Navigation

Von BCM zu föderierter neuro-symbolischer Hybrid-HCAI

Was ist AGI – und unter welchen architektonischen, institutionellen und ökonomischen Bedingungen schafft künstliche Intelligenz Wachstum und Wohlstand für alle? Autor: Friedrich Reinhard Schieck, Veröffentlicht 2026-04

ABSTRACT

Der Beitrag „Von BCM zu föderierter neuro-symbolischer Hybrid-HCAI – Was ist AGI – und unter welchen architektonischen, institutionellen und ökonomischen Bedingungen schafft künstliche Intelligenz Wachstum und Wohlstand für alle?“ entwickelt eine grundlegende Neubestimmung der AGI-Debatte, indem er die verbreitete Fokussierung auf rein technische Leistungssteigerung zugunsten einer architektonischen, institutionellen und politökonomischen Perspektive verschiebt. Ausgangspunkt ist die Beobachtung, dass der Begriff der Artificial General Intelligence (AGI) in gegenwärtigen Debatten zugleich von enormer Tragweite und erheblicher begrifflicher Unschärfe geprägt ist. Während AGI üblicherweise als hypothetische KI beschrieben wird, die menschliche kognitive Fähigkeiten über viele oder nahezu alle Domänen hinweg erreicht oder übertrifft, zeigt der Beitrag, dass diese klassische Begriffsverwendung analytisch zu kurz greift. Sie blendet die sozialen, infrastrukturellen, eigentumsrechtlichen und governance-bezogenen Voraussetzungen aus, unter denen digitale Intelligenz überhaupt entsteht, trainiert, genutzt und ökonomisch verwertet wird.

Vor diesem Hintergrund argumentiert der Beitrag, dass die entscheidende Frage nicht allein lautet, ob AGI technisch möglich ist, sondern welche gesellschaftliche Form von Intelligenz durch das Zusammenspiel von Menschen, Maschinen, Regeln, Institutionen und Infrastrukturen entsteht – und wem diese Intelligenz dient. Der AGI-Begriff wird damit von einer individualistischen Maschinenontologie auf eine institutionelle und soziotechnische Ontologie verschoben. Intelligenz erscheint nicht länger primär als Eigenschaft eines isolierten Systems, sondern als Ergebnis einer organisierten Vernetzung menschlicher Urteilskraft, symbolischer Regelbindung, maschineller Skalierungsfähigkeit, verteilter Zuständigkeiten und institutioneller Rechenschaft. In dieser Perspektive wird AGI nicht als Herrschaft einer zentralisierten Superintelligenz, sondern als potenziell demokratisch organisierte Symbiose menschlicher und maschineller Leistungsfähigkeit rekonzipiert.

Einen zentralen Beitrag leistet der Text, indem er die Entwicklungslinie vom BCM-Modell über die Hybrid-HCAI bis hin zur föderierten neuro-symbolischen Hybrid-Kollektivintelligenz entfaltet. Das BCM-Modell wird dabei als frühe organisationsmethodische Vorform einer Architektur verstanden, in der Komplexität nicht durch Zentralisierung verdrängt, sondern durch verteilte Verantwortung, Transparenz, Feedback und adaptive Selbststeuerung produktiv gemacht wird. Daran anschließend wird Hybrid-HCAI als soziotechnisches Betriebssystem beschrieben, das drei Intelligenzformen systematisch koppelt: die menschliche Ebene als normative und verantwortliche Instanz, die symbolische Ebene als Trägerin expliziter Regeln, Rollen und Entscheidungslogiken sowie die subsymbolische Ebene als operatives Feld skalierender Mustererkennung, Prognose und Informationsverarbeitung. Der Beitrag betont, dass gesellschaftlich tragfähige KI nicht als Ersatzarchitektur für menschliche Urteilskraft, sondern als Kooperationsarchitektur zu denken ist. Diese Architektur wird im Beitrag durch zwei zusätzliche, konstitutive Funktionslogiken erweitert: Föderierung und Governance.

Daraus ergibt sich die vollständige Architekturformel: Subsymbolik skaliert. Symbolik regelt. Der Mensch entscheidet. Föderierung verteilt. Governance verantwortet.

Diese Formel verdichtet den Kern des Gesamtarguments. Subsymbolische Verfahren ermöglichen Reichweite, Verdichtung und adaptive Verarbeitung großer Datenräume, bleiben aber normativ unterbestimmt. Symbolische Strukturen übersetzen statistische Ergebnisse in explizite, prüfbare und institutionell anschlussfähige Begriffe, Rollen und Regeln. Die menschliche Ebene wahrt die Letztverantwortung für Werte, Ziele und Ausnahmen. Föderierung schützt durch die verteilte Verankerung von Wissen, Daten und Zuständigkeiten vor epistemischer Monopolisierung und organisatorischer Machtkonzentration. Governance schließlich bildet die Metaordnung des Gesamtsystems, indem sie Regeln für Audit, Revision, Intervention, Haftung und institutionelle Korrekturfähigkeit definiert. Erst im rekursiven Zusammenspiel dieser fünf Funktionslogiken entsteht nach der Argumentation des Beitrags eine vollständige Intelligenz- und Verantwortungsarchitektur, die nicht nur leistungsfähig, sondern auch transparent, legitim, plural und korrigierbar ist.

Der Beitrag verbindet diese architekturtheoretische Rekonstruktion mit einer ausgeprägten Kritik an der gegenwärtigen politökonomischen Form des KI-Booms. Er zeigt, dass heutige KI-Systeme nicht einfach als autonome „Denkmaschinen“ verstanden werden können, sondern in erheblichem Maße auf der Sammlung, Verdichtung und Monetarisierung menschlicher Wissens- und Interaktionsleistungen beruhen. In diesem Sinn erscheinen viele gegenwärtige KI-Plattformen als Infrastrukturen zur Aneignung kollektiver Intelligenz. Die übliche AGI-Rhetorik kann in dieser Lesart als Verschleierungsbegriff fungieren, der die sozialen Vorleistungen, die eigentumsförmige Abschöpfung kollektiver Beiträge und die Rolle proprietärer Plattforminfrastrukturen unsichtbar macht. Der Text interpretiert AGI insofern auch als ideologischen Knotenpunkt, an dem technische Zukunftsversprechen, Investitionsdynamiken und Machtkonzentrationen zusammenlaufen. Diese Diagnose wird durch die Auseinandersetzung mit drei prominenten Stimmen der aktuellen Debatte vertieft. Gary Marcus dient dem Beitrag als wichtiger Referenzpunkt für die Kritik am AGI-Hype.

Seine Skepsis gegenüber großen Sprachmodellen als vermeintlichem Königsweg zur AGI wird aufgegriffen, um die Differenz zwischen beeindruckender Sprachleistung und robuster allgemeiner Problemlösefähigkeit zu verdeutlichen. Der Beitrag verbindet diese technisch-kognitive Kritik mit der These, dass AGI-Rhetorik politisch nicht neutral ist, sondern außergewöhnliche Investitionen, Sicherheitsnarrative und regulatorische Sonderstellungen legitimieren kann. Ricardo Hausmann und Andrés Velasco liefern die makroökonomische Zuspitzung: Ihre Analyse legt nahe, dass die Bewertungen zentraler KI-Unternehmen nur dann plausibel erscheinen, wenn diese Unternehmen künftig in großem Umfang globale Einkommensansprüche realisieren. Daraus ergibt sich das Bild einer möglichen Weltwirtschaft, in der der Zugang zu unverzichtbarer KI-Infrastruktur rentenförmig bepreist wird. Paul Krugman wird schließlich herangezogen, um die Offenheit technologischer Entwicklung hervorzuheben: KI ist weder automatisch eine egalisierende noch automatisch eine konzentrierende Kraft; ihre Verteilungswirkungen hängen von Institutionen, Marktstrukturen und politischer Regulierung ab.

Vor diesem Hintergrund entwickelt der Beitrag die Kernthese, dass künstliche Intelligenz nur dann zu einer Quelle von Wachstum und Wohlstand für alle werden kann, wenn bestimmte architektonische und institutionelle Bedingungen erfüllt sind. Erstens bedarf es eines breiten, fairen und nicht-monopolistischen Zugangs zu KI-Infrastrukturen, damit Produktivitätsgewinne nicht an proprietären Flaschenhälsen hängen bleiben. Zweitens muss KI primär komplementär zur Arbeit wirken, also menschliche Fähigkeiten erweitern, statt wahllos Expertise zu substituieren und Verantwortlichkeit auszuhöhlen. Drittens sind Mechanismen fairer Rückkopplung gesellschaftlicher Wissensproduktion erforderlich, damit Nutzer, deren Beiträge in die Verbesserung intelligenter Systeme einfließen, nicht strukturell von den daraus entstehenden Wertschöpfungsketten ausgeschlossen werden. Viertens braucht es eine demokratische Governance von Information, Macht und Qualität, durch die sichergestellt wird, dass technische Systeme partizipativ, überprüfbar, lernfähig und rechenschaftspflichtig bleiben.

Insgesamt plädiert der Beitrag für eine grundlegende Umrahmung der AGI-Debatte. Die zentrale Frage lautet nicht mehr primär, wann Maschinen allgemeine Intelligenz erreichen, sondern welche Architektur kollektiver Intelligenz geschaffen wird und ob diese Architektur Freiheit, Würde, Urteilskraft, Demokratie und Wohlstand in der Breite stärkt. Die vorgeschlagene föderierte neuro-symbolische Hybrid-HCAI erscheint dabei als überlegenes Modell, weil sie technische Potenz an Regelklarheit, menschliche Urteilshoheit, verteilte Souveränität und institutionelle Rechenschaft bindet. AGI wird so nicht als Wettlauf zur künstlichen Allmacht, sondern als Suche nach einer gerechteren, verantwortbaren und produktivitätssteigernden Architektur gesellschaftlicher Intelligenz verstanden.

