Stellen Sie sich vor, Sie versuchen, einem superintelligenten Roboter beizubringen, eine Geschichte zu schreiben. Sie könnten einfach sagen: „Schreibe eine Geschichte“, und er könnte etwas Amüsantes liefern, aber er könnte auch den Handlungsstrang vergessen, die Charaktere vertauschen oder eine Welt erfinden, die keinen Sinn ergibt. Um den Roboter dazu zu bringen, jedes Mal eine perfekte Geschichte zu schreiben, müssen Sie ihm einen Bauplan geben. In der Welt der Künstlichen Intelligenz wird dieser Bauplan als Ontologie bezeichnet. Betrachten Sie eine Ontologie als eine Art Master-Karte oder eine Lego-Bauanleitung für eine bestimmte Art von Dokument. Sie sagt der KI genau, welche Teile (wie „Charaktere“, „Settings“ oder „Konflikte“) existieren müssen, wie sie miteinander verbunden sind und welche Regeln sie befolgen müssen.

Lange Zeit war das Erstellen dieser Baupläne eine langsame, langweilige und teure Aufgabe. Normalerweise muss ein Team von Experten zusammensitzen und die Regeln für jede neue Art von Dokument manuell entwerfen, sei es ein medizinischer Bericht, ein rechtlicher Vertrag oder eine Stellenanzeige. Wenn ein Unternehmen von der Erstellung von Rechnungen auf medizinische Berichte umstellen möchte, muss es Experten anheuern, um eine völlig neue Karte von Grund auf neu zu erstellen. Dies ist ein riesiger Engpass, denn die KI ist bereit, aber die Karte ist noch nicht fertig.

Hier kommt eine neue Idee namens Generative Ontology Induction (GOI) ins Spiel. Anstatt ein Team von Architekten anzuheuern, um die Karte zu zeichnen, schlägt dieses Paper vor, dass wir die KI bitten können, sich einen Stapel fertiger Dokumente anzusehen und die Karte selbst zu entwerfen. Es ist so, als würde man einem Roboter hundert verschiedene Häuser zeigen und ihn bitten, die architektonischen Pläne rückwärts zu entwickeln, die all diese Häuser erst möglich gemacht haben. Die Forscher wollten sehen, ob eine KI aus einer Menge von Beispielen lernen, die verborgene Struktur zu erfassen, und diese Struktur dann nutzen kann, um eigenständig neue, perfekte Dokumente zu erstellen. Sie testeten dies an vier sehr unterschiedlichen Dokumenttypen, um zu sehen, ob die KI alles von einfachen Rechnungen bis hin zu komplexen medizinischen Akten bewältigen kann.

Die große Idee des Papers: Der KI beibringen, ihre eigene Karte zu zeichnen

Das Paper stellt ein Framework namens Generative Ontology Induction (GOI) vor. Das Hauptziel besteht darin, Menschen davon abzuhalten, die „Bedienungsanleitungen“ (Ontologien) für die KI manuell zu entwerfen. Stattdessen nimmt GOI eine Sammlung von Dokumenten – wie einen Ordner voller Stellenausschreibungen oder einen Stapel medizinischer Patientenakten – und bittet ein Large Language Model (LLM), diese zu studieren. Die Aufgabe der KI ist nicht nur das Lesen; sie soll das unsichtbare Skelett finden, das sie zusammenhält.

Stellen Sie es sich so vor: Wenn Sie einem Kind hundert verschiedene Bilder von Hunden zeigen, lernt es schließlich, wie ein „Hund“ aussieht, selbst wenn es eine bestimmte Rasse noch nie gesehen hat. GOI macht dasselbe, aber für Dokumente. Es betrachtet einen Stapel von Beispielen und fragt: „Was sind die wesentlichen Teile, die hier sein müssen? Was sind die Regeln, die sie verbinden?“

Das Paper stellt fest, dass die KI erfolgreich diese Baupläne „rückwärts entwickeln“ kann. Sie listet nicht nur die Wörter auf, die sie sieht, sondern baut einen strukturierten Graphen mit sechs Arten von Knoten (wie „Klasse“, „Eigenschaft“ und „Dimension“) und sieben Arten von Verbindungen auf. Dieser Graph fungiert als ein strenger Satz von Regeln. Sobald die KI diese Karte erstellt hat, kann sie neue Dokumente generieren, die exakt derselben Struktur folgen, ohne dass ein Mensch ihr sagen muss, was als Nächstes zu tun ist.

Die „Vertrautheits“-Falle: Warum alte Tricks versagen

Eines der interessantesten Ergebnisse des Papers ist, dass die KI ein wenig ein „Schummler“ ist, wenn es um Dinge geht, die sie gut kennt. Die Forscher testeten ihr neues GOI-System gegen eine sehr einfache, generische Methode: der KI lediglich eine Basistemplate mit drei Feldern (Titel, Inhalt und Metadaten) zu geben.

Wenn der Dokumenttyp etwas war, das die KI schon millionenfach gesehen hatte – wie eine Software-Dienstleistungsrechnung – funktionierte die generische Template überraschend gut. Die KI wusste genug aus ihren Trainingsdaten, um die Lücken zu füllen, und deckte etwa 97,8 % der notwendigen strukturellen Teile ab. Es war, als würde man einen Koch bitten, einen Burger zu machen, wenn man ihm nur eine Serviette gibt; er wusste genau, wie ein Burger aussieht, also füllte er die fehlenden Details aus dem Gedächtnis auf.

Sobald die Forscher jedoch zu Dokumenten wechselten, die die KI weniger gut kannte, brach die generische Template zusammen.

