Organisatorische Wissensbasen werden geschaffen, um vergangene Urteile, Verfahren, Erfolge und Misserfolge wiederzuverwenden. Mit zunehmender Ansammlung müssen Organisationen dasselbe Problem nicht jedes Mal von Grund auf neu prüfen, wodurch Geschwindigkeit und Konsistenz der Entscheidungsfindung steigen. Doch je häufiger Wissen wiederverwendet wird, desto eher kann es sich von einer Aufzeichnung, dass „dies in der Vergangenheit so beurteilt wurde“, zu einer Norm verschieben, dass „dies auch jetzt noch so beurteilt werden sollte“. Darin liegt ein Paradox: Je wertvoller Wissen wird, desto schwächer wird die Motivation, die Bedingungen erneut zu prüfen, unter denen es entstanden ist.
Wenn KI eine Wissensbasis nutzt, kann sich diese Verfestigung noch verstärken. Wenn frühere Dokumente und Entscheidungshistorien abgerufen und wiederholt als Begründung für Antworten präsentiert werden, können diese Informationen durch die Häufigkeit ihrer Nutzung faktisch Autorität erlangen. Selbst wenn später andere Fälle auftreten, reproduziert die Wissensbasis nur die Welt, die sie bereits kennt, wenn diese Fälle an den Rand gedrängt werden, weil sie schlecht zum vorhandenen Wissen passen. Das ist kein Mangel an Informationen, sondern eine Selbstabschließung, die durch fehlende Aktualisierungspfade verursacht wird.
Um dieses Problem zu vermeiden, muss Wissen nicht nur Inhalte, sondern auch die Bedingungen bewahren, unter denen dieses Wissen galt. In welchem Zeitraum, für welchen Gegenstand, Zweck und unter welchen Einschränkungen war es gültig? Welche Belege stützten es, und welche Ausnahmen sind bekannt? Bleiben solche Bedingungen erhalten, können sie mit der gegenwärtigen Situation verglichen werden. Gehen die Bedingungen verloren und werden nur Schlussfolgerungen gespeichert, können lokale Urteile der Vergangenheit leicht als universelle Regeln wiederverwendet werden.
Ebenso wichtig ist es, Einwände nicht außerhalb des Wissens zu platzieren. Wenn ein Fall auftritt, der nicht zu einer bestehenden Regel passt, sollte er nicht als bloße Ausnahme verworfen werden; vielmehr sollte festgehalten werden, „welche Bedingung sich geändert hat, sodass das bestehende Wissen nicht mehr anwendbar ist“. Ein Einwand ist keine Information, die Wissen zerstört, sondern eine Information, die seinen Anwendungsbereich präzisiert. Eine reife Wissensbasis zeichnet sich nicht durch weniger widersprechende Informationen aus, sondern dadurch, dass sie ihre eigenen Grenzen mithilfe widersprechender Informationen aktualisieren kann.
In dieser Struktur wird auch die Aktualisierungshistorie selbst zu wichtigem Wissen. Wenn nur die aktuelle Schlussfolgerung erhalten bleibt, lässt sich nicht erkennen, warum ein früheres Urteil geändert wurde. Werden frühere Urteile, neue Belege, Gründe für die Änderung und aktuelle Anwendungsbedingungen miteinander verknüpft, können wir bei einer später auftretenden anderen Situation nicht nur die neuesten Informationen, sondern auch die Logik der Veränderung wiederverwenden. Wissen erweitert sich von einer Sammlung von Antworten zu einer Geschichte, die einschließt, wie sich Antworten verändert haben.
Auch die eigenen Ausgaben der KI müssen nach demselben Prinzip behandelt werden. Wenn von KI in der Vergangenheit erzeugte Zusammenfassungen und Urteile in späteren Verarbeitungsschritten bedingungslos als verlässlich gelten, können erzeugte Inhalte mit der Zeit den Status von Primärinformationen erlangen. Von KI abgeleitetes Wissen muss daher mit seinen Grundlagen, dem Zeitpunkt seiner Erzeugung, ungeprüften Teilen und späteren Korrekturen verbunden bleiben. Den Autoritätsstatus eines Inhalts nicht allein deshalb zu erhöhen, weil die KI ihn selbst früher erzeugt hat, ist die wissensbasierte Form reflektierender Distanz.
