Hybride Collective Intelligence: Collective Mind Leadership: Theorie der Emergenz

Kurzfassung: Ein mathematisches Modell für kausale Emergenz wird auf die Vermessung der Emergenz sozialer Kommunikation, ein Collective Mind, angewendet. Die Gruppendynamik einer TV-Diskussion wird vermessen. Es wird gezeigt, wie die aus dieser Dynamik ermittelte Emergenz Führung, Coaching oder Moderation vorausschauend unterstützt. Mit Hilfe der Hybriden Collective Intelligence aus Mensch und Künstlicher Intelligenz/Maschine Learning wird ein Leadership Dashboard für die Gruppen- und Teamarbeit erstellen. Dieses Dashboard hebt Leadership auf eine neue Ebene der Professionalität.

Dieser Blog-Beitrag wurde in Hybrider Collective Intelligence mit Gemini Pro und Gemini (obiges Bild) erstellt

Der Begriff Emergenz ist einer der schillerndsten Begriffe in der Wissenschaft. Sehr viele Phänomene werden mit dem Begriff Emergenz oder mit emergent verbunden. Hier nur drei Beispiele: Die mikroskopischen Teilchenbewegungen eines Gases erzeugen auf Makro-Ebene Temperatur und Druck, die Neuronen unseres Gehirns erzeugen die emergente Eigenschaft des Bewusstseins, und eine Gruppe von Menschen verhält sich unter bestimmten Bedingungen wie ‚ein emergentes Ganzes‘, ein Collective Mind.

Emergenz entspricht damit der Aussage: ‚Das Ganze (Makro-Ebene) ist mehr als die Summe seiner Teile (Mikro-Ebene).‘ Selbstorganisation ist das Mittel, mit dem dieses Ganze erreicht wird.

Auch wenn es im Einzelnen sehr oft gelungen ist, diesen Übergang von der Mikro-Ebene auf die Makro-Ebene mathematisch zu beschreiben, so fehlte bis vor kurzem ein universeller, berechenbarer Rahmen dafür, was (kausale) Emergenz eigentlich genau ist. Vor kurzem bin ich auf die Arbeit von Rosas et al. [1] aufmerksam geworden. Diesen Autoren ist es gelungen, ein mathematisches Modell vorzulegen, das Emergenz informationstheoretisch schlüssig messbar macht.

Ihre Grundidee ist recht eingängig; die Umsetzung erfordert jedoch eine große Menge an mathematisch-informationswissenschaftlichem Wissen. Ich skizziere hier lediglich die Grundidee und verweise für die technischen Details auf die Anhänge 1 und 2. Meine Umsetzung interpretiert den abstrakten Formalismus aus [1] an diversen Stellen und wendet verschiedene Machine Learning (ML) Algorithmen an, um ihn direkt in den Kontext der Collective Mind Theorie zu überführen.

Zur Grundidee: Ein Computer besteht aus Hardware und Software. Die Hardware verkörpert die Mikro-Ebene und die Software verkörpert die Makro-Ebene. Die Software kann zwar nicht ohne die Hardware existieren, jedoch führen beide ein weitgehend unabhängiges ‚Leben‘. Eine Rechenoperation, wie die Addition zweier Zahlen, wird in der Software (Makro) ausgeführt und nutzt dafür sehr viele, ständig wechselnde Zustände der Hardware (Mikro). Die Zustände der Hardware und die der Software sind in einem gewissen Maße voneinander entkoppelt.

Diese informationelle Unabhängigkeit – man spricht von kausaler Geschlossenheit – kann man mit der Theorie aus [1] exakt vermessen. Dafür nutzt sie zwei theoretische Konstrukte: Eine $\epsilon$ -Maschine bündelt vergangene System-Ebenen-Trajektorien, die exakt dieselbe Zukunftsvorhersage liefern, zu sogenannten „kausalen Zuständen“. Diese $\epsilon$ -Maschine ist die theoretische Abstraktion, die die Berechnungen einer System-Ebene beschreibt. Eine weitere Maschine, die v-Maschine, identifiziert die Zustände in der Vergangenheit der Mikro-Ebene, die einen tatsächlichen Unterschied für die Zukunft der Makro-Ebene machen.

Kausale Emergenz liegt exakt dann vor, wenn ein makroskopischer Systemzustand eine höhere deterministische Vorhersagekraft über die Zukunft des Systems besitzt als das vollständige Wissen über alle seine mikroskopischen Einzelteile.

Anders ausgedrückt: Das System verhält sich nicht mehr nur als Summe seiner Teile („Bottom-up“), sondern das gewachsene Gesamtgebilde übernimmt die ursächliche Kontrolle über das Verhalten der Einzelteile („Top-down“).

Die Klassifizierung von System-Ebenen mittels Makro-, Meso- und Mikro-Ebene spielt in allen Wissenschaften – die sich mit Emergenz beschäftigen – eine große Rolle. In der Collective Mind Theorie (CMT) ist der Collective Mind ein emergenter Zustand auf Makro-Ebene: Der Collective Mind ist das gemeinsame Bewusstsein und Handeln eines Teams mit ausgeprägtem Wir-Gefühl. Er erzeugt per Selbstorganisation eine synergetische Leistung, die weit über die Leistung der Summe der Einzel-Leistungen der Teammitglieder hinausgeht bzw. hinausgehen kann. Die Teammitglieder selbst bilden die Mikro-Ebene.
Gleichzeitig benutzen wir in der CMT eine sogenannte Ziel-Hierarchie, die ebenfalls eine Dreiteilung aufweist. Diese Ziel-Hierarchie besteht aus den Ebenen Ziel-, Was- und Wie-Ebene und ist ein Operator, um einen Collective Mind herbeizuführen. In [2] haben wir gezeigt, dass diese inhaltlichen Ebenen, die zum Beispiel ein Projekt charakterisieren, zu den drei Team CMT-Ebenen korrespondieren. Der Collective Mind auf Makro-Ebene wird nur erreicht, wenn eine gemeinsame Ziel-Ebene, mit zum Beispiel gemeinsamer Vision und Mission, vorliegt.

Im vorliegenden Blog-Beitrag beschäftige ich mich nicht mit der inhaltlichen Ziel-Hierarchie, sondern ich möchte Algorithmen für eine Hybride Collective Intelligence aus Mensch und Künstlischer Intelligenz/Machine Learning (KI/ML) entwickeln, die auf den bisherigen Erkenntnissen der Attention Collective Mind Blog-Beiträge aufsetzt: Ziel ist es, dass diese Algorithmen aus KI und ML auf der Basis der Kommunikation im Team, Teamentwicklung verlässlich prognostizieren. Hierzu interpretiere ich die Theorie der kausalen Emergenz aus [1] im Kontext der bisherigen CMT.

Der entscheidende Punkt ist nun: Echte, messbare (Team-) Emergenz liegt nicht schon dann vor, wenn man diese Ebenen bilden kann. Kausale Emergenz existiert erst in dem Moment, in dem mathematisch bewiesen wird, dass das übergeordnete Makro-Regime (die Software) die Zukunft des Systems robuster und treffsicherer bestimmt als das exakte Wissen über alle einzelnen Bausteine (die Hardware). Genau dann hat das System kausale Autonomie erreicht und ich spreche von einem Collective Mind.

Ich übersetze die abstrakte Mathematik aus [1] in verfügbare Machine Learning Algorithmen (ML Algorithmen). Ich benutze wieder, wie in den vorherigen Blog-Beiträgen der Attention Collective Mind Reihe die Kommunikation eines Mitschnitts der TV-Sendung Markus Lanz. Die einzelnen Kommunikationsaussagen der Sprecher bezeichnete ich als Turns. Jeder Turn wurde in den Attention Collective Mind Blog-Beiträgen durch einen Valenz- und Disruption-Score gekennzeichnet.

Ich verwende folgende ML-Algorithmen (zur grundlegenden Mathematik siehe Anhang 1 und zu den CMT Ergebnissen siehe Anhang 2) :

Die $\epsilon$ -Maschine wird zum Decision Tree Regressor: Auf der Basis der 100 turns und der ermittelten Valenz und Disruption wird ein Entscheidungsbaum gebildet: Dieser durchsucht für jeden Turn die (acht ) vorausgehenden Turns nach den Turns, die jenen Turn voraussagen lassen. Die vorausgehenden Turns stellen die Features des Decision Tree Regressors dar: Valenz und Disruption die jeweilige Ausprägung. Aus den 100 turns werden mittels der so definierten epsilon-Maschine 19 kausale Zustände erzeugt. Diese 19 Zustände bilden die kausalen Zustände der Meso-Ebene: Aus den 100 turns der Mikro-Ebene ergeben sich auf Meso-Ebene lediglich 19 unterschiedliche kausal relevante Zustände.
Die $\upsilon$ -Maschine wird zum K-Means Clustering: Die im Decision Tree isolierten 19 Mikro-Zustände sind noch recht kleinteilig. Deshalb nutze ich im zweiten Schritt ein unüberwachtes K-Means Clustering. Ich gebe drei Makro-Zustände vor. Die Zahl drei für die Makro-Zustände ergibt sich als Ansatz aus den vorherigen Attention Collective Mind Analysen. Ich konnte beispielsweise den toxischen Identitätskampf (V0), die Sachdebatte (sachliche Kohärenz (V1)) und das Agenda-Setting (disruptive Neuausrichtung (V2)) in den Gesprächen erkennen. Die Benennung der Makro-Zustände ist nicht entscheidend, sondern lediglich, dass Valenz und Disruption eine klare Bedeutung für die drei Makro-Zustände haben (siehe Anhang 1 und 2).
Der Emergenz-Beweis durch Mutual Information: Um die kausale Autonomie schlussendlich zu beweisen, nutzen wir einen informationstheoretischen Schätzer, den KSG-Algorithmus für die Messung der sogenannten ‚Kausalen Kraft‘. Erst wenn diese Mathematik zeigt, dass die gefundenen Makro-Regime die Zukunft des Gesprächs robuster vorhersagen als das genaue Wissen über die einzelnen Sprecher (Turns), haben wir einen emergenten Systemübergang: Der Collective Mind steuert dann die Kommunikation.

Welche Informationen stecken in der Meso-Ebene, dem Decison Tree?

Anhang 2 enthält eine Abbildung des Decision Tree und eine Liste der 19 relevanten Meso-Zustände der TV-Kommunikation

Der Baum verrät Kommunikationsstrukturen, also Kausalitäten, die dem menschlichen Auge in Echtzeit meist entgehen:

Die exakten Kipppunkte (Tipping Points): Der Baum enthält konkrete Schwellenwerte für Valenz und Disruption Score (D-Score). Er sagt nicht nur „es wurde lauter“, sondern er zeigt: Wenn der kombinierte Score aus Valenz und D-Score einen exakten Wert von z.B. -0.15 unterschreitet, bricht das System in 90% der Fälle im nächsten Turn zusammen.
Das Timing von Eskalationen: Da der Baum bis zu 8 Turns in die Vergangenheit schaut, offenbart er Latenzzeiten. Er zeigt, ob ein Streit sofort eskaliert (Split bei t-1), oder ob eine schwelende toxische Bemerkung von vor 4 Runden (t-4) das System zeitverzögert vergiftet.
Die Isolierung von Katalysatoren: Der Baum entlarvt objektiv Störer. Wenn die stärksten informationellen Lecks (Absturz zum Beispiel in den Identitätskampf) fast immer dann auftreten, wenn bestimmte Akteure – wie etwa Sprecher 4 – mit einer hohen Disruption ins Feld gehen, erlaubt dies die Identifikation von ’schwierigen Personen‘, unabhängig vom inhaltlichen Thema.
Die Erfolgsformel der Moderation: Der Baum zeigt exakt, welche Bedingungen erfüllt sein mussten, damit ein rettender Eingriff, z.B. die schöpferische Disruption, die Sachdebatte erfolgreich wiederhergestellt hat.

Wie wird daraus ein Coaching-Instrument?

Im agilen Management oder bei der Team-Mediation leidet Feedback oft unter Subjektivität („Ich fand, Du warst heute sehr dominant“). Der CMT-Decision-Tree objektiviert das Coaching völlig.

A. Das Frühwarnsystem (Predictive Coaching)

Ein Coach, der die Struktur dieses Baumes kennt, kann in einem Meeting Muster erkennen, bevor das System kollabiert. Wenn das Team gerade in einen Mikro-Zustand abgleitet, der im Baum zwingend zum „Regime 0“ (toxische Blockade: Identitätskampf) führt, kann der Coach die Reißleine ziehen und zum Beispiel ein disruptives Agenda-Setting eingeben.

B. Systemische Interventionen lehren

Führungskräften oder Moderatoren können anhand des Baumes lernen, wie sie „Kausale Kraft“ ( $C$ ) aufbauen. Man kann ihnen zeigen: „Schau hier auf den Datensatz. Wenn das System in Mikro-Zustand 7 feststeckt, nützt es nichts, inhaltlich zu argumentieren. Das System braucht jetzt einen V2-Agenda-Setting, um einen Reset auszulösen, der uns in Regime 1 (V1) bringt.“ Man coacht nicht mehr Inhalte, sondern System-Steuerung.

C. Objektive Spiegelung (Das Debriefing)

Nach einem gescheiterten oder eskalierten Meeting kann das Transkript (oder die Videoanalyse) einer hier vorgestellten Hybriden Collective Intelligence unterzogen werden. Dem Team wird nicht gesagt „Ihr habt euch gestritten“, sondern man zeigt auf den Graphen: „Hier, bei Minute 45, ist unsere gemeinsame ‚Makro-Software‘ abgestürzt. Wir sind vom Erkenntnis-Modus (V1) in den reinen Identitäts-Verteidigungs-Modus (V0) gewechselt, weil die Valenz unter den Schwellenwert x fiel. Wie verhindern wir das beim nächsten Team-Meeting?“

Welche Informationen stecken in der Makro-Ebene und seinen drei Regimen V0, V1, V2

Anhang 2 listet die drei Regime 0, 1, 2 mit deren durch die upsilon-Maschine zugeordneten Meso-Zuständen und gibt genau an, unter welchen Bedingungen (Valenz und Disruption) diese das System steuern.

Wenn der Decision Tree (Mikro/Meso) uns schon die exakten Auslöser (z. B. „Valenz fällt unter -0.15“) liefert, wozu brauchen wir dann noch die Makro-Regime (V0, V1, V2)?

Die Antwort liegt im Kontext. Ein isolierter Mikro-Trigger bedeutet nie für sich allein dasselbe; seine Wirkung hängt komplett davon ab, in welchem Makro-Regime sich das System gerade befindet.

Der Decision Tree (Die Karte): Zeigt die mechanischen Schwellenwerte und die exakten Wenn-Dann-Pfade der Interaktion. Er ist extrem detailliert, aber blind für den Sinn des Ganzen.
Die Makro-Ebene (Der Kompass): Zeigt das übergeordnete „Betriebssystem“ oder die kulturelle Atmosphäre. Sie gibt den Mikro/Meso-Triggern ihre Bedeutung.

Ein praktisches Beispiel für diese Verbindung:

Man stelle sich vor, dass ein IT-Entwickler abrupt eine völlig neue IT-Architektur-Idee in den Raum wirft (hohe Disruption im Mikro-Zustand).

Befindet sich das Team gerade im Makro-Regime 1 (V1-Sachdebatte), wird diese Disruption vom System absorbiert und als konstruktiver Input verarbeitet.
Befindet sich das Team jedoch im Makro-Regime 0 (V0-Identitätskampf), wird exakt dieselbe Disruption vom System als feindlicher Angriff gewertet und führt zur totalen Eskalation.

Die Makro-Ebene sagt dem Coach also, welche strategische Phase gerade aktiv ist, während der Decision Tree dem Coach sagt, welche taktischen Schwellenwerte er bewachen muss, um diese Phase zu erhalten oder zu verlassen.

Die Ad-Hoc Nutzung (Das Live-Frühwarnsystem)

Wie kann man dies anwenden, wenn das Meeting gerade erst 10 Minuten läuft und noch keine 100 Turns vorliegen, um den Baum zu berechnen?

