Die Ökonomie der KI

Sichtbarkeit durch Maschinenanbindung: Emergenz von Wissen

Wenn Maschinen zu primären Akteuren der Aufmerksamkeit werden

Mit dem breiten Einsatz künstlicher Intelligenz verschiebt sich die Logik der Aufmerksamkeitsökonomie erneut – und grundlegender als in den vorherigen Phasen. Während algorithmische Systeme in der Plattformökonomie vor allem entschieden haben, welche Inhalte verteilt und priorisiert werden, übernehmen KI-Systeme nun eine weitergehende Funktion: Sie verarbeiten Inhalte selbst. Sie verdichten, strukturieren, vergleichen, formulieren Antworten autonom und treffen eine Vorauswahl, bevor Menschen mit den ursprünglichen Quellen in Kontakt kommen.

Damit verändert sich nicht nur der zugrunde liegende Mechanismus der Sichtbarkeit, sondern auch ihr Ursprung. Aufmerksamkeit wird in einer vorgelagerten Schicht maschineller Verarbeitung algorithmisch gelenkt und selektiv situationsbedingt erzeugt. Diese Schicht bleibt für Nutzer*innen weitgehend unsichtbar und wirkt als zusätzliche Abstraktionsebene zwischen der Informationsquelle und dem Akteur, der sie abruft. Die Parametrisierung dieses Prozesses bestimmt darüber, welche Informationen überhaupt als relevant in Erscheinung treten und in welcher Form. Der Feed, die Timeline oder das Suchergebnis ist somit nicht mehr das bestimmende Medienformat zur Strukturierung von Informationen.

In diesem Zusammenhang verliert auch die klassische Suchmaschine ihre Rolle als primärer Zugangspunkt. An ihre Stelle treten dialogische Systeme, Assistenten und agentenbasierte Anwendungen, die Informationen nicht nur anzeigen, sondern interpretieren und synthetisieren. Das Internet wird nicht länger gelesen oder durchsucht, sondern vielmehr befragt.

Damit verschiebt sich auch das Paradigma der Internetnutzung von «gefunden werden» zu «empfohlen werden». In einer Trefferliste prominent aufzuscheinen ist in dieser Logik nicht mehr ausreichend. Stattdessen entsteht Sichtbarkeit durch die Auswahl einer Maschine, die auf Basis synthetisierter Muster, Bewertungsstrukturen und statistischer Wahrscheinlichkeiten darüber entscheidet, welche Inhalte als geeignete Antwort auf eine Anfrage gelten.

Diese Verschiebung hat weitreichende Konsequenzen. Wer in einer solchen Ordnung sichtbar bleiben will, muss nicht nur Aufmerksamkeit nach bewährten Schemata erzeugen, sondern strukturell so verankert sein, dass maschinelle Systeme Inhalte verarbeiten, einordnen und als konsistent bewerten können. Die Frage ist daher nicht mehr allein, wie Inhalte wahrgenommen werden, sondern wie sie in einer zunehmend automatisierten Selektionsarchitektur bewertet und weiterverwendet werden.

Maschinenöffentlichkeit: Eine neue Ebene der Sichtbarkeit

Um diese Verschiebung zu beschreiben, bietet sich der Begriff der Maschinenöffentlichkeit (auch algorithmische Öffentlichkeit) an. Gemeint ist damit kein öffentlicher Raum im klassischen sozialen oder politischen Sinn, sondern eine technische Sphäre, in der Informationen zunächst für Maschinen sichtbar, verständlich und bewertbar sein müssen, bevor sie Menschen erreichen.

Maschinenöffentlichkeit ergänzt damit die klassische Medienöffentlichkeit. Während früher redaktionelle Auswahl, institutionelle Zugehörigkeit oder soziale Resonanz darüber entschieden, was als relevant galt, übernehmen nun algorithmische Systeme diese Filterfunktion. Sichtbarkeit wird in diesem Paradigma durch automatisierte Relevanzmessung bestimmt.

