Hier habe ich es noch nicht angekündigt: Ich schreibe gerade ein Buch über Kontext.

Das Cover des Buches, das gerade entsteht.

Kontext ist die Methode, die ich baue, damit ein Mensch und eine KI dauerhaft an einer Mission arbeiten können, ohne bei jedem Gespräch wieder bei null anzufangen — und ohne dabei etwas zu verlieren:

• die Quellen;
• das erzeugte Wissen;
• die Entscheidungen;
• den Stand der Arbeit und alles, was nötig ist, um sie später wieder aufzunehmen.

Das Buch ist inzwischen fast fertig.

An diesem Punkt hätte ich weiter Korrektur lesen können, ein paar Formulierungen glätten, die Beispiele ergänzen und die Veröffentlichung vorbereiten.

Stattdessen habe ich mir eine ziemlich unangenehme Frage gestellt:

Was habe ich daran wirklich erfunden?

Nicht „erfunden“ in dem Sinne, dass ich jede Idee für mich beanspruchen müsste.

Die Frage war viel einfacher:

Verkaufe ich hier gerade als neue Methode etwas, das längst existiert und das ich schlicht neu erfunden habe, ohne es zu merken?

Dahinter steckt vor allem eine wissenschaftliche Kultur des Zweifels.

Wenn man monatelang an etwas baut, sucht man unbewusst sehr leicht nach allem, was bestätigt, dass die eigene Idee gut, anders oder originell ist.

Ich habe das Gegenteil versucht.

Systematisch nach allem zu suchen, was diese Überzeugung umwerfen könnte.

In allem, was ich als Methode Kontext vorstelle: - Was gab es schon? - Was habe ich bewusst übernommen? - Was habe ich angepasst? - Was habe ich wiederentdeckt, ohne es zu wissen? - Was war anderswo schon zusammengesetzt worden? - Und was bleibt womöglich eigen an der Art, wie ich das Ganze zusammengeführt habe?

Anfangs dachte ich, ich würde einfach nach Vorläufern suchen.

In der Praxis habe ich vor allem gelernt, meine eigenen Gewissheiten Stück für Stück abzubauen.

Dass ich nicht bei null angefangen hatte, wusste ich bereits

Manche Einflüsse lagen auf der Hand.

Der bounded context aus dem Domain-Driven Design ist eine eingestandene Inspiration.

Die atomaren Notizen haben mich zwangsläufig zu Zettelkasten geführt.

PARA und Second Brain haben geprägt, wie ich über Wissensräume nachdenke.

Im technischeren Teil hatte ich außerdem bewusst Intuitionen aus Git aufgegriffen — vor allem rund um Trennung, Kopie und Merge — sowie das Observer-Pattern für bestimmte Beziehungen zwischen Kontexten.

Die Frage lautete also nicht:

„Sind all meine Ideen neu?“

Dass sie es nicht sind, wusste ich schon.

Interessiert hat mich eher das Zusammenspiel.

Ein Kontext ist im Buch ein Raum, der durch eine Mission begrenzt wird. Er enthält Quellen, aus diesen Quellen erzeugtes Wissen, einen aktuellen Stand, eine Geschichte, Entscheidungen, Widersprüche, Aktionen und Lieferergebnisse. Er muss sich unterbrechen und wieder aufnehmen lassen. Er muss im Lauf der Arbeit Wissen ansammeln. Und mehrere Kontexte müssen sich austauschen können, ohne ihre Eigenständigkeit zu verlieren.

Ich dachte mir also: Die Bausteine kommen sicher von woanders.

Aber vielleicht ist ihre Kombination etwas Eigenes.

Und genau diese Annahme habe ich dann anzugreifen begonnen.

Erster Fehler: mit meinen eigenen Wörtern suchen

Das erste Problem taucht sofort auf, sobald man nach den Vorläufern einer Methode sucht.

Niemand ist verpflichtet, dein Vokabular benutzt zu haben.

Eine Suche nach „Kontext“ + KI + Gedächtnis sagt dir fast nichts darüber, ob es einen ähnlichen Mechanismus gibt.

Ein Ärzteteam kann seit fünfzig Jahren etwas tun, das deinem handoff ähnelt, ohne dieses Wort je zu benutzen.

Ein System aus dem Archivwesen kann Herkunft, Quelle und Deutung formalisiert haben, ohne von Knowledge Management zu sprechen.

