Eine erklärungsfundierte Technologie erzeugt Ergebnisse, die sich selbst der Erklärung entziehen.
Grundlage: KI als Produkt erklärender Wissenschaft. Moderne KI-Systeme beruhen auf Wissen klassischer Disziplinen wie Statistik, Optimierung, Mathematik, Informationstheorie und Logik. Ihre Architektur und die zugrunde liegenden Algorithmen sind formal beschrieben, und auch der Trainingsprozess ist technisch nachvollziehbar. KI ist damit ein Produkt erklärender Wissenschaft, also im Prinzip erklärungsfundiert.
Anwendungsebene: Der Verlust an Erklärbarkeit. Sobald ein Modell trainiert ist – etwa ein neuronales Netz mit Millionen Parametern oder ein Sprachmodell mit Milliarden Textbeispielen –, verändert sich das epistemische Profil. Die Ergebnisse sind funktional brauchbar und oft beeindruckend präzise, doch der Weg zur jeweiligen Antwort bleibt intransparent. Interne Gewichtungen, Aktivierungsmuster und statistische Korrelationen sind für Menschen nicht mehr rekonstruierbar. Das System funktioniert, aber es erklärt nicht – und es kann auch nicht erklären, wie es zu seinen Ergebnissen kommt.
Epistemologische Konsequenz: Keine Begründung, nur Plausibilität.
Damit verschiebt sich der Charakter des erzeugten Wissens.
- KI-Ergebnisse beruhen nicht auf Ursachenanalysen oder logischen Schlüssen, sondern auf statistischen Ähnlichkeiten im Trainingskorpus.
- Sie sind wahrscheinlichkeitsbasiert und formal konsistent, aber nicht im klassischen Sinn begründet.
- Es entsteht ein epistemischer Schein von Wissen: also plausibel und oft nützlich, aber ohne Nachvollziehbarkeit, deduktive Ableitung oder theoretische Fundierung.
Wissenschaftstheoretische Konsequenz. Die betrifft vor allem das wissenschaftliche Wissen. Geht man davon aus, dass KI-Systeme tatsächlich wissenschaftliches Wissen generieren, dann wäre das ein wissenschaftstheoretisches Erdbeben. Das Ziel von Wissenschaft ist nicht nur die Produktion von Ergebnissen, sondern vor allem auch deren Nachvollziehbarkeit, das heißt ihre Begründung in logischer, theoretischer, empirischer, methodischer Hinsicht. KI-Systeme hingegen liefern Antworten, die zwar für uns valide sein können, aber ohne, dass wir wissen, warum. Insofern entsteht eine Asymmetrie zwischen Funktionalität und epistemischer Transparenz: Die Ergebnisse sind praktisch verwertbar, aber ohne Begründung.
Die Frage ist: Reicht es, wenn eine KI-Antwort funktioniert, auch wenn sie nicht begründbar ist? Wenn ja, wer trägt Verantwortung für die Anwendung und Folgen von KI-Ergebnissen? Die KI ist ein Hotspot der Wissenschaftstheorie.
