Hypernomie. Zum gesellschaftsstrukturellen Wirkpotenzial des Machine Learning

Zusammenfassung Seit einigen Jahren werden Systeme der sog. „Künstlichen Intelligenz“ (KI) und dabei v. a. Verfahren des Machine Learning (ML) intensiv diskutiert und auf ihre gesellschaftlichen Folgen hin befragt. Der Artikel liefert eine sozialtheoretische Analyse ihrer normativen Wirkkraft und zieht daraus gesellschaftstheoretische Konsequenzen. Wissensbestände der Techniksoziologie und der Science and Technology Studies zusammenführend, wird die Normativität algorithmischer Systeme zunächst grundsätzlich herausgearbeitet und dann – unter Rückgriff auf die strukturierungstheoretische Diskussion des Regelbegriffs – in ihrer Spezifik bestimmt. Daraus ergibt sich die Diagnose drohender Hypernomie. Sie besagt, dass die unreflektierte Proliferation ML-basierter KI die Gefahr heraufbeschwört, digitale Vergesellschaftung in ein algorithmisch-datenbasiertes Wuchern normativer Ordnungssysteme zu treiben, deren zugrundeliegende Spielregeln sozial nicht mehr direkt auszuhandeln sind. Da die regulativen Konzepte der KI-Ethik aus prinzipiellen Gründen Schwierigkeiten haben, die Operationen ML-basierter KI-Systeme zivilisatorisch einzufrieden, wird abschließend ein alternativer Vorschlag skizziert, wie die Strukturierungswirkung ML-basierter KI-Systeme der öffentlichen Bewertung auszusetzen wäre.