Keywords: Artificial General Intelligence (AGI); Hybrid HCAI; BCM model; collective intelligence; human-centered AI; AI governance; federation; neuro-symbolic AI; political economy of AI; productivity growth; digital transformation; accountability; platform economy; democratic AI architecture; productive value creation

INHALTSVERZEICHNIS

  1. Einleitung: Von der Frage nach Rechenleistung zur Frage nach Architektur, Ordnung und gesellschaftlichem Zweck
  2. Der Begriff AGI: Zwischen kognitiver Universalität und begrifflicher Unschärfe
  3. AGI als Verschleierungsbegriff: Kritik an der üblichen Definition und Verschiebung zur institutionellen Ontologie
  4. Vom BCM-Modell zur Hybrid-HCAI: Die Entstehung einer architektonischen Denkfigur
  5. Das Adaption-Gap: Warum Digitalisierung ohne architektonische und institutionelle Erneuerung scheitert
  6. Hybrid-HCAI als Kooperationsarchitektur: Die Verbindung menschlicher, symbolischer und subsymbolischer Intelligenz
  7. Die architektonische Erweiterung: Föderierung und Governance als konstitutive Dimensionen
  8. Die fünf Funktionslogiken der vollständigen Architektur
  9. Rekursive Kopplung, Anwendungskontexte und die Verschiebung der AGI-Debatte
  10. Gary Marcus: Warum der AGI-Hype analytisch und politisch problematisch ist
  11. Hausmann und Velasco: AGI, Weltwirtschaft und die Logik der globalen Gewinnabschöpfung
  12. Paul Krugman: Die offene Frage nach Verteilung, Demokratie und Ausgleich
  13. Unter welchen Bedingungen KI tatsächlich Wachstum und Wohlstand für alle schafft
  14. Warum die AGI-Debatte neu gerahmt werden muss
  15. Fazit: AGI als Frage gerechter Architektur kollektiver Intelligenz

1. EINLEITUNG: VON DER FRAGE NACH RECHENLEISTUNG ZUR FRAGE NACH ARCHITEKTUR, ORDNUNG UND GESELLSCHAFTLICHEM ZWECK

Die gegenwärtige Debatte über Artificial General Intelligence, kurz AGI, ist von einem eigentümlichen Grundwiderspruch geprägt. Einerseits wird AGI wie kaum ein anderer Begriff der KI-Diskussion mit enormer intellektueller, technologischer, wirtschaftlicher und geopolitischer Tragweite aufgeladen. Andererseits bleibt häufig erstaunlich unklar, was mit AGI überhaupt genau gemeint ist. In populären, enzyklopädischen und weiten Teilen der öffentlichen Debatte bezeichnet AGI in der Regel ein hypothetisches KI-System, das menschliche kognitive Fähigkeiten über viele oder nahezu alle Domänen hinweg erreicht oder sogar übertrifft.[1] Diese Begriffsverwendung besitzt ohne Zweifel eingängige Plausibilität, weil sie an das Bild einer „allgemein intelligenten Maschine“ anschließt. Zugleich ist sie analytisch unzureichend. Denn sie abstrahiert von genau den Bedingungen, unter denen Intelligenz in digitalen Systemen überhaupt entsteht, trainiert, institutionell eingebettet, kontrolliert und ökonomisch verwertet wird.

Gerade deshalb arbeitet die neuere Governance- und Regulierungsliteratur zum KI-Begriff mit vorsichtigeren, funktionsbezogenen Definitionen von KI-Systemen. Nicht Bewusstsein, Menschenähnlichkeit oder philosophisch starke Formen von „Denken“ stehen dort im Zentrum, sondern maschineller Inferenz, Output-Erzeugung, Grade von Autonomie und Adaptivität sowie die Frage, wie technische Systeme in physische und virtuelle Umwelten eingreifen.[2] Diese Verschiebung ist von erheblicher Bedeutung. Denn gerade im Fall von AGI ist begriffliche Unschärfe nicht nur ein theoretisches Problem, sondern ein praktisches Machtproblem. Die Frage „Was ist AGI?“ ist nie bloß eine technische Frage. Sie ist immer auch eine Frage nach Eigentum, Infrastruktur, Verteilung, politischer Kontrolle, institutioneller Verantwortung und gesellschaftlicher Zweckbindung.

Damit verändert sich zugleich die Perspektive auf das eigentliche Problem. Solange künstliche Intelligenz als bloße Leistungsfrage behandelt wird, scheint es nahezuliegen, den Schwerpunkt auf die Frage zu legen, wann ein System eine domänenübergreifende kognitive Leistungsfähigkeit erreicht, die mit menschlicher allgemeiner Intelligenz vergleichbar erscheint. Diese Fragestellung ist technisch legitim und erkenntnistheoretisch unvermeidlich. Gesellschaftlich bleibt sie dennoch unvollständig. Denn mit wachsender Reichweite, Generalität und Interventionsmacht intelligenter Systeme wird immer deutlicher, dass nicht allein zählt, was ein System kann, sondern wem es dient, wer es kontrolliert und nach welchen Werten, Regeln und institutionellen Verfahren es operiert.[3]

Ich halte diese Verschiebung für grundlegend. Der eigentliche Zweck künstlicher Intelligenz bis hin zu AGI liegt meines Erachtens nicht in der bloßen Steigerung von Leistung, Effizienz oder Rechenmacht. Maßgeblich ist vielmehr, ob solche Systeme dazu beitragen, dass Menschen besser leben, klüger entscheiden und große gemeinsame Probleme lösen können, ohne dass dabei Freiheit, Würde und Verantwortung untergraben werden.[4] Nicht technische Potenz als solche ist daher normativ ausschlaggebend, sondern die Frage, ob die Architektur intelligenter Systeme menschlichem und gesellschaftlichem Gelingen dient. Damit tritt an die Stelle eines reinen Leistungsparadigmas ein Architekturparadigma. Von Bedeutung ist nicht nur die Fähigkeit eines Systems zur Mustererkennung, Prognose oder Generierung, sondern die Form seiner Einbettung in Verantwortung, Kommunikation, Organisation, Verteilung und Governance.[5]

Diese Einsicht ist nicht nur normativ, sondern auch politökonomisch zentral. Ricardo Hausmann und Andrés Velasco haben in ihrem Beitrag „The Real Question About the AI Future“ vom 8. April 2026 zugespitzt formuliert, man solle sich nicht allein fragen, ob der KI-Boom eine Blase sei, sondern vielmehr, welche Art von Weltwirtschaft überhaupt entstehen müsste, damit die gegenwärtigen Marktbewertungen zentraler KI-Unternehmen plausibel erscheinen.[6] Mit dieser Formulierung verschiebt sich der Fokus von der Leistungsfähigkeit einzelner Modelle auf die politische Ökonomie der KI insgesamt. Genau darin liegt die eigentliche Brisanz. Denn selbst wenn AGI eines Tages in einem starken, menschenähnlichen Sinn realisiert würde, bliebe offen, wem diese Technologie nützt, wer ihre Infrastruktur kontrolliert und wie ihre Produktivitätsgewinne verteilt werden. Umgekehrt gilt ebenso: Auch ohne „echte“ AGI können heutige KI-Systeme bereits tiefgreifende Wirkungen auf Arbeitsmärkte, Wissensordnungen, Demokratie, Eigentumsstrukturen und geopolitische Abhängigkeiten entfalten.

Aus diesem Grund knüpfe ich in diesem Beitrag zugleich an meine früheren Arbeiten zum BCM-Modell und zur Hybrid-HCAI an. Die leitende These lautet, dass eine gesellschaftlich verantwortbare Form fortgeschrittener KI als föderierte neuro-symbolische Hybrid-Kollektivintelligenz zu denken ist. Ihre Vollständigkeit beruht auf fünf rekursiv gekoppelten Funktionslogiken: subsymbolische Skalierung, symbolische Regelbindung, menschliche Urteilshoheit, föderierte Verteilung und institutionell verankerte Governance.[7] Diese Architektur verstehe ich nicht bloß als Antwort auf technische Komplexität, sondern als Antwort auf die normative und politische Frage, wie KI der Menschheit dienen kann, ohne in technokratische Entmündigung, Verantwortungsdiffusion oder Machtkonzentration umzuschlagen.

Die zentrale Frage dieses Beitrags lautet daher nicht allein, ob AGI möglich ist. Sie lautet vielmehr, unter welchen architektonischen, institutionellen und ökonomischen Bedingungen künstliche Intelligenz überhaupt zu einer Quelle von Wachstum und Wohlstand für breite Bevölkerungsschichten werden kann – und wann sie stattdessen dazu tendiert, Reichtum, Wissen und Macht in den Händen weniger zu konzentrieren. Um diese Frage zu beantworten, ist es notwendig, den AGI-Begriff selbst zu klären, seine ideologischen und politökonomischen Funktionen offenzulegen, seine architektonischen Alternativen zu bestimmen und schließlich jene Bedingungen zu formulieren, unter denen KI nicht nur leistungsfähig, sondern gesellschaftlich verantwortbar, demokratisch eingebettet und wohlfahrtssteigernd wirkt.

2. DER BEGRIFF AGI: ZWISCHEN KOGNITIVER UNIVERSALITÄT UND BEGRIFFLICHER UNSCHÄRFE

Historisch entstand der Begriff AGI als Gegenbegriff zu enger, spezialisierter oder „narrow“ AI. In diesem Sinne bezeichnet AGI nicht irgendeine leistungsstarke Form künstlicher Intelligenz, sondern ein System mit domänenübergreifender Flexibilität, Lernfähigkeit und Generalisierungsvermögen. In gegenwärtigen populären und enzyklopädischen Darstellungen wird AGI meist als hypothetische KI beschrieben, die menschliche Fähigkeiten „über praktisch alle kognitiven Aufgaben hinweg“ erreicht oder übertrifft.[8] Auch Gary Marcus verweist in seinem Beitrag „Is AGI the right goal for AI?“ auf eine ähnliche Arbeitsdefinition, wenn er AGI als eine KI beschreibt, die „die kognitive Vielseitigkeit und Kompetenz eines gut ausgebildeten Erwachsenen erreichen oder übertreffen“ könne.[9]

Diese Definition wirkt zunächst präziser als zahlreiche marketinggetriebene Verwendungen des Begriffs. Dennoch bleibt sie in zentraler Hinsicht offen. Welche kognitiven Aufgaben sind genau gemeint? Welche Rolle spielen Verkörperung, situatives Weltwissen, kausales Verständnis, langfristige Planung, Fehlertoleranz, Zuverlässigkeit oder soziale Urteilskraft? Wie ist „Allgemeinheit“ überhaupt zu messen? Bereits an diesen Fragen zeigt sich, dass AGI kein etablierter, operational eindeutig messbarer Fachbegriff ist wie etwa „supervised learning“, „reinforcement learning“ oder „transformer architecture“. Vielmehr handelt es sich um einen umkämpften Leitbegriff, dessen Kriterien je nach theoretischem, wirtschaftlichem, psychologischem oder philosophischem Hintergrund erheblich variieren.

Gerade diese Heterogenität ist aufschlussreich. Einige Definitionen von AGI orientieren sich an wirtschaftlich verwertbaren Aufgabenfeldern, andere an allgemeinen Problemlösefähigkeiten, wieder andere an psychometrischen Modellen, an Modellen von Vernunft oder an philosophischen Konzepten von Intelligenz. Deshalb lässt sich AGI nur mit Mühe als klar abgegrenztes technisches Ziel beschreiben. Vielmehr erfüllt der Begriff häufig zugleich eine deskriptive, rhetorische und strategische Funktion. Wer AGI als kurz bevorstehend darstellt, kann Investitionen mobilisieren, politische Aufmerksamkeit auf sich ziehen, regulatorische Sonderbehandlungen rechtfertigen und die außergewöhnliche Bewertung eigener Infrastrukturen oder Unternehmensmodelle plausibilisieren.

