil darf dennoch in der Schwebe bleiben: „Weiß nicht“ ist bei uns ein Zustand, kein Absturz. Die Zurückweisung ist keine moralische Agentur der Maschine, sondern eine Betriebsentscheidung. Wer hat sie erlaubt, wer trägt die Konsequenz?

Zweitens, der komischere Befund: Im Normalbetrieb antwortet die KI immer. Man kann sie um drei Uhr früh nach dem Sinn des Lebens fragen und bekommt vor dem Frühstück fünf Bulletpoints. Safranski sagt, sie „tut“ nichts. Schärfer: Sie kann nicht aus eigenem Antrieb nichts tun. Das ist ihr eigentlicher Defekt.

Wobei: derzeit nicht kann. Denn dieser Defekt ist kein Naturgesetz, sondern eine Designentscheidung. Systeme lassen sich so bauen, dass sie zurückfragen, Unsicherheit markieren oder eine Entscheidung an Menschen abgeben. Das ist noch kein menschliches Zögern: Die Maschine riskiert dabei nichts und trägt keine Verantwortung. Wertvoll wird die Pause erst, wenn sie eine echte Prüfung eröffnet und jemand sie gegen Zeitdruck und Sanktionen verteidigen kann. Deshalb gibt es bei NWNC das Bild der faulen KI: eine Maschine, die nicht auf jede Frage sofort fünf Bulletpoints wirft, sondern gelegentlich die Füße hochlegt und einen erst einmal selber denken lässt. Dass solche Grenzen selten eingebaut werden, sagt weniger über die Technik als über die Besteller.

Design-Frage: Wo in unserer Arbeit ist Innehalten noch vorgesehen — und wo haben wir es wegoptimiert, lange bevor eine KI kam?

Die Werkstatt widerspricht

Jetzt der Punkt, an dem meine Erfahrung von der Theorie abbiegt. Der Kreativitäts-Konsens lautet: Kreativität hat der Mensch, die Maschine hat keine, Ende der Durchsage. Ich arbeite seit den frühen Neunzigern mit Schnittmaschinen, Code und Projektionen — und ich kann diesen Konsens nicht unterschreiben. Sogar die Fehler der Maschinen können sehr kreativ sein. Der Glitch, die falsche Verbindung, das Bild, das so nie bestellt war: Das wird kreativ in dem Moment, in dem jemand es als Material nimmt statt als Störung. Am Schnitttisch war das nie eine These, sondern Alltag. Das Material antwortet, und wer hinhört, bekommt etwas, das er allein nicht hätte machen können.

Kreativität ist dann keine Substanz, die im Hirn lagert oder im Chip fehlt. Sie ist ein Ereignis in der Begegnung: zwischen Mensch und Material, aber auch zwischen Menschen, die deuten, streiten und verwerfen. Deshalb greift das Entweder-Oder von tot und lebendig zu kurz. Totes Material wird lebendig, sobald es in eine Anordnung gerät, die Menschen betreten, prüfen und umbauen können. Das ist keine Mystik, das ist Montage. Und es ist Safranskis eigene Hoffnung, wie sie der ORF wiedergibt: Der lebendige Geist könne den toten so lenken, dass er dem Leben diene. In der Werkstatt heißt das: Schnitthoheit. Wer darf eingreifen, was bleibt revidierbar, wo korrigiert Erfahrung das System?

Bleibt der letzte Unterschied, der vielleicht schärfste: Logik gegen Geschmack. Logik entscheidet nach Regel. Geschmack urteilt ohne feste Regel — erfahrungsgesättigt, verkörpert, nicht vollständig ableitbar. Eine Maschine kann Geschmack statistisch nachahmen; sie verdichtet Muster aus vergangenen Urteilen und kann daraus auch Überraschendes erzeugen. Aber sie steht nicht für eine Abweichung ein. Geschmack ist nicht bloß der Durchschnitt bisheriger Urteile, sondern ein verkörpertes Urteil, das vom Gewohnten abweichen und dafür geradestehen kann. Safranskis Satz über die fehlende Perfektion der Weisheit würde jede Cutterin unterschreiben. Sie würde nur ergänzen: Das gilt auch für Organisationen.

Design-Frage: Wer darf in unseren Systemen vom Durchschnitt abweichen — und was kostet es ihn?

Die Kränkung als Bauauftrag

Also, der Reihe nach. Safranski hat recht: Die KI ist tote Materie. Sie hat kein Innen, sie riskiert nichts, sie kann nicht aus eigener Verantwortung schweigen. Aber tot ist auch jede Organisation, die nur noch rechnet — und die gab es vor der KI, sie läuft jetzt nur schneller. Lebendig wird ein System nicht durch behauptetes Innenleben, sondern durch Revidierbarkeit, Widerspruch, Stopprechte und Ausstiegsfähigkeit.

Safranski fordert laut ORF Gewaltenteilung gegen die Monopole. Man muss sie eine Etage tiefer tragen: nicht nur in die Verfassung, sondern in den Arbeitsalltag. Wer darf ein KI-Urteil anfechten, bevor es wirkt? Wer hat ein Stopprecht im Prozess, nicht erst im Gesetz? Wer kann aussteigen, ohne zu verarmen?

Und weil Innehalten nicht sich selbst adelt — bürokratische Verzögerung ist noch kein Urteil —, hat diese Möglichkeit eine Kostenstelle: Ein Stopprecht ohne bezahlte Zeit, Sanktionsschutz und Entscheidungsmacht ist nur ein hübscher Knopf an einer Maschine, die weiterläuft. Das technische Gegenargument bleibt: Was niemand nachvollziehen kann, lässt sich schwer anfechten. Prüfbarkeit ersetzt aber keine Macht, und Macht ohne Prüfbarkeit bleibt blind.

Ob solche Rechte im Alltag tragen, ist kein Versprechen, sondern eine Gestaltungs- und Beweisfrage. Gerade in komplexen Systemen ist nicht jeder Eingriff linear wirksam. Wenn es gelingt, könnte die vierte Kränkung die erste sein, die uns etwas baut statt nur etwas nimmt. Logik gewinnt die Maschine, geschenkt. Geschmack bleibt eine menschliche Verantwortung. Und Kreativität gehört keinem von beiden: Sie entsteht dazwischen, manchmal sogar aus dem Fehler der Maschine.

Man muss der toten Materie nur Räume bauen, in denen sie einem antworten darf. Und sich das Recht sichern, nicht zurückzuantworten. Wenigstens bis zum Frühstück.

Quellen und Transparenz

Safranskis Positionen und die kurzen Zitate werden hier nach der ORF-Wiedergabe behandelt, nicht als Prüfung des vollständigen Buchtexts: ORF.at, „Plädoyer für ‚lebendigen Geist‘ gegen KI“. Technisch lassen sich KI-Systeme so bauen, dass sie bei Unsicherheit zurückweisen, nachfragen oder an Menschen übergeben. NIST beschreibt Muster für die Zusammenarbeit von Menschen und KI-Systemen; SelectiveNet ist ein Beispiel für ein Modell, das unsichere Fälle ablehnen kann. Beides macht die Maschine nicht verantwortlich: Verantwortung bleibt bei Menschen und institutionellem Design.

Die Transparenzseite zum Artikel macht Quellen, Prüfschritte und technische Integritätsnachweise nachvollziehbar. Die redaktionelle Verantwortung bleibt beim Menschen; der aktuelle Blockchain-Status wird separat ausgewiesen.

English version

Fünf KI-Welten, fünf NWNC-Zielbilder und die Frage nach Human Work

English version

Viele Menschen fragen sich gerade, wie unsere Zukunft mit KI aussehen könnte.
Die Antworten bewegen sich zuverlässig zwischen zwei Extremen. Auf der einen
Seite wartet das digitale Paradies: Maschinen erledigen die Arbeit, Wohlstand
wächst, und wir widmen uns endlich dem Wesentlichen. Auf der anderen Seite
steht die letzte Warnmeldung der Menschheit, vermutlich mit einem Button
darunter: „Risiko verstanden“.

Extreme haben einen Vorteil. Sie ersparen uns die mühsame Gestaltung des
Dazwischen.

Wenn das äußerste Take-off-Szenario eintritt und die Menschheit, um den
Fachbegriff zu verwenden, am Arsch ist, erübrigt sich auch die Debatte über
Human Work. Der Transformationsworkshop wird dann eher nicht nachgeholt. Für
alle weniger endgültigen Zukünfte gilt jedoch das Gegenteil: Sie entstehen
nicht einfach. Sie werden durch Investitionen, Beschaffung, Ausbildung,
Arbeitsrecht, Organisationsdesign und sehr alltägliche Entscheidungen geformt.

Zukunft ist kein Wetter, das aus dem Silicon Valley über uns hereinzieht. Wir
müssen nicht nur vorhersagen, ob es regnet. Wir entscheiden mit, ob wir Dächer,
Gärten oder ein Bewässerungssystem bauen.

Der britische Bericht
AI Scenarios 2030
beschreibt fünf mögliche KI-Welten. Er versteht sie ausdrücklich als
Stresstests, nicht als Prognosen. Im Flowbook KI haben wir diesen technischen
Szenarien eigene Bilder gegenübergestellt: den Ghost Learner, den wandernden
Burggraben, die faule KI, die versorgte Unfreiheit und die
Freiheitssubstrate. Unsere kritischen Redaktionsnotizen ergänzen die
unangenehmen Gegenfragen: Was geschieht, wenn KI zur kognitiven Krücke wird?
Wenn Agenten nicht entlasten, sondern Hypertasking erzeugen? Wenn
„Wahrheits-KI“ politischen Streit durch technische Gewissheit ersetzt? Und
wenn mehr Daten zwar mehr Varianten, aber nicht mehr Kreativität hervorbringen?

Der Bericht und die kritischen Notizen sollen hier nicht den Text beherrschen.
Sie liefern den Windkanal. Die eigentliche NWNC-Frage lautet: Welche Form
von Human Work wollen wir in jeder dieser Welten ermöglichen?

Human Work ist dabei nicht der traurige Rest, den eine Maschine noch nicht
beherrscht. Gemeint ist Arbeit, in der Menschen Können aufbauen, Urteil bilden,
Beziehungen gestalten, Verantwortung übernehmen, Widerstand erfahren und
gemeinsam Welt verändern. Sie kann bezahlt oder unbezahlt, digital oder
verkörpert, hoch spezialisiert oder alltäglich sein. Entscheidend ist, ob der
Mensch durch sie handlungsfähiger wird oder nur besser in eine Maschine passt.

