Erfundene Grenzen der Erkenntnis
Fachwissenschaften erscheinen wie gepflegte und umzäunte Gärten: sauber abgegrenzt, methodisch durchdrungen, mit klar definierten Zuständigkeiten. Doch dieser Eindruck täuscht. Die Grenzen zwischen Disziplinen sind keine natürlichen Linien – sie sind gezogen worden, aus praktischen Gründen, aus Tradition oder aus institutioneller Logik. Die Welt selbst kennt diese Grenzen nicht.
Wer die großen Fragen unserer Zeit betrachtet wie Kriege, Klimawandel oder KI erkennt schnell: Sie lassen sich nicht innerhalb eines einzelnen Gartens beantworten. Sie verlangen nach Verbindungen. Nach Übergängen. Nach einem Handeln, das nicht an Zäunen haltmacht.
-–> Wissenschaft wirkt geordnet, fast kartografiert – doch ihre Grenzen sind Konstruktionen und keine Naturgegebenheiten
Wenn Sprachen kollidieren: Das kreative Chaos der Interdisziplinarität
Interdisziplinäre Forschung verspricht genau diese Öffnung. Sie will Wissen zusammenführen, das bisher getrennt gedacht wurde. Doch der Weg dorthin ist unübersichtlich. Wenn Disziplinen aufeinandertreffen, prallen unterschiedliche Begriffe, Methoden und Denkstile aufeinander. Es gleicht Sprachen, die einander nicht ohne Weiteres verstehen.
Begriffe werden anders verwendet, Methoden unterschiedlich gewichtet oder Schlussfolgerungen verschieden und kaum kompatibel begründet. Doch in dieser Reibung liegt ein produktives Moment. Neues Wissen entsteht selten aus nahtloser Verständigung, sondern aus einer Irritation, die Unterschiede sichtbar macht.
Interdisziplinarität ist daher kein harmonischer Zustand, sondern ein Prozess gleich einem Segeln auf rauer See: ein Ringen um gemeinsame Begriffe, um anschlussfähige Methoden, um ein Verständnis, das über einzelne Perspektiven hinausgeht.
Doch hier beginnt das nächste Problem: Interdisziplinarität lässt sich leichter fordern als erkennen. Man kann sie messen – zumindest annähernd. Etwa daran, aus welchen Fachgebieten die beteiligten Forschenden stammen, welche Literatur sie zitieren, welche Begriffe sie verwenden und welche Methoden sie kombinieren. Doch solche Kriterien erfassen nur die Oberfläche. Ob tatsächlich neues, integriertes Wissen entsteht, bleibt schwer zu bestimmen.
-–> Treffen unterschiedliche Disziplinen aufeinander, entsteht zunächst Verwirrung: mehr Fragen werden offengelegt als gelöst
Künstliche Intelligenz als Mitakteur?
KI verspricht, große Mengen wissenschaftlicher Arbeiten zu analysieren, Muster zu erkennen und Verbindungen sichtbar zu machen, die dem Menschen entgehen. In dieser Rolle kann sie helfen, interdisziplinäre Strukturen überhaupt erst zu identifizieren. Doch die eigentliche Herausforderung liegt tiefer: Kann KI selbst interdisziplinär arbeiten?
Die derzeitigen Sprachmodelle stoßen hier an Grenzen. Sie reproduzieren vorhandenes Wissen, doch sie integrieren nur begrenzt. Interdisziplinarität verlangt mehr als das Nebeneinander von Perspektiven – sie verlangt deren Durchdringung. Von Zäunen haben wir ja genug.
Ein möglicher Ausweg liegt in der Organisation von KI-Systemen selbst. Statt eines einzelnen durchgängigen Modells könnten Agenten innerhalb eines Modells arbeiten, gewissermaßen als Vertreter unterschiedlicher Disziplinen. Ihre Ergebnisse würden nicht einfach nebeneinander gesetzt, sondern in einem strukturierten Forschungsprozess aufeinander bezogen und von einem neutralen Agenten im Modell bewertet werden. Von den gegenwärtig angebotenen LLMs dürfte Anthropic/Claude ansatzweise dafür geeignet sein.
