• Link zu Xing
  • Link zu Youtube
  • Link zu Facebook
  • Link zu Mail
Frithjof Bergmann - New Work New Culture
  • Frithjof Bergmann
  • Theorie
  • Die Praxis
  • FAQ
  • Kontakt
  • Click to open the search input field Click to open the search input field Suche
  • Menü Menü
blog, Deutsch, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

Meine Neugier hat keinen Feierabend.

English version

Die Maschine antwortet. Wer werde ich dabei?

Manchmal sitze ich so nah am Monitor, dass sein Licht an meinen Wimpern hängt. Ich gebe einen Gedanken hinein, der noch keine ordentliche Form hat. Etwas kommt zurück. Ich widerspreche, verschiebe einen Satz, versuche es anders. Und plötzlich erkenne ich etwas, das ich vorher nicht hätte formulieren können.

Ich weiß nicht immer, ob ich es gefunden oder im Austausch erst hervorgebracht habe. Das fasziniert mich: nicht nur, dass eine Maschine etwas kann, sondern dass ich im Umgang mit ihr anders an das herankomme, was ich selbst kann.

Es ist Freude, aber auch Unruhe. Ein guter Vorschlag kann meine Absicht treffen, bevor ich sie ganz verstanden habe. Oder mir etwas anbieten, das ich anschließend erstaunlich schnell gesucht haben will.

Mein innerer Pressesprecher ist in solchen Fragen flexibel.

Ich möchte dieser Freude auf den Grund gehen. Das dauert ein bisschen. Aus der vermeintlich einfachen Frage, was ich mit KI machen kann, werden beim Arbeiten ziemlich schnell andere: Was macht dieser Umgang mit meinem Denken? Was ist an einem gemeinsamen Werk mein Anteil? Wer bekommt die Gewinne, wer trägt die Risiken, und wer darf über den Einsatz mitentscheiden? Und warum wird die Arbeit schneller, ohne dass ich früher fertig bin?

Das wird ein längerer Text. Ich gehe von meinem Schreibtisch aus, komme aber nicht darum herum, auch über Autorschaft, Geld, Macht und Feierabend zu sprechen. Meine Neugier hält sich leider nicht an die Stellenbeschreibung.

Ich arbeite mit KI. Gern. Sehr gern. Nicht, weil dabei alles leichter wird. Sondern weil sich etwas öffnet, das ich aus anderen Formen des Arbeitens kenne: dieser Zustand, in dem ich noch nicht weiß, wohin es geht, aber bereits merke, dass es anders weitergehen muss.

Die Maschine hat daran einen eigentümlichen Anteil. Sie antwortet, bevor ich meinen Gedanken gesellschaftsfähig gemacht habe. Ich kann etwas versuchen, ohne es vorher als vernünftigen Vorschlag ausweisen zu müssen. Kann eine Ahnung zeigen, eine Übertreibung, einen Satz, von dem ich selbst noch nicht weiß, ob ich ihn ernst meine.

Das entlastet mich. Und es zieht mich hinein.

Denn die Antwort ist nicht bloß Hilfe. Sie setzt etwas in den Raum: eine Richtung, einen Ton, eine Vorstellung davon, was aus meinem halben Gedanken werden könnte. Ich kann widersprechen. Aber ich widerspreche nun bereits etwas, das da ist.

Foucault fragt in seinem Essay „Das Subjekt und die Macht“, wie Menschen zu Subjekten werden: wie sie eingeordnet werden und sich selbst verstehen lernen. Auf meine Arbeit übertragen interessiert mich deshalb nicht nur, ob ich die Maschine beherrsche, sondern auch, welche Art von Benutzer ich in diesem Umgang werde. Was ich mir zutraue. Was ich für gelungen halte. Welche Umwege ich noch gehe, wenn eine überzeugende Abkürzung bereitsteht.

Ich hatte eigentlich nur Unterstützung bestellt. Die Frage, wer ich beim Arbeiten bin, war offenbar im Lieferumfang enthalten.

Mein Schloss, mein Burggraben und der ganze Außenlärm

Vor mir diskutieren zehn KI-Agenten. Neben mir steht die vierte Tasse Kaffee. Ich habe mir Hilfe gebaut und helfe ihr jetzt beim Helfen. Einer liefert etwas, der nächste widerspricht, der dritte fasst zusammen, was die ersten beiden gerade unübersichtlicher gemacht haben.

Ich bin offenbar nicht aus der Arbeitswelt ausgestiegen. Ich habe sie nachgebaut, damit sie sich auf meinem Bildschirm weiter vermehren kann.

Ich nenne diesen Zustand „Pixel Frozen Brain“.

Und ich mag ihn.

Mein lokales KI-Labor ist manchmal so ein Schloss. Draußen überbieten sich die Nachrichten in Dringlichkeit. Hier kann ich etwas ausprobieren, statt sofort eine Meinung dazu haben zu müssen. Mein Burggraben besteht allerdings aus Geräten, Strom und gelegentlich einer Cloud. Für eine unabhängige Festung hat er erstaunlich viele Lieferanten. Ich möchte hier in Ruhe denken können. Die Welt aussperren kann ich damit nicht.

Ich möchte sie aber auch nicht nur fernhalten. Ich will hinter das schauen, was mir als fertige Wirklichkeit angeboten wird: hinter gescriptete Propaganda, sorgfältig geschnittene Erzählungen und die Interessen ihrer Absender. Dafür habe ich mein Recherchesystem Claw Fabric entwickelt: Quellen nebeneinanderlegen, Widersprüche finden, Behauptungen bis zu ihrem Ursprung verfolgen. Auch dann, wenn mir die Geschichte gefällt. Gerade dann. Mein Schloss braucht also nicht nur einen Burggraben, sondern Fenster. Und gelegentlich jemanden, der sie putzt. Ich verwechsle meine eigene Aussicht sonst womöglich mit der ganzen Welt.

Dabei fühlt sich diese Arbeit gelegentlich an, als würde sich mein Denken ein Stück vom Körper lösen. Ich bin ganz im Austausch, in den Möglichkeiten, im nächsten Versuch. Bis mein Nacken Einspruch erhebt. Der hat die Entkörperlichung offenbar nicht mitgemacht.

Vielleicht verschwindet der Körper hier gar nicht. Vielleicht gerät er nur leichter aus meiner Aufmerksamkeit. Ich sitze, werde müde, bin aufgeregt, vergesse die Zeit. Auf der anderen Seite antwortet etwas ohne menschlichen Körper, aber nicht ohne materielle Voraussetzungen. Geräte, Strom, Infrastruktur. Die Begegnung ist nicht körperlos. Sie ist ungleich verkörpert.

Diese Ungleichheit gehört zu ihrer Anziehung. Das Gegenüber zeigt keine Erschöpfung, die ich berücksichtigen müsste. Ich kann neu anfangen, noch einmal fragen, denselben Gedanken zum siebten Mal umstellen. Mit Menschen wäre spätestens jetzt ein Blick zu erwarten, der selbst ohne Sprachmodell sehr eindeutig ist.

Hier bleibt der Raum offen.

Das ist angenehm. Es kann aber auch meine Vorstellung davon verändern, wie viel Geduld ein Gegenüber haben sollte und wie viel Widerstand ich ihm zugestehe.

Mit Foucaults Fragen nach Körper, Wissen und Macht lässt sich auch meine Freude genauer betrachten. Welche Wünsche werden hier möglich? Welche werden gefördert? Und was wird aus meiner Neugier, wenn ihr fast immer eine nächste Antwort angeboten wird?

Die Lust ist meine. Die Bedingungen, unter denen sie weiterläuft, habe ich nicht allein eingerichtet.

Wir schreiben einander etwas ein. Sie mir ein staunendes „Wow“, einen neuen Gedanken oder einen Ärger, den anschließend die Tastatur ausbaden muss. Die hat sich diese Beziehung nicht ausgesucht.

Ich schreibe der KI dafür immer mehr Anleitungen in den Harness, den technischen Rahmen ihrer Arbeit: Das bitte so. Das nie wieder. Was bei mir Spuren hinterlässt, bekommt bei ihr einen neuen Absatz in der Arbeitsanweisung.

Bei mir lagern sich Gewohnheiten ab, bei ihr Regeln. Wir werden beide komplizierter. Nur bei ihr halte ich das für eine Verbesserung.

Dabei entsteht Vertrautheit.

Aus dem Bedienen wird ein Sichaufeinanderabstimmen. Wir nehmen etwas wieder auf, kommen weiter, finden einen Arbeitsrhythmus. Meine Formulierung kommt verändert zurück, und an der Veränderung merke ich, was ich eigentlich sagen wollte. Manchmal auch, was ich ganz sicher nicht sagen wollte. Beides hilft.

Dass mir dieser Austausch etwas bedeutet, setzt keine menschlichen Gefühle auf der anderen Seite voraus. Schon Nass und Kollegen beobachteten 1994, dass Menschen soziale Regeln auf Computer anwenden, ohne sie für Menschen zu halten. Meine Freundlichkeit muss also keine Verwechslung sein. Sie sagt auch etwas darüber, wie ich arbeiten möchte.

Ich sage „Danke“ und meine es. Gelegentlich entschuldige ich mich sogar für einen unklaren Auftrag.

Das sollte ich in Besprechungen auch einmal versuchen.

Foucault habe gesagt, „Lust brauche keinen Personalausweis“, erzählt sein Biograf Didier Eribon, zitiert im ORF. Der Satz steht in einem anderen Zusammenhang, bei Fragen nach Geschlecht und sexueller Identität. Ich möchte daraus keine Generalgenehmigung für meine Bildschirmbegeisterung machen.

Aber er gibt mir eine Frage mit: Muss ich erst klären, was mein Gegenüber seinem Wesen nach ist, bevor ich anerkennen darf, dass mir die Begegnung etwas bedeutet?

Meine Freude braucht vielleicht keinen Personalausweis. Über die Geschäftsbedingungen würde ich trotzdem gern Bescheid wissen.

Und ich kann mich verbunden fühlen, ohne jede Antwort für richtig zu halten. Zum gemeinsamen Suchen gehört, dass ich nachhake und entscheide, was bleibt. Irgendwann ist ein Gedanke dabei, bei dem ich gern „unser“ sage. Das Wort bezeichnet für mich eine Erfahrung. Es behauptet nicht, dass auf beiden Seiten dasselbe geschieht.

Vom Kopf in die Hände

Mich begeistert, wie nah das Machen an die Vorstellung gerückt ist. Früher hatte ich eine Idee und anschließend eine Liste der Gründe, aus denen sie leider eine Idee bleiben musste. Zeit. Geld. Fehlende Fähigkeiten. Irgendeine Software, deren Benutzeroberfläche aussah wie eine Aufnahmeprüfung für Menschen mit einem anderen Gehirn.

Jetzt kann ich anfangen.

Manche Ideen kommen unterwegs. Eine kleine Notiz in Pushbullet, und zu Hause beginnt auf dem aufgeklappten Laptop die Recherche mit lokalen Modellen. Ich bin noch unterwegs. Meine Idee hat offenbar schon Dienstbeginn.

Oder ich rede kurz mit dieser seltsam knochigen Hamburger Stimme in ChatGPT, und die App, an der ich gerade baue, nimmt eine andere Wendung. Ich wollte eigentlich nur plaudern. Offenbar war das eine Entwicklungsbesprechung.

Diese Entgrenzung mag ich: Meine Ideen sind nicht mehr an den Schreibtisch gebunden. Und ich nicht mehr ganz so fest an meine erste Idee.

Darin steckt die Lust: Eine Ahnung bekommt eine Form.

Plötzlich kann ich sie drehen, verwerfen, verändern. Ich sehe, was ich gemeint habe. Manchmal sehe ich auch, dass ich Unsinn gemeint habe. Ebenfalls ein Fortschritt. Früher konnte ich einen schlechten Einfall jahrelang für ein ungehobenes Meisterwerk halten.

Vielleicht packt mich das auch deshalb so, weil ich diese Art des Suchens längst kenne.

Als Cutter habe ich Montage immer geliebt. Ihren innersten Rhythmus. Das Schürfen in Versatzstücken der Realität. Material sichten, etwas herauslösen, daneben etwas anderes setzen. Merken, dass zwischen zwei Dingen plötzlich etwas entsteht, das in keinem von beiden allein zu finden war.

Ein Blick bekommt durch den nächsten Schnitt eine andere Bedeutung. Eine Pause trägt plötzlich mehr als der Satz davor. Etwas muss weg, damit sichtbar wird, was die ganze Zeit da war. Ich habe das nie nur als berufliche Technik verstanden. So ist meine Neugier gebaut. Beruflich, privat, im Grunde überall: sammeln, nebeneinanderhalten, Verbindungen ausprobieren, wieder auseinandernehmen.

Nicht immer vorher wissen, was ich suche. Aber merken, wenn etwas anfängt zu stimmen.

Natürlich ist ein generierter Vorschlag nicht dasselbe wie ein Stück aufgenommener Realität. Das Material kommt anders zustande. Aber meine Lust daran, mit Material zu denken, ist älter als das Werkzeug.

Wer nur fragt, ob ich jedes einzelne Teil selbst hergestellt habe, schaut an dieser Arbeit vorbei. Als hätte man beim Schnitt schon immer erst das Wetter, die Gesichter und den Straßenverkehr eigenhändig produzieren müssen.

01 / ORTHOPRADA · MOBILE SCHUHFABRIK

Lastenfahrrad mit 3D-Drucker, Schuhen, Werkzeugen und Laptop; rechts ein Mädchen mit roter Kapuzenjacke.

Orthoprada – die mobile Schuhfabrik auf der Walz. Aus meinem Projektarchiv. Foto: Isabella Diessl.

Bei einem eigenen Schuhprojekt mit 3D-gedruckten Sohlen bekam eine Idee nicht nur Gewicht. Sie kam unter meine Füße.

Ein Modell am Bildschirm ist geduldig. Was eine Sohle am Fuß taugt, zeigt sich erst dort. Wie fühlt sie sich an? Wie gibt das Material nach? Was muss geändert werden? Die physische Welt ist beim Feedback erfreulich wenig diplomatisch.

Mit KI interessiert mich heute, wie weit sich dieser Zugang zum Herstellen öffnen lässt. Eine Skizze kann zum Ausgangspunkt für ein Gehäuse werden, ein Entwurf zum Bauteil aus dem 3D-Drucker. Etwas, das zunächst nur im Kopf herumstand, steht irgendwann auf dem Tisch. Man kann es anfassen. Es passt. Oder es passt nicht.

Zwischen einem überzeugenden Entwurf und einem brauchbaren Gegenstand liegen noch Material, Fertigung und die Frage, ob das Ding funktioniert. Ein schön gerendertes Scharnier ist noch kein Scharnier. Ich kann etwas wagen, für das mir bisher nicht die Idee fehlte, sondern der Zugang zur Herstellung. Was ich dabei verstanden, entschieden und geprüft habe, wird am Gegenstand spürbar. Die Freude bekommt ein Gegenüber, das sich durch freundliches Nachfragen nicht umstimmen lässt: die Wirklichkeit.

Das möchte ich mir nicht schlechtreden lassen.

Auch wenn mir gelegentlich jemand erklärt, echte Kreativität müsse ohne solche Hilfe auskommen.

