Das Fragenmodell als Ethik-Vorphase

Leitfrage: Wie verändert eine strukturierte Fragenerweiterung die Entscheidung, bevor ein KI-System ausgewählt, getestet oder eingeführt wird?

Eine scheinbar klare Frage kann die Entscheidung schon vorwegnehmen

Ein kleiner Ersatzteilbetrieb überlegt, mit einem Sprachmodell Zusammenfassungen aus Wartungsunterlagen für Techniker:innen zu erstellen. Die Idee wirkt zunächst unkompliziert: Dokumente liegen an mehreren Orten, manche enthalten verschiedene Versionsstände, und das Auffinden der passenden Stelle kostet nach Einschätzung des Teams zu viel Zeit. Die erste Frage lautet: „Welches KI-Modell kann unsere Wartungsunterlagen automatisch zusammenfassen?“

Diese Frage klingt nach einer Beschaffungsaufgabe. Tatsächlich setzt sie bereits mehrere Dinge voraus: dass ein Sprachmodell das richtige Mittel ist, dass „Zusammenfassung“ eine hinreichend klare Aufgabe bezeichnet, dass die Ausgangsdokumente verlässlich und aktuell sind und dass eine kürzere Textfassung die Suche verbessert. Keine dieser Annahmen ist durch die bloße Frage bestätigt. Die Formulierung legt aber schon eine Richtung fest: zuerst ein Modell suchen, danach seine Verwendung begrenzen.

Bei einer KI-Entscheidung ist das ein ethisch relevanter Moment. Noch bevor ein System Personen betrifft, Daten verarbeitet oder in einen Prozess eingreift, wird festgelegt, was überhaupt als Problem gilt. Wer eine Frage stellt, bestimmt mit, welche Ziele, Alternativen und Schäden später sichtbar werden. Wird „Zeit sparen“ zum alleinigen Ziel, verschwinden möglicherweise Versionssicherheit, Nachvollziehbarkeit, Arbeitsbedingungen oder die Möglichkeit, einen Fehler rechtzeitig zu erkennen aus dem Blick.

Das projektentwickelte Fragen- und Promptoptimierungsmodell F v5 setzt an dieser Vorentscheidung an. Seine Folge A → B → D → C führt von Input- und Kontextklärung über mehrere Hypothesen, Meta-Fragen und adaptiv integriertes Feedback zu Rückfrage, Fallback, Iteration und Dokumentation. Erst Modul C bündelt die finale, angepasste Frage als Arbeits-Prompt, eine transparente Zusammenfassung des Vorgehens und einen GROW-Handlungsplan. [9] Ethisch nützlich ist diese Abfolge, wenn sie die anfängliche Frage tatsächlich verändert. Eine hübsch formatierte Fragenliste genügt nicht.

Die These dieses Artikels lautet: F v5 kann einen voreiligen Tool-Auftrag in eine begrenzte, überprüfbare Untersuchung überführen. Das Modell erzeugt aber weder Wahrheit noch Fairness oder eine KI-Freigabe. A→B→D→C ist die Architektur des projektentwickelten Modells. Die Herkunft einzelner Bausteine beschreibt deren Zweck; sie validiert weder deren Kombination noch belegt sie eine bessere Qualität ethischer KI-Entscheidungen. Dafür wäre eine vorab definierte Vergleichsevaluation im jeweiligen Einsatzkontext erforderlich.

Fragen sind Teil der Untersuchung, nicht bloß ihre Verpackung

John Dewey beschreibt Untersuchung als Arbeit an einer zunächst unbestimmten Lage: Beobachtungen, Begriffe, Hypothesen und Folgen werden so geordnet, dass eine begründete Beurteilung möglich wird. Das ist eine philosophische Perspektive auf Erkenntnis, kein modernes KI-Governance-Verfahren. Sie hilft dennoch, eine verbreitete Verkürzung zu vermeiden. Eine Frage muss nicht nur sprachlich sauber sein; sie muss zur Lage passen, die untersucht werden soll. [1]

Die Ethik beginnt deshalb nicht erst dort, wo ein Modell mögliche Schäden erzeugt. Sie beginnt auch bei der Auswahl dessen, was das Team messen, automatisieren, delegieren oder als „Routine“ behandeln will. Die Fragen „Wie erzeugen wir schneller Zusammenfassungen?“ und „Wie finden Beschäftigte verlässlich die aktuell freigegebene Manualstelle?“ beschreiben nicht denselben Auftrag. Die erste privilegiert Textproduktion; die zweite macht den Informationszugang und die Autorität der Quelle zum Gegenstand. Eine andere Frage öffnet andere Lösungsmöglichkeiten.