Das Geheimnis ist: Man berechnet den Baum nicht live im Meeting. Ein Live-Einsatz (Ad-Hoc) funktioniert immer in zwei getrennten Phasen:

Phase A: Das Basis-Modell (Die Offline-Vorbereitung)

Ein Team ist ein System – es hat eine konstante Struktur, die es unter Stress zeigt.

Aufzeichnungen oder Transkripte der letzten Meetings eines spezifischen Teams sind die Ausgangsbasis.
Diese historischen Daten werden mit den hier beschriebenen KI/ML Programmen analysiert.
Es wird ein Team spezifischer Decision Tree erzeugt und typischer Weise 3 Makro-Regime gebildet.
Dieses Modell wird ‚eingefroren‘. Es ist die Collective Mind DNA dieses Teams.

Phase B: Das Live-Dashboard (Der Ad-Hoc Einsatz im Meeting)

In den nachfolgenden Meetings wird der Führungskraft ein Dashboard zur Verfügung gestellt, das auf dem in den vorherigen 1-3 Meetings erzeugten Basis-Modell beruht. Im aktuellen Meeting läuft ein Sliding Window der letzten 8 Turns mit:

Die Live-Messung: Das Meeting läuft. Die KI-Tool ordnet jedem der Redebeiträge schnell einen D-Score und eine Valenz zu.
Der Daten-Feed: Sobald Turn 8 gesprochen wurde, schiebt sich das Sliding Window live in den eingefrorenen Decision Tree aus Phase A.
Der Sofort-Abgleich: Der Baum fragt seine Pfade ab: „Ah, Turn t-1 war negativ, t-4 war hoch disruptiv…“ und sortiert das Live-Fenster sofort in eines seiner zum Beispiel 19 Blätter (Mikro/Meso-Zustände) ein.
Die Prädiktion (Der Blick in die Zukunft): Das Modell gibt ad-hoc eine Warnung aus: „Basierend auf der historischen DNA dieses Teams bedeutet diese exakte Kombination der letzten 8 turns, dass wir im nächsten turn mit 85%iger Wahrscheinlichkeit in das Makro-Regime 0 (V0-Identitätskampf) abstürzen.“

In dem Moment, in dem das aktuelle Live-Gespräch in einen Mikro-Zustand wandert, der historisch gesehen zu einem toxischen Makro-Regime gehört, hat die Führungskraft (oder der Moderator oder der Coach) einen Zeitvorsprung.

Die Führungs-Intervention erfolgt nicht erst, wenn Leute sich anschreien (Makro-Ebene), sondern bevor die Wahrscheinlichkeit kippt (Mikro-Ebene): Es besteht die Möglichkeit das Gespräch rechtzeitig umzulenken: Der Team Stress-Score kann zum Beispiel durch eine beruhigende Zusammenfassung, eine Pause oder durch eine Disruption abgefangen werden und das Team wird damit auf einen anderen Pfad im Decision Tree umgeleitet.

Zu den berechneten Ergebnissen

Die detaillierten berechneten Ergebnisse sind im Anhang 2 enthalten. Ich zeige hier lediglich die Abbildung zur kausalen Kraft, die als Maß der Emergenz verwendet wird. Diese Abbildung könnte Bestandteile eines Leadership Dashboards der Hybriden Collective Intelligence aus Mensch und Maschine sein:

Abbildung 1: Abbildung 1 zeigt drei Teile. Die ersten beiden Teile stammen als Ergebnis aus dem Blog Attention Collective Mind III. Der dritte Teil, mit der violetten Kurve, zeigt die kausale Kraft. Ist die kausale Kraft positiv, liegt Emergenz vor: Dann steuert die Makro-Ebene des Systems ‚Markus Lanz vom 30. Mai 2024‘ das Verhalten der Teilnehmer.
Es werden zusätzlich die drei Makro-Regime V0, V1, V2 hervorgehoben. Wie man sieht, kann Emergenz auch ein dysfunktionales Regime wie V0 enthalten. Ich spreche hingegen nur dann von einem Collective Mind, wenn eines der Makro-Regime V1 oder V2 vorliegt. Die Makro-Regime V0, V1 und V2 können auch dann vorliegen, wenn die kausale Kraft nicht größer null ist, also keine Emergenz vorliegt. In diesem Fall ist die Makro-Ebene nicht kausal geschlossen: Das Verhalten der einzelnen Teilnehmer der TV-Runde bestimmt weiterhin in einem gewissen Maße die Kommunikation. Wenn die Kurve unter Null fällt, regiert die ‚Hardware‘ (die Akteure agieren unkoordiniert). Steigt sie über Null, übernimmt die ‚Software‘ (das kollektive System) die Führung.

Es lassen sich folgende Turn-Bereiche unterscheiden:

1. Das Rauschen und die Aufwärmphase (Turns 0 – 40)

Das Gespräch pendelt flach um die Nulllinie. Kurze Ausschläge ins Negative zeigen, dass die Akteure hier noch stark als isolierte Individuen argumentieren. Es gibt noch kein bindendes, übergeordnetes Feld. Die $\upsilon$ -Maschine identifiziert keine signifikante kausale Übernahme durch ein Makro-Regime.

2. Der erste Absturz ins Chaos (Turns 40 – 44)

Die kausale Kraft stürzt rapide auf $\mathcal{C} \approx -0.38$ ab. Das System fragmentiert. Jede makroskopische Ordnung löst sich auf; die Vorhersagekraft liegt in dieser Phase extrem stark auf der Mikro-Ebene. Das bedeutet, das Verhalten der nächsten Runden wird rein durch die flüchtigen Reaktionen einzelner Personen diktiert, nicht durch eine Gruppendynamik.

3. Die toxische Emergenz (Turns 45 – 55)

Direkt aus diesem Chaos heraus schnellt das System drastisch nach oben und erreicht bei Turn 50 einen ersten massiven Peak der Emergenz ( $\mathcal{C} \approx +0.19$ ). Exakt an diesem Punkt setzt Sprecher 4 den primären, disruptiven Impuls. Dieser Beitrag ist so stark krümmend, dass er die chaotische Mikro-Dynamik beendet und das System in einen geschlossenen Makro-Attraktor zwingt. Das System richtet sich vollständig an diesem Impuls von Sprecher 4 aus – der dysfunktionale Collective Mind erwacht, da es sich hierbei um das toxische Makro-Regime V0 des Identitätskampfes handelt.

4. Der absolute Kontrollverlust (Turns 60 – 68)

Nach einer kurzen Beruhigung kollabiert die Emergenz vollständig. Bei Turn 67 erreicht die Kausale Kraft den absoluten Tiefpunkt des gesamten Gesprächs ( $\mathcal{C} \approx -0.45$ ). Der zuvor durch Sprecher 4 etablierte Makro-Zustand wird zerschossen. Das System befindet sich im Zustand maximaler Entropie: Ein tiefes Tal, in dem die Akteure komplett aneinander vorbeireden und keine Resonanz existiert.

5. Die systemische Übernahme (Turns 70 – 75)

Das System erholt sich von dem Absturz durch eine beispiellose kausale Synchronisation. Die Kurve schießt auf den Maximalwert von $\mathcal{C} > +0.20$ . In diesen fünf Runden ist die Vorhersagekraft des Makro-Regimes sehr hoch. Die isolierten Akteure sind kausal nahezu unbedeutend geworden; das Meeting wird in dieser Phase komplett durch die Makro-Ebene gesteuert.

Interessant ist hier das Flackern des Hintergrunds zwischen Rosa (Identitätskampf) und Gelb (Sachdebatte). Das System ist in einer extrem hochfrequenten, verschränkten Aushandlung gefangen. Die Argumente (gelb) werden als unmittelbare Waffen im Identitätskampf (rosa) genutzt. Das Kollektiv ist hier absolut starr und deterministisch verschweißt – ein Entkommen ohne massiven Tabubruch von außen ist unmöglich.

6. Das Ausklingen (Turns 80 – 100)

Das Gespräch zerfällt wieder in eine unruhige Mikro-Dominanz mit einigen schwächeren Versuchen, ein neues Makro-Regime zu etablieren (kleinere Peaks bei 82 und 87). Bei Turn 93 durchläuft die Gruppe nochmals einen starken Abfall ins Chaos und läuft am Ende flach aus.

Die Abbildung weist folgende besondere Turns auf:

1. Das informationelle Vakuum der Sachdebatte (Turn 41 & Turn 66)

Schaut man sich die beiden extremsten Abstürze der Kausalen Kraft an ( $\mathcal{C} < -0.35$ ), fallen diese in oder an die Ränder der gelben Zonen (Makro-Regime V1: Sachdebatte).

Dies widerlegt eine klassische Illusion vieler Moderatoren. Nur weil Menschen sachlich (gelb) argumentieren, bedeutet das nicht, dass sie sich verstehen. Bei Turn 66 herrscht das absolute informationelle Chaos. Die Akteure feuern ihre Fakten isoliert ab, ohne jegliche Resonanz beim Gegenüber zu erzeugen. Das System zersplittert in reine Mikro-Hardware. Es gibt keine gemeinsame Wellenlänge.

2. Das Scheitern der konstruktiven Führung (Die grünen Zonen)

Das Makro-Regime V2 (Agenda-Setting, grün) zeigt in diesem Plot eine dramatische Schwäche. Es taucht immer wieder als kurzer Versuch auf (z. B. Turns 31, 53, 58, 80, 89).

Die violette Kurve in diesen grünen Bändern liegt fast ausnahmslos unter oder exakt auf der Nulllinie. Das bedeutet: Jedes Mal, wenn jemand versucht, konstruktiv die Agenda zu setzen, verweigert das System die Gefolgschaft. Das Agenda-Setting wird nie zu einem emergenten Collective Mind. Die Vorhersagekraft bleibt bei den unkoordinierten Individuen. Der Raum akzeptiert diese Führung schlichtweg nicht.

Das Emergenz-Modell zeigt visuell: Die spezifische Kultur des TV-Meetings besitzt tiefe Attraktoren für Identitätskämpfe (rosa), die sofort das gesamte System kausal bestimmen. Versuche der Meta-Steuerung (grün) sind wirkungslos, da sie keine kausale Kraft ( $\mathcal{C} > 0$ ) aufbauen können.

Zusammenfassung:

Das Modell der kausalen Emergenz, ursprünglich entwickelt für mathematisch-naturwissenschaftliche Fragestellungen, zeigt eine erstaunliche Vorhersagekraft für soziale Interaktionen. Zusammen mit den beiden Modellen zum Stresslevel und der Disruption, die beide ebenfalls aus einem mathematisch-naturwissenschaftlichen Kontext stammen, ergibt sich eine enorme Analyse- und Steuerungskraft für die Führung von Gruppen oder Teams. Der von mir gewählte Ansatz der hybriden Collective Intelligence hat sich damit bewiesen.

Anhang 1

Formeln und Erläuterungen

Dieser Anhang beschreibt die drei verwendeten Modelle und Algorithmen für die Ermittlung der kausalen Emergenz:

Die epsilon-Maschine, die die kausalen Zustände innerhalb einer Hierarchie-Ebene erzeugt, implementiert durch einen Decision Tree Regessor Algorithmus
Die upsilon-Maschine, die die kausalen Zustände von einer Ebene zur nächsten Ebene erzeugt, implementiert durch einen K-Means Algorithmus
Die Berechnung der Mutual Information, des Information Leackage und des Kausalen Delta (der Kausalen Kraft). Diese drei Größen vermessen die Stärke der Emergenz.

Um die Algorithmen zu beschreiben werden folgende Notationen aus der Wahrscheinlichkeits- Informationstheorie verwendet:

Ein Komma $P(X, Y)$ steht für die gemeinsame Wahrscheinlichkeit (beides passiert gleichzeitig).
Ein senkrechter Strich $P(X | Y)$ steht für die bedingte Wahrscheinlichkeit (X passiert, unter der Bedingung, dass Y schon passiert ist).
Das Semikolon $I(X; Y)$ drückt eine Schnittmenge an Information aus. Man liest es als: „Die Menge an Information, die zwischen der Variablen X und der Variablen Y geteilt wird.“ Mathematisch berechnet sich das so:

$I(X; Y) = H(X) - H(X|Y)$

In Worten: Das $I$ steht für die Transinformation (auf Englisch Mutual Information). Das Semikolon ist hier extrem wichtig, um es von anderen Wahrscheinlichkeitsnotationen abzugrenzen. Die Transinformation ist die Entropie (Unsicherheit) von X, minus der verbleibenden Unsicherheit von X, wenn ich Y kenne. Das Semikolon zeigt also an, dass wir zwei Informationsquellen gegenüberstellen und fragen: Wie viel weiß ich durch die eine Quelle über die andere?

Wenn wir nun das Informationsleck (Leakage) als $L = I(X_t ; Z_{t+1} | Z_t)$ betrachten, lesen wir das mit dem Wissen über das Semikolon so:

„Wie viel Information teilen die Mikro-Vergangenheit $X_t$ und die Makro-Zukunft $Z_{t+1}$ noch miteinander, wenn wir den Einfluss der Makro-Vergangenheit $Z_t$ herausrechnen (bedingende Variable hinter dem Strich)?“

I. Die $\epsilon$ -Maschine, der Decision Tree Regressor Algorithmus

Der Sprung von einer linearen Liste mit 100 Textzeilen (Turns) zu einem multidimensionalen Baumalgorithmus ist die größte Hürde in der Zeitreihenanalyse. Um die Datenverarbeitung komplett transparent zu machen, zeichne ich den Weg der Daten vom rohen Transkript bis zur fertigen $\epsilon$ -Maschine nach.

Schritt 1: Die Datenpräparation (Das Sliding Window)

Ich starte mit einer eindimensionalen Kette von 100 Turns. Jeder Turn hat einen berechneten Mikro-Wert (z. B. den Durchschnitt aus Disruption und Valenz). Nennen wir diesen Wert für den Moment einfach $X$ . Das führt also zur Sequenz: $X_1, X_2, X_3, \dots, X_{100}$ .

Ein rekursiver Partitionierungs-Algorithmus kann mit einer solchen Kette nichts anfangen. Er braucht klare „Wenn-Dann“-Tabellen. Deshalb zerschneiden wir die 100 Turns mit einem gleitenden Fenster (Window-Größe = 8) in eine Matrix.

Wir sagen dem System: „Nutze die letzten 8 Turns (die Vergangenheit), um den 9. Turn (die Zukunft) vorherzusagen.“ Das Fenster rutscht dann immer einen Turn weiter.

Die neue Daten-Matrix sieht so aus:

Datenpunkt (Zeile)	t−8	t−7	t−6	t−5	t−4	t−3	t−2	t−1	Ziel (Zukunft t)
Zeile 1	Turn 1	Turn 2	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9
Zeile 2	Turn 2	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9	Turn 10
Zeile 3	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9	Turn 10	Turn 11
…	…	…	…	…	…	…	…	…	…
Zeile 92	Turn 92	Turn 93	Turn 94	Turn 95	Turn 96	Turn 97	Turn 98	Turn 99	Turn 100

Da die ersten 8 Turns für die allererste Vorhersage „verbraucht“ werden, hat man am Ende exakt 92 Zeilen (Datenpunkte), die in den Algorithmus eingespeist werden.

Schritt 2: Der erste Split (Die Wurzel des Baumes)

Jetzt startet der eigentliche Algorithmus. Der Baum betrachtet alle 92 Zeilen gleichzeitig und stellt sich eine einzige Frage: Welche Spalte aus der Vergangenheit und welcher exakte Schwellenwert trennt die Zukünfte am besten voneinander?

Der Algorithmus testet intern Tausende von Kombinationen durch. Er nimmt sich z. B. die Spalte $t-1$ (den unmittelbar vorherigen Turn) und testet den angenommen Schwellenwert $-0.15$ . Er teilt die 92 Zeilen probeweise in zwei Gruppen:

Gruppe Links: Alle Zeilen, bei denen $t-1 \le -0.15$ war.
Gruppe Rechts: Alle Zeilen, bei denen $t-1 > -0.15$ war.