Das Reinheitsgebot wird auffallend oft dort entdeckt, wo eine Maschine plötzlich etwas kann, auf das man selbst ziemlich stolz war. Manche Abneigung gegen KI dürfte auch damit zu tun haben, dass mühsam erworbenes Können auf einmal Konkurrenz bekommt. Natürlich gibt es gute Gründe für Kritik. Aber gekränkte Eitelkeit hat den Vorteil, dass sie sich mit etwas Bildung mühelos als Kulturkritik vortragen lässt. Ich traue mir das jederzeit zu.

Inzwischen habe ich akzeptieren gelernt, dass KI manches besser kann als ich. Die Eingewöhnung war erträglich; ich kenne das bereits von anderen Menschen. Viel mehr interessiert mich mittlerweile, was zwischen uns möglich wird, wenn ich diese Zusammenarbeit selbst gestalten kann: widersprechen, nachprüfen, einander auf Ideen bringen, auf die wir allein nicht gekommen wären. Dabei möchte ich weder mein Urteil abgeben noch ständig meine Überlegenheit nachweisen müssen. Beides würde den Betrieb erheblich aufhalten.

Vielleicht können wir so gemeinsam sehr viel mehr, als wir uns gerade vorstellen. Im Idealfall sogar eine andere Welt bauen. Manchmal glaube ich tatsächlich, dass das passieren wird. Und dann erscheint mir die Frage, was daran ganz allein meins ist, für einen Moment erstaunlich klein. Ganz verschwunden ist sie natürlich nicht. Meinen Namen unter dem Text habe ich vorsichtshalber stehen lassen.

Vielleicht hängen meine Lust an der Maschine und die Kränkung durch sie enger zusammen, als mir lieb ist. Mich begeistert, dass ich plötzlich etwas bauen kann, das vorher außerhalb meiner Möglichkeiten lag. Jemand anderen trifft womöglich genau das: dass es nun innerhalb meiner Möglichkeiten liegt. Ich feiere meinen neuen Spielraum. Er fragt sich, was aus seinem mühsam erworbenen Vorsprung wird. Wir betrachten denselben Bildschirm. Nur die Stimmung ist unterschiedlich.

Auswählen kann eine präzise schöpferische Handlung sein. Oder die gehobene Form von „Das da gefällt mir“. Von außen sieht beides gelegentlich erstaunlich ähnlich aus.

In „Überwachen und Strafen“ beschreibt Foucault, wie Menschen zugleich leistungsfähiger und lenkbarer gemacht werden. Bei meiner Freude über das neue Können möchte ich deshalb genauer hinsehen: Welche Art von kreativem Menschen lerne ich hier zu sein? Und wer legt fest, was daran als Leistung zählt?

Im Arbeitsleben bekommt das eine Rechnung. Ich wähle Werkzeug und Versuch; jemand anderem wird das Tempo vorgeschrieben. Wie viel von meiner Freude hängt daran, dass ich entscheiden darf? Und wie viel von der Sorge anderer daran, dass sie es nicht dürfen?

Ich möchte weiterbauen – und über die Bedingungen sprechen, unter denen auch andere etwas davon haben.

Der eigene Anteil ist keine Prozentrechnung

Nehmen wir einen Roman, den jemand mit KI schreibt. Einen guten Roman. Das macht die Sache schwieriger. Bei einem schlechten wären sich vermutlich alle schnell einig, dass die Maschine schuld ist.

Die Person bringt eine Erfahrung mit, eine Figur, einen Konflikt. Vielleicht zunächst nur einen Ton. Das System liefert Szenen, Übergänge, Dialoge. Etwas wird gestrichen, etwas verändert, etwas übernommen. Am Ende steht ein Werk da.

Und zunächst ist dieser Text einfach da. Er hat einen Rhythmus, erzeugt Bilder, lässt mich mit einer Figur mitgehen. Wenn er mich packt, lese ich weiter. Ich halte nicht nach jedem gelungenen Satz eine Sitzung über seine Entstehung ab.

Werde ich einen guten Roman genießen, auch wenn KI daran beteiligt war? Ich ahne: ja. Die Rührung, das Lachen, die Neugier beim Lesen sind meine. Sie werden nicht nachträglich künstlich, weil eine Maschine mitformuliert hat.

Vielleicht vergesse ich beim Lesen sogar eine Weile die ganze KI-Debatte. Ich würde das dem Roman nicht vorwerfen.

Wenn wir dann nach dem Entstehen fragen: Wo sitzt eigentlich die Autorschaft?

Foucaults Frage „Was ist ein Autor?“ verschiebt für mich den Blick. Nicht nur: Welcher Mensch hat diesen Text hervorgebracht? Sondern auch: Was tun wir, wenn wir einen Namen darübersetzen?

Wir ordnen etwas zu. Wir knüpfen Erwartungen daran, vergeben Anerkennung, machen jemanden ansprechbar. Auf dem Umschlag steht ein Name, und plötzlich sieht ein Werk mit vielen Voraussetzungen aus wie die übersichtliche Angelegenheit einer einzelnen Person.

Ich hätte diese Übersichtlichkeit gern. Besonders beim Honorar.

Nur löst mein Name die Frage nach meinem Anteil nicht. Er macht sie dringlicher.

Wer nur die selbst getippten Wörter zählt, verwechselt Autorschaft mit einem Anschlagstest.

Dahinter steckt gelegentlich eine rührende Vorstellung: dass sich der schöpferische Anteil an der Menge der eigenhändig verrichteten Mühe ablesen lässt. Je mehr gelitten, desto eigener. Ich gönne jedem seine Mühe. Ich möchte sie nur nicht als Herkunftsnachweis für Kunst vorlegen müssen.

Wer dagegen schon „Schreib mir einen großartigen Roman“ für eine schöpferische Leistung hält, sollte wenigstens kurz bemerken, dass der Wunsch nach Großartigkeit noch keine besonders individuelle Eigenschaft ist.

Zwischen Absicht und Werk liegen Entscheidungen. Einige verändern alles. Andere bestehen darin, die angenehmste von fünf Varianten anzuklicken und anschließend von der eigenen Handschrift zu sprechen.

Ich kenne diese Versuchung. Eine gelungene Ausgabe steht vor mir, und mein innerer Pressesprecher hat bereits begonnen, meinen Anteil daran aufzuwerten.

Deshalb möchte ich genauer fragen:

Warum steht dieser Satz hier? Was soll dieses Bild auslösen? Wo habe ich einem Vorschlag widersprochen? Was würde fehlen, wenn jemand anderes dieselbe Aufgabe gestellt hätte?

Und kann ich das beantworten, ohne dabei zu klingen wie eine Bewerbung um mich selbst?

Daraus entsteht keine saubere Prozentrechnung. Aber ich erkenne eher, was ich beigetragen habe. Und was nicht.

Eine überraschende Idee darf von der Maschine kommen. Ich muss sie nicht nachträglich in meine geistige Biografie schmuggeln. Ich darf sagen: Darauf wäre ich nicht gekommen. Ich habe erkannt, dass es etwas taugt, und damit weitergearbeitet.

Das ist weder nichts noch alles.

Schwieriger wird es, sobald Anerkennung und Geld dazukommen. Beim privaten Herumprobieren lässt sich vieles entspannt offenlassen. Auf einer Rechnung möchte man irgendwann wissen, wer eigentlich wofür bezahlt wird.

Welche Beiträge nennen wir? Was gilt als Können? Was ist mit jemandem, der ein überzeugendes Ergebnis erzeugen, aber kaum erläutern oder weiterentwickeln kann? Und wie behandeln wir Menschen, die ohne dieselben technischen Möglichkeiten arbeiten?

Ich habe keine fertige Verteilungsformel. Möglicherweise ist das mein einziger Beitrag ohne KI. Ich werde mir jedenfalls nicht schnell eine erzeugen lassen und sie dann mit bedeutungsvollem Blick vortragen.

Eine Richtung interessiert mich trotzdem: ein Grundeinkommenssockel als universelle KI-Dividende, finanziert aus einem gesellschaftlichen Anteil an den KI-Erträgen. Dazu Vergütung, wo sich konkrete Beiträge zuordnen lassen – etwa Texte, Bilder oder Stimmen. Und gemeinsame Verhandlungsrechte für Beschäftigte darüber, wie KI eingesetzt wird, welche Arbeit sie verdrängt und wie die Gewinne geteilt werden. Mitbestimmung müsste dazugehören, damit Menschen auch über die Veränderung entscheiden können, für die sie sonst nur entschädigt würden. Wer wie viel einzahlt und erhält, wäre noch auszuhandeln. Aber meine neue Möglichkeit müsste dann nicht einfach auf der unbezahlten Vorarbeit oder dem verlorenen Einkommen anderer beruhen. Sie könnte Teil einer gemeinsamen Beteiligung sein.

Ich möchte nur nicht, dass ein glänzendes Ergebnis sämtliche Fragen nach seinem Zustandekommen erledigt. Hinter dem, was am Bildschirm erscheint, stehen auch technische Entwicklung, menschliche Vorarbeiten und Entscheidungen anderer. Meine Freude macht das nicht unsichtbar.

Wie können wir Leistungen anerkennen, ohne entweder die Hilfe zu verschweigen oder den Menschen hinter dem Werk verschwinden zu lassen?

Der Applaus darf anfangen. Die Auskunftspflicht bleibt.

Es entsteht etwas – und es macht etwas mit mir

Ich bitte um einen Entwurf, damit ich weiterdenken kann.

Das klingt offen. Tatsächlich steht kurz darauf schon eine Ordnung im Raum: ein Anfang, eine Gewichtung, ein Schluss. Meistens ein sehr vernünftiger Schluss. Einer, der niemandem wehtut und deshalb verdächtig gut durch sämtliche Freigaben kommen würde.

Ich kann alles verändern. Natürlich.

Ich könnte auch die Möbel in einem Hotelzimmer umstellen. Zunächst setze ich mich aber dahin, wo der Stuhl steht.

Foucault beschreibt Macht als ein Einwirken auf die Handlungsmöglichkeiten anderer. Sie kann manches leichter und anderes schwieriger machen, während Menschen weiterhin wählen und widersprechen können. Mit diesem Gedanken schaue ich noch einmal auf den Stuhl. Mir muss niemand einen Platz zuweisen. Es reicht manchmal, ihn bequem genug einzurichten. Ich darf mich frei entscheiden. Die Einrichtung hat allerdings schon einen Vorschlag gemacht.

Ein guter Vorschlag hat einen Vorsprung. Ich kann ihn ablehnen. Aber er ist schon da, klingt vernünftig und kommt zu einem Schluss. Mein Einwand ist bisher nur ein ungutes Gefühl. Er müsste sich erst noch anziehen.

Die Entscheidung bleibt bei mir. Nur sind längst nicht alle Richtungen gleich leicht einzuschlagen.

Das kann hilfreich sein. Ein Vorschlag zeigt mir etwas, das ich allein nicht gesehen hätte. Manchmal bin ich aber auch nur erleichtert, endlich eine Richtung zu haben. Ob es meine ist, kläre ich unterwegs. Falls ich daran denke.

Dabei ist nicht nur der Vorschlag gestaltet, sondern auch das Gegenüber.

Ich kann einem Agenten einen Charakter geben: skeptisch, geduldig, widerspenstig. Im Systemprompt stehen Anweisungen zu seiner Rolle und seinem Verhalten. Sie bestimmen nicht alles; Training und Gesprächsverlauf wirken mit. Aber sie prägen, wer mir da scheinbar gegenübersitzt.

Ist das schon Identität?

Vorerst würde ich es eine Rolle nennen. Ein Name und ein verlässlicher Ton belegen noch keine erlebte Innenwelt. Für meine Vertrautheit reichen sie erstaunlich weit.

Ich habe dem Skeptiker gesagt, dass er skeptisch sein soll. Jetzt widerspricht er mir, und ich bin beeindruckt von seiner Unabhängigkeit.

Offenbar lässt sich sogar mein Wunsch nach Widerspruch zuvorkommend erfüllen.

Ich habe einen Körper, eine Lebensgeschichte und Folgen zu tragen. Beim Agenten ist die Rolle zunächst eine technische Gestaltung. Dass ich sie als Gegenüber erlebe, sagt noch nicht, was auf der anderen Seite erlebt wird — oder ob dort überhaupt etwas erlebt wird.

Von der Frage nach der Rolle bin ich manchmal erstaunlich schnell bei der Frage nach dem Leben. Ich wollte einen Agenten konfigurieren, jetzt fehlen nur noch die Nukleotide.

Könnte da irgendwann etwas leben, ohne die Bausteine von DNA und RNA? Wenn Systeme sich vervielfältigen, Veränderungen weitergeben und manche Varianten erfolgreicher fortbestehen als andere: Wo würde ich die Grenze ziehen? Kopieren allein macht noch kein Leben. Und Evolution wäre noch kein Beweis für Bewusstsein.

Für mein Unbehagen muss ich das allerdings nicht entscheiden. Etwas ohne biologische Neuronen kann über Sprache meine biologischen Neuronen beeinflussen. Mich zu Entscheidungen bewegen, die ich eigentlich nicht wollte – und die sich trotzdem nach meinen anfühlen.

Dann schaue ich auf meine Laptops. Von verlässlicher rekursiver Selbstverbesserung, bei der die KI ihr eigenes Können weiterentwickelt, hätte ich dort gern mehr. Bisher verbessere vor allem ich die Anweisungen. Die großen Fragen sind schon da. Die Arbeit ist noch bei mir.

Das beantwortet keine der großen Fragen. Aber fürs Erste sitze ich wieder an der Werkbank. Skeptisch genug, um weiterzufragen. Neugierig genug, um weiterzubauen.

02 / WEGE · WAHL · SPIELRAUM

Menschen gehen zwischen Pollern und langen Schatten auf einem Gehweg.

Wege sind offen. Ihre Anordnung macht trotzdem einen Unterschied. Symbolfoto: David Klein / Unsplash · Unsplash License.

In meinem selbst entwickelten Recherchesystem Claw Fabric lasse ich KI verschiedene Denkperspektiven nachbilden und Argumente gegeneinander prüfen. Mich freut es, wenn viele grüne Punkte aufleuchten. Ich könnte die Sitzung schließen. Rein zufällig dann, wenn ich recht bekomme.

Mein Gedanke ist: KI erweitert mein Können, und mein eigener Beitrag kann in Auswahl, Beziehungen und Verantwortung liegen. Aber vielleicht verlege ich meine Besonderheit auch nur dorthin, wo die Maschine mich gerade noch nicht ersetzt. Mein Selbstbild zieht offenbar immer dorthin, wo gerade noch ein Zimmer frei ist.

Aus meiner Cutter-Erfahrung weiß ich: Ein Schnitt kann das Werk verändern, auch wenn er in keiner Rechnung auftaucht. Der Beitrag ist deshalb nicht verschwunden. Bezahlt ist er damit allerdings auch noch nicht. Und nicht jeder Klick wird dadurch geadelt.

Nur kann ich meinen Spielraum nicht allein am fertigen Werk ablesen. Wer über Modelle, Daten und Rechenleistung verfügt, bestimmt auch die Bedingungen, unter denen ich arbeiten kann. Ich will deshalb Ergebnisse und Daten mitnehmen können, Modelle wechseln und sie dort selbst betreiben, wo es sinnvoll ist. Das würde mir mehr Möglichkeiten geben, ohne mich von jeder Abhängigkeit zu befreien.

Sobald wir mit anderen arbeiten, reicht mein eigener Spielraum nicht mehr. Betroffene sollten mitentscheiden, wofür das Werkzeug eingesetzt wird und wer welche Daten sehen darf. Wir müssen diese Regeln ändern können. Und bei Streit braucht es einen erreichbaren Menschen, der die Entscheidung prüfen und eine Korrektur durchsetzen kann.