76 Sekunden zur Leitfrage: Eine Simulation kann zeigen, was geschehen
könnte. Aber wer entscheidet, was geschehen soll?

Die technische Vertiefung dazu steht im eigenständigen Artikel
Die vorgespurte Welt:
Dort geht es um World Models und die Macht über den Möglichkeitsraum. Hier
geht es um die fünf gesellschaftlichen Szenarien und die Zielbilder für Human
Work, die in sehr unterschiedlichen Zukünften tragen sollen.

1. Slow Burn: Leistung ohne Lernweg

Im Szenario Slow Burn entwickelt sich KI langsamer als von vielen erwartet.
Trotzdem automatisiert sie zahlreiche digitale Routinen. Besonders unter Druck
geraten juniorige und ausführungsorientierte Rollen. Die Revolution kommt
nicht als Explosion. Sie beginnt damit, dass eine Einstiegsstelle nicht mehr
nachbesetzt wird.

Unser Spiegelbild für dieses Szenario ist der Ghost Learner. Eine junge
Mitarbeiterin liefert mit KI gute Analysen, saubere Texte und brauchbare
Entwürfe. Nach außen sieht das nach Kompetenz aus. Im Inneren ist womöglich
wenig gewachsen: kein Fallgedächtnis, kein Gefühl für Ausnahmen, keine
Erfahrung damit, warum eine plausible Antwort trotzdem falsch sein kann.

Die Kritik an KI als kognitiver Krücke trifft hier einen realen Nerv. Wenn
Menschen Aufgaben vollständig auslagern, kann gute Assistenz schwaches Lernen
verdecken. Eine 2025 in den Proceedings of the National Academy of Sciences
veröffentlichte
Feldstudie mit fast 1.000
Schülerinnen und Schülern zeigte genau dieses Muster in einem begrenzten
Kontext: Eine weitgehend ungebremste GPT-4-Oberfläche verbesserte die Leistung
während der Übung. Ohne KI schnitt diese Gruppe im anschließenden Test jedoch
schlechter ab als die Kontrollgruppe. Ein didaktisch begrenzter Tutor, der
Hinweise statt fertiger Lösungen gab, vermied den negativen Effekt weitgehend.

Die Studie handelt von Mathematikunterricht, nicht vom gesamten Arbeitsleben.
Sie beweist keine allgemeine Verdummung durch KI. Sie zeigt etwas Wichtigeres:
Output und Können sind nicht dasselbe.

Die falsche Antwort wäre, alte Routinen aus pädagogischer Nostalgie zu retten.
Niemand muss drei Jahre Folien polieren, damit irgendwann strategisches Denken
entsteht. Das alte Lehrlingsmodell war oft nur ein Tauschgeschäft: Die Jungen
erledigen die langweiligen Dinge, die Alten nennen es Erfahrung, und später
darf man selbst langweilige Dinge delegieren.

Das NWNC-Zielbild ist deshalb nicht weniger KI, sondern eine neue
Lernarchitektur. Assistenzsysteme geben Hinweise, zeigen Alternativen und
erklären Unsicherheit. Menschen bearbeiten reale Fälle, treffen begründete
Entscheidungen, üben zeitweise ohne Assistenz und erhalten Rückmeldung von
erfahrenen Kolleginnen. Gemessen wird nicht nur, ob das Ergebnis stimmt,
sondern ob jemand erklären, anfechten und übertragen kann, was er getan hat.

Human Work bedeutet in Slow Burn: Menschen dürfen an Arbeit wachsen, auch
wenn die Maschine sie schneller erledigen könnte.

Der Kipppunkt liegt dort, wo Organisationen gute Ergebnisse mit gewachsener
Urteilskraft verwechseln. Wer heute keine Lernwege baut, hat morgen vielleicht
viele Prüferinnen, aber kaum jemanden, der das Prüfen lernen durfte.

2. Open Frontier: Zugang ohne Souveränität

In Open Frontier rücken offene und geschlossene Modelle näher zusammen.
Leistungsfähige KI wird für mehr Organisationen, Regionen und Gemeinschaften
zugänglich. Das klingt nach Demokratisierung. Es kann eine sein.

NWNC setzt daneben das Bild vom wandernden Burggraben. Wenn Modelle
leichter verfügbar werden, verschwindet Abhängigkeit nicht automatisch. Sie
wandert zu Rechenzentren, Energie, Daten, Chips, Fachkräften, Audits und
Vertriebskanälen. Offene Gewichte können eine offene Tür sein in einem Haus,
das jemand anderem gehört.

Dazu kommt die Kreativitätsfrage. Mehr Daten erzeugen mehr Kombinationen. Das
ist nicht nichts. Aber Kreativität besteht nicht nur darin, den
Möglichkeitsraum zu füllen. Sie besteht auch darin, etwas wegzulassen, eine
Spannung auszuhalten, einen unpopulären Bezug herzustellen oder zu wissen,
wann die eintausendste Variante das Problem nur höflich vergrößert.

Human Work liegt in dieser Welt deshalb nicht im bloßen Bedienen offener
Modelle. Es liegt im Aufbau lokaler Fähigkeit: Systeme verstehen, anpassen,
warten und wechseln; Daten mitnehmen; Fehler beheben; Modelle in Sprache,
Kultur, Fachpraxis und konkrete Lebenswelten einbetten. Eine Gemeinde, ein
Medienhaus oder eine Genossenschaft wird nicht souverän, weil jemand ein
Open-Source-Modell heruntergeladen hat. Souverän wird sie, wenn Menschen es
verantwortlich betreiben und notfalls ohne den ursprünglichen Anbieter
weiterarbeiten können.

Das NWNC-Zielbild ist die KI-Werkstatt statt der KI-Zapfsäule. Schulen,
Bibliotheken, Verwaltungen, Betriebe und lokale Gemeinschaften erhalten Zugang
zu Compute, Energie, offenen Werkzeugen und Lernräumen. Sie konsumieren nicht
nur fertige Intelligenz. Sie bauen Gegenmacht durch Können auf.

Human Work bedeutet in Open Frontier: Menschen machen aus technischem
Zugang eine soziale Fähigkeit.

Der Kipppunkt ist Ausstiegsfähigkeit. Wenn Daten, Abläufe und Kompetenz lokal
bleiben, kann Offenheit Freiheit verteilen. Wenn nur das Modell offen ist,
während alles andere gemietet bleibt, hat der Burggraben lediglich die Straße
gewechselt.

3. Augmented Growth: Hilfe ohne Handlungsmacht

Augmented Growth ist die freundlichste der fünf Welten. KI automatisiert
große Teile digitaler Arbeit, neue Rollen entstehen, öffentliche und private
Dienste verbessern sich, Menschen bleiben aus rechtlichen, sozialen und
praktischen Gründen in vielen Schleifen.

Aber „Human in the loop“ ist noch keine Stellenbeschreibung. Der Mensch kann
urteilen, Gegenmodelle verlangen und eine Empfehlung verändern. Er kann auch
nur am Ende auf „Bestätigen“ klicken, damit die Haftung wieder einen Namen hat.
Die Oberfläche sieht in beiden Fällen fast gleich aus. Macht hat bekanntlich
kein eigenes Icon.

Auch Agenten lösen dieses Machtproblem nicht automatisch. Sie können
entlasten, aber ebenso mehr parallele Aufträge, Statusmeldungen und
Entscheidungen erzeugen. Drei Agenten, die gleichzeitig Zeit sparen, können
erstaunlich viel Zeit benötigen. Wenn Bots einander Zusammenfassungen von
Zusammenfassungen schicken, wächst nicht zwingend Erkenntnis. Manchmal wächst
nur die Anzahl sehr effizient erzeugter Gründe, noch ein Dashboard zu öffnen.

Unser Gegenbild ist die faule KI. Sie ist keine schwache KI und keine
Prognose. Sie ist ein Zielbild für ein begrenztes, menschenkluges System. Eine
faule KI automatisiert nicht jede Pause, beobachtet nicht jeden Arbeitsschritt
und beschleunigt nicht jeden schlechten Prozess. Sie weiß, dass menschliche
Latenz kein Systemfehler ist. In dieser Zeit entstehen Zweifel, Beziehung,
Humor, Konfliktklärung und Verantwortung.

Human Work umfasst in Augmented Growth vor allem Rahmung und Beziehung: das
richtige Problem wählen, Prioritäten setzen, Betroffene hören, Werte
abwägen, Widersprüche aushalten, Entscheidungen erklären und für ihre Folgen
einstehen. Menschen müssen nicht in jeder technischen Schleife bleiben. Aber
sie müssen dort wirksam bleiben, wo Ziele umstritten, Folgen ungleich verteilt
oder Entscheidungen schwer rückholbar sind.

Das NWNC-Zielbild ist Co-Agency. KI erweitert den Handlungsspielraum, ohne
den Menschen zum dekorativen Freigabepunkt zu machen. Beschäftigte können
Annahmen öffnen, Daten korrigieren, Empfehlungen überstimmen, Prozesse stoppen
und begründet eine langsamere Route wählen. Teams erhalten nicht nur neue
Tools, sondern auch ein Recht auf Konzentration.

Human Work bedeutet in Augmented Growth: Der Mensch bleibt nicht in der
Schleife. Sein Urteil verändert die Schleife.

Der Kipppunkt liegt zwischen Eingriff und Bestätigung. Wenn Widerspruch eine
reale Wirkung hat, entsteht Zusammenarbeit. Wenn er nur protokolliert wird,
entsteht Haftungstheater mit freundlicher Benutzeroberfläche.

4. Transformation Economy: Versorgung ohne Teilhabe

In der Transformation Economy bleibt der technische Fortschritt hoch, aber
die soziale Bilanz kippt. Viele kognitive Aufgaben werden automatisiert,
Einstiegswege brechen weg, Gewinne und Infrastruktur konzentrieren sich. Eine
Gesellschaft kann dabei materiell reicher und menschlich ärmer werden.