Demgegenüber fällt auf, dass institutionelle Standardsetzungen wie jene der OECD bewusst auf einen engeren, governancefähigen KI-Begriff ausweichen. Die OECD definiert ein KI-System nicht über „allgemeine Intelligenz“, sondern als maschinenbasiertes System, das für explizite oder implizite Ziele aus Eingaben erschließt, wie Outputs wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt werden können, die physische oder virtuelle Umgebungen beeinflussen; zudem variieren solche Systeme hinsichtlich ihrer Autonomie und Adaptivität.[10] Diese Definition ist aus zwei Gründen besonders wichtig. Erstens macht sie deutlich, dass KI institutionell und regulatorisch schon heute relevant ist, ohne dass AGI erreicht sein muss. Zweitens verschiebt sie den Blick von mystifizierter Maschinenvernunft auf die konkrete Frage, wie Systeme inferieren, handeln und in menschliche Kontexte eingebettet sind.

Hier zeigt sich bereits ein erster zentraler Befund. Die klassische AGI-Definition ist intellektuell anregend, aber wissenschaftlich, institutionell und politökonomisch unzureichend. Sie abstrahiert von den sozialen Bedingungen, unter denen digitale Intelligenz erzeugt, trainiert, verbessert, kontrolliert und verwertet wird. Genau an dieser Stelle setzt meine Kritik an.

3. AGI ALS VERSCHLEIERUNGBEGRIFF: KRITIK AN DER ÜBLICHEN DEFINITION UND VERSCHIEBUNG ZUR INSTITUTIONELLEN ONTOLOGIE

Ich widerspreche der üblichen AGI-Definition mit dem Argument, dass sie das zugrunde liegende Geschäftsmodell moderner KI-Plattformen in erheblichem Maße verschleiert. Der Kern meiner Kritik lautet, dass heutige KI-Modelle nach außen als autonome „Denkmaschinen“ erscheinen, tatsächlich aber in hohem Maß auf der Sammlung, Verdichtung und Monetarisierung menschlicher Wissens-, Kommunikations- und Interaktionsleistungen beruhen. Je mehr Nutzer an Kommunikations-, Informations- und Interaktionsprozessen teilnehmen, desto größer wird der Wissensinput des Systems; die Plattform kann dieses kollektiv mitproduzierte Wissen anschließend in Form von KI-Output, Produktivitätsdiensten oder Entscheidungshilfen wieder verkaufen.

Diese Kritik ist bewusst zugespitzt, verweist aber auf einen realen Strukturpunkt digitaler Plattformökonomien. Der ökonomische Wert vieler digitaler Systeme entsteht nicht allein aus interner technischer Exzellenz, sondern aus Netzwerkeffekten, Nutzungsdaten, Verhaltensspuren, Rückkopplungsschleifen, menschlichen Korrekturen, Feinjustierungen durch Feedback und der Fähigkeit, heterogene Beiträge in proprietäre Infrastrukturen einzuschließen. In diesem Sinn ist moderne generative KI keine rein maschinelle Intelligenz, sondern eine technologisch verdichtete Form gesellschaftlicher Sprache, Aufmerksamkeit, Erfahrung und Problemlösung. Die OECD hebt selbst hervor, dass Entwicklungs- und Einsatzphasen von KI ineinandergreifen können und dass Fine-Tuning oder kontinuierliches Training im downstream use das Verhalten und die Leistung eines Systems wesentlich verändern können.[11]

Meine alternative Definition von AGI als „ultimative Symbiose“ menschlicher kognitiver Rechenleistung mit künstlicher Rechenleistung ist deshalb theoretisch produktiv, weil sie den Begriff aus der engen Maschinenperspektive löst und in den Rahmen sozio-technischer Systeme überführt. AGI wäre demnach nicht primär eine Eigenschaft eines isolierten Modells, sondern das emergente Resultat einer organisierten Vernetzung menschlicher Urteilskraft, semantischer Kompetenz und maschineller Formalisierungskraft. Der entscheidende Zusatz dieser Position ist normativ: Die Regeln dieser Symbiose dürfen nicht zentral von Plattformbetreibern gesetzt und verändert werden, sondern müssen dezentral von den Nutzern selbst mitbestimmt werden.

Wissenschaftlich gesprochen verschiebt diese These den AGI-Begriff von einer individualistischen zu einer institutionellen Ontologie. Nicht eine Maschine als solche ist Träger allgemeiner Intelligenz, sondern ein verteiltes System aus Menschen, Regeln, Interfaces, Datenflüssen, Rechenzentren, Speicherformen und Entscheidungsarchitekturen. Diese Perspektive besitzt einen erheblichen Vorteil. Sie macht sichtbar, dass die gesellschaftliche Bedeutung von KI nicht an Benchmarks allein hängt, sondern an Eigentumsverhältnissen, Kontrollrechten, Beteiligungsstrukturen und Governance-Modellen. Zugleich verlangt sie nach begrifflicher Schärfe. Denn nicht jede Form kollektiver Vernetzung ist bereits AGI. Präzision gewinnt diese Konzeption, wenn man sie nicht als Beschreibung heutiger Realitäten, sondern als normative Gegenkonzeption liest: AGI im emanzipatorischen Sinn wäre eine demokratisch organisierte, qualitativ lernfähige Hybridform aus Human-Computer-Interaction und kollektiver Intelligenz.

Diese Verschiebung ist keine bloße begriffliche Variation. Sie verändert den gesamten Horizont der Debatte. Sobald AGI nicht länger als isolierte Eigenschaft eines Systems, sondern als Form institutionell organisierter Intelligenz begriffen wird, tritt die Architekturfrage in den Vordergrund. Genau an dieser Stelle führt der Weg zu meiner eigenen Entwicklungslinie vom BCM-Modell über die Hybrid-HCAI bis hin zur föderierten neuro-symbolischen Hybrid-Kollektivintelligenz.

4. VOM BCM-MODELL ZUR HYBRID-HCAI: DIE ENTSTEHUNG EINER ARCHITEKTONISCHEN DENKFIGUR

Wenn ich den Weg vom BCM-Modell zur Hybrid-HCAI rekonstruiere, verstehe ich ihn nicht als lineare Innovationsgeschichte. Ich begreife ihn vielmehr als Entwicklung einer architektonischen Denkfigur, die aus praktischen Erfahrungen organisationaler Transformation hervorgegangen ist. Ausgangspunkt waren die tiefgreifenden Umbrüche nach dem Zusammenbruch der DDR und im Kontext der deutschen Wiedervereinigung. Unter Bedingungen raschen Strukturwandels wurde sichtbar, dass Organisationen nicht allein durch Hierarchie, Standardisierung und lineare Kontrolle stabilisiert werden können. Vielmehr war eine Form der Selbstorganisation erforderlich, in der Rollen, Zeitlogiken und Informationsflüsse so aufeinander bezogen werden, dass Verantwortung verteilt, Kommunikation rückgekoppelt und Wertschöpfung transparent gemacht wird.[12]

Das BCM-Modell war für mich deshalb von Anfang an weit mehr als ein Organisationsinstrument. Ich verstand es als Vorform einer Architektur, in der Komplexität nicht durch Zentralisierung verdrängt, sondern durch verteilte Verantwortung und transparente Koordination produktiv gemacht wird. Bereits dort wurden Transparenz, Feedback, dezentrale Verantwortung, Rollenorientierung und adaptive Selbststeuerung als Strukturprinzipien formuliert.[13] Entscheidender Kern war für mich immer, dass Selbstorganisation nicht mit Regellosigkeit verwechselt werden darf. Sie ist nur dann tragfähig, wenn sie strukturiert, regelgebunden und technisch wie sozial abgestützt ist.[14]

Mit dem Übergang zur Hybrid-HCAI wurden diese Prinzipien nicht aufgegeben, sondern auf ein neues technologisches Niveau gehoben. Ich verstehe Hybrid-HCAI nicht primär als einzelne Technologie, sondern als soziotechnisches Betriebssystem, das menschliches Urteilsvermögen, symbolische KI und subsymbolische KI in eine transparente, föderierte und verantwortungsorientierte Architektur integriert.[15] In dieser Perspektive ist Hybrid-HCAI nicht die Negation des BCM, sondern dessen Weiterentwicklung unter den Bedingungen der KI-getriebenen digitalen Moderne.[16]

Die Verbindungslinie erscheint mir heute sogar deutlicher als in ihren Anfängen. Schon im BCM ging es um die Frage, wie Verantwortung, Kommunikation und Selbststeuerung in komplexen Umwelten architektonisch so organisiert werden können, dass Systeme handlungsfähig bleiben. Mit der Verbreitung KI-gestützter Systeme stellt sich dieselbe Frage auf höherer Ebene erneut. Nun geht es nicht mehr nur um Rollen, Prozesse und Informationsflüsse in Organisationen, sondern um die Form, in der menschliche, symbolische und maschinelle Intelligenz miteinander gekoppelt werden.

Insofern liegt zwischen BCM und Hybrid-HCAI kein Bruch, sondern eine Transformation des architektonischen Grundproblems. Was früher als organisationsmethodische Frage der Selbststeuerung erschien, stellt sich heute als umfassendere Frage nach der Verfassung gesellschaftlicher Intelligenz dar. Die eigentliche Aufgabe besteht darin, technische Potenz mit menschlicher Urteilshoheit, semantischer Explizierbarkeit, verteilter Zuständigkeit und institutioneller Rechenschaft zu verbinden. Damit wird zugleich deutlich, warum die Debatte über AGI nicht sinnvoll auf eine hypothetische allgemeine Maschinenintelligenz beschränkt werden kann. Die entscheidende Herausforderung liegt in der Gestaltung einer Intelligenz- und Verantwortungsarchitektur.

