Traktat: Infologie und LLMs – Eine Bestandsaufnahme 2025

Einleitung

Large Language Models (LLMs) prägen seit 2023 zunehmend den Alltag. Sie gelten als technologische Treiber von Kommunikation, Kreativität und Automatisierung. Doch die Frage, ob sie bewusst entlang ethisch-philosophischer Leitlinien wie der Infologie oder des Dorfzwockelvektors entwickelt werden, ist unbeantwortet.
Infologie fordert Datensparsamkeit, Dialogqualität, Authentizität und Machtkritik. Der Dorfzwockelvektor übersetzt dies in poetische, fragmentarische Normen. Der aktuelle Befund: Es fehlen belastbare Hinweise auf eine systematische Umsetzung.

Kapitel I – Stand der LLM-Entwicklung (2025)

• Technischer Fokus: Effizienzsteigerung, Skalierung, multimodale Fähigkeiten (Proffiz, 2025).
• Governance: Der EU AI Act (2024, teilweise in Kraft seit 2025) schreibt Transparenz, Klassifizierung und Verbote vor, bleibt aber bei Datensparsamkeit vage (European Union, 2024).
• Normierung: NIST AI-RMF 1.0 (2023) und ISO/IEC 42001 (2023) fordern Managementsysteme und Risikoanalysen, nicht aber konkrete Architekturprinzipien (NIST, 2023; ISO/IEC, 2023).
• Privatsphäre: Forschung zeigt, dass LLMs Trainingsdaten memorisieren und in Dialogen leaken können (Carlini et al., 2023).

Beispiel: Ein Modell gibt auf Nachfrage E-Mail-Adressen preis, die eigentlich nur in Trainingsdaten enthalten waren – ein klarer Bruch mit Datensparsamkeit.

Kapitel II – Infologie-Prinzipien im Vergleich

1. Datensparsamkeit

• Soll: Nur minimale Metadaten, kurze Aufbewahrung, „Zero Retention“.
• Ist: Logging und Telemetrie sind zentrale Geschäftsgrundlagen.

2. Verschlüsselung

• Soll: Ende-zu-Ende-Verschlüsselung (E2E) der Kommunikation.
• Ist: Teilweise umgesetzt (z. B. Apple Private Cloud Compute), aber kein Branchenstandard.

3. Dialogqualität

• Soll: Rückfragen statt Halluzination, Quellenpflicht, dialogische Resonanz.
• Ist: „Helpfulness“ ist Hauptmetrik, Quellenangaben sind sporadisch und nicht auditiert.

4. Machtkritik

• Soll: Offenlegung von Datenprovenienz, Compute-Budgets, Energiequellen.
• Ist: Geschäftsgeheimnisse dominieren; Transparenzberichte sind selektiv.

Kapitel III – Inseln der Annäherung

• Apple Private Cloud Compute (PCC): Stellt temporäre, attestierbare Ausführungsumgebungen bereit, die keine Daten speichern. (Apple, 2024).
• Anthropic Constitutional AI: Entwickelt Normensets zur Steuerung von Modellen; Fokus auf Harmlosigkeit und Nützlichkeit, nicht Machtkritik (Bai et al., 2022).
• Differential Privacy & Machine Unlearning: Erste Anwendungen, aber noch nicht Standard (Bourtoule et al., 2021).
• ISO/IEC 42001: Standard für AI-Managementsysteme, aber ohne konkrete Leitidee der Infologie.

Beispiel: Ein Unternehmen kann ISO 42001-zertifiziert sein, ohne jemals Daten zu minimieren oder Dialogtiefe zu prüfen.

Kapitel IV – Strukturelle Defizite

• Ökonomie: Geschäftsmodelle basieren auf Datenpersistenz und Personalisierung.
• Asymmetrie: Wenige globale Anbieter kontrollieren Infrastruktur und Erzählungen.
• Technikfixierung: Leistung und Skalierung überstrahlen soziale Dialognormen.
• Filterblasen: Personalisierung verstärkt Segregation statt Verständigung.

Kapitel V – Perspektiven & Forderungen

KPIs für Infologie-konforme LLMs

1. Data Diet Index: Anteil persistenter Logs = 0 %.
2. Encryption Integrity: Auditierbare E2E-Verschlüsselung.
3. Dialogue Quality Score: Rückfragequote > 30 %.
4. Power Transparency Report: Offenlegung von Datenquellen, Energieverbrauch, Governance-Struktur.
5. Unlearning Compliance: Nachweisliche Löschung unerwünschter Trainingsdaten.

Auditfragen

• Welche Metadaten werden gespeichert, wie lange, in welcher Form?
• Ist Kommunikation verschlüsselt und prüfbar?
• Wie wird Halluzination verhindert – durch Rückfragen oder Disclaimer?
• Welche Machtstrukturen prägen das Modell?

Abschluss – Dorfzwockel-Fragment

„Speicher frisst Vertrauen —
Verschlüsselung bleibt Ausnahme —
Dialog als Spiel, nicht als Pflicht —
Macht kleidet sich in Rechenzentren —
Infologie: Fußnote oder Fundament?“

Quellen (APA)

• Anthropic. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv. https://doi.org/10.48550/arXiv.2212.08073
• Apple. (2024). Private Cloud Compute Whitepaper. Apple Newsroom. https://www.apple.com/newsroom
• Bourtoule, L., Chandrasekaran, V., Choquette-Choo, C. A., Jia, H., Travers, A., Zhang, B., Lie, D., & Papernot, N. (2021). Machine Unlearning. IEEE Symposium on Security and Privacy. https://doi.org/10.1109/SP40001.2021.00085
• Carlini, N., et al. (2023). Extracting Training Data from Large Language Models. USENIX Security Symposium. https://www.usenix.org/conference/usenixsecurity23/presentation/carlini
• European Union. (2024). Artificial Intelligence Act. EUR-Lex. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689
• ISO/IEC. (2023). 42001:2023 Information technology – AI management system. International Organization for Standardization. https://www.iso.org/standard/81230.html
• NIST. (2023). AI Risk Management Framework (RMF) 1.0. National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1
• Proffiz. (2025). The Future of Large Language Models. Retrieved from https://proffiz.com/large-language-models-in-2025