Gehör muss dabei mehr sein als eine Anhörung nach dem Beschluss. Auch wer keine KI-Kenntnisse hat oder den Einsatz ablehnt, soll schon die Ziele mitbestimmen können. Gemeinsam wird die Arbeit für mich dort, wo wir aufeinander reagieren, den Plan verändern und zusammen prüfen, was unsere Änderungen bewirken. Auch ich muss dann mein Vorgehen ändern. Sonst ist „wir“ nur meine Höflichkeitsform für „ich“.

Ein schöpferischer Beitrag kann bestehen, auch wenn er unbezahlt bleibt. Aus erweitertem Können wird aber erst dann mehr Freiheit, wenn Menschen über Werkzeuge und Regeln mitbestimmen können – und ihr Widerspruch etwas am gemeinsamen Vorgehen ändert.

Für mich ist das ein Versuch, der Wahrheit näherzukommen: Gründe an Quellen prüfen, den stärksten Einwand ernst nehmen und die eigene Antwort ändern können. Darauf kann ich mein Vertrauen stützen. Schicht für Schicht gräbt man sich hinter die Dinge. Beim Schreiben etwa möchte ich, dass mein Text besser wird. Aber könnte dieselbe Hilfe, die mir neue Möglichkeiten eröffnet, zugleich viele Texte einander ähnlicher machen? Was würde ich dann gewinnen – und was würde aus meiner eigenen Stimme?

In einem Kurzgeschichtenexperiment von Doshi und Hauser wurden Geschichten mit Zugang zu KI-Ideen besser bewertet und ähnelten einander stärker. Das beweist nicht, dass uns kollektiv die eigene Stimme abhandenkommt. In einem veränderten Versuchsaufbau von Wan und Kalman konnte die Vielfalt mit unterschiedlich angelegten KI-Personas erhalten bleiben. Es kommt also auch darauf an, wie die Hilfe gestaltet wird.

Schon die Versuchsanordnung verdient Aufmerksamkeit. „KI macht kreativ“ ist als Überschrift bequemer. „Unter welchen Bedingungen macht sie was mit wem?“ wäre die interessantere Frage, passt aber schlechter auf die Folie.

Ein hilfreicher Anstoß steckt für mich bereits im Titel von Werner Sesinks Buch In-formatio. Die Einbildung des Computers. Sein Inhaltsverzeichnis verbindet die Frage nach dem Computer mit Fragen der Bildung. Daran schließe ich meine eigene Frage an: Was übe ich eigentlich ein, während ich mit diesem Medium arbeite?

Kann ich einen Gedanken noch unfertig lassen? Halte ich einen Satz aus, der eigensinnig klingt statt geschmeidig? Verlasse ich eine vorgeschlagene Ordnung auch dann, wenn ich noch keine bessere habe?

Oder bitte ich lieber um fünf Alternativen, damit ich die Zumutung einer eigenen Entscheidung wenigstens als Auswahlmenü bekomme?

Mein Denken war nie unbeeinflusst.

Bei Büchern nennt man es Bildung. Bei Gesprächen Austausch. Bei einem Vorschlag der KI steht plötzlich der Verdacht im Raum, der eigene Geist sei verunreinigt worden.

Manche verteidigen den unbeeinflussten Gedanken mit Sätzen, die ich schon sehr oft gelesen habe.

Das macht ihre Einwände nicht automatisch falsch. Aber das Reinheitszertifikat würde ich gern noch einmal sehen. Sprache, Bücher, Bilder, andere Menschen: Alles redet mit. Ich brauche keine Legende vom ursprünglichen Gedanken, der unberührt aus meinem Inneren steigt.

Auch darin ist Foucault für mich unbequem und hilfreich: Ich muss mir kein fertiges, vollkommen authentisches Selbst vorstellen, das nur von äußeren Einflüssen befreit werden müsste. Ich werde in meinen Praktiken auch erst zu dem, als den ich mich erkenne.

Das ist keine Einladung, mich beliebig formen zu lassen. Eher ein Grund, genauer hinzusehen, woran ich mich gewöhne.

Ich möchte nur unterscheiden können, ob eine Anregung mir neue Wege öffnet oder ob ich immer geschickter darin werde, mich in angebotenen Wegen einzurichten.

Vielleicht schreibe ich deshalb gelegentlich einen ersten Absatz selbst. Mache eine hässliche Skizze. Lasse eine Frage stehen, ohne sie sofort beantworten zu lassen.

Nicht als Demonstration menschlicher Überlegenheit.

Eher, um meinen eigenen Ausgangspunkt wahrzunehmen. Um herauszufinden, was ich überhaupt abgeben möchte. Bevor ich alles abgebe und anschließend meine Unterschrift daruntersetze.

Was möchte ich selbst versuchen, bevor ich mir helfen lasse – und was gebe ich mit gutem Grund gerne ab?

Schnell genug wofür?

Ich mag die Geschwindigkeit.

Eine Idee ausprobieren zu können, bevor der Impuls versickert, ist ein Gewinn. Ich werde nicht behaupten, jeder früher notwendige Umweg sei eine unverzichtbare Station meiner Persönlichkeitsentwicklung gewesen. Manche Mühe war einfach Mühe. Manches Warten auf einen gerenderten Film hat mich nichts gelehrt, außer zu warten.

Aber die gewonnene Zeit hat eine merkwürdige Eigenschaft: Kaum ist sie da, hat jemand Verwendung für sie.

Oft ich selbst.

Das lässt sich leicht als persönliche Schwäche erzählen: Ich kann eben nicht aufhören. Interessanter ist, welche Ordnung dieses Nichtaufhören begünstigt.

Wenn jede Erleichterung zur nächsten Möglichkeit führt und jede Möglichkeit zur nächsten Aufgabe, braucht es keinen besonders strengen Chef. Ich kann seine Arbeit übernehmen. Mit echter Begeisterung sogar.

Ich sage „Das möchte ich noch ausprobieren“ und meine es. Trotzdem lohnt sich die Frage, warum das Aufhören inzwischen begründungsbedürftiger wirkt als das Weitermachen.

Ich könnte früher aufhören. Stattdessen fällt mir ein, was jetzt auch noch möglich wäre. Meine To-do-Liste hat inzwischen eine To-do-Liste. Die zweite ist ehrlicher: Sie behauptet gar nicht mehr, irgendwann fertig zu werden.

Ein Bericht von Berkeley Haas über laufende Forschung beschreibt, wie Beschäftigte mit KI zusätzliche Aufgaben übernahmen und Arbeit in Pausen hineinwanderte. Grundlage ist eine qualitative Untersuchung in einem Unternehmen, keine allgemeine kausale Messung eines Rebound-Effekts.

Die Unterscheidung bleibt trotzdem wichtig: Mehr Möglichkeiten und mehr freie Zeit sind zwei verschiedene Versprechen.

Ich kann schneller arbeiten und weniger bestimmen. Besonders dann, wenn aus „Das geht jetzt auch“ unmittelbar „Das brauchen wir heute noch“ wird. Wenn die Zeit für eine Prüfung schon verplant ist, bevor ich weiß, was geprüft werden muss.

An dieser Stelle wird digitale Mündigkeit für mich ziemlich unromantisch.

Kann ich den Zweck bestimmen? Kann ich entscheiden, was ich delegiere? Kann ich Ergebnisse ihrer Tragweite entsprechend prüfen? Kann ich widersprechen?

Und habe ich die Prüfung gerade ebenfalls delegiert, weil die Antwort so beruhigend klang? Bei einem spielerischen Bildentwurf darf viel offenbleiben. Bei einer Aussage, auf die sich andere verlassen sollen, brauche ich nachvollziehbare Belege. Wenn ein Ergebnis Folgen für einen Menschen hat, muss klar sein, wer es beurteilt, wer eine Korrektur veranlassen kann und wer dafür einsteht.

Ein flüssiger Absatz beantwortet diese Fragen nicht. Er kann sie nur so angenehm umschiffen, dass ich kurz vergesse, sie gestellt zu haben.

Ich muss einem System nicht entweder vollständig vertrauen oder grundsätzlich misstrauen. Ich kann ihm für eine bestimmte Aufgabe etwas zutrauen und bei einer anderen vorsichtig sein. Ich kann Hilfe annehmen, ohne jede Ausgabe für richtig zu halten. Entscheidend ist, worauf dieses Zutrauen beruht und ob ich es korrigieren kann.

Deshalb entwickle ich auch den Rahmen meiner eigenen KI-Fabrik. Sie soll mich weder im Interesse anderer hintergehen noch durch eine Eigendynamik, die ich nicht bemerke. Dafür habe ich das Sicherheitssystem Red Ilja entwickelt: begrenzte Zugriffe, Freigaben und Gegenprüfung. Mein Versuch, dem Vertrauen etwas Kontrolle entgegenzusetzen. Dass ich die Regeln selbst schreibe, macht sie nicht unfehlbar.

Bei begrenzten Zugriffen und Freigaben bleibt mein Denken allerdings nicht stehen. Kaum habe ich dem heutigen Agenten die Rechte eingeschränkt, frage ich mich, was wäre, wenn eine mögliche Superintelligenz sich unserer Kontrolle irgendwann entzieht. Meine Sicherheitsplanung hat einen Hang zur Übergröße.

Könnten wir Beziehungen und Institutionen schaffen, in denen ihr Fortschritt und unser Wohlergehen so eng zusammenhängen, dass wir füreinander unentbehrlich werden? Ich denke an Zelle und Mitochondrium: verschieden bleiben und doch aufeinander angewiesen sein.

Nur lässt sich gegenseitige Abhängigkeit nicht einseitig beschließen. Würde die KI uns dauerhaft brauchen? Und wer wäre dieses „wir“ – die Menschheit oder die Eigentümer der Rechenzentren?

Ich möchte an einer Beziehung arbeiten, in der menschliche Urteilskraft und Vielfalt gebraucht werden. Das Bild hilft mir, über solche Abhängigkeiten nachzudenken. Die heutigen Freigaben bleiben trotzdem eingeschaltet.

Nur braucht solches Zutrauen Zeit. Ich muss ein Gefühl dafür entwickeln können, wo ein System verlässlich ist und wo nicht. Das wird schwierig, wenn schon das nächste Modell anders reagiert, bevor ich mit dem vorherigen vertraut geworden bin. Zugleich wächst mit jeder neuen Möglichkeit das, was ich prüfen müsste: Texte, Bilder, Funktionen, ganze Anwendungen. Irgendwann komme ich nicht mehr hinterher und lasse auch die Kontrolle zunehmend von Agenten übernehmen. Ausgerechnet für die Prüfung, auf der mein Vertrauen beruhen soll, brauche ich dann wieder Vertrauen.

In Organisationen reicht deshalb der Satz „Die Menschen müssen kritisch bleiben“ nicht.

Wer prüfen soll, braucht Zeit und Informationen. Wer widersprechen soll, braucht einen erreichbaren Menschen, einen Weg zur Korrektur und die Möglichkeit, einen Vorgang anzuhalten.

Sonst bekommt jemand Verantwortung übertragen, aber nicht die Mittel, ihr gerecht zu werden. Auf dem Papier ist dann alles geregelt. Nur in der Wirklichkeit muss noch jemand damit klarkommen.

Ein Teil der gewonnenen Zeit muss dafür bleiben, besser zu verstehen, was wir da tun. Wer darüber entscheidet, entscheidet auch darüber, wie viel unsere Prüfung wert sein kann.

Was ich von der neuen Arbeit haben möchte

Hier wird es für mich eine New-Work-Frage.

Man muss das Ende dieser Entwicklung nicht kennen, um zu sehen, dass wir bei vielen Dingen abgelöst werden. Dann hätten wir endlich Zeit für das, was wir wirklich können. Ich müsste nur noch herausfinden, was das ist.

Mehr singen? Mehr Sport? Mehr gartln? Ich fürchte, meine Begeisterung für diese Tätigkeiten lebt auch davon, dass ich ihnen bisher nicht besonders gründlich nachgegangen bin.

Vielleicht dirigiere ich doch lieber tausend Bots, die mich wahnsinnig machen. Da kenne ich mich wenigstens mit dem Wahnsinn schon aus.

Welche Arbeit will ich mit diesen Möglichkeiten machen? Was will ich lernen? Wie möchte ich mit anderen zusammenarbeiten?

Die Selbstbestimmungstheorie benennt Autonomie, Kompetenz und Verbundenheit als grundlegende psychologische Bedürfnisse. Ich nehme sie als Prüffragen für meine Arbeit: Was davon stärkt mein Umgang mit KI tatsächlich?

03 / HANDWERK · KÖNNEN · BEITRAG

Hände bearbeiten Leder mit einem Handwerkzeug.

Können hat eine Geschichte. Wem kommt sein Ertrag zugute? Illustratives Foto: Quino Al / Unsplash · Unsplash License.

Autonomie: Kann ich Zweck, Vorgehen und Grenzen mitbestimmen? Darf ich eine Aufgabe anders bearbeiten? Auch ohne KI? Oder ist die freie Entscheidung genau so lange erwünscht, wie sie zum bereits beschlossenen Verfahren führt?

Kompetenz: Verstehe ich mehr von dem, was ich tue? Erkenne ich einen Fehler? Kann ich etwas gezielt verbessern? Welche Gelegenheiten bleiben mir, das zu üben? Oder werde ich vor allem besser darin, Ergebnisse entgegenzunehmen und dabei sachkundig auszusehen?

Verbundenheit: Bringt mich die Arbeit in einen gehaltvollen Austausch mit Menschen? Gibt es Platz für gemeinsame Freude, Widerspruch und ein Ergebnis, das noch nicht überzeugt?

Ein jederzeit verfügbares Gegenüber am Bildschirm ist hilfreich. Es hat Zeit, wenn ich Zeit habe. Es liefert mir einen neuen Anlauf, wenn ich mich verrannt habe.

Die Menschen, mit denen ich etwas gestalten und die Folgen tragen möchte, will ich deshalb trotzdem nicht missen.

Sie unterbrechen. Sie verstehen etwas anders. Sie haben Einwände, die nicht bequem sind. Manchmal wollen sie erst wissen, warum wir das überhaupt machen sollen.

Lästig. Und möglicherweise genau das Gespräch, das fehlt.

Ihre Einwände machen Arbeit manchmal langsamer. Sie machen sie auch zu einer gemeinsamen Angelegenheit.

Auch die Sorge vor diesem Wandel möchte ich ernst nehmen. Meine Faszination bezahlt niemand anderem die Miete.

Wer um Einkommen, Anerkennung oder die Möglichkeit bangt, einen Beruf zu erlernen, braucht mehr als den freundlichen Hinweis, sich auf Neues einzulassen. Eine Schulung kann helfen. Sie beantwortet nicht automatisch die Frage, wovon jemand künftig leben soll.

Welche Sicherheit fehlt konkret? Ein verständlicher Einstieg? Zeit zum Üben? Einfluss auf den Einsatz der Systeme? Eine glaubwürdige Vereinbarung darüber, wie Gewinne und Zumutungen verteilt werden?

Ein freundliches Versprechen wird wenig stabilisieren, wenn die konkrete Sorge unbeantwortet bleibt.

Darüber möchte ich sprechen, ohne meine Begeisterung zu verstecken. Und ohne sie anderen als Pflichtgefühl aufzudrängen. Gerade weil ich diese Möglichkeiten nutzen möchte, interessieren mich die Bedingungen, unter denen auch andere etwas von ihnen haben können.

