Die Zukunft der KI: Zwischen technischen Grenzen und wirtschaftlicher Transformation

Es ist kurz nach Mitternacht, und Marlene kann nicht aufhören, auf ihren Bildschirm zu starren. Sie ist Texterin, freiberuflich, seit zwölf Jahren, und sie hat gerade etwas getan, das sie noch vor einem Jahr für unmöglich gehalten hätte: Sie hat einer Maschine eine vage Idee hingeworfen, „schreib mir einen Einstieg über die Geschichte des Kaffeehauses in Wien, melancholisch, aber nicht kitschig“, und zurückbekommen hat sie einen Absatz, der besser klingt als vieles, was sie selbst an einem müden Abend zustande bringt. Rhythmus, Wortwahl, dieser feine ironische Unterton. Sie ist beeindruckt. Sie ist auch ein bisschen erschrocken.

Dann liest sie noch einmal genau. In der Mitte des Textes steht ein Satz über ein bestimmtes Kaffeehaus, das angeblich 1873 eröffnet wurde, mit einer Anekdote über einen Stammgast, einen Schriftsteller, dessen Name ihr vage bekannt vorkommt. Sie googelt. Das Kaffeehaus gibt es nicht. Den Schriftsteller auch nicht. Die Anekdote ist frei erfunden, und zwar in einem Ton solcher Selbstverständlichkeit, dass Marlene sie beinahe übernommen hätte.

In diesem kleinen Moment, irgendwo zwischen Bewunderung und Misstrauen, steckt die gesamte große Frage unserer Zeit über Künstliche Intelligenz. Denn was Marlene erlebt hat, ist kein Bedienfehler und kein Zufall. Es ist die Maschine, die genau das tut, wofür sie gebaut wurde, nur nicht das, was wir glauben, dass sie tut.

Warum diese Frage jetzt zählt

Über kaum eine Technologie wird so viel und so widersprüchlich geredet wie über die großen Sprachmodelle (Large Language Models, kurz LLMs, die Programme hinter ChatGPT, Claude oder Gemini). Die einen sehen die Geburt einer neuen Intelligenz, vielleicht den letzten großen Schritt vor einer Maschine, die klüger ist als wir. Die anderen sehen einen geschickten Taschenspielertrick, der vor allem deshalb funktioniert, weil wir Menschen jeder flüssigen Sprache automatisch einen denkenden Kopf unterstellen.

Beide Lager haben gute Argumente. Und beide reden oft aneinander vorbei, weil sie eine Vorfrage überspringen: Was genau sind diese Maschinen eigentlich? Erst wenn man das halbwegs versteht, lässt sich sinnvoll darüber streiten, was sie können, was sie kosten, wen sie reicher und wen sie arbeitslos machen, und ob die Billionen, die gerade in sie investiert werden, eine kluge Wette oder eine kollektive Halluzination sind.

Dieser Text führt Sie durch beide Lager. Keine Vorkenntnisse nötig, nur die Bereitschaft, ein paar liebgewonnene Gewissheiten unterwegs abzulegen.

Keine künstlichen Gehirne, sondern Sprachmaschinen

Beginnen wir mit der unbequemsten und zugleich aufschlussreichsten These. Sie stammt von Martin Warnke, einem promovierten theoretischen Physiker und ehemaligen Professor für Informatik und digitale Medien an der Leuphana Universität Lüneburg, der ein Buch mit dem ungewöhnlichen Titel Large Language Kabbala geschrieben hat. Seine Kernbehauptung: Die besten Erklärer der KI sind nicht die Ingenieure, sondern die Schrift-Gelehrten, Linguisten, Literaturwissenschaftler, sogar Mystiker. Denn LLMs sind keine künstlichen Gehirne. Sie sind durch und durch sprachliche Gebilde.

Um zu verstehen, was das heißt, muss man wissen, wie so ein Modell arbeitet. Ein LLM zerlegt Text in winzige Bausteine, sogenannte Token (Wortteile oder kurze Zeichenfolgen, die kleinste Verarbeitungseinheit eines Sprachmodells). Während des Trainings liest es unvorstellbar große Mengen menschlicher Texte und lernt eine einzige, erstaunlich mächtige Fähigkeit: Es schätzt, welches Token wahrscheinlich als Nächstes kommt. Mehr nicht. Es ist eine Autovervollständigung von übermenschlicher Raffinesse, aber im Kern eben das, eine Wahrscheinlichkeitsrechnung über Sprache.