In einem solchen Szenario entsteht etwas, das an einen wissenschaftlichen Diskurs erinnert: Argumente werden formuliert, hinterfragt, gewichtet. Ein zusätzliches System (ein neutraler KI-Agent) moderiert diese Beiträge, prüft sie auf ihre Argumentationen und führt zusammen. Interdisziplinarität wäre dann nicht mehr nur ein Ziel menschlicher Forschung, sondern ein Prinzip gemischter menschlich-technischer Architektur. Denn menschliche Forscher sind noch immer in allen Phasen der Forschung mehr als nur mitbeteiligt.
-–> Wir lassen nicht nur Wissenschaftler verschiedener Disziplinen miteinander diskutieren, sondern auch maschinelle Akteure
19. März 2026
(KI und Theorie 5)
Mit „das Ende der Theorie?“ provozierte Chris Anderson 2008 die Wissenschaftswelt. Riesige Datenmengen, so seine These, machten Theorien überflüssig. Korrelation genüge. Die Zahlen sprächen für sich. Der Satz wirkt bis heute. Denn er schmeichelt einer Zeit, die Rechenleistung mit Erkenntnis verwechselt.
Doch Wissenschaft war nie das bloße Sammeln von Mustern. Sie fragt nach Ursachen. Sie trennt Zufall von Ursachen. Und sie baut Erklärungen, die mehr leisten als Vorhersagen. Das Ende Theorie? Ein Irrtum im Datenrausch.
Muster sind keine Gründe
Korrelationen zeigen, dass zwei oder mehr Größen gemeinsam variieren. Mehr nicht. Wer daraus bereits Erklärung ableitet, verwechselt Beschreibung mit Verständnis.
Eine Theorie tut mehr. Sie ordnet Beobachtungen auf systematische Weise. Sie erklärt, warum etwas geschieht. Und sie erlaubt Prognosen unter neuen Bedingungen. Ohne Theorie bleibt die Welt ein Mosaik aus Datenpunkten: dicht, aber stumm. Daten schneiden die Welt in Segmente. Theorie fügt sie wieder zusammen.
Die Vorstellung, man könne mit „Trillionen von Daten“ und „Milliarden von Hypothesen“ das Denken ersetzen, klingt kraftvoll. Tatsächlich beschreibt sie eine Suchmaschine. Eine sehr schnelle und mächtige Suchmaschine. Doch auch sie braucht Kriterien. Sie braucht Fragestellungen. Sie braucht Modelle.
Die Verführung der Rechengewalt
Die neue Strategie ist klar: maximale Datenerfassung, maximale Variation und maximale Simulation. Allerdings kann das in klar begrenzten Feldern – etwa der Zellgenetik – enorme Fortschritte bringen. Algorithmen erkennen Muster, die kein Mensch sieht. Sie testen Hypothesen mit einer Geschwindigkeit, die früher unvorstellbar war.
Ein Beispiel liefert der KI-Forscher Hiroaki Kitano, der in seinem Vortrag „Let AI be a scientist“ (TED talk: Wien, September 2025) für eine weitgehende Automatisierung von Experimenten plädiert. Maschinen sollen Hypothesen generieren und in Serie prüfen.
Das ist beeindruckend. Aber auch hier gilt: Hypothesen sind Bausteine. Sie sind nicht das Gebäude. Millionen geprüfter Einzelannahmen ergeben noch kein Verständnis biologischer Organisation. Erst wenn sie in einen theoretischen Rahmen eingeordnet werden, entsteht Erkenntnis.
Je komplexer das Forschungsfeld, etwa in der Systembiologie oder Epigenetik, desto deutlicher wird diese Grenze. Disziplinübergreifende Zusammenhänge lassen sich nicht allein durch Musterakkumulation erfassen. Sie verlangen Integration. Sie verlangen den Menschen.
