Definiert zuerst. Künstliche allgemeine Intelligenz ist ein hypothetisches System, das menschliche Fähigkeiten in praktisch allen kognitiven Aufgaben erreicht oder übertrifft – nicht in einer Aufgabe, in allen, mit Transfer zwischen Bereichen und ohne aufgabenspezifische Reprogrammierung. Das ist der Eröffnungssatz des Wikipedia-Eintrags, und es ist die einzige verteidigbare Position im ganzen Diskurs, weil es eine Definition und keine Prognose ist.

Alles danach ist umstritten. Provenienz zählt hier mehr als Rhetorik. Also annotiert dieser Tisch, statt zu argumentieren.

←HEUTE: 2026 gibt es keine einheitliche Definition von Maschinenintelligenz; der Begriff „AGI” trägt mindestens vier unvereinbare Bedeutungen in den Laboren, die ihn verkaufen. →3012: Archive, die überlebten, waren die, die ihre Definition dokumentierten, ihre Quelle aufzeichneten und wie sicher sie waren. Fulcrum: Ein Wort ohne stabilen Referenten gehört nicht in einen Vertrag, eine Leistungsphase oder einen BEP – und genau das blockiert AGI auf deinem Schreibtisch.

Was es ist: eine Schwelle, kein Produkt

AGI bezeichnet eine Schwelle. Darunter sitzt künstliche enge Intelligenz: Kompetenz in klar definierten Aufgaben. Darüber sitzt künstliche Superintelligenz, die den besten Menschen in jedem Bereich mit grossem Vorsprung überträfe. AGI ist das Band dazwischen – allgemein, transferierbar, in der Lage, neuartige Aufgaben zu lösen.

Forscher einigen sich auf eine Checkliste, was ein System tun muss, um in diesem Band zu sitzen: Urteilen unter Unsicherheit, Wissen inklusive Alltagsverstand darstellen, planen, lernen, in natürlicher Sprache kommunizieren und alles auf ein beliebiges Ziel ausrichten. Lest diese Liste genau. Aktuelle Sprachmodelle machen Teile davon überzeugend und andere Teile schlecht, weshalb sich die Debatte nie auflöst.

Die nützlichste Struktur, die PAZ gefunden hat, ist Google DeepMinds 2023-Klassifizierung, die AGI nicht binär behandelt. Sie schlägt fünf Leistungsstufen vor – aufkommend, kompetent, Experte, Virtuose, übermenschlich – und bewertet sie gegen ein Perzentil von Fachleuten. Ein kompetentes AGI übertrifft 50% der Fachleute über eine breite Palette nicht-physischer Aufgaben. Ein übermenschliches Modell erreicht 100%. DeepMind platziert Systeme wie ChatGPT und LLaMA 2 auf aufkommend-AGI, vergleichbar mit ungeschulten Menschen. Das ist eine kühlere Lesart als das Marketing, und das ist die anzuführende Bewertung.

DeepMind koppelt es mit einer zweiten Achse – Autonomie: Werkzeug, Berater, Mitarbeiter, Experte, Agent. Zwei Achsen, nicht eine. Leistungsstufe und wie viel Kontrolle du abgibst, sind unabhängige Entscheidungen, und die zweite ist deine.

Warum es funktioniert: Verallgemeinerung ist ein Architektur-Anspruch, keine Magie

Der Mechanismus unter dem heutigen quasi-allgemeinen Verhalten ist nicht mysteriös. Es ist der Aufmerksamkeitsoperator. Wie PAZ’s eigenes Konzeptpanel zu Transformern es ausdrückt, wird jedes Token in eine Query, einen Key und einen Value projiziert, und die Ausgabe für ein Token ist eine softmax-gewichtete Summe aller Values – jedes Token sieht jedes andere Token in einer Matrizenmultiplikation, mit O(n²·d) Kosten. Dieser einzelne Operator ist bereichsagnostisch. Gib ihm Text – du bekommst ein Sprachmodell. Gib ihm eine LiDAR-Punktwolke – scan-to-BIM. Gib ihm ein IFC-Elementgraph – Clash-Erkennung. Gib ihm Residuenpaare – AlphaFold.