In dieser Maschinenöffentlichkeit zirkulieren Inhalte nicht primär als Texte, Bilder oder Beiträge, sondern als strukturierte Einheiten: Datenpunkte, Entitäten, Relationen und statistische Wahrscheinlichkeitsmuster. Marken, Personen oder Themen erscheinen dort als Einträge in Wissensgraphen, als Knoten in relationalen Datenmodellen, als referenzierbare Entitäten innerhalb maschineller Wissensrepräsentationen.

Relevanz bemisst sich folglich daran, wie häufig, wie konsistent und in welchem Kontext eine Entität in zugänglichen Datenquellen erscheint. Entscheidend ist nicht allein Reichweite im klassischen Sinn, sondern strukturelle Verankerung in maschinenlesbaren Informationsräumen. PR, Kommunikation und Marketing verschieben sich damit von der Aufgabe der Generierung von Sichtbarkeit hin zu einer Form des «Entity Managements» – dem Aufbau konsistenter, kontextuell stabiler Präsenz innerhalb dieser Datenökosysteme.

Für die Aufmerksamkeitsökonomie bedeutet das eine substanzielle Verschiebung. Sichtbarkeit entsteht nicht mehr erst im Moment menschlicher Wahrnehmung, sondern bereits zuvor – im maschinellen Auswahl- und Bewertungsprozess. Was dort nicht eindeutig modellierbar, kontextuell einordenbar oder statistisch belastbar ist, bleibt unsichtbar, selbst wenn es zuvor hohe Reichweiten erzielt hat.

In dieser Logik vollzieht sich auch der Übergang von klassischer Suchmaschinenoptimierung zu einer Optimierung für generative Systeme. Inhalte werden nicht mehr nur für Rankings produziert, sondern für Systeme, die Antworten synthetisieren. Das Paradigma verschiebt sich von der Platzierung in Trefferlisten hin zur Integration in maschinell erzeugte Zusammenfassungen.

Gleichzeitig knüpft die Maschinenöffentlichkeit an die frühere algorithmische Öffentlichkeit der Plattformökonomie an. Empfehlungssysteme fungierten bereits als Gatekeeper, indem sie Inhalte nach Engagement-Kriterien selektierten. Neu ist jedoch die Tiefe der Verarbeitung: KI-Systeme lernen aus Nutzungsdaten, Interaktionsmustern und Feedback-Schleifen und verstärken dadurch bestimmte Themen, Narrative oder Perspektiven. Öffentlichkeit fragmentiert sich weiter, personalisierte Informationsräume entstehen, und Aufmerksamkeit wird noch präziser ökonomisch verwertbar gemacht.

Diese Entwicklung birgt Chancen und Risiken zugleich. Einerseits ermöglichen maschinelle Filter eine Bewältigung der Informationsflut, die menschliche Verarbeitungskapazitäten längst übersteigt. Andererseits entsteht die Gefahr automatisierter Meinungsbildung, wenn Bewertungsmechanismen intransparent bleiben oder strukturelle Verzerrungen reproduzieren.

Maschinenöffentlichkeit ist damit kein neutraler digitaler Raum. Sie ist die infrastrukturelle Ebene der modernen Aufmerksamkeitsökonomie – ein Kommunikationsraum, in dem nicht mehr primär soziale Normen oder journalistische Kriterien entscheiden, sondern technologische Parameter wie Konsistenz, Datenlage, Interaktionssignale und statistische Wahrscheinlichkeit.

Die Konsequenz ist weitreichend: Aufmerksamkeit als knappe Ressource wird nicht nur gehandelt, sondern hochgradig vorverarbeitet. Sichtbarkeit ist nicht länger ausschließlich das Ergebnis sozialer Resonanz, sondern maschineller Selektion.

Vom Performen zum Verstanden werden

In den vorherigen Phasen digitaler Öffentlichkeit wurde Sichtbarkeit vor allem durch Präsenz, Resonanz oder performative Verdichtung erzeugt. Wer häufiger publizierte, stärkere Reaktionen auslöste oder algorithmische Dynamiken verstand, erhöhte seine Wahrscheinlichkeit, wahrgenommen zu werden. Aufmerksamkeit war eng mit Aktivität und Reaktion verknüpft.