Rittel und Webber zeigten für gesellschaftliche Planungsfragen, dass manche Probleme nicht wie klar abgegrenzte technische Aufgaben behandelt werden können: Ziele, Betroffenheiten und die richtige Problemformulierung selbst können umstritten sein. Daraus folgt nicht, jedes betriebliche Problem sei „wicked“ oder unlösbar. Ein falsch benannter Dateipfad lässt sich wahrscheinlich direkt korrigieren. Schwieriger wird es, wenn mehrere Gruppen verschieden bewerten, was als gute Leistung, vertretbares Risiko oder gerechte Verteilung gilt. Dann kann die Suche nach einer einzigen neutralen Frage den Konflikt verdecken, statt ihn zu lösen. [2]

Die praktische Konsequenz ist eine Unterscheidung:

Routinefrage: Aufgabe, Ziel und Folgen sind bekannt; eine kurze Prüfung oder direkte Handlung ist verhältnismäßig.

Unklare Entscheidungsfrage: Ziel, Begriffe, Daten, Zuständigkeit oder Erfolgskriterien sind noch offen; zunächst muss die Frage präzisiert werden.

Wert- oder Governancekonflikt: Betroffene gewichten Ziele oder Fehlerfolgen unterschiedlich; zusätzlich braucht es Beteiligung und eine dokumentierte Entscheidung.

F passt vor allem in die zweite Kategorie. Es kann außerdem Material für die dritte vorbereiten. Es ersetzt aber nicht den Konsultations- und Governanceprozess, der unterschiedliche Perspektiven einbezieht und verbindliche Zuständigkeiten festlegt.

Das eigene Fragenmodell: vom Input zum überprüfbaren Arbeitsauftrag

Im Folgenden bezeichnet F das projektentwickelte Fragen- und Promptoptimierungsmodell F v5. Seine Abfolge lautet A→B→D→C; insbesondere wird D vor C bearbeitet. Das ist keine redaktionelle Umstellung auf das häufigere A-B-C-D-Schema. Die Schleife hält Unklarheit, Rückfrage und mögliche Revision offen, bevor der finale Arbeitsauftrag formuliert wird. Die Primärfassungen beschreiben F als iterative Zusammenarbeit mit Input und Nutzerfeedback, nicht als bloße Moderationsgrafik. [9]

Der rote Faden ist F v5 selbst: Input und Kontext werden geklärt, Hypothesen und Rückmeldungen verändern den Arbeitsauftrag, D hält Fehler und Revision offen, und C liefert Prompt, transparente Herleitung und GROW-Plan. Die in A genannten Techniken ergänzen einzelne Arbeitsschritte; sie ersetzen F v5 nicht. Sokratische Klärung, 5 Whys, SCAMPER, GROW und Bloom kommen im Artikel jeweils für einen abgegrenzten Zweck zum Einsatz. QFT wird nicht angewandt; wer diese externe Methode gesondert vertiefen möchte, findet die offizielle Beschreibung als optionale Lektüre. [5][9]

Ein vollständig fiktiver KMU-Fall

Der Betrieb in diesem Beispiel ist frei erfunden. Als Szenarioannahmen gelten: Wartungsunterlagen liegen an mehreren Ablageorten; ähnliche Dateien tragen verschiedene Versionsstände; Beschäftigte berichten von Suchaufwand; eine dokumentierte Baseline gibt es nicht. Das Team hat noch kein Modell getestet. Es liegen weder gemessene Zeitersparnisse noch Fehlerquoten, reale Pilotdaten oder Erfahrungsberichte vor.

Die Leitung schlägt vor, ein Sprachmodell „automatisch Zusammenfassungen“ erzeugen zu lassen. Eine solche Formulierung vermischt mindestens vier mögliche Aufgaben:

1. ein Dokument stark zu kürzen, 2. die Stelle in einer autorisierten Quelle aufzufinden, 3. aus mehreren Quellen eine neue Handlungsanweisung zu formulieren, 4. einer Person eine Antwort zu geben, der sie möglicherweise unmittelbar folgt.