Dann berechnet er für beide Gruppen, wie sehr die tatsächlichen Ziel-Werte (die Zukunft $t$ ) innerhalb der Gruppe streuen. Das macht er mit dem mittleren quadratischen Fehler ( $MSE$ ):

$\begin{equation*} MSE = \frac{1}{m} \sum_{i=1}^{m} (y_i - \hat{y})^2 \end{equation*}$

$m$ ist die Anzahl der Zeilen in der jeweiligen Gruppe.
$y_i$ ist die tatsächliche Zukunft in Zeile $i$ .
$\hat{y}$ ist der Durchschnitt aller Zukünfte in dieser Gruppe.

Wenn der Gesamt- $MSE$ dieser Aufteilung extrem niedrig ist, bedeutet das: Die Trennung war erfolgreich. Der Algorithmus sucht den allerbesten Split und verankert ihn als obersten Knotenpunkt (die Wurzel) des Baumes.

Schritt 3: Die Rekursion (Das Wachsen der Äste)

Nun hat der Baum die 92 Zeilen in zwei Gruppen geteilt (z. B. 40 Zeilen links, 52 Zeilen rechts).

Jetzt wendet er exakt denselben Prozess aus Schritt 2 auf die linke Gruppe an. Er ignoriert die rechte komplett. Er schaut sich die verbliebenen 40 Zeilen an und fragt sich wieder: Welche Spalte und welcher Schwellenwert teilt diese 40 Zeilen am besten auf? Vielleicht ist es diesmal $t-6 \le 0.05$ .

Der Baum spaltet die Daten weiter und weiter auf. Er sucht immer nach der Eigenschaft in der Vergangenheit, die die verbleibenden Zukünfte am präzisesten in homogene Gruppen sortiert.

Schritt 4: Der Stopp (Das Entstehen der Epsilon-Zustände)

Ein Baum würde die Daten im Normalfall so lange spalten, bis in jedem Endknoten nur noch eine einzige Zeile liegt. Das wäre nutzlos (ein reines Auswendiglernen der Daten). Deshalb existiert eine Bremse: Eine Mindestanzahl von Beobachtungen pro Blatt.

Der Baum hört sofort auf, einen Ast weiter zu spalten, wenn in der resultierenden Gruppe weniger als 4 Zeilen (Turns) landen würden. An diesem Punkt entsteht ein Endknoten (ein Blatt). In unserem Fall hat der Algorithmus den Prozess gestoppt und exakt 19 Blätter gebildet (siehe Anhang 2).

Jedes dieser 19 Blätter ist ein „Eimer“, in dem eine bestimmte Anzahl der 92 historischen Datenpunkte gelandet ist (z. B. 5 Turns im ersten Blatt, 12 im zweiten).
Alle Turns, die in demselben Blatt gelandet sind, teilen sich dieselbe kausale Eigenschaft: Sie führen statistisch gesehen zu exakt derselben Vorhersage für die Zukunft ( $\hat{y}$ ).

Diese 19 Blätter sind exakt das, was ich (angelehnt an Rosas et al.) als kausale Mikro-Zustände der $\epsilon$ -Maschine definiere.

II. Die $\upsilon$ -Maschine: Der K-Means Algorithmus

Um die 19 hochdetaillierten $\epsilon$ -Zustände zu einer übergeordneten Makro-Software zusammenzufassen, muss das System die Zustände abstrahieren. Dies geschieht durch einen unüberwachten Clustering-Algorithmus, der ähnliche Zukünfte zu übergeordneten Regimen verschmilzt.

Schritt 1: Der Input (Die 1D-Vorhersagematrix)

Der Algorithmus extrahiert aus den 19 Blättern des Baumes die exakten Vorhersagewerte $\hat{y}$ für jeden der 92 historischen Datenpunkte. Es entsteht eine eindimensionale Matrix (ein Vektor) aus 92 Kommazahlen. Ziel ist es, diese in genau $K=3$ fundamentale Makro-Regime zu gruppieren.

Schritt 2: Die K-Means Initialisierung (Der Maximalkontrast)

Das System wirft nicht einfach drei zufällige Schwerpunkte (Zentroide $\mu_1, \mu_2, \mu_3$ ) in diese Daten. Um das zuverlässigste Ergebnis zu garantieren, wird iterativ vorgegangen:

Der erste Zentroid $\mu_1$ wird zufällig aus den 92 Werten gewählt.
Der zweite Zentroid $\mu_2$ wird exakt auf den Datenpunkt gesetzt, der die größte mathematische Distanz zu $\mu_1$ aufweist.
Der dritte Zentroid $\mu_3$ wird auf den Punkt gesetzt, der maximal weit von $\mu_1$ und $\mu_2$ entfernt ist.
Dieses Vorgehen stellt sicher, dass die drei startenden Makro-Regime den größtmöglichen inhaltlichen Kontrast zueinander aufweisen.

Schritt 3: Das Zuweisungs-Update (Lloyds Algorithmus)

Der Algorithmus startet nun seinen eigentlichen Suchlauf. Für jeden der 92 Vorhersagewerte $x_i$ misst er die quadrierte Differenz (Distanz) zu den drei Zentroiden:

$\begin{equation*} d(x_i, \mu_j) = (x_i - \mu_j)^2 \end{equation*}$

Der Wert $x_i$ bekommt das Label des Zentroiden $\mu_j$ , bei dem die Distanz $d$ am kleinsten ist. Mikro-Zustände, die ähnliche Zukunftswerte prognostizieren, werden so vom selben Zentroiden eingefangen.

Schritt 4: Das Zentroid-Update

Nachdem alle 92 Werte verteilt sind, berechnet das System die neuen, echten Schwerpunkte. Für jedes Cluster $j$ summiert es alle zugewiesenen Werte auf und teilt sie durch die Anzahl $m_j$ der Werte im Cluster:

$\begin{equation*} \mu_j = \frac{1}{m_j} \sum_{x_i \in S_j} x_i \end{equation*}$

Die Zentroide wandern exakt auf diese neuen Mittelwerte.

Schritt 5: Die Konvergenz (Das Einrasten des Systems)

Schritt 3 und 4 wiederholen sich in einer Schleife, bis das System einrastet – das bedeutet, kein einziger Datenpunkt verschiebt sich beim nächsten Durchlauf in ein anderes Cluster. Das Coarse-Graining ist abgeschlossen. Die 19 Mikro-Zustände sind nun zu einer Sequenz von 3 diskreten Makro-Regimen komprimiert. Die $\upsilon$ -Maschine ist konstruiert.

III. Die Messung der Emergenz $\mathcal{C}$ Der KSG-Entropieschätzer

Um zu beweisen, dass die neu konstruierte Makro-Software mächtiger ist als die Mikro-Hardware, muss die Transinformation (Mutual Information) zwischen Vergangenheit ( $X$ ) und Zukunft ( $Y$ ) berechnet werden. Da wir es auf der Mikro/Meso-Ebene mit stufenlosen Kommazahlen zu tun haben, wird der hochpräzise Schätzer nach Kraskov, Stögbauer und Grassberger (KSG) angewandt.

Schritt 1: Raumaufspannung und das Verhindern von Singularitäten

Der Algorithmus spannt einen 2D-Raum auf, wobei die $X$ -Achse die Vergangenheit und die $Y$ -Achse die Zukunft repräsentiert: Auf den Achsen wird jeweils der Mittelwert von Valenz und Disruption zum jeweiligen Zeitpunkt aufgetragen. Da menschliche Kommunikationsdaten oft redundante Werte erzeugen (z.B. exakt denselben Disruption-Score über zwei Runden), würden exakt übereinanderliegende Punkte im Algorithmus zu einer Division durch Null führen. Um diese Singularität zu verhindern, wird jedem Datenpunkt ein minimales thermodynamisches Rauschen (Jitter im Bereich von $10^{-5}$ ) hinzugefügt. Dies verschiebt die Punkte im infinitesimalen Bereich und macht Abstände messbar, ohne die topologische Information zu verfälschen.

Schritt 2: Distanzmessung im gekoppelten Raum ( $k$ -Nearest Neighbors)

Zur effizienten Suche wird im Hintergrund eine räumliche Datenstruktur (ein $K$ -D-Tree) aufgebaut. Für jeden Punkt $i$ im gemeinsamen $(X,Y)$ -Raum sucht der Algorithmus den $k$ -nächsten Nachbarn (standardmäßig $k=3$ ). Er misst die exakte Distanz zu diesem dritten Nachbarn unter Verwendung der Maximums-Metrik (Chebyshev-Distanz). Diese Distanzspanne nennen wir $\epsilon_i/2$ . Sie definiert ein lokales Suchfenster um jeden Punkt.

Schritt 3: Marginale Zählung (Die Zerlegung der Wahrscheinlichkeit)

Der Algorithmus nutzt dieses Suchfenster nun, um die Wahrscheinlichkeitsdichten auf den Einzelachsen zu schätzen:

Er blickt ausschließlich auf die $X$ -Achse (die Vergangenheit) und zählt, wie viele Punkte $n_x(i)$ innerhalb der Distanz $\epsilon_i/2$ liegen.
Er blickt ausschließlich auf die $Y$ -Achse (die Zukunft) und zählt, wie viele Punkte $n_y(i)$ innerhalb dieser Distanz liegen.

Schritt 4: Die Digamma-Integration

Anstatt Daten in ungenaue Histogramme zu pressen, setzt der Algorithmus diese präzisen Abstands-Zählungen in die KSG-Schätzgleichung ein. Diese Gleichung nutzt die Digamma-Funktion $\psi$ (die logarithmische Ableitung der Gamma-Funktion), um die exakte Transinformation $I(X;Y)$ in natürlichen Informationseinheiten (Nats) zu berechnen:

$\begin{equation*} I(X;Y) = \psi(N) + \psi(k) - \frac{1}{N} \sum_{i=1}^N \left( \psi(n_x(i) + 1) + \psi(n_y(i) + 1) \right) \end{equation*}$

Dabei ist $N$ die Gesamtzahl der Runden im Beobachtungsfenster.

Schritt 5: Das Kausale Delta (Der finale Beweis)

Dieser gesamte KSG-Prozess wird dual ausgeführt: Einmal für die Informationstransfer-Rate der rohen Mikro-Ebene $I(X_t ; X_{t+1})$ und einmal für die Informationstransfer-Rate der konstruierten Makro-Ebene $I(Z_t ; Z_{t+1})$ .

Die Subtraktion beider Ergebnisse liefert die Kausale Kraft:

$\begin{equation*} \mathcal{C} = I(Z_t ; Z_{t+1}) - I(X_t ; X_{t+1}) \end{equation*}$

Wenn dieser Wert positiv ist, ist der mathematische Beweis für das Vorliegen der Emergenz, hier des (dysfunktionalen) Collective Mind, erbracht:

Wenn $\mathcal{C}$ positiv wird, geschieht etwas Fundamental-Systemisches: Die Mikro-Details (z. B. welches genaue Wort ein Akteur wählt oder wie seine individuelle Tagesform ist) werden kausal irrelevant.

Das Makro-Regime zwingt dem System sein eigenes physikalisches Gesetz auf. Wenn ein Meeting kausal emergent in den Identitätskampf (Regime V0, siehe Anhang 2) stürzt, greifen sich die Akteure nicht mehr an, weil sie sich als Individuen in diesem Moment dazu entscheiden. Sie greifen sich an, weil das emergente Feld (der dysfunktionale Collective Mind) sie kausal dazu zwingt. Das System reproduziert sich selbst.

Anhang 2

Mikro-, Meso- und Makro-Ebene für das TV-Beispiel

Mikro-Ebene:

Die Mikro-Ebene besteht aus den 100 Turns (= 100 Aussagen der TV- Teilnehmer). Diese 100 Turns stammen aus dem Mitschnitt der Markus Lanz TV-Sendung und anschließender Transkription. Die Turns wurden erstmals im Blog ‚AI & M 4.0: Markus Lanz vom 30.04.2024, Eine Collective Mind Analyse, vom Juni 2024‘ verwendet.

Meso-Ebene:

Die Meso-Ebene besteht aus den 19 End-Blättern der Decision Tree Regression. Die folgende Abbildung zeigt den Entscheidungsbaum.

Die Anwendung in der Collective Mind Theorie:

Was passiert hier? Wir füttern den Baum mit den rohen Mikro-Eingaben (Disruption und Valenz der einzelnen Sprecher der letzten 8 Turns). Der Algorithmus spaltet diese Historie so lange auf, bis er in den Endknoten (Blättern) Gruppen von Vergangenheiten findet, bei denen der $MSE$ minimal ist – sie also alle exakt denselben Erwartungswert $\hat{y}$ für die Zukunft haben.
Die theoretische Übersetzung: Genau das ist die Definition der Epsilon-Maschine. Der Baum filtert alle redundanten Informationen heraus (z. B. „Wer genau hat gesprochen?“). Wenn eine leise, giftige Bemerkung von Sprecher A und ein lauter Wutanfall von Sprecher B am Ende exakt dieselbe Systemreaktion für den nächsten Turn auslösen, wirft der Decision Tree beide in dasselbe Blatt. Dieses Blatt ist der kausale Mikro/Meso-Zustand ( $\sigma$ ). Wir haben damit die „Hardware“ der Konversation extrahiert.

Makro-Ebene:

Die Makro-Ebene besteht aus den zu drei Clustern zusammengefassten 19 kausalen Zuständen der Meso-Ebene. Die Zusammenfassung wird durch den K-Means Algorithmus erzeugt. Die drei Regime stellen einen Vektor-Ordnungsparameter dar

Die Anwendung in der Collective Mind Theorie:

Was passiert hier? Wir nehmen die Vorhersagen $\hat{y}$ aus den 19 Blättern des Decision Trees und zwingen K-Means, diese in exakt $k=3$ Cluster/Regime zu pressen.
Die theoretische Übersetzung: Das ist das „Coarse-Graining“ (die Vergröberung) zur Upsilon-Maschine. Die 19 Mikro/Meso-Zustände sind zu detailliert, um ein „Collective Mind“ zu sein. Indem K-Means ähnliche Vorhersagen mathematisch verschmilzt, entstehen die Makro-Regime. In diesem Fall hat der Algorithmus die drei fundamentalen Aggregatzustände (Makro-Regime) des Teams gefunden:
1. V0-Identitätskampf (Hohe negative Valenz, toxischer Stress)
2. V1-Sachdebatte (Moderate Valenz, Kohärenz)
3. V2-Agenda Setting (Schöpferische Disruption)

Das Resultat: Die Upsilon-Maschine repräsentiert nun die „Software“ oder die kulturelle Atmosphäre.

Auf dieser Basis wird die Transinformation berechnet und die zwei zentralen Kriterien für Emergenz

A. Die Kausale Kraft ( $\mathcal{C}$ ):

Wir vergleichen die Vorhersagekraft der Upsilon-Maschine (Makro) mit der der reinen Rohdaten (Mikro):

$\mathcal{C} = I(Z_t ; Z_{t+1}) - I(X_t ; X_{t+1})$

Bedeutung: Wenn $\mathcal{C} > 0$ ist, enthält das Wissen über das aktuelle Makro-Regime ( $Z_t$ , z. B. „Wir sind gerade in der Sachdebatte“) mehr Informationen über die Zukunft als das Wissen über das exakte Verhalten der Sprecher ( $X_t$ ). Das Team hat den Collective Mind Makro-Zustand erreicht.

B. Das Information Leakage ( $L$ ):

Das Information Leakage ist eine redundante Größe, wenn die kausale Kraft bekannt ist, da

\mathcal{C} = -L

$L = I(Z_{t+1}; X_t | Z_t)$

Bedeutung: Das ist der Indikator für den Systemkollaps. Das Leakage misst, wie viel das Mikro-Verhalten ( $X_t$ ) noch über die Zukunft verrät, obwohl wir den Collective Mind ( $Z_t$ ) schon kennen. Wenn $L$ ausschlägt, hat eine einzelne Person (durch extreme Disruption) das normative Gefüge des Teams gesprengt. Die Software (Makro) hat die Kontrolle über die Hardware (Mikro) verloren.