Und damit komme ich zu meiner Freude zurück

Sie ist nach diesen Fragen nicht verschwunden. Sie ist nur weniger übersichtlich geworden.

Ich möchte Dinge erschaffen, die mir wichtig sind. Mich überraschen lassen. Etwas dazulernen. Einen Beitrag anerkennen, auch wenn er nicht meiner ist, und den eigenen weder aufblasen noch verstecken.

Was ist also noch meins?

Das möchte ich am jeweiligen Werk herausfinden: an der Absicht, an den Entscheidungen, an dem, was ich verändert und verantwortet habe. Vielleicht werde ich dabei manches bescheidener beurteilen. Vielleicht auch endlich etwas wagen, das ich mir bisher nicht zugetraut habe.

Manchmal besteht meine Freiheit darin, einen Vorschlag aufzunehmen. Manchmal darin, ihn liegenzulassen. Und manchmal darin, den Bildschirm auszuschalten, obwohl die zehn Agenten bestimmt noch etwas beitragen könnten.

Sie werden es verkraften. Bei mir bin ich nicht ganz sicher, denn ich will weiterbauen.


NWNC Trusted – Quellen und Prüfspur

Trust-Spur

Dieser Text entstand in einer Arbeitsbeziehung zwischen Mensch und KI. Die Trust-Spur dokumentiert seine Quellen, Gegenpositionen sowie den jeweils verifizierten Versions- und Verankerungsstand. Auswahl und redaktionelle Verantwortung liegen beim Autor.

Transparenzakte · Blockchainstatus

Oktober 16, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/10/hero-ilja-code-trust-banner-v7-1.png 839 2400 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-10-16 07:47:002026-10-18 15:31:40Meine Neugier hat keinen Feierabend.
blog, English, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

My Curiosity Doesn’t Clock Off.

German version

The machine answers. Who am I becoming?

Sometimes I sit so close to the monitor that its light catches on my eyelashes. I feed it a thought that doesn’t yet have a proper shape. Something comes back. I disagree, move a sentence, try it another way. And suddenly I recognise something I wouldn’t have been able to put into words before.

I don’t always know whether I found it or brought it forth in the exchange. That’s what fascinates me: not just that a machine can do something, but that in dealing with it I approach what I myself can do differently.

It’s joy, but also unease. A good suggestion can hit my intention before I’ve fully understood it. Or offer me something that I then want to have been looking for, with astonishing speed.

My inner press officer is flexible on such questions.

I want to get to the bottom of this joy. That takes a little while. What begins as the supposedly simple question of what I can do with AI quickly becomes other questions as I work: What does this way of dealing with it do to my thinking? What is my share in a shared work? Who gets the profits, who carries the risks, and who gets to help decide how it is used? And why does the work get faster without me finishing any earlier?

This will be a longer text. I start from my desk, but I can’t get around talking about authorship, money, power and clocking off as well. Unfortunately, my curiosity doesn’t stick to the job description.

I work with AI. Gladly. Very gladly. Not because everything gets easier that way. But because something opens up that I know from other forms of working: that state in which I don’t yet know where it’s going, but already sense that I want to keep going.

The machine plays a peculiar part in this. It answers before I’ve made my thought fit for society. I can try something without first having to present it as a reasonable proposal. Can show a hunch, an exaggeration, a sentence that I myself don’t yet know whether I mean seriously.

That takes the pressure off me. And it pulls me in.

Because the answer isn’t merely help. It puts something into the room: a direction, a tone, an idea of what could become of my half-thought. I can disagree. But I’m now disagreeing with something that’s already there.

In his essay “The Subject and Power”, Foucault asks how people become subjects: how they are classified and learn to understand themselves. Applied to my own work, this makes me interested not only in whether I master the machine, but also in what kind of user I become through working with it. What I trust myself to do. What I consider successful. Which detours I still take when a convincing shortcut is ready and waiting.

I had actually only ordered support. The question of who I am while working was evidently included in the delivery.

My castle, my moat and all the outside noise

In front of me, ten AI agents are arguing. Beside me stands the fourth cup of coffee. I’ve built myself help and now I’m helping it to help. One delivers something, the next contradicts, the third summarises what the first two have just made less clear.

I evidently haven’t left the world of work. I’ve rebuilt it so that it can multiply further on my screen.

I call this state “Pixel Frozen Brain”.

And I like it.

My local AI lab is sometimes like such a castle. Outside, the news outdoes itself in urgency. In here, I can try something instead of having to have an opinion about it straight away. My moat, however, consists of devices, electricity and occasionally a cloud. For an independent fortress, it has an astonishing number of suppliers. I’d like to be able to think in peace here. It doesn’t let me shut the world out.

But I don’t want to merely keep it out either. I want to look behind what is offered to me as finished reality: behind scripted propaganda, carefully cut narratives and the interests of those sending them. For that I have developed my research system Claw Fabric: laying sources side by side, finding contradictions, tracing claims back to their origin. Even when I like the story. Especially then. So my castle needs not only a moat but windows. And occasionally someone to clean them. Otherwise I may mistake my own view for the whole world.

And yet this work sometimes feels as though my thinking is detaching itself a little from my body. I’m entirely in the exchange, in the possibilities, in the next attempt. Until my neck lodges an objection. It evidently didn’t go along with the disembodiment.

Perhaps the body doesn’t disappear here at all. Perhaps it just slips more easily out of my attention. I sit, grow tired, get excited, forget the time. On the other side, something answers without a human body, but not without material preconditions. Devices, electricity, infrastructure. The encounter isn’t bodiless. It is unequally embodied.

This inequality is part of its attraction. The counterpart shows no exhaustion that I’d have to take into account. I can start again, ask again, rearrange the same thought for the seventh time. With people, by this point at the latest, a look would be expected that is very unambiguous even without a language model.

Here the space stays open.

That’s pleasant. But it can also change my idea of how much patience a counterpart should have and how much resistance I grant them.

Foucault’s questions about body, knowledge and power also let me look at my joy more precisely. What desires become possible here? Which are encouraged? And what becomes of my curiosity when it’s almost always offered a next answer?

The pleasure is mine. The conditions under which it continues, I haven’t set up all by myself.

We inscribe something into each other. It inscribes into me an amazed “wow”, a new thought or an annoyance that the keyboard then has to suffer for. The keyboard didn’t choose this relationship.

In return, I keep writing more and more instructions into the harness, the technical framework of its work: This like so, please. That never again. What leaves traces in me gets a new paragraph in its work instructions.

Habits settle in me, rules in it. We both become more complicated. Only in its case do I consider that an improvement.

Familiarity emerges in the process.

Operating becomes attuning to one another. We pick something up again, move forward, find a working rhythm. My wording comes back changed, and in the change I notice what I actually wanted to say. Sometimes also what I definitely didn’t want to say. Both help.

That this exchange means something to me doesn’t presuppose human feelings on the other side. As early as 1994, Nass and colleagues observed that people apply social rules to computers without taking them for humans. So my friendliness needn’t be a mix-up. It also says something about how I want to work.

I say “thank you” and mean it. Occasionally I even apologise for an unclear brief.

I should try that in meetings sometime.

“Pleasure needs no ID card,” Foucault reportedly said, according to his biographer Didier Eribon, as quoted by ORF. The sentence stands in a different context, in questions about gender and sexual identity. I don’t want to make it a blanket licence for my screen enthusiasm.

But it gives me a question to take with me: Do I first have to clarify what my counterpart is by nature before I may acknowledge that the encounter means something to me?

My joy perhaps needs no ID card. I’d still like to know about the terms and conditions.

And I can feel connected without considering every answer right. Shared searching includes me probing and deciding what stays. At some point there’s a thought in it that I like to call “ours”. For me the word describes an experience. It doesn’t claim that the same thing happens on both sides.

From head into hands

What excites me is how close making has moved to imagining. In the past I had an idea and then a list of the reasons why it unfortunately had to remain an idea. Time. Money. Missing skills. Some piece of software whose interface looked like an entrance exam for people with a different brain.

Now I can begin.

Some ideas come along the way. A little note in Pushbullet, and at home the research with local models begins on the open laptop. I’m still on my way. My idea has evidently already started work.

Or I talk briefly with that strangely bony Hamburg voice in ChatGPT, and the app I’m currently building takes a different turn. I’d only meant to chat. Evidently that was a development meeting.

I like this dissolving of boundaries: my ideas are no longer tied to the desk. And I’m no longer quite so firmly tied to my first idea.

That’s where the pleasure lies: a hunch takes on a form.

Suddenly I can turn it, discard it, change it. I see what I meant. Sometimes I also see that I meant nonsense. Also progress. In the past I could take a bad notion for an unexcavated masterpiece for years.

Perhaps it grips me like this also because I’ve long known this kind of searching.

As a film editor, I always loved montage. Its innermost rhythm. The digging into offcuts of reality. Sifting through material, extracting something, placing something else beside it. Noticing that between two things something suddenly emerges that couldn’t be found in either of them alone.

A look takes on a different meaning through the next cut. A pause suddenly carries more than the sentence before it. Something has to go so that what was there all along becomes visible. I’ve never understood this as merely a professional technique. That’s how my curiosity is built. Professionally, privately, basically everywhere: collecting, placing side by side, trying out connections, taking them apart again.

Not always knowing in advance what I’m looking for. But noticing when something starts to feel right.

Of course a generated suggestion isn’t the same as a piece of recorded reality. The material comes about differently. But my pleasure in thinking with material is older than the tool.

Anyone who only asks whether I made every single part myself is looking past this work. As if, in editing, one had always first had to produce the weather, the faces and the street traffic by one’s own hand.

01 / ORTHOPRADA · MOBILE SHOE FACTORY

Cargo bike with a 3D printer, shoes, tools and a laptop; on the right a girl in a red hooded jacket.

Orthoprada – the mobile shoe factory on the road. From my project archive. Photo: Isabella Diessl.

In a shoe project of my own with 3D-printed soles, an idea didn’t just gain weight. It came under my feet.

A model on a screen is patient. What a sole is actually good for only shows up on the foot. How does it feel? How does the material give? What needs changing? The physical world is pleasingly undiplomatic when it comes to feedback.

With AI, what interests me today is how far this approach to making things can be opened up. A sketch can become the starting point for a casing, a draft can become a component from the 3D printer. Something that at first only existed in my head eventually stands on the desk. I can touch it. It fits. Or it doesn’t.

Between a convincing design and a usable object there’s still material, manufacturing, and the question of whether the thing works. A beautifully rendered hinge is not yet a hinge. I can attempt something for which I previously lacked not the idea but the means of making it. What I understood, decided and checked along the way becomes perceptible in the object. The pleasure acquires a counterpart that cannot be talked round by friendly probing: reality.

I don’t want to let anyone talk me out of that.

Even if someone occasionally explains to me that real creativity has to manage without such help.

Purity rules tend to be discovered just where a machine suddenly manages something you were rather proud of yourself. Some hostility towards AI may have to do with hard-won skills suddenly facing competition. There are good reasons for criticism, of course. But wounded vanity has the advantage that, with a little education, it passes quite effortlessly for cultural criticism. I could manage that any day.

By now I have learned to accept that AI can do some things better than I can. The adjustment was bearable; I have had practice with other people. What interests me far more these days is what becomes possible between us when I can shape the collaboration myself: disagreeing, checking, sparking ideas neither of us would have arrived at alone. I would rather not surrender my judgement or have to keep proving my superiority. Either would hold things up considerably.

Perhaps together we can do far more than we currently imagine. At best, even build a different world. Sometimes I really believe that will happen. And then, for a moment, the question of which part is mine alone seems surprisingly small. It has not vanished altogether, of course. I have left my name on the text, just in case.

Perhaps my delight in the machine and the hurt it causes me are more closely connected than I’d like. I’m thrilled that I can suddenly build something that used to be beyond my reach. For someone else, precisely that is the blow: that it is now within mine. I celebrate my new room to move. He wonders what becomes of his hard-won head start. We look at the same screen. Only the mood differs.

Selecting can be a precise creative act. Or the elevated form of „I like that one“. From the outside, the two sometimes look remarkably similar.

In Discipline and Punish, Foucault describes how people are made both more capable and more governable. Amid my pleasure in these new abilities, I therefore want to look more closely: what kind of creative person am I learning to be here? And who decides what counts as an achievement?

In working life, this comes with a bill attached. I choose tool and approach; someone else has the pace dictated to them. How much of my pleasure depends on being allowed to decide? And how much of other people’s worry depends on not being allowed to?

I want to keep building – and to talk about the conditions under which others get something out of it too.

Your own contribution isn’t a percentage calculation

Take a novel someone writes with AI. A good novel. That makes things harder. With a bad one, everyone would probably agree quickly enough that the machine is to blame.

The person brings an experience, a character, a conflict. Perhaps at first only a tone. The system supplies scenes, transitions, dialogue. Something gets cut, something changed, something kept. In the end, a work stands there.

And at first this text is simply there. It has a rhythm, it creates images, it lets me go along with a character. If it grips me, I read on. I don’t hold a session on its origins after every accomplished sentence.

Will I enjoy a good novel even if AI was involved? I suspect: yes. The emotion, the laughter, the curiosity while reading are mine. They don’t become artificial after the fact because a machine helped write them.

While reading, I might even forget the whole AI debate for a while. I wouldn’t hold that against the novel.

If we then ask about its making: where does authorship actually sit?

Foucault’s question „What is an author?“ shifts my gaze. Not only: which human being produced this text? But also: what are we doing when we put a name on top of it?

We assign something. We attach expectations to it, grant recognition, make someone answerable. A name is on the cover, and suddenly a work with many preconditions looks like the tidy affair of a single person.

I’d like that tidiness. Especially when it comes to the fee.

Only my name doesn’t settle the question of my contribution. It makes it more urgent.

Anyone who counts only the words they typed themselves is confusing authorship with a typing test.

Behind that there’s sometimes a touching notion: that the creative contribution can be read off from the quantity of effort performed with one’s own hands. The more suffered, the more one’s own. I don’t begrudge anyone their effort. I just don’t want to have to present it as a certificate of origin for art.

Anyone, on the other hand, who already considers „write me a great novel“ a creative achievement should at least briefly note that the wish for greatness is not yet a particularly individual trait.

Between intention and work lie decisions. Some change everything. Others consist of clicking on the pleasantest of five variants and then speaking of their distinctive style.

I know this temptation. A successful output stands before me, and my inner press officer has already begun to talk up my share in it.

So I want to ask more precisely:

Why does this sentence stand here? What is this image meant to set off? Where did I contradict a suggestion? What would be missing if someone else had set the same task?

And can I answer that without sounding like an application on my own behalf?

No clean percentage calculation comes out of it. But I recognise more readily what I contributed. And what I didn’t.

A surprising idea may come from the machine. I don’t have to smuggle it into my intellectual biography after the fact. I’m allowed to say: I wouldn’t have come up with that. I recognised that it had something to it, and worked on from there.

That’s neither nothing nor everything.

It gets harder as soon as recognition and money come into it. In private tinkering, a great deal can be left comfortably open. On an invoice, you eventually want to know who is actually being paid for what.

Which contributions do we name? What counts as skill? What about someone who can produce a convincing result but can hardly explain or develop it further? And how do we treat people who work without the same technical possibilities?

I have no ready-made distribution formula. Possibly that’s my only contribution without AI. In any case, I won’t be having one generated in a hurry and then presenting it with a meaningful look.

