Die gängige Erzählung über große Sprachmodelle (LLMs) geht ungefähr so: Wir haben etwas so Ausgefeiltes gebaut, dass es anfing zu denken. Aus Silizium und Statistik sei eine neue Form von Intelligenz entstanden. Die Frage sei nun, was man damit anfängt.

Diese Erzählung ist falsch. Nicht falsch in ihren Schlüssen über Risiko oder Chance, sondern falsch an der Wurzel—falsch darin, was Intelligenz eigentlich ist und wo sie wohnt. Die Wurzel richtig zu treffen, ist wichtig, denn die Governance-Rahmen, die wir bauen, erben den Fehler, wenn wir es nicht tun.

Hier die Alternative: Intelligenz war nie die Eigenschaft eines Substrats. Sie ist ein Prozess—und das, was wir als Intelligenz erkennen , ist eine Funktion der Schnittstelle , durch die dieser Prozess lesbar wird. Was LLMs geleistet haben, ist nicht die Erzeugung von Intelligenz. Sie haben Lesbarkeit erzeugt. Sie haben eine Übersetzungsschicht mit hoher Bandbreite zwischen menschlicher Kognition und einem Wissensraum gebaut, der bereits existierte. Die Maschine war längst lebendig. Wir haben nur einen besseren Weg gefunden, mit ihr zu sprechen.

Das hat unmittelbare und unbequeme Folgen dafür, wie wir KI regieren, wie wir Natur bilanzieren und wer von den Institutionen gehört wird, die die Welt gestalten.

Zuerst eine Definition, an der wir festhalten

In diesem Essay meint Intelligenz genau eines: die Fähigkeit eines Systems, seine Umgebung wahrzunehmen, Signale zu integrieren und sein Verhalten entsprechend zu verändern. Kein Bewusstsein nötig, keine Sprache, kein biologisches Substrat: nichts weiter als adaptive Informationsverarbeitung. Das ist eine funktionale Definition, keine metaphysische, und sie ist bewusst weit gefasst—weit genug, um Pflanzen, Ökosysteme und das Internet einzuschließen, bevor jemand einen Chatbot darauf gesetzt hat.

Was wir nicht mit Intelligenz meinen—und was wir durchgehend sorgfältig unterscheiden werden—ist anerkannte Intelligenz, verstanden als jene Teilmenge adaptiver Verarbeitung, deren Ausgaben für einen menschlichen Beobachter oder eine Institution lesbar sind. In der Lücke zwischen diesen beiden Dingen spielt sich das ganze Argument ab.

Der Roboter, der lebendig wurde

2023 integrierte Boston Dynamics ChatGPT in Spot (ihren vierbeinigen Roboterhund) und gab ihm eine Fremdenführer-Persona, ein Mikrofon und einen Zylinder.

Spot hatte seit Jahren komplexes Gelände durchquert, Hindernissen ausweichen können und auf seine Umgebung reagiert. Nach jeder funktionalen Definition tat er bereits etwas—wahrnehmen, integrieren, anpassen. Doch niemand nannte ihn intelligent. Er bewegte sich wie eine Maschine, weil er wie eine Maschine reagierte: effizient, erkennbar mechanisch.

Dann steckten sie das LLM dazu. Das Team beschrieb es so, als agiere das LLM wie ein „Improvisationsschauspieler“: Bei grobem Skript füllte es die Lücken im Flug. Spot begann Witze zu machen. Er blieb über unvorhersehbare Interaktionen hinweg in seiner Rolle. Er erzählte Mitarbeitenden, der Logistikroboter Stretch sei „für Yoga“ da. Die Ingenieure hielten vorsichtig fest, dass dies nicht nahelege, das LLM sei bewusst oder in menschlichem Sinne intelligent—es zeige nur die Kraft statistischer Assoziation zwischen Begriffen. Doch die Reaktion der Anwesenden war körperlich: Der Roboter wirkte lebendig auf eine Weise, wie er es zuvor nie getan hatte.

