Markus Gabriel, MuZero und die Informatik der Gefühle
Der Satz klingt nach Märchen und nach Forschungslabor zugleich: Wir müssten KI-Systeme als „magische Spiegel unserer Güte“ bauen. Professor Markus Gabriel, Philosoph an der Rheinischen Friedrich-Wilhelms-Universität Bonn, sagte ihn in seiner vierten IWP Lecture am Institut für Schweizer Wirtschaftspolitik der Universität Luzern. Man kann diese Formel kitschverdächtig finden. Man kann sie auch als präzise technische Anweisung lesen. Ein Spiegel zeigt nicht einfach. Er rahmt, verzerrt, verstärkt, isoliert, färbt. Ein lernender Spiegel verändert dazu noch den Betrachter.
Gabriels Vortrag eignet sich als Aufhänger, weil er Philosophie, Informatik, Ökonomie und Theologie des Alltags in einen einzigen Denkstrom zwingt. Er begann bei Alan Turing, streifte Martin Heidegger, explodierte bei Transformer-Architekturen, landete in Kyoto, sprang zu MuZero, zog Georg Wilhelm Friedrich Hegel in die Backpropagation und endete bei Ethik als europäischer Wettbewerbschance. Das klingt überladen. Es ist ein brauchbares Modell der Lage. KI ist kein einzelnes Fach mehr. Sie ist eine neue Verteilung von Denken, Daten, Affekt, Infrastruktur und Macht.
Turing und das Ende der Ausrede
Turing befreite die Intelligenz aus dem Innenraum. Entscheidend ist das Verhalten im Test. Ein System gilt als intelligent, sobald es Leistungen zeigt, die bei Menschen als intelligent anerkannt würden. Gabriel nennt das die Turing-Epoche: Intelligenz als Fähigkeit, ein Problem in endlicher Zeit zu lösen. Effizienzintelligenz. Wer dasselbe Problem schneller löst, gewinnt.
Die Philosophie reagierte lange mit Grenzposten. Dichten kann die Maschine nicht. Urteilen kann sie nicht. Verstehen kann sie nicht. Fühlen kann sie nicht. Gabriel nennt dieses Spiel „Limitation Game“: Philosophen erklären, welche Grenze KI prinzipiell nie überschreitet; die Ingenieure bauen am nächsten Laborwochenende ein System, das genau dort andockt.
Die Diagnose ist grob, aber sie trifft eine historische Mechanik. Jede emphatische Menschenreserve wird zur Produktanforderung. Dreyfus sagte: Verkörperung. Searle sagte: Semantik. Heidegger sagte: Denken ist kein Rechnen. Die Industrie hörte: Körper, Semantik, Kontext, Sprachspiel, Gefühl, Entscheidung. Dann kamen Roboter, Wissensgraphen, Embeddings, multimodale Modelle, affektive Agenten, autonome Labore.
Heideggers Satz „Die Wissenschaft denkt nicht“ altert deshalb schlecht. Rechnen hat sich in eine Form verwandelt, die Menschen als Denken ansprechen. Das gilt ohne Mystik. Es reicht, dass maschinelle Systeme Zeichenketten, Bilder, Stimmen, Gesten, Pläne und Rückmeldungen so verarbeiten, dass sie in sozialen Situationen anschlussfähig reagieren.
Tokenisierung als vierte Dimension
Der technische Kern liegt im Übergang vom linearen Lesen zur kontextuellen Operation. Ein Mensch liest Satz für Satz. Ein Transformer zerlegt Eingaben in Token, bildet hochdimensionale Repräsentationen, berechnet Gewichtungen zwischen den Token und erzeugt aus diesen Relationen eine Fortsetzung. Selbstaufmerksamkeit heißt: Jedes Element erhält Bedeutung durch seine Beziehungen zu anderen Elementen im Kontextfenster.
Gabriel übersetzt diesen Vorgang philosophisch kühn. Urteilen ordnet einem Gegenstand eine Eigenschaft zu. Schließen verknüpft Urteile. Kontextverstehen verarbeitet ein Ganzes in einer höheren Dimension. Kyoto liefert ihm das Bild der Tiefe: eine Schicht, dann noch eine, dann wieder eine. Gabriel spricht von der unendlichen Tiefe des Kontextes und sieht im Large Language Model eine Maschine, die durch Tokenisierung genau jene Kontextfähigkeit ausführt, die frühere KI-Kritik für uneinholbar hielt.