Im folgenden liste ich jeweils die drei Makro-Regime, in dem ich diese kurz skizziere und die dazugehörigen Meso kausalen Zustände anfügen:

MAKRO-Regime 0 –Der Identitäts-Kampf

Die Datenlage: Fast durchgehend tiefrote, extrem negative Valenzen (-0.50 bis -0.90).
Die Akteure: Hier dominieren Mansour (Sprecher 4, der die stärksten Systemdisruptionen treibt) und Kayman.
Der Inhalt: Es geht um harte inhaltliche und moralische Fronten („moralische Überlegenheit“, „politischer Islam“, „Extremisten“).
Die System-Diagnose: Dieses Regime markiert den Zusammenbruch des kausalen Flusses. Die Kommunikation ist informationell geschlossen, da die Sprecher auf ihre V0-Identitätswerte zurückfallen. Die Akteure verteidigen ihre Ingroup („Ich bin Muslim, ich rede über meine Community“). Es entsteht eine massive kollektive Interferenz, bei der sachliche Argumente (V1) nicht mehr durchdringen.

🔬 Meso-Ebene 2

 Turn  24 | Kayman     | D-Score: -0.10 | Val: -0.60 | "Wir müssen mit jungen Menschen darüber reden, dass dieses De..."

 Turn  26 | Kayman     | D-Score: -0.19 | Val: -0.90 | "Auch in der Ahmadiyya-Gemeinde gibt es eine Tradition des An..."

 Turn  28 | Kayman     | D-Score: -0.34 | Val: -0.90 | "Ich wollte das nicht aufbrechen, weil das das Feld zu weit ö..."

 Turn  47 | Mansour    | D-Score: -0.52 | Val: -0.50 | "Entschuldigung...."

 Turn 101 | Mansour    | D-Score: +0.00 | Val: -0.80 | "Zweitens. Dieser politische Islam, der versucht gerade, die ..."

🔬 Meso-Ebene 6

 Turn  35 | Hübsch     | D-Score: -0.35 | Val: -0.30 | "Unsere Gemeinschaft ist über 100 Jahre alt...."

 Turn  40 | Kayman     | D-Score: -0.15 | Val: -0.60 | "Sie ziehen sich immer auf die Position zurück, ab der es dan..."

 Turn  43 | Hübsch     | D-Score: -0.00 | Val: -0.60 | "Weil das vor dem internationalen Gerichtshof verhandelt wird..."

 Turn  72 | Mansour    | D-Score: -0.13 | Val: -0.50 | "Ich habe eine Grundsatzfrage gestellt...."

 Turn  84 | Mansour    | D-Score: -0.03 | Val: -0.50 | "Aber er darf kein Mitglied sein in Ihrer Gemeinde?..."

🔬 Meso-Ebene 7

 Turn  20 | Kayman     | D-Score: -0.33 | Val: -0.90 | "Ich bin Muslim, ich rede über meine Community. Ich glaube, e..."

 Turn  22 | Kayman     | D-Score: -0.12 | Val: -0.60 | "Entschuldigung, wir können nicht über Vorereignisse aus dem ..."

 Turn  82 | Mansour    | D-Score: -0.29 | Val: -0.50 | "Ein homosexuelles Paar...."

 Turn  97 | Kayman     | D-Score: -0.17 | Val: -0.60 | "Das ist die Vorstellung einer moralischen Überlegenheit durc..."

 Turn  99 | Mansour    | D-Score: +0.00 | Val: -0.70 | "Um das psychologisch zu betreiben, auf zwei Ebenen. Das indi..."

🔬Meso-Ebene 13

 Turn  21 | Hübsch     | D-Score: -0.23 | Val: -0.30 | "Was ist mit dem Vertrag von Medina?..."

 Turn  41 | Hübsch     | D-Score: -0.12 | Val: -0.60 | "Deswegen hatte ich auch diesen Einwand, weil ich so aufgewac..."

 Turn  48 | Hübsch     | D-Score: -0.26 | Val: -0.30 | "Ganz schlechter Wort über Autismus...."

 Turn  83 | Hübsch     | D-Score: -0.31 | Val: -0.30 | "Man muss sich entscheiden. Da ist es nicht anders als in der..."

🔬 Meso-Ebene 24

 Turn   9 | Khorchide  | D-Score: -0.09 | Val: -0.50 | "Wir müssen uns die Schriften anschauen. Es war in der islami..."

 Turn  68 | Khorchide  | D-Score: -0.30 | Val: -0.20 | "Das sind standardisierte Fragen, die man auch an Christen st..."

 Turn  70 | Mansour    | D-Score: -0.24 | Val: -0.50 | "Aber Sie reden nicht über die Christen, Frau Hübsch. Darf ic..."

 Turn  95 | Kayman     | D-Score: -0.13 | Val: -0.60 | "Ich glaube, das, was wir erlebt haben, ist exemplarisch für ..."

🔬 Meso-Ebene 25

 Turn  12 | Hübsch     | D-Score: -0.17 | Val: -0.60 | "Das ist umgekehrt. Die Interpretation der Extremisten, der H..."

 Turn  18 | Kayman     | D-Score: -0.04 | Val: -0.90 | "Wir haben aktuell kein Problem, dass Theologie eine Natur is..."

 Turn  45 | Mansour    | D-Score: -0.36 | Val: -0.80 | "Ich habe es Ihnen versprochen, Herr Mansur. Erst mal frage i..."

 Turn  65 | Hübsch     | D-Score: -0.15 | Val: -0.30 | "Ich glaube nicht. Das ist so weit verbreitet in der islamisc..."

 Turn  80 | Mansour    | D-Score: -0.26 | Val: -0.50 | "Ich kenne andere Rätsel von Mitgliedern bei Ihnen...."

🔬 Meso-Ebene 30

 Turn  33 | Kayman     | D-Score: +0.09 | Val: -0.90 | "Es geht es nur darum, man muss kein theologischer Islam-Expe..."

 Turn  54 | Lanz (Mod) | D-Score: -0.41 | Val: +0.00 | "Zu sagen, ich bin auch da, ich bin auch wer...."

 Turn  57 | Hübsch     | D-Score: -0.03 | Val: -0.60 | "Keine Identifikation. Kennen Sie das? Ich kenne das total. I..."

 Turn  76 | Mansour    | D-Score: -0.10 | Val: -0.50 | "Aber Sie widersprechen sich...."

 Turn  87 | Hübsch     | D-Score: -0.33 | Val: -0.30 | "Auch Homosexualität. Sie dürfen Mitglied werden? Ja. Trotzde..."

MAKRO-Regime 1 Sachdebatte

Die Datenlage: Ein breiter Mix aus leicht negativer (-0.20 bis -0.30) bis neutraler Valenz. D-Scores sind meist im leichten Minus-Bereich.
Die Akteure: Hübsch ist hier überproportional präsent, oft im direkten Schlagabtausch mit Lanz, der versucht zu ordnen („Ich ordne kurz die Reihenfolge…“).
Der Inhalt: Das ist das „Tagesgeschäft“ der Talkshow. Es wird sich gerechtfertigt, relativiert und prozedural debattiert („Wir haben Mitglieder, die kein Kopftuch tragen“, „Wir leben in Deutschland“).
Die System-Diagnose: Das System operiert im Überlebensmodus. Es kollabiert nicht komplett in toxische Interferenz, erreicht aber auch keine echte Emergenz. Die Akteure reiben sich in der Verteidigung ihrer Positionen auf. Es ist ein ständiges Ausbalancieren zwischen V2-Tabubrüchen und V1-Rückzugsgefechten.

🔬 Meso-Ebene 5

 Turn  14 | Hübsch     | D-Score: +0.02 | Val: -0.30 | "Und was im Koran steht...."

 Turn  30 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Ich melde mich mal...."

 Turn  42 | Lanz (Mod) | D-Score: -0.19 | Val: -0.30 | "Völkermord vielleicht sogar...."

 Turn  49 | Mansour    | D-Score: +0.35 | Val: -0.50 | "Nein, nein. Sie unterbrechen mich die ganze Zeit und lassen ..."

🔬 Meso-Ebene 12

 Turn  23 | Hübsch     | D-Score: -0.22 | Val: -0.30 | "Sie haben gesagt, es gibt keine positive Erzählung. Es gibt ..."

 Turn  25 | Hübsch     | D-Score: -0.17 | Val: -0.30 | "Vielleicht passiert es bei Ihnen nicht, bei uns passiert das..."

 Turn  27 | Mansour    | D-Score: +0.13 | Val: -0.50 | "Das müssen wir nicht verharmlosen...."

 Turn  29 | Lanz (Mod) | D-Score: -0.11 | Val: +0.00 | "Ich ordne kurz die Reihenfolge...."

 Turn  46 | Hübsch     | D-Score: +0.07 | Val: -0.30 | "Das ist ein ganz schlechter Wort über Autismus...."

 Turn  98 | Lanz (Mod) | D-Score: -0.27 | Val: +0.00 | "Der Mechanismus auf beiden Seiten...."

🔬 Meso-Ebene 17

 Turn  36 | Lanz (Mod) | D-Score: -0.19 | Val: -0.30 | "Gibt es da Antisemitismus?..."

 Turn  38 | Kayman     | D-Score: -0.17 | Val: -0.60 | "Wie kamen Sie darauf? Ich habe doch nicht gesagt, dass alle ..."

 Turn  44 | Lanz (Mod) | D-Score: -0.14 | Val: +0.00 | "Da ist wieder dieses relativierende Momentum. Sie müssen dar..."

 Turn  73 | Hübsch     | D-Score: -0.10 | Val: -0.30 | "Wir leben in Deutschland. In Deutschland gelten die deutsche..."

 Turn  85 | Hübsch     | D-Score: -0.34 | Val: +0.00 | "Natürlich darf jeder Mitglied sein. Wir haben auch Mitgliede..."

🔬 Meso-Ebene 23

 Turn  10 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Aber Sie sind Theologe. Ich erinnere mich noch an einen Arti..."

 Turn  67 | Hübsch     | D-Score: -0.14 | Val: -0.30 | "Wenn Sie die Leute in Positionierungsdruck versetzen und sag..."

 Turn  69 | Hübsch     | D-Score: -0.27 | Val: -0.30 | "Aber ein Christ würde im Zweifel sagen, mein Glaube ist mir ..."

 Turn  71 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Sie wissen, es gibt nicht nur eine Auslegung der Scharia. Di..."

 Turn  74 | Khorchide  | D-Score: -0.15 | Val: -0.20 | "Sind Sie für das oder für dieses Verständnis?..."

 Turn  78 | Mansour    | D-Score: +0.06 | Val: -0.50 | "Darf ein Homosexueller bei Ihnen Mitglied werden?..."

🔬 Meso-Ebene 27

 Turn  16 | Hübsch     | D-Score: -0.11 | Val: -0.30 | "Sie wissen als Theologe ganz genau, dass es in der gesamten ..."

 Turn  17 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Ich wollte gerade sagen, ich als Mensch mit christlichem Hin..."

 Turn  51 | Khorchide  | D-Score: -0.08 | Val: -0.20 | "Identitätssuche, Identitätsfindung in der Religion. Ich rede..."

 Turn  88 | Lanz (Mod) | D-Score: -0.24 | Val: -0.20 | "Was heißt das?..."

 Turn  91 | Hübsch     | D-Score: -0.16 | Val: -0.20 | "Wir haben Mitglieder, die kein Kopftuch tragen. Wir verstehe..."

🔬 Meso-Ebene 29

 Turn  13 | Khorchide  | D-Score: -0.08 | Val: -0.20 | "Ich habe nicht Hamas zitiert, ich habe den Propheten, was in..."

 Turn  19 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Wir haben das auf beiden Seiten, das gehört zur Wahrheit daz..."

 Turn  39 | Hübsch     | D-Score: -0.07 | Val: -0.30 | "Ich kann Ihnen nur sagen, dass es bei uns Thema ist...."

 Turn  77 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Das ist konstruktiver, als wenn man Leute vor die Wahl stell..."

 Turn  81 | Hübsch     | D-Score: -0.19 | Val: -0.30 | "Homosexuell? Wir haben Mitglieder. Die haben unterschiedlich..."

 Turn  94 | Mansour    | D-Score: +0.04 | Val: -0.50 | "Wir dürfen das auch kritisieren. Wenn das mit den Grundwerte..."

🔬 Meso-Ebene 31

 Turn  37 | Hübsch     | D-Score: -0.06 | Val: -0.30 | "Es gibt nicht einen einzigen Fall, der mir bekannt wäre, wo ..."

 Turn  62 | Lanz (Mod) | D-Score: -0.27 | Val: +0.00 | "Aber das, worüber ich hier spreche, das beginnt schon lange ..."

 Turn  64 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Da meint man......"

 Turn  66 | Khorchide  | D-Score: -0.25 | Val: -0.20 | "Sie reden politisch über diejenigen, die sagen, Scharia ist ..."

 Turn  92 | Lanz (Mod) | D-Score: -0.14 | Val: -0.10 | "Wann beginnt das, in welchem Alter?..."

 Turn  96 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Ich würde gerne zum Schluss, weil ich vermute, wir werden gl..."

🔬 Meso-Ebene 35

 Turn  59 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Weil wir politische Debatten haben. Im Moment ist die Entfre..."

 Turn  61 | Hübsch     | D-Score: -0.23 | Val: -0.30 | "Weil Deutschland international isoliert dasteht. Weil man ni..."

 Turn  63 | Hübsch     | D-Score: -0.16 | Val: -0.30 | "Wir haben zu problembehaftete Debatten. Wegen Scharia noch m..."

 Turn  93 | Hübsch     | D-Score: -0.13 | Val: -0.30 | "Das ist individuell. Herr Lanz, das ist wichtig. Sie müssen ..."

MAKRO-Regime 2 Agenda-Setting

Die Datenlage: Plötzlich positive Valenzen (+0.10, +0.30) und, ganz entscheidend, positive D-Scores (+0.12, +0.14).
Die Akteure: Lanz und Khorchide dominieren hier massiv.
Der Inhalt: Hier wird das Gespräch aktiv und konstruktiv auf eine neue Ebene gehoben („Sie haben mir gerade einen guten Übergang geliefert“, „Wir haben ein theologisches Problem“, „Vielleicht sollten wir das auch mal machen“).
Die System-Diagnose: Das ist der informationstheoretische Beweis für das Emergenz-Plateau. Das System tritt in echte kollektive Resonanz. Positive Disruptionen ( $D > 0$ ) bedeuten hier keinen Streit, sondern Agenda-Setting und Führung. Wahrheit/Sachlichkeit übernimmt die Kontrolle. Die Makro-Software dominiert, das Team entwickelt einen gemeinsamen, vorwärts gerichteten Gedanken.

🔬 Meso-Ebene 15

 Turn  15 | Khorchide  | D-Score: -0.07 | Val: -0.20 | "Kurz das Argument zu Ende. Diese Koranstellen, die müssen hi..."

 Turn  31 | Lanz (Mod) | D-Score: +0.12 | Val: +0.00 | "Ein theologischer Satz, dann eine Frage an Sie und dann Ahma..."

 Turn  50 | Lanz (Mod) | D-Score: +0.02 | Val: +0.00 | "Sie haben mir gerade einen guten Übergang geliefert. Sie sag..."

 Turn  79 | Hübsch     | D-Score: -0.15 | Val: +0.00 | "Natürlich. Unsere Moscheen sind offen für alle Menschen...."

 Turn  90 | Lanz (Mod) | D-Score: -0.02 | Val: -0.10 | "Kopftuch tragen, ja oder nein?..."

🔬 Meso-Ebene 18

 Turn  11 | Khorchide  | D-Score: -0.11 | Val: -0.20 | "Und nicht, dass es nicht für allgemeinere ist. Das ist nicht..."

 Turn  60 | Lanz (Mod) | D-Score: -0.06 | Val: +0.00 | "Das ist wahr...."

 Turn  75 | Hübsch     | D-Score: -0.10 | Val: -0.30 | "Ich bin für beides. Meine Scharia sagt mir, ich muss mich an..."

 Turn  86 | Lanz (Mod) | D-Score: -0.02 | Val: +0.00 | "Er hat nach Homosexualität gefragt...."

 Turn 100 | Lanz (Mod) | D-Score: +0.00 | Val: +0.00 | "Die Situation kenne ich aus Israel. Genau...."