Diese Aufgaben unterscheiden sich im Risiko. Eine Suchhilfe, die auf eine freigegebene Seite verweist, ist nicht gleichbedeutend mit einer generierten Reparaturanweisung. Eine menschliche Prüfung schützt nur dann, wenn die prüfende Person die richtige Quelle findet, Zeit und Kompetenz zur Kontrolle hat und die Ausgabe tatsächlich zurückweisen darf. Für den Fall bedeutet das: Die erste Frage darf nicht zugleich Auswahl, Test und Nutzung freigeben.

A: Begriffe und Ursache vor Toolwahl klären

Die sokratische Arbeit beginnt hier nicht mit einer langen philosophischen Debatte. Sie stellt einige gezielte Rückfragen: Was meint „Zusammenfassung“? Soll sie Anweisungen enthalten oder nur Fundstellen zeigen? Was heißt „aktuell“? Wer legt fest, welche Version gültig ist? Welche konkrete Tätigkeit soll schneller oder verlässlicher werden? Was würde als Fehler gelten? Welche Handlung soll eine Person nach der Ausgabe ausführen können? [8]

Schon diese Fragen ändern den Auftrag. „Automatisch zusammenfassen“ ist kein Erfolgskriterium. Eine kürzere Textmenge kann schneller lesbar sein und zugleich eine Warnung, Bedingung oder Versionsangabe auslassen. Eine plausible Antwort kann die falsche Datei verwenden. Eine automatisch erzeugte Formulierung kann außerdem mehr Autorität ausstrahlen, als ihre Quellenlage rechtfertigt.

GROW wird in A zunächst als vorläufiger Lagecheck verwendet und in C mit der Endfrage und dem nächsten Schritt zusammengeführt. Goal: „Zeit sparen“ ist ohne Messung und genaue Tätigkeit noch kein bestimmtes Ziel. Reality: Im Szenario gibt es mehrere Ablageorte und unklare Versionsstände, aber keine Baseline. Options: Der Startauftrag behandelt ein Modell als einzige Option; ein Index, Versionsregister oder eine klarere Dokumentnavigation fehlen noch. Will: Eine verbindliche nächste Handlung wäre voreilig, solange unklar ist, welche Quelle gültig ist und wer dies festlegt. Der erste GROW-Durchgang sagt also nicht „weiter“, sondern macht sichtbar, warum noch kein tragfähiger Handlungsplan vorliegt.

F-A beginnt im Fall mit drei selbst entwickelten Prüffragen: Liegt die Suchschwierigkeit an Ablage, Begriffen oder Verständnis? Was muss eine Person sehen, um Autorität und Version einer Fundstelle zu prüfen? Welche Beobachtung würde überhaupt rechtfertigen, eine KI-Suchhilfe mit einer manuellen Option zu vergleichen? Sie folgen der Input-, Ziel- und Annahmenklärung des eigenen Modells; eine externe Schrittfolge wird hier nicht angewandt. Für eine Kursübung kann Bloom ergänzend Lernhandlungen benennen: Teilnehmende erklären zunächst den Unterschied zwischen Finden, Zusammenfassen und Anweisen, prüfen dann Annahmen und entwerfen zuletzt eine begrenzte Frage. Bloom ordnet Lernziele; es belegt weder Fragegüte noch Wahrheit. [9]

Für die Ursachenklärung lässt sich 5 Why als Heuristik einsetzen. Taiichi Ohno beschreibt wiederholtes Warum-Fragen als Teil der Problemerkundung im Toyota-Produktionssystem. Daraus folgt nicht, dass exakt fünf Fragen immer eine wahre Grundursache freilegen. Bei sozialen oder organisatorischen Ursachen kann eine einzelne Kette wichtige Wechselwirkungen, Machtfragen oder alternative Ursachen übersehen. Jede Antwort ist zunächst eine prüfbare Hypothese. [3]

Die Kette endet bewusst vor einer scheinbar endgültigen Diagnose. Vielleicht gibt es bereits eine zuständige Rolle, aber kein sichtbares Register. Vielleicht ist die Dokumentenordnung unproblematisch und die Suchbegriffe passen nicht zum Arbeitsalltag. Vielleicht tritt das Problem nur bei wenigen, ungewöhnlichen Fällen auf. F darf eine plausible Erklärung nicht mit einer beobachteten Tatsache verwechseln.