Eine Software aus den 1990er Jahren kann ein Problem von Kopie und Abhängigkeit gelöst haben, von dem du glaubst, du seist ihm 2026 mit KI-Agenten begegnet.

Ich musste also aufhören, nach Kontext zu suchen.

Zuerst habe ich das Buch auseinandergenommen.

Gemeinsam mit ChatGPT haben wir 24 Konzepte und 12 strukturierende Beziehungen herausgezogen.

Die Idee war, das Buch in Objekte zu verwandeln, die einfach genug sind, um Fragen an sie stellen zu können.

Nicht nur:

Hat schon einmal jemand einen dauerhaften Arbeitsraum entworfen?

Sondern auch:

Hat schon einmal jemand die Rohquelle vom abgeleiteten Wissen getrennt?

Unterscheidet irgendein System die Gegenwart vom historischen Tagebuch?

Gibt es eine Tradition, in der die Arbeit an einem Problem einen wiederverwendbaren Bestand für die nächsten Probleme anreichert?

Was passiert, wenn Wissen aus einem eigenständigen Raum in einen anderen kopiert wird?

Das verändert die Suche vollständig.

Erste Überraschung: fast alle Bausteine waren schon da

Sobald das System auseinandergenommen war, tauchten überall Vorläufer auf.

Ein paar Beispiele:

• zur Herkunft gab es selbstverständlich eine ganze Literatur, bis hin zu Standards wie W3C PROV; W3C — PROV-O: The PROV Ontology
• Event Sourcing liefert einen Weg, einen aktuellen Stand aus der Geschichte der Ereignisse zu rekonstruieren;
• die Architecture Decision Records bewahren eine Entscheidung, ihren Kontext und ihren Grund auf, auch wenn sie später ersetzt wird; Michael Nygard — Documenting Architecture Decisions
• die Truth Maintenance Systems arbeiteten schon in den 1980er Jahren mit mehreren, möglicherweise unvereinbaren Annahmemengen. Johan de Kleer — An assumption-based TMS

Bis dahin hat mich nichts davon wirklich überrascht.

Eine komplexe Methode besteht selten aus Mechanismen, die aus dem Nichts aufgetaucht sind.

Das erste Fazit wirkte recht bequem:

Die Bausteine sind nicht neu, aber ihre Zusammensetzung vielleicht schon.

Das war ein vernünftiges Fazit.

Es hielt nicht besonders lange.

Zweiter Durchgang: nach der Funktion suchen, nicht nach dem Konzept

Wir haben die Methode gewechselt.

Statt nach den Konzepten des Buches zu suchen, haben wir angefangen, nach den Problemen zu suchen, die sie lösen.

• Wie nimmt man eine Arbeit nach einer Unterbrechung wieder auf?
• Wie übergibt man eine Akte so gut, dass jemand anderes weitermachen kann?
• Wie macht man aus tausenden Informationsbruchstücken erst Belege und dann Hypothesen?
• Wie hält man mehrere konkurrierende Erklärungen offen, ohne sich künstlich für eine zu entscheiden?
• Wie behält ein Arbeitsraum gleichzeitig seinen operativen Stand und ein wiederverwendbares Wissen?

Diesmal hat die Suche die Software sehr schnell verlassen.

Sie hat uns geführt zu: - dem Nachrichtendienst; - dem Recht; - der Medizin; - dem Incident-Management; - den Kognitionswissenschaften; - dem Archivwesen; - der wissenschaftlichen Forschung.

Das Sensemaking-Modell von Peter Pirolli und Stuart Card etwa beschreibt einen Prozess, in dem der Analyst von externen Quellen ausgeht, die relevanten Informationen auswählt, daraus Belege bildet, Schemata und Hypothesen aufbaut und schließlich das Ergebnis seiner Analyse erzeugt. Pirolli & Card — The sensemaking process and leverage points for analyst technology

Das ist natürlich nicht Kontext.

Aber die Nähe des Mechanismus war interessant.

Dasselbe beim Activity-Based Computing von Jakob Bardram.

Bardram beschreibt 2005 eine Infrastruktur, in der nicht mehr die Anwendung die zentrale Einheit ist, sondern die menschliche Aktivität samt der zugehörigen Aufgaben und IT-Ressourcen. Die Architektur ist unter anderem darauf ausgelegt, Mobilität, Zusammenarbeit und die Kontinuität der Aktivität über verschiedene Umgebungen hinweg zu ermöglichen. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

Mit anderen Worten: Der Gedanke, dass man etwas Reichhaltigeres als ein Dokument aufbewahren muss, damit Arbeit fortgesetzt werden kann, hat offensichtlich nicht auf KI-Agenten gewartet.