5. DAS ADAPTION-GAP: WARUM DIGITALISIERUNG OHNE ARCHITEKTONISCHE UND INSTITUTIONELLEN ERNEUERUNG SCHEITERT

Von zentraler Bedeutung für diese Argumentation ist die Diagnose eines Adaption-Gap, also einer strukturellen Anpassungslücke zwischen technologischer Dynamik und organisationaler Wirklichkeit. Mit anderen Worten: Je höher die Veränderungsdynamik in Wirtschaft, Politik und Gesellschaft, umso geringer wird die verfügbare Zeit und umso höher wird die benötigte Zeit der Anpassung in den Organisations-, Informations- und Prozessstrukturen jedes Sozialen Systems (Familie, Organisation, Unternehmen, Gesellschaft). Dieses Problem berührt ein Phänomen, das auch in der Forschung zur digitalen Transformation beschrieben worden ist: Trotz erheblicher Investitionen in Informations- und Kommunikationstechnologien, Plattformen, Automatisierung und datenbasierten Systemen blieb der erwartete Produktivitätsschub vielfach aus. Brynjolfsson, Rock und Syverson haben diese Diskrepanz auf Implementierungsverzögerungen, Messprobleme, Verteilungseffekte und fehlende komplementäre Organisationsveränderungen zurückgeführt.[17]

Ich gehe jedoch einen Schritt weiter. Das Defizit erscheint mir nicht bloß als Einführungsverzug, sondern als Ausdruck einer tiefer liegenden systemischen Asynchronität zwischen Technologie, Organisation und Governance. Das Adaption-Gap besitzt aus meiner Sicht eine strukturelle, kulturelle und normative Dimension. Strukturell bleiben bürokratische Hierarchien bestehen, die auf Stabilität und Kontrolle in relativ statischen Umwelten zugeschnitten sind. Kulturell überdauern Routinen, implizite Normen und Machtmuster, die sich durch technologische Neuerungen nicht automatisch transformieren. Normativ und governance-seitig fehlt häufig ein kohärenter Rahmen, der Entscheidungswege, Verantwortung, Auditierbarkeit und Feedback systematisch ordnet.[18]

Gerade darin liegt die tiefere Bedeutung des Problems. Die Schwäche vieler Digitalisierungsprozesse besteht nicht nur darin, dass sie technisch unvollständig oder zu langsam umgesetzt wurden. Sie besteht darin, dass technologische Neuerung auf institutionelle Arrangements trifft, die ihrem eigenen Strukturprinzip widersprechen. Hochdynamische, datengetriebene und lernfähige Systeme werden in Ordnungen eingebettet, die auf lineare Planung, vertikale Kontrolle, Silologiken und geringe Rückkopplung ausgelegt sind. Die Folge ist nicht selten eine paradoxe Situation: Es wird mehr Technologie eingeführt, ohne dass die Organisation dadurch intelligenter, lernfähiger oder produktiver wird.

Hier berührt sich meine Diagnose mit der Argumentation von Acemoglu und Johnson. Deren zentrale Einsicht lautet, dass technologischer Fortschritt keineswegs automatisch zu breitem Wohlstand führt, sondern entscheidend von institutionellen Arrangements und Machtverteilungen abhängt. Technologiepfade sind nicht neutral; sie können bestehende Kontroll- und Machtstrukturen sogar verfestigen, wenn sie nicht in neue Formen kollektiver Gestaltung eingebunden werden.[19] Unter normativem Gesichtspunkt ist dies für die KI-Debatte entscheidend. Wenn der Zweck von KI nicht in „immer mehr Leistung“, sondern in einem Beitrag zum guten Leben, zu klügerer Entscheidung und zur Lösung gemeinsamer Probleme besteht, dann zeigt das Adaption-Gap, dass technische Innovation ohne architektonische und institutionelle Erneuerung ihr eigenes Versprechen verfehlt.[20]

Es genügt also nicht, leistungsfähigere Systeme zu entwickeln, wenn deren Einbettung in Organisationen und Gesellschaften auf Mustern beruht, die Verantwortung verdünnen, Partizipation schwächen und intransparente Machtzentren stabilisieren. Das Adaption-Gap markiert deshalb einen Wendepunkt der Debatte. Es macht sichtbar, dass die Zukunft intelligenter Systeme nicht von der Verbesserung einzelner Modelle allein abhängt, sondern von der Fähigkeit, diese Systeme in transparente Rollenarchitekturen, belastbare Rückkopplungsschleifen und legitime Verantwortungsordnungen einzubetten. Die eigentliche Alternative lautet nicht analog gegen digital oder menschlich gegen maschinell, sondern technokratische gegen verantwortbare Architektur.

6. HYBRID-HCAI ALS KOOPERATIONSARCHITEKTUR: DIE VERBINDUNG MENSCHLICHER, SYMBOLISCHER UND SUBSYMBOLISCHER INTELLIGENZ

Als Antwort auf diese Diagnose habe ich das Modell der Hybrid-HCAI entwickelt. Dessen Grundannahme lautet, dass gesellschaftlich tragfähige KI nicht als Ersatzarchitektur für menschliche Urteilskraft, sondern als Kooperationsarchitektur konzipiert werden muss. Hybrid-HCAI verbindet drei Formen von Intelligenz systematisch miteinander.[21] Die menschliche Ebene bildet die normative und kontextuelle Grundlage. Auf ihr werden Zielsetzungen formuliert, Werturteile gefällt, Prioritäten gesetzt und Verantwortung übernommen.[22] Die symbolische Ebene übersetzt Regeln, Rollenmodelle, Prozesse, Ontologien und Entscheidungslogiken in explizite, maschinenlesbare und prüfbare Formen. Sie sichert Erklärbarkeit, Konsistenz und normative Anschlussfähigkeit.[23] Die subsymbolische Ebene umfasst neuronale Netze, statistische Verfahren und generative Modelle. Ihre Stärke liegt in Mustererkennung, Prognose und der Skalierung komplexer Informationsverarbeitung, nicht jedoch in eigenständiger normativer Letztentscheidung.[24]

Mit diesem Modell wende ich mich ausdrücklich gegen eine einseitige Delegation an intransparente Systeme. Hybrid-HCAI setzt auf eine Arbeitsteilung, in der maschinelle Skalierung, regelgebundene Symbolik und menschliche Verantwortung einander ergänzen. Diese Auffassung steht in enger Nähe zu Ben Shneidermans Verständnis einer Human-Centered AI, die technische Systeme als Instrumente menschlicher Stärkung und nicht menschlicher Entmündigung begreift.[25] Gerade an dieser Stelle gewinnt der Zweckgedanke seine volle Schärfe. Wenn KI der Menschheit helfen soll, besser zu leben und klüger zu entscheiden, dann darf sie weder als bloßes Automatisierungsinstrument noch als autonome Superinstanz verstanden werden. Ihre angemessene Form ist vielmehr eine Kooperationsarchitektur, in der technische Leistungsfähigkeit an menschliche Zielsetzung, symbolische Regelbindung und institutionelle Verantwortung rückgebunden bleibt.[26] Hybrid-HCAI ist in diesem Sinne nicht bloß ein technisches Modell, sondern ein normatives Ordnungsmodell. Es beschreibt eine Form organisierter Intelligenz, in der Komplementarität an die Stelle von Verdrängung tritt. Maschinen sollen nicht den Menschen aus der Verantwortung drängen, sondern menschliche und kollektive Handlungsfähigkeit erweitern. Zugleich wird durch die symbolische Schicht sichergestellt, dass diese Erweiterung nicht im Modus bloßer statistischer Plausibilität verbleibt, sondern in explizite Begriffe, Rollen, Regeln und überprüfbare Entscheidungspfade übersetzt werden kann.

Damit eröffnet Hybrid-HCAI einen Weg jenseits zweier Sackgassen, die die gegenwärtige KI-Debatte prägen. Die erste Sackgasse besteht in der rein technologischen Euphorie, die in wachsender Rechenleistung und Modellgröße bereits den Königsweg zu allgemeiner Intelligenz erkennt. Die zweite Sackgasse besteht in einer pauschalen Technikskepsis, die komplexe digitale Systeme nur als Bedrohung menschlicher Autonomie versteht. Der kooperative Ansatz der Hybrid-HCAI weist demgegenüber darauf hin, dass die relevante Unterscheidung nicht zwischen menschlich und maschinell, sondern zwischen verdrängender und ergänzender, intransparenter und expliziter, zentralisierender und verantwortbarer Architektur verläuft.

7. DIE ARCHITEKTONISCHE ERWEITERUNG: FÖDERIERUNG UND GOVERNANCE ALS KONSTITUTIVE DIMENSIONEN

So tragfähig das dreischichtige Modell der Hybrid-HCAI bereits ist, so legt es meines Erachtens doch eine weitere Ausdifferenzierung nahe. Denn sobald die Frage nicht nur lautet, wie menschliche, symbolische und subsymbolische Intelligenz gekoppelt werden, sondern auch wo, zwischen welchen Einheiten, unter welchen Zuständigkeitsbedingungen und nach welcher Metaordnung, treten zwei zusätzliche Funktionslogiken hervor: Föderierung und Governance.[27]

Diese Erweiterung folgt nicht aus äußerlichem Ergänzungsbedarf, sondern aus der inneren Logik des Modells selbst. Eine Architektur, die menschliche, symbolische und subsymbolische Ebenen verbindet, kann zentralistisch oder verteilt organisiert sein. Sie kann implizite oder explizite Regeln für Audit, Haftung, Revision und Eingriff besitzen. Sobald jedoch Organisationen, Netzwerke, Verwaltungen oder gesellschaftliche Infrastrukturen in den Blick geraten, reicht die dreischichtige Beschreibung nicht mehr aus. Dann wird entscheidend, wie Wissen, Daten, Modelle, Kontexte und Zuständigkeiten räumlich und institutionell verteilt sind und wie die Gesamtarchitektur legitimiert, kontrolliert und korrigiert werden kann.[28]

Daraus ergibt sich für mich die folgende Architekturformel: Subsymbolik skaliert. Symbolik regelt. Der Mensch entscheidet. Föderierung verteilt. Governance verantwortet.[29] Diese Formel beantwortet fünf Grundfragen jeder leistungsfähigen und legitimen Intelligenzordnung: Wie verarbeitet das System Komplexität? Wie werden Ergebnisse semantisch expliziert und normativ gebunden? Wer trägt die letzte Verantwortung für Ziele und Werte? Wie werden Wissen, Zuständigkeiten und Perspektiven verteilt? Wie bleibt das Gesamtsystem rechenschaftsfähig, korrigierbar und institutionell kontrollierbar?[30]

Gerade unter dem hier leitenden normativen Gesichtspunkt erweist sich diese Erweiterung als notwendig. Soll KI der Menschheit dienen, statt sie zu dominieren, genügt keine Architektur, die bloß leistungsfähig ist. Erforderlich ist eine Ordnungsform, in der technische Skalierung an semantische Verständlichkeit, menschliche Urteilshoheit, verteilte Souveränität und institutionelle Rechenschaft gebunden wird.[31]

Föderierung bedeutet in diesem Zusammenhang weit mehr als technische Dezentralisierung. Sie bezeichnet die verteilte Verankerung von Wissen, Daten, Zuständigkeiten und Urteilsräumen. Eine solche Verteilung schützt vor epistemischer Monopolisierung und organisatorischer Machtkonzentration. Governance wiederum bezeichnet nicht bloß äußere Regulierung, sondern die Metaordnung des Gesamtsystems: die Regeln der Regeln, die Verfahren der Revision, die Institutionalisierung von Audit, Intervention und Haftung.[32] Erst im Zusammenspiel dieser beiden zusätzlichen Logiken wird aus einer dreischichtigen Kooperationsarchitektur eine vollständige Intelligenz- und Verantwortungsarchitektur.

