Die These
Informatiker lösen Probleme, indem sie bekannte Muster (Patterns) auf neue Situationen übertragen. Das spart Zeit, hat aber seinen Preis: Das Repertoire an Patterns begrenzt den Denkraum. Wer einen Hammer hat, sieht überall Nägel. Wer Design Patterns kennt, sieht überall Anwendungsfälle für Design Patterns.
Wer aus der Philosophie kommt, hat keine vorgefertigten Muster. Seine Ausbildung besteht darin, Probleme so lange zu zerlegen, bis ihre Struktur freiliegt. Nicht “Welche Lösung passt?”, sondern “Was genau ist das Problem?” Das ist ein grundlegend anderer Ansatz, und er führt zu grundlegend anderen Architekturen.
Der epistemologische Vorteil des Nicht-Wissens
Sokrates’ berühmteste Einsicht war: “Ich weiss, dass ich nichts weiss.” In der Philosophiegeschichte galt das oft als Geste der Demut. Tatsächlich handelt es sich um eine methodische Feststellung: Wer weiss, dass er nicht weiss, stellt bessere Fragen als jemand, der zu wissen meint.
Auf Softwarearchitektur übertragen: Steht ein Informatiker vor dem Problem “KI-Agenten vergessen alles”, greift er zu bekannten Werkzeugen: Vektordatenbanken, RAG-Pipelines, Fine-Tuning. Das sind brauchbare Instrumente. Doch sie beantworten eine Frage, die niemand explizit gestellt hat, nämlich welche Art von Gedächtnis ein KI-Agent überhaupt benötigt.
Die philosophische Herangehensweise setzt früher an. Nicht “Welche Technologie löst das?”, sondern: Was bedeutet “Erinnern” in diesem Kontext? Gibt es verschiedene Arten von Gedächtnis, und wenn ja, haben sie verschiedene Anforderungen? Was ist der Unterschied zwischen einem Fakt, einer Erkenntnis und einem Dokument? Und warum sollte man sie gleich behandeln?
Die 6-Schichten-Architektur entstand aus diesen Fragen. Kein Informatiker hätte sie so gebaut, weil die Standardlösung (eine einzige Vektordatenbank für alles) funktioniert. Doch “funktioniert” und “funktioniert gut” sind verschiedene Dinge. Die Schichtentrennung entstand nicht aus technischem Wissen, sondern aus der philosophischen Einsicht, dass verschiedene Wissensarten verschiedene Behandlung verdienen.
Problemdenken vs. Lösungsdenken
Thomas Kuhn hat in “Die Struktur wissenschaftlicher Revolutionen” (1962) beschrieben, wie “Normalwissenschaft” innerhalb bestehender Paradigmen arbeitet: Sie löst Rätsel mit bekannten Methoden. Paradigmenwechsel treten ein, wenn die Rätsel nicht mehr aufgehen und jemand die Grundannahmen infrage stellt.
Softwareentwicklung ist überwiegend Normalwissenschaft im Kuhn’schen Sinn. Das ist sinnvoll, denn die meisten Probleme lassen sich mit bewährten Methoden lösen. Aber KI-Gedächtnis ist kein Normalproblem. Es ist ein Problem, bei dem die bestehenden Paradigmen (Datenbanken, Caches, Kontextfenster) nicht greifen, weil die Frage falsch gestellt ist.
Die falsche Frage: “Wie speichern wir mehr Kontext?” Die bessere Frage: “Welche Arten von Kontext gibt es, und wie unterscheiden sie sich?” Die eigentliche Frage: “Was muss ein System über sich selbst wissen, um sinnvoll mit Wissen umzugehen?”
Die erste Frage führt zu grösseren Kontextfenstern. Die zweite zu einer Schichtenarchitektur. Die dritte zum Selbstvektor. Jede Frage öffnet einen grösseren Lösungsraum als die vorherige.
Der Wert der Fehlkompetenz
Ein Informatiker hätte die Validation Gates wahrscheinlich nicht so gebaut. Nicht aus Inkompetenz, sondern weil die Standardannahme in der Softwareentwicklung lautet: Daten, die ins System gelangen, entsprechen ihrer Deklaration. Input-Validation prüft Format und Typ, nicht epistemischen Status.
Die Idee, dass ein System zwischen Primärquellen und abgeleiteten Daten unterscheiden muss, stammt nicht aus der Informatik. Sie kommt aus der Geschichtswissenschaft (Quellenkritik), der Epistemologie (Rechtfertigungstheorie) und der Soziologie (Luhmanns Unterscheidung zwischen Beobachtung erster und zweiter Ordnung).
Source-Pinning (raw/derived/inferred) ist Quellenkritik. Confidence Scoring ist quantifizierte Epistemologie. Contradiction Check ist formalisierte Dialektik. Kein Informatik-Curriculum vermittelt diese Konzepte, doch jeder Geisteswissenschaftler kennt sie in irgendeiner Form.
Darin liegt die Pointe: Manchmal ist das Fehlen technischer Expertise ein epistemischer Vorteil. Wer die Standardlösung nicht kennt, muss die Standardfrage nicht akzeptieren.
Die Grenzen des Arguments
Das heisst nicht, dass Philosophen bessere Software bauen. Das wäre eine absurde Behauptung. Informatiker bauen bessere, stabilere, effizientere Systeme. Die hier beschriebene Architektur weist technische Schwächen auf, die ein erfahrener Softwarearchitekt sofort erkennt und behebt.
Das Argument zielt auf einen engen Bereich: In der Phase des Problemverstehens, bevor Entscheidungen über Lösungen fallen, kann eine geisteswissenschaftliche Denkweise Fragen aufwerfen, die technisches Denken überspringt, weil die Antwort “offensichtlich” scheint.
Die beste Architektur entsteht vermutlich dort, wo beide Denkweisen ineinandergreifen: Philosophisches Problemdenken, das die richtigen Fragen stellt, gefolgt von technischer Expertise, die tragfähige Lösungen baut. Nicht statt, sondern vor.
Die Parallele zur KI selbst
Interessanterweise spiegelt dieses Argument die Debatte über KI-Systeme selbst wider. LLMs sind Lösungsmaschinen: Auf eine Frage liefern sie prompt eine Antwort. Schnell, plausibel, meistens brauchbar. Aber sie stellen keine Gegenfragen. Sie prüfen die Prämisse nicht. Sie sagen nicht: “Bevor ich antworte, lass mich prüfen, ob die Frage richtig gestellt ist.”
Das entspricht exakt dem System-1-Modus, den Kahneman beschreibt: Schnelle Intuition, die auf Mustererkennung beruht und ihre eigenen Annahmen nicht hinterfragt. Die Fähigkeit, eine Frage vor der Antwort zu prüfen, gehört zu System 2. Bei KI-Systemen ist sie genauso unterentwickelt wie bei Menschen unter Zeitdruck.
Erscheint April 2026
Weiter lesen
- Kahneman und KI: Warum Intuition (System 1) nicht reicht
- Validation Gates: Quellenkritik als Code
- 6-Schichten Architektur: Das Ergebnis philosophischen Problemdenkens
- Über: Der Weg von Kunstgeschichte zu KI-Architektur