2024 erschien in der Fachzeitschrift Nature eine Studie, die in der KI-Branche kaum Wellen schlug – dabei trifft sie jeden, der KI im Unternehmen einsetzt. Shumailov et al. wiesen nach: KI-Systeme, die auf ihren eigenen Outputs trainiert werden, degenerieren systematisch. Nicht weil die Modelle schlechter werden. Sondern weil das System sich selbst frisst – und dabei immer blasser wird.
Das Phänomen heißt Model Collapse. Und es ist kein Zukunftsszenario. Es ist eine Tendenz, die in jedem Unternehmen wirkt, das KI-Outputs unreflektiert in den nächsten KI-Prozess einspeist.
Was Model Collapse bedeutet – ohne Physik-Vokabular
Stellen Sie sich vor, Sie fotografieren ein Foto und drucken dieses Foto aus. Dann fotografieren Sie den Ausdruck und drucken erneut. Nach zehn Iterationen ist das Bild grau, verwaschen, unscharf. Die Nuancen sind verschwunden.
Genau das passiert mit KI-Systemen, die auf synthetischen Daten trainiert werden – auf Texten, die andere Modelle generiert haben. In jeder Iteration verschwinden die seltenen, überraschenden Nuancen aus dem statistischen Rauschen. Was übrig bleibt, ist die mathematische Mitte: glatt, plausibel, vorhersehbar.
Kein Fehler, kein Absturz, kein Alarm. Das System liefert weiterhin Antworten. Aber die Antworten werden gleichförmiger, konformer, weniger distinkt. Die Entropie – das Maß für Informationsgehalt und Varianz – sinkt. Die KI wird langsam dümmer, ohne es zu merken.
Das Gesetz dahinter: Jede Kette verliert Information
Der Mathematiker Claude Shannon hat es 1948 bewiesen: In jeder Übertragungskette geht Information verloren. Niemals gewonnen. Immer verloren.
Die Data Processing Inequality – 2026 auf KI-Systeme angewendet von P. Straňák im Fachjournal MDPI Entropy – überträgt dieses Gesetz direkt auf generative Schleifen: Jede iterative KI-Transformation ohne externe Informationszufuhr führt zu unumkehrbarem Informationsverlust. Kein besseres Modell, keine größere Rechenleistung umgeht dieses Gesetz. Es ist Mathematik.
Ein externer Datenpunkt reicht, um den Kollaps zu verhindern – das bewiesen Forscher in den Physical Review Letters: Ein einziger, echter Kontaktpunkt mit der Außenwelt bricht die Isolation. Der Mensch ist dieser Kontaktpunkt – aber nur, wenn er intentional agiert.
Der Mensch als Gegenkraft – aber nicht automatisch
Die Forschung ist eindeutig: Der Mensch ist der Negentropie-Anker. Er bringt Originalität, Widerspruch und Realitätsbezug in das System. Er ist das, was KI von Natur aus fehlt: eine Außenperspektive.
Aber – und das ist der entscheidende Punkt – nur unter einer Bedingung: Der Mensch muss intentional agieren.
Wer der KI zuruft „Schreib mir eine Zusammenfassung" oder „Formuliere das besser", agiert nicht als Anker. Er agiert als Durchgangsstelle. Er bestätigt, was das Modell ohnehin produziert hätte. Er beschleunigt den Gleichförmigkeitstrend, statt ihn zu bremsen.
Ein intentionaler Prompt hingegen bringt Kontext, Einschränkung und Zielpräzision mit. Er zwingt das Modell aus den statistischen Trampelpfaden heraus. Er ist die externe Energie, die das System offenhält.
Was das für Ihren Betrieb bedeutet
In der betrieblichen Praxis sieht das Problem konkret so aus: Ein Mitarbeiter lässt die KI einen Bericht schreiben. Der Bericht ist gut genug. Er leitet ihn weiter. Der nächste Mitarbeiter lässt die KI diesen Bericht zusammenfassen. Die Zusammenfassung ist gut genug. Sie fließt in die nächste Analyse.
Nach fünf Iterationen hat niemand mehr geprüft, ob das Ergebnis noch mit dem ursprünglichen Firmenwissen übereinstimmt. Die Quelle ist abgeschnitten. Das System läuft im Kreis. Die Entropie sinkt.
Das Risiko liegt nicht in der einzelnen Fehlantwort. Es liegt in der schleichenden Gleichförmigkeit: Kommunikation klingt zunehmend generisch. Analysen verlieren Schärfe. Entscheidungsvorlagen spiegeln statistischen Durchschnitt – nicht Ihr Unternehmen.
Firmenwissen als strukturelle Antwort
Die einzige strukturelle Gegenkraft gegen Model Collapse ist externes Wissen – Wissen, das nicht aus dem Modell selbst stammt. Im Unternehmenskontext ist das Ihr Firmenwissen: Prozessdokumentation, Produktspezifikationen, Projekterfahrungen, Kundenfeedback, interne Sprache.
Dieses Wissen hat hohen Informationsgehalt nach Shannon – es ist unvorhersehbar für das Modell, weil es aus einer Quelle stammt, die das Modell nicht kennt. Wer es systematisch in den KI-Prozess einspeist, bricht die Isolation des geschlossenen Kreislaufs.
Das ist das Kernprinzip der Knowledge Injection und des Proprietary Knowledge Systems (PKS): nicht Modelle trainieren, sondern Firmenwissen als kontinuierliche externe Quelle verankern. Jeder Zugriff auf das PKS ist ein Schuss frische Information in das System – und damit ein physikalischer Akt gegen den Kollaps.
Intent Engineering: drei Verhaltensregeln als operative Antwort
Intent Engineering ist die Praxis, die den Menschen als Negentropie-Anker aktiviert. Keine Methode, keine Software – drei Verhaltensregeln, die sofort anwendbar sind:
- Regel 1 – Kontext vor Aufgabe: Jeder Prompt beginnt mit dem Firmenwissen, das für diese Aufgabe relevant ist. Nicht „Schreib ein Angebot", sondern „Hier sind unsere Produktspezifikationen und die drei zentralen Kundenanforderungen aus dem letzten Gespräch – schreib ein Angebot, das diese Prioritäten sichtbar macht."
- Regel 2 – Ziel statt Aufgabe: Der Prompt nennt das Wirkungsziel, nicht die Textsorte. Nicht „Erstelle eine Zusammenfassung", sondern „Was muss ein Einkäufer aus diesem Dokument wissen, um morgen eine fundierte Entscheidung zu treffen?"
- Regel 3 – Menschliches Urteil als Pflichtschritt: Kein KI-Output wandert unreflektiert in den nächsten Schritt. Der Mensch bewertet, korrigiert, ergänzt – und bringt dabei seine Erfahrung als externe Information zurück ins System. Das ist Human-in-the-Loop nicht als Kontrolle, sondern als physikalische Notwendigkeit.
Diese drei Regeln klingen simpel. Sie sind es nicht. Sie erfordern eine bewusste Entscheidung, den KI-Prozess offenzuhalten – gegen den Komfort des schnellen Weiterklickens.
Haben Sie ein System, das sicherstellt, dass menschliche Intentionalität in Ihren KI-Prozessen verankert ist? Ein KI-Governance-Stresstest zeigt in einem Tag, wo Ihre KI-Kreisläufe bereits geschlossen sind – und was dagegen strukturell getan werden kann.