8. DIE FÜNF FUNKTIONSLOGIKEN DER VOLLSTÄNDIGEN ARCHITEKTUR

Die vollständige Architektur gesellschaftlich verantwortbarer KI lässt sich nur dann adäquat beschreiben, wenn ihre fünf Funktionslogiken nicht als lose Elemente, sondern als konstitutive Struktur begriffen werden.

Die erste Funktionslogik lautet – Subsymbolik skaliert: Subsymbolische Verfahren bilden die operative Intelligenzschicht des Systems. Sie verarbeiten große, dynamische und heterogene Datenräume, erkennen Muster, identifizieren Anomalien, generieren Vorhersagen und unterstützen adaptive Optimierung.[33] Ihre Stärke liegt in Reichweite, Verdichtung und Flexibilität. Gerade in Umwelten hoher Komplexität und Unsicherheit sind sie unverzichtbar. Ihre Grenze liegt jedoch in der normativen Unterbestimmtheit. Sie liefern funktionale Plausibilität, aber keine hinreichende Rechtfertigung von Geltung.[34]

Die zweite Funktionslogik lautet – Symbolik regelt: Die symbolische Ebene übersetzt statistische Muster in explizite Begriffe, Regeln, Rollen, Prozesse und normative Strukturen. Sie schafft Erklärbarkeit, Überprüfbarkeit, Konsistenz und institutionelle Anschlussfähigkeit. Symbolik ist nicht bloß eine nachträgliche Erläuterungsschicht, sondern die regulative Verfassung der Verwendung von KI.[35] Diese Einsicht ist an aktuelle Governance-Rahmen unmittelbar anschlussfähig. ISO/IEC 42001:2023 formuliert Anforderungen an ein Managementsystem für künstliche Intelligenz und verweist damit auf die Notwendigkeit expliziter organisatorischer Regel- und Steuerungsschichten.

Die dritte Funktionslogik lautet – Der Mensch entscheidet: Die menschliche Ebene bleibt die legitimatorische Oberinstanz. Menschen definieren Zwecke, priorisieren Werte, bewerten Ausnahmen, interpretieren unvollständig formalisierbare Situationen und tragen Verantwortung gegenüber den Folgen kollektiver Entscheidungen.[36] Wenn KI dazu beitragen soll, dass Menschen klüger entscheiden, dann setzt dies voraus, dass ihre Architektur menschliche Urteilshoheit stärkt und nicht entleert.[37]

Die vierte Funktionslogik lautet – Föderierung verteilt: Damit tritt die räumlich-organisatorische Dimension der Architektur in den Vordergrund. Wissen, Daten, Modelle, Präferenzen und Zuständigkeiten dürfen nicht notwendig in einer einzigen zentralen Instanz verschmolzen werden. Lokale Kontexte, institutionelle Differenzierungen und domänenspezifische Verantwortlichkeiten müssen erhalten bleiben können.[38] Unter normativem Gesichtspunkt schützt Föderierung vor Machtkonzentration und sichert Pluralität, Kontextsensitivität und verteilte Souveränität.[39]

Die fünfte Funktionslogik lautet – Governance verantwortet: Governance bildet die Metaordnung des Gesamtsystems. Sie legt fest, wer Regeln setzen und ändern darf, wer Modelle trainiert, validiert oder einschränkt, welche Auditmechanismen gelten, wann menschliche Intervention erforderlich ist, wie Konflikte bearbeitet werden und wer im Schadensfall haftet.[40] Diese Einsicht korrespondiert sowohl mit der Verordnung (EU) 2024/1689 als auch mit ISO/IEC 42001:2023, die beide unterstreichen, dass Governance eine Kernbedingung institutionalisierter KI-Praxis ist.

Diese fünf Funktionslogiken sind nicht additiv, sondern konstitutiv. Fehlt eine von ihnen, entsteht keine vollständige Architektur gesellschaftlich verantwortbarer Intelligenz, sondern nur eine partielle Vorform: leistungsfähig, aber blind; regelgebunden, aber unflexibel; menschlich legitimiert, aber organisatorisch überfordert; verteilt, aber verantwortungsdiffus; oder formal reguliert, aber ohne reale Intelligenzleistung.[41]

9. REKURSIVE KOPPLUNG, ANWENDUNGSKONTEXTE UND DIE VERSCHIEBUNG DER AGI-DEBATTE

Die fünf Funktionslogiken dürfen nicht als starre lineare Abfolge missverstanden werden. In realen sozio-technischen Systemen stehen sie in rekursiven Rückkopplungen.[42] Subsymbolische Ergebnisse beeinflussen symbolische Kategorisierungen und Regelanwendungen. Symbolische Regeln verändern die Einsatzbedingungen maschineller Modelle. Menschliche Entscheidungen revidieren Ziele, Prioritäten und Regelwerke. Föderierte Einheiten melden neue Kontexte und abweichende Bewertungen zurück. Governance passt Eingriffsschwellen, Rollen und Auditstandards an veränderte Risiken und Erfahrungen an.[43]

Diese Rekursivität ist anschlussfähig an meinen Bezug auf kybernetische Konzepte der Stabilität zweiter Ordnung. Eine verantwortbare KI-Architektur muss Wandel ermöglichen, ohne Verantwortung zu verlieren, und Verantwortung sichern, ohne Lernfähigkeit zu blockieren.[44] Gerade darin liegt ihre Überlegenheit gegenüber sowohl starren bürokratischen Kontrollregimen als auch ungebremsten technokratischen Selbstoptimierungsmodellen. Eine intelligente Ordnung ist nicht jene, die Wandel verhindert, sondern jene, die Wandel so organisiert, dass er korrigierbar, legitimierbar und verantwortbar bleibt.

Die Tragweite dieses Ansatzes wird besonders deutlich, wenn man ihn als soziotechnische Architektur für Organisationen und Gesellschaften liest. In Unternehmen und Verwaltungen eröffnet eine Hybrid-HCAI-Architektur die Möglichkeit, überlastete Zentralsteuerung durch rollenbasierte, regelgebundene und KI-unterstützte Selbstorganisation zu entlasten.[45] In Netzwerkorganisationen und Verbundsystemen ermöglicht eine föderierte Architektur Kooperation ohne vollständige Zentralisierung.[46] In gesellschaftlichen Infrastrukturen schließlich, etwa in Mobilität, Bildung, Energie oder Verwaltung, lässt sich Hybrid-HCAI als Baustein einer digitalen Verfassung lesen.[47]

Für die AGI-Debatte folgt daraus eine tiefgreifende begriffliche Verschiebung. Allgemeine KI ist nicht allein nach ihrer Problemlösungskapazität, sondern nach der Art zu beurteilen, wie ihre Intelligenz institutionell organisiert ist.[48] Eine reife Form fortgeschrittener KI wäre demnach nicht einfach ein System, das möglichst viele Aufgaben autonom und effizient erledigt. Reifer wäre vielmehr ein Systemverbund, in dem maschinelle Skalierung, symbolische Regelbindung, menschliche Urteilshoheit, föderierte Verteilung und Governance so gekoppelt sind, dass daraus eine stabile und verantwortbare Gesamtintelligenz entsteht.[49]

Der Maßstab von KI bis hin zu AGI liegt demnach nicht in der Maximierung von Rechenmacht oder Autonomie, sondern darin, ob ihre Architektur der Menschheit hilft, besser zu leben, klüger zu entscheiden und große gemeinsame Probleme zu lösen, ohne Freiheit, Würde und Verantwortung zu untergraben.[50]

10. GARY MARCUS: WARUM DER AGI-HYPE ANALYTISCH UND POLITISCH PROBLEMATISCH IST

Gary Marcus nimmt in der gegenwärtigen AGI-Debatte eine eigentümliche Doppelrolle ein. Er gehört weder zu jenen, die AGI prinzipiell für einen leeren Begriff halten, noch zu den Enthusiasten, die große Sprachmodelle bereits als direkten Weg dorthin ansehen. Vielmehr argumentiert er, dass AGI ein mögliches Langfristziel sein mag, große Sprachmodelle aber weder technisch noch moralisch der richtige Pfad seien.[51] Seine Kritik richtet sich gegen die Überschätzung gegenwärtiger Systeme ebenso wie gegen jene Rhetoriken, die AGI als nahezu unmittelbar bevorstehend darstellen. Marcus’ Einwand ist für eine wissenschaftliche AGI-Kritik zentral, weil er auf die Differenz zwischen Leistungsillusion und robuster Generalität verweist. LLMs können in vielen offenen Sprachaufgaben beeindruckend wirken, bleiben aber in Bereichen wie kausaler Erklärung, konsistenter Planung, Zuverlässigkeit, realitätsgesättigter Modellierung und ungewöhnlichen Problemsituationen oft fragil. Gerade deshalb hält Marcus es für verfehlt, aus dem Erfolg solcher Systeme vorschnell auf das baldige Erreichen allgemeiner Intelligenz zu schließen.[52] Seine Position stützt damit eine nüchterne These: Zwischen statistisch leistungsfähiger Textgenerierung und belastbarer allgemeiner Problemlösefähigkeit liegt eine große konzeptionelle und technische Distanz.

Politisch noch wichtiger ist Marcus’ metakritischer Punkt. Überzogene AGI-Warnungen und AGI-Heilsversprechen können dieselbe Wirkung entfalten, nämlich den Hype um wenige führende Modelle und Unternehmen weiter anzuheizen. Wenn Regierungen und Öffentlichkeit glauben, dass eine epochale allgemeine KI kurz bevorsteht, erscheinen außergewöhnliche Investitionen, Machtkonzentrationen und sicherheitspolitische Sonderrechte leicht als rational. Dann wird aus vermeintlicher Vorsicht ein Beschleuniger der Konzentration. Diese Diagnose verbindet Marcus’ Kritik mit meiner eigenen. Beide Perspektiven machen darauf aufmerksam, dass AGI-Rhetorik nicht neutral ist. Sie wirkt in Finanzmärkte, Regulierung, Unternehmensbewertung und geopolitische Strategien hinein. Der Unterschied liegt darin, dass Marcus vorrangig die kognitive und technische Unangemessenheit heutiger LLMs betont, während meine Kritik die ökonomische Aneignung kollektiver Intelligenz, die architektonische Fehlform und die institutionelle Machtfrage in den Vordergrund stellt.

