Semantischer Paradigmenwechsel per Dekret: Was hinter dem Begriffstausch steht

Auf Anweisung von Donald Trump sollen Behörden der US-Bundesregierung den Begriff Künstliche Intelligenz (KI) aus ihren Dokumenten tilgen und durch Superintelligenz (SI) ersetzen. Die Begründung des US-Präsidenten: Das Attribut „künstlich“ klinge nach einer Fälschung („fake“) und sei unzutreffend. Nach einer informellen Social-Media-Abstimmung verkündete Trump die Umbenennung vor der UN-Vollversammlung. Was aus politischer Perspektive wie ein PR-taugliches Rebranding anmutet, löst in der ML-Forschung und der Software-Engineering-Community erhebliche Bedenken aus. Denn der Vorstoß ignoriert grundlegende informatische Taxonomien und droht, reale technische Limitierungen hinter einer gefährlichen Hyperbel zu verschleiern.

Dartmouth 1956 bis heute: Die historische Genese des KI-Begriffs

Der Begriff Artificial Intelligence entstand im Sommer 1956 während des legendären Workshops am Dartmouth College, initiiert von Pionieren wie John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon. Die Wortwahl sollte das Forschungsfeld klar abgrenzen: Es ging um Systeme, die von Menschenhand konstruiert („synthetisch“) wurden, im Kontrast zur biologischen Kognition. Schon damals gab es Debatten: Der Pionier des maschinellen Lernens, Arthur Samuel, monierte bereits in den 1950er-Jahren, „künstlich“ könne mit „unecht“ verwechselt werden. Dennoch etablierte sich der Terminus über sieben Jahrzehnte hinweg als präzise wissenschaftliche Klammer für symbolische KI, Expertensysteme, probabilistische Netze und moderne Deep-Learning-Verfahren.

Die architektonische Realität: Stochastische Modelle vs. Nick Bostroms ASI

In der Informatik und Kognitionswissenschaft ist die begriffliche Abstufung keineswegs reine Wortklauberei, sondern reflektiert fundamentale architekturelle Fähigkeiten:

• Artificial Narrow Intelligence (ANI): Hochspezialisierte Systeme, die eng definierte Aufgaben bewältigen – von Computervision-Klassifikatoren bis hin zu aktuellen Large Language Models (LLMs), die Next-Token-Prädiktion auf Basis von Transformer-Aufmerksamkeitsmechanismen betreiben.
• Artificial General Intelligence (AGI): Hypothetische Systeme mit menschenähnlicher Flexibilität, Kausalverständnis und domänenübergreifender Problemlösungskompetenz.
• Artificial Superintelligence (ASI): Maschinen, die nach der Definition des Philosophen Nick Bostrom die menschliche Kognition in praktisch allen Dimensionen (Kreativität, strategische Planung, wissenschaftliche Entdeckung) um Größenordnungen übertreffen.

Aktuelle generative Modelle – unabhängig von ihren Parametermengen im Bereich von Hunderten Milliarden Gewichten – operieren im ANI-Spektrum. Wie Pedro Domingos, emeritierter Informatikprofessor an der University of Washington, pointiert feststellt: „KI ist in den meisten Fällen keine Superintelligenz, sondern lediglich eine andere Intelligenz.“ Ein Modell, das Korrelationen in hochdimensionalen Vektorräumen interpoliert, besitzt weder Introspektion noch Zielautonomie. Es als Superintelligenz zu bezeichnen, ist aus systemarchitektonischer Sicht ein gravierender Kategorienschnitt.

Gefahren für Alignment, System-Safety und Engineering-Praxis

Die Umdeutung birgt konkrete Risiken für Software-Architekten und Governance-Verantwortliche. Wenn stochastische Systeme als überlegen oder allwissend („superintelligent“) gelabelt werden, verstärkt dies den sogenannten Automation Bias: Entwickler und Anwender neigen dazu, fehlerhaften Modell-Outputs, Halluzinationen oder Sicherheitslücken unkritisch zu vertrauen.

// Pseudocode: Der konzeptionelle Fehler im Alignment
if (model.output != ground_truth) {
    // Reale Architektur: Gradient-Missalignment, Halluzination, Overfitting
    mitigateWithRAGOrRLHF(model);
} else if (label == "Superintelligence") {
    // Fatale Fehlinterpretation: Das System "weiß" es besser als die Spezifikation
    suppressHumanOverride(); 
}

Darüber hinaus warnt Domingos vor einer Gegenbewegung: Wer Software fälschlicherweise als Superintelligenz deklariert, schürt unbegründete Ängste vor autonomem Kontrollverlust und existenziellen Bedrohungen. Die Folge wären überzogene, praxisfremde Regulierungsauflagen, die produktive Engineering-Initiativen ausbremsen, anstatt konkrete Herausforderungen wie Data Drift, Adversarial Attacks oder Latenz-Optimierung anzugehen.

Technologische Nüchternheit statt linguistischer Mythenbildung

Für CTOs, Architekten und KI-Teams bleibt technologische Differenzierung die wichtigste Leitlinie. Politisch motivierte Begriffsverschiebungen dürfen nicht den Blick darauf verstellen, was moderne Architekturen tatsächlich leisten: Sie sind hochleistungsfähige, statistische Werkzeuge zur Mustersynthese, keine metaphysischen Superintelligenzen. Systemingenieure sollten sich weiterhin an messbaren Benchmarks, formaler Verifikation und klar definierten Gültigkeitsgrenzen orientieren – und nicht an semantischen Dekreten.