🔬 Meso-Ebene 34

 Turn  32 | Khorchide  | D-Score: -0.10 | Val: +0.10 | "Ich würde dem widersprechen. Wir haben ein theologisches Pro..."

 Turn  53 | Khorchide  | D-Score: +0.05 | Val: -0.20 | "Wenn Sie diese Jugendlichen fragen, was meinen Sie mit Schar..."

 Turn  56 | Lanz (Mod) | D-Score: -0.04 | Val: +0.00 | "Und wie gesagt, weltweit. Es war sehr interessant, diese Unt..."

 Turn  89 | Hübsch     | D-Score: -0.03 | Val: -0.30 | "Keine Sexualität vor der Ehe gehört dazu. Man muss das nicht..."

🔬 Meso-Ebene 36

 Turn  34 | Lanz (Mod) | D-Score: +0.12 | Val: -0.30 | "Ich würde gerne Frau Hübsch an dem Punkt fragen, weil das ge..."

 Turn  52 | Lanz (Mod) | D-Score: +0.09 | Val: +0.30 | "Vielleicht sollten wir das auch mal machen, zum Christentum ..."

 Turn  55 | Khorchide  | D-Score: -0.24 | Val: +0.10 | "Und in Abgrenzung zu euch sage ich Scharia. Und das ist das ..."

 Turn  58 | Lanz (Mod) | D-Score: +0.14 | Val: +0.00 | "Aber woher kommt das?..."

Auf dieser Basis ergeben sich Regeln, die in einem Hybride Collective Intelligence Dashboard verwendet werden. Sie unterstützen eine Führungskraft oder einen Moderator bei der Führung eines Teams bzw. der Moderation einer Gruppe
  
======================================================================
 SYSTEM-DIAGNOSE: DIE QUANTITATIVEN WENN-DANN REGELN
======================================================================

>>> MAKRO-REGIME 0 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 2) | Vorhersage (y_hat): -0.486 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6 <= -0.355
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 6) | Vorhersage (y_hat): -0.318 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7 <= -0.213 UND 
     t-6  > -0.234
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 7) | Vorhersage (y_hat): -0.422 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7  > -0.213
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 13) | Vorhersage (y_hat): -0.303 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1 <= -0.351 UND 
     t-4  > -0.206
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 24) | Vorhersage (y_hat): -0.320 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1 <= -0.178 UND 
     t-6  > -0.180
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 25) | Vorhersage (y_hat): -0.408 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1  > -0.178
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 30) | Vorhersage (y_hat): -0.307 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8  > -0.290 UND 
     t-1  > -0.208
DANN fällt das System in Makro-Regime 0


>>> MAKRO-REGIME 1 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 5) | Vorhersage (y_hat): -0.178 | Datenpunkte: 4
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7 <= -0.213 UND 
     t-6 <= -0.234
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 12) | Vorhersage (y_hat): -0.165 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1 <= -0.351 UND 
     t-4 <= -0.206
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 17) | Vorhersage (y_hat): -0.215 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7  > -0.276 UND 
     t-8 <= -0.223
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 23) | Vorhersage (y_hat): -0.230 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1 <= -0.178 UND 
     t-6 <= -0.180
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 27) | Vorhersage (y_hat): -0.168 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8 <= -0.290
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 29) | Vorhersage (y_hat): -0.219 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8  > -0.290 UND 
     t-1 <= -0.208
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 31) | Vorhersage (y_hat): -0.142 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6  > -0.078
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 35) | Vorhersage (y_hat): -0.238 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2 <= -0.108 UND 
     t-8  > -0.209
DANN fällt das System in Makro-Regime 1


>>> MAKRO-REGIME 2 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 15) | Vorhersage (y_hat): -0.040 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7 <= -0.276
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 18) | Vorhersage (y_hat): -0.080 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7  > -0.276 UND 
     t-8  > -0.223
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 34) | Vorhersage (y_hat): -0.065 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2 <= -0.108 UND 
     t-8 <= -0.209
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 36) | Vorhersage (y_hat): 0.025 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2  > -0.108
DANN fällt das System in Makro-Regime 2

Literatur

[1] Rosas F E et al. (2024) Software in the natural world: A computational approach to hierarchical emergence, arXiv:2402.09090v2, 5 Jun 2024

[2] Jens Köhler und Alfred Oswald: Die Collective Mind Methode (2009)

Alfred Oswald, Jens Köhler, Roland Schmitt: Projektmanagement am Rande des Chaos (2016), auch in englischer Sprache verfügbar: Project Management at the Edge of Chaos, Springer 2018

Alfred Oswald und Wolfram Müller (editors): Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 2019

Vom Bösen im Fell des Guten II: Vom Blindflug des politischen Systems Deutschland – Jedes System bekommt das, was es verdient!?

Kurzfassung: Dieser Blog-Beitrag analysiert das NSDAP- und AfD-Parteiprogramm mit dem Entwicklungs- und Bewusstseinsmodell Spiral Dynamics. Diese Analyse zeigt, dass dem aktuellen Parteiensystem Deutschlands keine integrale Kraft innewohnt und damit der AfD den Nährboden gelegt hat. Da das aktuelle Parteiensystem die Wertestruktur (value meme) der Bevölkerung widerspiegelt, ist nicht zu erwarten, dass sich ein integrales Parteiensystem in absehbarer Zeit entwickeln wird. Deshalb ist es nötig, eine Evolution der demokratischen Architektur vorzunehmen. Es werden Maßnahmen vorgeschlagen, die den Prozess hin zu einer Integralen Politik unterstützen.

Der Blog-Beitrag wurde mit den KI Systemen Gemini Pro und Copilot erstellt. Das Bild wurde mit ChatGPT erstellt. Gemini hat ein erstes sehr gelungenes Bild erzeugt, das lediglich kleiner Änderungen bedurfte. Es weigerte sich diese Änderungen vorzunehmen. Auch ChatGPT bedurfter guten Zuredens. – Die Themen NSDAP und AfD sind wohl in beiden Fällen der Grund.

In dem vorherigen Blog-Beitrag der Reihe ‚Vom Bösen im Fell des Guten‘ habe ich die Parteiprogramme von NSDAP und AfD gegenüber gestellt. In den fünf Themenbereichen

Logik der Ausgrenzung
Gleichschaltung von Wahrheit und Recht
Völkische Biopolitik und Normierung
Wirtschaft
Bildung und Kultur

habe ich faschistische Parallelitäten zwischen den Parteiprogrammen aufgedeckt.

Der Nationalsozialismus, aber auch Trump’s Amerika, zeigt, dass die faschistische Ausgestaltung dieser fünf Bereiche entscheidend für die Aushöhlung der Demokratie ist. Die Zerstörung der Demokratie ist begleitet von Entmenschlichung, dem Verlust von Fakten und Wissenschaft, dem Niedergang der Wirtschaft und der selbst bestimmten Gestaltung der Zukunft.

Vereinfacht könnte man den jeweiligen faschistischen Führern Hitler, Trump und Weidel/Höcke und deren unmittelbaren Gefolgsleuten die Schuld für die Aushöhlung der Demokratie geben.

In diesem Blog-Beitrag betrachte ich (vor allem) die letzten zehn Jahre des politischen Systems Deutschland mittels des Entwicklungs- und BewusstseinsmodellsSpiral Dynamics. Ich zeige, dass sich seit mindestens zehn Jahren das politische System Deutschland im Blindflug befindet und dass dieses System fast zwangsläufig eine AfD mit faschistischen Eigenschaften hervorgebracht hat.

Im Kern geht es darum, dass ein Parteiensystem, dem keine integrale Kraft innewohnt, nicht in der Lage ist, Komplexität zu meistern. Dieses Fehlen an Metakompetenz erzeugt Ungewissheit und Unsicherheit und schließlich Angst. Faschistische Populisten machen sich diese Angst zu nutze: Die Angst verengt den Welt-Blick der Menschen und erlaubt Populisten völlig einfältige, gleichzeitig aber einnehmende Antworten auf komplexe Themen zu geben. So gesehen bekommt das System Deutschland, das was es verdient, nämlich das, was es selbst hervorgerufen hat.

Wie komme ich zu dieser schwerwiegenden Einschätzung?

Da ich das Spiral Dynamics Modell in den vergangenen Blog-Beiträgen schon sehr oft angewendet habe, verzichte ich an dieser Stelle auf ein weitere Beschreibung des Modells und verweise für eine kurze Darstellung auf den Blog-Beitrag ‚Quantum Spiral Dynamics: ‚Es gib nur eine Welt!‘ oder von Eichtheorien und Topologien‘. Ich verweise auch auf folgende Blog-Beiträge: ‚Rückwärtsgewandt in den Abgrund…oder… Entwickeln wir uns weiter!?‘ vom November 2023, ‚Gesellschaftlicher Wandel – Sein oder Nicht-Sein? – Das ist hier die Frage!‘ vom Mai 2020 und ‚Cultural Entropy: Corona deckt unsere Werte auf‘ vom März 2020. – In diesen Blog-Beiträgen habe ich ähnliche Anwendungsfälle, wie den hier diskutierten, behandelt.

Zuerst zeige ich, wie das Spiral Dynamics Modell die Aussagen aus dem vorherigen Blog-Beitrag verortet. Ich beschränke mich auf den Themenbereich ‚Bildung‘. Meines Erachtens spiegelt sich in diesem Themenbereich die gesamte Katastrophe, die mit einem AfD Wahlsieg in einem oder mehreren (ostdeutschen) Ländern verbunden wäre, wider.

Ich gehe entlang der value meme von Spiral Dynamics und beschreibe mit diesen zentrale Aspekte des Themenbereiches ‚Bildung‘, jeweils für die NSDAP und die AfD:

Ebene PURPUR

1. Das psychologische Bedürfnis von PURPUR

PURPUR sucht Schutz im Stamm, mythische Sicherheit, klare Abgrenzung nach außen und Ahnenverehrung. Es reagiert panisch auf die Auflösung von Grenzen, Multikulturalismus (GRÜN) oder globale Marktlogik (ORANGE). Es verlangt nach Ritualen, heiligen Symbolen und einer Heldenerzählung.

2. Die historische Manifestation: Die NSDAP (1932)

Die NSDAP hat PURPUR wie keine zweite Bewegung instrumentalisiert, um das Bildungssystem zu fluten.

Der Mythos des „Blutes“ (Die biologische Stammeslinie): In den Schulen wurde „Rassenkunde“ nicht als trockenes Fach gelehrt, sondern als mythisches Erbe. Das deutsche Blut wurde als heilige, reine Kette dargestellt, die von den Ahnen (den alten Germanen) bis in die Gegenwart reicht und vor „Verschmutzung“ geschützt werden muss.
Kultische Rituale statt Pädagogik: Der Schulalltag wurde ritualisiert. Der Hitlergruß zu Beginn jeder Stunde war kein bloßes Gesetz (BLAU), sondern ein magisches Ritual der Unterwerfung unter den Stammeshäuptling (Hitler).
Die Heldenerzählung: Die deutsche Geschichte wurde im Unterricht umgeschrieben zu einer unendlichen Kette von Opfertaten deutscher Helden. Ziel war es, beim Kind den PURPUR-Impuls zu aktivieren: „Ich gehöre zu einem mystischen, unbesiegbaren Stamm, für den ich mich opfern muss.“

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Das aktuelle sachsen-anhaltische „Regierungsprogramm“ für die Schulen und die Kulturpolitik nutzt exakt dieselben PURPUR-Trigger, übersetzt in die Sprache von heute.

Heimat- und Ahnenkunde statt kritischer Historie: Das Programm fordert vehement, die kritische Auseinandersetzung mit den NS-Verbrechen im Unterricht zurückzudrängen. Stattdessen soll eine „patriotische Kultur- und Heimatkunde“ etabliert werden. Das ist der PURPUR-Versuch, die Ahnenreihe wieder „rein“ und „makellos“ zu machen. Man will eine unbefleckte Identität an die Kinder weitergeben.
Das magische Symbol (Die Flaggen-Pflicht): Die konkrete Forderung, an sachsen-anhaltischen Schulen täglich die deutsche Flagge zu hissen, ist kein rein bürokratischer Akt. Es ist ein klassisches PURPUR-Ritual. Das Symbol der Gemeinschaft wird sakralisiert, um ein tägliches, emotionales Zugehörigkeitsgefühl zum „Stamm“ zu erzwingen.
Die Abwehr des „Fremden“ im Klassenzimmer: Die Ablehnung von multikulturellen Lehrinhalten oder geschlechtergerechter Sprache wird im Programm als Abwehr einer „Bedrohung unserer kulturellen Identität“ formuliert. PURPUR nimmt alles, was nicht der eigenen Stammesnorm entspricht, als magische Bedrohung oder „Zersetzung“ wahr.
Kultur als „Identitätsfindung“: Kulturförderung (für Theater und Museen) soll laut Programm strikt daran gekoppelt werden, ob sie zur deutschen Identitätsfindung beiträgt. Kunst wird somit von ihrer freien Funktion (Gegenwart) entkleidet und zu einem reinen PURPUR-Werkzeug der rituellen Selbstbestätigung des Stammes umfunktioniert.

Systemische Erkenntnis

Die AfD erhält in Sachsen-Anhalt so viel Zuspruch, weil sie eine „Re-Tribalisierung“ (Rückkehr zum Stamm) anbietet.

Die etablierte Politik spricht oft auf der Ebene ORANGE (Wirtschaftszahlen, Arbeitsplätze) oder GRÜN (Diversität, Inklusion, globale Verantwortung). Für einen Menschen, dessen psychologisches Fundament durch Krisen erschüttert ist, klingen diese Ebenen kalt, komplex und bedrohlich.

Die AfD kommt auf der Ebene PURPUR und sagt:

„Du musst nicht komplex denken. Du gehörst zu uns. Das ist deine Heimatscholle. Das ist deine Flagge. Deine Ahnen waren Helden. Wir schützen dich vor den Fremden.“

Das ist ein unheimlich mächtiges, regressives Angebot. Es schaltet den Verstand aus und aktiviert das archaische Sicherheitsbedürfnis.

Wenn moderne, komplexe Systeme (ORANGE/GRÜN) versagen oder zu viel Unsicherheit erzeugen, kollabieren Menschen psychologisch nicht nach BLAU (Regeln), sondern rutschen direkt durch in ein regressives, verletztes PURPUR. Und genau dort holt die radikale Programmatik (wie die der AfD Sachsen-Anhalt im Jahr 2026) die Wähler ab.

Nachdem wir das mythische Fundament auf der Ebene PURPUR (das unbewusste Bedürfnis nach Stammeszugehörigkeit, Symbolen und Ahnenstolz) freigelegt haben, schaut Spiral Dynamics auf die nächste Entwicklungsstufe: ROT (Macht, Impulsivität, Aggression und der Bruch mit Fesseln).

Wenn das verletzte PURPUR-Gefühl („Unser Stamm ist bedroht!“) politisch mobilisiert wird, bricht es auf Ebene ROT als aggressiver Selbstbehauptungswille hervor. ROT kennt keine Kompromisse, keine bürokratischen Regeln (BLAU) und keine Empathie für Außenstehende (GRÜN). Es versteht nur eine Sprache: Stärke vs. Schwäche, Dominanz vs. Unterwerfung.

Ebene ROT

1. Das psychologische Bedürfnis von ROT

ROT sucht unmittelbare Macht, egomanische Dominanz und den sichtbaren Triumph über den Gegner. Es verabscheut Schwäche und „Gedöns“ (wie lange demokratische Konsensprozesse). Es reagiert fasziniert auf Leitfiguren, die ungestraft Tabus brechen, weil dieser Tabubruch Stärke signalisiert. In der Schule verlangt ROT nach einer strengen Hierarchie, Unterwerfung und der Auslese des Stärkeren.

2. Die historische Manifestation: Die NSDAP (1932/1933)

Die NSDAP nutzte die ROT-Energie, um das bestehende, eher steife Weimarer Schulsystem (das auf Ebene BLAU organisiert war) regelrecht zu überrennen und zu terrorisieren.

