Unberechenbarkeit in Zeiten rasender Rechenkünste

„Eignen Sie sich die Berechenbarkeit der KI an und bleiben Sie dennoch unberechenbar als Menschen“ ist der Schlusssatz der Rede, die Georg Vobruba, emeritierter Soziologieprofessor der Universität Leipzig, Anfang September anlässlich der Promotionsfeier der Fakultät für Sozialwissenschaften und Philosophie gehalten hat. In dem Vortrag über akademisches Arbeiten und Künstliche Intelligenz setzt sich Vobruba auch mit der Prognose auseinander, KI werde gerade hoch qualifizierte Arbeitsplätze übernehmen, und hält dagegen: „Schon sehr einfache Überlegungen zeigen, dass KI akademische Arbeit eher verändert als übernimmt.“ bruchstücke dokumentiert eine vom Autor gekürzte und verdichtete Version des Vortrags.

I Distanz und Engagement

Akademisches Arbeiten besteht im Wesentlichen darin, in Ausschnitten der Realität Forschungsobjekte zu identifizieren, regelmäßige Zusammenhänge zwischen ihnen – also Muster – zu finden, denen sich ein Sinn zuschreiben lässt, und daraus unter Umständen Konsequenzen in Richtung Handeln zu ziehen. In den einzelnen Phasen des Arbeitsprozesses kommt es mal mehr auf Distanz zu den Objekten, mal mehr auf Engagement an. Folgendes lässt sich als Faustregel nehmen: Die Auswahl des Ausschnitts der Realität, also die Themenwahl, geht nicht ohne Engagement. In der Phase der Untersuchung des Forschungsobjekts empfiehlt es sich, auf Distanz zu gehen. Ein gewisses Maß an Engagement mag nützlich sein, zu viel Engagement macht aber blind. Bei den Konsequenzen schließlich ist Engagement unvermeidbar. Engagement ist in er Regel ohnehin da, Distanz dagegen muss geschaffen werden. Sie entsteht durch die Anwendung von Methoden. Die wichtigste Technik, Distanz zum Forschugsobjekt herzustellen, besteht darin, das Objekt zahlenförmig – man kann auch sagen: digital – zu erfassen. Zugleich ermöglichen Daten als Repräsentanz eines Forschungsobjekts, dass es für Dritte relativ leicht zugänglich wird. Solche Dritte können Menschen oder Maschinen sein.

II Muster in der KI

Akademisch Arbeitende kommen mit KI in erster Linie als Large Language Models (LLMs) in Kontakt. LLMs sind Maschinen, die mit großen Textmengen gefüttert wurden und immense Leseleistungen erbringen können. Aufgrund ihrer Leseleistung sind LLMs sehr gut darin, Muster in digital aufbereiteten Texten zu finden.
Damit die KI eine Mustersuche beginnen kann, muss ihr erst einmal eine Grundgesamtheit aus der analogen Welt vorgegeben werden. Dabei geht es nicht unbedingt um möglichst umfangreiche Datensätze, sondern um gute Datensätze, und zwar „gut“ entsprechend der Fragestellung aus der analogen Welt, mit der sich die KI befassen soll. Unlängst hat Bernd Montag, der Vorstandsvorsitzende des Medizintechnikunternehmens Siemens Healthineers, gesagt, dass es in seiner Branche nicht um besonders viel, sondern um das richtige Lernmaterial für medizinische KI-Diagnosen geht. Das erfordert gleich zweimal Experten der analogen Welt: Erstens Experten, die Diagnosen stellen, und zweitens Experten, die aus diesen Diagnosen die „richtigen“ auswählen. Viel Aufwand, bevor die KI überhaupt loslegt.

Dann sucht die KI ausgehend von vorgegebenen Zeichen nach benachbarten. Erkennt sie unterschiedlich häufige Koinzidenzen, kann sie daraus ein Muster bilden. Einem solchen Muster kann man dann in der analogen Welt Sinn zuschreiben und Lernschleifen für die KI dranhängen.

Abgesehen von der immensen Datenmenge, die abgegriffen wird, und der unglaublichen Geschwindigkeit, mit der das stattfindet, ist dieser Vorgang relativ trivial. Es werden Häufigkeiten gemessen. Und sie werden einem Muster subsummiert. Muster mit Sinn ausstatten können freilich nur Menschen, denn Rechner können weder verstehen noch „bewirken, dass sie verstanden werden.“ (Baecker 2026: 57).