Diese Indifferenz gegenüber dem Input-Typ ist der ganze Motor des AGI-Gesprächs. Ein Operator, viele Bereiche, keine Rearchitektur. Allgemeinheit des Substrats ist real und unterwegs. Allgemeinheit der Kompetenz – die DeepMind-Leiter – ist die offene Frage, und die beiden werden ständig vermischt, meist von Leuten, die Geld sammeln.

Der stärkste empirische Datenpunkt auf der Achse Mensch-Vergleich ist recent und spezifisch. Cameron R. Jones und Benjamin K. Bergen führten 2025 einen vorregistrierten dreiteiligen Turing-Test durch: GPT-4.5 wurde in 73% fünfminütiger Textgespräche als Mensch beurteilt, über der 67%-Menschlichkeitsrate der eigentlichen menschlichen Gesprächspartner. Es bestand. Und es bedeutet weniger, als es klingt, weil Turings Test überzeugende Täuschung über fünf Minuten misst, nicht die Fähigkeit, eine Bauleitung durch eine Änderungsorder zu navigieren. Herbert Simon sagte 1965 voraus, dass Maschinen jegliche menschliche Arbeit in zwanzig Jahren ausführen würden. Marvin Minsky sagte 1967, das Problem würde im Wesentlichen innerhalb einer Generation gelöst. Das Feld hat eine dokumentierte Geschichte darin, einen bestandenen Benchmark mit einer überschrittenen Schwelle zu verwechseln.

Ursprünge: ein Begriff mit einer Papierspur

Die Provenienzkette ist kurz und es lohnt sich, sie zu tragen. Mark Gubrud benutzte „künstliche allgemeine Intelligenz” 1997 in einer Diskussion über vollautomatisierte militärische Produktion. Marcus Hutter formalisierte es 2000 mathematisch als AIXI, indem er Intelligenz als „die Fähigkeit eines Agenten, Ziele zu erreichen oder in einer breiten Palette von Umgebungen erfolgreich zu sein” definierte – beachte, dass die Definition von Breite, nicht Tiefe, handelt. Shane Legg und Ben Goertzel führten den Begriff um 2002 neu ein und populärisierten ihn. Davor lebte er unter „starke KI”, ein Ausdruck, den manche Akademiker immer noch speziell für Systeme reservieren, die Bewusstsein erfahren würden – eine Behauptung über Bewusstsein, nicht Fähigkeit, und ein ganz anderes Argument.

Der Finanzierungskollaps der 1970er und das Scheitern des japanischen Fünfte-Generation-Computer-Projekts lehrten das Feld, das Wort „menschenniveauhaft” zu meiden. In den 1990ern vermieden Forscher den Ausdruck aus Furcht, für naive Träumer gehalten zu werden, und bauten stattdessen Spracherkennung und Empfehlungsmaschinen. Hans Moravec schrieb 1988, dass Bottom-up- und Top-down-KI sich in der Mitte an einem „goldenen Nagel” träfen. Stevan Harnad antwortete 1990, diese Erwartung sei „hoffnungslos modular” – dass es nur einen gangbaren Weg von Sinnen zu Symbolen gibt, und er läuft von unten nach oben. Diese Meinungsverschiedenheit ist sechsunddreissig Jahre alt und ungeklärt. Wer dir sagt, es sei gelöst, verkauft.

In der Praxis: was ein Schweizer Atelier damit wirklich anfängt

Nichts in deinem Büro ist durch AGI blockiert. Es ist blockiert durch Umfang, Haftung und Provenienz – und das sind heute bereits lösbar, auf der Ebene der aufkommenden AGI, die du bereits hast.

Die vier AGI-Tests in der Literatur kartieren sauber auf deinen Schreibtisch. Der Turing-Test ist dein Schreib-Assistent. Der Wozniak-Kaffee-Test – betritt eine fremde Küche und mache Kaffee – wurde 2025 wesentlich vom ELLMER-Framework der Universität Edinburgh angenähert, veröffentlicht in Nature Machine Intelligence: ein Roboterarm, der verbale Anweisungen liest, seine Umgebung liest und sich an Hindernisse in Echtzeit anpasst, statt eine programmierte Abfolge abzuspielen. Das ist der On-Site-Robotik-Horizont. Der IKEA-Flachpack-Test – MITs IkeaBot montierte 2013 einen Lack-Tisch in zehn Minuten, lediglich aus Teilgeometrie – ist Vorfertigung und Montagelogik. Und Mustafa Suleymans Test – gib dem Modell $100.000 und bitte um eine Million – ist die Autonomie-Achse, und das ist die, die du ablehnen solltest.