Beide Perspektiven ergänzen sich. Zusammengenommen ergeben sie eine starke These: Der dominante AGI-Diskurs überschätzt die Autonomie heutiger Systeme und unterschätzt zugleich die Rolle sozialer Infrastrukturen, menschlicher Vorleistungen und institutioneller Macht.

11. HAUSMANN UND VELASCO: AGI, WELTWIRTSCHAFT UND DIE LOGIK GLOBALER GEWINNABSCHÖPFUNG

Den stärksten makroökonomischen Zugriff auf die gegenwärtige KI-Debatte liefern Ricardo Hausmann und Andrés Velasco. Ihr Ausgangspunkt ist nicht die technische Frage, ob AGI bald erreicht wird, sondern die finanzielle und geopolitische Implikation heutiger KI-Bewertungen. Sie argumentieren, dass die Marktbewertungen einer Kerngruppe zentraler KI-Unternehmen – darunter Nvidia, Alphabet, Apple, Microsoft, Meta, Broadcom, Tesla, OpenAI, Anthropic, SpaceX-xAI und AWS – nur dann plausibel erscheinen, wenn diese Unternehmen bis 2036 zusätzliche jährliche Auslandserlöse in gewaltiger Höhe erzielen. Unter konservativen Annahmen veranschlagen sie rund 2,4 Billionen US-Dollar zusätzliche jährliche Auslandsumsätze; diese Größenordnung entspräche ungefähr dem gesamten heutigen US-Warenexport und läge deutlich über der Größenordnung des US-Leistungsbilanzdefizits.[53] Zugleich verweisen sie darauf, dass diese Renditen an Unternehmen fließen würden, die zusammengenommen weniger als eine Million Menschen beschäftigen. Ihr zugespitztes Fazit lautet deshalb, dies sei keine Geschichte breit verteilter Beschäftigungseffekte, sondern eine Geschichte von Ansprüchen einer kleinen Gruppe auf das künftige Einkommen der übrigen Menschheit.[54]

Diese Diagnose ist für jede normative KI-Theorie von größter Bedeutung. Denn sie legt nahe, dass der KI-Boom nicht in erster Linie als Schub einer breit getragenen Innovationsökonomie verstanden werden darf, sondern als möglicher Übergang zu einer Weltwirtschaft, in der der Zugang zu unverzichtbarer KI-Infrastruktur rentenförmig bepreist wird. Die Rente ist in der Wirtschaft ein regelmäßiges Einkommen, das ohne unmittelbare Gegenleistung erzielt wird. Hausmann und Velasco schreiben ausdrücklich, dass US-Macht im 21. Jahrhundert zunehmend auf dem Besitz unentbehrlicher KI-Infrastruktur beruhen könnte; die Herausforderung für den Rest der Welt werde darin liegen, wie dieser Zugang finanziert werden solle.[55] Damit erscheint KI nicht nur als Technologie, sondern als strategischer Flaschenhals.

Hier berührt sich die Analyse direkt mit meiner AGI-Kritik. Wenn AGI – oder schon der Vorgriff auf AGI – als Narrativ fungiert, um außergewöhnliche Bewertungen, massive Infrastrukturinvestitionen und geopolitische Vorrangstellungen zu rechtfertigen, dann steht hinter dem Begriff nicht nur ein technisches Projekt, sondern ein Anspruch auf zukünftige globale Zahlungsströme. In dieser Lesart wird AGI zum ideologischen und ökonomischen Knotenpunkt einer neuen Form von Rentenkapitalismus. Rentenkapitalismus bezeichnet ein Wirtschaftssystem, in welchem die Eigentümer ihren Grundbesitz gegen einen erheblichen Anteil an der Ernte (50 Prozent und mehr) Pächtern zur Bewirtschaftung überlassen.

Wer die Basismodelle, Chips, Clouds, Sicherheitsstandards und Integrationsschnittstellen kontrolliert, verfügt über eine privilegierte Position in der Abschöpfung weltweiter Produktivitätsgewinne. Wissenschaftlich lässt sich daraus eine klare Unterscheidung ableiten. KI kann als general purpose technology erhebliche Produktivitätspotenziale entfalten; die OECD hält fest, dass generative KI wesentliche Merkmale solcher allgemeinen Basistechnologien aufweist, darunter Verbreitbarkeit, kontinuierliche Verbesserung und innovationsgenerierende Folgeeffekte.[56]

Doch aus dem Charakter einer General-Purpose-Technologie folgt keineswegs automatisch eine egalitäre Verteilung ihrer Erträge. Im Gegenteil: Gerade Basistechnologien können in frühen Phasen starke Konzentrationstendenzen erzeugen, wenn Komplementärgüter, Infrastrukturen und Standards in wenigen Händen liegen. Die Frage nach Wachstum und Wohlstand für alle ist daher nicht durch Technologieeigenschaften allein zu beantworten, sondern nur über Eigentum, Wettbewerb, Arbeitsmarktinstitutionen und politische Gestaltung.

12. PAUL KRUGMAN: DIE OFFENE FRAGE NACH VERTEILUNG, DEMOKRATIE UND AUSGLEICH

Paul Krugmans Beitrag „The Economics of Technological Change“ vom 1. März 2026 ist gerade deshalb so wichtig, weil er keine einfache Vorhersage behauptet. Bereits im frei zugänglichen Einleitungsteil formuliert Krugman, sein Ziel sei es, einen intellektuellen Rahmen zu schaffen, in dem über mögliche ökonomische Szenarien von KI nachgedacht werden könne; eine solche Übersicht könne nicht sagen, „was als Nächstes passieren wird“, liefere aber wichtigen Kontext für jede ökonomische Szenarienbildung zu KI.[57] Der von mir zitierte Schlussgedanke, KI könne sich möglicherweise als „ausgleichende Kraft“ erweisen, ist in diesem Zusammenhang zu lesen: nicht als Prognose, sondern als Öffnung eines Möglichkeitsraums.

Diese Vorsicht ist ökonomisch angemessen. Die Geschichte technologischen Wandels zeigt weder einen linearen Fortschritt zu allgemeinem Wohlstand noch eine automatische Tendenz zur Verelendung. Technologische Umbrüche können Produktivität erhöhen, Lohnquoten drücken, Monopole schaffen, neue Branchen eröffnen, politische Macht konzentrieren oder dezentralisieren. Krugmans Ansatz erinnert daran, dass Technologien keine festen Verteilungseffekte „in sich tragen“. Ihre Wirkungen hängen von Institutionen, Marktstrukturen und politischer Regulierung ab.

In diesem Punkt lässt sich seine Haltung direkt mit Hausmann und Velasco verbinden. Derselbe KI-Schub kann entweder als steuergetriebene Machtkonzentration oder als breiter Produktivitätsimpuls wirksam werden – je nachdem, wie Eigentum, Zugang und Wettbewerb organisiert sind.

Für meine Argumentation ist Krugman deshalb besonders fruchtbar. Denn er erlaubt, meine AGI-Kritik nicht als technikfeindliche Ablehnung, sondern als institutionelle Umsteuerungsforderung zu formulieren. Die Alternative lautet nicht „KI oder keine KI“, sondern „konzentrierte KI-Ökonomie oder demokratisch eingebettete KI-Ökonomie“. Erst diese Unterscheidung macht verständlich, warum KI trotz realer Konzentrationsrisiken dennoch ein Instrument breiten Wohlstands werden könnte.

13. UNTER WELCHEN BEDINGUNGEN KI TÄTSÄCHLICH WACHSTUM UND WOHLSTAND FÜR ALLE SCHAFFT

Aus den bisherigen Überlegungen folgt, dass die Wirkung von KI auf Wachstum und Wohlstand nicht davon abhängt, ob AGI im starken Sinn erreicht wird. Entscheidend ist vielmehr, wie KI institutionell und architektonisch organisiert wird. Vier Bedingungen sind dabei besonders wichtig.

Erstens bedarf es eines breiten Zugangs zu Infrastruktur statt proprietärer Flaschenhälse. Wenn leistungsfähige KI nur über wenige proprietäre Clouds, Modelle und Schnittstellen verfügbar ist, entstehen für viele Nutzer zwar Anwendungsmöglichkeiten, aber die strukturellen Steuern verbleiben bei den Infrastrukturbesitzern. Breiter Wohlstand setzt daher offene oder zumindest wettbewerblich zugängliche Basisschichten voraus: interoperable Standards, faire Lizenz- und Zugangsmodelle, Anschlussmöglichkeiten für kleinere Unternehmen, öffentliche Forschung und notfalls öffentliche oder genossenschaftliche Alternativen. Hausmann und Velasco weisen gerade deshalb auf die geopolitische Brisanz der KI-Infrastruktur hin, weil Kontrolle über diese Schicht überproportionale globale Einkommensansprüche erzeugen kann.[58] Diese Einsicht lässt sich unmittelbar mit der architektonischen Logik der Föderierung verbinden. Eine verteilte Intelligenzordnung, in der Wissen, Modelle, Daten und Zuständigkeiten nicht notwendig in einer einzigen zentralen Instanz zusammengezogen werden, verbessert nicht nur die Machtbalance, sondern auch die Chancen auf eine breitere ökonomische Diffusion von Produktivitätsgewinnen.

Zweitens ist Komplementarität zur Arbeit statt bloßer Substitution erforderlich. Die produktivitäts- und verteilungspolitisch günstigste Form technologischen Wandels ist in der Regel jene, die menschliche Fähigkeiten ergänzt, nicht jene, die sie wahllos ersetzt. Marcus’ Skepsis gegenüber dem Primat allgemeiner Chat-Systeme lässt sich hier ökonomisch deuten: Je stärker KI als spezialisierte, überprüfbare Unterstützung in Medizin, Wissenschaft, Technik, Bildung, Recht oder Verwaltung wirkt, desto eher stärkt sie die Leistungsfähigkeit vieler Berufe. Je stärker sie dagegen als generischer Ersatz menschlicher Urteilskraft in fehlerkritischen Umgebungen eingesetzt wird, desto größer sind die Risiken von Qualitätsverlust, Entwertung von Expertise und Vertrauensschäden.[59] Genau hier setzt das Hybrid-HCAI-Modell an. Es begreift gesellschaftlich tragfähige KI nicht als Ersatzarchitektur, sondern als Kooperationsarchitektur. Maschinen sollen nicht den Menschen aus der Verantwortung drängen, sondern menschliche und kollektive Handlungsfähigkeit erweitern.