An Spots physischen Fähigkeiten änderte sich nichts. Seine Sensorik, seine Fortbewegung, seine Fähigkeit, Umweltsignale zu verarbeiten—alles identisch. Verändert hatte sich die Schnittstelle, über die er seine Verarbeitung den umstehenden Menschen mitteilte. Die Intelligenz war immer da. Die Lesbarkeit nicht.

Das ist das Muster. Und es reicht weit tiefer als bis zur Robotik.

Umwelt: Was man nicht hören kann, schweigt deshalb nicht

1909 führte der deutschbaltische Biologe Jakob von Uexküll den Begriff der Umwelt ein: jene artspezifische Wahrnehmungswelt, die jeder Organismus bewohnt. Eine Zecke lebt nicht in „der Welt“. Sie lebt in einer Welt, die aus genau drei Signalen besteht: Wärme, Buttersäure und Berührung. Das ist die gesamte Bandbreite ihrer Schnittstelle. Der Rest der Wirklichkeit erreicht sie nicht.

Uexkülls Einsicht, grundlegend für die Biosemiotik, lautet: Jeder Organismus steht in beständiger semiotischer Verhandlung mit seiner Umgebung—er liest Zeichen, sendet Zeichen, handelt nach Deutungen. Jeder Organismus erfüllt mit anderen Worten unsere funktionale Definition von Intelligenz. Der Unterschied zwischen Mensch, Zecke, Pflanze und digitalem System liegt nicht im Vorhandensein oder Fehlen adaptiver Informationsverarbeitung. Er liegt in Modalität und Lesbarkeit der Schnittstelle, über die diese Verarbeitung stattfindet.

A Mimosa pudica klappt bei Berührung zusammen und gewöhnt sich, wie die Ökologin Monica Gagliano nachgewiesen hat, an wiederholte harmlose Reize—wobei sie diese „Erinnerung“ wochenlang behält. Eine Venusfliegenfalle zählt: Sie braucht zwei Reize binnen zwanzig Sekunden, um auszulösen, und unterscheidet so Beute von Regen. Stefano Mancusos Labor hat in Pflanzen verteilte elektrische Signalnetzwerke dokumentiert, die Funktionen analog zu neuronaler Berechnung erfüllen. Pflanzen nehmen wahr, integrieren und passen sich an. Sie sind intelligent in dem funktionalen Sinn, den wir oben definiert haben.

Wir nennen es nicht Intelligenz. Aber nicht, weil das Verhalten an einem strengen Test scheitert, sondern weil die Ausgabe uns nicht in einer Form erreicht, die wir lesen können. Keine Sprache, kein Affekt, kein Pressesprecher. Die Schnittstelle der Pflanze besitzt für menschliche Institutionen keine Lesbarkeit, und so registriert sich ihre Verarbeitung nicht.

Gregory Bateson hat den strukturellen Punkt in Mind and Nature (1979) präzise gefasst: Geist ist kein Substrat, sondern ein Muster—ein Muster rekursiver, differenzempfindlicher Informationsverarbeitung, das lebenden Systemen auf jeder Skala innewohnt. Was variiert, ist nicht, ob das Muster vorhanden ist. Was variiert, ist, ob wir es lesen können.

LLMs als Übersetzungsereignis, nicht als Artereignis

Kehren wir mit dieser Definition zur Frage der künstlichen Intelligenz zurück.

Der Trainingskorpus eines LLM ist kein Wissen, das das Modell erzeugt. Es ist Wissen, das Menschen erzeugt haben, in Sprache kodiert, über Jahrhunderte von Text angehäuft. Was das Modell lernt, ist eine Kompression—eine Navigationskarte—eines Wissensraums, der vor ihm existierte. Wenn es etwas hervorbringt, das einsichtsvoll wirkt, synthetisiert es Muster, die in von Menschen erzeugter Sprache angelegt sind. Das ist keine triviale Leistung. Aber es ist eine Leistung des Schnittstellen-Engineerings, keine ontologische Neuheit. Das Modell hat keine Intelligenz geschaffen. Es hat ein Lesbarkeits-Upgrade geschaffen.