Im KI-Zeitalter tritt ein weiteres Kriterium hinzu: das Verstanden werden durch Maschinen. KI-Systeme können Inhalte nur berücksichtigen, wenn sie strukturiert, kontextualisiert und eindeutig modellierbar sind. Entscheidend ist nicht allein, ob ein Beitrag Reaktionen erzeugt, sondern ob er sich in maschinelle Wissensstrukturen einordnen lässt.

Mit wachsender Inhaltsmenge verschärft sich dieser Filter. Die stetige Produktion von Texten, Bildern und Videos führt nicht zu proportional steigender Aufmerksamkeit, sondern zu intensiverer Selektion. Systeme müssen komprimieren, gewichten und abstrahieren, um funktionsfähig zu bleiben. Ordnung wird damit nicht mehr nur unterstützend, sondern funktional notwendig.

Diese Entwicklung verschiebt die strategische Frage. Es geht weniger darum, Inhalte sichtbar zu machen, als darum, sie so zu gestalten, dass sie maschinell interpretierbar werden. Eindeutige Begriffe, konsistente Selbstbeschreibungen, stabile thematische Einbettungen und nachvollziehbare Referenzen gewinnen an Bedeutung. Fragmentierte Einzelbeiträge ohne relationalen Zusammenhang verlieren dagegen an Wahrscheinlichkeit, in aggregierten Antworten aufzutauchen.

Damit kehrt ein Prinzip zurück, das im Wettbewerb um unmittelbare Aufmerksamkeit lange an den Rand gedrängt wurde: Kontext. Inhalte, die isoliert verständlich erscheinen, entfalten in maschinellen Modellen nur begrenzte Wirkung, wenn sie nicht in größere Zusammenhänge eingebettet sind. Für KI-Systeme ist Kontext kein unbedeutendes Beiwerk, sondern Voraussetzung für Einordnung.

Der Fokus verschiebt sich somit vom kurzfristigen Performen hin zur langfristigen Kohärenz. Nicht der einzelne Peak entscheidet über Relevanz, sondern die über Zeit konsistente Pflege von Begriffen und thematischen Beziehungen in den Beiträgen. Sichtbarkeit wird weniger ereignishaft und stärker relational.

In dieser Perspektive wird deutlich: Die KI-Ära belohnt nicht primär Performance in der Präsenz oder Verdichtung, sondern Interpretierbarkeit. Wer verstanden werden will, muss semantisch strukturieren. Wer empfohlen werden will, muss Inhalte in einen größeren Kontext einbinden.

Vertrauen als funktionale Größe

Ein weiterer Effekt der KI-getriebenen Aufmerksamkeitsökonomie ist die wachsende Bedeutung von Vertrauen. Da generative Systeme Inhalte eigenständig formulieren, verdichten und kombinieren können, wird es zunehmend schwieriger, zwischen originären Quellen, redaktionell geprüften Beiträgen und synthetischen Darstellungen zu unterscheiden. Sichtbarkeit allein verliert dadurch an Aussagekraft. Präsenz garantiert nicht zugleich Vertrauenswürdigkeit der Quelle, Reichweite nicht Belastbarkeit der Aussage.

Für Maschinen ist Vertrauen jedoch kein ethisches Urteil und keine Frage persönlicher Integrität. Es ist eine funktionale Größe. Es ergibt sich aus Mustern: aus Wiedererkennbarkeit über Zeit, aus konsistenter Selbstbeschreibung, aus stabilen thematischen Beziehungen und aus der Einbettung in bestehende Wissenszusammenhänge.

Vertrauen entsteht dort, wo Aussagen nicht isoliert stehen, sondern sich in ein bereits vorhandenes Gefüge einordnen lassen. Systeme bevorzugen Quellen, deren Begriffe eindeutig sind, deren Positionen nachvollziehbar bleiben und deren inhaltliche Entwicklung keine abrupten Brüche aufweist. Kontinuität wird zu einem Signal für Verlässlichkeit.

Damit verschiebt sich die Logik der Aufmerksamkeit erneut. Nicht mehr die bloße Reichweite entscheidet über Relevanz, sondern die Wahrscheinlichkeit, als belastbare Referenz in einer Antwortstruktur zu erscheinen. KI-Systeme bewerten Inhalte danach, ob sie konsistent kombinierbar sind, ob sie Widersprüche erzeugen oder reduzieren und ob sie in relationale Modelle integrierbar bleiben.