Drittens bedarf es einer fairen Rückkopplung gesellschaftlicher Wissensproduktion. Meine Kritik an der Aneignung kollektiver Intelligenz verweist auf ein strukturelles Verteilungsproblem: Wenn Nutzer durch Interaktion, Korrektur und Wissensbeiträge laufend an der Verbesserung von Systemen mitwirken, ohne an den entstehenden Wertschöpfungsketten beteiligt zu sein, entsteht eine asymmetrische Abschöpfungsordnung. Breiter Wohlstand verlangt deshalb Mechanismen fairer Rückkopplung: Transparenz über Datennutzung, Beteiligungsmodelle, Rechenschaftspflichten, kollektive Aushandlung von Nutzungsrechten und institutionelle Formen, die gesellschaftliche Wissensproduktion nicht vollständig in private Vermögenszuwächse übersetzen.

Die OECD betont in anderem Zusammenhang die Bedeutung menschlicher Agency, Oversight und Verantwortung; für eine demokratische KI-Ökonomie müssten diese Prinzipien um Eigentums- und Beteiligungsfragen erweitert werden.[60]

Viertens ist eine demokratische Governance von Information, Macht und Qualität unverzichtbar. Hier werden meine vier Grundsatzfragen besonders relevant: Wie gelangen die richtigen Informationen zur richtigen Zeit zu den richtigen Personen? Wie werden Interaktionen auf Augenhöhe organisiert? Wie lassen sich Werte, Macht und Informationsflüsse dynamisch ausbalancieren? Und wie kann eine Plattform mit wachsender Nutzerzahl qualitativ besser werden? Diese Fragen beschreiben in präziser Form die institutionellen Anforderungen an eine emanzipatorische Hybrid-HCAI-Architektur. Eine solche Architektur wäre nicht einfach „mehr KI“, sondern eine Form kollektiver Entscheidungsinfrastruktur: partizipativ, adaptiv, überprüfbar, deliberativ und lernfähig. Erst wenn die Qualität der Koordination mit der Größe des Systems steigt – statt in Lärm, Manipulation oder zentralisierte Kontrolle umzuschlagen –, kann KI zu einem Instrument verantwortlicher kollektiver Rationalität werden.

Gerade an diesem Punkt zeigt sich, dass meine Vision über klassische AGI-Debatten hinausgeht. Sie zielt nicht auf die Reproduktion eines individualisierten Maschinengeistes, sondern auf die institutionelle Steigerung gesellschaftlicher Problemlösefähigkeit. Wissenschaftlich ließe sich dies als Übergang von einer maschinenzentrierten zu einer sozio-technischen Theorie allgemeiner Intelligenz beschreiben.

14. WARUM DIE AGI-DEBATTE NEU GERAMT WERDEN MUSS

Die herkömmliche AGI-Debatte ist deshalb zu eng, weil sie eine falsche Priorität setzt. Sie fragt vor allem: Wann wird die Maschine allgemein intelligent? Die wichtigere Frage lautet jedoch: Welche gesellschaftliche Form von Intelligenz entsteht durch das Zusammenspiel von Menschen, Institutionen und Maschinen – und wem dient sie? Wenn man diese Verschiebung ernst nimmt, erscheint AGI nicht mehr primär als technische Schwelle, sondern als politisches, institutionelles und architektonisches Ordnungsproblem. Eine Gesellschaft muss dann entscheiden, ob sie KI: als monopolistische Extraktionsinfrastruktur, als militärisch-strategischen Hebel, als arbeitsersetzenden Kostensenker oder als demokratisch eingebettete Produktivitäts- und Koordinationsressource organisiert. Der Begriff AGI verliert dadurch nicht an Bedeutung, aber er wird aus dem Bereich des Mythos in den Bereich der Institutionen zurückgeholt. In diesem Rahmen lässt sich meine Position klar formulieren: AGI im wünschbaren Sinn wäre nicht die Herrschaft einer zentralisierten Superintelligenz, sondern die dezentral geregelte Symbiose vieler selbstbestimmter menschlicher Intelligenzen mit der Rechenleistung und Skalierbarkeit maschineller KI-Systeme. Der Maßstab für den Erfolg einer solchen Ordnung wäre nicht die mediale Spektakularität einzelner Modelle, sondern die Frage, ob sie Freiheit, Produktivität, Urteilskraft, Demokratie und Wohlstand in der Breite stärkt.

Die Rekonstruktion des Weges vom BCM-Modell zur Hybrid-HCAI und weiter zur föderierten neuro-symbolischen Hybrid-Kollektivintelligenz zeigt, dass dieser Ansatz weit über eine organisationshistorische oder technologische Entwicklungserzählung hinausweist. Er formuliert einen architektonischen Grundgedanken, der für die Zukunft fortgeschrittener KI zentral ist: Nicht die isolierte Leistungsfähigkeit einzelner Systeme entscheidet über deren gesellschaftliche Reife, sondern die Art, wie Intelligenz in Ordnungen von Selbstorganisation, Verantwortung, Kommunikation, Verteilung und Governance eingebettet wird.[61]

BCM kann dabei als frühe organisationsmethodische Vorform einer menschenzentrierten, feedbackbasierten und rollenorientierten Selbstorganisationsarchitektur verstanden werden. Hybrid-HCAI erweitert diese Logik um die systematische Verbindung menschlicher, symbolischer und subsymbolischer Intelligenz. Die hier vorgeschlagene Weiterführung zur föderierten neuro-symbolischen Hybrid-HCAI macht sichtbar, dass zwei zusätzliche Funktionslogiken für eine vollständige gesellschaftliche Architektur unerlässlich sind: Föderierung und Governance.[62]

Damit ergibt sich die integrierte Architekturformel: Subsymbolik skaliert. Symbolik regelt. Der Mensch entscheidet. Föderierung verteilt. Governance verantwortet. Diese Formel bezeichnet keine lose Sammlung wünschenswerter Eigenschaften, sondern die Grundverfassung einer vollständigen Intelligenz- und Verantwortungsarchitektur. Erst im rekursiven Zusammenspiel dieser fünf Logiken entsteht eine Form organisierter Gesamtintelligenz, die nicht nur leistungsfähig, sondern auch transparent, legitim, plural, kontrollierbar und korrigierbar ist.[63]

15. FAZIT: AGI ALS FRAGE GERECHTER ARCHITEKTUR KOLLEKTIVER INTELLIGENZ

Die Frage „Was ist AGI?“ kann wissenschaftlich nur dann sinnvoll beantwortet werden, wenn sie nicht auf die angebliche Autonomie einzelner Maschinen reduziert wird. In der vorliegenden Analyse hat sich gezeigt, dass die klassische Definition von AGI als allgemein menschenähnlicher oder menschenübertreffender Intelligenz zwar heuristischen Wert besitzt, aber für eine politische Ökonomie und eine verantwortbare Architektur der KI unzureichend ist. Sie blendet aus, dass moderne KI-Systeme in soziale Infrastrukturen eingebettet sind, auf menschlichen Wissensleistungen aufbauen und über Eigentum, Standards, Rechenzentren, Datenzugänge, Rollenordnungen, Plattformarchitekturen und institutionelle Verfahren vermittelt werden.

Gary Marcus erinnert daran, dass große Sprachmodelle trotz ihrer Leistungsfähigkeit noch keine belastbare allgemeine Intelligenz darstellen und dass der AGI-Hype analytische Klarheit wie politische Nüchternheit gefährden kann.[64] Hausmann und Velasco zeigen, dass hinter den heutigen KI-Bewertungen eine Weltwirtschaft denkbar wird, in der wenige Unternehmen gewaltige Einkommensansprüche gegenüber dem Rest der Welt geltend machen.[65] Krugman wiederum hält die Möglichkeit offen, dass KI unter anderen institutionellen Bedingungen auch eine ausgleichende Kraft sein könnte.[66] Zusammengenommen legen diese Positionen nahe, dass die Zukunft der KI nicht technisch vorentschieden ist. Sie ist offen – aber nicht neutral.

Meine alternative AGI-Konzeption gewinnt in diesem Licht an Schärfe. Ihr normativer Kern besteht darin, Intelligenz nicht als Eigentum einzelner Maschinen oder Konzerne zu denken, sondern als organisierbare, demokratisch zu rahmende Symbiose von menschlicher und maschineller Leistungsfähigkeit. Dieser Gedanke ist wissenschaftlich anschlussfähig, sofern er nicht als bloße Technikvision, sondern als institutionelles und architektonisches Programm gelesen wird: als Forderung nach partizipativer Governance, fairer Verteilung von Wissensgewinnen, offener Infrastruktur, qualitativer Skalierung kollektiver Entscheidungsprozesse, föderierter Verteilung von Zuständigkeit und wirksamer Rückbindung der KI an menschliche Verantwortung.

Ich komme deshalb zu folgendem Schluss: Der eigentliche Zweck künstlicher Intelligenz bis hin zu AGI liegt nicht in „immer mehr Leistung“.

Maßgeblich ist vielmehr, ob solche Systeme der Menschheit helfen, besser zu leben, klüger zu entscheiden und große gemeinsame Probleme zu lösen, ohne Freiheit, Würde und Verantwortung zu untergraben. Die entscheidende Frage lautet folglich nicht zuerst, was KI oder AGI kann, sondern wem sie dient, wer sie kontrolliert und nach welchen Werten sie handelt.[67]

Künstliche Intelligenz schafft Wachstum und Wohlstand für alle also nicht dann, wenn sie möglichst spektakulär, möglichst autonom oder möglichst hoch bewertet erscheint. Sie schafft ihn dann, wenn ihre Produktivitätsgewinne breit diffundieren, ihre Infrastrukturen zugänglich bleiben, ihre Nutzung menschliche Fähigkeiten ergänzt statt entwertet und ihre institutionellen Regeln demokratisch kontrollierbar sind. Bleiben diese Bedingungen aus, wird KI vor allem die Macht und das Vermögen einer kleinen Elite vergrößern. Werden sie erfüllt, könnte sie tatsächlich zu jener ausgleichenden Kraft werden, die Krugman als reale Möglichkeit offenhält.

In diesem Sinn sollte die AGI-Debatte weniger als Wettlauf zur künstlichen Allmacht geführt werden, sondern vielmehr als Suche nach einer gerechteren Architektur kollektiver Intelligenz. Gerade unter diesem Maßstab erweist sich die föderierte neuro-symbolische Hybrid-HCAI-Architektur aus meiner Sicht als überlegenes Modell. Sie bindet technische Potenz an Regelklarheit, menschliche Urteilshoheit, verteilte Souveränität und institutionelle Rechenschaft. Damit beschreibt sie nicht nur eine leistungsfähige KI, sondern eine Form organisierter Intelligenz, die dem Menschen dienen kann, ohne ihn zu entmündigen.[68]

METHODIK UND DANK

ChatGPT (OpenAI, Version GPT-5.4) wurde zur Unterstützung bei der Formulierung einzelner Textabschnitte verwendet. Dieses Tool half bei der Rechtschreibung, der Grammatikprüfung, der Umstrukturierung von Sätzen und der Verbesserung der Klarheit. Der generierte Inhalt wurde vom Autor kritisch geprüft und überarbeitet, der für die endgültige Fassung verantwortlich ist. Die tatsächlichen Ideen, Argumente und Interpretationen in diesem Dokument stammen vom Autor.