Die geistige Wurzel dieser Idee reicht weit zurück. Warnke verweist auf den amerikanischen Linguisten Zellig Harris, der schon in den 1950er-Jahren eine radikale These vertrat: Was ein Wort bedeutet, lässt sich allein an seiner Distribution ablesen, also daran, in welcher Nachbarschaft anderer Wörter es typischerweise auftaucht. Bedeutung, Absicht, Bewusstsein? Für die Analyse irrelevant. Wörter, die in ähnlichen Umgebungen vorkommen, sind ähnlich. Punkt. Genau dieses Prinzip steckt heute in jedem LLM: Es kennt die Welt nicht, es kennt nur die statistischen Nachbarschaftsverhältnisse von Sprache.

Der stochastische Papagei

Eine Gruppe von KI-Forscherinnen um Emily Bender und Timnit Gebru hat dafür 2021 ein Bild geprägt, das hängengeblieben ist: den stochastischen Papagei (von griechisch stochastikos, „auf Vermutung beruhend“). Ein Papagei imitiert menschliche Laute perfekt, ohne zu verstehen, was er sagt. Ein LLM fügt sprachliche Formen zu überzeugenden Sequenzen zusammen, weil es gelernt hat, wie sie sich üblicherweise kombinieren, aber ohne jeden Bezug zur Bedeutung. Das Ergebnis ist eine makellose sprachliche Oberfläche, die in uns unweigerlich den Eindruck eines denkenden Gegenübers erzeugt. Der Eindruck entsteht in uns, nicht in der Maschine.

Warum Marlenes erfundenes Kaffeehaus kein Fehler war

Jetzt wird Marlenes nächtliches Erlebnis erklärbar. Die Branche nennt solche frei erfundenen Angaben Halluzinationen und behandelt sie meist als Kinderkrankheit: mehr Daten, besseres Training, feinere Filter, dann verschwinde das schon. Warnke widerspricht fundamental. Halluzinationen sind seiner Lesart nach kein Bug, sondern eine zwangsläufige Folge der Bauweise. Ein System, das Bedeutung ausschließlich aus statistischen Sprachmustern ableitet und keinen Kontakt zur Wirklichkeit hat, kann gar nicht zwischen wahr und falsch unterscheiden. Es unterscheidet nur zwischen wahrscheinlicheren und unwahrscheinlicheren Textfortsetzungen. Ein erfundenes, aber plausibel klingendes Kaffeehaus ist sprachstatistisch genauso korrekt wie ein echtes. Die Maschine hat keinen Weg, den Unterschied zu kennen.

Was fehlt, ist das, was die Kognitionswissenschaft Grounding nennt (die Verankerung von Sprache in tatsächlicher Welterfahrung). Menschen lernen Sprache am eigenen Leib: durch Berühren, Scheitern, Fühlen, im Gespräch mit anderen. Ein LLM hat diese Verankerung nicht. Seine Begriffe existieren nur als statistische Beziehungen innerhalb seines Trainingstextes, ein geschlossenes Sprachuniversum ohne Fenster nach draußen.

Warnke treibt dieses Bild auf die Spitze mit einer Analogie zur jüdischen Kabbala, der mittelalterlichen Tradition der Textauslegung. Die Kabbalisten behandelten heilige Texte als geschlossenes Zeichensystem, dessen verborgene Bedeutung sich durch interne Operationen erschließen ließ, Buchstabenwerte, Permutationen, überlagerte Schichten. Bedeutung entstand aus Struktur und Kombination, nicht aus dem Bezug zur Außenwelt. Genau so, sagt Warnke, erzeugen LLMs Sinn-Anschein aus Struktur. Die Parallele ist als Denkbild gemeint, nicht als historische Behauptung, aber sie trifft einen Nerv.

Die Gegenrede, vielleicht reicht das ja

An dieser Stelle könnte man das Buch zuklappen und sich beruhigt zurücklehnen: alles nur ein Trick. Doch so einfach ist es nicht, und ein ehrlicher Artikel muss die starke Gegenposition mindestens ebenso ernst nehmen.

Der Bonner Philosoph Markus Gabriel liefert dafür ein elegantes Argument. Die Skeptiker, sagt er, berufen sich gern auf den alten Satz: Die Landkarte ist nicht das Gebiet. Ein Modell der Welt ist eben nicht die Welt. Stimmt, manchmal. Aber, kontert Gabriel: Ein Modellflugzeug fliegt im genau gleichen physikalischen Sinne wie ein echtes Flugzeug. Beide erzeugen Auftrieb nach denselben aerodynamischen Prinzipien. Das Modell ist kleiner und aus anderem Material, aber es fliegt wirklich. Wenn nun ein KI-System einen Gedanken hervorbringt, der sich in seinen Wirkungen nicht von einem menschlichen Gedanken unterscheiden lässt, worin genau besteht dann der prinzipielle Unterschied?

Gabriel behauptet nicht, dass KI bereits denkt. Er dreht die Beweislast um: Wer behauptet, menschliches Denken sei kategorial anders, muss erklären, was genau anders ist, und diese Erklärung darf nicht bei „es besteht halt aus Silizium statt aus Neuronen“ stehenbleiben.

Wenn Maschinen Probleme lösen, die Menschen Jahrzehnte beschäftigten

Das stärkste Argument der Optimisten ist allerdings kein philosophisches, sondern ein bereits eingelöstes Versprechen. AlphaFold, ein System der Google-Tochter DeepMind, hat ein biochemisches Rätsel gelöst, an dem die Forschung Jahrzehnte gearbeitet hatte: die Vorhersage, wie sich ein Protein aus seiner Aminosäuresequenz dreidimensional faltet. Inzwischen sind Millionen solcher Strukturen vorhergesagt und frei zugänglich, ein Beschleuniger für Medikamentenentwicklung und Grundlagenforschung.

Der Witz daran: AlphaFold „versteht“ Proteine nicht im menschlichen Sinne. Es findet Strukturen in Daten, die empirisch korrekte Vorhersagen erlauben. Für die Optimisten ist das der Beweis, dass die Skeptiker-Frage („versteht die KI wirklich?“) für den praktischen Nutzen schlicht irrelevant sein kann. Ähnliches zeigt sich in der Materialforschung, wo KI neue Stoffe vorschlägt, bevor sie im Labor existieren, und in der Softwareentwicklung, wo Werkzeuge wie Claude Code bereits heute substanzielle Teile der Programmierarbeit übernehmen. Hier ist der Effizienzgewinn kein Zukunftsversprechen, sondern messbarer Alltag.

Das gemeinsame Argument der Optimisten lautet: Die Skeptiker verwechseln den heutigen Stand mit einer prinzipiellen Grenze. Jede behauptete Schranke, „KI kann keine Proteine falten“, „KI kann nicht programmieren“, sei bisher entweder gefallen oder bröckle. Beweisbar ist das nicht. Aber ernstzunehmen schon.

Drei Antworten auf die Frage, was KI ist
Im Fachstreit lassen sich grob drei Lager unterscheiden, und es lohnt, sie auseinanderzuhalten, bevor wir die Frage gleich ganz anders stellen:

Die Skeptiker (etwa Warnke, Bender, der Linguist Noam Chomsky) halten Sprachmodelle für prinzipiell beschränkt. Zwischen statistischer Mustererkennung und echtem Verstehen liege eine Architekturgrenze, die auch mehr Daten nicht überwinden können. Es sei kein Mengen-, sondern ein Bauplanproblem.

Die Emergenz-Theoretiker (dominant in den großen KI-Laboren) setzen auf Emergenz (das Auftauchen qualitativ neuer Fähigkeiten oberhalb bestimmter Größenschwellen), die Hoffnung, dass bloße Mustererkennung bei genügend Komplexität in echtes Schlussfolgern umschlägt. Schwäche der Position: schwer widerlegbar, weil sich jede künftige Entwicklung als Beleg verbuchen lässt.

Die World-Model-Fraktion (prominent: Yann LeCun) findet Sprachmodelle beeindruckend, aber für eine Sackgasse. Echte Intelligenz brauche ein kausales Weltmodell, ein Verständnis davon, was Handlungen in der Welt bewirken. Die Zukunft liege nicht in größeren Sprachmodellen, sondern in Systemen, die in der physischen Welt verankert sind, notfalls über Robotik.

Der Streit lässt sich nicht durch mehr Daten entscheiden. Er ist eine echte, offene Grundsatzfrage, und genau deshalb führt der nächste Abschnitt sie aus einer anderen Richtung an.

Die Wende: Es geht vielleicht gar nicht um Intelligenz

Und hier kommt die womöglich wichtigste Verschiebung der ganzen Debatte, eine, die Marlenes Zwiespalt auflöst und den scheinbar unentscheidbaren Streit zwischen Skeptikern und Optimisten entschärft.

Solange wir fragen „Ist die KI intelligent? Versteht sie wirklich?“, bleiben wir in einer Schleife gefangen, aus der keine Seite den anderen heraushebeln kann. Aber was, wenn das die falsche Frage ist? Genau das ist die These einer bemerkenswerten Selbstkorrektur, die zunehmend von Praktikern wie von Geisteswissenschaftlern geteilt wird: Der eigentliche Witz der Sprachmodelle sei nicht neurophysiologisch, sondern linguistisch. Es geht nicht um den Grad der Intelligenz, sondern um Sprache.

Der Gedankengang ist elegant. Tiere haben durchaus eine Form von Sprache, aber es sind Appelle: Warnrufe, Ausdruck von Freude oder Gefahr, an die unmittelbare Situation gebunden. Was Tieren fehlt, ist Sprache im menschlichen Sinn: die Fähigkeit, sich abends hinzusetzen und zu reflektieren, was gestern schieflief und was übermorgen zu planen ist. Diese Ablösung der Sprache von der Situation, die Möglichkeit zu Reflexion, Planung und Wissensweitergabe, ist der eigentliche Sprung in der menschlichen Evolution.

Die kühne Pointe, so würden Warnke und verwandte Autoren argumentieren: Der Schritt vom klassischen Computer zum Sprachmodell sei ein Sprung von vergleichbarer kultureller Tragweite wie der vom Affen zum Menschen. Nicht, weil die Maschine einen IQ-Sprung gemacht hätte, den gab es nicht. Sondern weil sie sprachfähig wurde im reflexiven Sinn. So wie der Übergang zur Sprache die menschliche Zivilisation umwälzte, ohne dass sich die neuronale Grundausstattung kategorial gewandelt hätte, so verändert maschinelle Sprachfähigkeit alles, ganz ohne dass „echte Intelligenz“ vorliegen müsste.

Das ist die Brücke über Marlenes Widerspruch. Der Skeptiker hat recht: Die Maschine versteht nicht, sie hat keine Welt, sie halluziniert von Bauart wegen. Und gleichzeitig hat der Optimist recht: Der Absatz über das Wiener Kaffeehaus war brillant, und das Werkzeug, das ihn schrieb, verändert Marlenes Beruf schon heute. Beides stimmt, weil der Durchbruch ein sprachlicher ist, und Sprache als Werkzeug der Reflexion und Koordination bereits genügt, um reale Wirkung zu entfalten. Man muss nicht denken können, um nützlich zu sein. Man muss Sprache beherrschen.

Diese Verschiebung entkoppelt zwei Fragen, die zuvor verschmolzen waren. Die spekulative Frage, ob jemals autonome Intelligenz kommt und die Billionen-Wette aufgeht, bleibt offen. Die praktische Frage, ob KI heute schon die Wirtschaft verändert, ist bereits mit einem klaren Ja beantwortet.

Die Billionen-Wette

Verlassen wir die Philosophie und folgen dem Geld. Hier wird es konkret, und hier verschiebt sich die abstrakte Streitfrage in eine sehr handfeste: Geht die Wette auf?

