English version

Wer entscheidet, was KI für möglich hält?

English version

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?

Ein Modell ist nicht die Welt

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

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

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

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

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

Was die Forschung bereits zeigt

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

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

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

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

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

Die Macht liegt im Möglichkeitsraum

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

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

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

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

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

Wenn die Simulation zur Arbeitsanweisung wird

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

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

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

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

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

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

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

Verkörpertes Wissen ist keine Restkategorie

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

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

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

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

Sieben Regeln für World Models in Organisationen

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

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

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

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

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

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

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

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

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

World-Model-Literacy

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

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

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

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

Zukunft darf vorbereitet, aber nicht vorentschieden werden

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

Wir sollten es nur nicht mit Wahrheit verwechseln.

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

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

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

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

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

Quellen und Vertiefung

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

English version

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

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

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

Frontier ist keine Rangliste mehr

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

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

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

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

Das offene Modell als Gegenmacht

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

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

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

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

Aufholen ist real — und nicht genug

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

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

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

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

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

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

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

Spitzenkraft braucht ein Harness

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

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

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

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

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

Was das mit Arbeit macht

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

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

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

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

Die neue Pflicht zur Beobachtung

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

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

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

Ein Test für offene Freiheit

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

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

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

Die Frontier gehört in die Öffentlichkeit

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

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

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

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

Weiterführend: Flowbook KI von New Work New Culture

English version

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

English version

Die Maschine hat den Bericht geschrieben, die Quellen zusammengefasst und die
Entscheidungsvorlage formatiert. Im Meeting bleibt nur eine kleine Frage offen:
Stimmt es auch?

Das ist der Moment, in dem die große Erzählung von der vollautomatisierten
Wissensarbeit wieder erstaunlich handwerklich wird. Jemand muss wissen, woher
eine Aussage kommt. Jemand muss erkennen, was fehlt. Jemand muss entscheiden,
ob eine Abweichung wichtig ist oder nur eine sehr selbstbewusste Fußnote. Und
jemand muss seinen Namen unter die Konsequenz setzen.

Das ist der Teil, für den es noch keinen bequemen Autopiloten gibt. Nur einen
Kalendertermin.

Francesco Marconi beschreibt diese Verschiebung im AppliedXL-Report
Original Intelligence.
Seine These ist ebenso einfach wie produktiv: Informationsunternehmen haben
lange zwei Leistungen als ein Produkt verkauft. Sie brachten neue, belastbare
Erkenntnisse hervor. Und sie lieferten diese Erkenntnisse aus. KI trennt dieses
Paket. Suche, Zusammenfassung, Rekombination und Ausgabe werden billig. Der
erste belastbare Kontakt mit einer neuen Tatsache werde dagegen zum knappen
Gut.

Marconi nennt die erste Hälfte Origination, die zweite Delivery. Seine
Pointe: Wer jetzt nur die Auslieferung automatisiert, optimiert genau den Teil
des Geschäfts, dessen Preis fällt.

Die saubere Trennung, die viele Organisationen vermeiden

Der Report beginnt mit Paul Julius Reuter. Im Jahr 1850 ließ Reuter
Börsenkurse per Brieftaube über die Lücke zwischen zwei Telegrafenlinien
transportieren. Als die Leitung geschlossen wurde, war der Vogel als
Geschäftsmodell erledigt. Reuter wechselte die Technik und behielt den Zweck:
einen relevanten Unterschied früher als andere zugänglich zu machen.

Die Geschichte ist mehr als eine hübsche Herkunftserzählung für Reuters. Sie
zeigt ein Muster, das bis in unsere Büros reicht. Organisationen verlieben sich
gern in ihre jeweilige Brieftaube. Früher war es das Portal, dann das
Dashboard, heute der Agent. Jede neue Oberfläche wird kurz für den eigentlichen
Wert gehalten. Dabei ist sie zunächst nur eine neue Art, etwas zu transportieren.
Der Agent ist dann die Brieftaube mit API.

