Warum sollten wir unvorhersehbar sein?
Computerische Irreduzibilität und die Grenze der Vorhersage
Wir glauben, dass Algorithmen uns kennen. Dass sie wissen, was uns interessiert, was wir mögen, sogar was wir wollen, bevor wir danach suchen. Aber dieses Gefühl von Präzision ist trügerisch. Es ist kein Wissen, es ist Anpassung. Es gibt eine operative Grenze: Nicht jedes Verhalten kann auf eine antizipierte Vorhersage reduziert werden. Diese Grenze – die Irreduzibilität – markiert, wie weit Vorhersagesysteme gehen können.
Algorithmen kennen uns nicht. Sie optimieren nur, was wir jetzt tun.
Die computerische Irreduzibilität beschreibt eine präzise Grenze der Vorhersage: Es gibt Prozesse, deren Ergebnis nicht bekannt sein kann, ohne den Prozess selbst auszuführen. Das von Stephen Wolfram entwickelte Konzept weist nicht auf einen Mangel an Information oder Zufall hin, sondern auf die Unmöglichkeit, bestimmte Systeme in eine kürzere Formel als ihre eigene Entwicklung zu komprimieren.
Lange Zeit haben wir die Welt unter einer impliziten Prämisse betrachtet: Wenn wir die Gesetze kennen, die ein System regieren, und seine Anfangsbedingungen, können wir seinen zukünftigen Zustand antizipieren. Diese Idee strukturiert nicht nur die klassische Physik, sondern auch eine allgemeine Art, die Realität zu verstehen: die Zukunft als etwas, das im Prinzip von der Gegenwart aus zugänglich ist.
Die Irreduzibilität führt eine entscheidende Nuance ein. Es gibt Systeme, bei denen diese Erwartung fehlschlägt, nicht weil die Regeln unbekannt oder komplex sind, sondern weil es keine Möglichkeit gibt, ihre Entwicklung zu „beschleunigen“. Das System lässt keine Abkürzungen zu. Um zu wissen, was an einem bestimmten Punkt passiert, muss man alle Zwischenzustände durchlaufen, die dorthin führen.
Dies impliziert, dass die Kenntnis der Regel nicht der Kenntnis des Ergebnisses gleichkommt. Man kann vollständig verstehen, wie das System funktioniert, und trotzdem seinen zukünftigen Zustand nicht antizipieren können, ohne es Schritt für Schritt auszuführen. Der Prozess kann nicht durch eine verkürzte Vorhersage ersetzt werden.
Die Konsequenz ist strikt: Es gibt Prozesse, deren Zukunft nicht verfügbar ist, bevor sie eintritt. Es ist nicht so, dass das System im absoluten Sinne unvorhersehbar ist, sondern dass es nicht auf eine einfachere Form reduzierbar ist, die es ermöglicht, es zu antizipieren. Die einzige Möglichkeit, seine Entwicklung kennenzulernen, besteht darin, sie sich entfalten zu lassen.
Diese Grenze ist im rechnerischen Bereich formal, führt aber eine breitere Idee ein: Nicht jedes System kann verlustfrei in einer vorherigen Projektion zusammengefasst werden. Es gibt Dynamiken, deren Struktur durchlaufen werden muss, um bekannt zu werden.
Inwiefern ist der Mensch irreduzibel?
Die Übertragung der Idee der Irreduzibilität auf den Menschen erfordert eine wichtige Präzisierung: Wir sprechen nicht von einer formalen Eigenschaft, wie bei den von Stephen Wolfram beschriebenen Computersystemen, sondern von einer operativen Analogie. Es wird nicht behauptet, dass der Mensch im technischen Sinne irreduzibel ist, sondern dass sein Verhalten vergleichbare Grenzen aufweist, wenn es darum geht, es zu antizipieren oder in einem Modell zu komprimieren.