Der Hybridforscher: the Hybrid-Man
Die Alternative heißt nicht: Mensch oder Maschine. Sie heißt: Mensch und Maschine. Wobei beide vom Anfang des Forschungsprozesses an bis zum Ende (etwa der Verwertung) ineinander verwoben sind.
Algorithmen durchsuchen Möglichkeitsräume. Sie identifizieren statistische Regelmäßigkeiten. Sie schlagen Kandidaten vor. Doch der Entwurf des Forschungsdesigns, die Bewertung der Relevanz, die Entscheidung, welche Ergebnisse Bedeutung haben – das bleibt eine menschlich-geistige Leistung. Denn der Begriff "maximal" setzt Messlatten, die definitionsgemäß nicht zu erreichen sind. Denn alle nur möglichen Varianten von Genen etwa durchzurechnen, bräuchte unendliche Zeit und unendliche Ressourcen. Da scheitern auch die Maschinen.
Die KI rechnet. Der Mensch deutet und stiftet Zusammenhang. Die KI beschleunigt die Variation. Theorie verschwindet in diesem Modell nicht. Sie verändert ihre Rolle. Sie wird zur Integrationsplattform in einem Meer aus Daten. Gerade weil die Datenflut wächst, steigt der Bedarf an ordnenden Konzepten.
Nicht das Ende. sondern die Bewährungsprobe
Die These vom Ende der Theorie unterschätzt, was Theorie leistet. Sie ist kein Luxus vergangener Zeiten. Sie ist das Instrument, mit dem Wissenschaft aus Information Bedeutung gewinnt. Korrelation kann Hinweise liefern. Sie kann überraschen. Aber ohne Erklärung bleibt sie vorläufig.
Die Zukunft der Wissenschaft liegt daher nicht im Abschied von der Theorie. Sondern in ihrer Bewährungsprobe unter den wachsenden Bedingungen einer radikalen Digitalisierung. Wer verstehen will, braucht weiterhin mehr als Muster. Er braucht Gründe.
2. März 2026
(KI und Theorie 4)
Analoge Welt und KI
Du blickst auf ein Stück Pizza – und siehst das Universum.
Die Atome in diesem Stück sind Sternenstaub, geboren in Explosionen längst verloschener Sonnen. Das Mehl stammt aus den Samen von Süßgräsern wie Weizen oder Gerste, gereift im Licht unserer Sonne. Das Wasser kam unter anderem vor Milliarden Jahren mit Asteroiden auf die Erde. Der Käse ist fermentierte Milch, Ergebnis menschlicher Tierhaltung und mikrobieller Prozesse. Die Tomate: eine Frucht aus der Neuen Welt, über Kontinente hinweg von Menschen gemeinschaftlich kultiviert, gehandelt und verarbeitet.
Ein scheinbar banales Lebensmittel wie Pizza verdichtet kosmische, biologische, technische und sozial-wirtschaftliche Prozesse.
Die Welt ist vernetzt – doch unser Wissen nicht
Wir leben in einer analogen Wirklichkeit, in der Phänomene ineinandergreifen. Physik geht in Chemie über, Chemie in Biologie, Biologie in Psychologie oder Soziologie. Die disziplinären Grenzen, mit denen Universitäten und Forschungseinrichtungen arbeiten, sind keine Grenzen der Welt. Sie sind historisch gewachsen. Menschenwerk.
So entstand ein System aus Einzelgärten: abgegrenzte Fächer mit eigenen Methoden, eigenen Begriffen, eigenen Anerkennungsformen. Wer seinen Kopf über den Zaun streckt, hört eine Fremdsprache. Was als Ordnung des Wissens begann, wirkt heute wie ein Turmbau zu Babel. Verständigung wird mühsam. Zusammenarbeit bleibt die Ausnahme, denn Karrierepfade, Berufungsverfahren und Anerkennungssysteme kennen nur eiserne Isolation.