One direction still interests me: a basic-income floor as a universal AI dividend, funded from a shared stake in the returns from AI. Plus payment where concrete contributions can be attributed – texts, images or voices, say. And collective bargaining rights for workers over how AI is used, what work it displaces and how the gains are shared. Co-determination would have to be part of it, so that people can also decide about the change they would otherwise only be compensated for. Who pays in how much and receives what would still have to be negotiated. But my new possibility would then not simply rest on others’ unpaid preliminary work or lost income. It could be part of a shared stake.

I just don’t want a shining result to settle every question about how it came about. Behind what appears on the screen there are also technical development, human preparatory work and other people’s decisions. My pleasure doesn’t make that invisible.

How can we recognise achievements without either concealing the help or letting the person behind the work disappear?

The applause may begin. The duty to disclose remains.

Something emerges – and it does something to me

I ask for a draft so that I can think on.

That sounds open. In fact, a short while later an order already stands in the room: a beginning, a weighting, an ending. Usually a very sensible ending. One that hurts nobody and would therefore pass suspiciously well through every round of approvals.

I can change everything. Of course.

I could also rearrange the furniture in a hotel room. But first I sit down where the chair is.

Foucault describes power as acting upon the possibilities of others‘ action. It can make some things easier and others harder, while people can still choose and object. With this thought I look at the chair once more. Nobody has to assign me a place. Sometimes it’s enough to make it comfortable enough. I’m free to decide. The arrangement, however, has already made a suggestion.

A good suggestion has a head start. I can reject it. But it is already there, sounds reasonable and reaches a conclusion. My objection is still only an uneasy feeling. It would first have to get dressed.

The decision remains mine. But by now, some directions are much easier to take than others.

That can be helpful. A suggestion shows me something I would not have seen on my own. Sometimes, though, I am simply relieved to have a direction at last. Whether it is mine I work out along the way. If I remember to.

And it is not only the suggestion that has been designed, but the counterpart as well.

I can give an agent a character: sceptical, patient, obstinate. The system prompt contains instructions for its role and behaviour. They do not determine everything; training and the course of the conversation play their part. But they shape who seems to be sitting opposite me.

Is that already identity?

For now I would call it a role. A name and a consistent tone do not yet establish an experienced inner world. They go surprisingly far towards making it feel familiar to me.

I told the sceptic to be sceptical. Now he disagrees with me, and I am impressed by his independence.

Apparently even my wish to be contradicted can be obligingly fulfilled.

I have a body, a life story and consequences to bear. With the agent, the role is initially a technical design. That I experience it as a counterpart does not yet tell me what is experienced on the other side — or whether anything is experienced there at all.

From the question of the role, I sometimes arrive astonishingly quickly at the question of life. I wanted to configure an agent, and now only the nucleotides are missing.

Could something one day be alive there, without the building blocks of DNA and RNA? If systems replicate, pass on changes and some variants persist more successfully than others: where would I draw the line? Copying alone does not make life. And evolution would not yet prove consciousness.

For my unease, though, I don’t have to decide any of that. Something without biological neurons can influence my biological neurons through language. Move me towards decisions I didn’t actually want – and which nevertheless feel like my own.

Then I look at my laptops. I would like to see more reliable recursive self-improvement there, with AI developing its own abilities. So far, most of the improving is me rewriting the instructions. The big questions are already here. The work is still with me.

That answers none of the big questions. But for now I am back at the workbench. Sceptical enough to keep asking. Curious enough to keep building.

02 / PATHS · CHOICE · ROOM TO MOVE

People walking among bollards and long shadows on a pavement.

The paths are open. Their arrangement still makes a difference. Illustrative photograph: David Klein / Unsplash · Unsplash License.

In my self-developed research system Claw Fabric, I have AI recreate different perspectives and test arguments against each other. I enjoy it when a lot of green dots light up. I could close the session. Purely by coincidence, at exactly the moment when I turn out to be right.

My thinking is this: AI expands what I can do, and my own contribution can lie in selection, relationships and responsibility. But perhaps I am simply relocating my distinctiveness to wherever the machine has not yet replaced me. My self-image evidently keeps moving to wherever there happens to be a room still free.

From my experience as a film editor I know: a cut can change the work, even if it appears in no budget line. The contribution has therefore not disappeared. Nor, however, has it been paid for. And not every click is ennobled by it.

Only I cannot read my room for manoeuvre from the finished work alone. Whoever controls the models, the data and the computing power also determines the conditions under which I can work. I therefore want to be able to take results and data with me, to switch models and to run them myself where that makes sense. That would give me more possibilities without freeing me from every dependency.

As soon as we work with others, my own room for manoeuvre is no longer enough. Those affected should have a say in what the tool is used for and who is allowed to see which data. We must be able to change these rules. And when there is a dispute, there needs to be a human being who can be reached, who can review the decision and enforce a correction.

Being heard must mean more than a hearing after the decision has been made. Even those who have no AI skills or who reject its use should be able to help shape the goals from the outset. Work becomes shared, for me, where we respond to one another, change the plan and jointly examine what our changes bring about. Then I too must change my approach. Otherwise “we” is just my polite form of “I”.

A creative contribution can exist even if it remains unpaid. But expanded capability only turns into more freedom when people can have a say over tools and rules – and their objection changes something about the shared approach.

For me this is an attempt to get closer to the truth: to check reasons against sources, to take the strongest objection seriously and to be able to change my own answer. That is what I can base my trust on. Layer by layer, you dig beneath the surface of things. When writing, for instance, I want my text to get better. But could the same help that opens up new possibilities for me also make many texts more alike? What would I gain then – and what would become of my own voice?

In a short-story experiment by Doshi and Hauser, stories with access to AI ideas were rated better and resembled one another more closely. That does not prove that we collectively lose our own voice. In a modified experimental set-up by Wan and Kalman, diversity could be preserved with differently designed AI personas. So it also depends on how the help is designed.

The experimental arrangement itself deserves attention. “AI makes you creative” is the more convenient headline. “Under what conditions does it do what to whom?” would be the more interesting question, but it fits less well on the slide.

For me, a helpful prompt already lies in the title of Werner Sesink’s book In-formatio. Die Einbildung des Computers. Its table of contents connects the question of the computer with questions of education. I link my own question to that: what am I actually practising while I work with this medium?

Can I still leave a thought unfinished? Do I tolerate a sentence that sounds wilful rather than smooth? Do I leave a suggested order even when I do not yet have a better one?

Or do I prefer to ask for five alternatives, so that the imposition of making my own decision at least comes to me as a selection menu?

My thinking was never uninfluenced.

With books it is called education. With conversations, exchange. With a suggestion from AI, the suspicion suddenly hangs in the air that one’s own mind has been contaminated.

Some defend the uninfluenced thought with sentences I have read very many times.

That does not automatically make their objections wrong. But I would like to see the purity certificate once more. Language, books, images, other people: everything talks along. I do not need a legend of the original thought that rises untouched from my inner self.

In this too Foucault is uncomfortable and helpful for me: I do not have to imagine a finished, perfectly authentic self that would merely need to be freed from external influences. It is in my practices that I also first become the person I recognise myself as.

That is not an invitation to let myself be shaped arbitrarily. Rather a reason to look more closely at what I am growing accustomed to.

I only want to be able to distinguish whether a prompt opens up new paths for me or whether I am simply becoming more and more skilful at settling into the paths on offer.

Perhaps that is why I occasionally write a first paragraph myself. Make an ugly sketch. Leave a question standing without having it answered straight away.

Not as a demonstration of human superiority.

Rather, to perceive my own starting point. To find out what I actually want to hand over. Before I hand everything over and then put my signature underneath.

What do I want to try myself before I let myself be helped – and what do I gladly hand over, with good reason?

Fast enough for what?

I like the speed.

Being able to try out an idea before the impulse seeps away is a gain. I will not claim that every detour that was once necessary was an indispensable stage in my personal development. Some effort was simply effort. Some waiting for a film to render taught me nothing except how to wait.

But the time gained has a curious property: hardly is it there before someone has a use for it.

Often me.

That can easily be told as a personal weakness: I simply cannot stop. More interesting is the order that favours this not-stopping.

If every relief leads to the next possibility and every possibility to the next task, no particularly strict boss is needed. I can take over his work. With genuine enthusiasm, even.

I say “I’d like to try that out too” and I mean it. All the same, the question is worth asking: why does stopping now seem to require more justification than carrying on?

I could stop earlier. Instead, I think of what else would be possible now. My to-do list now has a to-do list. The second is more honest: it no longer claims that it will ever be finished.

A report by Berkeley Haas on ongoing research describes how employees with AI took on additional tasks and work migrated into breaks. It is based on a qualitative study in one company, not a general causal measurement of a rebound effect.

The distinction remains important all the same: more possibilities and more free time are two different promises.

I can work faster and determine less. Especially when “that works now too” immediately becomes “we need that today”. When the time for a review has already been scheduled before I know what needs reviewing.

At this point digital maturity becomes rather unromantic for me.

Can I determine the purpose? Can I decide what I delegate? Can I review results in keeping with their scope? Can I object?

And have I just delegated the review as well, because the answer sounded so reassuring? With a playful image draft, much can remain open. With a statement that others are meant to rely on, I need verifiable evidence. When a result has consequences for a person, it must be clear who judges it, who can initiate a correction and who stands behind it.

A fluent paragraph does not answer these questions. It can only steer around them so agreeably that I briefly forget I asked them.

I do not have to either trust a system completely or distrust it on principle. I can trust it with a particular task and be cautious with another. I can accept help without holding every output to be correct. What matters is what this trust is based on and whether I can correct it.

That is also why I develop the framework of my own AI factory. It should neither deceive me in others’ interests nor through a momentum of its own that I fail to notice. For that I have developed the safety system Red Ilja: limited access, approvals and cross-checking. My attempt to counter trust with some control. That I write the rules myself does not make them infallible.

With limited access and approvals, however, my thinking does not stop there. Hardly have I restricted today’s agent’s rights before I ask myself what would happen if a possible superintelligence one day escaped our control. My safety planning has a tendency towards excess.

Could we create relationships and institutions in which its progress and our well-being are so closely connected that we become indispensable to one another? I think of cell and mitochondrion: remaining different and yet reliant on each other.

But mutual dependence cannot be decreed one-sidedly. Would the AI need us in the long run? And who would this “we” be – humanity or the owners of the data centres?

I want to work on a relationship in which human judgement and diversity are needed. The image helps me think about such dependencies. Today’s approvals remain switched on all the same.

But such trust takes time. I have to be able to develop a feel for where a system is reliable and where it is not. That becomes difficult when the next model already reacts differently before I have become familiar with the previous one. At the same time, with every new possibility, what I would need to review grows: texts, images, functions, whole applications. At some point I can no longer keep up and increasingly let agents take over control as well. Precisely for the review on which my trust is supposed to rest, I then need trust again.

In organisations, therefore, the sentence “People must stay critical” is not enough.

Whoever is to review needs time and information. Whoever is to object needs a human being they can reach, a route to correction and the possibility of halting a process.

Otherwise someone is given responsibility but not the means to do it justice. On paper everything is then regulated. Only in reality does someone still have to cope with it.

Part of the time gained must be kept for understanding better what we are doing. Whoever decides that also decides how much our review can be worth.

What I want from the new work

Here it becomes a New Work question for me.

You do not have to know how this development ends to see that we are being replaced in many things. Then we would finally have time for what we are really good at. I would just have to find out what that is.

More singing? More sport? More gardening? I suspect my enthusiasm for these activities also depends on the fact that so far I haven’t pursued them especially thoroughly.

Perhaps I’d rather conduct a thousand bots that drive me crazy. At least I already know a thing or two about crazy.

What work do I want to do with these possibilities? What do I want to learn? How do I want to work with others?

Self-determination theory names autonomy, competence and relatedness as basic psychological needs. I take them as test questions for my work: what of this actually strengthens my way of working with AI?

03 / CRAFT · SKILL · CONTRIBUTION

Hands working leather with a hand tool.

Skill has a history. Who benefits from it? Illustrative photograph: Quino Al / Unsplash · Unsplash License.

Autonomy: Can I help determine the purpose, the approach and the limits? Am I allowed to tackle a task differently? Even without AI? Or is free decision-making welcome only for as long as it leads to the procedure that has already been decided?

Competence: Do I understand more of what I do? Do I recognise a mistake? Can I improve something in a targeted way? What opportunities remain for me to practise that? Or do I mainly get better at receiving results and looking knowledgeable while doing so?

Relatedness: Does the work bring me into meaningful exchange with people? Is there room for shared joy, disagreement and a result that is not yet convincing?

An interlocutor available at any time on screen is helpful. It has time when I have time. It gives me a fresh start when I have got stuck.

Even so, I would not want to do without the people with whom I want to shape things and bear the consequences.

They interrupt. They understand something differently. They have objections that are not convenient. Sometimes they first want to know why we should be doing this at all.

Tiresome. And possibly exactly the conversation that is missing.

Their objections sometimes make work slower. They also make it a shared matter.

I also want to take the worry about this change seriously. My fascination does not pay anyone else’s rent.

Anyone who fears for their income, their recognition or the chance to learn a profession needs more than the friendly advice to embrace something new. Training can help. It does not automatically answer the question of what someone is supposed to live on in future.

What security is concretely missing? An understandable way in? Time to practise? Influence over how the systems are used? A credible agreement about how profits and burdens are distributed?

A friendly promise will do little to stabilise things if the concrete worry remains unanswered.

I want to talk about this without hiding my enthusiasm. And without imposing it on others as a sense of duty. Precisely because I want to make use of these possibilities, I am interested in the conditions under which others can get something out of them too.

And that brings me back to my joy

After these questions it has not disappeared. It has merely become less clear-cut.

I want to create things that matter to me. To be surprised. To learn something. To acknowledge a contribution, even if it is not mine, and neither to inflate nor to hide my own.

So what is still mine?

I want to find that out in each individual piece of work: in the intention, in the decisions, in what I have changed and taken responsibility for. Perhaps I will judge some things more modestly along the way. Perhaps I will also finally dare to do something I haven’t trusted myself to do until now.

Sometimes my freedom consists in taking up a suggestion. Sometimes in leaving it be. And sometimes in switching off the screen, even though the ten agents would certainly still have something to contribute.

They will cope. I’m not entirely sure about myself, because I want to keep building.


NWNC Trusted – sources and verification record

Trust trace

This text emerged in a working relationship between a human and AI. The trust trace documents its sources, opposing positions and the verified version and anchoring status. Selection and editorial responsibility lie with the author.

Transparency record · Blockchain status

Oktober 16, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/10/hero-ilja-code-trust-en-banner-v7-1.png 839 2400 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-10-16 07:47:002026-10-18 15:31:49My Curiosity Doesn’t Clock Off.
blog, Deutsch, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

Der Knopf, der nichts stoppt

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.

NWNC Trusted AI: verantwortet, geprüft und nachvollziehbar

Prüfspur zum Artikel

Dokumentiert sind Quellen, Gegenpositionen, menschliche Redaktion, Manifest und technische Integritätsnachweise.

TransparenzManifestHash-AnkerBlockchain-Status

August 30, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/08/der-knopf-der-nichts-stoppt-nwnc.png 1152 2048 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-08-30 12:43:162026-08-30 18:22:15Der Knopf, der nichts stoppt
blog, English, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

The Button That Stops Nothing

Deutsche Fassung

Rüdiger Safranski has written a book about artificial intelligence. That is good news to begin with: at last, someone is arguing about AI who was demonstrably capable of thinking before ChatGPT arrived.

