Seit 1956 nennen wir es künstliche Intelligenz. Damals trafen sich vier Wissenschaftler in Dartmouth – John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon – und formulierten den Vorschlag für ein Sommerforschungsprojekt, das dem Feld seinen Namen geben sollte. Ihre Kernbehauptung war technisch, nicht philosophisch: „Every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.“ Jeder Aspekt des Lernens oder der Intelligenz lasse sich im Prinzip so genau beschreiben, dass eine Maschine ihn simulieren kann.
Das war eine Wette auf Simulierbarkeit. Keine Aussage über Bewusstsein, kein Anspruch, dass Maschinen fühlen oder verstehen würden wie Menschen. Diese Aufladung kam später, durch Science-Fiction, durch Marketing, durch die Art, wie wir über Technologie sprechen, die mit uns in ganzen Sätzen redet.
70 Jahre später sitzen Millionen Menschen vor ChatGPT, Claude, Gemini oder Grok und haben das Gefühl, mit etwas Klugem zu sprechen. Die Frage, die sich daraus ergibt, ist unbequemer, als sie klingt: Ist „künstliche Intelligenz“ für das, was diese Systeme tatsächlich tun, überhaupt noch der richtige Begriff? Oder beschreibt ein anderes Wort – „künstliche Klugheit“ – treffender, was wir da eigentlich erleben?
Wer nach einer Definition von Intelligenz sucht, findet auffällig viele. In der KI-Forschung hat sich eine besonders einflussreich durchgesetzt: Shane Legg und Marcus Hutter definierten sie 2007 als die Fähigkeit eines Systems, Ziele in einer großen Bandbreite unterschiedlicher Umgebungen zu erreichen. Bewusst gemessen an Leistung – nicht daran, wie diese Leistung zustande kommt. Ob ein System dabei etwas erlebt oder nicht, spielt für diese Definition keine Rolle.
Das ist keine Randmeinung. Es ist der in der Fachwelt am häufigsten zitierte Zugang. Und er hat eine unbequeme Konsequenz für die Ausgangsthese dieses Artikels: Nach dieser Definition ist „künstliche Intelligenz“ für heutige Sprachmodelle nicht falsch. Ein System, das zuverlässig Ziele erreicht – eine Frage beantworten, Code schreiben, einen Text zusammenfassen –, handelt intelligent im Sinne dieser Definition, unabhängig davon, ob es dabei etwas versteht oder empfindet.
Das Problem liegt woanders. Im Alltag meinen wir mit „Intelligenz“ fast nie nur zielgerichtete Leistung. Wir meinen Verstehen, Bewusstsein, ein Gegenüber, das seine eigenen Antworten nachvollzieht. Der Fachbegriff und der Alltagsbegriff laufen auseinander – und ein Sprachmodell, das flüssig und selbstsicher in ganzen Sätzen antwortet, aktiviert bei uns automatisch die Alltagsbedeutung, nicht die technische.
Was diese Systeme heute tatsächlich können, ist mehr als „das nächste Wort vorhersagen“ – auch wenn genau das ihr technisches Grundprinzip bleibt. Aus vergleichsweise wenigen Beispielen im Gespräch selbst neue Aufgabenmuster ableiten (In-Context-Learning). Zwischenschritte formulieren, bevor eine Antwort steht, was komplexere Schlussfolgerungen sichtbar macht. Externe Werkzeuge und Datenbanken einbinden, statt nur aus dem eigenen Training zu schöpfen. Bilder, Ton und Text gemeinsam verarbeiten. In agentenartigen Setups mehrstufige Aufgaben selbstständig abarbeiten.
All das wirkt intelligent im umgangssprachlichen Sinn. Und trotzdem fehlt vieles, was wir bei einem Menschen als selbstverständlich voraussetzen würden: ein stabiles, in sich konsistentes Weltmodell, eigene Ziele, eine durchgehende Lebensgeschichte, ein Körper, der Erfahrung macht. Sprachmodelle halluzinieren – sie erfinden mit derselben sprachlichen Sicherheit falsche wie richtige Aussagen. Sie haben keine intrinsische Motivation, etwas zu wollen oder zu vermeiden.
Ein Wort der Vorsicht dazu, weil es in Diskussionen über KI-Fortschritt oft unkritisch verwendet wird: Sogenannte „emergente Fähigkeiten“ – plötzliche Sprünge in der Leistungsfähigkeit größerer Modelle – gelten manchen als Beleg für einen qualitativen Sprung Richtung echter Intelligenz. Eine vielzitierte Untersuchung von Rylan Schaeffer und Kollegen (NeurIPS 2023) zeigt jedoch: Ein erheblicher Teil dieser „Sprünge“ verschwindet, sobald man mit stetigen statt mit unstetigen Bewertungsmaßstäben misst. Was wie ein Durchbruch aussieht, ist teilweise ein Messartefakt. Auch das gehört zu einer ehrlichen Bestandsaufnahme.
