Gewidment meinen Mitgründerinnen Nancy Langgartner und Preemal Monis, Juni 2026

I. Der Raum der Gründe und warum er organisational unterbesetzt ist: Wilfried Sellars und das Diktum begründbarer Nachverfolgbarkeit

Wilfrid Sellars hat in seinem Spätwerk einen Begriff geprägt, der weit über die Sprachphilosophie hinausweist: den Space of Reasons, den ‘Raum der Gründe’. Sellars’ These ist radikal in ihrer Einfachheit und besagt: Wissen ist nicht Abdruck der Wirklichkeit, sondern Teilnahme an einer Praxis des Begründens, Rechtfertigens und Infrage-Stellens. Etwas zu wissen heißt, es in ein Netz von Gründen einzufügen, um es anschlussfähig zu machen für Zustimmung, Widerspruch oder Revision.

Was hat das mit Organisationen zu tun? Sehr viel, denn Organisationen sind, ob sie es wissend formulieren oder nicht, epistemische Gemeinschaften. Sie produzieren täglich Wissen über sich selbst, ihre Kultur, ihre Stärken und blinden Flecken bzw. tote Winkel. Aber sie tun es größtenteils in einem verengten Raum der Gründe wie in Meetings, die Deutungshoheit reproduzieren, in Retrospektiven, die das Sagbare vorfiltern, oder in Kulturprogrammen, die Symptome benennen, während die Muster, die sie erzeugen, meist unsichtbar bleiben.

Der Space of Reasons in Organisationen ist nicht deshalb strukturell unterbesetzt, weil Menschen unintelligent wären, sondern weil die Bedingungen seiner Entfaltung als Reflektionsgrundlage fehlen. Psychologische Sicherheit, epistemische Diversität, Rückkopplung zwischen innerlich Erlebtem und externer Evidenz, zwischen Ideen und Fakten, sind keine, wie oft irrtümlich angenommen, soft factors, sondern epistemische Infrastrukturprobleme. Im Kontext einer KI-augmentierten Arbeitswelt können wir, quasi als Sellars Diktum, die logische Begründbarkeit organisationaler Entscheidungen nun derart herausstellen, dass Stakeholder nicht hinter einer KI-Blackbox zurückfallen können. Ganz im Gegenteil: ihnen fällt die Verpflichtung anheim, nicht nur die Folgerichtigkeit ihrer Entscheidungen darzulegen, sondern ebenfalls die Struktur ihrer datenbasierten Rahmenbedingungen. Daher müssen wir gegenüber all den überhandnehmenden Blackbox-Settings eine Whitebox Transparenz und Nachverfolgbarkeit einfordern.

II. Geteilte Verständnishorizonte: Habermas in der Transformation und das Problem einer ,fake‘ Partizipation

Jürgen Habermas hat dem ‘Raum der Gründe’ eine kommunikationstheoretische Tiefendimension gegeben. Im kommunikativen Handeln entsteht Verständigung nicht nur durch Informationsübertragung, sondern durch die wechselseitige Anerkennung von Geltungsansprüchen: Wahrheit, Richtigkeit und Wahrhaftigkeit. Verständigung setzt voraus, dass Sprechende bereit sind, ihre Positionen zu begründen und gegebenenfalls zu revidieren.

Für organisationale Kulturarbeit bedeutet das eine unter Umständen unbequeme Konsequenz: Ein Workshop, der etwa Ergebnisse produziert, ohne den Prozess ihrer Erzeugung transparent zu machen, ist kein kommunikatives Handeln im Habermas’schen Sinne. Er ist strategisches Handeln in der Verkleidung von Partizipation. Die Deutungen der Mächtigen setzen sich durch und zwar nicht, weil sie besser begründet sind, sondern weil der Raum strukturell asymmetrisch ist. An dieser Stelle stellt sich die Frage wie KI in einem Unternehmen kommunikativ verankert ist: Wer bestimmt das Framework einer KI und von Agenten? Wer definiert ihre innere Logik? Wessen Grundannahmen werden übernommen? Wer hat Zugang zu Daten? Wem obliegt die Interpretationshoheit? Was is wessen Wirklichkeit?