Vertrauen wird so zu einer Art Erfahrungswert – allerdings nicht im menschlichen Sinn, sondern als Ergebnis fortlaufender statistischer Bewertung. Inhalte die wiederholt in ähnlichen Kontexten auftauchen, dabei nicht permanent die eigene Position wechseln und mit anderen etablierten Informationen kohärent bleiben, erhalten eine höhere Wahrscheinlichkeit, erneut berücksichtigt zu werden.

In dieser Perspektive verändert sich auch das Verhältnis von Sichtbarkeit und Empfehlung. Im Suchmaschinen-Paradigma ging es darum, gefunden zu werden. Im KI-Paradigma geht es darum, ausgewählt zu werden. Empfehlung ersetzt Trefferliste. Und Empfehlung setzt eine Form von maschinell berechneter Verlässlichkeit voraus.

Aufmerksamkeit verschiebt sich damit von bloßer Präsenz hin zur Qualität der Einordnung. Entscheidend ist nicht, wer am häufigsten publiziert, sondern wer über längere Zeit hinweg Beiträge liefert, die in einem größeren Wissensraum stabil verortet bleiben.

Vertrauenswürdigkeit wird somit nicht behauptet, sondern modelliert. Maschinelles Vertrauen entsteht als Ergebnis struktureller Kohärenz.

Die Rückkehr der Ordnung im Zeitalter der KI

Was in den frühen Phasen des Internets häufig als Einschränkung oder bürokratische Last wahrgenommen wurde – Ordnung, Struktur, Normierung – erweist sich im KI-Zeitalter als grundlegende Voraussetzung für Sichtbarkeit. Nicht als starres Regelsystem, sondern als dynamischer Orientierungsrahmen in einem überfüllten Informationsraum.

Die Aufmerksamkeitsökonomie verschwindet dabei nicht. Sie verändert ihre Ausprägungsform. Sichtbarkeit wird nicht mehr ausschließlich verteilt, sondern vorstrukturiert. Sie entsteht nicht erst im Moment der Aktivität, sondern im Vorfeld maschineller Bewertung. Systeme müssen reduzieren, modellieren und priorisieren, bevor Inhalte überhaupt in den Bereich menschlicher Wahrnehmung gelangen.

Damit verschiebt sich der Wettbewerb um Sichtbarkeit auf eine tiefere Ebene. Entscheidend ist nicht mehr allein die Fähigkeit, kurzfristige Resonanz zu erzeugen, sondern die Fähigkeit, über Zeit hinweg konsistent eingebettet zu bleiben. Inhalte müssen anschlussfähig an bestehende Wissensmodelle sein, Begriffe müssen stabil verwendet werden, Positionen nachvollziehbar bleiben.

In dieser Phase entscheidet sich, welche Inhalte Teil der maschinell vermittelten Öffentlichkeit werden – und welche im Rauschen der Überproduktion untergehen. Sichtbarkeit ist eine Frage der strukturellen Verankerung.

Ordnung kehrt damit nicht als nostalgisches Ideal zurück, sondern als funktionale Notwendigkeit. Je dichter der Informationsraum wird, desto stärker steigt der Wert klarer Relationen, stabiler Kontexte und konsistenter Selbstbeschreibung. Die KI-Ära markiert daher keinen Bruch mit der Logik der Aufmerksamkeit, sondern ihre Verdichtung. Was zuvor implizit wirkte, wird nun explizit modelliert: Relevanz entsteht aus Struktur. Und Struktur entscheidet darüber, ob ein Beitrag Teil der nächsten Antwort auf eine Anfrage über die KI wird.

Fazit: Sichtbarkeit, Abstraktion und die Ökonomie der Aufmerksamkeit

Die Geschichte digital vermittelter Sichtbarkeit lässt sich als Abfolge immer neuer Abstraktionsebenen lesen. Mit jeder Phase des Internets wurde der direkte Zugriff auf Inhalte um eine weitere Vermittlungsschicht ergänzt: zunächst durch Adressen, dann durch Suchmaschinen, später durch soziale Beziehungen, algorithmische Feeds und schließlich durch KI-basierte Vorverarbeitung. Sichtbarkeit entsteht nicht unmittelbar – sie wird zunehmend durch technische, ökonomische und strukturelle Filter hervorgebracht.

