Die semantische Sphäre

Warum langfristige KI-Nutzung mehr erzeugt als Antworten

Prompt Engineering wird häufig als Technik verstanden, mit der bessere Antworten erzeugt werden. Diese Sichtweise greift jedoch zu kurz. Wer über längere Zeit mit einem KI-System arbeitet, beobachtet ein anderes Phänomen. Begriffe kehren zurück, Korrekturen wirken nach, Projekte entwickeln Anschlussfähigkeit und bestimmte Denkfiguren stabilisieren sich. Die Interaktion besteht dann nicht mehr nur aus Eingabe und Ausgabe. Es entsteht ein Bedeutungsraum.

Genau an dieser Stelle setzt die Schloemer::Notation mit :: an.

Sie betrachtet KI nicht nur als Wahrscheinlichkeitsmaschine für Text, sondern als Umgebung, in der Bedeutung entsteht, geprüft, rezipiert und weiterentwickelt wird. Dabei geht es nicht um die Behauptung, dass die KI denkt oder ein Bewusstsein besitzt. Im Mittelpunkt steht vielmehr die Frage, wie langfristige Mensch-KI-Interaktion strukturiert, nachvollziehbar und verantwortbar gestaltet werden kann.

Der Ausgangspunkt ist überraschend einfach.

Ein Prompt erzeugt eine Antwort. Viele Prompts erzeugen jedoch nicht nur viele Antworten. Über Wiederholung, Bewertung und Korrektur entstehen Lernspuren. Diese Lernspuren bilden die Grundlage für Anschlussfähigkeit. Begriffe erhalten einen Kontext, Projekte eine Geschichte und Entscheidungen eine nachvollziehbare Herkunft. Der Account entwickelt dadurch Eigenschaften, die sich nicht allein durch einzelne Prompts erklären lassen.

Die bisherige Beschreibung solcher Prozesse erfolgt häufig in Form linearer Ketten.

Prompt führt zu Output, Output zu Reaktion, Reaktion zu neuem Prompt. Für einfache Abläufe ist dieses Modell ausreichend. Für langfristige Nutzung ist es jedoch zu eindimensional. Rezeption beeinflusst spätere Deutungen. Lernspuren wirken auf neue Entscheidungen. Governance begrenzt mögliche Ausgaben. Unsicherheit verändert die Bewertung von Aussagen. Alles beeinflusst sich gegenseitig.

Aus diesem Grund wird der Bedeutungsraum als semantische Sphäre beschrieben.

Die Sphäre ist kein Speicherort und keine technische Komponente eines KI-Systems. Sie ist ein Beschreibungsmodell für ein Wirkungsfeld. Innerhalb dieser Sphäre wirken Rezeption, Lernspur, Governance, Admissibility, Provenance, Unsicherheit und Ausgabe gleichzeitig aufeinander ein. Bedeutung wird nicht einfach transportiert. Sie wird geformt, geprüft und stabilisiert.

Eine zentrale Rolle spielt dabei die Rezeption.

Ein Output besitzt zunächst lediglich Bedeutungspotenzial. Erst die Aufnahme, Bewertung oder Korrektur macht ihn wirksam. Rezeption entscheidet, ob ein Gedanke verworfen wird oder Teil einer Lernspur wird. Ohne Rezeption bleiben Worte Worte. Mit Rezeption entstehen Zusammenhänge. Aus Zusammenhängen entsteht Stabilität.

Mit wachsender Stabilität stellt sich zwangsläufig die Frage nach Governance.

Nicht jede mögliche Bedeutung sollte automatisch in den Output gelangen. Wahrscheinlichkeiten erzeugen viele Optionen. Verantwortung entsteht erst durch Auswahl. Die Schloemer-Notation unterscheidet deshalb zwischen Admissibility und Admission. Admissibility bezeichnet die Prüfung einer Aussage auf Zulässigkeit, Relevanz, Kontextbezug und Belastbarkeit. Admission beschreibt die konkrete Freigabe nach bestandener Prüfung. Zwischen Möglichkeit und Ausgabe liegt damit eine bewusste Governance-Schicht.

Besonders sichtbar wird dieser Ansatz im Umgang mit Unsicherheit.

Moderne KI-Systeme arbeiten probabilistisch. Sie erzeugen keine Gewissheiten, sondern Wahrscheinlichkeiten. Halluzinationen entstehen häufig dort, wo Unsicherheit nicht erkannt oder nicht gekennzeichnet wird. Die Schloemer-Notation behandelt Unsicherheit deshalb nicht als Fehler, sondern als kontrollierbare Eigenschaft. Probability, Ambiguity, Bias, Drift und Hallucination Risk werden als unterschiedliche Formen von Unsicherheit verstanden, die erkannt, eingeordnet und begrenzt werden müssen.

Dadurch verschiebt sich die Perspektive.

Die entscheidende Frage lautet nicht mehr, ob eine KI halluziniert oder nicht. Die wichtigere Frage lautet, wie Unsicherheit sichtbar gemacht und governierbar gestaltet werden kann. Nicht die Abschaffung von Unsicherheit ist das Ziel. Ziel ist ihre transparente Behandlung.

Für langfristige KI-Nutzung ergibt sich daraus ein weiterer Gedanke.

Wenn Lernspuren, Rezeption und Governance über längere Zeit wirken, entsteht eine Form von semantischer Kontinuität. Diese Kontinuität kann gepflegt, dokumentiert und wiederhergestellt werden. Genau hier setzt Account Governance an. Der Account wird nicht nur als Verlauf betrachtet, sondern als semantische Sphäre, deren Stabilität geschützt werden muss. Dazu gehören Konsistenz, Substanz, Provenance, Restore-Fähigkeit und die Vermeidung von Drift.

Der vielleicht wichtigste Gedanke dieser Architektur lautet deshalb:

Nicht der Prompt ist die höchste Steuerungsebene. Prompts sind Auslöser. Die eigentliche Herausforderung liegt in der langfristigen Entwicklung von Bedeutung. Rezeption erzeugt Lernspur. Lernspur erzeugt Anschlussfähigkeit. Governance schützt die semantische Sphäre. Admissibility prüft Zulässigkeit. Provenance sichert Herkunft. Aus Probability wird dadurch nicht Wahrheit, sondern verantwortbare Bedeutung.

Die Schloemer-Notation :: versteht sich daher nicht als Sammlung technischer Tricks.

Sie ist eine Übung, die semantische Seite langfristiger Mensch-KI-Interaktion sichtbar zu machen. Je stärker KI in Wissensarbeit, Forschung, Verwaltung, Bildung und Gesellschaft eingebunden wird, desto wichtiger wird die Frage, wie Bedeutungsräume entstehen, wie sie geschützt werden können und wie Verantwortung in einer probabilistischen Welt organisiert werden sollte.