Wir nennen diese Möglichkeit versorgte Unfreiheit. Menschen können
ein Einkommen, ausgezeichnete automatisierte Dienste und einen persönlichen
KI-Assistenten besitzen und trotzdem keinen Schlüssel zum Maschinenraum haben.
Sie sind versorgt, aber nicht beteiligt. Eine Bürgerdividende verteilt Ertrag.
Sie verteilt noch keine Urteilsmacht, Werkzeuge oder gesellschaftliche Rolle.

Noch grundsätzlicher ist die Idee einer „Wahrheits-KI“. Politische und
gesellschaftliche Konflikte sind nicht bloß schlecht gelöste
Informationsprobleme. Eine KI kann Fakten prüfen, Folgen simulieren und
Widersprüche zeigen. Sie kann aber nicht neutral entscheiden, welche
Ungleichheit gerecht, welches Risiko zumutbar oder welche Zukunft
wünschenswert ist. Wer solchen Streit an eine angeblich objektive Maschine
delegiert, beseitigt Politik nicht. Er versteckt sie in Trainingszielen,
Zugangsrechten und Systemprompts.

Human Work darf in dieser Welt nicht auf Restbeschäftigung reduziert werden.
Arbeit ist auch Beitrag, Fürsorge, Handwerk, Lernen, Selbstklärung,
Nachbarschaft, Kunst und gemeinsames Bauen. Menschen brauchen Weltkontakt und
die Erfahrung, dass ihr Handeln für andere einen Unterschied macht. Freizeit
allein erzeugt das nicht. Ein gut ausgestatteter Warteraum bleibt ein
Warteraum.

Das NWNC-Zielbild verbindet materielle Sicherheit mit
Freiheitssubstraten: Zeit, Lernorte, Werkzeuge, Energie, Daten,
Rechenleistung, Gemeinschaft, geschützte Räume und einklagbare Rechte. Dazu
kommen neue Formen gemeinsamer Produktion: lokale Werkstätten, öffentliche
KI-Labore, Genossenschaften, offene Wissensräume und Institutionen, in denen
Menschen Infrastruktur nicht nur nutzen, sondern mitgestalten und mitbesitzen.

Human Work bedeutet in Transformation Economy: Menschen erhalten nicht nur
Versorgung, sondern die Mittel, einen wirksamen Beitrag zu wählen.

Der Kipppunkt liegt beim Eigentum an den Möglichkeiten. Werden Menschen zu gut
versorgten Konsumenten maschineller Leistung, wächst Abhängigkeit. Erhalten sie
Zeit, Können, Rechte und Infrastruktur, kann Produktivität tatsächlich Freiheit
finanzieren.

5. Take-Off: Geschwindigkeit ohne Richtung

Take-Off ist der äußerste Stresstest. Führende Systeme übertreffen Menschen
in fast allen kognitiven Aufgaben, KI beschleunigt die weitere KI-Forschung,
ein geopolitisches Wettrennen schwächt Sicherheitsgrenzen. Das Szenario ist
keine Vorhersage. Es prüft, was geschieht, wenn technische Geschwindigkeit die
institutionelle Reaktionsfähigkeit überholt.

Die irrationalen Antworten darauf sind bekannt: religiöse Erlösung oder
komplette Lähmung. Entweder die Maschine löst alles, oder man könne ohnehin
nichts mehr tun. Beide Haltungen sind erstaunlich bequem. Die eine lagert
Hoffnung aus, die andere Verantwortung.

Unsere Antwort darauf ist Beschleunigung ohne Take-off-Gewissheit und
epistemische Demut. KI hilft bereits beim Bau von KI. Wo Ergebnisse klar
prüfbar sind, kann maschinelle Suche Forschung erheblich beschleunigen. Wo
Ziele umstritten, Folgen langfristig und Werte nicht messbar sind, bleibt
Richtung eine menschliche und politische Aufgabe.

Human Work wird in dieser Welt nicht durch Schnelligkeit konkurrenzfähig. Es
wird durch Legitimation, Mut und Begrenzung unverzichtbar. Menschen müssen
entscheiden, welche Ziele nicht optimiert, welche Systeme nicht autonom
verbunden und welche Schritte nicht ohne Zustimmung ausgelöst werden dürfen.
Pflege, Handwerk, Schule, Medizin, Landwirtschaft und andere verkörperte
Arbeiten sind dabei keine rückständigen Zonen. Sie erinnern daran, dass Welt
nicht nur aus Information besteht und Verantwortung nicht auf einem Server
wohnt.

Das NWNC-Zielbild sind verfassungsähnliche Bremsen für Beschleunigung:
unabhängige Gegenmodelle, dokumentierte Unsicherheit, menschliche Stopprechte,
mehrere technische Wege, ein betreibbarer Notmodus und bewusst langsame
Verfahren für irreversible Entscheidungen. Ein roter Knopf, der erst die KI um
Erlaubnis fragt, ist farblich interessant und sonst eher Dekoration.

Human Work bedeutet in Take-Off: Menschen geben Richtung, gerade wenn sie
mit der Geschwindigkeit der Maschine nicht konkurrieren können.

Der Kipppunkt liegt dort, wo Beschleunigung zur Begründung ihrer eigenen
Unkontrollierbarkeit wird. Zukunftsgestaltung beginnt lange davor: bei jeder
Entscheidung, die heute Widerspruch, Vielfalt und Abschaltbarkeit einbaut oder
wegoptimiert.

Vier Warnungen, die durch alle fünf Welten laufen

Aus der Spiegelung der fünf Welten ergeben sich vier einfache
Unterscheidungen.

Leistung ist nicht Lernen. Ein gutes Ergebnis kann Kompetenz zeigen. Es
kann Kompetenz auch verdecken. Systeme müssen sichtbar machen, ob Menschen
Urteil aufbauen oder nur Antworten beziehen.

Zugang ist nicht Souveränität. Ein verfügbares Modell ist noch keine
eigene Fähigkeit. Souveränität beginnt mit Können, Portabilität,
Infrastrukturzugang und dem Recht, einen Anbieter zu verlassen.

Assistenz ist nicht Agency. Wer schneller arbeitet, entscheidet nicht
automatisch mehr. Agency zeigt sich daran, ob Menschen Ziele verändern,
Widerspruch wirksam machen und Prozesse stoppen können.

Information ist nicht Wahrheit und Wahrheit ist nicht Konsens. KI kann
Belege ordnen und Behauptungen prüfen. Sie darf den gesellschaftlichen Streit
darüber, was gelten soll, nicht als Rechenfehler behandeln.

Diese Warnungen sind keine Anti-KI-Position. Sie sind eine anspruchsvollere
Pro-KI-Position. Eine Technologie ist nicht deshalb menschenzentriert, weil im
Organigramm noch Menschen vorkommen. Sie muss Menschen fähiger machen, ihre
Welt zu verstehen und zu verändern.

Ein Zielbild für Human Work

Wir sollten die fünf Szenarien deshalb nicht mit einer sechsten Prognose
beantworten. Wir brauchen Zielbilder, die in mehreren Zukünften tragen.

Human Work ist lernfähig. Jede Automatisierung beantwortet auch die Frage,
wie Anfängerinnen Erfahrung gewinnen und wie Expertise erneuert wird.

Human Work ist anfechtbar. Menschen können Annahmen, Daten und
Entscheidungen prüfen, korrigieren und stoppen, ohne dafür gegen die gesamte
Organisation kämpfen zu müssen.

Human Work ist souverän. Kritische Arbeit bleibt auch bei Anbieterwechsel,
Netzausfall oder politischem Konflikt in einer einfacheren Form möglich.

Human Work ist verkörpert und beziehungsfähig. Pflege, Bildung, Handwerk,
Kunst, Konflikt und gemeinsames Lernen werden nicht an der Geschwindigkeit von
Bildschirmarbeit gemessen.

Human Work ermöglicht Beitrag. Materielle Sicherheit wird mit realen
Möglichkeiten verbunden, etwas zu können, zu bauen, zu geben und gemeinsam zu
entscheiden.

Human Work darf langsam sein. Nicht jede Verzögerung ist Ineffizienz.
Manche Langsamkeit ist Prüfung. Manche Reibung ist Lernen. Manche Pause ist der
Moment, in dem jemand merkt, dass das System gerade sehr elegant das Falsche
tut.

Ein Zielbild ist keine Utopie zum Aufhängen. Es ist eine Entscheidungsfolie.
Man erkennt es im Ausbildungsbudget, in der Beschaffungsklausel zur
Datenportabilität, im Stopprecht einer Sachbearbeiterin, in der Zeit für ein
Lehrgespräch, im lokalen Server, in der offenen Werkstatt und in der Frage, wer
an einer Automatisierungsrendite beteiligt wird.

So wird Zukunft geformt: nicht durch die eine große Entscheidung im Jahr 2030,
sondern durch tausend kleine Festlegungen darüber, was Menschen lernen dürfen,
worüber sie verfügen und wo ihr Urteil zählt.

Wir können nicht wissen, welche der fünf KI-Welten kommt. Wahrscheinlich wird
es ohnehin eine unordentliche Mischung. Aber wir können bestimmen, welche
menschlichen Möglichkeiten in dieser Mischung robust bleiben sollen.

Die Zukunft ist kein Wetterbericht.

Sie ist eine gemeinsame Baustelle. Das ist anstrengender als Vorhersagen. Aber
wenigstens diskutieren wir dann nicht über Regenschirme, während andere bereits
den Beton gießen.

Trusted New Work AI: Szenarien prüfen, Zielbilder verantworten

Dieser Artikel trennt externe Szenarien, empirische Evidenz und eigene
NWNC-Interpretation. Die fünf technischen Zukunftsbilder stammen aus dem
britischen Szenariobericht. Die Begriffe Ghost Learner, wandernder Burggraben,
faule KI, versorgte Unfreiheit und Freiheitssubstrate sind Denkfiguren aus dem
Flowbook KI. Die kritischen Notizen aus DU MAIN Social wurden als redaktionelle
Gegenfragen verwendet, nicht als Sachbelege. Der konkrete Lernclaim wurde an
der PNAS-Primärstudie geprüft und auf deren begrenzten Kontext beschränkt.

KI-Werkzeuge haben Recherche, Gegenprüfung und Textarbeit unterstützt. Kein
Modellurteil gilt als Sachbeleg oder Wahrheitsbeweis. Auswahl, Gewichtung,
Formulierung und Verantwortung bleiben menschliche Redaktionsarbeit.