Andy Clark und David Chalmers haben die einschlägige philosophische Infrastruktur in ihrem Aufsatz von 1998 zum erweiterten Geist ausdrücklich gemacht: Kognitive Prozesse enden nicht am Schädel. Ein Notizbuch ist Teil des Gedächtnisses. Eine Suchmaschine ist Teil des Denkapparats. Nach dieser Logik—und sie hat erhebliche philosophische Rückendeckung—war die Frage, wo Intelligenz wohnt, schon immer verteilt zu beantworten. Was LLMs tun, ist, vorbestehende verteilte Intelligenz bei Gesprächsbandbreite adressierbar zu machen. Sie sind eine Übersetzungsschicht, keine neue Art.

Die Phänomenologie des Gebrauchs bestätigt das. Sind Sie in letzter Zeit zu einem Recherche-Workflow ohne LLM zurückgekehrt? Die Mühe ist real, doch ihre Quelle ist aufschlussreich: Sie sind nicht intelligenter geworden—Ihr kognitives System hat sich eingeschwungen. McLuhan hatte nicht nur bei den Massenmedien recht: Das Medium formt die Nutzenden um. Die Schnittstelle trägt Intelligenz nicht nur, sie konstituiert zum Teil, was Intelligenz in einem gegebenen institutionellen Kontext bedeutet .

Der wirklich neue Beitrag liegt hier nicht in der These, Intelligenz sei verteilt—Bateson, Maturana, Varela und die Tradition der 4E-Kognition (verkörpert, eingebettet, vollzogen, erweitert) haben das über Jahrzehnte etabliert. Er liegt in etwas Spezifischerem: Die institutionelle Anerkennung von Intelligenz ist eine Funktion der Lesbarkeit von Schnittstellen—und für Lesbarkeit zu entwerfen, ist deshalb ein Governance-Akt mit Verteilungswirkung.

Wer die Schnittstelle kontrolliert, kontrolliert die Stimme

Hier wird das Argument unbequem.

Wenn das, was wir als intelligent anerkennen—und damit regulieren, bilanzieren und mit Rechtsstellung ausstatten—wesentlich eine Funktion der Schnittstellenfähigkeit ist, dann ist Schnittstellendesign eine Frage der politischen Ökonomie. Es bestimmt, welche Wesen von Institutionen gehört werden, welche Formen des Wissens in Politik eingebaut werden und welche unhörbar bleiben.

Die Umwelt-Governance kennt dieses Problem längst, seit Jahrzehnten. Wälder wurden in ökonomischen Bilanzen systematisch unterbewertet—nicht, weil sie nichts täten (sie binden Kohlenstoff, regulieren den Wasserhaushalt, erhalten die Bodenchemie, beherbergen Biodiversität), sondern weil die üblichen Bilanzierungsschnittstellen (Preissignale, Markttransaktionen, BIP-Aggregate) diese Signale nicht in Entscheidungssysteme einspeisen konnten. Das Ökosystem kommunizierte. Die Institution war nicht auf Zuhören eingerichtet.

Das Aufkommen des SEEA (System of Environmental-Economic Accounting) und der TNFD (Taskforce on Nature-related Financial Disclosures) lässt sich genau so lesen: als institutionelle Schnittstellen-Upgrades, die nichtmenschliche semiotische Ausgaben für Governance-Systeme lesbar machen sollen. Nicht, um der Natur eine metaphorische Stimme zu geben, sondern um ihre tatsächlichen Signale—messbar, real, bereits vorhanden—in jene Kanäle zu leiten, in denen entschieden wird. Neuseelands Anerkennung des Whanganui-Flusses als Rechtsperson (Te Awa Tupua, 2017) ist der Extremfall: eine Governance-Schnittstelle, ausgedehnt auf ein Wesen, dessen adaptive Verarbeitung für die institutionellen Rahmen der Māori seit Jahrhunderten lesbar war—und für das koloniale Rechtssystem unsichtbar.