Auch die Medizin, die Leitstellen und das Incident-Management haben ihre eigenen Handoff-Mechanismen.

Da fing das Gebiet schon an zu schrumpfen.

Das Wiederaufnehmen war nichts Besonderes.

Der handoff auch nicht.

Selbst die Kette:

Quelle → Deutung → Schlussfolgerung → Produktion

hatte sehr solide Vorläufer.

Also eine neue Annahme:

Vielleicht liegt das Eigene an der Nahtstelle zwischen der laufenden Akte und dem Wissensbestand.

Anders gesagt: an einem Problem arbeiten und dabei etwas aufbauen, das das Problem überdauert.

Diese Annahme hielt noch kürzer.

Der Umweg, der die Suche am stärksten verändert hat: raus aus dem Englischen

Bis dahin blieben wir, auch bei jedem Disziplinwechsel, weitgehend in einem westlichen, englischsprachigen Korpus gefangen.

Also haben wir Suchläufe auf Japanisch, Chinesisch, Russisch und Arabisch gestartet.

Ab da wurde die Suche richtig interessant.

In Japan bin ich auf das KJ法 gestoßen, die KJ-Methode von Jirō Kawakita.

Kawakita beschreibt eine Bottom-up-Methode: Man geht von Felddaten aus, schreibt sie auf frei bewegliche Karten, rückt diese Karten nach ihrer Bedeutung schrittweise zusammen und kombiniert sie, bis eine Struktur entsteht. J-STAGE — Emergence and Essence of the KJ Method, Interview mit Jirō Kawakita

Und da hatte ich einen ziemlich amüsanten Moment.

Ein paar Monate zuvor hatte ich selbst, ohne das KJ法 zu kennen, angefangen, mit dem zu arbeiten, was ich Säulenkarten nenne.

Darüber habe ich hier kürzlich geschrieben: Säulenkarten: sein Gedächtnis pflegen, um weiterdenken zu können

Das ist nicht dieselbe Methode.

Das KJ法 dient vor allem dazu, aus verstreutem Material durch Gruppieren und Neukombinieren schrittweise eine Struktur entstehen zu lassen.

Meine Säulenkarten haben eher die Aufgabe, einige tragende Ideen lebendig zu halten, sie wieder aufzugreifen und sie immer wieder mit dem abzugleichen, was ich lese und ausprobiere.

Trotzdem gibt es eine Familienähnlichkeit, die mich sehr interessiert hat:

• Denkeinheiten aus dem Kopf herausholen;
• sie beweglich machen;
• sie als weitgehend eigenständige Objekte pflegen;
• sie zusammenrücken und neu kombinieren;
• diese Annäherungen nutzen, um weiterzudenken.

Und vor allem: Ich habe das KJ法 entdeckt, lange nachdem ich diese Praxis eingeführt hatte.

Genau so etwas wollte ich mit dieser Suche finden.

Nicht, um sagen zu können: „Ich hatte dieselbe Idee.“

Im Gegenteil.

Sondern um festzustellen, dass man ehrlich etwas für sich aufbauen und hinterher entdecken kann, dass eine andere Tradition einen verwandten Mechanismus seit Jahrzehnten erkundet.

Wir sind außerdem auf Tadao Umesao gestoßen, der schon 1969 ein System unabhängiger Karten beschreibt, die neu kombiniert werden sollen — und das aus dieser Neukombination entstehende Wissen kann selbst wieder in das System eingehen.

Anders gesagt:

vorhandener Bestand → Neukombination → neues Wissen → angereicherter Bestand

Das war schon gar nicht mehr weit weg.

Dann kamen wir nach China.

Und dort bin ich auf das Hall for Workshop of Meta-Synthetic Engineering gestoßen, kurz HWMSE.

HWMSE: der Moment, in dem die Annahme wirklich zu kippen begann

Die Meta-Synthesis entsteht Anfang der 1990er Jahre im Umfeld von Qian Xuesen, um komplexe Systeme zu behandeln.

HWMSE wird die Umgebung, in der sie praktisch umgesetzt werden soll.