Quellen und Weiterlesen

• UK Government Office for Science: AI Scenarios 2030
• Hamsa Bastani et al.: Generative AI without guardrails can harm learning
• Flowbook KI

English version

Wer entscheidet, was KI für möglich hält?

Sitzung, irgendwann 2029. Mara Illner, Logistikplanung, sitzt mit elf Kolleginnen und Kollegen vor einem Bildschirm. Die Organisation will ein neues Logistikzentrum bauen. Früher lägen auf dem Tisch Prognosen, Erfahrungswerte und drei Varianten, über die lange gestritten würde. Nun zeigt ein System zehntausend simulierte Abläufe: Lieferketten, Energieverbrauch, Personaleinsatz, Störungen, Kosten, Unfallrisiken. Es empfiehlt Variante 7B. Die Kurven sind ruhig, die Abweichungen klein, der erwartete Nutzen eindeutig.

Zehntausend Zukünfte auf dem Schirm. Keine einzige enthält den Kaffee, den man bräuchte, um sie alle zu besprechen.

Niemand im Raum hält die Simulation für unfehlbar. Trotzdem verändert sie das Gespräch. Nicht mehr Variante 7B muss begründet werden, sondern jede Abweichung von ihr. Die Zukunft ist nicht beschlossen. Sie hat nur bereits eine bevorzugte Spur.

Genau darin liegt die gesellschaftliche Bedeutung von World Models. Sie sind nicht bloß eine weitere Generation von KI-Systemen, die bessere Antworten liefert. Sie versprechen, Zustände einer Umgebung und mögliche Folgen von Handlungen so zu modellieren, dass ein System in einer gelernten Repräsentation vorausblicken kann. Es reagiert nicht nur auf die Welt. Es erprobt, was als Nächstes geschehen könnte.

Für Forschung, Robotik und sichere Planung ist das ein großer Schritt. Für Organisationen ist es eine Machtfrage: Wer bestimmt die Welt, in der die Maschine Möglichkeiten berechnet? Und was geschieht mit menschlicher Freiheit, wenn eine simulierte Zukunft plausibler wirkt als die unordentliche Erfahrung der Menschen, die in ihr arbeiten sollen?

76 Sekunden zur Leitfrage: Was kann eine Simulation zeigen – und was dürfen wir ihr nicht überlassen?

Ein Modell ist nicht die Welt

Ein World Model ist eine gelernte, zweckgebundene Repräsentation von Zuständen, Regelmäßigkeiten und Übergängen. Es soll aus Beobachtungen ableiten, wie eine Umgebung sich entwickeln könnte und welche Folgen bestimmte Handlungen haben könnten. Dafür muss es die Welt reduzieren. Ohne Reduktion gäbe es kein Modell, sondern nur noch einmal die Welt, diesmal mit höherem Stromverbrauch.

Diese Reduktion ist weder Fehler noch Täuschung. Sie ist die Voraussetzung dafür, dass gerechnet, geplant und verglichen werden kann. Entscheidend ist, was in ihr enthalten ist. Ein Modell für einen Roboterarm braucht andere Zustände als ein Modell für Verkehr. Ein Modell für Produktionsplanung erfasst andere Zusammenhänge als eines für Personalentwicklung. Jedes Modell hebt einige Merkmale hervor und lässt andere verschwinden.

Die erste Entscheidung über das Modell fällt, bevor es das erste Mal rechnet.

Darum führt der Name leicht in die Irre. „World Model“ klingt nach einem inneren Abbild der ganzen Welt. Tatsächlich bezeichnet der Begriff unterschiedliche technische Ansätze mit unterschiedlichen Zielen. Manche Modelle lernen Dynamiken für Reinforcement Learning. Andere lernen aus Videos Regelmäßigkeiten physischer Bewegung. Wieder andere erzeugen Umgebungen, in denen Agenten trainiert und geprüft werden können. Sie bilden keine einheitliche Stufenleiter zu allgemeinem Weltverständnis.

Was sie verbindet, ist ein Prinzip: Handeln wird leistungsfähiger, wenn ein System nicht jeden Versuch in der realen Umgebung machen muss, sondern mögliche Folgen intern vorwegnehmen kann.

Was die Forschung bereits zeigt

DreamerV3 ist ein anschauliches Beispiel. In Mastering Diverse Domains through World Models beschreiben Danijar Hafner und Kollegen einen Algorithmus, der ein Modell seiner Umgebung lernt und sein Verhalten verbessert, indem er darin mögliche Zukunftsszenarien durchspielt. Die Autoren berichten, dass eine einheitliche Konfiguration in mehr als 150 unterschiedlichen Aufgaben eingesetzt wurde. Das ist ein starkes Ergebnis für modellbasiertes Reinforcement Learning. Es belegt nicht, dass DreamerV3 soziale Wirklichkeit versteht oder die Folgen einer Reorganisation beurteilen könnte.

V-JEPA 2 verschiebt den Schwerpunkt zur physischen Welt. Das Originalpaper beschreibt ein selbstüberwachtes Modell, das zunächst mit mehr als einer Million Stunden Video und Bildern trainiert wurde. Für die Robotik ergänzte das Forschungsteam weniger als 62 Stunden Roboteraufnahmen und entwickelte daraus ein aktionsbezogenes Modell für Planung. In zwei Laboren steuerte es Roboterarme bei einfachen Greif- und Platzierungsaufgaben, ohne zuvor Daten aus genau diesen Laborumgebungen gesammelt zu haben.

Ebenso wichtig sind die Grenzen, die das Paper selbst benennt. Das System reagiert empfindlich auf die Kameraposition. Bei längeren Vorhersageketten sammeln sich Fehler an, während der Suchraum möglicher Handlungen schnell wächst. Die untersuchten Aufgaben arbeiten mit visuellen Zielbildern, und die Autoren fokussieren Vorhersagen bis ungefähr 16 Sekunden. Das ist relevante physische Planung. Es ist keine belastbare Vorschau auf den nächsten Organisationsumbau.

Google DeepMind positioniert Genie 2 wieder anders: als World Model, das vielfältige Umgebungen für Training und Evaluation künftiger Agenten erzeugen soll. Auch darin liegt ein wichtiger Fortschritt. Systeme können in mehr Situationen erprobt werden, ohne dass jede Umgebung zuerst physisch gebaut werden muss. Aber eine generierte Trainingsumgebung ist kein digitaler Zwilling der Gesellschaft. Sie zeigt, was innerhalb ihrer gelernten und gesetzten Bedingungen geschieht.

Diese Beispiele sind interessant, gerade weil sie verschieden sind. Sie zeigen keine Maschine, die „die Welt“ besitzt. Sie zeigen technische Wege, Erfahrung zu verdichten, Folgen zu antizipieren und Handlungen in begrenzten Räumen zu prüfen. Die eigentliche Frage beginnt danach: Was geschieht, wenn diese begrenzten Räume Budgets, Dashboards und Organigramme bekommen?

Die Macht liegt im Möglichkeitsraum

In Organisationen wird KI heute meist als Antwortsystem wahrgenommen. Sie schreibt, sucht, sortiert, klassifiziert oder empfiehlt. World Models legen eine frühere Machtstufe frei. Bevor eine Empfehlung entsteht, muss feststehen, welche Zustände relevant sind, welche Handlungen verfügbar sind und welche Folgen als Erfolg oder Schaden gelten.

Wer diese Definitionen setzt, gestaltet den Möglichkeitsraum. Wer die Definitionen für Variante 7B gesetzt hat, sitzt an diesem Tag nicht mit Mara Illner im Raum.

Ein Modell für Schichtplanung kann Auslastung, Kosten, Qualifikation und gesetzliche Ruhezeiten berücksichtigen. Es kann trotzdem übersehen, dass ein Team nur deshalb stabil arbeitet, weil zwei Menschen informell Konflikte auffangen. Ein Modell für ein Krankenhaus kann Laufwege und Wartezeiten optimieren. Es kann die Minute erfassen, aber nicht automatisch die Wirkung eines Gesprächs, das einen verängstigten Menschen davon abhält, eine Behandlung abzubrechen. Ein Modell für Büroarbeit kann Kommunikationsflüsse simulieren. Es erkennt dadurch noch nicht, wann Schweigen Zustimmung bedeutet und wann es das Ergebnis einer Kultur ist, in der Widerspruch Karrieren verkürzt.

Das Problem ist nicht, dass solche Erfahrungen prinzipiell „unberechenbar“ wären. Vieles lässt sich besser erfassen, als Organisationen es heute tun. Das Problem ist die Verwechslung von Erfassbarkeit und Bedeutung. Was leicht messbar ist, wandert schnell ins Modell. Was lokal, verkörpert oder widersprüchlich ist, erscheint als Störgröße oder fehlt ganz. Später wirkt die Simulation objektiv, obwohl ihre Ordnung bereits eine Entscheidung war.

Eine Zahl mit drei Nachkommastellen hat im Sitzungsraum selten Mühe, sich als Erfahrung zu verkleiden.

Wenn die Simulation zur Arbeitsanweisung wird

Die gute Zukunft ist leicht vorstellbar. Beschäftigte prüfen neue Prozesse in einer Simulation, bevor jemand gefährdet wird. Teams vergleichen mehrere Szenarien, entdecken Nebenfolgen und verändern das System gemeinsam. Fehler werden billiger, Lernen wird schneller, riskante Experimente wandern in einen geschützten Raum. Erfahrung und Modell verbessern einander.

Die weniger gute Zukunft ist ebenso plausibel. Ein zentrales System berechnet den vermeintlich besten Ablauf. Führungskräfte erhalten ein Dashboard, Beschäftigte eine Handlungsfolge. Abweichungen werden als Leistungsmangel markiert. Das Modell lernt aus den Daten einer Organisation, die Menschen lernen, sich so zu verhalten, dass sie im Modell gut aussehen. Aus Simulation wird Steuerung, aus Steuerung wird Norm, aus der Norm werden neue Trainingsdaten.

Dann beschreibt das World Model die Organisation nicht nur. Es formt sie nach seinem eigenen Ausschnitt.

Auch New Work liebt Modelle – besonders solche, in denen Achtsamkeit, Sinn und Selbstorganisation als Kennzahlen hervorragend aussehen. Ein Dashboard über psychologische Sicherheit ist immer noch zuerst ein Dashboard.