Was Habermas “lebensweltliche Hintergrundannahmen” nennt, also die unausgesprochenen Selbstverständlichkeiten, die Kommunikation erst ermöglichen und gleichzeitig begrenzen, sind in Organisationen besonders stark verfestigt. Sie bilden das, was wir kulturelle Muster nennen: jene unsichtbare Schicht kollektiver Deutungs- und Verhaltenslogiken (denken wir etwa an implizite Privilegien, Beziehungsstrukturen und ‚micro politics‘), die sich jeder direkt beobachtbaren Beschreibung entziehen. Geteilte Verständnishorizonte entstehen nicht durch Einigung. Sie entstehen durch gemeinsame Praxis des Erkundens, d.h. ganz im Anschluss an Sellars, über Zeit, unter Konflikt- und Aushandlungsprozessen und stets mit der Bereitschaft, die eigene Rahmung als Rahmung zu erkennen. Hierin kristalisiert sich die metakognitive Notwendigkeit einer KI-augmentierten Arbeitswelt heraus, da die Grundlagen computationaler, evaluativer und generativer Kognition für alle Stakeholder einsichbar gestaltet sein müssen.

III. Popper und das strukturelle Problem jeder Wissensorganisation: Wer nicht wissen kann, muss glauben.

Karl Popper hat dem epistemischen Optimismus des 20. Jahrhunderts eine fundamentale Grenze gesetzt: Wissen wächst nicht durch Akkumulation von Bestätigungen, sondern durch die systematische Suche nach Widerlegung. Falsifizierbarkeit ist kein methodischer Luxus, sondern etabliert eben jenes Kriterium, das Wissen von reiner Überzeugung unterscheidet. In Organisationen ist dieser Mechanismus nahezu vollständig abwesend. Kulturelle Überzeugungen wie “Bei uns läuft Kommunikation offen und gut”, “Wir sind besonders innovativ”, “Unsere Führungskultur ist grundsätzlich partizipativ” werden selten auf systemischer, geschweige denn evidenzbasierter Ebene konfrontiert. Positive Evidenz wird gesammelt, negative Evidenz wegerklärt oder marginalisiert – wie derzeit in der Klimafrage von sogenannten ‚Klimakritikern‘ und Lobbygruppen der Fossilindustrien. Was dabei entsteht, ist kein Wissen. Es ist eine institutionalisierte Überzeugungsstruktur, die sich selbst immunisiert.

Der springende Punkt dabei ist, dass dies nicht ein rein moralisches Versagen konstituiert, sondern, damit einhergehend, ein epistemisches Strukturproblem. Organisationen verfügen ‘by default’ über keine eingebaute Falsifikationsschleife. Sie besitzen keinen Mechanismus, der aktiv fragt: Wo haben wir uns geirrt? Welche Annahme, die wir für stabil hielten, war es nicht? Genau hier aber liegt der konzeptuelle Kern einer neuen Epistemologie für eine KI augmentierte Arbeitswelt insoweit wir uns weder exklusiv auf unsere sozialen Annahmen und Überzeugungen noch auf die unterliegenden gesammelten Daten verlassen können (etwa: Wer hat diese Daten in welchem Referenzfenster unter welchen Annahmen und Bedingungen mit welchem Interesse zusammengetragen?).

IV. Problem Space und Solution Space: Eine epistemische Verhältnisbestimmung

Die Unterscheidung zwischen Problem Space und Solution Space ist in der Design- und Innovationsforschung geläufig, doch ihre epistemologische Tragweite wird selten ausgeschöpft und kann uns hier weiterhelfen.

Der Problem Space ist zunächst der Raum aller relevanten Bedingungen, Spannungen und Zusammenhänge, die ein Problem konstituieren. Er ist prinzipiell nicht vollständig erfassbar. Nicht, weil er zu groß wäre, sondern weil er nicht-stationär ist: Er verändert sich, während man ihn zu erfassen versucht. Organisationskultur ist ein komplexes adaptives System im Sinne der Complexity Theory (Stacey, Snowden & Boone), d.h. Muster emergieren aus tausenden mikro-sozialer Interaktionen und entziehen sich linearer Kausalanalyse.