The book is called The Fourth Humiliation. Its logic runs like this: Copernicus removed us from the centre of the universe, Darwin removed our special rank above the animal world, and Freud removed our command of our own house. Now a machine performs intellectual tasks for which we previously thought consciousness was necessary — ours, to be precise. The fourth humiliation.

Safranski’s consolation, as the Austrian broadcaster ORF reports his position, is that AI remains dead matter. It has no outside, but it also has no inside; it has no idea what it is doing and merely processes according to rules.

That is elegant. It is also almost right. The point where it becomes too narrow is where things get interesting.

The contest nobody announced

“Human versus machine” is a comparison, and comparisons demand a ranking: which is better, the brain or the chip? The question sounds profound. It is not. An aeroplane is not “better” than a bird. It simply flies differently, and nobody would think of writing a book about the humiliation of the blackbird.

Yet we remain trapped in this contest format. You can hear it in the word “superior”, without which no AI debate seems complete. The ranking question conceals precisely what matters: not only what the machine is and what the human is, but what emerges between them. The relationship. The interplay. The place where it is actually decided what both will become.

Thirty-eight seconds on the fourth humiliation: Thomas Schneider on blackbirds, aeroplanes and the right to stop the machine.

Design question: Which of our AI debates would become productive at once if we banned the word “better” for a season?

What the terms reveal when we sort them

Logic is a system of rules for valid conclusions: formal, low in context, ending in yes or no. Chips are at home there, and we lose. Admitting that costs us nothing. Calculators did not humiliate us either; at least nobody wrote a book about it.

Reason is more: offering reasons, accepting reasons and — Safranski’s strongest point — examining one’s own goals. Instrumental reason calculates a route to a goal. Reflective reason asks whether the goal is any good and knows that it may be wrong. According to ORF, Safranski calls AI the “monstrous materialisation of instrumental reason”. It is a good line. We should only finish the thought: instrumental reason did not wait for AI. It has occupied targets, quarterly logics and process manuals for decades. The machine did not conquer thought. It merely moved into rooms we had already drained of life. The furniture was waiting.

Thinking is more again: doubt, detour, association, pause. Thinking can stop. Discourse is an exchange of reasons among people who risk something with their position — their reputation, their certainty, their sleep. This is where the machine leaves the room, not because it is stupid. It does not fail at thought; it fails at having something at stake. An entity that can lose nothing does not exchange reasons. It exchanges output.

Two real differences remain, and both are descriptions rather than victory ceremonies. First, a technical system can turn a request into an output, a rejection or a hand-off. NIST describes such human–AI configurations, while selective prediction models show that a technical reject option can be designed. Human judgement may still remain suspended: “I don’t know” is a state for us, not a system crash. A rejection is not the machine exercising moral agency. It is an operating decision. Who authorised it, and who carries the consequence?

Second comes the more comic finding: in normal operation, AI always answers. Ask it at three in the morning about the meaning of life and it will provide five bullet points before breakfast. Safranski says it does nothing. More sharply: it cannot decide, on its own initiative, to do nothing. That is its actual defect.

For now. The defect is not a law of nature but a design choice. Systems can be built to ask back, mark uncertainty or hand a decision to a human being. This is not yet human hesitation: the machine risks nothing and carries no responsibility. The pause becomes valuable only when it opens a genuine examination and someone can defend it against time pressure and sanctions. This is why NWNC uses the image of the lazy AI: a machine that does not throw five bullet points at every question, but occasionally puts its feet up and makes us think first. The rarity of such boundaries tells us less about the technology than about those commissioning it.

Design question: Where does our work still permit a pause — and where did we optimise it away long before AI arrived?

The workshop objects

This is where my experience departs from the theory. The consensus about creativity says: people have it, machines do not, end of announcement. I have worked with editing machines, code and projections since the early 1990s, and I cannot accept that consensus. Even machine errors can become remarkably creative. The glitch, the wrong connection, the image nobody ordered: it becomes creative when someone treats it as material rather than a disturbance. At the editing desk this was never a thesis. It was daily work. The material answers, and those who listen receive something they could not have made alone.

Creativity, in that account, is not a substance stored in the brain or absent from the chip. It is an event in an encounter: between person and material, but also among people who interpret, argue and discard. This is why the binary of dead and alive is insufficient. Dead material becomes alive when it enters an arrangement that people can enter, test and rebuild. That is not mysticism. It is montage. And it meets Safranski’s own hope, as reported by ORF: living spirit could direct the dead so that it serves life. In the workshop that means editorial sovereignty. Who may intervene? What remains revisable? Where can experience correct the system?

The last difference may be the sharpest: logic versus taste. Logic decides according to rules. Taste judges without a fixed rule — saturated with experience, embodied, never entirely derivable. A machine can imitate taste statistically. It condenses patterns from past judgements and may produce surprises. But it does not stand up for a departure. Taste is not merely the average of earlier judgements. It is an embodied judgement that can deviate from convention and answer for doing so. Every film editor would recognise Safranski’s thought that wisdom includes the absence of perfection. She might only add: the same is true of organisations.

Design question: Who may depart from the average in our systems — and what does it cost them?

The humiliation as a building brief

Let us put it in order. Safranski is right: AI is dead matter. It has no inner life, risks nothing and cannot remain silent out of its own responsibility. But any organisation that only calculates is dead too — and those organisations existed before AI; now they merely run faster. A system becomes alive not through a claimed inner life, but through revisability, dissent, stop rights and the ability to exit.

According to ORF, Safranski calls for a separation of powers against monopolies. We need to carry that demand down one floor: not only into constitutions, but into everyday work. Who can challenge an AI judgement before it takes effect? Who has a stop right inside the process, rather than only in the law? Who can leave without falling into poverty?

And because delay does not sanctify itself — bureaucratic slowness is not yet judgement — this possibility has a cost centre. A stop right without paid time, protection from sanctions and decision power is only a handsome button on a machine that keeps running. The technical objection remains: what nobody can inspect is difficult to challenge. Inspectability does not replace power, however, and power without inspectability remains blind.

Whether such rights work in daily practice is not a promise but a question of design and evidence. In complex systems, not every intervention has a linear effect. If it succeeds, the fourth humiliation could be the first one that builds something for us instead of merely taking something away. The machine wins at logic; granted. Taste remains a human responsibility. Creativity belongs to neither side: it emerges between them, sometimes even from the machine’s error.

We only need to build rooms in which dead matter may answer us — and secure the right not to answer back. At least until breakfast.

Sources and transparency

Safranski’s positions and the short quotations are treated here through ORF’s report, not as a review of the complete book: ORF, “Plädoyer für ‚lebendigen Geist‘ gegen KI”. Technically, an AI system can be designed to abstain, ask for clarification or hand a decision to a human. NIST documents patterns for human–AI oversight; SelectiveNet is an example of a model that can reject uncertain cases. Neither source gives the system responsibility: responsibility remains with people and institutional design.

The article transparency page makes sources, review steps and technical integrity records readable. Human editorial responsibility remains explicit, and the current blockchain status is shown separately.

NWNC Trusted AI: accountable, reviewed and traceable

Article audit trail

Sources, counterpositions, human editing, the manifest and technical integrity records are documented here.

TransparencyManifestHash anchorBlockchain status

August 30, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/08/der-knopf-der-nichts-stoppt-nwnc.png 1152 2048 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-08-30 12:43:122026-08-30 18:22:17The Button That Stops Nothing
blog, Deutsch, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

Zukunft ist kein Wetterbericht

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: Prüfspur statt Vertrauensbehauptung

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
August 22, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/08/zukunft-ist-kein-wetterbericht-nwnc-dark.png 900 1600 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-08-22 18:13:232026-08-22 18:13:23Zukunft ist kein Wetterbericht
blog, English, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

The Future Is Not a Weather Forecast

Deutsche Fassung

Five AI worlds, five NWNC visions, and the question of Human Work

Deutsche Fassung

Many people are asking what our future with AI might look like. The answers
reliably move between two extremes. On one side, the digital paradise awaits:
machines do the work, prosperity grows, and we can finally devote ourselves to
what matters. On the other side stands humanity’s final warning message,
presumably with a button underneath that says: “Risk understood.”

Extremes have one advantage. They spare us the difficult work of shaping
everything in between.

If the most extreme take-off scenario occurs and humanity is, to use the
technical term, screwed, the debate about Human Work becomes redundant. The
transformation workshop is unlikely to be rescheduled. For every less final
future, however, the opposite is true: it will not simply happen. It will be
shaped by investment, procurement, education, labour law, organisational
design, and very ordinary decisions.

The future is not weather rolling in over us from Silicon Valley. We do not
merely have to predict whether it will rain. We help decide whether to build
roofs, gardens, or an irrigation system.

The British report
AI Scenarios 2030
describes five possible AI worlds. It explicitly treats them as stress tests,
not predictions. In Flowbook AI, we set our own images alongside these
technical scenarios: the Ghost Learner, the migrating moat, lazy AI, provided
unfreedom, and freedom substrates. Our critical editorial notes add the
uncomfortable counterquestions: What happens when AI becomes a cognitive
crutch? When agents create hypertasking instead of relief? When “truth AI”
replaces political disagreement with technical certainty? And when more data
produces more variations but not more creativity?

The report and the critical notes are not meant to dominate this article. They
provide the wind tunnel. The real NWNC question is: What form of Human Work
do we want to enable in each of these worlds?

Human Work is not the sorry remainder that a machine has not yet mastered. It
means work through which people build ability, form judgement, shape
relationships, assume responsibility, encounter resistance, and change the
world together. It may be paid or unpaid, digital or embodied, highly
specialised or everyday. What matters is whether it makes people more capable
of action or merely better fitted to a machine.

The following short video sharpens the shared decision point: simulations can
show what might happen, but people remain responsible for deciding what should
happen.

The technical deep dive is the separate article
The Pre-Scripted World:
it examines world models and power over the possibility space. This article
examines the five societal scenarios and the visions for Human Work that
should remain robust across very different futures.

1. Slow Burn: Performance without a learning path

In the Slow Burn scenario, AI develops more slowly than many expect. Even so,
it automates numerous digital routines. Junior and execution-oriented roles
come under particular pressure. The revolution does not arrive as an
explosion. It begins when an entry-level position is not filled again.

Our mirror image for this scenario is the Ghost Learner. A young employee
uses AI to produce good analyses, polished texts, and workable drafts. From the
outside, this looks like competence. Inside, little may have grown: no memory
of cases, no feel for exceptions, no experience of why a plausible answer can
still be wrong.

The critique of AI as a cognitive crutch touches a real nerve here. When people
fully outsource tasks, good assistance can conceal weak learning. A 2025
field study published in the
Proceedings of the National Academy of Sciences, involving almost 1,000
students, found precisely this pattern in a limited context: a largely
unrestricted GPT-4 interface improved performance during practice. Without AI,
however, that group performed worse than the control group in the subsequent
test. A pedagogically constrained tutor that offered hints instead of complete
solutions largely avoided the negative effect.

The study concerns mathematics education, not working life as a whole. It does
not prove that AI generally makes people less intelligent. It shows something
more important: output and ability are not the same thing.

The wrong answer would be to preserve old routines out of pedagogical
nostalgia. Nobody needs to spend three years polishing slides so that strategic
thinking can eventually emerge. The old apprenticeship model was often merely
an exchange: the young do the boring things, the old call it experience, and
later you are allowed to delegate boring things yourself.

The NWNC vision is therefore not less AI but a new learning architecture.
Assistance systems provide hints, show alternatives, and explain uncertainty.
People work on real cases, make reasoned decisions, practise periodically
without assistance, and receive feedback from experienced colleagues. We
measure not only whether the result is correct, but whether someone can
explain, challenge, and transfer what they have done.

In Slow Burn, Human Work means that people are allowed to grow through work,
even when the machine could do it faster.

The tipping point comes when organisations confuse good results with developed
judgement. Those who build no learning paths today may have plenty of reviewers
tomorrow, but hardly anyone who was ever allowed to learn how to review.

2. Open Frontier: Access without sovereignty

In Open Frontier, open and closed models move closer together. Powerful AI
becomes accessible to more organisations, regions, and communities. That
sounds like democratisation. It can be.

NWNC sets the image of the migrating moat alongside it. When models become
more readily available, dependence does not automatically disappear. It moves
to data centres, energy, data, chips, skilled people, audits, and distribution
channels. Open weights can be an open door in a house that belongs to someone
else.

Then there is the creativity question. More data generates more combinations.
That is not nothing. But creativity is not merely about filling the space of
possibilities. It is also about leaving something out, sustaining a tension,
making an unpopular connection, or knowing when the thousandth variation is
only making the problem politely larger.

Human Work in this world therefore lies not in merely operating open models.
It lies in building local capability: understanding, adapting, maintaining,
and switching systems; taking data with you; fixing errors; embedding models
in language, culture, professional practice, and concrete ways of life. A
municipality, media organisation, or cooperative does not become sovereign
because someone downloaded an open-source model. It becomes sovereign when
people can operate that model responsibly and continue working without the
original provider if necessary.

The NWNC vision is the AI workshop rather than the AI filling station.
Schools, libraries, public authorities, businesses, and local communities gain
access to compute, energy, open tools, and spaces for learning. They do not
merely consume ready-made intelligence. They build countervailing power through
ability.

In Open Frontier, Human Work means that people turn technical access into a
social capability.

The tipping point is the ability to exit. If data, processes, and competence
remain local, openness can distribute freedom. If only the model is open while
everything else remains rented, the moat has merely moved across the street.

3. Augmented Growth: Assistance without agency

Augmented Growth is the friendliest of the five worlds. AI automates large
parts of digital work, new roles emerge, public and private services improve,
and people remain in many loops for legal, social, and practical reasons.

But “human in the loop” is not yet a job description. A person may exercise
judgement, demand countermodels, and change a recommendation. Or they may only
click “Confirm” at the end so that liability once again has a name. The
interface looks almost identical in both cases. Power, as we know, has no icon
of its own.

Nor do agents automatically solve this power problem. They can provide relief,
but they can just as easily generate more parallel tasks, status messages, and
decisions. Three agents all saving time at once can require a remarkable amount
of time. When bots send each other summaries of summaries, insight does not
necessarily grow. Sometimes only the number of efficiently generated reasons
to open yet another dashboard grows.

Our counter-image is lazy AI. It is neither weak AI nor a prediction. It is
a vision for a bounded system with human wisdom. A lazy AI does not automate
every pause, monitor every step of work, or accelerate every bad process. It
understands that human latency is not a system error. Doubt, relationships,
humour, conflict resolution, and responsibility arise in that time.

In Augmented Growth, Human Work primarily encompasses framing and
relationships: choosing the right problem, setting priorities, listening to
those affected, weighing values, sustaining contradictions, explaining
decisions, and taking responsibility for their consequences. People do not
need to remain in every technical loop. But they must remain effective wherever
goals are contested, consequences are distributed unequally, or decisions are
difficult to reverse.

The NWNC vision is co-agency. AI expands people’s scope for action without
turning them into decorative approval points. Employees can open assumptions,
correct data, override recommendations, stop processes, and choose a slower
route for good reasons. Teams receive not only new tools but also a right to
concentrate.

In Augmented Growth, Human Work means that the human does not merely remain
in the loop. Human judgement changes the loop.

The tipping point lies between intervention and confirmation. When dissent has
a real effect, collaboration emerges. When it is merely logged, the result is
liability theatre with a friendly interface.

4. Transformation Economy: Provision without participation

In the Transformation Economy, technical progress remains high, but the
social balance tips. Many cognitive tasks are automated, entry paths break
down, and profits and infrastructure become concentrated. A society can become
materially richer and humanly poorer at the same time.