Seine Architektur verbindet ausdrücklich: - menschliche Experten; - Maschinensysteme; - Wissenssysteme.

Das Ziel ist nicht nur, vorhandenes Wissen zu nutzen.

Die Autoren sprechen auch von Wissenserzeugung.

Sie unterscheiden ein System aus allgemeinem Wissen von einem System aus Wissen über den konkret untersuchten Gegenstand und erklären, dass Letzteres sich durch seine Nutzung fortlaufend ansammeln muss. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

Das ähnelte schon sehr dem, was ich mit Kontext zu formulieren versuchte.

Und es war nicht bloß ein begriffliches Schema.

Aus den HWMSE-Arbeiten sind Prototypen und experimentelle Anwendungen hervorgegangen, unter anderem rund um makroökonomische Entscheidungen. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

Die bequeme Unterscheidung:

Aktensysteme verwalten die Arbeit, Wissenssysteme verwalten den Bestand, Kontext bringt beides zusammen

hielt nicht mehr wirklich stand.

Andere hatten bereits Systeme gebaut, die einen erheblichen Teil dieser beiden Dimensionen vereinten.

Ich musste noch eine Ebene tiefer gehen.

Dritter Durchgang: nach architektonischen Konkurrenten suchen

Wir haben aufgehört zu fragen:

„Welches Konzept ähnelt Kontext?“

Stattdessen haben wir ein paar Signaturen festgelegt: - Verwaltet das System eine Arbeit, die sich um ein Problem herum abspielt? - Verwandelt es Informationen in Wissen? - Kann dieses Wissen anderen Fällen dienen? - Unterscheidet es mehrere Gedächtnisarten? - Können mehrere Räume zusammenarbeiten und dabei eigenständig bleiben?

Diese Suche hat mehrere Systeme zutage gefördert, die weit näher lagen als erwartet.

Experience Factory

Die Experience Factory, entstanden rund um die Arbeiten von Victor Basili und die Erfahrungen des Software Engineering Laboratory der NASA, trennt zwei Funktionen ausdrücklich voneinander.

Auf der einen Seite führt die Projektorganisation ihr Projekt durch.

Auf der anderen Seite nimmt die Experience Factory: - die erzeugte Erfahrung auf; - analysiert sie; - fasst sie zusammen; - verwandelt sie in wiederverwendbare Einheiten; - und stellt sie künftigen Projekten wieder zur Verfügung.

Das Software Engineering Laboratory der NASA Goddard wurde schon 1992 als im Betrieb laufendes Beispiel einer Experience Factory beschrieben — nach fünfzehn Jahren Betrieb und mehreren hundert Studien. NASA — The Software Engineering Laboratory: An operational software experience factory

Basili und Caldiera beschreiben die Experience Factory anschließend ausdrücklich als eine von den Projekten getrennte Organisation, deren Aufgabe es ist, Erfahrung zu sichern und wiederzuverwenden. NASA — The Experience Factory: Strategy and Practice

Das traf direkt eine weitere Idee, die ich für wichtig gehalten hatte:

Das Lieferergebnis ist nicht der Bestand; die Arbeit des Projekts muss etwas anreichern, das es überdauert.

Genau das sagte die Experience Factory bereits.

Knowledge-Centered Service

Dann hat Knowledge-Centered Service, kurz KCS, eine weitere Fassung desselben Mechanismus geliefert.

Bei KCS soll Wissen nicht in einem Prozess entstehen, der von der Arbeit getrennt ist.

Die Lösungsschleife besteht unter anderem darin: - nach vorhandenem Wissen zu suchen; - es wiederzuverwenden; - es bei der Nutzung zu verbessern; - und bei Bedarf neues Wissen festzuhalten.

Das Consortium for Service Innovation bringt den Gedanken auf eine besonders klare Formel: reuse is review. Wissen wird im Arbeitsfluss selbst geprüft und verbessert. Consortium for Service Innovation — The Solve Loop

Wieder ein Stück weniger.

Selbst der Gedanke:

aus der laufenden Arbeit eine Maschine machen, die wiederverwendbares Wissen erzeugt und verbessert

war bereits formalisiert worden.

Vierter Durchgang: die letzten Details angreifen

An diesem Punkt brachte es nichts mehr, weiter große Analogien zu sammeln.