Marconis Unterscheidung zwingt zu einer nüchternen Inventur. Welche Arbeit
erzeugt eine neue, überprüfbare Aussage? Welche Arbeit sortiert nur, was schon
bekannt ist? Welche Arbeit verbindet bekannte Punkte so, dass eine neue
Entscheidung möglich wird? Und welche Arbeit produziert lediglich eine weitere
Zusammenfassung für das Sitzungsprotokoll, das nächste Woche von einer anderen
KI zusammengefasst wird?

Das ist eine gute New-Work-Frage, weil sie nicht bei Stellenbeschreibungen
stehen bleibt. Sie fragt nach dem wirklichen Beitrag einer Tätigkeit. Mit
Bergmann gesprochen: nicht zuerst, wie Arbeit schneller verschwindet, sondern
welche Arbeit Menschen wirklich, wirklich tun wollen und unter welchen
Bedingungen sie dabei handlungsfähig bleiben.

Freiheit ist hier nicht der leere Stuhl, nachdem der Agent fertig ist. Sie
beginnt dort, wo Menschen Zugang zu Quellen, Werkzeugen, Zeit und Entscheidung
haben und aus einer Entlastung einen eigenen Beitrag machen können.

Was der Report sehr gut sieht: Urteil ist ein Arbeitsprozess

Besonders stark ist Original Intelligence dort, wo der Text menschliche
Expertise nicht mystifiziert. Informationsspezialistinnen und -spezialisten
sind bei Marconi keine Orakel. Sie üben ein Handwerk aus.

Sie erschließen Primärquellen. Sie strukturieren technische Dokumente. Sie
erkennen Abweichungen. Sie verbinden Ereignisse über Zeit und Institutionen
hinweg. Sie prüfen Aussagen an der Quelle. Sie klären, wen ein Signal betrifft
und welche Konsequenz daraus folgen könnte. Erst dann liefern sie es dorthin,
wo entschieden wird.

Der Report verdichtet diesen Ablauf in sieben Schritte: Quelle, Struktur,
Erkennung, Verbindung, Verifikation, Kontextualisierung und Auslieferung. Das
ist wertvoll, weil es aus dem großen Wort Urteil eine gestaltbare Praxis macht.
Man kann Rollen, Lernwege, Qualitätsregeln und technische Unterstützung darum
bauen.

Urteilskraft ist also kein geheimnisvoller Edelknopf im Menschen. Sie ist eine
Praxis aus Hinsehen, Nachfragen, Vergleichen, Verwerfen und Entscheiden. Das ist
weniger feierlich. Dafür kann man es lernen.

Auch KI hat darin einen starken Platz. Sie kann große Mengen an Dokumenten
strukturieren, Anomalien markieren, Ereignisse verbinden und frühere Fälle als
Vergleichsraum öffnen. Archive werden damit nicht wertlos. Sie wechseln ihre
Funktion. Das historische Wissen ist nicht mehr nur ein Lager, das man durchsucht.
Es wird zum Hintergrund, vor dem das Neue sichtbar wird.

Die Maschine kann also viel mehr sein als eine Textmaschine. Aber sie ersetzt
nicht automatisch die institutionelle Frage: Wer bestimmt, was beobachtet
wird? Wer erklärt ein Signal für hinreichend geprüft? Wer darf widersprechen?
Wer trägt die Folgen, wenn aus einem Muster eine Entscheidung wird?

Wo die These zu stark wird

Marconi formuliert zugespitzt, Maschinen könnten Wahrheit abrufen, aber nicht
produzieren. Als Schlagzeile funktioniert das. Als Arbeitsdefinition ist es zu
hart.

Sensoren, Satelliten und autonome Labore erzeugen neue Daten. Systeme können
Versuche steuern, Messungen auslösen und Beobachtungen festhalten, die vorher
nicht im Datensatz lagen. Der Report kennt diesen Einwand. Er antwortet, rohe
Erfassung sei noch keine Erkenntnis. Eine Kamera zählt Autos, weiß aber nicht,
was die Zahl für ein Unternehmen bedeutet.

Damit verschiebt sich die Grenze. Nicht der Mensch allein steht am Anfang und
die Maschine allein am Ende. Beobachtung, Synthese und Deutung werden zu einem
gemeinsamen Prozess. Einige Schritte können technisch erfolgen. Andere brauchen
fachliche, rechtliche oder politische Verantwortung. Entscheidend ist nicht,
ob ein Mensch jeden Messwert persönlich gesehen hat. Entscheidend ist, ob der
Weg von der Beobachtung zur Behauptung und von der Behauptung zur Entscheidung
prüfbar bleibt.