Der Mensch ist kein System mit expliziten, geschlossenen und zugänglichen Regeln. Wir verfügen über keine „Übergangsfunktion“, die, gegeben bestimmte Anfangsbedingungen, seine Entwicklung umfassend projizieren könnte. Stattdessen entfaltet sich das menschliche Leben in einem offenen Umfeld: durchzogen von Kontext, Sprache, Geschichte, Interaktion und Kontingenz. Jede Entscheidung folgt nicht nur der vorherigen, sondern verändert auch die Bedingungen, unter denen die nächsten stattfinden werden.
In diesem Rahmen ist die Analogie zur Irreduzibilität klar: nicht weil es keine Regeln oder Regelmäßigkeiten gibt, sondern weil es nicht möglich ist, die gesamte Trajektorie in einer hinreichenden vorherigen Vorhersage zu komprimieren.
Dies bedeutet nicht, dass menschliches Verhalten generell unvorhersehbar ist. Es gibt stabile Muster: Gewohnheiten, Vorlieben, soziale Dynamiken. Darauf operieren Disziplinen wie Ökonomie, Psychologie oder Marketing erfolgreich. Gerade diese Dimension ermöglicht es, dass Vorhersagesysteme funktionieren.
Aber das ist nicht die Gesamtheit des Verhaltens. Es gibt immer eine Dimension, die nicht umfassend antizipiert werden kann: Entscheidungen, die nicht direkt aus der Vergangenheit abgeleitet werden, Richtungswechsel, Unterbrechungen, unvorhergesehene Variationen. Nicht weil das System keine Struktur hat, sondern weil es darin nicht vollständig komprimiert ist.
Die präzisere Formulierung wäre: Menschliches Verhalten enthält reduzierbare und nicht reduzierbare Komponenten. Es ist kein absolut chaotisches System, aber auch kein vollständig modellierbares.
Diese Grenze hat eine direkte Konsequenz für die Erfahrung.
Wir können das zukünftige Leben nicht organisieren, als ob es ein verfügbares Objekt wäre. Wir können planen, projizieren, schätzen. Aber keine dieser Operationen erfasst die Gesamtheit dessen, was geschehen wird. Jede Vorhersage ist notwendigerweise partiell, weil die Entwicklung der Erfahrung selbst Informationen erzeugt, die vorher nicht existierten.
Hier wird die Analogie zur Irreduzibilität besonders deutlich: Es ist nicht so, dass die Zukunft vollständig unbekannt ist, sondern dass sie nicht vollständig verfügbar ist, bevor sie gelebt wird.
Diese Bedingung hat eine doppelte Seite.
Einerseits ermöglicht sie das Unerwartete. Neuheit, Kreativität, Bruch sind keine Anomalien, sondern Konsequenzen daraus, dass die Entwicklung nicht vollständig in einer vorherigen Projektion festgelegt ist. Wäre das Leben vollständig reduzierbar, wäre es auch vollständig vorhersagbar und in diesem Sinne geschlossen.
Andererseits führt sie eine Grenze der Kontrolle ein. Wir können den Verlauf unserer eigenen Erfahrung nicht umfassend antizipieren. Das Verständnis kommt nach dem Prozess, nicht vorher. Das Leben wird im Rückblick verstanden, weil erst dann die Informationen verfügbar sind, die der Prozess selbst hervorgebracht hat.
Wir bewegen uns daher in einem Zwischenraum: Es gibt Regelmäßigkeiten, aber keinen Abschluss; es gibt Struktur, aber keine vollständige Vorhersage. Diese Spannung – zwischen dem, was antizipiert werden kann und dem, was sich nur entfalten kann – definiert den Rahmen, in dem die menschliche Erfahrung stattfindet.
Doch diese Grenze ist nicht nur eine theoretische Frage über die menschliche Erfahrung. Sie hat eine direkte Konsequenz für den Bereich, in dem heute versucht wird, Verhalten systematisch zu antizipieren: Empfehlungsalgorithmen. Das Verständnis ihrer Funktionsweise erfordert einen Schritt zurück, um sie in den Rahmen zu stellen, in dem sie Sinn ergeben. Es geht nicht nur um Technologie, sondern um ein Wirtschaftsmodell, das strukturell davon abhängt, Aufmerksamkeit zu erfassen, zu messen und zu optimieren. Die Frage ist nicht mehr nur, ob sie uns vorhersagen können, sondern warum sie es müssen.