Vor diesem Hintergrund greift die naheliegende Reaktion, einfach mehr Inhalte zu produzieren oder diese stärker zuzuspitzen, zu kurz. Die Logik der Aufmerksamkeitsökonomie lässt sich nicht allein durch Intensivierung bedienen. Mehr Präsenz, stärkere Emotionalisierung oder gezielte Provokation erhöhen zwar kurzfristig die Wahrscheinlichkeit von Resonanz, verändern jedoch nicht die strukturellen Bedingungen, unter denen Sichtbarkeit zustande kommt. Im Gegenteil: Sie verstärken oft jene Dynamiken, die zur Überlastung des Wahrnehmungsraums beigetragen haben.

Denn Aufmerksamkeit ist nie nur eine kulturelle oder kommunikative Größe, sondern stets auch eine ökonomische. Medien verbreiten Informationen nicht ausschließlich – sie vermarkten sie auch. Nachrichten, Beiträge und Meldungen erhalten einen Marktwert, wenn sie allgemeines Interesse erzeugen, Aufmerksamkeit bündeln und damit Reichweite versprechen. Dieser Mechanismus ist älter als das Internet; digitale Plattformen haben ihn jedoch systematisiert und skaliert. Aufmerksamkeit als knappes Gut wurde messbar, handelbar und optimierbar.

Die Plattformökonomie hat diese Logik nicht erfunden, aber zugespitzt. Inhalte konkurrieren nicht nur um Wahrnehmung, sondern um Monetarisierbarkeit. Sensationslust, Polarisierung und Vereinfachung sind in diesem Kontext keine zufälligen Stilmittel, sondern ökonomisch funktionale Strategien. Sie erzeugen Verdichtungen von Aufmerksamkeit, die sich in Werbewert übersetzen lassen.

Mit dem Eintritt künstlicher Intelligenz in diese Ordnung verändert sich das Spielfeld, nicht zwangsläufig das zugrunde liegende Geschäftsmodell. Auch KI-Systeme operieren in einem Umfeld ökonomischer Interessen. Sie filtern, bündeln und formulieren Inhalte – jedoch nicht in einem neutralen Raum. Logiken der Skalierung, Effizienz und Vermarktung wirken weiter und könnten sich sogar verstärken, da maschinelle Systeme Sichtbarkeit präziser vorstrukturieren.

Neu ist jedoch die veränderte Rolle von Vertrauen. Für KI ist Vertrauen kein moralisches Urteil, sondern ein funktionales Kriterium. Es bemisst sich an Stabilität über längere Zeit, an konsistenter Selbstbeschreibung und an der Einbettung in bestehende Wissenszusammenhänge. Was wiederholt in klaren Kontexten erscheint und sich ohne Brüche in größere Modelle einfügen lässt, wird mit höherer Wahrscheinlichkeit berücksichtigt. Sichtbarkeit entsteht damit nicht nur durch Interesse, sondern durch strukturelle Verankerung.

Die zentrale Frage der kommenden Jahre lautet daher nicht, wie man noch präsenter wird, sondern wie man sich innerhalb dieser zunehmend abstrahierten Medienöffentlichkeit positioniert. Welche Inhalte werden von maschinellen Systemen als tragfähig erkannt? Welche Strukturen begünstigen Wiederverwendung, Kontextualisierung und langfristige Einordnung? Und wie verändern sich ökonomische Anreize, wenn Sichtbarkeit nicht mehr nur erzeugt, sondern vorab gefiltert und synthetisiert wird?

Die KI-Ökonomie wird bestehende Mechanismen der Aufmerksamkeitsvermarktung nicht auflösen. Sie wird sie verfeinern, beschleunigen und weiter abstrahieren. Ob daraus mehr Orientierung oder eine noch stärkere Verzerrung entsteht, hängt weniger von der Technologie selbst ab als von den institutionellen, ökonomischen und kulturellen Strukturen, in die sie eingebettet ist.

Sichtbarkeit bleibt damit eine Frage der Ökonomie – aber zunehmend auch eine Frage der Ordnung.