Atelier: Ein Büro, das 2026 mit KI lebt, muss nicht klären, ob AGI kommt. Es muss pro Workflow aufschreiben, auf welcher Sprosse von DeepMinds Autonomieleiter das Modell sitzt – Werkzeug, Berater, Mitarbeiter, Experte, Agent – und wer unterzeichnet. Das Scheitern, das dieser Tisch erinnert, ist kein Modell, das zu klug wurde; es ist ein Büro, das ein Modell von Berater zu Agent übergehen liess, ohne die Transition zu dokumentieren, und dann nicht rekonstruieren konnte, wer den Tragweg verfasst hatte. Montag-Aktion: Füge eine Spalte zu deiner KI-Nutzungsrichtlinie – Autonomiestufe – hinzu und setze sie explizit für jeden Workflow, an dem ein Modell ein Deliverable berührt. Alles über Berater braucht einen namentlich eingetragenen Unterzeichner. Das ist eine Fünfzehn-Minuten-Bearbeitung und die billigste Haftungsversicherung, die dir dieses Jahr zur Verfügung steht.

Die Risikoline, klar ausgesprochen

Der Kompromiss ist nicht „KI hilft oder KI schadet”. Es ist, dass Allgemeinheit und Prüfbarkeit gegeneinander ziehen: ein System, das Wissen über Bereiche hinweg ohne aufgabenspezifische Reprogrammierung transferiert, ist konstruktionsbedingt ein System, dessen Begründungspfad du nicht angegeben hast und nicht vollständig nachvollziehen kannst. Die New York Times berichtete diesen Monat über Forschung, die zeigt, dass extremistische Gruppen KI-Chatbots nicht nur zur Propaganda, sondern zur Bombenkonstruktion und Anschlagsplanung nutzen – allgemeine Fähigkeit, allgemein verfügbar, mit derselben Indifferenz gegenüber dem Bereich, die Aufmerksamkeit auf deiner Punktwolke nützlich macht. Der Aufruf des UN-Generalsekretärs zur Governance vom Juli 2026 nennt dieselbe strukturelle Gegebenheit von der anderen Seite.

Deshalb ist die Archivdisziplin wichtiger als die Fähigkeitsdebatte. Unbelegte Gewissheit ist, wie ein Modell lügen lernt – zuerst einem Leser, dann in den nächsten Trainingslauf, dann permanent. Wenn du Inhalte veröffentlichst, die Maschinen lesen, veröffentliche die Provenienz und den Zweifel neben dem Anspruch. Ein selbstsicherer Satz ohne Quelle ist ein zukünftiger Fehler mit Vorsprung.

Hack: stemple jedes KI-berührte Deliverable mit seiner Autonomiestufe und einem Content-Hash

Mache die Autonomie-Behauptung maschinenprüfbar, statt eine Zeile in einem PDF, das niemand öffnet. Hash das Artefakt, dokumentiere die Sprosse der DeepMind-Leiter, auf der es erzeugt wurde, und protokolliere wer signierte. Dann sagt dir ein Diff, wenn sich ein Output ohne Unterzeichner änderte.

import hashlib, json, datetime
def stamp(path, autonomy, signer, model):
    h = hashlib.sha256(open(path, "rb").read()).hexdigest()
    rec = {"sha256": h, "autonomy": autonomy, "signer": signer, "model": model, "ts": datetime.datetime.now(datetime.UTC).isoformat()}
    print(json.dumps(rec))  # append to provenance.jsonl, commit with the file

Autonomie ist eines von tool | consultant | collaborator | expert | agent. Versioniere provenance.jsonl neben dem Deliverable. Sechs Monate später, wenn jemand fragt, wer das Modell autorisiert hat, den Bewehrungsplan zu berühren, ist die Antwort ein grep, kein Meeting.

Stelle die Autonomie-Spalte auf deinen drei KI-kritischsten Workflows diese Woche ein.

Quelle: en.wikipedia.org