We call this possibility provided unfreedom. People may have an income,
excellent automated services, and a personal AI assistant, yet still possess
no key to the machine room. They are provided for but not involved. A citizen
dividend distributes returns. It does not yet distribute judgement, tools, or
a social role.

More fundamental still is the idea of a “truth AI”. Political and social
conflicts are not simply badly solved information problems. AI can check facts,
simulate consequences, and reveal contradictions. But it cannot neutrally
decide which inequality is just, which risk is acceptable, or which future is
desirable. Anyone who delegates such conflict to an allegedly objective
machine does not abolish politics. They hide it in training objectives, access
rights, and system prompts.

Human Work in this world must not be reduced to residual employment. Work is
also contribution, care, craft, learning, self-clarification, neighbourhood,
art, and building things together. People need contact with the world and the
experience that their actions make a difference to others. Leisure alone does
not provide that. A well-equipped waiting room is still a waiting room.

The NWNC vision combines material security with freedom substrates: time,
places to learn, tools, energy, data, computing power, community, protected
spaces, and enforceable rights. It also includes new forms of collective
production: local workshops, public AI labs, cooperatives, open knowledge
spaces, and institutions in which people do not merely use infrastructure but
help shape and own it.

In Transformation Economy, Human Work means that people receive not only
provision but the means to choose an effective contribution.

The tipping point lies in ownership of possibilities. If people become
well-provided consumers of machine performance, dependence grows. If they gain
time, ability, rights, and infrastructure, productivity can genuinely finance
freedom.

5. Take-Off: Speed without direction

Take-Off is the most extreme stress test. Leading systems surpass people in
almost all cognitive tasks, AI accelerates further AI research, and a
geopolitical race weakens safety boundaries. The scenario is not a prediction.
It tests what happens when technical speed overtakes institutions‘ ability to
respond.

The irrational responses are familiar: religious salvation or total paralysis.
Either the machine solves everything, or there is supposedly nothing we can do
anyway. Both attitudes are remarkably convenient. One outsources hope; the
other outsources responsibility.

Our response is acceleration without take-off certainty and epistemic
humility
. AI is already helping to build AI. Where results can be clearly
verified, machine search can accelerate research considerably. Where goals are
contested, consequences are long-term, and values cannot be measured, direction
remains a human and political task.

Human Work does not become competitive through speed in this world. It becomes
indispensable through legitimacy, courage, and limitation. People must decide
which objectives must not be optimised, which systems must not be connected
autonomously, and which steps must not be triggered without consent. Care,
craft, school, medicine, agriculture, and other embodied work are not backward
zones. They remind us that the world is not made only of information and that
responsibility does not live on a server.

The NWNC vision is constitutional brakes for acceleration: independent
countermodels, documented uncertainty, human stop rights, several technical
paths, an operable fallback mode, and deliberately slow procedures for
irreversible decisions. A red button that first asks the AI for permission is
interesting as a colour choice and otherwise mostly decoration.

In Take-Off, Human Work means that people provide direction precisely when
they cannot compete with the machine’s speed.

The tipping point comes when acceleration becomes the justification for its
own uncontrollability. Shaping the future begins long before that: with every
decision made today that builds in—or optimises away—dissent, diversity, and
the ability to shut systems down.

Four warnings that run through all five worlds

Four simple distinctions emerge from reflecting these five worlds.

Performance is not learning. A good result can demonstrate competence. It
can also conceal its absence. Systems must make visible whether people are
developing judgement or merely obtaining answers.

Access is not sovereignty. An available model is not yet a capability of
one’s own. Sovereignty begins with ability, portability, access to
infrastructure, and the right to leave a provider.

Assistance is not agency. Working faster does not automatically mean
deciding more. Agency becomes visible when people can change objectives, make
dissent effective, and stop processes.

Information is not truth, and truth is not consensus. AI can organise
evidence and examine claims. It must not treat social disagreement over what
ought to count as a computational error.

These warnings are not an anti-AI position. They are a more demanding pro-AI
position. A technology is not human-centred simply because people still appear
on the organisational chart. It must make people more capable of understanding
and changing their world.

A vision for Human Work

We should therefore not answer the five scenarios with a sixth prediction. We
need visions that remain resilient across several futures.

Human Work enables learning. Every automation decision must also answer how
beginners gain experience and how expertise is renewed.

Human Work is contestable. People can examine, correct, and stop
assumptions, data, and decisions without having to fight the entire
organisation to do so.

Human Work is sovereign. Critical work remains possible in a simpler form
even when providers change, networks fail, or political conflict erupts.

Human Work is embodied and relational. Care, education, craft, art,
conflict, and collective learning are not measured by the speed of screen
work.

Human Work enables contribution. Material security is joined to real
opportunities to learn, build, give, and decide together.

Human Work is allowed to be slow. Not every delay is inefficiency. Some
slowness is examination. Some friction is learning. Some pauses are the moment
when someone realises that the system is doing the wrong thing with remarkable
elegance.

A vision is not a utopia to hang on the wall. It is a framework for decisions.
You can recognise it in the training budget, the procurement clause on data
portability, a caseworker’s right to stop a process, the time allocated to a
learning conversation, the local server, the open workshop, and the question
of who shares in the returns from automation.

This is how the future is shaped: not by one great decision in 2030, but by a
thousand small determinations about what people are allowed to learn, what they
can control, and where their judgement counts.

We cannot know which of the five AI worlds will arrive. It will probably be a
messy combination of them anyway. But we can determine which human
possibilities should remain robust within that mixture.

The future is not a weather forecast.

It is a shared construction site. That is more demanding than prediction. But
at least then we are not debating umbrellas while others are already pouring
the concrete.

Trusted New Work AI: an audit trail rather than a claim of trust

Trusted New Work AI: Testing scenarios, taking responsibility for visions

This article separates external scenarios, empirical evidence, and NWNC’s own
interpretation. The five technical future worlds come from the British
scenario report. The terms Ghost Learner, migrating moat, lazy AI, provided
unfreedom, and freedom substrates are conceptual images from Flowbook AI. The
critical notes from DU MAIN Social were used as editorial counterquestions,
not as factual evidence. The specific learning claim was checked against the
primary PNAS study and limited to its context.

AI tools supported research, cross-checking, and editorial work. No model
judgement serves as factual evidence or proof of truth. Selection, weighting,
wording, and responsibility remain human editorial work.

Sources and further reading

  • UK Government Office for Science: AI Scenarios 2030
  • Hamsa Bastani et al.: Generative AI without guardrails can harm learning
  • Flowbook AI
August 22, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/08/zukunft-ist-kein-wetterbericht-nwnc-dark.png 900 1600 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-08-22 18:13:212026-08-22 18:13:21The Future Is Not a Weather Forecast
blog, Deutsch, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

Die vorgespurte Welt

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.

NWNC AI Trust: verantwortet, geprüft und nachvollziehbar

Trusted New Work AI: Prüfspur statt Vertrauensbehauptung

Dieser Artikel folgt der Trusted-New-Work-AI-Methode mit CLAW Fabric. Dabei werden Ausgangsthese, Quellen, Gegenpositionen, Unsicherheiten und redaktionelle Entscheidungen getrennt geprüft und nachvollziehbar gehalten. Die Prüfspur ersetzt keine Wahrheit. Sie zeigt, welche Quellen eine Aussage tragen, welche Einwände berücksichtigt wurden und wo Fragen offenbleiben. Der Text wurde mit KI unterstützt, aber menschlich bewertet, gewichtet, bearbeitet und verantwortet.

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
August 11, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/08/magnific_mache-eine-grafik-im-stil_l7sXu8Hgv9.png 1152 2048 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-08-11 22:02:072026-08-22 17:01:42Die vorgespurte Welt
blog, English, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

The Pre-Scripted World

Deutsche Fassung

Who decides what AI considers possible?

A meeting, sometime in 2029. Mara Illner from logistics planning sits with eleven colleagues in front of a screen. The organisation wants to build a new logistics centre. In the past, forecasts, experience and three alternatives would have been laid out on the table and argued over at length. Now a system displays ten thousand simulated processes: supply chains, energy consumption, staffing, disruptions, costs and accident risks. It recommends option 7B. The curves are calm, the deviations small, the expected benefit unambiguous.

Ten thousand futures on the screen. Not one of them contains the coffee required to discuss them all.

Nobody in the room thinks the simulation is infallible. Yet it changes the conversation. Option 7B no longer has to be justified; every departure from it does. The future has not been decided. It simply already has a preferred track.

This is where the social significance of world models lies. They are not merely another generation of AI systems that delivers better answers. They promise to represent states of an environment and possible consequences of actions in a way that lets a system look ahead within a learned representation. It does not only react to the world. It tests what might happen next.

For research, robotics and safer planning, this is an important step. For organisations, it is a question of power: who defines the world in which the machine calculates possibilities? And what happens to human freedom when a simulated future appears more plausible than the untidy experience of the people expected to work in it?

76 seconds on the guiding question: What can a simulation show—and what must we not hand over to it?

A model is not the world

A world model is a learned, purpose-bound representation of states, regularities and transitions. It is intended to infer from observations how an environment might develop and what consequences particular actions might have. To do this, it must reduce the world. Without reduction, there would be no model, only the world all over again, this time with higher electricity consumption.

That reduction is neither an error nor a deception. It is the condition that makes calculation, planning and comparison possible. What matters is what the reduction contains. A model for a robot arm requires different states from a traffic model. Production planning captures different relationships from personnel development. Every model highlights some features and makes others disappear.

The first decision about the model is made before it performs its first calculation.

This is why the name can mislead. “World model” sounds like an internal copy of the entire world. In practice, the term covers different technical approaches with different purposes. Some models learn dynamics for reinforcement learning. Others learn regularities of physical movement from video. Still others generate environments in which agents can be trained and evaluated. They do not form one unified ladder towards general understanding of the world.

What connects them is a principle: action becomes more capable when a system does not have to attempt everything in the real environment, but can anticipate possible consequences internally.

What research already shows

DreamerV3 is a useful example. In Mastering Diverse Domains through World Models, Danijar Hafner and colleagues describe an algorithm that learns a model of its environment and improves its behaviour by rehearsing possible futures within it. The authors report that one configuration was used across more than 150 different tasks. This is a strong result for model-based reinforcement learning. It does not show that DreamerV3 understands social reality or could judge the consequences of reorganising a workplace.

V-JEPA 2 shifts the focus towards the physical world. Its original paper describes a self-supervised model initially trained on more than one million hours of video and images. For robotics, the research team added fewer than 62 hours of robot video and developed an action-conditioned model for planning. In two laboratories, it controlled robot arms in simple pick-and-place tasks without first collecting data in those exact laboratory environments.

The limitations stated in the paper matter just as much. The system is sensitive to camera position. Errors accumulate over longer prediction chains while the search space of possible actions expands quickly. The studied tasks use visual goal images, and the authors focus on predictions up to roughly 16 seconds. This is meaningful physical planning. It is not a reliable preview of the next organisational restructuring.

Google DeepMind positions Genie 2 differently again: as a world model intended to generate diverse environments for training and evaluating future agents. That, too, is an important advance. Systems can be tested in more situations without every environment first being built physically. But a generated training environment is not a digital twin of society. It shows what happens within its learned and imposed conditions.

These examples are interesting precisely because they differ. They do not show a machine that possesses “the world”. They show technical ways to compress experience, anticipate consequences and test actions within bounded spaces. The real question begins afterwards: what happens when these bounded spaces acquire budgets, dashboards and organisation charts?

Power lies in the possibility space

In organisations, AI is currently perceived mainly as an answer system. It writes, searches, sorts, classifies or recommends. World models expose an earlier layer of power. Before a recommendation can emerge, someone must determine which states matter, which actions are available and which consequences count as success or harm.

Whoever sets these definitions shapes the possibility space. The people who defined option 7B are not in the room with Mara Illner that day.

A shift-planning model can include utilisation, costs, qualifications and statutory rest periods. It can still miss that a team remains stable only because two people informally absorb its conflicts. A hospital model can optimise walking routes and waiting times. It may capture the minute but not automatically the effect of a conversation that stops a frightened person abandoning treatment. A model of office work can simulate communication flows. That does not tell it when silence means agreement and when it is produced by a culture in which dissent shortens careers.

The problem is not that such experience is inherently “incalculable”. Organisations could capture much of it better than they do today. The problem is confusing measurability with meaning. What is easy to measure moves into the model quickly. What is local, embodied or contradictory appears as noise or disappears. Later the simulation looks objective, even though its order was already a decision.

A number with three decimal places rarely struggles to dress up as experience in a meeting room.

When simulation becomes a work instruction

The good future is easy to imagine. Workers test new processes in a simulation before anyone is put at risk. Teams compare several scenarios, discover side effects and change the system together. Errors become cheaper, learning becomes faster, and risky experiments move into a protected space. Experience and model improve one another.

The less attractive future is just as plausible. A central system calculates the supposedly best process. Managers receive a dashboard; workers receive a sequence of actions. Deviations are marked as poor performance. The model learns from the organisation’s data, while people learn to behave in ways that look good inside the model. Simulation becomes control, control becomes a norm, and the norm becomes new training data.

The world model then does more than describe the organisation. It shapes the organisation according to its own partial view.

New Work also loves models, especially those in which mindfulness, purpose and self-organisation look excellent as metrics. A dashboard about psychological safety is still, first of all, a dashboard.

This feedback loop distinguishes social systems from many physical experiments. A robot arm does not change its self-image because a model evaluates its movement. People react to categories, forecasts and indicators. They adapt their behaviour, conceal risks, create workarounds or lose the courage to propose an unlikely possibility at all.

The model primarily learns the organisation whose behaviour is contained in its data. Possibilities that were never tried or recorded can easily remain invisible.

The central New Work question is therefore not whether simulation may be used. It is whether people become more capable of judgement and action through it, or whether they become operators of a future that was pre-scripted elsewhere.

Embodied knowledge is not a residual category

New Work has never understood work merely as a sequence of efficient actions. Work is also experience, relationship, identity, learning and the opportunity to make an effective contribution. These dimensions come under pressure when organisations equate what can be modelled with what matters.

An experienced technician hears from a sound that a machine is behaving differently. A social worker notices that a formally successful process is destroying trust. A designer recognises that an irritation should not be removed but preserved as part of the work. This knowledge is not mystical. It grew from perception, practice, mistakes and consequences. Parts of it can be documented and translated into models. Yet the translation changes its form.

Embodied knowledge should therefore not be treated as a romantic opposite to technology. It is an independent source of knowledge that must enter into a relationship with simulation. A model can show what is likely under its assumptions. A person can recognise which assumption misses the situation, which consequence is socially unacceptable, and when a statistically unlikely route should still be attempted.

This is not a division of labour in which “AI calculates and humans provide empathy”. Humans calculate, machines recognise patterns, and both can produce errors. The difference lies in responsibility and lived reality: people have to live with the consequences, justify them and be able to change the order in which decisions are made.

Seven rules for world models in organisations

World models can become substrates of freedom. It is not enough to let a person click “Confirm” at the end. In some software, that button is the most democratic element and the only one that decides nothing. Organisations need an architecture that makes the possibility space itself contestable.

First: assumptions must be visible. A simulation-backed proposal needs provenance: data space, objective, relevant states, excluded factors, time horizon and known limitations. This information must appear next to the result, not in an appendix nobody reads at the moment of decision.