Eine Schlussfolgerung liegt sehr nahe: Wenn das Erkennen und der Umgang mit Mustern ein wesentliches Merkmal akademischen Arbeitens ist, dann ist KI, jedenfalls in der Version der LLMs, etwas durchaus Verwandtes; und man kann gerade deshalb davon ausgehen, dass sie akademisches Arbeiten verändert. Sie alle kennen die Prognosen, dass durch KI gerade hoch qualifizierte Arbeitsplätze wegfallen. Aber schon sehr einfache Überlegungen zeigen, dass KI akademische Arbeit eher verändert als übernimmt.

Zum Beispiel übernimmt die KI bei der Anwaltstätigkeit die Routinearbeit des Erstgesprächs, das Anlegen einer Akte, Recherchen in der Judikatur und das Verfassen von Standardschriftsätzen. Sie wird also in den Arbeitsprozess eingebaut. Im Übrigen zeigen aktuelle Umfragen, dass das zur Zeit oft mehr Arbeit macht als Arbeit erspart. Und wenn diese Versionen der Büro-KI demnächst besser funktionieren, könnte sich herausstellen, dass Routinearbeiten durchaus positive Effekte hatten: Sie waren keine verplemperte Zeit, sondern erleichterten das Einarbeiten von Neulingen, oder sie wirkten als schöpferische Pausen. Wenn solche Effekte von Routinearbeit durch KI wegfallen, und sobald klar wird, dass etwas Essentielles fehlt, muss dafür Ersatz – neue Arbeit! – extra eingerichtet werden.

KI wird auch angeboten, um das Personalmanagement, insbesondere Bewerbungsverfahren, zu erleichtern. Es ist dasselbe Muster: Vorinformationen und routinemäßige Einstiege in Bewerbungsverfahren werden der KI übertragen und zu einer Entscheidungsgrundlage zusammengeführt. Der Standardschriftverkehr kann von der KI abgewickelt werden.

Allerdings haben wir es hier mit einem besonders interessanten Fall zu tun. Personalrekrutierungen sind Entscheidungen unter hoher Unsicherheit und mit erheblicher Irrationalität verbunden. Das Versprechen der Versachlichung durch KI ist darum besonders attraktiv und sicher nicht unberechtigt. Dabei aber gibt es Grenzen. Sie werden deutlich, wenn man KI vor dem Hintergrund der Besonderheiten von Arbeitskraft sieht. Ich greife dazu auf ein klassisches Theorem der Soziologie des Arbeitsmarktes zurück, auf die These vom „fiktiven Warencharakter der Arbeit“ des ungarisch-österreichischen Wirtschaftshistorikers Karl Polanyi (1886-1964).

III Die unaufhebbare Unbestimmtheit der Arbeitskraft

Wer jemals abhängig erwerbstätig war, hat es schon bemerkt: Zwar verkauft man seine Arbeitskraft. Aber anders als bei einem Kaufvertrag gibt man die „Ware“ nicht an den Käufer ab, sondern muss – lästiger Weise – die ganze Zeit selbst mitarbeiten. Dieser eigenartige Umstand verweist auf eine fundamentale Besonderheit von Arbeitskraft gegenüber allen anderen Waren. Das Potential „Arbeitskraft“ ist von seiner Trägerin, der „Arbeitskraft“, nicht abtrennbar. Daran ändert auch Tele-Heimarbeit nichts.

Dass Arbeitskraft eine „fiktive Ware“ ist, bedeutet, dass sie wie eine Ware auf Arbeitsmärkten behandelt wird, sich aber vom Ware-Modell in wesentlichen Punkten unterscheidet. Während beim Kaufvertrag der Verkäufer seine Ware dem Käufer übergibt, passiert beim Arbeitsvertrag etwas ganz anderes. Der Arbeitsvertrag beschreibt ein Kooperationsverhältnis und regelt eine Mitwirkungspflicht auf Dauer. Mit dem Arbeitsvertrag wird also etwas von der Person Unabtrennbares „gekauft“: das Arbeitsvermögen als ein Aspekt von Subjektivität.

Aus der untrennbaren Verbindung von Subjekt und Arbeitspotential folgt, dass menschliche Arbeit immer etwas Unbestimmtes und der Arbeitsvertrag immer eine Unbestimmtheitslücke hat: Er definiert nie wirklich umfassend, was alles ganz genau die Arbeitspflichten sind. Er kann und er soll es nicht. Man kann sich das Besondere des Arbeitsvertrages auch so klar machen: „Dienst nach Vorschrift“, also die buchstabengetreue Orientierung am Arbeitsvertrag, ist nicht perfekte Pflichterfüllung, sondern eine subtile Methode der Arbeitsverweigerung.

