Ursprünglich auf Französisch verfasst. Von KI übersetzt — der Sinn wurde bewahrt, nicht der Stil.
Hauptgedanke
Ein Graph-Werkzeug zerlegt ein Wiki mit 1 013 Marketing-Notizen in 22 Gruppen: eine rund um den Mom Test, eine über Einfluss und Cialdinis Prinzipien, eine über den Chasm, eine über Customer Success. Die Zerlegung selbst ist eine Berechnung: Ein Algorithmus gruppiert die Notizen, die untereinander stärker verlinkt sind als mit dem Rest, ohne etwas von ihrem Inhalt zu lesen. Er läuft in einem Bruchteil einer Sekunde und braucht kein Modell.
Die Gruppen kommen allerdings namenlos heraus: „Community 0“, „Community 1“ … Ihnen einen Namen zu geben, setzt voraus, die enthaltenen Notizen zu lesen und zu entscheiden, was sie gemeinsam haben. Das Werkzeug kann das, indem es eine KI aufruft – und damit genau die Kosten wieder einführt, die der Rest der Kette vermieden hat.
Die Trennlinie verläuft also mitten durch eine einzige Funktion: Die Struktur wird berechnet, die Bedeutung wird beurteilt.
Warum das wichtig ist
Das liefert ein Kriterium dafür, wo man in einer Analysekette den Aufruf eines Modells platziert: nicht bei der ganzen Funktion, sondern bei dem Schritt, der Deutung verlangt. Der Rest kann deterministisch, kostenlos und reproduzierbar sein.
Es sagt auch, was dem menschlichen Leser eines berechneten Graphen bleibt: die Deutung der Gruppen. Das ist echte Arbeit, und sie verschwindet nicht, nur weil die Zerlegung automatisch erfolgt.
Nuancen und Grenzen
Der Name einer Gruppe nützt weniger, wenn die Gruppe schlecht gebildet ist: Folgt die Zerlegung den Büchern statt den Ideen, läuft das Benennen darauf hinaus, den Titel des Werks wiederzufinden.
Und die Deutung von Hand skaliert nicht: Bei ein paar Dutzend Gruppen erledigt man sie beim Lesen, bei mehreren Hundert wird sie wieder zu einer Arbeit, die man gern delegieren würde.
Offene Fragen
- Ab wie vielen Gruppen werden die Kosten, sie per KI zu benennen, wieder geringer als die Zeit, sie selbst zu deuten?