Der Tabubruch als Machtdemonstration: Lange vor den Rassegesetzen drangen nationalsozialistische Lehrer und Schülergruppen (die HJ) mit roher Gewalt und Einschüchterung in die Schulen ein. Sie verhöhnten jüdische oder sozialdemokratische Lehrkräfte im Unterricht. Dieser offene Bruch mit dem zivilisierten Anstand zeigte der Klasse: „Die alte Ordnung hat keine Macht mehr, wir sind die neuen Herren.“
Kult der Härte und Auslese: Die Pädagogik wurde militarisiert. Schwäche wurde nicht mehr geduldet, sondern verachtet. Sport wurde zum Selektionsinstrument aufgewertet. In den Box- und Wehrsport-Ringen der Schulen durfte und sollte ROT sich austoben: Der Stärkere setzt sich durch, der Schwächere wird gedemütigt.
Zerstörung der elterlichen Autorität: Die NSDAP spaltete die Familien, indem sie die ROT-Energie der Jugendlichen ansprach. Durch den Eintritt in die Hitlerjugend bekamen 14-Jährige plötzlich Macht über ihre „bürgerlichen, schwachen“ Eltern. Sie durften befehlen, marschieren und Uniform tragen – eine enorme Aufwertung des jugendlichen ROT-Impulses.

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

In einer modernen, gefestigten Demokratie kann ROT (bisher) nicht mit SA-Stiefeln in die Klassenzimmer marschieren. Daher nutzt das aktuelle sachsen-anhaltische Programm der AfD digitale und legislative Hebel, die psychologisch exakt dieselbe ROT-Funktion erfüllen: Machtumkehr und Einschüchterung.

Die Meldeportale („Neutrale Schule“) als Machtwerkzeug: Online-Pranger, auf denen Schüler anonym Lehrer denunzieren können, die sich kritisch mit Rechtsextremismus befassen, sind reine ROT-Instrumente. Sie brechen das klassische, respektbasierte Hierarchieverhältnis im Klassenzimmer auf. Der Schüler bekommt plötzlich ein digitales „Schwert“ in die Hand gedrückt, mit dem er den Lehrer bedrohen kann. Das signalisiert Macht: „Wenn du das Falsche sagst, vernichte ich deine Karriere.“
Der radikale Inklusionsstopp als Verachtung von Schwäche: Die programmatische Forderung, die schulische Inklusion von Kindern mit Behinderungen oder Lernschwierigkeiten komplett abzuschaffen und sie auf Sonderschulen abzuschieben, entspringt der ungesunden ROT/BLAU-Schnittstelle. Es ist die eiskalte Feststellung, dass Schwäche das Gesamtsystem „bremst“. Anstatt das Individuum zu schützen (GRÜN), wird es als Ballast definiert und rigoros ausgesondert. Das Klassenzimmer wird wieder zum Raum der reinen Leistungsauslese.
Das „Neutralitätsgebot“ als Redeverbot (Dominanz): Das geforderte Neutralitätsgebot ist in Wahrheit kein Aufruf zur Sachlichkeit, sondern ein Machtinstrument zur Durchsetzung von Denk- und Sprechverboten. Lehrkräfte, die moderne, pluralistische Werte (GRÜN) vermitteln, sollen durch Disziplinarmaßnahmen und staatliche Härte mundtot gemacht werden. Es ist der sichtbare Triumph der eigenen Ideologie über den politischen Gegner.

Systemische Erkenntnis

Wenn wir PURPUR und ROT zusammenbetrachten, wird das Erosionstempo der demokratischen Schule überdeutlich:

PURPUR liefert den Treibstoff (Die Emotion): Es erzeugt die Angst vor dem Verlust der Identität und die Sehnsucht nach dem „reinen Stamm“.
ROT liefert die Waffe (Die Aktion): Es kanalisiert diese Angst in Aggression. Es bricht die Tabus, installiert Denunziations-Werkzeuge und sortiert die Schwachen aus.

Die etablierte Politik versucht oft, die AfD-Forderungen auf der Ebene BLAU (mit juristischen Argumenten, Verfassungsschutz-Einstufungen) oder ORANGE (wirtschaftlichen Folgen) zu bekämpfen. Das läuft jedoch ins Leere, weil ROT sich von BLAU nicht beeindrucken lässt. Im Gegenteil: Wenn der Rechtsstaat (BLAU) zögert oder formalistisch agiert, verbucht ROT das als Schwäche und wird nur noch mutiger.

Der Zuspruch zur AfD wächst auch deshalb, weil Menschen, die sich in einer komplexen Welt ohnmächtig fühlen, durch die Wahl dieser Partei an der ROT-Energie partizipieren wollen. Sie wählen den Tabubruch, um den „Eliten“ ihre aufgestaute Wut und Stärke spürbar zu demonstrieren.

Nach dem mythischen Fundament von PURPUR (Stamm) und der aggressiven Durchsetzungskraft von ROT (Macht) erreichen wir nun die Ebene, auf der eine politische Bewegung den Sprung zur echten, dauerhaften Herrschaft anstrebt: BLAU (Ordnung, Struktur, Absolutheitsanspruch, Recht und Gesetz).

Auf dieser Ebene verlässt die Radikalisierung das Stadium des bloßen Krawalls und der Provokation. BLAU will das System nicht mehr nur von außen attackieren, sondern es von innen heraus neu codieren.

Das psychologische Bedürfnis von BLAU nach absoluter Wahrheit und unumstößlichen Regeln wird hier instrumentalisiert, um aus der bisherigen Ideologie feste, staatlich legitimierte Institutionen zu gießen. Wer die Regeln auf Ebene BLAU kontrolliert, bestimmt, was im gesamten Staat als „legal“ und „illegal“ gilt.

Ebene BLAU

1. Das psychologische Bedürfnis von BLAU

BLAU sucht Sicherheit durch absolute Gehorsamspflicht, klare Hierarchien, Belohnung von Konformität und die Bestrafung von Abweichung. Es glaubt an eine einzige, universelle Wahrheit (Gut gegen Böse, Richtig gegen Falsch). Es verabscheut Pluralismus (GRÜN), weil dieser Verwirrung stiftet, und es misstraut dem freien Markt (ORANGE), weil dieser egoistisch ist. In der Schule verlangt BLAU nach zentraler Kontrolle, unfehlbaren Lehrplänen und der Erziehung zur Pflichterfüllung.

2. Die historische Manifestation: Die NSDAP (Ab 1933)

Sobald die NSDAP die Staatsmacht innehatte, goss sie ihre ROT-Energie sofort in die bürokratischen Strukturen von BLAU, um das Bildungswesen lückenlos zu kontrollieren.

Das Gesetz als Waffe (Rechtliche Säuberung): Mit dem „Gesetz zur Wiederherstellung des Berufsbeamtentums“ (April 1933) nutzte die Führung ein formal legales, bürokratisches Instrument (BLAU), um jüdische, sozialdemokratische und kritische Lehrkräfte fristlos zu entlassen. Die Willkür wurde in den Rang eines Staatsgesetzes erhoben.
Totale Zentralisierung der Lehrpläne: Das neu gegründete Reichserziehungsministerium entzog den Ländern die Schulhoheit. Jedes Schulbuch, jedes Thema und jede Prüfungsfrage wurde reichsweit zentralisiert und ideologisch normiert. Es gab nur noch eine staatlich verordnete Wahrheit; Abweichung im Unterricht galt als Hochverrat.
Institutionalisierung des Gehorsams: Die Schule wurde zum bürokratischen Vorhof der Wehrmacht. Noten wurden an ideologisches Wohlverhalten gekoppelt. Das Ziel von BLAU war hier perfekt erreicht: Die Erzeugung des absolut funktionierenden, pflichtbewussten Untertans, der im System aufgeht, ohne es jemals zu hinterfragen.

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Das „Regierungsprogramm“ der AfD Sachsen-Anhalt für das Jahr 2026 zeigt eine massive Dichte an BLAU-Forderungen. Hier wird der Versuch unternommen, das moderne, liberale und dezentrale Bildungssystem durch einen autoritär-bürokratischen Ordnungsrahmen zu ersetzen.

Das gesetzliche „Neutralitätsgebot“ (Die Bürokratisierung des Denkens): Was auf Ebene ROT noch als Einschüchterung durch Meldeportale begann, wird auf Ebene BLAU zu einer handfesten Gesetzesforderung: Die Verankerung eines rigiden „Neutralitätsgebots“ im Schulgesetz. Durch exakte bürokratische Vorschriften und angedrohte Disziplinarmaßnahmen (Dienstvergehen, Gehaltskürzungen, Entlassungen) sollen Lehrkräfte rechtlich gezwungen werden, kritische gesellschaftliche Debatten aus dem Unterricht zu verbannen.
Rückkehr zu starren, hierarchischen Schulstrukturen: Das Programm fordert die Rückabwicklung moderner, flexibler Schulformen (wie Gemeinschaftsschulen) und die strikte Rückkehr zum klassischen, dreigliedrigen Schulsystem. Zudem soll die Schullaufbahnempfehlung nach der Grundschule wieder rechtlich bindend werden. Das ist reines BLAU: Der Staat weiß am besten, in welche Schublade ein Kind gehört. Es ist die gesetzliche Zuweisung von Status und Lebensweg.
Zentralisierung und Reinigung der Lehrinhalte: Die „patriotische Heimatkunde“ soll per Lehrplanänderung gesetzlich verordnetes Pflichtelement werden. Gleichzeitig wird die administrative Streichung aller Lehrinhalte gefordert, die mit Gender-Themen, postkolonialer Kritik oder sexueller Vielfalt zu tun haben. BLAU duldet in den offiziellen staatlichen Dokumenten keine Ambiguität – es gibt nur die eine, vom Staat definierte Leitkultur.

Systemische Erkenntnis

Auf der Ebene BLAU wird das Forecasting besonders alarmierend. Hier vollzieht sich der Übergang von der unorganisierten Bewegung zur institutionalisierten Staatsgewalt:

PURPUR liefert die emotionale Sehnsucht nach dem eigenen Stamm.
ROT bricht die Tabus und schüchtert den Gegner ein.
BLAU baut die Festung. Es nutzt den legalen Staatsapparat, die Ministerialbürokratie und das Beamtenrecht, um diese Ideologie für Generationen einzubetonieren.

Das Dilemma der Abwehrkräfte

Die Krux im politischen System Deutschlands ist, dass die demokratischen Institutionen selbst tief auf der Ebene BLAU (Rechtsstaatlichkeit, formale Verfahren, Einhaltung von Dienstwegen) organisiert sind.

Wenn eine radikale Partei die Macht im Ministerium übernimmt, kann sie den Staatsapparat mit dessen eigenen, rein bürokratischen Mitteln umbauen. Ein treuer Beamter auf Ebene BLAU führt den Erlass aus, weil es ein Erlass ist – die moralische Frage (GRÜN) oder die wirtschaftliche Vernunft (ORANGE) werden durch die BLAU-Logik der Pflichtausführung oft ausgeschaltet.

Der Zuspruch zur AfD auf der Ebene BLAU speist sich aus einer tiefen Sehnsucht nach Komplexitätsreduktion. In einer von GRÜN (Vielfalt, Diskurse) und ORANGE (globaler Wandel) geprägten Welt verspricht das BLAU der AfD eine Welt, die wieder überschaubar ist: Klare Gesetze, feste Strukturen, eindeutige Lehrpläne und harte Strafen für jeden, der aus der Reihe tanzt.

Ich schließe den Kreis der Spirale mit der Ebene, die für das Verständnis des AfD-Zuspruches die wohl wichtigste Rolle spielt: GRÜN (Pluralismus, Diversität, gelebte Empathie, Ökologie, Gleichberechtigung und Weltgemeinschaft).

In der Dynamik von Spiral Dynamics ist GRÜN die Ebene, die historisch in den letzten Jahrzehnten in den westlichen Gesellschaften (und im politischen Establishment) tonangebend geworden ist. GRÜN blickt auf ORANGE (Kapitalismus) und sagt: „Materieller Erfolg ist nicht alles, wir ruinieren den Planeten und grenzen Minderheiten aus.“ GRÜN blickt auf BLAU (Tradition) und sagt: „Eure starren Regeln und alten Rollenbilder unterdrücken die Individualität.“

Für die AfD und das rechtsextreme Weltbild ist GRÜN jedoch nicht einfach nur eine andere politische Meinung – GRÜN ist der absolute Hauptfeind, die personifizierte „Zersetzung“. Das gesamte sachsen-anhaltische AfD Parteiprogramm für 2026 ist im Kern ein groß angelegter, gesetzlicher Gegenangriff, um die Errungenschaften der GRÜNEN Ebene im Bildungswesen und der Kultur restlos auszurotten.

Ebene GRÜN

1. Das psychologische Bedürfnis von GRÜN

GRÜN sucht Harmonie, absolute Gleichberechtigung, den Schutz von Minderheiten, Multikulturalität und ein Bewusstsein für globale und ökologische Zusammenhänge. In der Schule verlangt GRÜN nach Inklusion (niemand wird zurückgelassen), diskriminierungsfreien Räumen, demokratischer Mitbestimmung der Schüler und einer kritischen Aufarbeitung der eigenen Geschichte.

2. Die historische Manifestation: Die NSDAP (Ab 1933)

Die NSDAP traf bei ihrer Machtübernahme auf die ersten zarten Vorstufen der GRÜNEN Ebene aus der Weimarer Republik (wie die Reformpädagogik, die jüdische Humanitätsphilosophie oder die frühe Sexualwissenschaft von Magnus Hirschfeld). Die Reaktion des Regimes war erbarmungslos:

Physische und intellektuelle Vernichtung: Bücherverbrennungen im Mai 1933 waren der symbolische Akt, um das pluralistische, humanistische Denken (GRÜN) auszulöschen. Das Institut für Sexualwissenschaft wurde geplündert und zerstört.
Radikale De-Humanisierung: Da GRÜN auf universelle Menschenrechte setzt, musste das Regime dieses Konzept im Keim ersticken. Im Schulunterricht wurde Empathie für „Stammfremde“ oder Kranke als biologische Schwäche umdefiniert. Wer Mitleid zeigte, galt als Verräter an der eigenen Rasse.

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Das sachsen-anhaltische AfD Programm liest sich wie eine chirurgische Demontage der GRÜNEN Ebene im gesamten Bundesland. Die Strategie lautet: Kriminalisierung und Entzug der Existenzgrundlage.

Die totale Verfemung von „Gender“ und Diversität: Das Programm fordert das strikte Verbot von geschlechtergerechter Sprache an allen Schulen, Universitäten und Behörden. Gleichzeitig sollen alle Initiativen, die Akzeptanz für sexuelle Minderheiten (LGBTQ+) schaffen wollen, aus den Schulen verbannt und ihnen jegliche finanzielle Förderung entzogen werden. GRÜN wird hier als „Frühsexualisierung“ und „Ideologie“ geframt, die Kinder „pervertiere“.
Die Zerschlagung der schulischen Inklusion: Wie bereits bei der ROT-Ebene analysiert, fordert die AfD die gesetzliche Abschaffung der Inklusion. Aus der Sicht von GRÜN ist das ein fundamentaler Angriff auf die Menschenwürde. Das Recht, gemeinsam zu lernen, wird durch die völkische BLAU/ROT-Logik der Leistungsauslese ersetzt.
Kultursäuberung durch Mittelentzug: Theater, Gedenkstätten und Museen, die moderne, gesellschaftskritische oder kosmopolitische Kunst (GRÜN) zeigen, wird im Programm offen mit dem Entzug staatlicher Gelder gedroht. Kunst hat nicht mehr kritisch zu sein, sondern muss sich der „Heimatpflege“ unterordnen.
Verbot politischer Bildung: Demokratieprojekte und Vereine, die an Schulen über Rassismus, Rechtsextremismus oder Antisemitismus aufklären, werden im Programm als „linke Umerzieher“ diffamiert. Ihr Zugang zu Schulen soll administrativ gesperrt werden.