Die Aufmerksamkeit: Die ökonomische Grundlage des Systems
Aufmerksamkeit ist nicht mehr nur ein psychologisches oder kulturelles Phänomen. Sie ist eine zentrale ökonomische Größe. Im Jahr 2014 lag der globale Werbemarkt bei rund 523 Milliarden US-Dollar. Im Jahr 2024 überschritt er erstmals eine Billion und wird voraussichtlich 1,24 Billionen im Jahr 2026 erreichen. Innerhalb nur eines Jahrzehnts hat sich das System praktisch verdoppelt, mit jährlichen Wachstumsraten von etwa 6–8 % und kurzfristigen Prognosen von über 10 %.
Aber entscheidend ist nicht nur das Wachstum, sondern seine Form. Die digitale Werbung konzentriert bereits über 70 % der globalen Investitionen und nimmt weiter zu. In Märkten wie den USA wächst sie mit Raten von fast 15 % pro Jahr. Die zeitgenössische Werbewirtschaft dreht sich nicht mehr um traditionelle Medien, sondern um Plattformen, die in der Lage sind, Aufmerksamkeit in Echtzeit zu erfassen, zu messen und zu optimieren.
Hinzu kommt, dass dieser Wert nicht verteilt, sondern konzentriert ist. Google und Meta erfassen einen dominanten Teil des globalen Marktes. Im Fall von Google macht die Werbung – über Suche, YouTube und sein Netzwerk – etwa 75 % des Gesamtumsatzes aus, mit über 260 Milliarden US-Dollar jährlich. Meta ist noch abhängiger: Über 95 % des Umsatzes – über 160 Milliarden, hauptsächlich von Facebook, Instagram und WhatsApp – stammen aus Werbung. Ihr jüngstes Wachstum wurde zudem durch gleichzeitige Anstiege der Impressionen und des Preises pro Anzeige gestützt, was eine Intensivierung des Modells widerspiegelt.
Zu diesem Kern kommen Amazon, das sein Handelsökosystem in eine erstklassige Werbeplattform verwandelt hat, und ByteDance – mit TikTok –, das eine der effektivsten Infrastrukturen zur Erfassung von Aufmerksamkeit in kurzen Videos aufgebaut hat. Es handelt sich nicht um isolierte Dienste, sondern um eine Reihe von Systemen, die einen Großteil des täglichen Zugangs zu Informationen, Unterhaltung und Konsum organisieren.
Deshalb ist Aufmerksamkeit zu einem wirtschaftlichen Gut erster Ordnung geworden. Jede gehaltene Sekunde, jede Interaktion, jeder Eindruck kann zu Einnahmen führen. Das Modell ist direkt: Aufmerksamkeit erfassen, verlängern und umwandeln.
Doch hier entsteht das strukturelle Problem. Dieses System muss Verhalten antizipieren, um effizient zu funktionieren. Und doch ist das Objekt, auf dem es operiert – menschliches Verhalten – nicht vollständig reduzierbar. Es kann nicht auf eine global zuverlässige Vorhersage komprimiert werden.
Die Konsequenz ist nicht das Scheitern des Systems, sondern seine Neukonfiguration. Wenn es das Subjekt nicht als Ganzes vorhersagen kann, muss es das Problem bis zu dem einzigen Punkt reduzieren, an dem die Vorhersage noch praktikabel ist: der unmittelbaren Gegenwart. Dort findet die Ökonomie der Aufmerksamkeit ihre operative Form.
Dieses Wirtschaftssystem ist nicht neutral: Es hängt davon ab, Verhalten auf die Gegenwart zu reduzieren.