Wir haben deshalb ein paar Elemente herausgegriffen, die noch einigermaßen eigen wirkten: - die strikte Trennung zwischen Rohquelle und abgeleitetem Wissen; - die Trennung state / history / synthesis / handoff; - die atomare Notiz als belegte Aussage, die gestützt oder bestritten werden kann; - der Unterschied zwischen dem Verweisen auf eine Information und dem Kopieren, bei dem man anschließend für ihre Pflege geradesteht.

Auch hier fiel eine Mauer nach der anderen.

Nanopublications und Micropublications waren bereits kleine Aussagen mit Herkunftsangabe, stützenden Belegen und manchmal Widerspruch.

Föderierte Datenbanksysteme arbeiteten längst am Unterschied zwischen einem entfernten Datum und einer lokalen Kopie, die auseinanderlaufen kann.

Kognitive Architekturen unterschieden Arbeitsgedächtnis, episodisches Gedächtnis und semantisches Gedächtnis.

In der forensischen Informatik bewahrt man das Original und arbeitet an Kopien, um den Beweis zu sichern.

Jedes Mal wurde etwas, das noch eigen wirkte, zu einer Neukombination bekannter Mechanismen.

Der letzte echte Fund: ScholOnto und SWAN

Trotzdem mussten wir wissen, ob wir am Ende angekommen oder nur vom Suchen müde waren.

Wir haben deshalb ein Kriterium ergänzt.

Eine neue Quelle zählte nicht mehr einfach deshalb, weil sie Kontext ähnelte.

Sie musste die Karte verändern.

Zum Beispiel:

• älter sein als alles, was wir bis dahin gefunden hatten;
• deutlich näher liegen;
• mehrere bis dahin getrennte Mechanismen vereinen;
• oder uns zwingen, unser Fazit zu ändern.

Mit dieser Regel konnten wir weitermachen, ohne in das Spiel zu verfallen, in dem man sich jede beliebige Analogie zurechtbiegt.

Zwei Systeme haben diesen Test noch bestanden.

ScholOnto

Das Projekt ScholOnto, ab 2000 finanziert und in den frühen 2000er Jahren aktiv, wollte eine Infrastruktur bauen, mit der Forschende Claims veröffentlichen, sie mit der Literatur verknüpfen und sie bestreiten können.

Sein System ClaiMaker erlaubte es, solche Netze aus Claims und Argumenten aufzubauen und zu durchlaufen. Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

Und SWAN, aus der biomedizinischen Forschung, ging noch weiter.

SWAN unterschied ausdrücklich zwischen externen wissenschaftlichen Ressourcen und den Diskurselementen, die im System selbst entstehen.

Ein Research Statement konnte aus einem Artikel oder einer anderen Ressource abgeleitet werden, behielt seine Herkunft und ließ sich über Beziehungen wie supports, refutes oder alternativeTo mit anderen Statements verknüpfen.

Das System bewahrte außerdem die früheren Fassungen auf, wenn sich ein Statement weiterentwickelte. Ciccarese et al. — The SWAN Scientific Discourse Ontology

Da wurde die Nähe zu meinen atomaren Notizen schwer zu übersehen: - getrennte Quelle; - Deutung; - Aussage; - Herkunft; - Stützung; - Widerspruch; - Wiederverwendung; - Entwicklung über die Zeit.

Und auch hier ging es nicht bloß um eine theoretische Ontologie: Die Autoren beschreiben eine Workbench und einen Browser, mit denen diese Wissensbasis aufgebaut und durchlaufen wurde. PubMed — The SWAN biomedical discourse ontology

Die meisten Teile lagen bereits vor.

Und dann haben die Ergebnisse aufgehört, das Fazit zu ändern

Das ist wahrscheinlich der wichtigste Teil der Methode.

Irgendwann muss man aufhören.

Nicht, weil man bewiesen hätte, dass es keinen weiteren Vorläufer gibt.

Das ist unmöglich.

Sondern weil die neuen Suchläufe immer wieder dieselben Familien liefern.

Ein neuer Artikel verbessert ein Datum.

Eine weitere Quelle fügt ein Beispiel hinzu.

Ein System benutzt ein anderes Vokabular, deckt aber einen bereits erfassten Mechanismus ab.

Oder schlimmer: Man muss zehn Zeilen lang erklären, warum etwas vage vergleichbar sein könnte.

In diesem Moment entsteht ein Risiko.

Man stellt seine Annahme nicht mehr auf die Probe.