• Stellenbeschreibungen: Als die KI versuchte, mit der generischen Template eine maßgeschneiderte Stellenausschreibung mit spezifischen, ungewöhnlichen Abschnitten (wie „Employer Brand Voice“ oder „Karriereverlauf“) zu erstellen, deckte sie nur 52,2 % der erforderlichen Teile ab. Sie übersah die einzigartigen, benutzerdefinierten Abschnitte komplett, weil sie keine „Erinnerung“ an diese hatte.
• Medizinische Akten: Für eine spezialisierte klinische Akte zur Schmerztherapie deckte die generische Template nur 62,2 % ab. Sie überging den gesamten Abschnitt über die Entschädigung durch Arbeitgeber und spezifische körperliche Untersuchungsmodule und fiel auf einen generischen „Arztbrief“ zurück.
• Rechtliche Verträge: Für einen professionellen Dienstleistungsvertrag schaffte die generische Template zwar 78,3 %, übersah aber dennoch kritische, spezifische Klauseln wie „Nichtbewerbungsklausel“ oder „Wöchentliche Stundenbegrenzung“.

Das Paper zeigt, dass die KI zwar die Struktur bekannter Dinge erraten kann, aber völlig scheitert, wenn das Dokument eine einzigartige, maßgeschneiderte Struktur besitzt. Die generische Template verlässt sich auf das „Vorwissen“ der KI (was sie während des Trainings gesehen hat), und wenn dieses Wissen fehlt, bricht die Struktur zusammen.

Die Lösung: Ein „Struktureller Vertrag“

Hier glänzt GOI. In jedem einzelnen Testfall, in dem die KI mit dem von GOI generierten Bauplan (dem „strukturellen Vertrag“) gefütelt wurde, deckte sie 95 % bis 100 % der erforderlichen Teile ab.

• Für die Stellenbeschreibung erreichte sie 100 %.
• Für die medizinische Akte erreichte sie 95,6 %.
• Für den Rechtsvertrag erreichte sie 100 %.

Das Paper argumentiert, dass GOI eine „strukturelle Garantie“ bietet. Es spielt keine Rolle, ob die KI den Dokumenttyp schon einmal gesehen hat oder nicht. Wenn man ihr den Bauplan gibt, den sie selbst aus den Beispielen erstellt hat, wird sie die Regeln befolgen. Es ist, als würde man dem Koch eine detaillierte Rezeptkarte statt nur einer Serviette geben. Selbst wenn der Koch noch nie dieses spezifische Gericht zubereitet hat, stellt das Rezept sicher, dass er die geheimen Zutaten nicht vergisst.

Wie sie den Erfolg gemessen haben: Der „Node Coverage Score“

Die Forscher wussten, dass es nicht ausreicht, nur zu sagen „es hat funktioniert“. Sie brauchten eine Möglichkeit, zu messen, wie gut es funktioniert hat. Sie erfanden eine neue Metrik namens Node Coverage Score.

Stellen Sie sich vor, der Bauplan ist eine Checkliste mit 45 Elementen (wie „Verkäufername“, „Gesamtkosten“, „Dienstleistungstyp“). Der „Node Coverage Score“ fragt schlichtweg: „Wie viele dieser 45 Elemente sind tatsächlich im fertigen Dokument enthalten?“

• Wenn die KI ein Dokument schrieb, das 44 von 45 Elementen enthielt, liegt der Score bei 97,8 %.
• Wenn sie den „Verkäufernamen“ und die „Gesamtkosten“ vergaß, sinkt der Score.

Dies unterscheidet sich von älteren Wegen, KI zu messen, die oft nur prüfen, ob die Wörter korrekt geschrieben sind. Der Node Coverage Score prüft, ob die Struktur vorhanden ist. Das Paper zeigt, dass generische Prompts zwar die Wörter richtig bekommen mögen, aber oft die Struktur völlig verfehlen, wenn das Dokument komplex ist. GOI hingegen erreicht konsistent hohe Werte und beweist damit, dass es das „Gerüst“ des Dokuments erfasst, nicht nur die Oberfläche.

Was dies für die Zukunft bedeutet

Das Paper kommt zu dem Schluss, dass es für Branchen, die mit komplexen, maßgeschneiderten Dokumenten zu tun haben (wie das Gesundheitswesen, das Recht oder spezialisiertes Engineering), riskant ist, sich auf das allgemeine Gedächtnis der KI zu verlassen. Die KI könnte die Lücken mit falschen Informationen füllen oder kritische Abschnitte übersehen.

GOI bietet einen Weg, dies zu lösen. Indem man die KI eine Gruppe von Beispielen studieren lässt und sie ihren eigenen strengen Bauplan erstellen lässt, können Teams sicherstellen, dass jedes neu generierte Dokument strukturell perfekt ist. Das Paper legt nahe, dass diese Methode unabhängig davon funktioniert, wie vertraut der Dokumenttyp für die KI ist. Sie verwandelt die KI von einer „Rate-Maschine“ in einen „regelbefolgenden Architekten“.

Die Autoren weisen vorsichtig darauf hin, dass dies kein Zauberstab ist, der alles löst. Die KI kann immer noch Fehler machen, und das System muss von Menschen überprüft werden, insbesondere bei Dokumenten mit hoher Tragweite. Aber die Ergebnisse zeigen: Wenn man der KI eine klare, selbst entdeckte Karte gibt, kann sie komplexe Strukturen mit einer Zuverlässigkeit aufbauen, die generische Prompts einfach nicht erreichen können. Es ist ein Schritt dahin, die KI zu einem echten Partner beim Aufbau von Wissen zu machen, anstatt nur zu einem Werkzeug, das rät, was man möchte.