Warum Algorithmen nicht vorhersagen, sondern sich anpassen
Das Wirtschaftsmodell, das die Aufmerksamkeitsökonomie stützt, erfordert etwas sehr Konkretes: das Antizipieren von Verhalten. Jeder Eindruck, jede gehaltene Sekunde, jede Interaktion ist wertvoll, weil sie in Einnahmen umgewandelt werden kann. Diese Anforderung stößt jedoch an eine bereits beschriebene Grenze: menschliches Verhalten ist nicht vollständig reduzierbar.
Das bedeutet nicht, dass nichts vorhergesagt werden kann. Tatsächlich funktionieren Empfehlungssysteme gerade deshalb, weil es Regelmäßigkeiten gibt. Es ist aber auch nicht möglich, ein Modell zu konstruieren, das die gesamte Entwicklung eines Individuums zuverlässig antizipiert. Man kann nicht mit dem gleichen Grad an Präzision wissen, was eine Person in einer Woche tun wird, mit dem man abschätzen kann, was sie in den nächsten Sekunden tun wird.
Das ist der Reibungspunkt. Und auch der Wendepunkt.
Empfehlungsalgorithmen lösen dieses Problem nicht. Sie umgehen es. Statt zu versuchen, das Subjekt als Ganzes vorherzusagen, reduzieren sie den Umfang der Vorhersage auf das einzige Niveau, auf dem sie noch praktikabel ist: die unmittelbare Gegenwart.
Die Frage ist nicht mehr „Wer ist dieser Benutzer?“ oder „Was wird er in Zukunft tun?“, sondern etwas viel Spezifischeres: Was wird er höchstwahrscheinlich jetzt tun?
Diese Verschiebung verändert die Natur des Systems vollständig. Die Analyseeinheit ist nicht mehr die Person als Verlauf, sondern die punktuelle Entscheidung: ein Klick, eine Pause, ein Scrollen, eine Wiederholung. Jede dieser Aktionen benötigt keine vollständige Theorie des Subjekts, um antizipiert zu werden. Es genügt, zu beobachten, was gerade geschehen ist.
In diesem Sinne konstruiert der Algorithmus kein stabiles Benutzermodell. Er passt sich kontinuierlich an. Er beobachtet eine Aktion, modifiziert die Umgebung, beobachtet erneut. Er muss nicht wissen, wohin der Benutzer geht; es genügt ihm, die Wahrscheinlichkeit zu erhöhen, dass er fortfährt.
Hier kommt es zur entscheidenden Wende: Die globale Vorhersage wird durch Echtzeit-Anpassung ersetzt. Doch diese Reduktion ist nicht nur zeitlich. Es ist auch eine Reduktion des Niveaus, auf dem Verhalten modelliert wird.
Auf längeren Skalen ist das Relevante meist das Komplexeste: persönliche Geschichte, Identität, kultureller Kontext, tiefe Motivationen. All das ist jedoch schwer zu parametrisieren, langsam zu verarbeiten und vor allem instabil.
Auf kurzen Skalen hingegen treten viel grundlegendere Regelmäßigkeiten deutlicher hervor: Aufmerksamkeit für Neuheiten, Wiederholung jüngster Muster, Sensibilität für kleine Variationen. Es ist nicht notwendig, das Subjekt zu verstehen, um auf diese Dynamiken zu wirken. Es genügt, zu erkennen, wie es reagiert.
Deshalb wirken die Algorithmen, obwohl sie Biologie oder tiefe Psychologie nicht explizit modellieren, letztendlich auf dieser Ebene. Nicht, weil sie wahrer ist, sondern weil sie besser vorhersagbar ist.
In der Praxis bedeutet dies, dass das System den Benutzer als eine Abfolge von Reaktionen auf unmittelbare Reize behandelt. Nicht in einem ontologischen Sinne – es behauptet nicht, dass der Mensch das ist –, sondern in einem operativen Sinne: Es ist das einzige Niveau, auf dem die Vorhersage kontinuierlich aufrechterhalten werden kann.