Um die vernetzte Welt zu verstehen, braucht es Verbindungen zwischen diesen Gärten. Interdisziplinarität wird seit Jahren beschworen: in Strategiepapiere geschrieben, auf Konferenzen gefeiert, in Sonntagsreden gelobt. Im Alltag der Wissenschaft aber dominiert die Logik des Faches. Karrierewege, Publikationskulturen und Begutachtungsverfahren belohnen Spezialisierung. Wer zu breit arbeitet, riskiert, nirgends wirklich zu zählen.
Interdisziplinäres Forschen gilt als notwendig – und bleibt doch strukturell ausgeschlossen.
Künstliche Intelligenz: Noch tiefer in Gärten graben oder übersetzt sie Wissenschaften?
Nun betritt ein neuer Akteur die Bühne: die künstliche Intelligenz. Ihr Potenzial ist in vielen Richtungen erheblich. Zunächst verstärkt sie die bestehende Ordnung. KI-Systeme helfen Forschenden, schneller im Fach zu arbeiten, tiefer zu graben und damit noch größere Datenmengen zu analysieren. Der eigene Garten wird effizienter bewirtschaftet. Die Spezialisierung gewinnt an Tempo.
Darin liegt auch eine Chance. KI kann Fachsprachen übersetzen, Methoden zugänglich machen, Literatur aus anderen Disziplinen erschließen. Sie kann Muster sichtbar machen, die nur im Zusammenspiel verschiedener Perspektiven erkennbar werden. Richtig eingesetzt, wird sie zur Vermittlerin zwischen den Gärten – nicht zu ihrer Verstärkerin.
Ob künstliche Intelligenz die Fragmentierung des Wissens vertieft oder überwindet, ist keine technische Frage. Es ist eine Entscheidung nicht nur der Wissenschaft, sondern der Gesellschaft insgesamt.
15. Februar 2026
(KI und Theorie 3)
Wenn Aliens forschen
Gemini 3.2 / Claude 5.2 / Müller, Lisa / Meier, Peter (2026): ..... ..... .....
So könnten wissenschaftliche Zitate bald aussehen: KI-Modelle als Hauptautoren, Menschen als Mitautoren. Provokant? Ja. Aber vor allem ehrlicher als viele heutige Zitierweisen. Denn längst schreiben Maschinen nicht nur mit – sie "denken" mit.
Diese Verschiebung zeigt, wie tief KI bereits in den wissenschaftlichen Alltag eingreift. Sie verändert nicht nur Arbeitsabläufe, sondern berührt zentrale Fragen der Erkenntnis: Wie entstehen Theorien? Woher kommt wissenschaftlicher Fortschritt? Und was passiert, wenn ein Alien, also ein nichtmenschlicher Akteur daran beteiligt ist?
Vom Werkzeug zum Ko-Wissenschaftler
Anfangs diente KI als Hilfsmittel. Sie glättete Texte, strukturierte Absätze, korrigierte Stil. Diese Phase ist vorbei. Heute arbeiten teilautonome KI-Agenten in Kernbereichen der Wissenschaft. Sie formulieren Hypothesen, entwerfen Experimente, wählen Methoden aus, steuern Simulationen. Damit sind sie keine bloßen Werkzeuge mehr. Sie agieren vielmehr als Ko-Wissenschaftler.
Doch sie arbeiten nicht frei. Sie orientieren sich an dem, was ihnen das jeweilige Fach vorgibt: seine Grundbegriffe, Modelle, Metaphern und Methoden. Die KI übernimmt, was gegenwärtig als legitim gilt. Sie reproduziert, was sich bewährt hat.
Warum KI das Paradigma nicht verlässt
Genau hier liegt das Problem. KI operiert innerhalb desselben wissenschaftlichen Paradigmas, das das Fach bisher geprägt hat. Sie sprengt den Denkrahmen nicht. Sie füllt ihn aus – eventuell effizienter, schneller und konsequenter.
Der Möglichkeitsraum der Disziplin jedoch bleibt derselbe. Nur seine Nutzung beschleunigt sich. KI-Modelle zeigen dabei eine auffällige Beharrlichkeit. Haben sie einmal eine Argumentationslinie eingeschlagen, verfolgen sie sie hartnäckig. Alternativen bleiben Randerscheinungen. Abweichungen gelten als Störung.
Man könnte sagen: Die KI ist sozialisiert worden. Sie hat gelernt, wie man in diesem Fach denkt – und will davon nicht lassen.
Beschleunigte Normalwissenschaft
Die Folge ist paradox. Ausgerechnet eine Technologie, die als Motor des Fortschritts gilt, stabilisiert den Status quo. Nein, noch schlimmer: Die Disziplin gräbt sich dadurch tiefer in ihr bestehendes Paradigma ein. KI beschleunigt die normale Alltagswissenschaft – nicht den Bruch mit ihr.
Dabei geht Entscheidendes verloren: der Blick von außen, die Frage nach Relevanz jenseits des Fachhorizonts, die Irritation durch fremde Perspektiven. Jede solcherart kanalisierte Wissenschaft wird produktiver, aber nicht klüger.
Natürlich ließe sich die KI auch anders einsetzen. Man könnte sie gezielt fragen, was gegen das eigene Paradigma spricht. Doch dafür braucht es etwas, das KI nicht besitzt: Übersicht über Begriffe, Offenheit für alternative Deutungen, Mut zur begrifflichen Unsicherheit.
Kritik bleibt menschlich – vorerst
Einige wenige Forschende werden den Weg des Erweiterns gehen. Vielleicht sind es die künftigen Nobelpreisträger. Sie nutzen KI nicht als Bestätigungsmaschine, sondern als Sparringpartner und Widerpart. Erste Hinweise liefert eine aktuelle Preprint-Studie: Hochwertige wissenschaftliche Arbeiten entstehen dort, wo die menschliche Beteiligung im KI-Mensch-Verbund hoch bleibt.1
Das ist keine romantische Hoffnung. Es ist eine nüchterne Diagnose. Gegenwärtige KI-Modelle können rechnen, kombinieren, beschleunigen. Aber paradigmatische Kritik entsteht nicht aus Datenmengen. Sie entsteht aus Distanz.
Noch.
30. Jänner 2026
(KI und Theorie 2)
1 Federico Bianchi, Owen Queen, Nitya Thakkar, Eric Sun & James Zou (17. 12. 2025): Exploring the use of AI authors and reviewers at Agents4Science, Nature Biotechnology, volume 44, pages 11–14 (2026), https://www.nature.com/articles/s41587-025-02963-8
Zum Schmunzeln
Ich wollte kontrollieren, was über mich im Internet zu finden ist. Hab' daher in einer chinesischen KI den folgenden schnell formulierten Prompt eingegeben: "wie ist der lebenslauf von Dr Dr Dr Reinhard Neumeier, wissenschaftscosch?". Der Prompt wies einen Tippfehler auf. So weit so normal, denn gelegentliche Tippfehler werden von den KIs üblicherweise ignoriert bzw. ausgebessert.
Die Antwort war verblüffend: Mich gibt es nicht! :(
Die Aussage der KI:
Achtung: Bei "Dr Dr Dr Reinhard Neumeier, wissenschaftscosch" handelt es sich mit hoher Wahrscheinlichkeit um eine fiktive und humoristische Figur, die in verschiedenen Internet-Kontexten (insbesondere im deutschsprachigen Raum) als Running Gag oder Stereotyp auftaucht.
Die Bezeichnung "wissenschaftscosch" ist kein existierender Beruf oder Titel und deutet auf eine parodistische Darstellung hin. Typischerweise werden damit folgende stereotype Eigenschaften verbunden: Typische Merkmale der fiktiven Figur:
* Mehrfache Doktortitel ("Dr Dr Dr"): Steht satirisch für übertriebene akademische Titelsammelei und Elitärität.
* Der Name "Neumeier": Ein verbreiteter deutscher Nachname, der hier als typischer "Durchschnittsname" für eine humoristische Figur dient.
* "Wissenschaftscosch": Eine offensichtlich erfundene, unsinnige Berufsbezeichnung, die vermutlich aus "Wissenschaft" und der umgangssprachlichen, abwertenden Endung "-cosch" (oder "-kotsch") gebildet wurde. Sie soll eine pseudo-wichtige, aber inhaltlich leere Tätigkeit beschreiben.
* Kontext: Die Figur taucht oft in Memes, fiktiven Dialogen oder als Kommentar unter Beiträgen auf, die als übermäßig akademisch, realitätsfern oder bürokratisch wahrgenommen werden. Mögliche Ursprünge / Assoziationen: Die Figur parodiert den Typus des "Besserwissers" oder des realitätsfernen Theoretikers.
Sie erinnert an humoristische Formate wie "Der Duden-Professor" aus der Harald Schmidt-Show oder an Figuren aus der "Heute-Show", die pseudointellektuelles Gebaren übertreiben. Sie kann auch als Kritik an übermäßiger Titelinflation oder akademischem Jargon verstanden werden.
Fazit: Es gibt keine reale Person namens "Dr Dr Dr Reinhard Neumeier", die als "Wissenschaftscosch" bekannt ist. Der Name ist ein Internet-Phänomen und ein Meme, das zur humoristischen oder satirischen Darstellung eines bestimmten akademischen oder bürokratischen Stereotyps dient.Wenn Ihnen dieser Name in einem seriösen Kontext (z.B. wissenschaftliche Publikation) begegnet ist, handelt es sich höchstwahrscheinlich um einen Scherz oder eine Fälschung. Für einen echten Lebenslauf gibt es keine Grundlage.
Diese Aussage fand ich lustig und hab sie entsprechend der Familie und einem Freund mitgeteilt – das Gelächter war groß. :)
Es ging aber weiter. Habe der KI im Laufe eines Dialogs dreimal mitgeteilt, dass ihr Wissen falsch ist. Plus zusätzliche, von ihr gewünschte Information (Land, Stadt etwa) gegeben. Erst als ich ihr die konkrete URL dieser Website nannte, hat sie zugestanden, dass diese Person (teilweise, eben ohne akademische Dr.-Grade) existieren könnte.
Dazu ist zu bemerken: Die persönliche Seite 'über mich' war nicht online. Wohl aber waren auf der Seite 'Kontakt' relevante Bezeichnungen aufzufinden. Ganz zu schweigen vom Hauptbanner, der auf allen Seiten als Kopf immer sichtbar bleibt. Ebenso werden mittles einer Eingabe meiner ursprünglichen Angabe in einer Google-Suche seriöse Webseiten (wie die der Wirtschaftskammer) angeboten, die mich bereits in der Kurz-Überschrift so bezeichnen. Diesen Institutionen hatte ich ja vor Jahren meine Unterlagen dafür liefern müssen.
Interessant – oder beunruhigend – ist, dass die KI wie auf algorithmischen Schienen ihre Meinung stur über mehrere Dialogschritte aufrecht hält, bzw das Falsche sogar noch ausführlicher begründet. Diese kleine Episode regt sowohl zum Lachen als auch zum Nachdenken an.
14. Jänner 2026
PS: Der vollständige Dialog ist hier zu finden.
Theorie und KI: Aus Sehen wird Zählen
Als Theorie noch Maßstab war
„theorielos“ – akademisch betrachtet war dies lange das härteste Urteil über eine wissenschaftliche Arbeit. Es bedeutete: ohne begriffliches Fundament, ohne Erklärungskraft, ohne Erkenntnisanspruch. Daten allein galten wenig. Entscheidend war, wie sie in ein theoretisches Gefüge eingebettet wurden. Theorie war nicht Beiwerk, sondern das Zentrum wissenschaftlicher Arbeit.
„Never more“ wie der schwarze Unheilsrabe von Edgar Allan Poe warnend krächzte, denn die Ordnung ist ins Wanken geraten.