Die Ausgangsbeobachtung aus kapitalmarktnaher Sicht ist ernüchternd nüchtern. Die gigantischen Investitionen in KI (Chips, Rechenzentren, Energie, Modelltraining) und die astronomischen Börsenbewertungen der beteiligten Konzerne rechnen sich nur unter einer Bedingung: dass KI nicht bloß ein nützlicher Assistent ist, der Menschen schneller macht, sondern ein Substitut, das ganze Berufsgruppen ersetzt. Ein gutes Hilfswerkzeug rechtfertigt keine Bewertungen in Billionenhöhe. Eine Maschine, die eigenständig denkt, plant und handelt, schon.

Diese Substitution aber setzt genau den Sprung voraus, den die Skeptiker für unmöglich halten: den Übergang von statistischer Mustererkennung zu echtem Schlussfolgern. Fachleute nennen das die bereits erwähnte Hoffnung auf Emergenz. Die Pointe ist messerscharf: Die Börse hat diese Frage faktisch bereits beantwortet, indem sie auf Emergenz gesetzt hat. Die Wissenschaft hat sie nicht beantwortet. Diese Lücke zwischen Kapitalmarkterwartung und wissenschaftlicher Unsicherheit ist das eigentliche Risiko.

Wir haben das schon einmal gesehen

Es lohnt sich, an IBM Watson zu erinnern, das vor gut zehn Jahren als revolutionäre KI vermarktet wurde, die Krebsdiagnosen und juristische Analysen liefern sollte. Milliarden flossen, die Erwartungen waren gewaltig. Heute spricht kaum noch jemand davon. Die Geschichte der KI ist eine Geschichte von Hype-Zyklen: Jede Generation neuronaler Netze wurde als der endgültige Durchbruch gefeiert. Das schließt nicht aus, dass es diesmal anders ist. Es verpflichtet aber zur Skepsis.

Hinzu kommt ein strukturelles Warnsignal: Ob sich die enormen Investitionen langfristig durch Gewinne decken lassen, ist weiterhin umstritten. Die laufenden Inferenzkosten (der Energie- und Rechenaufwand bei jeder einzelnenNutzeranfrage) sind enorm und derzeit kaum durch Einnahmen gedeckt. Die führenden Anbieter verbrennen Kapital in der Erwartung künftiger Monopolgewinne. Passend dazu fällt auf, dass Investoren derzeit fast nur noch Rechenzentren bauen, möglicherweise die nächste Blase. Dahinter steht ein physischer Engpass, der lange unterschätzt wurde: Energie. Der Betrieb großer Modelle braucht Strom in der Größenordnung mittlerer Industriestädte. Energie verbindet damit ökologische Kritik, Blasenfrage und Geopolitik zu einem einzigen Knoten.

Wachstumsstory oder Überlebenskampf?

Aufschlussreich ist hier eine Unterscheidung, die in der öffentlichen Debatte fast immer fehlt. Es gibt nämlich zwei völlig verschiedene wirtschaftliche Lesarten von KI, und für beide sprechen gute Gründe.

These A, The Next Big Thing. KI ist das nächste große Plattformphänomen. In jedem Bereich, Medizin, Recht, Programmierung, entsteht ein dominanter Anbieter, der dank Netzwerkeffekten und Datenvorsprung monopolartige Gewinne einfährt, so wie es Google und Amazon im Internetzeitalter vorgemacht haben. Wenn das stimmt, sind die heutigen Bewertungen nicht zu hoch, sondern vielleicht zu niedrig. Diese Lesart setzt allerdings genau die Substitution voraus, und damit den Emergenzsprung, den die Skeptiker bestreiten.

These B, Überlebenskampf der Digitalwirtschaft. Diese Lesart ist kontraintuitiv und gerade deshalb so interessant. Sie beginnt mit dem, was die Digitalisierung mit analogen Gütern gemacht hat: Sobald ein Buch, ein Lied, ein Film digital vorlag, sank sein Wert, weil es unbegrenzt kopierbar wurde. Digitalisierung gleich Entwertung gleich Wertverlust des Einzelexemplars. Spotify hat jedes einzelne Lied billiger gemacht, weil alle Musik jederzeit verfügbar ist.