Man fängt an, die Ähnlichkeit herzustellen, die man finden wollte.

Wir sind deshalb davon ausgegangen, dass die Suche eine vertretbare Sättigung erreicht hatte.

Also, was ist daran originell?

Das Fazit ist nicht das, was ich mir am Anfang vorgestellt hatte.

Ich halte es nicht mehr für besonders sinnvoll, in Kontext nach „der neuen Idee“ zu suchen.

Fast alle wichtigen Bausteine haben Vorläufer.

Viele Beziehungen zwischen diesen Bausteinen ebenfalls.

Und mehrere ältere Systeme setzen davon bereits große Stücke zusammen.

Zum Beispiel: - HWMSE bringt Menschen, Maschinen, Problemlösung und Wissenssicherung zusammen; - Experience Factory trennt das Projekt von dem organisatorischen Mechanismus, der seine Erfahrung in einen bleibenden Bestand verwandelt; - KCS bindet das Erzeugen und Verbessern von Wissen direkt in die laufende Arbeit ein; - Project Memory arbeitet an der Geschichte und am Kontext des Projekts; - ScholOnto und SWAN strukturieren Aussagen, Quellen, Herkunft und Widersprüche; - die föderierten Systeme arbeiten an Eigenständigkeit, Import, Kopie und Abhängigkeit.

Das heißt nicht, dass Kontext nichts beiträgt.

Es heißt, dass sein Beitrag woanders liegt.

Heute würde ich es so formulieren:

Kontext ist eine ausdrückliche Auswahl, Kombination und Vereinheitlichung von Mechanismen aus mehreren Traditionen, zusammengeführt zu einer einsatzfähigen Methode, um dauerhaft mit einer KI zu arbeiten.

Das System hat insbesondere:

• sein Vokabular;
• seine Objekte;
• seine Einschränkungen;
• seine Abläufe;
• seine eigene Art, Quelle, Wissen, Stand, Geschichte, Zusammenfassung, Entscheidung, Widerspruch, handoff und Lieferergebnis voneinander zu trennen;
• seine Regeln, um Informationen zwischen mehreren eigenständigen Kontexten zirkulieren zu lassen.

Ich habe kein historisches System gefunden, das genau diese ganze Grammatik besitzt.

Aber fast jeder Bestandteil dieser Grammatik hat eine Geschichte, die älter ist als Kontext.

Und am Ende ist das eine Antwort, die mir viel besser gefällt.

Die wissenschaftliche Kultur des Zweifels

Am Anfang klang die Frage ungefähr so:

Ist meine Idee wirklich originell?

Im Rückblick ist das wahrscheinlich nicht die beste Frage.

Die Suche nach Vorläufern hat mir vor allem geholfen zu verstehen, woraus meine Idee besteht.

Welche Intuitionen aus Traditionen stammten, die ich kannte.

Welche in Feldern existierten, auf die ich nie gekommen wäre.

Welche Teile schon einmal zusammengesetzt worden waren.

Und welcher Teil meiner Arbeit vor allem darin bestand, verstreute Mechanismen zu übersetzen, zu vereinfachen, neu zu kombinieren und benutzbar zu machen.

Das ist vor allem eine gute Veranschaulichung dessen, was ich mit wissenschaftlicher Kultur des Zweifels meine.

Ich hatte eine stillschweigende Annahme:

Vielleicht ist dieser Teil von Kontext neu.

Der richtige Weg, sie zu prüfen, war nicht, nach Gründen zu suchen, sie zu glauben.

Es war, nach dem bestmöglichen Gegenbeispiel zu suchen.

Und die Annahme zu ändern, sobald wir eines gefunden hatten.

Mit jedem Durchgang schrumpfte das Gebiet, das ich vernünftigerweise als spezifisch darstellen konnte: - zuerst die Bausteine; - dann bestimmte Zusammensetzungen; - dann der Gedanke, aus der Arbeit einen Mechanismus der Wissenssicherung zu machen; - dann ein Teil der informationellen Grammatik selbst.

Paradoxerweise wurde dadurch klarer, was ich überhaupt vorschlage.

Mir ist es lieber, sagen zu können:

Das übernehme ich, das passe ich an, das kombiniere ich, und das ist die Form, die ich daraus mache

als zu erzählen, eine Idee sei neu, nur weil ich ihren Vorfahren nie begegnet bin.