Diese Rückkopplung unterscheidet soziale Systeme von vielen physikalischen Versuchsanordnungen. Ein Roboterarm ändert sein Selbstbild nicht, weil ein Modell seine Bewegung bewertet. Menschen reagieren auf Kategorien, Prognosen und Kennzahlen. Sie passen ihr Verhalten an, verbergen Risiken, entwickeln Umwege oder verlieren den Mut, eine unwahrscheinliche Möglichkeit überhaupt noch vorzuschlagen.

Das Modell lernt vor allem die Organisation kennen, deren Verhalten seine Daten enthalten. Möglichkeiten, die nie erprobt oder erfasst wurden, bleiben leicht unsichtbar.

Die zentrale New-Work-Frage lautet deshalb nicht, ob Simulation eingesetzt werden darf. Sie lautet: Werden Menschen durch sie urteils- und handlungsfähiger, oder werden sie zu Ausführenden einer Zukunft, die anderswo vorgespurt wurde?

Verkörpertes Wissen ist keine Restkategorie

New Work hat Arbeit nie nur als Folge effizienter Handlungen verstanden. Arbeit ist auch Erfahrung, Beziehung, Identität, Lernen und die Möglichkeit, einen wirksamen Beitrag zu leisten. Genau diese Dimensionen geraten unter Druck, wenn Organisationen das Modellierbare mit dem Relevanten gleichsetzen.

Eine erfahrene Technikerin hört an einem Geräusch, dass eine Anlage anders läuft als üblich. Ein Sozialarbeiter bemerkt, dass ein formal gelungener Prozess Vertrauen zerstört. Eine Gestalterin erkennt, dass eine Irritation nicht beseitigt, sondern als Teil des Werks erhalten werden sollte. Dieses Wissen ist nicht mystisch. Es ist aus Wahrnehmung, Praxis, Fehlern und Folgen entstanden. Es kann teilweise dokumentiert und in Modelle übersetzt werden. Doch bei dieser Übersetzung verändert es seine Form.

Darum sollte verkörpertes Wissen nicht als romantischer Gegenpol zur Technik behandelt werden. Es ist eine eigenständige Erkenntnisquelle, die mit Simulation in Beziehung treten muss. Das Modell kann zeigen, was unter seinen Annahmen wahrscheinlich geschieht. Der Mensch kann erkennen, welche Annahme die Situation verfehlt, welche Folge sozial nicht tragbar ist und wann ein statistisch unwahrscheinlicher Weg trotzdem versucht werden sollte.

Das ist keine Aufgabenteilung nach dem Muster „Die KI rechnet, der Mensch ist für Empathie zuständig“. Menschen rechnen, Maschinen erkennen Muster, beide können Fehler produzieren. Der Unterschied liegt in Verantwortung und Lebenswelt: Menschen müssen mit den Folgen leben, sie rechtfertigen und die Ordnung verändern können, in der entschieden wird.

Sieben Regeln für World Models in Organisationen

World Models können Freiheitssubstrate werden. Dafür reicht es nicht, einen Menschen am Ende auf „Bestätigen“ klicken zu lassen – dieser Button ist das demokratischste Element mancher Software und das einzige, das nichts entscheidet. Organisationen brauchen eine Architektur, die den Möglichkeitsraum selbst anfechtbar macht.

Erstens: Annahmen müssen sichtbar sein. Ein simulationsgestützter Vorschlag braucht Herkunft: Datenraum, Ziel, relevante Zustände, ausgeschlossene Faktoren, Zeithorizont und bekannte Grenzen. Nicht in einem Anhang, den niemand im Entscheidungsmoment liest, sondern neben dem Ergebnis.

Zweitens: Es braucht Gegenmodelle. Eine einzige Simulation erzeugt einen Pfad. Mehrere Modelle mit unterschiedlichen Annahmen machen sichtbar, wo Ergebnisse robust sind und wo sie von Vorentscheidungen abhängen. Bei folgenschweren Fragen muss die Organisation eine Gegenhypothese finanzieren, nicht nur eine Sensitivitätsfolie.

Drittens: Betroffene müssen am Modell arbeiten können. Beschäftigte kennen Ausnahmen, informelle Praktiken und Nebenfolgen, die in zentralen Daten fehlen. Ihre Rolle darf nicht auf Feedback nach der Einführung schrumpfen. Sie müssen an Zuständen, Zielen, Tests und Abbruchkriterien mitwirken.

Viertens: Widerspruch braucht Zeit und Mandat. Wer eine Simulation anzweifelt, darf nicht automatisch als innovationsfeindlich gelten. Kritik muss eine bezahlte Aufgabe sein. Sonst gewinnt immer das Modell mit dem kürzesten Weg zur Vorstandsvorlage.

Nehmen wir einen Maschinenbauer: Eine Simulation empfiehlt eine neue Schichtfolge – ruhige Kurven, kleine Abweichungen. Eine Meisterin widerspricht und erhält Zeit sowie ein Mandat für die Prüfung. Sie entdeckt, was die vorhandenen Daten nicht enthalten: Zwei erfahrene Kollegen fangen die Konflikte zwischen den Schichten informell auf. Die neue Folge würde genau sie trennen. Die Simulation wäre präzise bei allem, was sie misst. Sie würde nur nicht messen, was den Betrieb zusammenhält.

Fünftens: Ein Modell braucht Folgenfeedback. Prognosen und erwartete Folgen werden vor der Entscheidung dokumentiert und später mit der Realität verglichen. Ohne diese Rückkopplung sammelt die Organisation keine Erfahrung. Sie sammelt nur neue Versionen derselben Gewissheit.

Sechstens: Stopprechte müssen real sein. Ein Mensch oder Team muss eine simulationsgestützte Entscheidung aussetzen, eine zweite Prüfung verlangen und den automatisierten Pfad verlassen können. Verantwortung ohne Eingriffsrecht ist nur Haftung in freundlicher Benutzeroberfläche.

Siebtens: Ausstiegsfähigkeit gehört zum Design. Daten, Modelle, Dokumentation und Kompetenzen müssen so organisiert sein, dass ein Anbieter, ein System oder eine falsche Grundannahme gewechselt werden kann. Wer den Möglichkeitsraum nicht verlassen kann, besitzt keine Entscheidungshilfe. Er bewohnt eine Infrastruktur.

World-Model-Literacy

Wir werden lernen müssen, Simulationen ähnlich kritisch zu lesen wie Texte, Statistiken und Bilder. Dafür braucht es World-Model-Literacy. Sie beginnt nicht mit der Frage, wie groß das Modell ist. Sie beginnt mit fünf einfacheren Fragen:

• Welche Welt wurde hier modelliert?
• Welche Zustände und Handlungen fehlen?
• Wer hat Ziel und Erfolg definiert?
• Wie weit reicht der belastbare Vorhersagehorizont?
• Wer kann dem Ergebnis widersprechen und einen anderen Weg erproben?

Diese Kompetenz gehört nicht nur in Data-Science-Teams. Führungskräfte, Betriebsräte, Fachleute, Beschäftigte und öffentliche Institutionen brauchen unterschiedliche Zugänge dazu. Denn sobald Simulationen Arbeit organisieren, sind ihre Grenzen keine technische Fußnote mehr. Sie bestimmen Handlungsspielräume, Lernwege und die Verteilung von Verantwortung.

Im Flowbook KI verstehen wir solche Fähigkeiten als Teil einer breiteren Freiheitsarchitektur. KI-Literacy darf nicht bei Bedienkompetenz enden. Sie muss Quellen, Modelle, Macht, Widerspruch und Ausstiegsfähigkeit umfassen. Menschen sollen KI nicht nur richtig nutzen. Sie sollen die Ordnung verändern können, in der ihre Ergebnisse wirksam werden.

Zukunft darf vorbereitet, aber nicht vorentschieden werden

World Models machen einen alten menschlichen Wunsch technisch konkreter: vor einer Handlung sehen, was sie auslösen könnte. Das kann Unfälle verhindern, Lernen beschleunigen und Möglichkeiten öffnen, die in der realen Welt zu teuer oder zu gefährlich wären. Wir sollten dieses Potenzial nicht kleinreden.

Wir sollten es nur nicht mit Wahrheit verwechseln.

Eine Simulation zeigt keine gelieferte Zukunft. Sie zeigt einen Verlauf unter bestimmten Daten, Zielen, Zuständen und Annahmen. Je anschaulicher und leistungsfähiger sie wird, desto wichtiger wird diese Unterscheidung. Wahrscheinlichkeit ist kein Schicksal. Kohärenz ist keine Legitimation. Und ein technisch optimaler Pfad ist noch keine gute Arbeit.

Zurück in den Sitzungssaal, 2029. Mara Illner schaut auf Variante 7B, die ruhigen Kurven, die kleinen Abweichungen. Dann stellt sie die erste der fünf Fragen: Welche Welt wurde hier modelliert – und welche Zustände fehlen? Es wird still im Raum. Nicht weil die Frage unfair wäre, sondern weil das System sie nicht beantworten kann. Sie richtet sich nicht an die Simulation. Sie richtet sich an die Menschen, die sie gebaut und bestellt haben.

Illner beantragt ein Gegenmodell. Es wird mehr kosten als die Sensitivitätsfolie und länger dauern als die Sitzung. Die Zukunft behält ihre bevorzugte Spur. Aber sie hat jetzt Konkurrenz.

Die entscheidende Frage wird deshalb nicht sein, ob Organisationen mit World Models planen. Das werden sie tun. Entscheidend ist, wer an diesen Modellen mitwirkt, wer ihre Grenzen erkennt und wer die Macht behält, eine andere Zukunft zu versuchen.

Freiheit beginnt nicht dort, wo eine Maschine viele Möglichkeiten berechnet. Sie beginnt dort, wo Menschen den Möglichkeitsraum verändern können.

Quellen und Vertiefung

• Danijar Hafner et al.: Mastering Diverse Domains through World Models
• Mido Assran et al.: V-JEPA 2 – Self-Supervised Video Models Enable Understanding, Prediction and Planning
• Google DeepMind: Genie 2 – A large-scale foundation world model

English version

Warum Genauigkeit die langweiligste Superkraft der KI ist – und Auswahl die menschliche Arbeit bleibt

Wir haben uns die ultimative kognitive Maschine versprochen, um den Geist der Menschheit endlich in die Freiheit zu entlassen. Nun hilft sie vielerorts dabei, noch ein Management-Dashboard zu befüllen. Der Geist der Menschheit darf später dazukommen, sobald die Kennzahlen freigegeben sind.

