Wenn Menschen an künstliche Intelligenz denken, stellen sie sich häufig vor, dass ein System Informationen abruft.

Eine Frage wird gestellt.

Die KI sucht eine Antwort.

Der Vorgang wirkt einfach.

Unter der Oberfläche geschieht jedoch etwas deutlich Komplexeres.

Moderne KI-Systeme rufen Informationen über Organisationen nicht einfach ab.

Sie konstruieren ein Verständnis.

Daraus ergibt sich eine grundlegende Frage:

Wie bilden KI-Systeme eigentlich ein Verständnis von Organisationen?

Mit der zunehmenden Verbreitung von KI wird diese Frage nicht nur für Forschende relevant, sondern auch für Unternehmen, Kommunikationsabteilungen, Investoren und politische Entscheidungsträger.

Organisationen sind keine Datensätze

Eine Organisation besteht aus weit mehr als einzelnen Fakten.

Organisationen besitzen:

• eine Geschichte,
• Produkte und Dienstleistungen,
• Marken,
• Führungspersönlichkeiten,
• Beziehungen,
• Reputation,
• Strategien,
• Werte und Kultur.

Menschen verbinden diese Elemente zu einem mentalen Modell.

Sie bilden sich einen Eindruck.

Sie entwickeln ein Verständnis.

KI-Systeme scheinen etwas Ähnliches zu tun.

Wenn sie nach einer Organisation gefragt werden, listen sie nicht nur Fakten auf.

Sie erstellen Beschreibungen, Zusammenfassungen, Vergleiche, Bewertungen und Erklärungen.

Mit anderen Worten:

Sie erzeugen Repräsentationen.

Von Informationen zu Verständnis

Eine der zentralen Herausforderungen künstlicher Intelligenz besteht darin, Informationen in Verständnis zu verwandeln.

Ein KI-System kann auf tausende Hinweise zu einer Organisation treffen, beispielsweise in:

• Websites
• Presseartikeln
• Wikipedia
• Sozialen Netzwerken
• Geschäftsberichten
• Interviews
• Forschungsarbeiten
• Öffentlichen Dokumenten

Die Herausforderung besteht heute selten darin, Informationen zu finden.

Die eigentliche Herausforderung besteht darin, deren Bedeutung zu verstehen.

Um eine Frage über eine Organisation zu beantworten, muss ein KI-System implizit entscheiden:

• Welche Informationen sind relevant?
• Welche Informationen sind vertrauenswürdig?
• Welche Informationen sind aktuell?
• Welche Informationen sind repräsentativ?
• Welche Informationen können ignoriert werden?

Diese Entscheidungen beeinflussen unmittelbar die Repräsentation, die am Ende entsteht.

Aus Signalen wird Bedeutung

Organisationen senden kontinuierlich Signale aus.

Manche davon sind bewusst gesetzt.

Andere entstehen unbeabsichtigt.

Beispiele sind:

• Unternehmenskommunikation
• Presseberichte
• Mitarbeiterbeiträge
• Kundenbewertungen
• Öffentliche Dokumente
• Strukturierte Daten
• Erwähnungen in Fachpublikationen

Für sich genommen liefern diese Signale nur begrenzte Informationen.

Zusammen beginnen sie jedoch, ein Bild entstehen zu lassen.

Der Prozess, durch den KI-Systeme aus Signalen ein Verständnis erzeugen, gehört zu den wichtigsten offenen Fragen des maschinellen Verstehens.

Warum unterschiedliche KI-Systeme zu unterschiedlichen Ergebnissen kommen

Eine interessante Beobachtung ist, dass verschiedene KI-Systeme dieselbe Organisation teilweise unterschiedlich beschreiben.

ChatGPT hebt möglicherweise bestimmte Aspekte hervor.

Gemini konzentriert sich auf andere.

Claude wiederum gewichtet andere Informationen stärker.

Dies deutet darauf hin, dass KI-Systeme nicht einfach eine gespeicherte Beschreibung abrufen.