Und jetzt richtet KI denselben Mechanismus auf digitale Inhalte selbst. Ein YouTube-Video, für das ein Mensch eine Woche braucht, erzeugt eine KI in einer Sekunde tausendfach. Bücher entstehen an einem Tag statt in Jahren. Das gesamte Geschäftsmodell des heutigen Internets, Suchmaschinen, Content-Wirtschaft, Online-Werbung, beruht aber auf der Knappheit hochwertiger Inhalte. Wenn KI nun unendliche Mengen plausibel klingender Texte und Bilder ausspuckt, werden die Algorithmen, die einst das Relevante vom Belanglosen trennten, dysfunktional. Die Suchergebnisse quellen über.

In dieser Lesart investieren Google, Microsoft und Meta nicht aus Wachstumsgier in KI, sondern weil sie keine Wahl haben: Wer die Technologie nicht selbst beherrscht, dessen bisheriges Geschäftsmodell wird von anderen zerstört. Die Milliarden fließen in einen Abwehrkampf. Und die bittere Konsequenz: Selbst wenn KI technisch vollständig gelingt, müssen daraus keine hohen Renditen folgen, weil alle Wettbewerber dieselben Werkzeuge haben und sich die Gewinne gegenseitig wegkonkurrieren.

Beide Thesen sind möglich, und die wirtschaftliche Zukunft der KI hängt nicht zuletzt davon ab, welche sich durchsetzt. Festhalten lässt sich aber bereits, was die Wende von vorhin gezeigt hat: Der reale Nutzen hängt nicht am Ausgang dieser Wette. Sprache als Werkzeug zum Reflektieren, Koordinieren und Beschleunigen genügt schon, um Arbeit messbar effizienter zu machen, ganz ohne künstliche Vernunft. Die skeptische Diagnose (kein Verstehen, kein Weltbezug) und die Beobachtung realer Veränderung schließen sich nicht aus. Sie beschreiben dasselbe Phänomen aus zwei Blickwinkeln.

Was sich real verändert, ein Blick aufs Praktische

Wenn man die offene Zukunftswette beiseitelegt und nur das betrachtet, was jetzt schon passiert, ergibt sich ein konkretes Bild. Hier die wichtigsten Verschiebungen, die Sie im Auge behalten sollten.

Die Automatisierung trifft erstmals die Mittelschicht. Anders als frühere Wellen wendet sich diese gegen Wissensarbeit mit sprachlichem Kern, Texten, Übersetzen, Recherchieren, Programmieren, Dokumentieren. Körperliche Berufe wie Handwerk und Pflege sind weit weniger exponiert. Die entscheidende Frage ist nicht obTätigkeiten verschwinden, sondern ob das Tempo der Veränderung schneller ist als die Anpassungsfähigkeit von Arbeitsmärkten und Bildungssystemen.

Das Geschwindigkeitsgefälle ist regulatorisch. Verschiedenen Erhebungen zufolge sind in den USA bereits deutlich mehr Arbeitsplätze mit KI-Assistenten in Berührung gekommen als in Europa. Der wahre Unterschied liegt aber womöglich nicht im Grad der Verbreitung, sondern in der Anpassungsgeschwindigkeit, und die hängt an Arbeitsrecht und regulatorischen Rahmenbedingungen. Wo Unternehmen ihre Strukturen schnell umbauen können, vollzieht sich die Transformation dynamischer. Für Europa fällt die Einschätzung oft pessimistisch aus: Zwar gibt es Anbieter wie Mistral oder Aleph Alpha und eine lebendige Open-Source-Szene, doch eine mit OpenAI, Anthropic oder Google vergleichbare Frontier-Modell-Position fehlt bislang, ebenso wie Energie und Hardware im nötigen Umfang.

Das Comeback des Analogen. Hier wird es kultursoziologisch spannend, und für Marlene aus dem Einstieg unmittelbar relevant. Wenn KI perfekte Imitate in Echtzeit produziert (gefälschte Interviews, KI-generierte Hochzeitsreden, automatische Geburtstagsgrüße), dann schwindet die Unterscheidbarkeit von Original und Fälschung. Und genau dadurch wird Echtheit zum knappen Gut. Ein Vortrag vor Ort, ein handgeschriebener Brief, ein Gespräch von Angesicht zu Angesicht gewinnen an Wert, nicht obwohl, sondern weil es sich nicht digital replizieren lässt. Das schwer Fälschbare wird zur Qualitätssignatur. Die alte Digitalisierungslogik, digital ist besser, weil billiger und skalierbarer, kehrt sich um.