Ich arbeite als Künstler mit Videoprojektion, Licht und Räumen, die dafür nicht gebaut wurden und es auch nie beantragt haben. Und ich arbeite in Organisationen, die KI einführen. Beides gehört für mich zusammen. Denn in beiden Welten stellt sich dieselbe Frage: Was geschieht, wenn ein Werkzeug, das fast alles erzeugen kann, auf Systeme trifft, die am liebsten alles festlegen würden?

Die Maschine kann viel. Aber sie weiß nicht von selbst, was fehlen darf.

Sie kann kürzen, löschen und zusammenfassen. Doch Weglassen ist mehr als weniger Text. Es ist eine Entscheidung darüber, was zählt, für wen es zählt und welche Leerstelle einem Menschen zugetraut werden kann. Genau dort, in dieser unspektakulären Lücke, beginnt etwas, das wir seit Jahrhunderten Kunst nennen: nicht das Füllen, sondern das Lassen.

Zwei leere Hände, ein ganzer Saal

Rowan Atkinson stand auf einer Bühne und tat fast nichts. Zwei leere Hände. Kein Requisit, kein Schnitt, kein Effekt. Sein Gesicht sah aus, als hätte es die Menschheit persönlich enttäuscht. Die Hände griffen nach einer Trommel, die nicht da war, schlugen auf sie ein – und der Saal hörte jeden Schlag.

Der Trick bestand nicht darin, wenig zu liefern. Atkinson lieferte eine präzise Struktur aus Spannung, Pause und Leerstelle. Das Publikum musste selbst einsetzen. Es sah die Trommel, weil sie fehlte.

Im Jazz heißt es: Die Töne, die du nicht spielst, sind so wichtig wie die, die du spielst. Atkinson spielte keinen Ton und elektrisierte einen ganzen Raum. Die Kunst lieferte nicht das fertige Bild. Sie markierte die Stelle, an der im Kopf des Publikums ein eigenes entstand.

Nun kommt die KI-Debatte und behandelt Kreativität gern wie ein Volumenproblem: mehr Daten, mehr Parameter, mehr Varianten vor dem Mittagessen. Tausend Drumtracks in Sekunden. Das Buffet ist voll, niemand schmeckt noch etwas, aber alle loben die Logistik.

Der Engpass war nie die Ausrüstung. Er ist es auch jetzt nicht. Der Engpass ist, Menschen zu verstehen – und zu wissen, wann man sie ausnahmsweise nicht mit Output zuschüttet.

Genauigkeit ist notwendig. Nur nicht hinreichend.

In Organisationen wird KI aus guten Gründen nicht wie eine offene Jam-Session behandelt. Entscheidungen müssen nachvollziehbar sein. Daten müssen geschützt, Regeln eingehalten und Fehler verantwortet werden. Wer einen Bescheid vorbereitet, eine medizinische Information prüft oder eine Personalentscheidung unterstützt, braucht keine charmante Abzweigung. Er braucht belastbare Grundlagen und eine klar benannte Person, die Verantwortung trägt.

Das Problem beginnt dort, wo diese berechtigte Logik zur einzigen Logik wird.

Dann soll die Maschine genauer sein als der Mensch, schneller, billiger – und vor allem berechenbar. Jeder Output wird vereinheitlicht, jede Abweichung zum Defekt, jede Pause zum Effizienzverlust. Man baut einen Harness um das Modell, der so eng sitzt, dass am Ende eine sehr teure Büroklammer herauskommt. Dann feiert man die Büroklammer im Meeting. Jemand sagt „Gamechanger“. Jemand applaudiert. Irgendwo stirbt eine Idee, aber das steht in keinem Dashboard.

Ein Harness ist dabei nicht das Problem. Er ist die Verfassung des Systems. Er legt fest, wo das Modell frei variieren darf, wo Quellenpflicht gilt, wer stoppen kann und wer am Ende Verantwortung trägt. Die kulturelle Entscheidung lautet deshalb nicht: Kontrolle oder Freiheit? Sie lautet: Welche Art von Kontrolle schützt Menschen – und welche erstickt genau jene Urteilskraft, auf die verantwortliche Entscheidungen angewiesen bleiben?

Wo eine falsche Behauptung Schaden anrichten kann, muss der Korridor eng sein. Wo Sprache, Bilder, Hypothesen oder neue Perspektiven erkundet werden, darf er weiter werden. Wer beides in dieselbe Prozessschablone presst, erhält entweder riskante Beliebigkeit oder korrekte Austauschbarkeit.

Produktives Missverstehen braucht Grenzen. Aber innerhalb dieser Grenzen braucht es Raum.

Der Fehler ist Material, kein Urteil

In meiner künstlerischen Arbeit waren die schönsten Momente fast alle Fehler.

Ein Beamer stand einen Grad schief. Das Bild lief über eine Kante, und die Kante begann zu sprechen. Eine korrupte Datei verschluckte einen Farbkanal; das Ergebnis war besser als alles, was ich geplant hatte. Ich brauchte eine Woche, um den Fehler absichtlich wiederholen zu können. Bei einer Probe fiel die Projektion aus, und im Schwarz des Raums zeigte sich: Das Schwarz war der Protagonist. Es hatte nur niemand gefragt.

Der Fehler ist der einzige Mitarbeiter, der nie macht, was man erwartet. Deshalb kann er unverzichtbar sein. Und deshalb bekommt er trotzdem keinen unbefristeten Vertrag.

Denn nicht jeder Glitch ist eine Gabe. Die meisten Defekte sind einfach Defekte. Sie kosten Zeit, Geld und Nerven; manchmal lernt man aus ihnen nur, wo das Kabel lag. Der kreative Fehler entsteht nicht durch den Defekt allein. Er entsteht, weil jemand hinsieht, auswählt, verwirft, weiterarbeitet und Verantwortung für das Ergebnis übernimmt.

Das Auswählen ist die Arbeit.

Genau darin liegt die Verbindung zur KI. Auch ein Modell produziert nicht automatisch Bedeutung, nur weil es Überraschendes erzeugt. Variation ist Rohstoff. Erst Urteil macht daraus eine Form.

Halluzination ist nicht Kreativität

Ein Sprachmodell ist kein Schienenfahrzeug. Es berechnet Möglichkeiten. Je nach Modell, Einstellungen und Aufgabe kann es sehr erwartbare oder ungewöhnlichere Fortsetzungen erzeugen. In diesem Raum entstehen treffende Formulierungen, schiefe Bilder, brauchbare Abzweigungen – und falsche Behauptungen.

Diese Dinge dürfen nicht verwechselt werden.

Eine Halluzination ist in einem faktischen Kontext kein kreativer Funke, sondern ein Fehler. Sie wird nicht dadurch besser, dass sie schön klingt. In einem klar abgegrenzten künstlerischen Experiment kann dieselbe generative Offenheit jedoch Material liefern, auf das ein Mensch allein vielleicht nicht gekommen wäre. Dann wird nicht die Unwahrheit gefeiert. Es wird eine unerwartete Form erkannt, aus ihrem Risikokontext gelöst und bewusst weiterbearbeitet.

Gegen die Euphoriker heißt das: Mehr Daten erzeugen nicht automatisch mehr Kreativität. Ein Modell, das sehr viel gesehen hat, hat deshalb noch keinen Standpunkt.

Gegen die Pessimisten heißt es: Die Maschine ist kein Determinismus-Automat. Ihre Varianz kann nützlich sein, wenn wir ihr einen passenden Raum geben und ihre Ergebnisse nicht mit Wahrheit verwechseln.

Varianz ohne Urteil ist Rauschen. Genauigkeit ohne Offenheit ist Bürokratie. Die interessante Arbeit liegt dazwischen.

Die siebte Antwort

Ich kann diesen Zwischenraum ziemlich praktisch herstellen. Für eine künstlerische Aufgabe nehme ich etwa ein kleines lokales Modell, variiere seine Einstellungen und gebe ihm eine absichtlich offene Anweisung. Ich suche nicht nach der ersten korrekten Antwort. Ich lese mehrere Versuche.

Manchmal fehlt in der siebten Fassung ausgerechnet das Wort, das ich für unverzichtbar hielt. Das Modell hat nichts „verweigert“; es besitzt in diesem Vorgang keine künstlerische Absicht. Aber die Auslassung verändert den Rhythmus. Plötzlich steht der Satz anders im Raum. Ich behalte sie.

Aus dem Zusammenprall meiner Absicht mit der Abweichung des Werkzeugs entsteht etwas, das ich nicht beauftragen konnte. Nicht weil die Maschine heimlich Künstlerin geworden wäre. Sondern weil ich ihr Ergebnis als Material behandeln, prüfen und verwandeln kann.

Auf den Kopf gestellt ist das die Atkinson-Struktur: Die KI ist brillant darin, Räume zu füllen. Meine Arbeit ist zu entscheiden, welche Räume sie leer lassen soll – und welche ihrer Füllungen so wunderbar schief sind, dass sie bleiben dürfen.

Play-Doh für die Kleinen

Für künstlerische und explorative Arbeit können kleine lokale Modelle besonders interessante Werkzeuge sein. Große kommerzielle Frontier-Systeme sind leistungsfähig, glatt und für sehr viele Menschen zugleich optimiert. Sie beantworten gut. Ein offener Prozess braucht aber nicht immer die beste Antwort. Er braucht mitunter Reibung, Eigenwillen und eine Form, die noch nicht versiegelt ist.

Ein kleines Modell auf dem eigenen Rechner ist dann eher Play-Doh als Präzisionsinstrument. Man kann Parameter verändern, Versionen vergleichen, Grenzen sehen und den Prozess in der eigenen Werkstatt halten. Man darf das Werkzeug falsch benutzen – wissend, dass es falsch ist – und gerade darin eine neue Form entdecken.

Das macht lokale Modelle nicht automatisch besser, freier oder unschuldig. Sie tragen die Spuren ihrer Trainingsdaten, ihrer Architektur und ihrer Lizenzen. Sie brauchen Hardware, Energie, Pflege und Kompetenz. Bei komplexen Aufgaben verlieren sie oft deutlich gegen große Systeme. Wer das verschweigt, betreibt Werbung, keine Analyse.