Auch das Panama-Beispiel des Reports zeigt diese Unschärfe. Gerichtsverfahren,
Proteste und Handelsdaten waren bereits öffentlich. Selten war nicht unbedingt
die einzelne neue Tatsache, sondern die Fähigkeit, mehrere vorhandene Spuren
rechtzeitig als dieselbe Geschichte zu lesen. Das ist nicht bloß Auslieferung.
Es ist aber auch nicht sauber von Synthese und Interpretation zu trennen.

Die bessere Formel lautet deshalb: KI verbilligt viele Formen der
Informationsverarbeitung. Sie beseitigt nicht die Arbeit, aus Beobachtungen
verantwortbare Aussagen zu machen.

Die New-Work-Frage: Wer organisiert epistemische Arbeit?

Epistemische Arbeit ist die Arbeit, durch die eine Beobachtung zu einer
belastbaren Aussage wird und eine Aussage zu einer anfechtbaren Entscheidung.
Sie umfasst Quellenzugang, Fragenauswahl, Verifikation, Kontext,
Unsicherheitsmarkierung, Widerspruch und Verantwortung.

Diese Arbeit darf nicht als edler menschlicher Rest behandelt werden, der nach
der Automatisierung zufällig übrig bleibt. Sie muss gestaltet, gelernt und
geschützt werden.

Genau deshalb reicht es nicht, technisch aufzuholen. KI greift gleichzeitig in
Arbeit, Bildung, Verwaltung, Öffentlichkeit, Wertschöpfung,
Machtarchitekturen und die Organisation von Urteil ein. Sie verändert nicht
nur, wie gearbeitet wird, sondern auch, was als Kompetenz, Karriere,
Institution und menschlicher Beitrag gilt. Eigene Chips und größere Modelle
können wichtig sein. Den Paradigmenwechsel gestalten sie nicht von selbst.

Hier verläuft eine nüchterne New-Work-Grenze: Menschen dürfen nicht zum
menschlichen Anhang maschineller Vorentscheidungen werden. Wer am Ende nur noch
unterschreibt, ohne den Denkweg betreten zu dürfen, trägt Verantwortung ohne
Handlungsmacht. Das ist keine Befreiung von Arbeit. Das ist Haftung mit
freundlicher Benutzeroberfläche.

Das beginnt bei den Einstiegsebenen. Wenn Juniorinnen und Juniors nur noch
fertige Synthesen kontrollieren, lernen sie weder Quellen kennen noch
Abweichungen einzuordnen. Sie werden zu Ghost Learners: im Workflow anwesend,
aber vom Denkweg getrennt. Eine Organisation kann dann kurzfristig schneller
werden und gleichzeitig die Fähigkeit verlieren, in drei Jahren noch zu
verstehen, warum ihre Entscheidungen tragen. Das Organigramm wird schlanker,
das institutionelle Gedächtnis gleich mit.

Es betrifft auch die Zeit. Verifikation ist selten der schnellste Schritt. Sie
braucht Rückfragen, zweite Lesarten und manchmal den unspektakulären Satz:
„Das wissen wir noch nicht.“ Wer jede menschliche Verzögerung als Ineffizienz
behandelt, automatisiert nicht nur Arbeit. Er entfernt die Haltepunkte, an denen
Fehler noch korrigiert werden können.

Eine Organisation ohne Zeit zum Zweifel ist schnell. Vor allem schnell
überzeugt.

Und es betrifft Macht. Marconi beschreibt den Platz an der Primärquelle als
knappen „Sitz“, der pro Domäne oft nur einmal besetzt werde. Für ein
Geschäftsmodell mag diese Aussicht attraktiv sein. Für eine demokratische
Wissensordnung ist sie gefährlich. Wahrheit braucht unabhängige Prüfung,
konkurrierende Lesarten und die Möglichkeit, einen etablierten Benchmark
anzufechten. Ein einziger vertrauenswürdiger Anbieter ist bequem. Bis genau
dieser Anbieter falsch liegt.