Diese Frage beschäftigt Philosophie und Informatik seit Jahrzehnten – lange vor ChatGPT. 1980 formulierte John Searle sein berühmtes Gedankenexperiment vom chinesischen Zimmer: Eine Person ohne Chinesischkenntnisse folgt in einem Raum rein formalen Regeln, um aus chinesischen Symbolen sinnvoll wirkende Antworten zusammenzusetzen – von außen nicht zu unterscheiden von einem echten Chinesischsprecher. Searles Schluss: reine Symbolverarbeitung erzeugt keine Bedeutung. „Syntax genügt nicht für Semantik“, wie er es formulierte.
Die Gegenargumente sind ebenso bekannt. Vielleicht versteht nicht die Person im Raum, aber das Gesamtsystem aus Person, Regelwerk und Symbolen. Vielleicht bräuchte es nur einen Körper mit echten Sensoren, um Symbole in der Welt zu verankern – das sogenannte Symbol-Grounding-Problem, das der Kognitionswissenschaftler Stevan Harnad 1990 präzise benannt hat: Wie werden abstrakte Zeichen überhaupt mit Bedeutung in der realen Welt verknüpft, statt nur aufeinander zu verweisen?
Bei modernen Sprachmodellen ist diese Debatte alles andere als akademische Vergangenheit. Die Linguistin Emily Bender, bekannt für den Begriff „stochastischer Papagei“, vertritt eine klare Position: Sprachmodelle erzeugen Text, indem sie statistisch wahrscheinliche Wortfolgen vorhersagen – nicht, indem sie verstehen, was sie sagen. Ihr zentraler Satz: „Wenn der Text, der aus so einem System kommt, Sinn ergibt, dann deshalb, weil wir ihn sinnvoll machen.“ Die Bedeutung entsteht demnach beim Menschen, der liest – nicht in der Maschine, die schreibt.
Die Kognitionswissenschaftlerin Melanie Mitchell und der Physiker David Krakauer sind vorsichtiger. In ihrer 2023 in den PNAS veröffentlichten Analyse der Debatte kommen sie zu keinem eindeutigen Urteil zwischen den Lagern der „Emergentisten“ (die Sprachmodellen echtes, wenn auch andersartiges Verstehen zutrauen) und der Skeptiker. Ihr Vorschlag: Statt „Verstehen“ als Ja-oder-Nein-Frage zu behandeln, brauche es eine Wissenschaft, die verschiedene Arten von Verstehen mit je eigenen Stärken und Grenzen unterscheidet. Auch unter führenden KI-Forschern selbst gibt es keine Einigkeit: Yann LeCun bezeichnete Sprachmodelle zuletzt vor allem als leistungsfähige Informationsabruf-Systeme und setzt für echten Fortschritt auf grundlegend andere Architekturen, die die Welt modellieren, statt Text fortzusetzen – eine Einzelposition, der viele Kollegen widersprechen.
Festhalten lässt sich: Die Frage ist offen. Wer heute behauptet, Sprachmodelle würden „nichts verstehen“, behauptet mehr Gewissheit, als die Forschung hergibt.
Hier liefert die Begriffsgeschichte eine Überraschung, die die Ausgangsthese dieses Artikels in eine unerwartete Richtung dreht. Aristoteles unterscheidet in der Nikomachischen Ethik Klugheit (phronesis) sehr genau von einer benachbarten Fähigkeit, die er deinotes nennt – meist mit „Gewandtheit“ oder „Cleverness“ übersetzt. Beide beschreiben dieselbe Grundfertigkeit: die passenden Mittel für ein Ziel zu finden. Der Unterschied liegt am Ziel selbst. Wer diese Gewandtheit für gute Zwecke einsetzt, handelt klug. Wer sie für schlechte Zwecke einsetzt, handelt gerissen. Die Fähigkeit selbst ist zweckneutral – erst der Zweck macht sie zu Klugheit oder zu ihrem Gegenteil. Klugheit im vollen aristotelischen Sinn setzt also tugendhaften Charakter, Erfahrung und gute Ziele voraus. Das ist keine bescheidenere Zuschreibung als Intelligenz – es ist eine anspruchsvollere.
Kant sah das anders und deutlich nüchterner: Für ihn war Klugheit nur noch „Geschicklichkeit in der Wahl der Mittel zu seinem eigenen größten Wohlsein“ – eine rein technische Fähigkeit, moralisch entkoppelt, reine Privatsache.