Das große systemische Fazit: Warum der Zuspruch so massiv ist

Wenn wir die gesamte Spirale von PURPUR bis GRÜN betrachten, verstehen wir das „Warum“ hinter dem Erfolg der AfD im Jahr 2026 glasklar. Es ist ein Kulturbeben, das auf einem tiefen systemischen Fehlschlag basiert:

Die Überforderung durch GRÜN: Die moderne Gesellschaft ist in den letzten zwei Jahrzehnten rasant nach GRÜN gewandert (Klimaschutz, Gendern, Migration, globale Verantwortung). Für viele Menschen, die psychologisch auf den Ebenen BLAU (Sicherheit, Tradition) oder PURPUR (Stamm) verankert sind, war dieses Tempo ein brutaler Kulturschock. Sie empfinden die GRÜNE Sprache und Werte als elitäre „Diktatur“, die ihre eigene Identität entwertet.
Die regressive Allianz der AfD: Die AfD bietet diesen Menschen eine radikale Erleichterung an. Sie verspricht, die Uhr zurückzudrehen. Sie nutzt die ROT-Energie (Wut, Aggression, Tabubruch), um das verletzte PURPUR (Sehnsucht nach dem Stamm) zu mobilisieren, mit dem Ziel, eine autoritäre BLAU-Struktur (Gesetze, Strafen, Verbote) zu errichten, die das verhasste GRÜN ein für alle Mal vernichtet.

Der Zuspruch zur AfD wächst nicht, obwohl sie so radikal gegen GRÜN vorgeht, sondern genau deswegen. Für Millionen Wähler wirkt das sachsen-anhaltische AfD-Programm wie ein psychologischer Befreiungsschlag aus einer Welt, die ihnen zu komplex, zu bunt und zu unsicher geworden ist.

Das tragische Paradoxon: Indem diese Bewegung GRÜN vernichtet, kollabiert langfristig auch die wirtschaftliche und technologische Innovationskraft auf Ebene ORANGE. Das System reißt die Stufen der Spirale nach unten ab. Am Ende bleibt eine Gesellschaft, die isoliert, verarmt (ORANGE-Kollaps) und erstarrt ist – aber panisch die eigene Flagge schwenkt (PURPUR/BLAU).

An Hand der obigen Ausführungen verallgemeinere ich:

Steigende Individualisierung zerstört Purpur

Purpur (Stamm, Mythos, Wir-Gefühl) braucht:

klare Zugehörigkeit
Rituale
Tradition
mythische Erzählungen
„Wir gegen die“

Die moderne Gesellschaft bietet:

Mobilität
Pluralität
Hybridität
Identitätsoptionen
Wahlfreiheit

Für Purpur ist das Verlust von Heimat.

Purpur denkt:

„Ich weiß nicht mehr, wer wir sind.“

Das erzeugt:

Sehnsucht nach „Volk“, „Heimat“, „Wurzeln“
mythische Erzählungen
ethnische Fantasien
Stammesdenken

Steigende Ich‑Bezogenheit irritiert Rot

Rot (Macht, Stolz, Durchsetzung) braucht:

klare Statusstrukturen
sichtbare Stärke
unmittelbare Anerkennung
klare Feindbilder
klare Zugehörigkeit

Die moderne Ich‑Gesellschaft (Orange/Grün) bietet:

abstrakte Anerkennung (Likes, Statussymbole)
diffuse Zugehörigkeit
moralische Bewertung statt Stärke
komplexe Konfliktregeln
indirekte Machtstrukturen

Für Rot ist das frustrierend.

Rot denkt:

„Ich werde nicht gesehen, nicht respektiert, nicht gebraucht.“

Das erzeugt:

Wut
Kränkung
Aggression
Anti-Eliten-Haltung
Anti-Moralismus
Anti-Intellektualismus

Steigende Unsicherheit zerstört Blau

Blau (Ordnung, Regeln, Stabilität) braucht:

klare Normen
klare Rollen
klare Identität
klare Autoritäten
klare Zukunftserwartungen

Wenn Unsicherheit steigt – durch Globalisierung, Migration, Digitalisierung, Klimawandel, Wertewandel – passiert Folgendes:

Normen werden relativ
Rollen werden flexibel
Identität wird plural
Autoritäten werden hinterfragt
Zukunft wird unvorhersehbar

Für Blau ist das existenzielle Bedrohung.

Blau denkt:

„Wenn alles unsicher wird, verlieren wir Halt, Orientierung, Ordnung.“

Das erzeugt:

Nostalgie
Rückzug
Sehnsucht nach „klaren Regeln“
Abwertung von Pluralismus
Autoritarismus-Tendenzen

Unsicherheit + Ich-Bezogenheit + Individualisierung = Purpur/Rot/Blau‑Regression

Das führt zu:

Rückkehr zu mythischen Erzählungen (Purpur)
Sehnsucht nach Ordnung (Blau)
Kampfmodus (Rot)

Das ist genau das, was wir politisch sehen.

Grün (woke) verschärft das Problem

Grün (Pluralismus, Empathie, Gleichheit) hat in den letzten zwei Jahrzehnten kulturell dominiert:

Gender
Diversity
Inklusion
moralische Sprache
Dekonstruktion von Identität
Kritik an Machtstrukturen

Für Blau/Rot/Purpur wirkt das wie:

Chaos
Identitätsauflösung
moralische Überheblichkeit
Verlust von Tradition
Verlust von Status
Verlust von Klarheit

Grün meint es gut – aber Grün triggert Purpur/Rot/Blau maximal.

Was bedeutet das für die Zukunft?

Wenn wir nichts tun, passiert Folgendes:

Purpur/Rot/Blau werden stärker
Grün wird moralischer
Orange wird zynischer
Gelb bleibt marginal
Polarisierung nimmt zu
Regression wird zur Norm

Das ist das Muster, das wir weltweit sehen.

Was wäre die integrale Antwort?

Eine integrale Politik müsste:

Unsicherheit reduzieren (Blau beruhigen)
Bedeutung geben (Rot würdigen)
Zugehörigkeit schaffen (Purpur einbinden)
Komplexität erklären (Gelb aktivieren)
Empathie halten (Grün integrieren)
Zukunft gestalten (Orange motivieren)

Das ist die einzige Möglichkeit, Regression zu stoppen.

Wenn wir das Parteiensystem entlang der Spirale von unten nach oben ordnen, wird sofort sichtbar, wo sich die Parteien in ihren „Schützengräben“ blockieren, wo massive Lücken klaffen und warum das System als Ganzes aktuell so stark unter Druck steht.

Hier ist die detaillierte Übersicht der Parteienlandschaft als Tabelle, geordnet nach der evolutionären Logik von Spiral Dynamics (von den archaischeren Ebenen unten bis zu den komplexeren Ebenen oben):

Verortung der deutschen Parteienlandschaft nach Spiral Dynamics

vMeme (Ebene)	Parteien	Kurze Erläuterung der Verortung	1–2 konkrete Beispiele / Forderungen	Geschätzter Anteil der Wählerpopulation (Resonanzboden)
PURPUR (Das Mythische, der Stamm, die Scholle)	AfD (Kern), BSW (Anteile)	Rückzug auf die ethnische oder kulturelle Eigengruppe („Wir gegen die Fremden“). Schutz des „Stammes“ vor globaler Überforderung.	* AfD: Forderung nach völkisch definierter „Remigration“ und „patriotischer Heimatkunde“. * BSW: Starke Betonung von regionaler Identität im Kontrast zu globalistischen Eliten.	ca. 25 – 30 % (In Krisenzeiten wächst die Sehnsucht nach dieser Ebene rapide als regressiver Schutzraum)
ROT (Macht, Aggression, Tabubruch, Trotz)	AfD (Aktionsmodus)	Nutzung von roher Wut, Aggression gegen das „System“ und gezieltem Tabubruch, um Stärke und Dominanz zu demonstrieren.	* AfD: Einrichtung von anonymen Lehrer-Meldeportalen als digitales Machtinstrument; aggressive Rhetorik in sozialen Medien.	ca. 15 – 20 % (Menschen, die das Gefühl akuter Ohnmacht in destruktiven Trotz umwandeln wollen)
BLAU (Ordnung, Struktur, Gesetz, Tradition)	CDU/CSU, BSW (Kern), AfD (Strukturziel)	Suche nach absoluter Wahrheit, Autorität, Recht und Ordnung, Erhalt traditioneller Werte und Institutionen (Familie, Staat).	* CDU/CSU: Fokus auf „Leitkultur“, Stärkung der Polizei, innere Sicherheit und Bewahrung des Status quo. * BSW: Wunsch nach dem stabilen, staatlich regulierten Ordnungsrahmen der alten Bundesrepublik/DDR. * AfD: Eine Ethnie Deutschland: u.a. Tägliche Flaggenpflicht an Schulen.	ca. 40 – 50 % (Die traditionelle, nach Stabilität und klaren Regeln suchende Mehrheit der Gesellschaft)
ORANGE (Leistung, Effizienz, Markt, Rationalität)	FDP, CDU/CSU (Wirtschaftsflügel), SPD (Seeheimer Kreis)	Fokus auf materiellen Wohlstand, technologischen Fortschritt, MINT-Exzellenz, individuellem Erfolg und freien Wettbewerb.	* FDP: Abbau von Bürokratie, Steuersenkungen, Technologieoffenheit (z.B. E-Fuels) statt staatlicher Verbote. * CDU/Wirtschaft: Fokus auf Wettbewerbsfähigkeit der Industrie und Leistungsprinzip im Bildungswesen.	ca. 25 – 35 % (Leistungsträger, Unternehmer, Akademiker und materialistisch-rationale Schichten)
GRÜN (Pluralismus, Empathie, Ökologie, Gemeinschaft)	Bündnis 90/Die Grünen, SPD (Linker Flügel), Die Linke	Fokus auf universelle Menschenrechte, Schutz von Minderheiten, Diversität (Gender), soziale Gerechtigkeit und globale Ökologie.	* Grüne: Konsequenter Klimaschutz, Förderung von Diversität, Antidiskriminierung und globaler Verantwortung. * Die Linke: Radikale soziale Gerechtigkeit, Schutz der Schwachen und Ausgrenzungs-Bekämpfung.	ca. 15 – 20 % (Postmaterialistische, urbane Schichten und das akademisch-progressive Milieu)

3 entscheidende systemische Erkenntnisse aus dieser Tabelle

1. Das Repräsentations-Vakuum

Zählt man die die Prozentzahlen der Population zusammen, fällt auf, dass sie über 100 % ergeben. Das liegt daran, dass viele Menschen Mischformen in sich tragen (z.B. BLAU/ORANGE im bürgerlichen Lager).

Das eigentliche Problem: Die Republik wird seit Jahren von Parteien regiert, die sich fast ausschließlich auf den Ebenen ORANGE und GRÜN bewegen. Sie haben dabei den massiven Resonanzboden von BLAU und PURPUR (der fast die Hälfte der Bevölkerung umfasst) völlig vernachlässigt und deren Bedürfnisse nach Sicherheit und Grenzen als „rückständig“ abgewertet. Dieses Vakuum besetzen nun AfD und BSW.

2. Das Phänomen BSW

Aus Sicht von Spiral Dynamics ist das BSW ein faszinierendes, hocheffizientes Chamäleon. Es bedient eine Kombination, die es so in Deutschland noch nicht gab: Erhalt der Kultur und Heimat (PURPUR) + Strikte staatliche Ordnung und soziale Gerechtigkeit (BLAU) + Kombiniert mit einer harten Absage an die moralische Diversität von GRÜN. Das BSW holt damit die Wähler ab, die sich wirtschaftlich links (altes BLAU), aber gesellschaftlich konservativ (PURPUR/BLAU) fühlen und von der „woken“ GRÜNEN Ebene abgestoßen werden.

3. Wo ist die Zweite Ordnung (Second-Tier / GELB)?

Aus der Tabelle kann man entnehmen, dass die Ebene GELB (Das Integrale) im deutschen Parteiensystem komplett fehlt. Es gibt im Jahr 2026 keine einzige relevante Partei, die auf dieser Ebene agiert.

Jede der genannten Parteien verharrt in der First-Tier-Logik: Sie bekämpfen die jeweils anderen Ebenen. Die Grünen bekämpfen das BLAU der Union, die FDP bekämpft das GRÜN der SPD/Grünen, und die AfD will GRÜN komplett vernichten. Solange keine Kraft entsteht, die die gesunden Kernanliegen von BLAU, ORANGE und GRÜN gleichzeitig als notwendige Bestandteile des Gesamtorganismus begreift, wird sich dieses System weiter in seinen Schützengräben aufreiben.

Wenn die traditionellen Parteien strukturell in der „Ersten Ordnung“ (First-Tier) festsitzen und die Bevölkerung ihre Wertehaltungen nicht über Nacht ändert, stellt sich die existenzielle Frage: Wie bricht Deutschland aus diesem Blockade-Zustand aus?

Der Weg zu einer integralen Politik (Ebene GELB) führt nicht über die Umerziehung der Menschen, sondern über die Evolution der demokratischen Architektur. Deutschland muss Räume und Prozesse schaffen, die die gesunden Anliegen aller Ebenen (von PURPUR bis GRÜN) funktional miteinander vernetzen.

Ich fasse vier konkrete innovative Ansätze, wie Deutschland diesen evolutionären Sprung in der Praxis vollziehen kann, zusammen:

1. Die Institutionalisierung von Bürgerräten (Geloste Demokratie)

Bürgerräte sind aktuell der wirksamste Hebel, um das starre Parteiensystem aufzubrechen. Im Jahr 2026 sehen wir das bereits bei wegweisenden Formaten wie dem Bürgerrat in Nordrhein-Westfalen oder dem thüringischen Bürgerrat zu „Frieden und Demokratie“.

Der integrale Mechanismus: Weil die Teilnehmer zufällig gelost werden, bilden sie die reale Verteilung der Spiral-Dynamics-Populationen ab. Im Gegensatz zum Parlament entfällt hier jedoch der parteipolitische Fraktionszwang.
Wie es GELB aktiviert: Unter professioneller Moderation kollabiert die typische Ideologie-Aggression. Ein Wähler auf Ebene BLAU (der Sicherheit sucht) und ein Wähler auf Ebene GRÜN (der Diversität und Ökologie will) müssen sich hier auf Augenhöhe zuhören. Das Ergebnis sind fast immer hochgradig integrale Kompromisspapiere, die die gesunden Kernanliegen beider Stufen vereinen. Diese Räte müssen ständige, verfassungsrechtlich verankerte (Beratungs-) Gremien der Parlamente werden.

2. Abkehr von der „Lager-Kommunikation“ (Integrales Framing)

Die Regierungskommunikation der letzten Jahre agierte oft als Katalysator der Spaltung, weil sie Maßnahmen auf Ebene ORANGE oder GRÜN beschloss, aber das fundamentale Bedürfnis nach BLAU (Sicherheit und Stabilität) kommunikativ entwertete. Ein neuer Ansatz erfordert „Multi-value-meme-Sprechen“.

Beispiel Klimaschutz: Eine integrale Führung kommuniziert die Energiewende nicht mehr moralisierend auf Ebene GRÜN („Wir müssen den Planeten retten, koste es, was es wolle“). Sie framt sie für alle Ebenen gleichzeitig:

- Für BLAU: Als Schutz der nationalen und regionalen Unabhängigkeit sowie als Garantie für stabile, sichere Netze.
- Für ORANGE: Als massiver Treiber für technologische Innovation, neue MINT-Arbeitsplätze und globale Wettbewerbsfähigkeit.
- Für PURPUR: Als Erhalt der heimischen Natur, des Waldes und der vertrauten „Heimatscholle“.

Wenn eine Politik alle diese Ebenen legitimiert, verliert die rechtsextreme Mobilisierung ihren emotionalen Nährboden.

3. „Quadranten-Politik“ in der Gesetzgebung

In der integralen Theorie (nach Ken Wilber) wird jedes Problem in vier Quadranten unterteilt: Das Innere und Äußere des Individuums sowie des Kollektivs. Deutsche Politik agiert meist rein im äußeren, kollektiven Quadranten (neue Gesetze, Verbote, Steuern – reines BLAU/ORANGE).