Sechs Bauaufgaben für Organisationen

Aus der Analyse folgt kein Plädoyer gegen KI. Im Gegenteil. Sie zeigt, wo KI
nützlich wird, wenn sie nicht nur mehr Ausgabe erzeugt.

Dafür braucht es keine weitere Transformationsfolie mit einem Pfeil nach
rechts oben. Es braucht sechs ziemlich konkrete Bauaufgaben.

Erstens: Primärquellenzugang sichern. Beschäftigte brauchen Zugriff auf die
Aufzeichnungen, Daten und Personen, aus denen eine Aussage entsteht. Eine
Zusammenfassung ohne Rückweg ist keine Entlastung, sondern Abhängigkeit.

Zweitens: Provenienz in den Arbeitsfluss bauen. Quellen, Änderungen,
Unsicherheiten und Prüfentscheidungen müssen mit dem Ergebnis reisen. Nicht als
Anhang für besonders gewissenhafte Menschen, sondern als Teil des Produkts.

Drittens: Widerspruch als Rolle organisieren. Ein Review darf nicht nur
bestätigen, dass ein System formal gearbeitet hat. Es braucht Zeit,
Kompetenz und das Recht, die Fragestellung oder die Entscheidung selbst
zurückzuweisen.

Viertens: Lernwege erhalten. Nachwuchskräfte müssen an Quellen,
Zwischenschritten und Fehlentscheidungen arbeiten können. Wer nur das fertige
Ergebnis sieht, lernt vor allem, wie man auf „Freigeben“ klickt.

Fünftens: öffentliche und private Erkenntnis unterscheiden. Nicht jedes
wertvolle Signal darf hinter einer professionellen Bezahlschranke enden.
Gerade bei Gesundheit, Verwaltung, Klima oder Sicherheit muss geklärt werden,
welches Wissen öffentlich zugänglich und überprüfbar bleiben soll.

Sechstens: Qualität an Korrekturfähigkeit messen. Entscheidend ist nicht,
wie viele Berichte ein System erzeugt, sondern ob Fehler auffindbar sind, ob
Einwände Folgen haben und ob Verantwortung zugeordnet werden kann.

Das sind Freiheitssubstrate der Wissensarbeit: Zeit, Zugang, Können,
Unabhängigkeit und wirksamer Widerspruch.

Erst sie machen aus technischer Entlastung gelebte Freiheit. Sonst arbeitet die
Maschine und der Mensch wartet auf die nächste Freigabe.

Nicht die letzte menschliche Bastion, sondern eine gemeinsame Praxis

Die stärkste Einsicht von Original Intelligence lautet nicht, dass Menschen
eine letzte uneinnehmbare Festung besitzen. Solche Festungen werden in der
Technologiegeschichte meistens kurz nach der Einweihung umgebaut.

Stärker ist die organisatorische Einsicht: Je billiger Antworten werden, desto
wichtiger wird die Architektur, die aus einer Antwort eine verantwortbare
Aussage macht. KI kann darin beobachten, sortieren, vergleichen und verbinden.
Menschen können Fragen setzen, Kontexte verstehen, Interessen sichtbar machen,
widersprechen und Verantwortung übernehmen. Institutionen müssen festlegen,
wie beides zusammenarbeitet und wo eine Entscheidung gestoppt werden kann.

New Work beginnt in dieser Lage nicht mit der Frage, welche Stelle der Agent
ersetzt. Es beginnt mit der Frage, welche Urteilskraft eine Gesellschaft
braucht, wer sie lernen kann und welche Macht sie tatsächlich anhalten darf.

Die Zukunft der Wissensarbeit entscheidet sich deshalb nicht an der Frage, ob
eine Maschine einen überzeugenden Bericht liefern kann. Das kann sie längst.
Sie entscheidet sich daran, ob Menschen und Institutionen noch wissen, wie
eine Behauptung entstanden ist, wer sie prüfen konnte und wer für ihre Folgen
einsteht.

Wahrheit ist keine Lieferung. Sie ist eine Praxis. Und Praxis bleibt Arbeit.