Im Jahr 1781 veröffentlichte Immanuel Kant die Kritik der reinen Vernunft. Sein zentrales Argument: Der menschliche Verstand ist kein leeres Gefäß, das passiv Eindrücke sammelt. Er bringt eigene Strukturen mit — Kategorien, durch die er Erfahrung erst ordnet, verständlich macht, in Zusammenhänge bringt. Ohne diese apriorischen Formen gibt es keine Erkenntnis, nur Chaos der Sinne.
Kant nannte diese Strukturen die reinen Verstandesbegriffe. Kausalität. Substanz. Einheit. Vielheit. Notwendigkeit. Sie sind nicht aus der Erfahrung abgeleitet — sie machen Erfahrung erst möglich.
Zweihundertdreißig Jahre später trainieren wir neuronale Netze auf Milliarden von Texten. Und was lernen sie? Keine Fakten. Keine Wahrheiten. Sie lernen die Muster des Denkens — die Strukturen, in denen Menschen Gedanken ausdrücken, Ursachen benennen, Zusammenhänge herstellen, Kategorien bilden. Sie lernen die Grammatik der Erkenntnis.
Kant hätte das verstanden. Vielleicht besser als viele KI-Forscher heute.
Die Kategorientafel — und ihr digitales Spiegelbild
Kant unterschied zwölf reine Verstandesbegriffe, geordnet in vier Gruppen. Jede davon findet eine strukturelle Entsprechung in dem, was LLMs modellieren:
Kant — Kategorie
LLM — strukturelle Entsprechung
Das ist keine erzwungene Analogie. Es ist die Beobachtung, dass Sprache — als das Material aus dem LLMs lernen — die Kategorien des Verstandes bereits trägt. Sprache ist geronnenes Denken. Und wer aus Sprache lernt, lernt zu denken.
Schopenhauer und die Grenze
Kant war optimistisch über den Verstand. Schopenhauer weniger. Für ihn war die Welt als Vorstellung — also das, was der Verstand erkennt — nur eine Oberfläche. Dahinter liegt der Wille: blind, unvernünftig, unerkennbar durch Kategorien allein.
Diese Unterscheidung ist für KI hochrelevant. LLMs bewegen sich vollständig in der Welt der Vorstellung — in der Welt der Sprache, der Muster, der Kategorien. Was Schopenhauer den Willen nannte — das Nicht-Sprachliche, das Körperliche, das Unbewusste, das reine Erleben — davon haben sie keine Ahnung. Und können es nicht haben.
LLMs sind Meister der Vorstellung. Was sie nicht kennen, ist der Wille — das Nicht-Sagbare hinter der Sprache. Diese Grenze zu verstehen ist wichtiger als jede Benchmark.
Das ist keine Kritik an LLMs. Es ist eine Präzisierung. Wer diese Grenze versteht, nutzt KI richtig — für das, was Sprache und Kategorien leisten können. Wer sie ignoriert, erwartet zu viel und enttäuscht sich selbst.
Was das für Unternehmen bedeutet
Diese philosophische Betrachtung hat konkrete Konsequenzen für jeden, der KI im Unternehmen einsetzt:
- LLMs sind stark in allem, was kategorisierbar, strukturierbar und sprachlich kodierbar ist — Texte, Zusammenfassungen, Klassifikationen, Mustererkennungen
- Sie sind schwach in allem, was Urteilsvermögen aus Erfahrung erfordert — kontextuelle Einschätzungen, ethische Abwägungen, Situationsintelligenz
- Prompt-Qualität ist Erkenntnisqualität — wer sein Problem präzise in Sprache fassen kann, bekommt eine präzise Antwort. Unscharfe Fragen erzeugen unscharfe Antworten
- Die wertvollste KI-Kompetenz ist nicht technisch — sie ist sprachlich. Wer denken und formulieren kann, kann KI besser nutzen als jeder, der nur die Tools kennt
Zurück zur Sprache
Was mich an dieser Verbindung fasziniert, ist nicht die Technik. Es ist die Bestätigung einer alten Einsicht: Sprache ist nicht das Werkzeug des Denkens. Sie ist seine Bedingung.
Kant hat das für den menschlichen Verstand gezeigt. LLMs zeigen es — auf ihre Weise — für Maschinen. Und wer in meiner Arbeit als Berater die Sprache von Unternehmen analysiert, sieht dasselbe: Unklare Sprache ist unklares Denken. Präzise Sprache ist präzises Denken. Das lässt sich nicht voneinander trennen.
KI macht das nicht anders. Sie macht es sichtbarer.