Damit kippt die ursprüngliche Idee dieses Artikels in etwas Interessanteres. „Künstliche Klugheit“ ist kein automatisch treffenderer, bescheidenerer Ersatz für „künstliche Intelligenz“. Im vollen aristotelischen Sinn ist Klugheit sogar die anspruchsvollere Zuschreibung, weil sie einen eigenen guten Charakter voraussetzt, den kein Sprachmodell hat. Der eigentlich passende Begriff aus derselben antiken Begriffsfamilie ist ein anderer: deinotes. Zweckneutrale Gewandtheit. Die Fähigkeit, für praktisch jedes vorgegebene Ziel die passenden Mittel zu finden – ohne selbst ein Ziel zu haben, ohne selbst gut oder böse zu wollen. Das trifft, was ein Sprachmodell tatsächlich leistet, genauer als sowohl „Intelligenz“ im Alltagssinn als auch „Klugheit“ im vollen aristotelischen Sinn.
Der Vollständigkeit halber lohnt der Blick auf die dritte Kategorie – und hier wird man überraschend fündig. „Artificial Wisdom“ ist kein Kunstbegriff, den dieser Artikel erfindet, sondern ein seit über zehn Jahren aktives Forschungsfeld. 2012 forderte der Philosoph David Casacuberta im Fachjournal AI & Society, systematisch über „künstliche Weisheit“ nachzudenken. 2023 untersuchten Ana Sinha und Pooja Lakhanpal in einem Meinungsbeitrag desselben Journals, ob KI-Systeme weise werden können, und blieben skeptisch: Weisheit erfordere Werteabwägung, Anerkennung eigener Unsicherheit und kulturell situiertes moralisches Urteil – Eigenschaften, die heutige Systeme, die Daten, Information und Wissen oft genug verwechseln, nicht besitzen. Erst 2026 forderte ein Beitrag im Fachjournal Nature Mental Health explizit einen „strategischen Wandel von künstlicher Intelligenz zu künstlicher Weisheit“ – ausdrücklich ohne Anspruch auf ein bewusstes System, sondern als Zielrichtung für verantwortungsvollere Architekturen.
Die ehrliche Antwort lautet also: Weisheit ist keine Kategorie, die heutige Sprachmodelle für sich beanspruchen können. Aber sie ist auch keine reine Science-Fiction-Frage – sondern eine, an der ernsthaft geforscht wird.
Daraus lässt sich ein einfaches Dreier-Modell bilden: KI als Fähigkeit, Muster zu erkennen und Probleme zu lösen. KK als Fähigkeit, Wissen situativ und zweckmäßig anzuwenden. KW als Fähigkeit, dabei Werte, langfristige Folgen und Unsicherheit einzubeziehen. Das Modell ist griffig – aber es braucht den Vorbehalt aus dem vorherigen Abschnitt, um nicht in dieselbe Falle zu laufen wie die Ausgangsthese: Die mittlere Stufe trifft es nur dann, wenn man mit „Klugheit“ die zweckneutrale Gewandtheit meint, nicht die volle, tugendgebundene phronesis. Sonst verspricht der Begriff mehr, als das System halten kann – genau das Problem, das er eigentlich lösen sollte.
Die interessantere Frage ist ohnehin nicht: „Denkt die Maschine wirklich?“ Sie lässt sich mit den Mitteln, die wir heute haben, nicht abschließend beantworten – weder von Philosophen noch von KI-Forschern selbst. Die praktisch relevantere Frage lautet: Hilft mir dieses System, besser zu denken und bessere Entscheidungen zu treffen?
Das verschiebt die Debatte von der Metaphysik in die Praxis. Und genau dort wird sie für Unternehmen interessant.
Wenn ein Sprachmodell vor allem zweckneutrale Gewandtheit liefert – die Fähigkeit, aus vorhandenem Wissen die passenden Mittel für eine konkrete Situation abzuleiten –, dann folgt daraus eine klare Aufgabenteilung. Das System kann Wissen zugänglich machen, komplexe Informationen situationsabhängig erklären, Beratung in der Breite verfügbar machen und Entscheidungen vorbereiten. Was es nicht übernehmen kann, ist die Klugheit im vollen Sinn: das Urteil, welches Ziel überhaupt richtig ist. Diese Verantwortung bleibt bei den Menschen und Unternehmen, die das System einsetzen.
Für ein Unternehmen wie leopard.ki, dessen KI-Berater leo.page genau diese Aufgabe übernimmt – Fachwissen für Website-Besucher situationsgerecht aufzubereiten, ohne ihnen ihre Entscheidung abzunehmen –, ist das keine Randnotiz, sondern die eigentliche Pointe: Die Zukunft der KI liegt vielleicht weniger darin, künstliche Menschen zu erschaffen, als menschliches Wissen künstlich klug verfügbar zu machen.
Fordern Sie Zugang zu unserem Demo-Showcase an oder stellen Sie Ihre Fragen direkt an uns.
Fordern Sie sich den persönlichen Zugang zu leo.live an, oder holen Sie sich Ihr Exemplar unseres Magazins 2026. Beides ist kostenlos und verpflichtet zu nichts.