Das erklärt ihre Wirksamkeit.
Algorithmen funktionieren, weil menschliches Verhalten reduzierbare Komponenten enthält. Es gibt Muster, Gewohnheiten, wiederkehrende Reaktionen, die beobachtet und genutzt werden können. Und kurzfristig sind diese Muster ausreichend stabil, um nützliche Vorhersagen zu treffen.
Aber es erklärt auch ihre Grenze.
Was außerhalb dieses Modells bleibt, ist all das, was sich in diesem Rahmen nicht komprimieren lässt: Entscheidungen, die nicht auf unmittelbare Optimierung reagieren, Richtungswechsel, Unterbrechungen, Variationen, die nicht direkt aus der jüngsten Vergangenheit abgeleitet sind.
Der Schlüssel liegt also nicht darin, dass der Mensch im Allgemeinen unvorhersehbar ist. Es ist, dass er nicht vollständig reduzierbar ist. Und Empfehlungssysteme funktionieren gerade deshalb, weil sie nicht versuchen, alles zu umfassen: Sie konzentrieren sich auf den Teil, der modelliert werden kann.
Das Ergebnis ist keine Vorhersage des Subjekts, sondern eine Verwaltung seiner Aufmerksamkeit in der Gegenwart. Der Algorithmus muss nicht wissen, wer du bist. Er muss wissen, was du jetzt höchstwahrscheinlich tun wirst. Und entsprechend handeln.
Dem Algorithmus folgen oder ihn verlassen
All dies geschieht nicht abstrakt. Es manifestiert sich in einer sehr konkreten und wiedererkennbaren Erfahrung. Wir öffnen eine Plattform und spüren, dass der Algorithmus uns kennt. Dass er weiß, was uns interessiert, was uns gefällt, sogar was wir sehen wollen, bevor wir danach suchen. Die Reihenfolge scheint fein abgestimmt, fast persönlich. Es ist keine zufällige Ansammlung von Inhalten, sondern etwas, das mit beunruhigender Präzision zu uns passt.
Von da an findet eine kaum wahrnehmbare Verschiebung statt. Wir hören auf, den Algorithmus als Mittel zu nutzen, und beginnen, ihn als einen Raum zu bewohnen, in dem wir das finden, wonach wir suchen. Wir betreten ihn in der Erwartung, etwas Interessantes zu entdecken, und allmählich hören wir auf, draußen zu suchen. Was im Feed erscheint, beginnt die Suche selbst zu ersetzen. Es ist nicht so, dass der Algorithmus unsere Fragen beantwortet, sondern dass er sie zu definieren beginnt.
Aber dieses Gefühl von Wissen ist trügerisch. Der Algorithmus kennt uns nicht in dem Sinne, wie wir es gewohnt sind. Er weiß nicht, wer wir sind, was wir im vitalen Sinne wollen oder wohin wir uns entwickeln wollen. Er hat keinen Zugang zu diesen Dimensionen und benötigt sie auch nicht. Das Einzige, was er kann – und das mit enormer Effizienz –, ist abzuschätzen, was wir jetzt am wahrscheinlichsten tun werden.
Das System konstruiert kein Verständnis des Subjekts, sondern eine kontinuierliche Reaktion auf das unmittelbare Verhalten. Es erkennt, was unsere Aufmerksamkeit fesselt, was sie verlängert, was uns drinnen hält, und organisiert die Umgebung entsprechend neu. Es gibt keine Absicht, uns zu verstehen, sondern nur den Fluss anzupassen, damit wir drinnen bleiben. Die Erfahrung wird so zu einer Abfolge von Reizen, die immer feiner auf unsere unmittelbaren Reaktionen abgestimmt sind.
Deshalb ist es so absorbierend. Weil es nicht auf dem basiert, was wir im Laufe der Zeit sind, sondern auf dem, was wir in jedem Moment tun. Und auf dieser Ebene ist die Präzision ausreichend, um die Aufmerksamkeit über lange Zeiträume aufrechtzuerhalten.