Die Methode, die ich wiederverwenden würde

Müsste ich eine solche Suche für eine andere Idee noch einmal durchführen, würde ich nicht so anfangen wie diesmal.

Ich würde direkt:

• die Idee in Bestandteile und Beziehungen zerlegen;
• nach den Mechanismen suchen, nicht nach ihrem Vokabular;
• Bestandteile, Beziehungen, Zusammensetzungen und Zwecke getrennt vergleichen;
• das Ausgangsfach schnell verlassen;
• in mehreren Sprachen suchen;
• mir die tatsächlich gebauten Systeme ansehen, nicht nur die Theorien;
• die Literaturverzeichnisse der besten Quellen zurückverfolgen und dann die Arbeiten ansehen, die sie zitieren;
• gezielt nach Gegenbeispielen suchen, die das aktuelle Fazit umwerfen können;
• festlegen, was ein neuer Fund verändern muss, um als wichtig zu gelten;
• aufhören, sobald neue Quellen nur noch Varianten bereits kartierter Vorläufer liefern.

Die Arbeit, die Verweise einer guten Quelle zurückzuverfolgen und dann den Veröffentlichungen zu folgen, die sie zitiert haben, nennt man manchmal snowballing.

Das Wort ist weniger wichtig als der Mechanismus.

Eine gute Quelle wird zur Eingangstür in ein ganzes Vokabular und eine ganze Tradition, die eine Stichwortsuche vielleicht nie gefunden hätte.

Der letzte Punkt — aufhören können — ist wahrscheinlich der schwierigste.

Eine Suche lässt sich immer fortsetzen.

Es wird immer geben: - einen neuen Artikel; - ein neues Patent; - ein neues Fachgebiet; - eine weitere Sprache; - ein neues Stichwort.

Die Frage ist nicht, ob alles gefunden wurde.

Die Frage lautet:

Ändert Weitersuchen die Antwort noch?

Die Grenzen

Diese Methode beweist selbstverständlich nicht, dass es keinen Vorläufer gibt.

Sie hängt ab von: - den Suchmaschinen; - den Sprachen, an die man denkt; - den Dokumenten, die digitalisiert wurden; - den Veröffentlichungen, die noch zugänglich sind; - ihrer Indexierung; - dem Vokabular, das ihre Autoren gewählt haben; - und unserer eigenen Fähigkeit, hinter zwei verschiedenen Vokabularen denselben Mechanismus zu erkennen.

Sie hängt auch vom Urteil ab, mit dem man entscheidet, dass zwei Mechanismen wirklich vergleichbar sind.

Eine Ähnlichkeit ist keine Gleichheit.

Ein Verfahren aus einem Kernkraftwerk ist nicht der direkte Vorfahr eines Gedächtnissystems für KI, nur weil es einen handoff kennt.

Genauso heißt die nachträgliche Entdeckung, dass eine japanische Methode mit Karten arbeitet, nicht, dass meine Säulenkarten KJ法 wären.

Man muss beides sagen können:

Das liegt nahe genug, um interessant zu sein

und:

Das ist nicht dasselbe.

Auch deshalb muss ein ausbleibendes Ergebnis ein ausbleibendes Ergebnis bleiben.

Und nicht werden zu:

Das hat noch nie jemand gemacht.

Was ich daraus mitnehme

Ich hatte diese Suche begonnen, um herauszufinden, was ich erfunden hatte.

Ich beende sie mit einer leicht anderen Frage:

Was habe ich aus all dem gebaut, was schon existierte?

Die Antwort erscheint mir interessanter.

Kontext ist wahrscheinlich nicht deshalb interessant, weil es entdeckt hätte:

• die Herkunft;
• die atomaren Notizen;
• den handoff;
• das organisationale Gedächtnis;
• die begrenzten Räume;
• die Sicherung von Wissen.

All das gab es schon.

Interessant wird es, wenn die Zusammensetzung diese Mechanismen so einfach und stimmig macht, dass ein Mensch und eine KI wochen- oder monatelang zusammenarbeiten können, ohne zu verlieren, was sie dabei lernen.

Ich bin aus dieser Suche also nicht mit einem unberührten Gebiet herausgekommen, in das sich eine Fahne rammen ließe.

Ich bin mit einer Karte herausgekommen.

Und um zu verstehen, was man baut, taugt eine gute Karte wahrscheinlich sehr viel mehr als eine Fahne.