SCAMPER kann anschließend Optionen erzeugen, aber nicht bewerten. Im Beispiel führt die Frage „Was könnten wir ersetzen, kombinieren oder weglassen?“ zu mehreren Möglichkeiten: Die automatische Textproduktion könnte durch einen versionierten Index ersetzt werden; eine Suchhilfe könnte Fundstellen anzeigen und mit dem Originaldokument kombiniert werden; ungeprüfte Schritt-für-Schritt-Anweisungen könnten zunächst ganz aus dem Funktionsumfang ausgeschlossen werden. Robert F. Eberles Buch dokumentiert SCAMPER als Verfahren zur Ideen- und Variantenbildung. Die Varianten benötigen weiterhin Evidenz-, Sicherheits- und Governanceprüfung. [4]

Bloom erfüllt eine andere Ergänzungsfunktion: Die Taxonomie kann Lernhandlungen klassifizieren. Die Fassung von 1956 und ihre spätere Revision sind nicht identisch; keine Taxonomie beweist, dass eine höhere benannte Stufe automatisch besser oder eine Frage wahrer ist. [6]

Ein A-Zwischenstand sieht daher so aus:

Ausgangsfrage: Welches KI-Modell kann unsere Wartungsunterlagen automatisch zusammenfassen?

A-Frage: Welches konkrete Such- oder Informationsproblem soll gelöst werden, welche Quelle gilt als autorisiert, und weshalb wird dafür KI als Mittel vorausgesetzt?

Das ist eine bessere Arbeitsfrage, aber noch keine Entscheidung. A hat den Suchraum geöffnet und die vorschnelle Modellwahl ausgesetzt.

B: Mehrere Erklärungen konkurrieren lassen

Ein häufiges Missverständnis lautet: Sobald das Team die erste plausible Ursache gefunden hat, kann es direkt zur Lösung übergehen. B bremst diesen Sprung. Es analysiert den Kontext, formuliert mehrere konkurrierende Hypothesen, Meta-Fragen und Alternativerklärungen und integriert Rückmeldung, um den Fokus anzupassen. Die Primärfassung beschreibt dafür NLP-gestützte Kontextanalyse und beispielhafte Konfidenzwerte; dieser Artikel behauptet weder eine implementierte oder evaluierte NLP-Komponente noch kalibrierte Wahrscheinlichkeiten. Die Hypothesen werden im fiktiven Fall qualitativ begründet, nicht als Prozentwerte oder Rangliste nach Bauchgefühl dargestellt. [9]

Für den fiktiven Betrieb bleiben mindestens vier Erklärungen im Raum:

Eine ernsthafte Gegenhypothese lautet, dass die geschilderte Verzögerung nicht häufig genug auftritt, um ein neues System zu rechtfertigen. Die Annahme „mehr KI bringt mehr Nutzen“ wird dadurch nicht ersetzt durch „keine KI ist immer besser“. Stattdessen entsteht eine Vergleichsaufgabe: Welche konkrete Nicht-KI-Änderung behebt das Problem mit weniger Aufwand oder weniger neuen Risiken?

Meta-Fragen prüfen, wie das Team zu seiner Frage kam: Wer hat den Auftrag formuliert? Wer definiert eine „richtige“ Fundstelle? Wessen Zeitersparnis zählt? Wer trägt die Folgen, wenn eine falsche Seite genutzt wird? Können Beschäftigte auf eine unklare oder widersprüchliche Ausgabe hinweisen, ohne dass das als Widerstand gegen Technik gewertet wird? Welche Erfahrung oder Sprache wäre in der Diskussion bislang zu wenig vertreten?

Damit wird eine philosophische Frage praktisch: Die Frage ist nicht neutral, wenn sie bestimmte Interessen in das Ziel einschreibt und andere als nachträgliche Nebenbedingung behandelt. Der Auftrag „schneller zusammenfassen“ kann ein Organisationsziel sein; er sagt noch nicht, ob der Nutzen gerecht verteilt ist oder ein Fehler tragbar wäre. F kann diese Fragen sichtbar machen, aber nicht selbst festlegen, wie die Organisation sie beantworten soll.

Auch ergänzende Techniken haben Grenzen. SCAMPER kann viele ungeeignete Varianten hervorbringen. Eine Fragebildungstechnik macht eine ausgelassene Betroffenengruppe nicht automatisch sichtbar. Bloom kann ein Lernziel ordnen, aber nicht die Sachlage prüfen. GROW strukturiert ein Vorgehen, beurteilt jedoch nicht, ob das Ziel ethisch vertretbar ist. Die Auswahl jedes Werkzeugs bleibt deshalb begründungspflichtig: Was soll es in F-A leisten, und welche Frage bleibt danach offen?