Der Solution Space ist dagegen der Raum möglicher Interventionen. Sein strukturelles Problem: Er wird stets auf der Basis einer Abbildung des Problem Space entwickelt und diese Abbildung ist immer selektiv, immer historisch, immer perspektivisch. Interventionen, die auf der Grundlage eines veralteten oder kognitiv verzerrten Problem Space entworfen werden, treffen notwendigerweise nicht das aktuelle, lebendige organisationale System. Sie treffen ein Abbild, das bereits veraltet ist, bevor die Umsetzung beginnt. Daraus folgt schon fast eine epistemologische Binse: Die Qualität von Lösungen ist fundamental begrenzt durch die Qualität der Problemerkenntnis. Und Problemerkenntnis in komplexen sozialen Systemen erfordert drei logische Stufen:

• Erstens, die freie Artikulation des (inter)subjektiven Erlebens und Erkennens,
• Zweitens, die Konfrontation mit verifizierbarer Evidenz und
• Drittens, die Einbettung in externe Fakten und Kontexte, die den Akteuren bzw. Stakeholdern strukturell bisher nicht zugänglich waren.

Diese Bedingungen sind in analogen Workshop- und Weiterbildungsformaten (etwa einem „KI-Führerschein“) grundsätzlich nicht leistbar, und zwar nicht wegen mangelnder Kompetenz der Beteiligten, sondern der strukturellen Grenzen menschlicher Kognition innerhalb komplexer Organisationen und ihrer zwangsläufigen Koordination im Nahbereich. Es fehlt die übergreifende Abstimmung (das ‘Alignment’) zwischen persönlichen, teambasierten und organisational-strategischen Zielsetzungen.

V. Fünf Phasen einer KI-augmentierten Epistemologie

Was ich im Folgenden skizziere, ist kein Prozessmodell im technischen Sinne. Es ist eine epistemische Architektur, ein Vorschlag, wie Wissensproduktion in komplexen sozialen Systemen unter KI-Augmentierung neu organisiert werden kann.

Phase 1: Den Deutungsraum öffnen
Der erste Schritt ist nicht Analyse, sondern Phänomenologie. Ein KI-gestützter Sparring Partner tritt als nicht-wertendes epistemisches Gegenüber auf, d.h. nicht als agentischer Experte, der Lösungen einbringt, sondern als Spiegel, der die Struktur der eigenen Deutung sichtbar macht. Nur so erleben Teilnehmende ihre Rahmungen als Rahmungen. Das ist, im Sinne von Gregory Batesons Learning II, eine Veränderung zweiter Ordnung, was nicht das Lernen von Inhalten impliziert (im Sinne von ‚Content Creation & Learning‘), sondern das Lernen über die eigene Art zu lernen, quasi im Humboldt’schen Sinne.

Phase 2: Die Triangulation von Erleben und Evidenz, Ideen und Fakten
In der zweiten Phase wird das Erleben mit verifizierbarer Faktenlage konfrontiert. Ein spezialisierter Daten-Agent bringt interne Metriken, Verlaufsdaten und organisationale Muster nicht als Widerlegung, sondern als epistemische Erweiterung in den Raum. Die Spannung zwischen “wir erleben X” und “die Daten zeigen Y” ist deshalb produktiv, weil sie den Problem Space auffaltet. Sie zeigt, wo subjektive Wahrnehmung und strukturelle Realität auseinanderfallen und erhebt die Divergenz zwischen beiden zum Erkenntnisgegenstand.

Phase 3: Die Kontexteinbettung zwischen Known-Unknowns und Unknown-Unknowns
Die bekannte Unterscheidung zwischen Known-Knowns, Known-Unknowns und Unknown-Unknowns ist epistemologisch präziser als ihr Ruf: Es gibt das, was wir wissen (Known Knowns); das, von dem wir wissen, dass wir es nicht wissen (Known Unknowns); und das, von dem wir nicht wissen, dass wir es nicht wissen (Unknown Unknowns). Letzteres ist die gefährlichste Variante, die ‘Wildcard’, und sie ist im analogen Format strukturell unsichtbar.