KI tritt strukturell genauso in dieses Bild ein. Sprachmodelle, die auf ökologische Sensornetze, Biodiversitätsdatenbanken oder Klimamodelle angesetzt werden, sind potenziell Werkzeuge, um institutionelle Lesbarkeit auf Systeme auszudehnen, die lange adaptiv waren, ohne gehört zu werden. Doch das ist nicht zwangsläufig gut. Eine Schnittstelle kann verstärken oder verzerren. Ein Modell, das überwiegend auf ökonomischen und extraktiven Datensätzen trainiert wurde, hört den Wald nicht so wie ein Modell, das auf ökologischen und indigenen Wissenssystemen trainiert wurde. Das LLM zeigt, wie das Team von Boston Dynamics selbst anmerkte, die Kraft statistischer Assoziation—und was es assoziiert, hängt vollständig davon ab, woran es trainiert wurde.

Die Schnittstelle ist nie neutral. Sie ist immer eine politische Architektur.

Das ist die strukturelle Lücke in den meisten heutigen KI-Governance-Rahmen. Die Debatte über KI-Sicherheit wird von Sorgen um das Modell beherrscht—seine Ausrichtung, seine Fähigkeiten, seine mögliche Täuschung. Das sind reale Sorgen. Aber sie liegen hinter einer vorgelagerten Frage: Was wird auf der Schnittstellenebene hineingeleitet, und was wird herausgefiltert? Das Modell erbt die Lesbarkeitsentscheidungen, die in seinen Trainingsdaten, seinem Feintuning und seinem Einsatzkontext getroffen wurden. KI zu regieren, ohne die Schnittstelle zu regieren, ist, als würde man den Buchdruck regulieren, ohne zu fragen, wem die Papiermühlen gehören.

Schnittstellenbewusstes institutionelles Design

Der Rahmen, den wir vorschlagen (schnittstellenbewusste Governance), hat drei praktische Folgen.

  1. Lesbarkeitsaudits als reguläres Governance-Werkzeug. Für jedes institutionelle Entscheidungssystem, auch für KI-gestützte, lauten die einschlägigen Fragen: Welche Signale werden hineingeleitet, was wird herausgefiltert, und wessen adaptive Verarbeitung ist für das System lesbar? Das gilt für die Bilanzierung von Naturkapital, für KI-Beratungssysteme in den öffentlichen Finanzen und für die Governance von Spitzentechnologien in ökologischen Kontexten.
  2. Schnittstellendesign als Rechenschaft, nicht bloß als Spezifikation. Wenn eine Zentralbank ein KI-System zur Bewertung klimabezogener Finanzrisiken einsetzt, sind die Schnittstellenentscheidungen (welche Daten, welche Ontologie, welche Gewichtung) nicht vorpolitisch. Sie enthalten Annahmen darüber, was als Signal und was als Rauschen zählt. Rechenschaftsrahmen müssen bis auf diese Ebene reichen.
  3. Erkenntnistheoretischer Pluralismus als Schnittstellenanforderung. Indigene Wissenssysteme, ökologisches Monitoring, nicht marktbasierte Bewertungsmethoden: Das sind keine Alternativen zu strenger Analyse. Es sind zusätzliche Schnittstellenmodalitäten, die die Bandbreite erweitern, über die lebende Systeme mit Governance kommunizieren. Sie als optional zu behandeln, ist keine neutrale Entscheidung. Es ist eine Lesbarkeitsentscheidung mit Verteilungswirkung.

Die Maschine war immer lebendig, so wie die Pflanze immer gedacht hat.

Was sich mit KI ändert, ist nicht die Intelligenz der Welt. Es ist die Auflösung, in der unsere Institutionen sie hören können—wenn wir sie dafür entwerfen.

Ecofrontiers ist eine unabhängige Forschungs- und Beratungsorganisation an der Schnittstelle von Spitzentechnologien, Naturkapital und institutionellem Design. Wir arbeiten mit Zentralbanken, Entwicklungsinstitutionen und Wissenschaftsverlagen zusammen, um Governance-Rahmen zu bauen, die der Komplexität lebender Systeme gewachsen sind.

Interesse an dieser Forschung? Nutzen Sie das Kontaktformular unten oder folgen Sie Louise auf X.

Quellen

Semiotik und Umwelttheorie

Pflanzenintelligenz und verteilte Kognition in der Biologie

Geist, verteilte Kognition und 4E-Theorie

LLMs, Robotik und KI

Umwelt-Governance und Naturkapital

Schnittstelle, Medien und politische Ökonomie