Das Problem entsteht, wenn diese Funktionsweise den Rest der Erfahrung zu kolonisieren beginnt. Die Aufmerksamkeit erschöpft sich in diesem Kreislauf der unmittelbaren Reaktion. Was außen vor bleibt – was nicht durch diese kontinuierliche Anpassung vermittelt wird – erscheint langsamer, undurchsichtiger, weniger intensiv. Dann kommt es zu einer Umkehrung: Wir beginnen, die Erfahrung nach dem Standard des Algorithmus zu messen.
Wir suchen draußen die gleiche Intensität, die das System innen erzeugt. Wir erwarten, dass die Realität mit der gleichen Unmittelbarkeit reagiert, mit der gleichen Fähigkeit, unsere Aufmerksamkeit in Sekundenbruchteilen zu fesseln, mit der gleichen konstanten Abfolge relevanter Reize. Und wenn sie das nicht tut – wenn sie Zeit, Mühe, Warten erfordert –, wird sie als unzureichend empfunden.
Aber diese Intensität ist nicht neutral. Sie ist auf einer sehr konkreten Logik aufgebaut: nämlich das zu verstärken, was kurzfristig bereits antizipiert werden kann. Der Algorithmus erweitert unsere Erfahrung nicht, er optimiert sie im Hinblick auf unsere unmittelbare Reaktion. Er gibt uns eine Version von uns selbst zurück, die innerhalb dieses Systems gut funktioniert.
Dem Algorithmus unterworfen zu sein, bedeutet nicht, einer Maschine unterworfen zu sein, die uns kennt, sondern einem System, das auf dem Teil von uns operiert, der am leichtesten vorhersagbar ist: das, was bereits reagiert, was passt, was sich wiederholen lässt. In diesem Sinne bleiben wir in der unmittelbaren Gegenwart fixiert, in einer Logik von Reiz und Reaktion.
Daraus auszubrechen bedeutet nicht, das System abzulehnen oder völlig unvorhersehbar zu werden. Es bedeutet, seinen Umfang nicht zu verwechseln. Es bedeutet, ihm nicht die Definition dessen zu überlassen, was uns interessiert, was wir suchen, was wir mit unserer Zeit anfangen wollen.
Denn es gibt Fragen, die der Algorithmus nicht beantworten kann – und die ihn auch nicht interessieren –: Was wollen wir sein, wohin wollen wir gehen, welchen Sinn geben wir dem, was wir tun, wenn wir nicht auf einen Reiz reagieren.
Diese Fragen erscheinen nicht im Feed. Sie leiten sich nicht von einem Muster ab. Sie können nicht aus einer Pause oder einem Klick abgeleitet werden. Sie erfordern eine andere Beziehung zur Erfahrung, eine, die nicht in der unmittelbaren Gegenwart komprimiert ist.
Unvorhersehbar zu sein ist in diesem Kontext keine abstrakte Geste. Es ist eine Möglichkeit, nicht vollständig auf den Teil von uns beschränkt zu sein, der modelliert, verstärkt und ausgenutzt werden kann. Es bedeutet, die Möglichkeit offen zu halten, abzuweichen, zu unterbrechen, zu suchen, ohne dass die Antwort bereits vorbereitet ist.
Nicht weil der Algorithmus unzureichend ist, sondern weil er dafür nicht konzipiert wurde.
Je präziser er zu sein scheint, desto mehr fixiert er uns in der Gegenwart. Je besser er funktioniert, desto enger ist der Rahmen, in dem er uns erkennt. Wenn wir diese Präzision mit Wissen verwechseln, akzeptieren wir letztendlich, dass das, was im Feed erscheint, definiert, wer wir sind und wer wir sein können.
Aber der Algorithmus kennt uns nicht. Er hält uns am Reagieren.
Er sagt nicht voraus, wer wir sind; er optimiert, was wir jetzt tun.