Möglicherweise eine Reindustrialisierung. Daraus ergibt sich ein vorsichtig optimistischer Gedanke: Wenn „alles, was sich digitalisieren lässt, von KI angegriffen wird“, könnte mehr Wertschöpfung wieder in der physischen, produzierenden Industrie landen, weil das schwer Digitalisierbare relativ an Wert gewinnt. Das könnte Standorten wie Deutschland, der Schweiz oder Japan zugutekommen. Einschränkend gilt: Auch im produzierenden Gewerbe bricht derzeit vieles weg. Doch als makroökonomisches Spiegelbild des „Comeback des Analogen“ ist der Gedanke aufschlussreich.

Mensch plus KI statt Mensch oder KI. Die spannendste Frage lautet vielleicht gar nicht, ob die Maschine den Menschen ersetzt, sondern: Welche Aufgaben kann weder Mensch allein noch KI allein gut lösen, sondern nur beide zusammen? KI ist stark bei Skalierung, Mustererkennung und Gedächtnis. Der Mensch ist stark bei Zielsetzung, Urteil unter Unsicherheit, Verantwortung und, genau, Weltbezug. In der Medizin erkennt KI subtile Anomalien im Bild zuverlässiger, während Diagnose, Patientengespräch und Verantwortung beim Arzt bleiben. Die Kollaborationskompetenz, die Fähigkeit, gute Fragen zu stellen, KI-Ergebnisse kritisch zu prüfen und maschinelles mit menschlichem Urteil zu verbinden, könnte die zentrale Qualifikation der kommenden Jahrzehnte werden.

Was wir wissen, und was nicht

Damit aus all dem kein Brei wird, hilft eine saubere Trennung zwischen gesichertem Befund und offener Streitfrage. Diese Sortierung ist vielleicht das Nützlichste, was man aus der ganzen Debatte mitnehmen kann.

Weitgehend einig ist man sich darüber, dass LLMs halluzinieren, dass sie kein verlässliches Faktenmodell besitzen, dass sie die Produktivität in vielen Wissensberufen messbar steigern, dass Daten und Rechenleistung knappe, machtentscheidende Ressourcen sind und dass der Energiebedarf stark wächst.

Kein Konsens besteht dagegen über die großen Fragen: ob, wann und in welcher Definition eine allgemeine künstliche Intelligenz (AGI) erreichbar ist; ob durch Skalierung jemals echtes Schlussfolgern entsteht; ob KI unterm Strich Arbeitsplätze vernichtet, kompensiert oder nur umverteilt; und ob fortgeschrittene Systeme eines Tages ein ernsthaftes Kontrollrisiko darstellen. Das sind keine Wissenslücken, die sich bald schließen. Es sind die aktiven Forschungsfronten selbst.

Schon das Wort AGI ist ein Beispiel für die Verwirrung. Je nach Definition könnte sie nie kommen (wenn man echtes Verstehen voraussetzt), in zwanzig Jahren kommen (wenn man Generalisierungsfähigkeit meint) oder in Teilbereichen längst existieren (wenn man rein die wirtschaftliche Ersetzbarkeit von Tätigkeiten betrachtet). Wer über AGI redet, ohne zu sagen, welche der drei Bedeutungen er meint, redet an der Sache vorbei.

Was gelingen könnte, wenn es gelingt

Bei aller gebotenen Skepsis lohnt der Blick auf die andere Seite der Wette, denn dort, wo KI als Erkenntnisinstrumentarbeitet, greift das Grounding-Problem ohnehin ins Leere. Hier muss die Maschine die Welt nicht verstehen; sie muss in riesigen Datenräumen Strukturen finden, die empirisch gültige Vorhersagen erlauben. Und genau das kann sie.

