Die These
Informatiker lösen Probleme, indem sie bekannte Lösungsmuster (Patterns) auf neue Situationen anwenden. Das ist effizient. Aber es hat einen Preis: Der Lösungsraum wird durch die bekannten Patterns begrenzt. Wer einen Hammer hat, sieht überall Nägel. Wer Design Patterns kennt, sieht überall Anwendungsfälle für Design Patterns.
Wer aus der Philosophie kommt, hat keine Patterns. Dafür hat er eine andere Ausbildung: Probleme so lange zu sezieren, bis die Struktur sichtbar wird. Nicht “Welche Lösung passt?”, sondern “Was genau ist das Problem?” Das ist ein fundamental anderer Einstiegspunkt, und er führt zu fundamental anderen Architekturen.
Der epistemologische Vorteil des Nicht-Wissens
Sokrates’ berühmteste Einsicht war: “Ich weiss, dass ich nichts weiss.” In der Geschichte der Philosophie wurde das als Demutsgeste gelesen. Tatsächlich ist es eine methodische Aussage: Wer weiss, dass er nicht weiss, stellt bessere Fragen als jemand, der glaubt zu wissen.
Übertragen auf Softwarearchitektur: Ein Informatiker, der vor dem Problem “KI-Agenten vergessen alles” steht, greift auf bekannte Lösungen zurück: Vektordatenbanken, RAG-Pipelines, Fine-Tuning. Das sind valide Werkzeuge. Aber sie beantworten eine Frage, die nie explizit gestellt wurde: Nämlich die Frage, welche Art von Gedächtnis ein KI-Agent braucht.
Die philosophische Herangehensweise beginnt anders. 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 ist das Ergebnis dieser Fragen. Kein Informatiker hätte sie so gebaut, weil die Standardlösung (eine einzige Vektordatenbank für alles) funktioniert. Aber “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: Rätsel lösen mit bekannten Methoden. Paradigmenwechsel passieren, wenn die Rätsel nicht mehr aufgehen und jemand die Grundannahmen in Frage stellt.
Softwareentwicklung ist überwiegend Normalwissenschaft im Kuhn’schen Sinn. Und das ist gut so, weil die meisten Probleme sich mit bewährten Methoden lösen lassen. Aber KI-Gedächtnis ist kein Normalproblem. Es ist ein Problem, bei dem die bestehenden Paradigmen (Datenbanken, Caches, Kontextfenster) nicht ausreichen, 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 kommen, sind das, als was sie deklariert sind. Input-Validation prüft Format und Typ, nicht epistemischen Status.
Die Idee, dass ein System zwischen Primärquellen und abgeleiteten Daten unterscheiden muss, kommt nicht aus der Informatik. Sie kommt aus der Geschichtswissenschaft (Quellenkritik), aus der Epistemologie (Rechtfertigungstheorie) und aus 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 lehrt diese Konzepte, aber jeder Geisteswissenschaftler kennt sie in irgendeiner Form.
Das ist die kontraintuitive 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 Architektur, die hier beschrieben wird, hat technische Schwächen, die ein erfahrener Softwarearchitekt sofort sehen und korrigieren würde.
Das Argument ist enger: In der spezifischen Phase des Problemverstehens, bevor Lösungen gewählt werden, kann eine geisteswissenschaftliche Denkweise Fragen stellen, die eine technische Denkweise überspringt, weil die Antwort “offensichtlich” erscheint.
Die beste Architektur entsteht wahrscheinlich dort, wo beide Denkweisen zusammenarbeiten: Philosophisches Problemdenken, das die richtigen Fragen stellt, gefolgt von technischer Expertise, die die Antworten robust implementiert. Nicht statt, sondern vor.
Die Parallele zur KI selbst
Interessanterweise spiegelt dieses Argument die Debatte über KI-Systeme selbst wider. LLMs sind Lösungsmaschinen: Gib ihnen eine Frage, und sie liefern eine Antwort. Schnell, plausibel, meistens brauchbar. Aber sie stellen keine Fragen. Sie hinterfragen nicht die Prämisse. Sie sagen nicht: “Bevor ich antworte, lass mich prüfen, ob die Frage richtig gestellt ist.”
Das ist exakt der System-1-Modus, den Kahneman beschreibt: Schnelle Intuition, die auf Mustererkennung basiert und die eigenen Annahmen nicht prüft. Die Fähigkeit, eine Frage zu hinterfragen, bevor man sie beantwortet, ist System 2. Und sie ist bei KI-Systemen genauso unterentwickelt wie bei Menschen, die unter Zeitdruck stehen.
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