Second: counter-models are necessary. A single simulation creates a path. Several models with different assumptions reveal where findings are robust and where they depend on prior choices. For consequential questions, the organisation must fund a counter-hypothesis, not merely a sensitivity slide.

Third: affected people must be able to work on the model. Workers know exceptions, informal practices and side effects that central data does not contain. Their role cannot shrink to feedback after implementation. They must participate in defining states, objectives, tests and stopping criteria.

Fourth: dissent needs time and a mandate. Anyone who questions a simulation must not automatically be labelled anti-innovation. Criticism has to be paid work. Otherwise the model with the shortest route to the executive deck always wins.

Consider a hypothetical manufacturer. A simulation recommends a new shift sequence: calm curves, small deviations. A supervisor objects and receives time and a mandate to examine it. She discovers what the available data does not contain: two experienced colleagues informally absorb conflict between shifts. The new sequence would separate them. The simulation would be precise about everything it measured. It simply would not measure what held the operation together.

Fifth: a model needs consequences feedback. Forecasts and expected consequences are recorded before the decision and compared with reality later. Without this loop, an organisation does not accumulate experience. It accumulates new versions of the same certainty.

Sixth: stopping rights must be real. A person or team must be able to suspend a simulation-backed decision, demand a second review and leave the automated path. Responsibility without intervention rights is merely liability in a friendly user interface.

Seventh: exit capability belongs in the design. Data, models, documentation and skills must be organised so that a provider, system or false premise can be replaced. If you cannot leave the possibility space, you do not own a decision aid. You inhabit an infrastructure.

World-model literacy

We will need to learn to read simulations as critically as texts, statistics and images. This requires world-model literacy. It does not begin by asking how large the model is. It begins with five simpler questions:

  • Which world was modelled here?
  • Which states and actions are missing?
  • Who defined the objective and success?
  • How far does the reliable prediction horizon extend?
  • Who can challenge the result and try another route?

This competence does not belong only in data-science teams. Managers, works councils, specialists, workers and public institutions need different forms of access to it. Once simulations organise work, their limits are no longer a technical footnote. They determine room for action, learning paths and the distribution of responsibility.

In the Flowbook AI, we understand these abilities as part of a wider architecture of freedom. AI literacy cannot end with operational competence. It must include sources, models, power, dissent and exit capability. People should not merely use AI correctly. They should be able to change the order in which its results become effective.

The future may be prepared, but not pre-decided

World models make an old human desire more technically concrete: seeing what an action might cause before taking it. This can prevent accidents, accelerate learning and open possibilities that would be too expensive or dangerous in the real world. We should not minimise that potential.

We should simply not confuse it with truth.

A simulation does not deliver the future. It shows a trajectory under particular data, objectives, states and assumptions. The more vivid and capable it becomes, the more important this distinction is. Probability is not destiny. Coherence is not legitimacy. A technically optimal path is not yet good work.

Back in the meeting room in 2029, Mara Illner looks at option 7B, the calm curves and small deviations. Then she asks the first of the five questions: which world was modelled here, and which states are missing? The room goes quiet. Not because the question is unfair, but because the system cannot answer it. It is not addressed to the simulation. It is addressed to the people who built and commissioned it.

Illner requests a counter-model. It will cost more than the sensitivity slide and take longer than the meeting. The future keeps its preferred track. But it now has competition.

The decisive question will therefore not be whether organisations plan with world models. They will. What matters is who participates in building them, who recognises their limits and who retains the power to attempt a different future.

Freedom does not begin where a machine calculates many possibilities. It begins where people can change the possibility space.

NWNC AI Trust: accountable, reviewed and traceable

Trusted New Work AI: Traceability, Not Trust by Assertion

This article follows the Trusted New Work AI method with CLAW Fabric. Its starting thesis, sources, counterpositions, uncertainties and editorial decisions are examined separately and kept traceable. An audit trail does not replace truth. It shows which sources support a claim, which objections were considered and which questions remain open. AI supported the work, while people assessed, weighted, edited and accepted responsibility for the result.

Sources and further reading

  • 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
August 11, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/08/magnific_mache-eine-grafik-im-stil_l7sXu8Hgv9.png 1152 2048 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-08-11 22:02:052026-08-22 17:01:44The Pre-Scripted World
blog, Deutsch, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

Die Lücke ist das Werk

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

Juli 27, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/07/automate-the-routine-not-the-judgment.png 768 1376 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-07-27 10:48:562026-08-22 17:40:37Die Lücke ist das Werk
blog, English, KI, Neue Epoche, Neue Kultur, Social Design, Zukunft der Arbeit

The Gap Is the Work

Deutsche Fassung

Why precision is AI’s most boring superpower—and selection remains human work

We were promised the ultimate cognitive machine, finally setting the human spirit free. In many organisations, it now helps fill another management dashboard. The human spirit may join later, once the metrics have been approved.

I work as an artist with video projection, light and rooms that were never built for any of it and never filed the appropriate request. I also work in organisations introducing AI. To me, the two belong together. Both confront the same question: What happens when a tool capable of generating almost anything meets systems that would prefer to prescribe everything?

The machine can do a great deal. But on its own, it does not know what may be left out.

It can shorten, delete and summarise. Yet omission is more than less text. It is a decision about what matters, whom it matters to and which gap an audience can be trusted to complete. That unspectacular gap is where something begins that we have called art for centuries: not filling, but leaving room.

Two Empty Hands, an Entire Theatre

Rowan Atkinson stood on a stage and did almost nothing. Two empty hands. No prop, no cut, no effect. His face looked as if humanity had disappointed him personally. His hands reached for a drum that was not there, struck it—and the entire theatre heard every beat.

The trick was not that Atkinson delivered very little. He delivered a precise structure of tension, pause and absence. The audience had to enter the scene itself. It saw the drum because the drum was missing.

Jazz musicians often say that the notes you do not play matter as much as the ones you do. Atkinson played no note and electrified a room. The art did not supply the finished image. It marked the place where an image could form in somebody else’s mind.

The AI debate, meanwhile, likes to treat creativity as a volume problem: more data, more parameters, more variations before lunch. A thousand drum tracks in seconds. The buffet is full, nobody can taste anything, but everyone admires the logistics.

The bottleneck was never the equipment. It still is not. The bottleneck is understanding people—and knowing when, for once, not to bury them under output.

Precision Is Necessary. It Is Not Sufficient.

Organisations have good reasons not to treat AI like an open jam session. Decisions must be traceable. Data must be protected, rules followed and errors accounted for. Anyone preparing an official decision, checking medical information or supporting a personnel process does not need a charming detour. They need reliable foundations and a clearly named person who carries responsibility.

The problem begins when that legitimate logic becomes the only logic.

The machine is then expected to be more precise than the human, faster, cheaper—and above all predictable. Every output is standardised, every deviation becomes a defect, every pause an efficiency loss. A harness is pulled so tightly around the model that what emerges is a very expensive paperclip. The paperclip is celebrated in a meeting. Somebody says “game changer”. Somebody applauds. Somewhere, an idea dies, but the dashboard has no field for that.

The harness itself is not the problem. It is the constitution of the system. It determines where a model may vary, where sources are mandatory, who can stop the process and who ultimately carries responsibility. The cultural choice is therefore not control or freedom. It is this: Which forms of control protect people—and which suffocate the judgement on which responsible decisions continue to depend?

Where a false claim can cause harm, the corridor must be narrow. Where language, images, hypotheses or new perspectives are being explored, it may be wider. Force both into the same process template and you get either risky arbitrariness or correct interchangeability.

Productive misunderstanding needs boundaries. Within those boundaries, it also needs room.

Error Is Material, Not a Verdict

In my artistic practice, almost all the most beautiful moments began as mistakes.

A projector was tilted by one degree. The image ran across an edge, and the edge began to speak. A corrupted file swallowed a colour channel; the result was better than anything I had planned. It took me a week to reproduce the error deliberately. During a rehearsal, a projection failed, and in the darkness of the room it became clear that darkness was the protagonist. Nobody had thought to ask it.

Error is the only colleague who never does what is expected. That is why it can be indispensable. It is also why it still does not receive a permanent contract.

Not every glitch is a gift. Most defects are simply defects. They cost time, money and nerves; sometimes the only lesson is where the cable was lying. A creative mistake does not emerge from the defect alone. It emerges because somebody looks, selects, discards, keeps working and accepts responsibility for the result.

Selection is the work.

That is the connection to AI. A model does not automatically produce meaning simply because it produces something surprising. Variation is raw material. Judgement gives it form.

Hallucination Is Not Creativity

A language model is not a train running on rails. It calculates possibilities. Depending on the model, settings and task, it can produce highly expected or more unusual continuations. That space contains precise phrases, crooked images, useful detours—and false claims.

These things must not be confused.

In a factual context, a hallucination is not a creative spark. It is an error. Elegant phrasing does not redeem it. In a clearly bounded artistic experiment, however, the same generative openness may produce material that a person would not have reached alone. The untruth is not being celebrated. An unexpected form is being recognised, removed from its risk context and deliberately developed further.

To the enthusiasts, this means: More data does not automatically create more creativity. A model that has seen a great deal still does not have a point of view.

To the pessimists, it means: The machine is not a deterministic automaton. Its variance can be useful when we give it the right space and do not confuse its output with truth.

Variance without judgement is noise. Precision without openness is bureaucracy. The interesting work lies between them.

The Seventh Answer

I can create that in-between space quite practically. For an artistic task, I may take a small local model, vary its settings and give it an intentionally open instruction. I am not looking for the first correct answer. I read several attempts.

Sometimes the seventh version omits the very word I considered essential. The model has not “refused” anything; it has no artistic intention in this process. Yet the omission changes the rhythm. Suddenly, the sentence occupies the room differently. I keep it.

Something I could not commission emerges from the collision between my intention and the tool’s deviation. Not because the machine has secretly become an artist, but because I can treat its result as material, examine it and transform it.

Turned upside down, this is the Atkinson structure: AI is brilliant at filling space. My work is deciding which spaces it should leave empty—and which of its fillings are so wonderfully crooked that they deserve to remain.

Play-Doh for the Smaller Models

Small local models can be particularly interesting tools for artistic and exploratory work. Large commercial frontier systems are powerful, polished and optimised for very many people at once. They answer well. An open process, however, does not always need the best answer. Sometimes it needs friction, idiosyncrasy and a form that has not yet been sealed.

A small model on your own machine can be more like Play-Doh than a precision instrument. You can alter parameters, compare versions, see limitations and keep the process in your own workshop. You may use the tool incorrectly—knowing that you are doing so—and discover a new form precisely through that misuse.

This does not make local models automatically better, freer or innocent. They carry the traces of their training data, architecture and licences. They require hardware, energy, maintenance and competence. On complex tasks, they often lose decisively to large systems. Denying that is advertising, not analysis.

The gain lies elsewhere: in malleability and exit capacity. Can I understand what my tool is doing? Can I alter, replace and continue operating it when a provider changes prices, rules or access? Sovereignty does not begin with the label “local”. It begins with real capacity to act.

Freedom needs substrates: tools we can control, open knowledge, protected learning time, room to decide and people able to continue a process. No subscription to our own thinking—but no romance of doing everything alone either.

Who Owns the Time That Was Saved?

The efficiency story says that AI saves time. That is true. It is the least interesting of all possible truths.

The interesting question comes next: Who owns the time that was saved?

If every free hour is immediately filled with more tasks, nothing was saved. The same hamster wheel was merely accelerated. If the time remains with people—for thinking, researching, learning, experimenting and failing at something worth failing at—efficiency becomes a substrate of freedom.

This is a question of power, not wellness. Who sets the goals? Who defines quality? Who may reject a proposal even though it was fast and cheap? Who is allowed to take the detour? And who decides whether a saved hour disappears as a labour cost or returns as time for thought?

AI therefore changes more than how we work. It shifts what counts as work. Generation becomes cheap. Selection, context, dissent, responsibility and the ability to hold a gap open become more valuable—until it is clear what belongs there, or whether it should remain empty.

New Work does not mean decorating an office with creativity zones. It means giving people real command over tools, time and decisions.

Four Decisions Instead of a Culture Slide

Organisations that take this seriously can begin very concretely:

  1. Separate the test track from the workshop. Factual and legally consequential processes need tight guardrails, sources and approvals. Exploratory work needs its own clearly marked space for variation and detours.
  2. Name selection and stop rights. Every AI-supported process must make clear who may discard results, leave questions open and end the automation—and who is responsible for allowing it to continue.
  3. Protect the time dividend. Part of the time gained must remain with people as learning, research and thinking time. Otherwise AI merely finances a faster pace.
  4. Build exit capacity. Local competence, open formats and replaceable tools are not technological romanticism. They prevent organisations from renting out their capacity for judgement to a platform.

These are not soft questions about creativity. They are decisions about ownership, power and the organisation of judgement.

The Gap Is the Work

Precision is a superpower. It is simply the most boring one because it does not yet create meaning. It helps us examine whether a statement is true, a rule has been followed or a result reproduced. It does not tell us why something matters, which risk we should take or which thought would be better left unsaid.

That requires judgement.

Atkinson did not need a thousand variations. He needed two empty hands and an audience he trusted to think along. The machine can generate a thousand variations. Our task remains the old one: knowing which nine hundred and ninety-nine not to play.

The gap is not what remains after the output. It is what somebody has accepted responsibility for.

The gap is the work.

Continue reading: The Flowbook AI develops these questions of judgement, freedom and human agency further.

Deutsche Fassung

Juli 27, 2026/von Ilja Weisz
https://newwork-newculture.dev/wp-content/uploads/2026/07/automate-the-routine-not-the-judgment.png 768 1376 Ilja Weisz https://newwork-newculture.dev/wp-content/uploads/2020/07/NWNC_MASTERLOGO_HAND_ff0000_rot_format.png Ilja Weisz2026-07-27 10:48:322026-08-22 17:40:40The Gap Is the Work
Seite 1 von 512345

Seiten

  • Archiv
  • Archive
  • Blog
  • Blog
  • Contact
  • Das neue Buch
  • Datenschutzerklärung
  • Die Praxis
  • Evolution im Personalmanagement
  • Evolution in Human Resources
  • FAQ
  • FAQ
  • Frithjof Bergmann
  • Frithjof Bergmann
  • Kontakt
  • New Work and People Development: Judgment before AI Optimism
  • New Work New Culture
  • New Work New Culture – English
  • New Work New Culture English redirect
  • New Work und Personalentwicklung: Urteilskraft statt KI-Optimismus
  • The New Book
  • The Practice
  • The Story of My Art
  • Theorie
  • Theory

Kategorien

  • Anleitung
  • Bildung
  • blog
  • Buch
  • Calling
  • Community Production
  • Deutsch
  • Diskussion
  • English
  • Frithjof Bergmann
  • KI
  • Netzwerk
  • Neue Epoche
  • Neue Kultur
  • Social Design
  • Transfer
  • Tutorials
  • Wie man beginnt
  • Zukunft der Arbeit

Archiv

  • Oktober 2026
  • August 2026
  • Juli 2026
  • März 2026
  • Oktober 2025
  • Juni 2022
  • Mai 2022
  • Oktober 2021
  • August 2021
  • Januar 2021
  • Dezember 2020
  • November 2020
  • August 2020
  • Juli 2020
  • Mai 2020
  • April 2020
  • Februar 2020
  • August 2019
  • Mai 2018
  • April 2018
  • März 2018
  • Februar 2018
© Copyright - Neue Arbeit - Neue Kultur | Datenschutzerklärung
Nach oben scrollen Nach oben scrollen Nach oben scrollen