AlphaFold war erst der Anfang. In der Materialforschung schlagen Modelle neue Verbindungen vor, bevor sie je im Labor existiert haben, Kandidaten für bessere Batterien, Katalysatoren oder Supraleiter, die menschliche Heuristik kaum gefunden hätte. In der Medizin verkürzt KI die Wirkstoffsuche drastisch und erschließt Zusammenhänge in genomischen und klinischen Daten, für die menschliche Teams Jahre bräuchten. In der Klimaforschung liefern lernende Modelle Wettervorhersagen und Simulationen, die klassische Verfahren an Tempo und teils an Genauigkeit übertreffen. In der Grundlagenwissenschaft und Mathematik werden Systeme zum Suchscheinwerfer in Lösungsräumen, die jede einzelne Forscherin überfordern würden.

Das ist kein Papagei mehr, und es hängt nicht am Ausgang der Emergenzfrage. Diese Werkzeuge nützen jetzt schon, ganz gleich, ob die Maschine je „wirklich“ denkt. Wenn auch nur ein Teil dieser Linien hält, was sich abzeichnet, könnte die KI zur produktivsten wissenschaftlichen Hilfskraft werden, die die Menschheit je hatte: nicht als Ersatz des forschenden Geistes, sondern als sein Verstärker.

Ein offenes Ende

Kehren wir zu Marlene zurück. Sie hat ihr erfundenes Kaffeehaus gelöscht, den Rest des Textes behalten und ist um eine Erfahrung reicher. Sie weiß jetzt, dass die Maschine, die sie gerade staunen ließ, nichts versteht, und dass das für ihre Arbeit weniger relevant ist, als sie dachte. Die KI macht sie schneller. Sie macht sie nicht überflüssig, solange jemand das erfundene Kaffeehaus erkennt. Die Frage ist nur, wie lange diese Erkennungsleistung selbst noch knapp, und damit wertvoll, bleibt.

Vielleicht ist das die eigentliche Verschiebung, die wir gerade erleben: Die alles entscheidende Frage ist nicht mehr „Denkt die Maschine?“. Diese Frage ist faszinierend, aber für unseren Alltag womöglich folgenlos. Die produktivere Frage lautet: „Was verändert sie real, und zwar schon jetzt, ganz unabhängig von der Antwort auf die erste?“ Genau darauf zielt die Lesart der Wende: Der Durchbruch liege im Erwerb von Sprache, nicht im Erwerb von Intelligenz, und Sprache genüge bereits, um die Welt zu verändern. Eine starke These, kein Konsens; aber eine, die den Blick auf das Wesentliche lenkt.

Und daran schließt sich eine letzte, unbequemere Frage an. Wenn das mühelos Reproduzierbare an Wert verliert und das schwer Fälschbare gewinnt, das persönliche Gespräch, die körperliche Präsenz, das Original mit Geschichte, dann stellt KI uns am Ende eine sehr alte Frage in neuer Schärfe: Was an unserem Tun ist eigentlich unvertretbar? Was bleibt übrig, wenn man alles wegnimmt, was sich in einer Sekunde tausendfach erzeugen lässt?

Vielleicht ist genau das die wertvollste Nebenwirkung dieser ganzen Umwälzung: dass sie uns zwingt, diese Frage endlich ernst zu nehmen.

---

Literatur und Quellen

Primärquellen

• Martin Warnke: Large Language Kabbala. Eine kleine Geschichte der Großen Sprachmodelle. Matthes & Seitz Berlin (Reihe „Fröhliche Wissenschaft“, Bd. 265), Januar 2026, 152 S., ISBN 978-3-7518-3060-7.
• Emily M. Bender, Timnit Gebru u. a.: On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?In: Proceedings of FAccT 2021.

Weitere Positionen

• Markus Gabriel: Der Sinn des Denkens. Ullstein, Berlin 2018, zur These, dass maschinelles Rechnen menschliches Denken nicht nachbildet. Aktuell und ganz auf KI fokussiert: Ethische Intelligenz. Wie uns KI moralisch weiterbringen kann. Ullstein, Berlin 2026.
• Yann LeCun: A Path Towards Autonomous Machine Intelligence (2022), zur World-Model-Position.
• John Jumper u. a. (Google DeepMind): Highly accurate protein structure prediction with AlphaFold. In: Nature 596 (2021).