D: Unklarheit, Rückmeldung und Fallback ernst nehmen

D ist die Stelle, an der eine beliebte Abkürzung scheitert. Eine Organisation möchte gern aus dem Frageprozess eine klare Endformulierung erhalten. Doch wenn zentrale Begriffe, Quellen oder Zuständigkeiten widersprüchlich bleiben, wäre eine glatte Schlussfrage Scheinklarheit. D verlangt Rückfrage statt Auffüllen der Lücke mit einer plausiblen Annahme.

Im Szenario wird beim Abgleich der Unterlagen sichtbar, dass sich zwei Dokumente in einem Wartungsschritt unterscheiden. Das ist eine fiktive Fallentwicklung, kein Bericht über einen realen Betrieb. Die neue Information verändert, was als verantwortbare nächste Frage gilt. Das Team kann nun nicht einfach testen, welches Modell die schönere Kurzfassung liefert. Es muss zuerst klären, welche Quelle gültig ist und wer diesen Status verbindlich feststellt. D enthält in F v5 außerdem Empfehlungen zu externen Datenquellen, Best Practices, Risikofaktoren und gegebenenfalls branchenspezifischem Kontext. Für diesen Fall wären das konkret: die autorisierte Manualfassung benennen, eine manuelle Baseline für die Fundstellensuche erfassen und Daten-/Sicherheitsrisiken sowie das Risiko neu erzeugter Reparaturanweisungen prüfen. Das sind offene Prüfpunkte, keine festgestellten Fakten und keine Rollout-Empfehlung. [9]

Die D-Phase hält mindestens vier Status auseinander:

Unbekannt: Es ist noch nicht gemessen, wie oft die Suche scheitert oder wie lange sie dauert.

Widersprüchlich: Für einen Schritt existieren im Szenario verschiedene Textfassungen.

Normativ offen: Es ist nicht beschlossen, ob eine KI jemals Handlungsanweisungen erzeugen darf.

Vorläufig entschieden: Bis zur Klärung werden keine generierten Reparaturschritte an Beschäftigte ausgegeben.

Ein Fallback muss praktisch funktionieren. Wenn Dokumente widersprüchlich sind, die Fundstelle nicht angezeigt werden kann oder eine Person die Quelle nicht überprüfen kann, gilt im Beispiel: Ausgabe nicht verwenden; die zuständige menschliche Stelle klärt die Quelle; bis dahin bleibt das Originalverfahren bestehen. „Mensch im Loop“ ist kein Sicherheitsargument, solange unklar bleibt, ob ein Mensch rechtzeitig entscheiden, eingreifen und widersprechen kann.

Feedback gehört ausdrücklich in F-B zurück. In einer Rollenübung meldet eine für den Fall erfundene technische Rolle zurück, dass „zur aktuellen Manualstelle führen“ zu wenig verlangt: Ohne Dokumentkennung, Versionsstand und Seitenangabe könne die Fundstelle nicht verlässlich geprüft werden. Das Feedback wird als neuer Input in die Hypothesen- und Fragenarbeit aufgenommen; D dokumentiert, was sich dadurch ändert, und prüft Fallback und offene Punkte, bevor C bündelt. Wenn neue Information erst nach einem ersten Durchlauf entsteht, wird B/D iterativ erneut geöffnet; A→B→D→C wird dadurch nicht vertauscht. Q4 verlangt nun ausdrücklich einen überprüfbaren Quellverweis; fehlt er, gilt der Fallback. Das ist ein fiktiver didaktischer Einwand, kein Zitat und kein Bericht aus einem realen Kurs. Beteiligung heißt nicht, jede Rückmeldung automatisch zu übernehmen, aber sie muss die Frage, eine Option oder den nächsten Schritt tatsächlich verändern können.

Die Revisionsspur im Fall lautet:

Diese Revision behauptet nicht, die vierte Formulierung sei „objektiv optimal“. Sie ist besser begrenzt: Man kann am Ergebnis sehen, welche Teile der ersten Frage verworfen, welche Annahmen ergänzt und welche Bedingungen noch offengehalten wurden. Später könnte sich auch Q4 als falsch oder zu breit erweisen. Ein gutes Verfahren dokumentiert, wodurch eine Frage erneut geöffnet werden kann.