Vielmehr konstruieren sie Repräsentationen durch Prozesse der Gewichtung, Synthese und Interpretation.

Dasselbe Signalumfeld kann dadurch zu unterschiedlichen maschinellen Verständnissen führen.

Dieses Phänomen wirft wichtige Fragen hinsichtlich Konsistenz, Verlässlichkeit und Repräsentation auf.

Die fehlende Disziplin

Organisationen beschäftigen sich seit Jahrzehnten mit Themen wie:

• Markenwahrnehmung
• Reputation
• Öffentlicher Meinung
• Medienresonanz
• Sichtbarkeit in Suchmaschinen

Diese Disziplinen konzentrieren sich vor allem auf menschliches Verständnis.

Was bislang weitgehend fehlt, ist ein Framework für das Verständnis maschinellen Verständnisses.

Mit dem Aufstieg generativer KI wird diese Lücke zunehmend sichtbar.

Organisationen stehen heute vor einer neuen Herausforderung:

Zu verstehen, wie Maschinen sie verstehen.

Die APL-Frage

AI Perception Layering™ beginnt mit einer einfachen Forschungsfrage:

Wie bildet ein maschinelles System auf Basis verfügbarer Signale ein Verständnis einer Entität?

Diese Frage liegt an der Schnittstelle von:

• Künstlicher Intelligenz
• Information Retrieval
• Wissensrepräsentation
• Kommunikationswissenschaft
• Reputationsforschung
• Organisationsforschung

Anstatt sich ausschließlich auf KI-Ausgaben zu konzentrieren, richtet sie den Blick auf die Entstehung maschinellen Verständnisses selbst.

Auf dem Weg zur Organisationsrepräsentation

Menschen bilden Wahrnehmungen.

Organisationen entwickeln Reputation.

KI-Systeme konstruieren Repräsentationen.

Zu verstehen, wie diese Repräsentationen entstehen, wird zunehmend wichtiger, da KI-Systeme Entscheidungen beeinflussen, die getroffen werden von:

• Kunden
• Investoren
• Journalisten
• Mitarbeitenden
• Behörden
• Geschäftspartnern

Die Fähigkeit, maschinelle Repräsentationen zu messen, zu analysieren und zu verbessern, könnte künftig ebenso wichtig werden wie die Messung menschlicher Wahrnehmung.

Eine neue Forschungsagenda

Viele Fragen sind bislang unbeantwortet.

Zum Beispiel:

• Wie gewichten KI-Systeme konkurrierende Signale?
• Warum gelangen unterschiedliche KI-Systeme zu unterschiedlichen Repräsentationen?
• Welche Signale beeinflussen maschinelles Verständnis besonders stark?
• Wie stabil sind KI-Repräsentationen über die Zeit?
• Wie stark unterscheiden sich maschinelle Repräsentationen von menschlichen Wahrnehmungen?

Diese Fragen sind nicht nur wirtschaftlich relevant.

Sie stellen auch ein bedeutendes Forschungsfeld für die kommenden Jahre dar.

Fazit

Über Jahrzehnte hinweg konzentrierten sich Organisationen darauf zu verstehen, wie Menschen sie wahrnehmen.

Heute entsteht eine neue Herausforderung.

Organisationen müssen zusätzlich verstehen, wie Maschinen sie verstehen.

Der Übergang von menschlicher Wahrnehmung zu maschineller Repräsentation könnte zu einer der wichtigsten Kommunikations- und Governance-Fragen des KI-Zeitalters werden.

Die zentrale Frage lautet daher nicht mehr nur:

„Welche Informationen über unser Unternehmen existieren?“

Die tiefere Frage lautet:

„Wie verwandelt ein KI-System diese Informationen in Verständnis?“

Das Verständnis dieses Prozesses bildet den Ausgangspunkt für KI-Repräsentation, Organisationsrepräsentation und letztlich für AI Perception Layering.

‍

‍