Das Dilemma des impliziten Wissens in der KI

Das Dilemma des impliziten Wissens: Wie KI lernt, was wir nicht in Worte fassen können

Im Jahr 1966 formulierte der Wissenschaftsphilosoph Michael Polanyi eine scheinbar schlichte Beobachtung, die bis heute das tiefste Rätsel moderner künstlicher Intelligenz beschreibt:

"Wir wissen mehr, als wir sagen können."

Polanyi nannte dieses Phänomen implizites Wissen (Tacit Knowledge). Es ist die erfahrungsbasierte Weisheit, die Menschen besitzen, aber kaum in starre Regeln fassen können. Du kannst Fahrrad fahren, ohne die physikalischen Formeln des Gleichgewichts auf Papier berechnen zu können. Du erkennst das Gesicht eines alten Freundes in einer Menschenmenge, ohne die Millimeterkoordinaten seiner Gesichtszüge nennen zu müssen.

In der Software-Entwicklung ist implizites Wissen genau das, was einen erfahrenen Architekten von einem Syntax-Handbuch unterscheidet.

Der Eisberg des ingenieurmäßigen Urteilsvermögens

Betrachtest Du eine Codebasis, ist das explizite Wissen lediglich die sichtbare Spitze des Eisbergs: Die Programmiersprachen-Syntax und Typdefinitionen. Die API-Endpunkte und Datenbankschemata. * Die Feature-Tickets und Unit-Tests.

Unter der Wasseroberfläche verbirgt sich die gewaltige, unsichtbare Masse impliziter Erfahrung: Architektonischer Geschmack: Das intuitive Gespür dafür, wann eine Abstraktion verfrüht ist und zu technischer Schuld wird. Defensive Instinkte: Die Vorahnung einer Race-Condition in einer asynchronen Schleife, noch bevor ein Profiler läuft. Echte Narben:* Die unauslöschliche Erinnerung an vergangene Produktionsausfälle, die Deine Wahl von Datenstrukturen leitet.

Herkömmliche KI-Assistenten werden ausschließlich mit dem trainiert, was niedergeschrieben ist – der expliziten Spitze des Eisbergs. Sie sehen Millionen von Repositories, aber sie spüren nicht das Zögern in der Hand eines Ingenieurs, bevor er eine riskante Funktion umbaut.

Kann eine Maschine implizites Wissen aufnehmen?

Der gängige Branchenansatz lautet "Prompt Engineering": Man schreibt immer längere Instruktionen, die der KI befehlen, "wie ein Senior-Entwickler zu handeln".

Dieser Ansatz verfehlt das Wesen impliziten Wissens. Du kannst einer Maschine nicht diktieren, was Du selbst nicht in präzise Worte fassen kannst.

Bei Autobahn Bot haben wir erkannt, dass implizites Wissen nicht durch Vorträge vermittelt wird, sondern durch gemeinsame Praxis und Korrektur (Co-presence & Correction): 1. Die Kraft des Vetos: Wenn Du mit einem Assistenten arbeitest und einen Vorschlag ablehnst, ist dieses Veto reines implizites Wissen. Warum hast Du es verworfen? Weil es sich brüchig anfühlte? Weil es das harmonische Gesamtbild störte? 2. Reflexion nach der Session: External Brain hält fest, welche vorgeschlagenen Dateien Du angenommen oder abgelehnt hast, und behält die Korrekturen, die Dein Assistent am Ende der Session übergibt. Genau dort zeigt sich menschlicher Geschmack. 3. Kristallisation zu dauerhaften Instinkten: Zeigt sich eine unausgesprochene Präferenz über mehrere Aufgaben hinweg, destilliert das System daraus eine verlässliche Heuristik.

Die Zukunft des Pair Programming

KI wird menschlichen Geschmack niemals ersetzen, denn Geschmack wurzelt in Kultur, Erfahrung und Empathie. Doch indem wir Werkzeuge bauen, die beobachten, wie wir arbeiten, überwinden wir Polanyis Dilemma – und erschaffen Assistenten, die lernen, die Welt mit den Augen des Entwicklers zu sehen.