Inference ist keine Entscheidung: Die axiomatische Unglaubwürdigkeit von Always-Answer KI-Systemen

Aktuelle Debatten über generative KI konzentrieren sich überwiegend auf Leistung, Skalierbarkeit und Erklärbarkeit. Oft wird implizit angenommen, dass Systeme, die beeindruckende Ausgaben erzeugen können, auch in kritischen technischen, wirtschaftlichen oder rechtlichen Kontexten verantwortungsbewusst betrieben werden können. Dieses Papier stellt diese Annahme in Frage. Es beginnt mit einem einfachen Axiom: Ein technisches System, das strukturell verpflichtet ist, auf jede Eingabe eine Antwort zu generieren, kann nicht vertrauenswürdig betrieben werden. Vertrauenswürdigkeit setzt eine formalized Fähigkeit zur Ablehnung voraus. Auf dieser Grundlage analysiert das Papier die Operationalität wahrscheinlicher KI-Systeme, insbesondere großer Sprachmodelle. Es zeigt, dass probabilistische Inferenz keine operative Entscheidung darstellt, sondern lediglich plausible Möglichkeiten erzeugt. Wenn Inferenz und Ausgabe strukturell gekoppelt sind, wird Unsicherheit unterdrückt, anstatt dargestellt, und standardmäßig in Plausibilität übersetzt. Das Papier argumentiert weiter, dass Erklärbarkeit diese Begrenzung nicht auflösen kann. Erklärungen wirken rückblickend und können beleuchten, wie eine Ausgabe generiert wurde, sie können jedoch nicht bestimmen, ob die Generierung und Freigabe dieser Ausgabe ursprünglich zulässig war. Infolgedessen funktioniert Erklärbarkeit eher als interpretativer Überzug als als Mechanismus operationaler Kontrolle. Das Fehlen formalisierten Entscheidungsgrenzen und Nicht- Entscheidungszuständen stellt eine grundlegende operationale Grenze von Always-Answer KI-Systemen dar. Diese Grenze ist unabhängig von Architektur, Trainingsdaten oder rechnerischer Skalierung. Ohne die technische Möglichkeit der Nicht- Entscheidung können solche Systeme leistungsstarke Werkzeuge bleiben, aber sie können nicht als vertrauenswürdige Entscheidungssysteme in verantwortungs-kritischen Bereichen eingesetzt werden. Dieses Papier ist Teil einer Reihe, die Verantwortung, Prüfungsfähigkeit und operationale Lebensfähigkeit in probabilistischen und agentischen KI-Systemen untersucht. Eine deutschsprachige Version ist auf Zenodo verfügbar (DOI: 10.5281/zenodo.18659699)