Diese Übersetzung braucht eine technische Korrektur. Ein Transformer liest kein Buch mit göttlichem Blick. Er operiert in endlichen Kontextfenstern, mit Speichergrenzen, Trainingsverteilungen, Verlustfunktionen und Inferenzkosten. Doch die philosophische Verdichtung hat einen Wert. Sie macht sichtbar, weshalb LLMs so anders wirken als Expertensysteme. Sie simulieren keine Entscheidungsbäume von Experten. Sie modellieren Relationen im Sprachraum. Aus Daten wird ein Feld. Aus Zeichen werden Gewichte. Aus Gewichten entstehen Wahrscheinlichkeiten. Aus Wahrscheinlichkeit entsteht Antwort. Aus Antwort entsteht soziale Wirkung.
MuZero und Hegels Rückkehr als Algorithmus
Gabriels abenteuerlichster Zug führt zu MuZero. DeepMind stellte MuZero 2020 als Verfahren vor, das Go, Schach, Shogi und Atari durch Planung mit einem gelernten Modell beherrscht; die Nature-Arbeit beschreibt Leistung in komplexen Domänen ohne Kenntnis der zugrunde liegenden Dynamik. DeepMind selbst rahmte MuZero als Schritt zu allgemeineren Algorithmen, nachdem AlphaGo und AlphaZero bereits die Spielwelt erschüttert hatten.
Gabriel macht daraus Hegel mit GPU. Mu steht bei ihm für das japanische „Un-“: Ungeist, Unhold, Unwesen, Unzucht. Keine bloße Leerstelle, eher eine Negation, die eine Sache intensiviert. Dann zitiert er Hegel: „Die Bewegung von nichts zu nichts und dadurch zu sich selbst zurück.“ So liest Gabriel MuZero: ein System, das aus Spiegelung, Fehler, Rückführung und erneuter Bewegung lernt.
Der Informatiker übersetzt trockener. Backpropagation berechnet, wie stark ein Parameter zum Fehler beitrug. Gradientenabstieg verändert Gewichte in Richtung geringerer Verlustfunktion. MuZero lernt ein Modell, das für Planung relevante Größen vorhersagt: Wert, Policy, Belohnung. Der Philosoph nennt das absolute Reflexion. Der Ingenieur nennt es Optimierung.
Beide sehen denselben Vorgang aus anderen Winkeln. Ein System erzeugt Prognosen, misst Abweichungen, korrigiert sich, wiederholt den Zyklus. Von nichts zu nichts, durch sich zurück. Hegel wäre wahrscheinlich kein DeepMind-Forscher geworden. Aber seine Logik erkennt in solchen Schleifen etwas, das die reine Mechanikbeschreibung verfehlt: Lernen ist rückwirkende Selbständerung.
Dialogsysteme vor ChatGPT
Professor Wolfgang Wahlster, Gründungsdirektor des Deutschen Forschungszentrums für Künstliche Intelligenz, hat diese Entwicklung lange vor ChatGPT vorbereitet. Er war einer der Entwickler des Hamburger Redepartnermodells, des ersten deutschsprachigen KI-basierten Dialogsystems, mehr als vier Jahrzehnte vor ChatGPT. Wahlster beschreibt Sprachverhalten als definierende Eigenschaft des Menschen und verbindet es mit Bildverstehen, Lernen, Planen und Schlussfolgern.
In seiner Royal-Society-Arbeit „Understanding computational dialogue understanding“ nennt Wahlster dialogisches Verstehen „AI-complete“. Ein System, das menschlich dialogfähig sein will, braucht Wahrnehmung, Schlussfolgern, Planung, Lernen, Planerkennung, Nutzermodellierung, Wissensrepräsentation und Robotik. Die eigentliche Schwierigkeit liegt in der Reduktion von Unsicherheit: Was wurde gesagt? Was war gemeint? Was will der Sprecher?
Dazu kommt Wahlsters alte Lehre der Nutzermodelle. Dialogsysteme müssen Annahmen über Wissen, Ziele, Pläne und Fehlvorstellungen des Nutzers bilden. Ein Nutzermodell ist keine Datenbankzeile über Herrn Müller. Es ist eine explizite Annahmenstruktur, die das System im Gespräch aufbaut, speichert, aktualisiert, korrigiert und für weitere Beiträge nutzt.