Aus der Sicht der Käufer, der Arbeitgeber, ist Arbeitskraft im Kern eine black box. Wer Arbeitskraft einkauft, weiß nie ganz genau, was sie oder er da kauft. Das klingt nach einem hoch riskanten Geschäft. Aber das stimmt nicht (ganz). Die arbeitgeberseitige Interessenlage gegenüber dieser black box ist ambivalent: Einerseits ist die Unbestimmtheit tatsächlich riskant, und das Risiko wird durch Kontrolle des Arbeitseinsatzes reduziert. Andererseits ist die Unbestimmtheit von Arbeitskraft – und ganz besonders von akademischer Arbeitskraft – ihr entscheidender Vorzug. Arbeitskräfte können in nicht vorhersehbaren Situationen angemessen handeln. Vor allem aber können sie nicht Vorhergesehenes überhaupt erst herstellen. Die Unbestimmtheitslücke des Arbeitsvertrages ist die Voraussetzung für Flexibilität und Kreativität.

Hier zeichnet sich in Bezug auf KI ein Widerspruch ab. KI kann die Berechenbarkeit von Arbeitskraft ausweisen, sie kann aber ihre Unberechenbarkeit nicht berechnen.

IV Grenzen der KI

KI operiert unter Rückgriff auf gegebene Bestände. Das wurde zuletzt anhand der Unsummen an antiquarischen Büchern deutlich, die KI-Unternehmen zum Training ihrer Sprachmodelle angekauft haben. Die Leistungsfähigkeit von KI im Allgemeinen und erst recht von LLMs hängt vom Ausgangsmaterial ab. KI kann gut interpolieren und viel schlechter extrapolieren. KI ist gut darin, durch das Rekombinieren von Gegebenem zu überraschende Ergebnisse zu kommen. Aber sie schafft nichts wirklich Neues.

Ich beziehe dies auf die These vom fiktiven Warencharakter der Arbeitskraft: LLMs können auf die eigenartig widersprüchlichen Unternehmenserwartung an Arbeitskraft nur zur Hälfte eingehen: Sie können Arbeitskraftprofile nach Kriterien wie Verlässlichkeit und Pflichterfüllung checken und sortieren. Aber sie sind unfähig zu berücksichtigen, dass Arbeitskräfte die Pflicht haben, mehr und auch anderes tun, als das, was explizit Arbeitspflicht ist. Wenn man so will: Die Verpflichtung, nicht nur Arbeitskraft zu sein, sondern sich als Person einzubringen; als eine Person, die eine Balance zwischen Distanz und Engagement halten muss und halten will.

Es kann also keine Rede davon sein, dass die analoge Welt von KI überwältigt, durch KI „dataisiert“ wird. „Dataisierung“ ist das Ergebnis von Aktionen in der analogen Welt. Es handelt sich dabei um die KI-konforme Zurichtung des input für die KI aufgrund der Antizipation möglicher Folgen ihres output. Bei dieser Art vorauseilender Anpassung der analogen Welt an die Logik und damit an die Selektivität der KI kann man mitmachen. Muss man aber nicht.

LLMs bestehen aus Rechenleistung und sind deshalb berechenbar. Arbeitskraft dagegen ist berechenbar und unberechenbar. Das macht ihren Wert aus. Er beruht auf der Unabtrennbarkeit der Arbeitskraft von der Subjektivität und darum immer auch auf dem Engagement, das in das akademische Arbeitsleben hineinspielt. Die Differenz zwischen KI und Arbeitskraft ist im Kern der Unterschied zwischen Berechenbarkeit und Unberechenbarkeit. Darum: Eignen Sie sich Techniken der Berechenbarkeit an, aber bleiben Sie un-berechenbar.

Weiterführende Literatur

Dirk Baecker 2026. Digitalisierung. Berlin: Suhrkamp.
Reinhard Kreissl, Roger von Laufenberg 2024. Risiken und Gefahren der ‚Künstlichen‘ ‚Intelligenz‘. In: Michael Heinlein, Norbert Huchler (Hg.), Künstliche Intelligenz, Mensch und Gesellschaft. Wiesbaden: Springer VS.
Armin Nassehi 2021. Muster. Theorie der digitalen Gesellschaft. München: C. H. Beck.
Georg Vobruba 1989. Arbeiten und Essen. Politik an den Grenzen des Arbeitsmarkts. Wien: Passagen.
Georg Vobruba 2026. Distanz und Engagement. Die Positionierung der Soziologie zu ihren Objekten. In: SOZIOLOGIE, 55. Jg., Heft 4.