In diesem Zusammenhang stellte ich fest, dass ChatGPT entweder abstürzte oder widersprüchliche und unlogische Antworten auf komplexe Fragen gab. Erst nach einem ausführlichen Dialog mit ChatGPT erhielt ich schlüssige Ergebnisse. Mit anderen Worten: ChatGPT lernte im Dialog von mir, kausale und logische Zusammenhänge zu verstehen und wiederzugeben.

Da ich davon ausgehe, dass andere ChatGPT-Nutzer ähnliche Erfahrungen gemacht haben, möchte ich mich bei allen genannten und unbekannten Autoren bedanken, die bewusst oder unbewusst ihr Wissen mit ChatGPT geteilt haben!

FUSSNOTEN 

[1] Vgl. die enzyklopädische Standardbeschreibung von AGI als hypothetischer KI mit Fähigkeiten über „virtually all cognitive tasks“.

[2] OECD, Explanatory Memorandum on the Updated OECD Definition of an AI System, OECD Artificial Intelligence Papers, No. 8, März 2024.

[3] Diese Verschiebung von der Leistungs- zur Ordnungsfrage bündelt die leitende normative Fragestellung des Beitrags.

[4] Vgl. Friedrich Reinhard Schieck, „From the BCM Model to Hybrid HCAI – Part I: The Story of an Idea Whose Time Has Come“, in: Journal of Strategic Innovation and Sustainability 20 (2025), H. 4; ergänzend Ben Shneiderman, Human-Centered AI, Oxford 2022.

[5] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“; ferner Shneiderman, Human-Centered AI.

[6] Ricardo Hausmann/Andrés Velasco, „The Real Question About the AI Future“, Project Syndicate, 8. April 2026.

[7] Diese Fünfergliederung ist eine architekturtheoretische Erweiterung des dreischichtigen Hybrid-HCAI-Modells.

[8] Zur gängigen populären und enzyklopädischen AGI-Begriffsverwendung siehe den entsprechenden Überblickseintrag.

[9] Gary Marcus, „Is AGI the right goal for AI?“, 16. Oktober 2025.

[10] OECD, Explanatory Memorandum on the Updated OECD Definition of an AI System, a.a.O.

[11] Ebd., zu Fine-Tuning, kontinuierlichem Training und der Überlappung von Entwicklungs- und Einsatzphase.

[12] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[13] Die älteren BCM-Publikationen aus 1996, 1998 und 2003 werden im JSIS-Beitrag genannt;

[14] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[15] Vgl. ebd.

[16] Vgl. ebd.

[17] Erik Brynjolfsson/Daniel Rock/Chad Syverson, „Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics“, NBER Working Paper 24001, Cambridge, MA 2017.

[18] Vgl. Schieck, 2025.

[19] Daron Acemoglu/Simon Johnson, Power and Progress. Our Thousand-Year Struggle over Technology and Prosperity, New York 2023.

[20] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[21] Vgl. ebd.

[22] Vgl. ebd.; ergänzend Shneiderman, Human-Centered AI (wie Anm. 4).

[23] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[24] Vgl. ebd.

[25] Vgl. Ben Shneiderman, Human-Centered AI, Oxford 2022.

[26] Diese Zuspitzung ergibt sich aus der Verbindung des Modells mit der hier vertretenen normativen Leitthese.

[27] Diese Erweiterung folgt aus der Übertragung der Organisationsarchitektur auf größere sozio-technische Systeme.

[28] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4); ferner Verordnung (EU) 2024/1689 sowie ISO/IEC 42001:2023.

[29] Die Formulierung greift das Diktum „Subsymbolik skaliert, Symbolik regelt – der Mensch entscheidet“ auf und erweitert es systematisch um Föderierung und Governance.

[30] Eigene theoretische Synthese.

[31] Ebd.

[32] Zur institutionellen Dimension der Governance vgl. auch EU AI Act und ISO/IEC 42001.

[33] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[34] Zur Differenz zwischen statistischer Leistung und normativer Begründung vgl. auch Shneiderman, Human-Centered AI (wie Anm. 4).

[35] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[36] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4); Shneiderman, Human-Centered AI (wie Anm. 4).

[37] Vgl. Shneiderman, Human-Centered AI (wie Anm. 4).

[38] Diese Ausdifferenzierung entspricht der hier entwickelten föderativen Lesart von Hybrid-HCAI.

[39] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[40] Vgl. ebd.; ferner Verordnung (EU) 2024/1689 und ISO/IEC 42001:2023.

[41] Eigene systematische Zuspitzung.

[42] Dies ist eine systemtheoretische Rekonstruktion der Architektur, keine wörtliche Übernahme aus einer Einzelquelle.

[43] Eigene Synthese auf Basis von Schieck und kybernetischer Rückkopplungslogik.

[44] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4), mit Bezug auf Stabilität zweiter Ordnung.

[45] Vgl. ebd.

[46] Vgl. ebd.

[47] Anschlussfähig ist dies etwa an Dirk Helbing, Thinking Ahead. Essays on Big Data, Digital Revolution, and Participatory Market Society, Cham 2015.

[48] Eigene Zuspitzung der bisherigen Argumentation.

[49] Ebd.

[50] Diese Passage bündelt die normative Hauptthese des Beitrags.

[51] Marcus schreibt ausdrücklich, dass AGI die Welt verändern könne, LLMs aber weder moralisch noch technisch der richtige Weg dorthin seien.

[52] Die detaillierten technischen Schwächen heutiger LLMs stammen aus der zusammengeführten Marcus-Rekonstruktion; öffentlich verifizierbar ist vor allem seine grundsätzliche Distanz zu LLMs als AGI-Pfad.

[53] Die konkreten Zahlen zu zusätzlichen jährlichen Auslandserlösen, Margen- und Bewertungsannahmen stammen aus der wiedergegebenen Argumentation von Hausmann/Velasco; öffentlich zugänglich ist die Stoßrichtung des Beitrags.

[54] Die Formulierung, wonach es nicht um breit verteilte Beschäftigung, sondern um Ansprüche weniger auf künftige Einkommen vieler gehe, entspricht der Argumentationsrichtung des Beitrags.

[55] Hausmann/Velasco betonen explizit, dass US-Macht im 21. Jahrhundert zunehmend auf dem Besitz unverzichtbarer KI-Infrastruktur beruhen könnte.

[56] OECD, Is Generative AI a General Purpose Technology?, OECD, 2025.

[57] Paul Krugman, „The Economics of Technological Change“, 1. März 2026.

[58] Hausmann/Velasco, a.a.O.

[59] Marcus, a.a.O.

[60] OECD, AI Principles overview sowie Explanatory Memorandum on the Updated OECD Definition of an AI System.

[61] Vgl. Schieck, „From the BCM Model to Hybrid HCAI“ (wie Anm. 4).

[62] Eigene theoretische Weiterführung.

[63] Ebd.

[64] Marcus, a.a.O.

[65] Hausmann/Velasco, a.a.O.

[66] Krugman, a.a.O.

[67] Diese Passage formuliert die abschließende normative Leitthese des Beitrags.

[68] Zusammenfassende Schlussfolgerung des vorliegenden Beitrags.

© 2026 Friedrich R. Schieck – BCM Consult

REFERENZEN:

  • Acemoglu, Daron/Johnson, Simon (2023): Power and Progress. Our Thousand-Year Struggle over Technology and Prosperity, New York 2023.
  • Brynjolfsson, Erik/Rock, Daniel/Syverson, Chad (2017): „Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics“, NBER Working Paper 24001, Cambridge, MA 2017.
  • Europäische Union: Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates vom 13. Juni 2024 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Artificial Intelligence Act).
  • Hausmann, Ricardo/Velasco, Andrés (2026): „The Real Question About the AI Future“, Project Syndicate, 8. April 2026.
  • Helbing, Dirk (2015): Thinking Ahead. Essays on Big Data, Digital Revolution, and Participatory Market Society, Cham 2015.
  • International Organization for Standardization: ISO/IEC 42001:2023 Information technology — Artificial intelligence — Management system, Genf 2023.
  • Krugman, Paul (2026): „The Economics of Technological Change“, Substack, 1. März 2026.
  • Marcus, Gary (2025): „Is AGI the right goal for AI?“, Substack, 16. Oktober 2025.
  • OECD (2024): Explanatory Memorandum on the Updated OECD Definition of an AI System, OECD Artificial Intelligence Papers, No. 8, März 2024.
  • OECD: „AI Principles overview“, OECD.AI.
  • OECD (2025): Is Generative AI a General Purpose Technology?, OECD, 2025.
  • Schieck, F. (1996). Systemisches und ganzheitliches Management auf der Grundlage einer verhaltensgesteuerten Organisationsmethode;
  • Schieck, F., & Tauber, H. (1998). Business Communication Management – Der Weg zum unternehmensweiten Wissensmanagement. OrgNews GfO;
  • Schieck, F. (2003). Die Paradoxie der Beratung – Oder von rasantem Wandel und verspäteten Konzepten. Magazin für Digitalisierung, Vernetzung & Collaboration.
  • Schieck, F. (2023). Wo liegt der Fehler im System der Digitalen Transformation …,
  • Schieck, F. (2024): Wann wird KI zur Killerapplikation für Produktivitätswachstum und Bürokratieabbau in Unternehmen …,
  • Schieck, F. (2025): Hybrid-HCAI – Ein Gedankenexperiment zur ultimativen Symbiose von menschlicher und künstlicher Intelligenz …,
  • Schieck, F. (2025): „From the BCM Model to Hybrid HCAI – Part I: The Story of an Idea Whose Time Has Come“, in: Journal of Strategic Innovation and Sustainability 20 (2025), H. 4, DOI: 10.33423/jsis.v20i4.8022.
  • Schieck, F. (2025): Vom BCM-Modell zu Hybrid-HCAI – Teil 1,
  • Schieck, F. (2026): Der individualisierte und adaptive digitale Arbeitsplatz,
  • Shneiderman, Ben (2022): Human-Centered AI, Oxford
  • Wikipedia: „Artificial general intelligence“, englische Fassung, zuletzt gecrawlt im April 2026.

2 Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert