Die KI-gestützte Wissensgenerierung ist die Erzeugung von Wissens-Kandidaten durch ein KI-System, typischerweise ein großes Sprachmodell: Begriffsentwürfe, Klassifikationsvorschläge, Beziehungsgeflechte, Definitions-Rohfassungen. Der Begriff trägt die entscheidende Unterscheidung von Erzeugung und Geltung: Das Münchhausen-Trilemma greift nicht beim Hervorbringen, sondern bei der Geltungsfrage. Ein Kandidat ist noch kein Wissen — er wird es erst, wenn er die Prüfung durch unabhängige Instanzen besteht.
Was das System kann
Die empirische Forschung zur maschinellen Wissensmodellierung zeichnet ein konsistentes Bild: Sprachmodelle erzeugen Beziehungen zwischen Begriffen mit hoher Präzision, während ihre Definitionen schwächer ausfallen als menschliche — so die DRAGON-AI-Studie (Toro u. a. 2024), deren Autoren betonen, dass Fachexperten den Prozess kuratieren müssen; zum selben Schluss kommt die NeOn-GPT-Pipeline (Fathallah u. a. 2024), die maschinell erzeugte Wissensmodelle in einer Rückkopplungsschleife extern prüfen lässt. Bemerkenswert ist ein Nebenbefund von Toro u. a.: Je höher die Fachkompetenz der prüfenden Person, desto eher erkennt sie Fehler in maschinell erzeugten Definitionen — ein empirischer Beleg dafür, dass die Adäquatheitsprüfung Expertise braucht und nicht wegautomatisiert werden kann.
Der Übergang zur Geltung
Zwischen Kandidat und geltendem Wissen liegt die Prüfung gegen mindestens eine Verifikationsinstanz: formal (maschinelle Konsistenz- und Strukturprüfung), personal (das Adäquatheitsurteil der Fachperson) und gegebenenfalls normativ (die gesetzte Norm des Fachgebiets). Wer diesen Übergang abkürzt und das erzeugende System selbst über die Geltung entscheiden lässt, betreibt KI-Selbstvalidierung — und verfällt dem Zirkel.
Personseinsontologische Bewertung
Die Generierung ist kein personaler Erkenntnisakt — sie ist von der Erkenntnis kategorial (disjunkt) unterschieden. Erkenntnis ist der Akt, in dem der Geist die Wirklichkeit berührt und Seiendes so erfasst, wie es ist; genau diese Berührung — die Übereinstimmung mit der Sache — kann das erzeugende System nicht selbst vollziehen. Es operiert über Zeichen, deren Bedeutung ihm von Personen verliehen ist (abgeleitete Intentionalität). Das ist eine Ortsbestimmung, keine Abwertung: Als Kandidaten-Erzeuger ist das System ein legitimes, oft hochproduktives Werkzeug — die Geltung seiner Ergebnisse aber wird andernorts gestiftet, im personalen Urteil.
Gegenargument
Eine funktionalistische Position hält die Trennung für dogmatisch: Wenn ein System Weltzusammenhänge intern so modelliert, dass seine Vorhersagen zuverlässig zutreffen, sei das eine Form von Erkenntnis — die Verweigerung des Begriffs sei bloße Definitionspolitik. Die personalistische Antwort: Zuverlässige Modellierung ist Operationsraum, nicht Verstehensraum. Dass die Ergebnisse für uns zutreffen, macht sie nicht zu Erkenntnissen des Systems — die Zeichen bedeuten ihm nichts, und die Übereinstimmung mit der Wirklichkeit wird nicht von ihm, sondern von der prüfenden Person festgestellt. Der pragmatische Erfolg ist zudem selbst nur ein externes Signal — und zwar ein schwaches: Ein Modell kann lange „funktionieren” und dennoch falsch sein; ohne Adäquatheitsprüfung weiß es niemand.
Ontologische Einordnung: disjunkt zu: Erkenntnis (personaler Akt); verwandt: KI-Selbstvalidierung (die unzulässige Abkürzung), Verifikationsinstanz (der Weg zur Geltung); erzeugt durch: Künstliche Intelligenz.
Quellenangaben: Recherchestand 14. Juli 2026 (Recherche Das Münchhausen-Problem im LLM-gestützten Ontologie-Engineering).
Weitere Quellen:
- Toro, Sabrina u. a. (2024): Dynamic Retrieval Augmented Generation of Ontologies using Artificial Intelligence (DRAGON-AI). Journal of Biomedical Semantics 15, Art. 19.
- Fathallah, Nadeen; Das, Arunav; De Giorgis, Stefano; Poltronieri, Andrea; Haase, Peter; Kovriguina, Liubov (2024): NeOn-GPT: A Large Language Model-Powered Pipeline for Ontology Learning. The Semantic Web: ESWC 2024 Satellite Events, Hersonissos, Mai 2024. Cham: Springer.
- Huang, Jie u. a. (2024): Large Language Models Cannot Self-Correct Reasoning Yet. ICLR 2024.
- Searle, John R. (1980): Minds, Brains, and Programs. Behavioral and Brain Sciences 3, S. 417–457.
- Spaemann, Robert (1996): Personen. Versuche über den Unterschied zwischen „etwas” und „jemand”. Stuttgart: Klett-Cotta.
Siehe auch
- Münchhausen-Trilemma
- KI-Selbstvalidierung
- Verifikationsinstanz
- Erkenntnis
- Urteil
- Wahrheit
- Künstliche Intelligenz
- Abgeleitete Intentionalität
Generiert via Abfrage aus der Personsein-Ontologie.