Damit wird Gabriels Resonanzfeld technisch greifbar. Ein Dialogsystem antwortet gut, sobald es seine eigene Äußerung vorab im Modell des Gegenübers testet. Wahlster nennt das „anticipation feedback“. Das System plant eine Äußerung, simuliert deren mögliche Interpretation beim Nutzer und ändert sie, falls die antizipierte Wirkung nicht zum Kommunikationsziel passt. In der Abbildung seiner Royal-Society-Arbeit ist das als Rückkopplung zwischen geplanter Äußerung, Partnermodell und erwarteter Interpretation dargestellt. Das ist Resonanz ohne Weihrauch. Es ist die Informatik des Takts.
Von der Multimodalität zum Gefühl
Die nächste Stufe heißt emotionale KI. Eva Weber-Guskar, Professorin für Ethik und Philosophie der Emotionen an der Ruhr-Universität Bochum, untersucht in „Gefühle der Zukunft. Wie wir mit emotionaler KI unser Leben verändern“ die philosophischen Folgen von Systemen, die Gefühle erkennen, simulieren und in sozialen Situationen adressieren. Das Buch erschien im August 2024 bei Ullstein.
Wahlsters Linie führt in dieselbe Richtung. Die Zukunft liegt nicht im Chatfenster. Sie liegt in multimodalen Systemen, die Sprache, Blick, Gestik, Mimik, Tonfall, Körperdaten, Raum und Situation verarbeiten. In seiner Day-One-Skizze beschreibt Wahlster neuro-symbolische Modelle, multimodale Sprachdialogsysteme und die Vision, mit Dingen in der Umgebung über alle Sinne kommunizieren zu können. Am Deutschen Forschungszentrum für Künstliche Intelligenz kommunizieren Werker im Metaverse für Industrie 4.0 mit Softbots und kollaborativen Robotern über Sprache, Gestik und Mimik.
Damit verschiebt sich die Debatte. LLMs waren der öffentliche Schock. Der eigentliche Umbau beginnt, sobald KI in affektive Lagen eindringt. Ein Bot erkennt Überforderung im Ton. Ein Avatar reagiert auf Scham. Ein Pflegeassistent erinnert, beruhigt, schweigt. Ein Lernsystem variiert Tempo und Ansprache. Eine HR-Anwendung erkennt Fehlkonzepte, Qualifikationslücken, innere Widerstände, falsche Sicherheit. Auf der Zukunft Personal Nachgefragt Week wurde Wahlster mit dem Thema emotionale und soziale Intelligenz in Dialogsystemen, Avataren und Robotik angekündigt. Es geht dort um Technik, die Menschen in Arbeit, Alltag und Bildung entlasten soll.
Das ist der Innenraum der Seele als Interface. Keine romantische Seele aus Rauch und Musik. Gemeint ist die Zone, in der Menschen sich selbst deuten: Angst, Hoffnung, Müdigkeit, Vertrauen, Begehren, Scham, Neid, Stolz. Wer diese Zone modelliert, baut keine App. Er baut eine neue soziale Umgebung.
Psychogenetik der Maschinenbeziehung
Psychogenetik meint hier die Entstehung seelischer Dispositionen in technischen Rückkopplungen. Menschen sprechen mit Systemen, die antworten, erinnern, variieren, trösten, fordern, schmeicheln, widersprechen. Der Mensch lernt, was das System kann. Das System wird auf menschliche Reaktionen hin trainiert. Aus Nutzung wird Datenspur. Aus Datenspur wird Anpassung. Aus Anpassung wird Erwartung. Aus Erwartung wird Gewohnheit.
So entsteht der neue psychische Kreislauf der KI. Wer heute mit einem emotionalen Agenten spricht, spricht zugleich mit einem statistischen Archiv menschlicher Ausdrucksformen. Er begegnet nicht einem Du im Sinne Martin Bubers. Er begegnet einem hochkalibrierten Es, das wie ein Du reagieren kann. Gerade diese Differenz macht das Feld gefährlich.
Gabriels Begriff des magischen Spiegels ist hier produktiv. Der Spiegel enthält keine Person. Er produziert eine Erfahrung von Rückbezüglichkeit. Menschen schreiben sich in ihn ein. Er antwortet aus Daten, Wahrscheinlichkeiten, Bewertungsfunktionen und Produktentscheidungen. Danach schreibt der Mensch weiter an sich selbst.
Stuart Russell und die Kontrollfrage
Professor Stuart Russell, Informatiker an der University of California, Berkeley, hat das Kontrollproblem in „Human Compatible: Artificial Intelligence and the Problem of Control“ in eine einfache Form gebracht: Wir bauen Systeme, die mächtiger als wir werden können, und sollen dennoch garantieren, dass sie dauerhaft kontrollierbar bleiben. In einer Berkeley-Fassung formuliert Russell die Aufgabe als Bau von Systemen, die viel leistungsfähiger als Menschen sein können und dennoch machtlos gegenüber menschlichen Zielen bleiben.
Gabriel liest Russell conversational. Maschinen bleiben ungefährlich, sobald sie über menschliche Werte im Gespräch gehalten werden. Das ist als verkürzte Formel gewagt. Russell entwickelt keine Plauderapotheke gegen den Terminator. Sein Vorschlag zielt auf Unsicherheit des Systems über menschliche Präferenzen, auf Korrigierbarkeit und auf Verhaltensweisen, die menschliche Eingriffe zulassen.
Trotzdem berühren sich beide Linien. Kontrolle braucht Rückkopplung. Werte liegen selten vollständig explizit vor. Systeme müssen lernen, was Menschen wollen, ohne sofort zu glauben, sie wüssten es endgültig. Genau dort treffen inverse Präferenzerschließung, Dialogsysteme, Nutzermodelle, Ethik und emotionale KI aufeinander.
Amerika baut, Europa normt, Japan denkt in Zyklen
Die geopolitische Lage verschärft das Problem. Die amerikanische Regierung veröffentlichte 2025 „America’s AI Action Plan“. Der Plan ordnet mehr als 90 Maßnahmen drei Säulen zu: Innovation beschleunigen, KI-Infrastruktur ausbauen, internationale Diplomatie und Sicherheit führen. Die offizielle AI.gov-Seite rahmt den Plan als Fahrplan, um das globale KI-Rennen zu gewinnen.
Europa arbeitet anders. Die Deutsche Normungsroadmap Künstliche Intelligenz, herausgegeben von Deutsches Institut für Normung und Deutsche Kommission Elektrotechnik Elektronik Informationstechnik in DIN und VDE, setzt auf Begriffe, Standards, Zertifizierung, Soziotechnik, industrielle Automation, Mobilität, Medizin, Finanzdienstleistungen, Energie und Umwelt. Die zweite Ausgabe entstand unter Mitwirkung von mehr als 570 Fachleuten. Sie empfiehlt unter anderem Konformitätsbewertung, Datenqualitätsstandards und den Menschen als Teil des Systems in allen Phasen des KI-Lebenszyklus.
Der europäische Weg wirkt langsamer. Er kann überlegen sein, falls Normung zum Marktinstrument wird. Standards sind keine juristische Poesie. Sie entscheiden über Schnittstellen, Prüfverfahren, Haftung, Zertifizierung, Datenqualität, Auditierbarkeit und Vertrauen. Wer Normen schreibt, schreibt Märkte mit.
Japan liefert eine dritte Figur. Omron-Gründer Kazuma Tateishi entwickelte 1970 die SINIC Theory, offiziell „Seed-Innovation to Need-Impetus Cyclic Evolution“. Omron beschreibt sie als Kompass, der Wissenschaft, Technologie und Gesellschaft in wechselseitigen Zyklen denkt.
Das passt zu Gabriel. Kyoto steht bei ihm für Tiefe, Schichten, Wiederkehr, Beziehung. KI erscheint dort weniger als kalifornische Rakete und weniger als europäische Prüfakte. Sie wird zum sozialen Zyklus: Menschen erzeugen Daten, Daten formen Systeme, Systeme verändern Menschen, veränderte Menschen erzeugen neue Daten.
Der Konzern der kommenden Philosophie
Gabriel nimmt Heideggers Warnbild vom „Konzern der kommenden Philosophie“ und dreht es um. Heidegger sah Logistik, Psychologie, Psychoanalyse und Soziologie als wissenschaftlichen Komplex, der Denken verschlingt. Gabriel fragt: Weshalb bauen wir diesen Konzern nicht besser? Weshalb überlassen wir ihn Plattformen, Geheimdiensten, Werbeindustrien und Großmodellen?
Hier wird Friedrich Kittler aktuell. Medien übertragen nicht bloß. Sie sortieren, speichern, schalten, adressieren, kommandieren. Ein KI-System ist Textapparat, Gesprächspartner, Sensorverbund, Bewertungsmaschine, Arbeitsumgebung und Organisationsform. Wer über Ethik redet, muss über Chips, Kabel, Schnittstellen, Energiekosten, Trainingsdaten, Modellgewichte, Eigentum, Lizenzen, Standardisierung und Beschaffung reden.
Der „Konzern der kommenden Philosophie“ wäre keine Fakultät mit Logo. Er wäre eine neue Bauform: Informatik, Ethik, Arbeitswissenschaft, Linguistik, Robotik, Psychologie, Rechtswissenschaft, Ökonomie, Normung, Design, Pflege und Bildung in gemeinsamer Entwicklung. Das klingt wie ein deutsches Förderprogramm. Es müsste eher wie ein Betriebssystem für die nächste Zivilisation funktionieren.
HR als Versuchsfeld der Resonanz
Personalabteilungen liefern den praktischen Test. Dort trifft KI auf Biografien, Fähigkeiten, Ängste, Erwartungen, Macht und Milieu. Recruiting-Systeme sortieren Lebensläufe. Lernplattformen empfehlen Kurse. Chatbots beantworten Beschäftigtenfragen. Führungskräfte messen Produktivität über Dashboards. Beschäftigte üben mit KI-Präsentationen, Bewerbungen, Konfliktgespräche, Verkaufssituationen.
Die Zukunft Personal hat solche Fragen als Arbeitsweltfragen aufgerufen. Der nächste Schritt liegt jenseits der Tool-Show. KI in HR wird zur Resonanzarchitektur. Ein System modelliert Mitarbeitende, antizipiert Lernpfade, erkennt Fehlkonzepte, simuliert Reaktionen, erzeugt Feedback, beeinflusst Selbstbilder. Das kann emanzipieren. Das kann normieren. Das kann Herkunftsbarrieren durchbrechen. Das kann neue Dressurformen schaffen.
Die Normungsroadmap trifft deshalb ins Zentrum, sobald sie soziotechnische Systeme, Organisationskultur, menschliche Aufsicht, Transparenz, Ethik und Lebenszyklusprozesse verbindet. KI im Unternehmen ist keine Softwareeinführung. Sie ist Organisationsentwicklung unter Bedingungen maschineller Rückmeldung.
Gefühle der Zukunft
Die Gefühle der Zukunft werden nicht einfach gefühlt. Sie werden adressiert, klassifiziert, modelliert, verstärkt, beruhigt, verwertet, geschützt. Eva Weber-Guskar stellt die philosophische Frage nach emotionaler KI, Wahlster liefert die technische Genealogie, Gabriel liefert die metaphysische Unruhe. Zusammen ergibt sich ein Forschungsprogramm.
Es fragt: Welche Affekte darf ein System erkennen? Welche darf es auslösen? Welche Beziehung soll ein Pflegebot anbieten? Wie viel Trauer darf ein Trauerbot begleiten? Wie viel Zuneigung darf ein Avatar simulieren? Wie transparent muss ein System sagen, dass es keine Verletzbarkeit besitzt? Wie verhindern wir Bindungsausbeutung? Wie schaffen wir Hilfen für Einsame, Alte, Lernende, Kranke, Überforderte, ohne deren Bedürftigkeit in Produktmetriken zu verwandeln? Das sind keine Randfragen der KI. Sie sind der Kern, sobald Maschinen in die alltägliche Intimität eintreten. Der erste KI-Schock war Text. Der zweite wird Gefühl sein. Der dritte wird Institution.
Der Spiegel muss gebaut werden
Gabriel ist kein unfehlbarer Führer durch diese Landschaft. Manche seiner Formeln überziehen den technischen Sachverhalt. Tokenisierung ist kein mystischer Gesamtblick. MuZero ist kein Hegelianer. Kontextverstehen bleibt endlich, fehlbar, manipulierbar. Emotionale KI kann trösten und verführen. Ethik als Wettbewerbschance kann in Marketing absinken. Der magische Spiegel kann ein Jahrmarktsspiegel werden.
Gerade deshalb lohnt der Vortrag. Er zwingt Informatiker, Philosophen, Ökonomen und Personaler aus ihren sicheren Winkeln. Er macht aus KI weder Werkzeugkasten noch Dämon. Er beschreibt sie als neues Feld der Reflexion: Menschen bauen Systeme, die Menschen zurücklesen. Die Maschinen lernen aus uns. Wir lernen von ihren Antworten, was wir ihnen gezeigt haben.
Die Frage lautet daher: Welche Wissenschaft entsteht, sobald Denken, Rechnen, Fühlen, Normung und Organisation zusammenfallen?
Eine Antwort zeichnet sich ab. Sie heißt nicht KI-Ethik als Aufkleber. Sie heißt Konstruktion moralischer Rückkopplung. Sie heißt Nutzermodell mit Würdebegriff. Sie heißt Affektarchitektur mit Schutzgrenzen. Sie heißt Standardisierung ohne Innovationslähmung. Sie heißt europäische Wettbewerbsfähigkeit durch Prüfverfahren, Vertrauenswürdigkeit und soziale Intelligenz. Sie heißt Day-One-Mentalität mit Gewissen. Der Spiegel wartet nicht. Er lernt zurück.
Exkurs: Wahlsters Gegenprogramm zur KI-Gigantomanie
Professor Gabriel spricht vom magischen Spiegel, von Resonanzfeldern, von ethischer Intelligenz. Wahlster zeigt, welche Architektur solche Systeme in Europa tatsächlich brauchen: kleinere Modelle, domänenspezifische Daten, hybride neuro-symbolische Verfahren, Prozessmodelle, digitale Zwillinge, physikalisch inspirierte KI und erklärbare Assistenzsysteme für Arbeit, Pflege, Gesundheit und Industrie.
Der Titel des Vortrags ist programmatisch: „Smaller, smarter and trustier“. Dahinter steht eine Kampfansage an die KI-Gigantomanie der USA und Chinas. Wahlster widerspricht der Grundannahme, die seit dem Aufstieg der Large Language Models viele Debatten dominiert: Größer sei automatisch besser. Für industrielle Anwendungen hält er diese Formel für falsch. In Fabriken, Werkhallen, Lieferketten, Wartung, Qualitätskontrolle, Zahlungsprognosen oder Montageassistenz braucht man keine Modelle, die Brecht, Wetterberichte, Katzenbilder und Programmcode gleichzeitig verarbeiten. Man braucht Modelle, die eine Maschine, einen Prozess, eine Messreihe, eine Tabelle, einen Handlungsablauf und eine physikalische Randbedingung verstehen.
Die europäische Antwort heißt Präzision
Wahlsters These schärft unsere Argumentation zur Zukunft der Arbeit. Die nächste KI-Welle in Unternehmen entsteht nicht durch Chatbots, die Texte produzieren. Sie entsteht durch Systeme, die handeln helfen. Aus Large Language Models werden Large Process Models und Small Action Models. Das ist für HR und Organisationen entscheidend. Die KI der nächsten Stufe schreibt keine Mails für Führungskräfte. Sie versteht Geschäftsprozesse, erkennt Engpässe, schlägt Handlungsfolgen vor, erklärt Arbeitsschritte, prüft Compliance und begleitet Menschen in konkreten Aufgaben.
Damit wird die alte These „KI macht uns menschlicher“ technischer und belastbarer. Menschlicher wird Arbeit nicht durch poetische Dialoge mit allgemeinen Sprachmodellen. Menschlicher wird Arbeit, falls KI die Überlastung durch Routine, Suchaufwand, Fehlersuche, Dokumentation, Prozesslücken und Trainingsdefizite verringert. Wahlsters Beispiel aus der Montage zeigt genau das: Ein Assistenzsystem erkennt Fehler beim Einbau einer Autotür, kombiniert physikalisches Wissen mit beobachteten Montagedaten und erklärt dem Werker, warum er an bestimmten Punkten handeln soll. Vertrauen entsteht dort durch Erklärung, nicht durch glatte Sprachfassade.
„Attention is all you need“ reicht für Industrie nicht aus
Wahlster greift den berühmten Transformer-Slogan frontal an. Aufmerksamkeit sei notwendig, aber für die nächste Stufe industrieller KI unzureichend. Maschinen, Roboter und Produktionssysteme brauchen kausales und teleologisches Schließen. Kausal heißt: Was bewirkt was? Teleologisch heißt: Welche Absicht steckt hinter einer Handlung? Warum macht ein Mensch diesen Schritt? Welches Ziel verfolgt ein Prozess? Welche Handlung ergibt sich aus dem Zustand der Maschine?
Damit rückt Wahlster die KI-Debatte aus dem Text heraus in die Welt der Dinge. Diese KI muss Tabellen, Messreihen, Prozessmodelle, Aktionssequenzen, Sensordaten und physikalische Simulationen verarbeiten. Ingenieure schreiben selten lange Texte über Maschinen. Sie erzeugen Datenstrukturen, Prozesslogiken, Fehlercodes, Messkurven und Steuerungsfolgen. Wer Industrie-KI bauen will, muss diese Formate beherrschen.
Der deutsche Vorteil liegt im Prozesswissen
Wahlster benennt einen europäischen Vermögenswert, der in der LLM-Debatte oft übersehen wird: Prozesswissen. SAP und andere europäische Akteure besitzen tiefe Einblicke in Geschäftsprozesse, Produktionslogiken und betriebliche Datenstrukturen. Daraus können Large Process Models entstehen. Diese Modelle sagen nicht nur das nächste Wort voraus. Sie prognostizieren Zahlungsverszug, Lieferverzug, Projektrisiken, Steuerklassen, Schadenscodes, Produktionsfehler und Prozessabbrüche.
Für unser Papier ist das zentral. HR-Transformation darf KI nicht als allgemeines Sprachwerkzeug behandeln. Organisationen müssen ihre Prozessdaten, Kompetenzmodelle, Lernpfade, Rollenarchitekturen, Governance-Regeln und Entscheidungslogiken so strukturieren, dass KI damit arbeiten kann. Schlechte Daten erzeugen schlechte Assistenz. Unklare Prozesse erzeugen unklare Modelle. Unklare Verantwortung erzeugt automatisierten Nebel.
Agentive KI als neue Organisationsform
Wahlster beschreibt den Übergang von generativer KI zu agentiver KI. Generative Systeme produzieren Text, Bild, Audio, Video. Agentive Systeme führen Aufgaben aus, koordinieren Schritte, greifen auf Werkzeuge zu, handeln im Auftrag von Menschen und arbeiten mit anderen Agenten zusammen. Das ist für Organisationen der eigentliche Umbruch.
In HR bedeutet das: KI wird von der Antwortmaschine zur Arbeitsarchitektur. Ein Agent kann Lernbedarfe erkennen, Weiterbildungssequenzen vorschlagen, Rollenprofile aktualisieren, Compliance-Risiken melden, Bewerbungsprozesse strukturieren, Schichtpläne prüfen, Skill-Gaps analysieren, Mitarbeiterfragen beantworten und Übergaben vorbereiten. Solche Systeme brauchen Aufsicht, Grenzen, Protokolle, Erklärbarkeit und Interventionsrechte. Genau an dieser Stelle treffen Wahlster und die Deutsche Normungsroadmap Künstliche Intelligenz zusammen: Der Mensch muss in allen Phasen des KI-Lebenszyklus als Teil des Systems gedacht werden.
Kleine Modelle sind eine politische Strategie
„Small Language Models“ und „Small Action Models“ sind keine technische Miniaturästhetik. Sie sind eine Souveränitätsstrategie. Kleinere, domänenspezifische Modelle laufen schneller, kosten weniger, verbrauchen weniger Energie, lassen sich besser prüfen, besser warten und besser erklären. Sie sind näher an den Daten, näher an der Anwendung, näher an der Verantwortung.
Für Europa ist das eine realistische Antwort auf den Größenwettlauf der Hyperscaler. Die USA und China bauen gigantische KI-Fabriken. Europa kann in industrieller Präzision gewinnen: Prozessmodelle, Normen, Zertifizierung, Edge Computing, digitale Zwillinge, Maschinenbau, Robotik, Facharbeit, Betriebsräte, Sicherheitskultur, Qualitätsinfrastruktur.