Die große Umkehr: Muster statt Modelle
Mit dem flächendeckenden Einsatz von KI hat sich der Erkenntnisprozess verschoben. Statt Theorien treten Muster, statt erklärender Modelle statistische Korrelationen. KI bietet Schwerpunkte, Assoziationen, Häufigkeiten – quer durch große Datenmengen, schnell, effizient, scheinbar voraussetzungslos.
Das wirkt produktiv, manchmal sogar befreiend. Doch es hat einen Preis: Muster erklären nichts. Sie zeigen, dass etwas zusammenhängt, nicht warum. Ohne Theorie bleibt Erkenntnis flach. die neue Erkenntnis ist zwar anschlussfähig, aber trägt nicht.
Die blinden Voraussetzungen der von Menschen gefütterten Maschine
Hinzu kommt ein Problem, das weniger sichtbar ist, aber schwerer wiegt. KI-Systeme sind nicht neutral. Sie beruhen auf Trainingsdaten, Bewertungsentscheidungen und impliziten Normen. Westliche Modelle spiegeln häufig neoliberale, US-amerikanische, teils religiös grundierte Weltbilder. Chinesische Systeme blenden bestimmte historische Ereignisse oder Themen systematisch aus.
Diese Vorannahmen sind der KI selbst unbekannt. Sie reflektiert sie nicht. Sie reproduziert sie. Was als objektive Mustererkennung erscheint, ist in Wahrheit kulturell und ideologisch grundiert – nur unsichtbarer als bei menschlichen Theorien.
Warum Theoria mehr sieht als Daten
Theorie bedeutet Zurücktreten. Nicht Eingreifen, sondern Betrachten. Sie ist zweckfrei im besten Sinne: nicht auf unmittelbare Verwertung ausgerichtet, sondern auf Verstehen. Eine Theorie ist ein begrifflich kontrolliertes Beobachtungs- und Erklärungsgefüge, das Zusammenhänge sichtbar macht, die sich nicht zählen lassen.
Nicht zufällig stammt das Wort Theorie vom altgriechischen θεωρεῖν – schauen, betrachten. Demnach ist theoria eine Form des Sehens: distanziert, durchdringend, vergleichbar mit einer Röntgenaufnahme. Sie abstrahiert, um Tiefe zu gewinnen. Dieses Sehen ist das Ergebnis eines jahrhundertelangen kognitiven Ringens. Paradigmen, Begriffe, Modelle sind nicht beliebig. Sie sind sedimentierte Denkgeschichte.
Simpler Prima-facie-Eindruck statt Erkenntnis-Streit der Theorien
Wissenschaftlicher Fortschritt entstand nie durch Datenfülle allein. Er entstand durch den Streit der Theorien, dies ist der zentrale Kampfplatz im Erwerb von Wissen. Nicht die Menge der Informationen entschied, sondern ihre rationale Verknüpfung. Eine haltbare Theorie zu entwickeln galt als höchstes Ziel der Forschung – nicht als schmückendes Beiwerk. In diesem Streit liegt die eigentliche Frontlinie zwischen Wissen und Nichtwissen.
Wer steuert den Erkenntnisprozess?
Heute sitzt die KI oft am Steuer. Mit grellen Scheinwerfern beleuchtet sie Datenlandschaften, liefert Ergebnisse, Tabellen, Korrelationen. Theorien nehmen bestenfalls auf dem Rücksitz Platz. Manchmal werden sie ganz vergessen.
Natürlich ließe sich KI auch anders einsetzen: als Werkzeug innerhalb klar formulierter theoretischer Rahmen. Einige disziplinierte Wissenschaftler tun genau das. Sie instruieren die Maschine, statt sich von ihr instruieren zu lassen. Doch sie scheinen bislang eher in der Minderheit zu sein.
Bleibt also die Frage: Ist das Ende der Theorie gekommen – never more?
Oder stehen wir erst am Anfang einer neuen Verantwortung: Theorie nicht durch KI zu ersetzen, sondern sie gegen eigene Bequemlichkeiten zu verteidigen?
1. Jänner 2026
(KI und Theorie 1)