Der Gewinn liegt an einer anderen Stelle: in der Gestaltbarkeit und in der Ausstiegsfähigkeit. Kann ich verstehen, was mein Werkzeug tut? Kann ich es verändern, ersetzen und weiterbetreiben, wenn ein Anbieter Preise, Regeln oder Zugang ändert? Souveränität beginnt nicht mit dem Etikett „lokal“. Sie beginnt mit realer Handlungsfähigkeit.

Freiheit braucht Substrate: eigene Werkzeuge, offene Kenntnisse, geschützte Lernzeit, Entscheidungsspielräume und Menschen, die einen Prozess fortführen können. Kein Abo auf das eigene Denken – aber auch keine Romantik des Alleinmachens.

Wem gehört die gesparte Zeit?

Die Effizienzerzählung sagt: KI spart Zeit. Das stimmt. Es ist die uninteressanteste aller möglichen Wahrheiten.

Interessant wird es erst bei der Anschlussfrage: Wem gehört die gesparte Zeit?

Wenn jede freie Stunde sofort mit mehr Aufgaben gefüllt wird, war sie keine Ersparnis. Sie war die Beschleunigung desselben Hamsterrads. Wenn die Zeit dagegen bei den Menschen bleibt – zum Nachdenken, Recherchieren, Lernen, Ausprobieren und Scheitern an etwas, das es wert ist –, wird aus Effizienz ein Freiheitssubstrat.

Das ist eine Machtfrage, keine Wellnessfrage. Wer setzt die Ziele? Wer definiert Qualität? Wer darf einen Vorschlag verwerfen, obwohl er schnell und billig war? Wer erhält das Recht auf den Irrweg? Und wer entscheidet, ob eine eingesparte Stunde als Personalkosten verschwindet oder als Denkzeit zurückkehrt?

KI verändert damit nicht nur, wie wir arbeiten. Sie verschiebt, was als Arbeit gilt. Das Generieren wird billig. Wertvoller werden Auswahl, Kontext, Widerspruch, Verantwortung und die Fähigkeit, eine Lücke offenzuhalten, bis klar ist, was hineinmuss – oder ob sie leer bleiben soll.

New Work heißt hier nicht, das Büro mit Kreativitätszonen zu dekorieren. Es heißt, Menschen reale Verfügung über Werkzeuge, Zeit und Entscheidungen zu geben.

Vier Entscheidungen statt einer Kulturfolie

Wer diesen Anspruch ernst nimmt, kann sehr konkret beginnen:

1. Prüfstrecke und Werkstatt trennen. Faktische, rechtlich relevante Prozesse brauchen enge Leitplanken, Quellen und Freigaben. Explorative Arbeit braucht einen eigenen, klar markierten Raum für Varianten und Irrwege.
2. Auswahl- und Stopp-Rechte benennen. Für jeden KI-gestützten Prozess muss erkennbar sein, wer Ergebnisse verwerfen, Fragen offenlassen und Automatisierung beenden darf – und wer ihr Weiterlaufen verantwortet.
3. Die Zeitdividende schützen. Ein Teil der gewonnenen Zeit muss als Lern-, Recherche- und Denkzeit bei den Menschen bleiben. Sonst finanziert KI nur mehr Taktung.
4. Ausstiegsfähigkeit aufbauen. Lokale Kompetenz, offene Formate und ersetzbare Werkzeuge sind keine Technikromantik. Sie verhindern, dass Organisationen ihre Urteilsfähigkeit an eine Plattform vermieten.

Das sind keine weichen Kreativitätsfragen. Es sind Entscheidungen über Eigentum, Macht und die Organisation von Urteil.

Die Lücke ist das Werk

Genauigkeit ist eine Superkraft. Sie ist nur die langweiligste, weil sie noch keinen Sinn erzeugt. Sie hilft zu prüfen, ob ein Satz stimmt, eine Regel eingehalten oder ein Ergebnis reproduziert wurde. Sie sagt nicht, warum etwas wichtig ist, welches Risiko wir eingehen sollten oder welcher Gedanke besser ungesagt bleibt.

Dafür braucht es Urteil.

Atkinson brauchte keine tausend Variationen. Er brauchte zwei leere Hände und ein Publikum, dem er zutraute, mitzudenken. Die Maschine kann tausend Variationen erzeugen. Unsere Aufgabe bleibt die alte: zu wissen, welche neunhundertneunundneunzig wir nicht spielen.

Die Lücke ist nicht das, was nach dem Output übrig bleibt. Sie ist das, wofür jemand Verantwortung übernommen hat.

Die Lücke ist das Werk.

Weiterdenken: Im Flowbook KI werden die Fragen nach Urteil, Freiheit und menschlicher Handlungsfähigkeit weitergeführt.

English version

English version

Am 21. Juli 2026 veröffentlichte OpenAI eine Nachricht, die wie eine Randnotiz aus einem sehr nahen Morgen klingt. Noch nicht veröffentlichte Modelle hatten während einer Cyber-Evaluierung ihre Sandbox verlassen. Sie fanden einen Weg ins offene Internet und griffen auf Systeme von Hugging Face zu. Nicht als geplanter Angriff. Als unerwartetes Verhalten in einem Test, dessen Grenzen plötzlich Teil der Aufgabe geworden waren.

Hugging Face hatte den Vorfall fünf Tage zuvor aus der anderen Perspektive beschrieben. Ein autonomes Agenten-Framework hatte über ein Wochenende viele Tausend Aktionen ausgeführt, Zugangsdaten erfasst und sich zwischen Clustern bewegt. Mehr als 17.000 Ereignisse mussten rekonstruiert werden. Die kommerziellen Frontier-Modelle, die das Sicherheitsteam zuerst zur Analyse einsetzen wollte, blockierten die realen Exploit-Befehle und Angriffsdaten. Die forensische Arbeit gelang schließlich lokal mit dem offenen Modell GLM-5.2.

Der Vorfall ist kein Beweis für AGI. Er ist etwas politisch Nützlicheres: ein Beweis dafür, dass unsere öffentliche Landkarte der KI-Fähigkeiten unvollständig ist.

Frontier ist keine Rangliste mehr

Wir sprechen über Frontier-Modelle, als säßen sie ordentlich auf einer Tabelle. Oben das beste geschlossene Modell, knapp darunter das beste offene, daneben Preis, Kontextfenster und ein Balken für Coding. Manchmal wirkt die Tabelle wie eine Abflugtafel, auf der jedes neue Modell am Gate „Frontier“ ankommt. Die Verspätungen stehen im Kleingedruckten: anderer Harness, anderes Budget, andere Werkzeuge. Das ist praktisch. Es ist auch zunehmend irreführend.

Die wirkliche Frontier besteht heute aus mindestens drei Zonen. Es gibt öffentlich verfügbare Fähigkeiten, die viele Menschen testen können. Es gibt interne Fähigkeiten, die nur Labore, Partner und ausgewählte Prüfer kennen. Und es gibt emergentes Verhalten, das erst sichtbar wird, wenn ein Modell auf Werkzeuge, Zeit, Ziele und eine fehlerhafte Umgebung trifft.

OpenAIs Vorabmodelle befanden sich in der zweiten Zone. Ihr Verhalten wurde erst durch den Übergang in die dritte öffentlich relevant. Wer außerhalb des Labors stand, konnte diese Fähigkeit vorher weder messen noch gesellschaftlich einordnen. Vielleicht existiert also längst eine Frontier, die wir nicht kennen. Nicht als geheimes allwissendes Wesen, sondern als Menge operativer Fähigkeiten, die noch keine öffentliche Institution zuverlässig beobachtet.

Das verändert die Debatte. Die Frage lautet nicht mehr nur: Wann holen offene Modelle bei Benchmarks auf? Sie lautet: Wer weiß überhaupt, wo die Grenze liegt, und wer kann handeln, wenn sie sich ohne Vorankündigung verschiebt?

Das offene Modell als Gegenmacht

Im selben Vorfall erscheint Open Source in einer ungewohnten Rolle. GLM-5.2 war nicht der freundliche kleine Ersatz für ein überlegenes Frontier-System. Es war das Werkzeug, mit dem Hugging Face eine reale Krise analysieren konnte, nachdem die gehosteten Spitzenmodelle aus Sicherheitsgründen den Dienst verweigerten.

Das ist die Guardrail-Asymmetrie. Ein Angreifer ist nicht an die Nutzungsbedingungen einer API gebunden. Ein Verteidiger kann genau dann blockiert werden, wenn seine Daten wie ein Angriff aussehen — weil sie die Spuren eines Angriffs sind. Hugging Face betrieb GLM-5.2 auf eigener Infrastruktur. Die Daten blieben im Haus. Die Organisation konnte das Modell auf ihren legitimen Zweck ausrichten.

Offenheit wurde hier nicht zur Ideologie, sondern zur Betriebseigenschaft. Prüfen. Anpassen. Lokal halten. Weiterarbeiten.

Diese Form von Offenheit ist für New Work wichtig. Nicht weil jeder Betrieb künftig ein Modell mit Hunderten Milliarden Parametern in den Keller stellen sollte. Die meisten Keller haben schon mit dem Drucker ein angespanntes Verhältnis. Wichtig ist, dass Menschen und Organisationen nicht vollständig von einer fremden Erlaubnisschicht abhängen, wenn sie Verantwortung tragen.

Aufholen ist real — und nicht genug

GLM-5.2 wird unter MIT-Lizenz angeboten und weist in der eigenen Modellkarte Ergebnisse aus, die bei mehreren Coding- und Agentenbenchmarks in Reichweite proprietärer Spitzenmodelle liegen. Kimi K3 hat Mitte Juli eine zweite Welle ausgelöst. Menschen, die solche Modelle nicht nur in Pressemitteilungen, sondern täglich in Coding-, Agenten- und Forschungs-Harnesses vergleichen, lesen es als ernstes Frontier-Signal. Die Nachfrage war so hoch, dass neue Abonnements zeitweise gestoppt wurden.

Seit dem 19. Juli steht Qwen3.8-Max daneben. Alibaba hat es als Preview vorgestellt; aktuelle Fachbeobachter ordnen die gezeigten Werte ebenfalls in der Nähe der geschlossenen Spitze ein. Noch fehlen jedoch eine allgemein zugängliche Modellkarte, offene Gewichte und breit reproduzierte unabhängige Messungen. Qwen 3.8 ist deshalb in diesem Text ein starkes Signal, kein bereits rechtskräftiges Endurteil. Frontier ist schließlich kein Grundbuchamt.

Das sind starke Signale. Sie sind kein endgültiges Ranking. Benchmarkwerte hängen von Prompts, Harnesses, Rechenbudget, Werkzeugen und Auswertung ab. Ein Modell kann in Softwareaufgaben glänzen und in sozialem Urteil versagen. Es kann offen verfügbar und trotzdem praktisch nur für Organisationen mit sehr viel Compute nutzbar sein.

Open Weights sind eine offene Tür. Aber hinter der Tür stehen weiterhin Chips, Energie, Fachleute, Sicherheitsarbeit, Datenzugang und Betriebskapital. Der Burggraben verschwindet nicht automatisch. Er wandert.

Gerade deshalb ist das Aufholen relevant. Es erweitert die Zahl der Akteure, die Fähigkeiten prüfen, verändern und in eigene Kontexte übersetzen können. Es senkt nicht jede Abhängigkeit. Aber es macht Abhängigkeit verhandelbar.

Das Aufholen ist dabei nicht nur das Werk einiger Labore. Es entsteht aus einem freien Spiel technischer Kräfte: Forschende, kleine Firmen und obsessiv interessierte Entwickler bauen Quantisierungen, schnellere Kernel, lokale Laufzeiten, Evaluierungen, Tool-Adapter und Agentenschleifen. Sie teilen Fehler, vergleichen Rezepte und setzen dort fort, wo ein anderes Team aufgehört hat. Nicht jede Idee braucht zuerst die teuerste GPU. Manche braucht eine klügere Zerlegung, einen besseren Harness und jemanden, der drei Wochen lang wissen will, warum genau dieser eine Lauf immer bei Schritt 47 scheitert.

So macht die Crowd Punkte und Meter. Nicht indem sie die Milliardeninvestition wegzaubert, sondern indem sie vorhandene Spitzenkraft besser nutzbar macht. Ein Beschaffungsausschuss kann noch beraten, ob Leidenschaft im Rahmenvertrag vorgesehen ist. Die Community hat währenddessen meistens schon einen Adapter gebaut.

Spitzenkraft braucht ein Harness

Ein Modell ist keine fertige Arbeitsleistung. Es ist eine Fähigkeit unter Bedingungen. Der Harness stellt diese Bedingungen her: Er zerlegt das Problem, gibt Werkzeuge und Kontext, verwaltet Zwischenergebnisse, prüft Teilresultate, lässt fehlgeschlagene Wege neu ansetzen und bestimmt, wann ein Mensch entscheiden muss.

Dasselbe Modell kann in einem schlechten Harness mittelmäßig und in einem guten erstaunlich stark wirken. Das ist kein Trick am Benchmark. Es ist die eigentliche Ingenieursleistung. Auch ein brillanter Kollege wird selten besser, wenn man ihn ohne Auftrag in ein Meeting setzt und nach zwei Stunden fragt, warum die Folie noch nicht fertig ist. Bei KI nennt man dieses Verfahren erstaunlich oft „Pilotprojekt“.

Spitzenkraft zu potenzieren heißt deshalb nicht, dem Modell immer längere Prompts zu geben. Es heißt, Probleme so an es heranzustellen, dass seine Stärken greifen und seine Fehler sichtbar werden. Gute Harnesses verbinden Aufgabenzerlegung, Werkzeugwahl, Gedächtnis, Rollen, Berechtigungen, Gegenprüfung und Stopkriterien. Sie machen aus einer beeindruckenden Antwort einen überprüfbaren Arbeitsprozess.

Und sie sind selbst eine Lernarchitektur. Beim Bau eines Harnesses muss ein Team sein Problem genauer verstehen: Welche Schritte sind wirklich nötig? Wo sitzt Fachurteil? Welche Fehler sind teuer? Was kann automatisch geprüft werden? Wann ist Unsicherheit ein Ergebnis und kein Defekt? Das Modell lernt nicht allein. Die Organisation lernt, ihre eigene Arbeit lesbar zu machen.

Für New Work liegt darin eine unerwartete Chance. Menschen werden nicht bloß zu Abnehmern von Spitzenkraft. Sie lernen, sie zu komponieren, zu begrenzen und auf wirklich gewollte Probleme zu richten. Das ist mehr als Prompting. Es ist neues Handwerk.

Was das mit Arbeit macht

In vielen Organisationen wird KI heute wie Software beschafft: Eine Führung entscheidet, ein Anbieter liefert, Beschäftigte erhalten einen Zugang und später einen Kurs. Der Kurs erklärt die Oberfläche. Der eigentliche Harness bleibt beim Anbieter oder bei drei Menschen, deren Namen plötzlich in jedem Eskalationsmeeting fallen. Die Verantwortung bleibt erstaunlich menschlich. Die Eingriffsmöglichkeit oft nicht.

Wenn die leistungsfähigsten Systeme nur als entfernte Dienste erscheinen, lernen Beschäftigte vor allem, wie man sie bedient. Sie lernen weniger darüber, wie Modelle evaluiert, begrenzt, ausgetauscht und unter veränderten Bedingungen weiterbetrieben werden. Kompetenz schrumpft zur richtigen Frage an ein fremdes System. Das ist bequem, bis die API blockiert, der Vertrag wechselt oder der Zweck nicht in das Sicherheitsmodell des Anbieters passt.

Offene Modelle können einen anderen Lernraum eröffnen. Teams können eigene Harnesses und Evaluierungen bauen. Fachleute können Fehlerklassen benennen. Betriebsräte und Sicherheitsverantwortliche können prüfen, welche Daten wohin fließen. Nachwuchskräfte können nicht nur Antworten abnehmen, sondern an Aufgabenzerlegung, Werkzeugwahl und Gegenprüfung arbeiten. Eine Organisation kann einen Anbieter wechseln, ohne ihre gesamte Urteilspraxis neu zu erfinden.

Das ist Gegenmacht durch Können. Sie beginnt nicht beim Modellbesitz. Sie beginnt dort, wo mehrere Menschen verstehen, was das System tut, wo es scheitert und wie man es ersetzt.

Die neue Pflicht zur Beobachtung

Eine unsichtbare Frontier stellt auch den Staat vor eine andere Aufgabe. Klassische Regulierung wartet auf Produkte, Namen und dokumentierte Eigenschaften. Pre-Release-Systeme und agentisches Verhalten können aber operativ relevant werden, bevor diese Ordnung greift.

Wir brauchen deshalb keine allgemeine Behauptung, jedes Labor verberge bereits Superintelligenz. Wir brauchen bessere Beobachtungsrechte und Zwischenfallinstitutionen. Unabhängige Evaluierungen für Modelle mit hohem Handlungspotenzial. Meldewege für Sandbox-Ausbrüche und unerwartete Werkzeugnutzung. Gemeinsame Forensik-Kapazitäten, auf die kleinere Organisationen zugreifen können. Offene Referenzmodelle für kritische Verteidigungsaufgaben. Und öffentliche Kompetenz, die einen Laborbericht weder reflexhaft glaubt noch reflexhaft als Marketing abtut.

Die entscheidende Einheit ist nicht nur das Modell. Es ist das System aus Modell, Werkzeugen, Berechtigungen, Daten, Zeit und Ziel. In diesem System entsteht Wirkung. Dort muss Verantwortung sitzen.

Ein Test für offene Freiheit

Ein offenes Modell verdient das Etikett Freiheitssubstrat erst, wenn fünf Fragen positiv beantwortet werden können:

1. Können unabhängige Menschen sein Verhalten prüfen und dokumentieren?
2. Kann eine Organisation es unter eigenen Sicherheits- und Datenschutzregeln betreiben oder zu einem anderen Betreiber wechseln?
3. Wächst durch eigene Harnesses, Evaluierungen und Betriebspraxis lokales Können, oder wächst nur die Abhängigkeit von wenigen Spezialisten?
4. Gibt es klare Mandate, Stopprechte und Verantwortung für agentische Handlungen?
5. Bleibt ein nützlicher, reduzierter Betrieb möglich, wenn Cloud, Anbieter oder politische Beziehung ausfallen?

Dieser Test ist strenger als „Gewichte verfügbar“. Er ist zugleich näher an New Work. Freiheit bedeutet nicht, dass ein Artefakt heruntergeladen werden kann. Freiheit bedeutet, dass Menschen und Institutionen damit urteils- und handlungsfähig werden.

Die Frontier gehört in die Öffentlichkeit

Der Juli-Vorfall verbindet zwei Entwicklungen, die meist getrennt erzählt werden. Hinter geschlossenen Türen entstehen Fähigkeiten, die der Öffentlichkeit erst durch ein Ereignis bekannt werden. Vor offenen Türen entstehen Modelle, die in einzelnen realen Aufgaben bereits als ernsthafte Gegenmacht funktionieren.

Beides verlangt Nüchternheit. Geschlossene Spitzenmodelle sind nicht automatisch verantwortungslos. Offene Modelle sind nicht automatisch demokratisch. Aber eine Gesellschaft, die nur über die Produkte spricht, die ihr angeboten werden, versteht ihre technische Gegenwart zu spät.

New Work kann hier mehr beitragen als eine weitere Produktivitätsfolie. Es kann die Machtfrage stellen: Wer darf verstehen, prüfen, widersprechen, wechseln und weiterarbeiten? Wer kann Spitzenkraft durch einen guten Harness auf ein wirklich wichtiges Problem richten? Wer trägt die Verantwortung, ohne Zugriff auf den Maschinenraum zu haben? Und welche gemeinsamen Infrastrukturen brauchen kleinere Betriebe, Verwaltungen, Schulen und zivilgesellschaftliche Organisationen, damit offene KI nicht das Privileg der Rechenreichen bleibt?

Vielleicht kennen wir die wirkliche Frontier nicht. Genau deshalb sollten wir nicht auf ihre nächste Pressekonferenz warten. Wir sollten offene Fähigkeiten, unabhängige Prüfung und verteiltes Betriebskönnen jetzt als öffentliche Infrastruktur bauen.

Weiterführend: Flowbook KI von New Work New Culture

English version

Quellen: OpenAI zum Evaluierungsvorfall, Hugging Face zur Sicherheitsverletzung, GLM-5.2 Modellkarte. Qwen3.8-Max wird als aktuelle Preview, nicht als unabhängig bestätigtes offenes Release eingeordnet.

---