Ein externer Wissens-Agent bringt in dieser Phase für ‘humans in the loop’ beispielsweise branchenspezifische Trends, Forschungsstand und komparative Organisationsmuster mit ein. Der unterliegende kreative Prozess ist die Abduktion, eben jene Schlussform, die Charles Sanders Peirce als epistemisch primär beschreibt: nicht Deduktion aus Regeln, nicht Induktion aus Fällen, sondern die Hypothesenbildung aus dem Überraschenden. KI ist exzellent in der Induktion und Deduktion, doch versagt bei der menschlichen Kompetenz der assoziativen Ablation. Ein Beispiel: “In Organisationen mit diesem Profil zeigt sich typischerweise dieses Muster (…) Erkennen Sie es, auch wenn es bisher nicht benannt wurde?” Das öffnet den Problem Space für Dimensionen, die das Erleben allein nicht erreicht hätte: Komplexe KI-Mustererkennung kann uns neue Insights, tiefe sozial-organisatonale Einsichten ermöglichen, die einer menschlichen Teilbetrachtung verborgen blieben. Zugleich ist der Mensch die einzige Instanz, die aus der Datenlage assoziativ und multiperspektivisch Sinn und Bedeutung erschließen kann.

Phase 4: Kodifizierung mit epistemischer Genealogie
Das verdichtete Wissen der ersten drei Phasen wird in strukturierte Knowledge Objects überführt, aber nicht als neutrale Wissenseinheiten, sondern als epistemisch markierte Artefakte. Jedes Objekt dokumentiert seinen Entstehungskontext: Aus welchen Quellen wurde es gebildet? Welche Spannungen wurden nicht aufgelöst? Welche Kontextbedingungen begrenzen seine Gültigkeit? Das Wissens-Objekt trägt seine eigene Kritik in sich; ein Ansatz, der Michel Foucaults Konzept der Genealogie nahesteht: Wissen wird nicht als zeitloser Befund präsentiert, sondern als historisch situiertes Produkt spezifischer Erkenntnisbedingungen.

Ein fünfstufiges erstes Reifemodell (M0 bis M4/ siehe unten), wie wir es bei NextGen.LX entwickelt haben, macht die epistemische Qualität jedes Objekts transparent und handhabbar: von der ersten Rohdeutung bis zur über multiple Kontexte replizierten Erkenntnis.

Phase 5: Falsifikationsschleife
Das ist die Phase, die klassische Wissensmanagement-Systeme konsequent auslassen und damit epistemisch scheitern. Wenn ein Knowledge Object in der Praxis als nützliches ‚Asset‘ eingesetzt wird, registriert das System nicht nur Bestätigungen. Es fragt aktiv: Wo hat dieses Asset nicht gepasst? Welche Annahmen waren nicht stabil? Welcher Kontext, der als übertragbar galt, war es nicht? Diese Rückkopplung degradiert oder reift das Objekt. Erste die Rückkopplung verändert die Falsifikationsschleife in beide Richtungen. Das ist Poppers Falsifikationsprinzip als Systemdesign: Wissen, das sich nicht widerlegen lässt, ist kein Wissen. Es ist Ideologie.

VI. Was das bedeutet und was nicht

Die hier neu vorgeschlagene Epistemologie delegiert keine menschliche Erkenntnis an Maschinen. Ganz im Gegenteil: Sie erweitert den menschlichen ‘Raum der Gründe’ und erschließt ihn tiefer, breiter und widerlegungsfähiger. Ein KI Sparring-Partner ersetzt keinen Facilitator und keine Führungsperson. Er schafft jedoch Bedingungen, unter denen Reflexion überhaupt erst zu dem werden kann, was Sellars meint: eine Praxis des kooperativen, partizipativen und demokratischen Begründens, die offen ist für Revision.