In Organisationen ist die Verfestigung von Wissen auch mit Verantwortungsstrukturen verbunden. Die Begründung „das war schon immer das Verfahren“ verringert die Last, gegenwärtige Urteile erklären zu müssen. Wenn sich die Umwelt jedoch verändert hat, kann diese Stabilität die Entdeckung von Problemen verzögern. Ist eine Wissensbasis so gestaltet, dass sie gegenwärtige Ausnahmen und Einwände aufnehmen kann, kann sie die Übereinstimmung mit der aktuellen Realität gegenüber der Bewahrung der Konsistenz mit der Vergangenheit priorisieren.
Technisch gesehen eignet sich die Verwaltung von Wissenselementen als isolierte Sätze weniger zur Selbstkorrektur als die Verknüpfung von Grundlagen, Anwendungsbedingungen, zugehörigen Einwänden, Aktualisierungshistorie und aktuellem Zustand. Entscheidend ist nicht, die Informationsmenge zu erhöhen, sondern nachvollziehen zu können, welche Information welche Behauptung stützt und unter welchen Bedingungen diese Behauptung schwächer wird. Wenn die Beziehungen zwischen Wissenselementen sichtbar sind, lässt sich der von neuen Belegen betroffene Bereich leichter bestimmen.
Auch die Bewertungsmaßstäbe müssen sich ändern. Suchgenauigkeit und Antwortgeschwindigkeit allein können nicht messen, ob eine Wissensbasis starr ist. Es muss geprüft werden, ob zugehöriges Wissen aktualisiert wurde, als neue widerlegende Belege eintrafen, ob alte Schlussfolgerungen angemessen herabgestuft wurden, ob Ausnahmen in die Anwendungsbedingungen eingeflossen sind und ob die Gründe für Änderungen nachvollzogen werden können. Die Qualität von Wissen liegt nicht nur darin, richtige Informationen zu besitzen, sondern auch darin, angesichts von Fehlern und veränderten Bedingungen korrigierbar zu sein.
Für Sai＊aus dient die Ansammlung von Wissen nicht dazu, Menschen als unveränderliche Einheiten zu verstehen. Entscheidend ist, vergangene Dialoge und früheres Verständnis nutzen zu können und zugleich zuzulassen, dass gegenwärtige Äußerungen dieses frühere Verständnis infrage stellen. Dasselbe Prinzip lässt sich auf organisatorisches Wissen anwenden. Mit wachsender Ansammlung sollte Gewissheit nicht einfach stärker werden; vielmehr sollte das System genauer darin werden, zu erfassen, was sich unter welchen Bedingungen verändert hat. Dies ist ein Design, das Wissensmenge mit epistemischer Zurückhaltung verbindet.
Dass eine Wissensbasis sich selbst weiterhin infrage stellt, bedeutet nicht, sämtliches Wissen instabil zu machen. Es bedeutet, gut etabliertes Wissen stabil zu nutzen, ohne jemals seine Anwendungsbedingungen und Aktualisierungspfade zu verlieren. Wenn eine neue Realität mit bestehendem Wissen kollidiert, sollte das System prüfen können, welche Seite revidiert werden muss, anstatt die Realität als Ausnahme auszuschließen. Mit dieser Fähigkeit wandelt sich eine Wissensbasis von einem Lager, das vergangene richtige Antworten schützt, zu einem Mechanismus, der seine Beziehung zur Realität fortlaufend aktualisiert.
Je mehr Wissen wächst, desto notwendiger wird die Fähigkeit, Abstand zu diesem Wissen zu nehmen. Ein System darf seiner eigenen Ansammlung keine bedingungslose Autorität verleihen, sondern muss Gültigkeitsbedingungen, Einwände, Korrekturen und Veränderungen innerhalb derselben Wissensstruktur bewahren. Selbstkorrektur wird dann nicht zur Ausnahmebehandlung, sondern zu einer normalen Funktion, die erforderlich ist, damit Wissen Wissen bleibt. Das Verständnis, das Sai＊aus anstrebt, bedeutet weder, die Vergangenheit zu vergessen, noch ihr zu gehorchen. Es bedeutet, eine Beziehung aufrechtzuerhalten, in der die Vergangenheit genutzt und zugleich durch die gegenwärtige Realität immer wieder infrage gestellt werden kann.
Nicht Antworten. Verstehen.