Das ist die eigentliche Herausforderung der KI-augmentierten Arbeitswelt. Es geht nicht nur darum, wie wir Arbeit automatisieren und beschleunigen können, sondern darum, wie wir kollektive Erkenntnis unter Bedingungen, die menschliche Kognition allein nicht bewältigt, erweitern können. Diese Erkenntniserweiterung ist unbedigte Voraussetzung für jegliche Wandlungs-, Innovations- und Transformationsprozesse.

Plattformen wie unser Startup NextGen.LX entwickeln genau diese Infrastruktur nicht als Optimierungswerkzeug, sondern als epistemisches System, das Organisationen befähigt, ihr eigenes Wissen zu hinterfragen, zu evolvieren und produktiv in Frage zu stellen. Organisationen, die das lernen, werden nicht nur intelligenter. Sie werden, im Sinne von Gregory Batesons Steps to an Ecology of Mind, lernfähiger. Das ist ein entscheidender qualitativer Unterschied und er beginnt mit der Frage, die jede gute Epistemologie stellt: Was wissen wir eigentlich und unter welchen Bedingungen?

Die Einzigartigkeit menschlicher Erfahrung war noch nie derart wertvoll und ‘mission-critical’ wie im KI-Zeitalter und benötigt eine technologische Infrastruktur, die ihre Kreativität, Urteils- und Empathiefähgkeit verstärkt und nicht vermindert. Diese Forderung ist, wie wir im Deutschen so schön sagen, kein Selbstläufer.

It is not a given.

Referenzen

• Bateson, G. (1972). Steps to an Ecology of Mind. University of Chicago Press.
• Foucault, M. (1969). L’Archéologie du savoir. Gallimard.
• Habermas, J. (1981). Theorie des kommunikativen Handelns. Suhrkamp.
• Peirce, C. S. (1903). Pragmatism as a Principle and Method of Right Thinking. In: Collected Papers.
• Popper, K. (1934/1959). Logik der Forschung / The Logic of Scientific Discovery. Mohr Siebeck / Hutchinson.
• Sellars, W. (1956). Empiricism and the Philosophy of Mind. Harvard University Press.
• Snowden, D. & Boone, M. (2007). A Leader’s Framework for Decision Making. Harvard Business Review.
• Stacey, R. (2001). Complex Responsive Processes in Organizations. Routledge.

---

APPENDIX

Das NextGen.LX 5-Stufen-Modell: Vom Knowledge Object zum Knowledge Asset

Wir konzipieren Wissen im Sinne vom Prozess- und Reifephasen neu wie folgt:

M1 | Rohdeutung: Eine erste, unvalidierte Beobachtung oder Aussage aus dem Erlebnisraum der Beteiligten. Subjektiv valide, epistemisch jedoch noch nicht gesichert. Ein Ausgangspunkt, kein Ergebnis.

M2 | Bestätigte Beobachtung: Die Rohdeutung wurde mit internen Datenpunkten oder einer zweiten unabhängigen Perspektive abgeglichen. Eine erste Korrespondenz zwischen Erleben und Evidenz ist hergestellt, aber der Kontext bleibt eng.

M3 | Kontextualisiertes Muster: Das Objekt ist in einen breiteren organisationalen oder externen Kontext eingebettet. Known Unknowns wurden benannt, Grenzen der Gültigkeit sind explizit dokumentiert. Das Muster ist interpretierbar, nicht nur beschreibbar.

M4 | Angewendetes und revidiertes Asset: Das weiterentwickelte ‘Knowledge Object’ wurde als Interventionsgrundlage eingesetzt. Anwendungserfahrungen wie Bestätigungen und Nicht-Passungen sind zurückgeflossen. Die Falsifikationsschleife hat das Objekt präzisiert, eingeschränkt oder erweitert.

M5 | Repliziertes Organisationswissen: Das Muster wurde über mehrere Kontexte, Teams oder Organisationen hinweg beobachtet und durch wiederholte Anwendung und Widerlegung stabilisiert. Es besitzt übertragbare Gültigkeit unter explizit dokumentierten Bedingungen, aber nie als universelles Gesetz (Popper). Auf dieser Stufe sprechen wir von einem ‘Knowledge Asset’.