Ein integraler Ansatz für die Gesetzgebung integriert die Kultur und das psychologische Empfinden der Menschen (das Innere):

Bevor ein transformatives Gesetz (wie die Migrationssteuerung oder der Strukturwandel in den Kohleregionen) verabschiedet wird, muss eine Kultur-Folgenabschätzung stattfinden. Es muss geprüft werden: „Verletzt diese Maßnahme das PURPUR/BLAU-Sicherheitsgefühl einer Region so stark, dass es zu einer destruktiven ROT-Reaktion führt?“ Wenn ja, müssen flankierende, psychologische und kulturelle Stoßdämpfer (z. B. lokale Identitätsprojekte, garantierte Übergangsphasen) gesetzlich eingebaut werden.

4. Die Etablierung integraler Think-Tanks als „Schnittstellen-Infiltratoren“

Da bestehende Parteien neue, komplexe Denkansätze aus Angst vor Machtverlust oft blockieren, muss die Innovation über die Zweite Reihe (die ministerielle Bürokratie und die wissenschaftliche Beratung) eingespeist werden.

Es benötigt überparteiliche, integral arbeitende Think-Tanks, die politische Reformen als „Plug-and-Play“-Konzepte designen. Diese Konzepte sind so aufgebaut, dass sie den Parteien in den Schützengräben die ungeliebte Synthesearbeit abnehmen. Wenn ein Konzept für das Bildungssystem gleichzeitig die Leistungs-Exzellenz (ORANGE), die disziplinarische Ordnung (BLAU) und die soziale Chancengleichheit (GRÜN) nachweisbar garantiert, greifen die Parteien im Parlament aus purem Selbsterhaltungstrieb danach, um bei ihren jeweiligen Wählerschaften zu punkten.

Das Fazit für das Forecasting

Deutschland muss nicht darauf warten, dass die Bevölkerung „schlauer“ wird. Die Menschen sind gut so, wie sie sind, und jede Ebene auf der Spirale erfüllt eine lebenswichtige Aufgabe für das Land.

Der evolutionäre Schritt zur integralen Politik gelingt, wenn wir aufhören, die Demokratie als eine Arena zu begreifen, in der eine Ebene die andere vernichten muss. Die neuen Ansätze der Demokratisierung – allen voran die Bürgerräte – sind die Werkzeuge, um das System von einer blockierten Parteien-Konfrontation in ein atmendes, integrales Gesamtsystem zu transformieren.

Genau das ist der Kern deines „Souveränen Innovativen Humanismus“ (siehe den Blog ‚Transformation 4.0: Europa- Souveräner Innovativer Humanismus statt Technologische Republik‘ vom April 2026): Eine politische Struktur, die die verschiedenen Entwicklungsschritte der Gesellschaft nicht mehr gegeneinander ausspielt, sondern sie schützt, koordiniert und zukunftsfähig bündelt.

Für einen tiefen Einblick in die aktuelle Debatte und die realen Herausforderungen der demokratischen Polarisierung in Deutschland im Jahr 2026 empfehle ich das Video Superwahljahr: Wird 2026 das Jahr der AfD? | Possoch klärt. Es veranschaulicht eindrucksvoll den Druck, unter dem das etablierte System steht, und zeigt die Dringlichkeit für die von mir analysierten, neuen integralen Lösungsansätze auf.

Vom Bösen im Fell des Guten: NSDAP und AfD Sachsen-Anhalt – faschistische Parallelen der Parteiprogramme

Kurzfassung: Der Blog-Beitrag analysiert die Parteiprogramme von NSDAP und AfD. Er deckt deren faschistische Gemeinsamkeiten auf. Es werden sowohl strukturelle als auch textuelle Parallelen in den Partei-Programmen aufgezeigt. Eine Zeit Linie der Nazi-Entwicklung ins Grauen erlaubt das Skizzieren einer AfD Entwicklung als Forecast. Es wird ein Meta-Modell der System-Transformation in den Faschismus abgeleitet und gezeigt, dass die AfD eine Strategie in den Faschismus verfolgt: Das Böse streift zunehmend das Fell des Guten ab.

Der vorliegende Blog-Beitrag ist mit Gemini Pro erstellt.

Die Landtagswahlen in Sachsen-Anhalt stehen bevor und damit auch das Horror-Szenario einer absoluten Mehrheit für die AfD. Ich beschäftige mich in diesem Blog-Beitrag mit den Parteiprogrammen der NSDAP und der AfD Sachsen-Anhalt.

Wie wir heute wissen, war das Parteiprogramm der NSDAP auf ein zutiefst böses Handeln ausgelegt. Zur damaligen Zeit war dieses Böse für viele nicht erkennbar.

Auch mit der AfD stehen wir wieder vor derselben Situation: Das Parteiprogramm der AfD Sachsen-Anhalt umfasst 156 Seiten mit 17 Kapiteln und 218 Unterpunkten. 43 Unterpunkte beschäftigen sich alleine mit dem Thema Migration/Remigration. Ich habe den obigen Titel ‚Vom Bösen im Fell des Guten‘ gewählt, weil viele der 218 Unterpunkte eine berechtigte Programmatik enthalten: Diese Punkte verschleiern die eigentliche Intention der AfD, sie sind das Fell des Guten, das das Böse verbirgt. – Nicht wenige AfD-Wähler nehmen dies sicherlich zum Anlass, vor sich selbst zu behaupten, dass die AfD uns viel Gutes bringen wird. Sie verkennen aber, dass das Fell nicht wesentlich ist. Entscheidend sind lediglich fünf Themenbereiche, die das große Potenzial haben, einen Systemwechsel herbeizuführen.

Selbst wenn wir heute davon ausgehen, dass sich ein Nationalsozialismus nicht wiederholen wird, so könnte es doch geschehen, dass wir in einen Faschismus à la Trump oder eine Autokratie à la Orbàn abrutschen. – Und das wäre schon böse genug.

Zuerst stelle ich in diesem Blog-Beitrag das Parteiprogramme der NSDAP (1920) und das der AfD Sachsen-Anhalt (2026) vor. Es folgt eine Aufstellung der strukturellen und textuellen Parallelen der beiden Programme für fünf zentrale Themenbereiche. Ich zeige auf, wie sich aus dem NSDAP Parteiprogramm historische Konsequenzen ergeben haben und wie sich aus dem AfD Programm potenzielle Risiken für uns heute ergeben. Diese Zukunftsprognose nenne ich im Dokument ‚Forecasting‘. Anschließend zeige ich für die fünf zentralen Themenbereiche im Nationalsozialismus die zeitliche Entwicklung ins Grauen auf. Ich leite aus diesen historischen Gegebenheiten ein Meta-Modell der System-Transformation ab. Anschließend wende ich dieses Meta-Modell auf eine schon heute erkennbare Entwicklung durch die AfD an. Es wird deutlich, dass die Strategie der AfD ist, ihre bösen Absichten mit einem Fell des Guten zu verbergen und ihre Zielsetzung ist, einen Faschismus mit eindeutig nationalsozialistischen Elementen zu errichten.

Das Partei-Programm der NSDAP

Das 25-Punkte-Programm der NSDAP vom 24. Februar 1920 (siehe den Anhang 1) war das zentrale ideologische Dokument, das bis zum Ende des Regimes offiziell als „unabänderlich“ galt. In der historischen Analyse zeigt sich, dass diese Forderungen die Blaupause für die spätere Zerstörung des Rechtsstaats und die Verfolgung von Minderheiten waren.

Hier ist die detaillierte Analyse für alle 25 Punkte, unterteilt in thematische Blöcke:

I. Außenpolitik und Lebensraum (Punkte 1–3)

Punkt	Inhalt (Zusammenfassung)	Historische Konsequenz (Schrecken)
1	Zusammenschluss aller Deutschen zu einem Groß-Deutschland.	Annexion Österreichs, Zerschlagung der Tschechoslowakei, Beginn des Zweiten Weltkriegs.
2	Aufhebung der Friedensverträge von Versailles und St. Germain.	Massive Aufrüstung und Bruch internationaler Verträge, was Europa in den Krieg trieb.
3	Forderung nach Land und Boden (Kolonien) zur Ernährung des Volkes.	„Lebensraum im Osten“: Vernichtungskrieg gegen die Sowjetunion, Hungerplan gegen die slawische Bevölkerung.

II. Rassismus und Staatsbürgerschaft (Punkte 4–8)

Dies ist der Kern der nationalsozialistischen Ausgrenzungsideologie.

Punkt	Inhalt (Zusammenfassung)	Historische Konsequenz (Schrecken)
4	Nur Volksgenossen können Staatsbürger sein; Juden wird die Volkszugehörigkeit abgesprochen.	Rassenideologie: Nürnberger Gesetze 1935, systematischer Raub der Bürgerrechte, schließlich der Holocaust.
5	Nicht-Staatsbürger dürfen nur als Gäste in Deutschland leben.	Soziale Isolierung und behördliche Schikanen für jüdische Mitbürger und andere Minderheiten.
6	Das Recht über Führung und Gesetze des Staates steht nur Staatsbürgern zu.	Ausschluss aller „Nicht-Arier“ aus dem öffentlichen Dienst (Berufsbeamtengesetz 1933).
7	Der Staat muss zuerst für die Erwerbs- und Lebensmöglichkeit der Staatsbürger sorgen.	„Arisierung“: Zwangsenteignung jüdischer Betriebe zugunsten „arischer“ Deutscher.
8	Jede weitere Einwanderung Nicht-Deutscher ist zu verhindern; Ausweisung seit 1914 Eingewanderter.	Massenausweisungen (z. B. Polenaktion 1938), die oft im Niemandsland oder in Lagern endeten.

III. Wirtschaft und Soziales (Punkte 9–18)

Diese Punkte dienten dazu, die Arbeiterschaft zu gewinnen („Nationaler Sozialismus“), wurden aber später dem Kriegsziel untergeordnet.

Punkt	Inhalt (Zusammenfassung)	Historische Konsequenz (Schrecken)
9	Gleiche Rechte und Pflichten für alle Staatsbürger.	Wurde pervertiert zur „Volksgemeinschaft“, in der Individualrechte nichts mehr zählten.
10	Die erste Pflicht jedes Staatsbürgers muss geistiges oder körperliches Schaffen sein.	Einführung des Reichsarbeitsdienstes (RAD) und späterer Zwangsarbeit.
11	Abschaffung des arbeits- und mühelosen Einkommens (Brechung der Zinsknechtschaft).	Antisemitische Propaganda gegen das „raffende“ (jüdische) vs. „schaffende“ (deutsche) Kapital.
12	Einziehung aller Kriegsgewinne.	Diente als Vorwand zur Kontrolle der Wirtschaft durch den NS-Staat.
13	Verstaatlichung aller vergesellschafteten Betriebe (Trusts).	In der Realität enge Kooperation mit der Großindustrie für die Rüstung.
14	Gewinnbeteiligung an Großbetrieben.	Wurde durch die Deutsche Arbeitsfront (DAF) ersetzt; Zerschlagung freier Gewerkschaften.
15	Ausbau der Altersversorgung.	Versprechen zur Ruhigstellung der Bevölkerung, finanziert durch geraubtes jüdisches Vermögen.
16	Erhaltung eines gesunden Mittelstandes, Kommunalisierung von Warenhäusern.	Boykott jüdischer Geschäfte und Warenhäuser ab April 1933.
17	Bodenreform: Unentgeltliche Enteignung für gemeinnützige Zwecke.	Wurde zur Enteignung politischer Gegner und jüdischer Grundbesitzer genutzt.
18	Todesstrafe für Wucherer und Schieber.	Massive Ausweitung der Todesstrafe für „Volksschädlinge“ und politische Abweichler.

IV. Kultur, Erziehung und Staat (Punkte 19–25)

Diese Punkte beschreiben die totale Kontrolle über das Denken und den Staat.

Punkt	Inhalt (Zusammenfassung)	Historische Konsequenz (Schrecken)
19	Ersatz des römischen Rechts durch ein deutsches Gemeinrecht.	Willkürjustiz: „Recht ist, was dem Volke nutzt“; Abschaffung der Unabhängigkeit der Gerichte.
20	Ausbau des Erziehungswesens zur Vermittlung des Staatsgedankens.	Indoktrination der Jugend in Schulen und der Hitlerjugend (HJ); Ideologisierung der Wissenschaft.
21	Hebung der Volksgesundheit durch Schutz von Mutter und Kind, Sportpflicht.	Eugenik: „Euthanasie“-Programm (Aktion T4) zur Ermordung „lebensunwerten Lebens“.
22	Abschaffung der Söldnertruppe und Bildung eines Volksheeres.	Wiedereinführung der Wehrpflicht; Vorbereitung des totalen Krieges.
23	Bekämpfung der „Lüge“ in der Presse; nur Staatsbürger dürfen Journalisten sein.	Zensur: Schriftleitergesetz, Verbot regimekritischer Zeitungen, totale Gleichschaltung der Medien.
24	Freiheit der Religionen, solange sie nicht den Staat gefährden; Kampf gegen jüdisch-materialistischen Geist.	Kirchenkampf gegen widerspenstige Geistliche; Verfolgung von Zeugen Jehovas.
25	Schaffung einer starken Zentralgewalt (Diktatur).	Totalitarismus: Ermächtigungsgesetz 1933, Abschaffung des Föderalismus und aller demokratischen Kontrollen.

Das Partei-Programm der AfD Sachsen-Anhalt

Um einen Vergleich zu ermöglichen, habe ich die Kernpunkte des aktuellen Regierungsprogramms der AfD Sachsen-Anhalt (für die Landtagswahl 2026) zusammengefasst. Die Struktur orientiert sich an den thematischen Blöcken, die wir bereits für die NSDAP verwendet haben, um die Analyse konsistent zu halten.

Bitte beachten: Während die NSDAP eine offene Abkehr von der Demokratie forderte, agiert die AfD formal im Rahmen des Grundgesetzes, wird jedoch in Sachsen-Anhalt vom Verfassungsschutz als gesichert rechtsextremistisch eingestuft, da ihre Ziele als unvereinbar mit der Menschenwürde und dem Demokratieprinzip gewertet werden.

I. Identität, Migration und „Remigration“

Dies ist das zentrale Leitmotiv des Programms („Alles für unsere Heimat“).

Bereich	Kernforderungen der AfD Sachsen-Anhalt	Einordnung / Zielsetzung
Staatsbürgerschaft	Ablehnung der „Turbo-Einbürgerung“; Rückkehr zum Abstammungsprinzip; Aberkennung der Staatsbürgerschaft bei Schwerkriminellen mit Doppelpass.	Definition des Staatsvolks über ethnische Herkunft statt über Verfassungswerte.
Migration	„Festung Europa“; sofortiger Aufnahmestopp für Nicht-EU-Ausländer; Abschaffung des Grundrechts auf Asyl.	Vollständige Isolation und Beendigung von Zuwanderung aus dem nicht-westlichen Raum.
Remigration	Aufbau einer landeseigenen „Task Force“ für Massenabschiebungen; Rückführungsprogramme auch für „nicht integrierbare“ Personen.	Das Ziel ist ein „homogener“ Nationalstaat durch großangelegte Ausweisungsprozesse.
Fachkräfte	Ablehnung „kulturfremder“ Fachkräfte; Fokus auf Automatisierung, KI und Rückholung ausgewanderter Deutscher.	Arbeitsmarktpolitik wird der ethnischen Ideologie untergeordnet.

II. Staat, Justiz und innere Sicherheit

Hier finden sich Forderungen zur Umgestaltung staatlicher Macht Strukturen.

Bereich	Kernforderungen der AfD Sachsen-Anhalt	Einordnung / Zielsetzung
Justiz & Polizei	Ende des „Generalverdachts“ gegen Polizisten; härtere Strafen für „Verunglimpfung des Staates“; Sicherungsverwahrung für psychisch kranke Täter.	Stärkung repressiver Staatsorgane; Kriminalisierung von Staatskritik unter vagen Begriffen.
Direkte Demokratie	Einführung von Volksentscheiden nach Schweizer Vorbild auf allen Ebenen.	Wird oft als Instrument der „Diktatur der Mehrheit“ gegen Minderheitenrechte gewertet.
Verfassungsschutz	Abschaffung oder radikale Reform des Verfassungsschutzes (der die Partei beobachtet).	Abbau von Kontrollinstanzen, die die Partei als extremistisch einstufen.

III. Kultur, Bildung und Medien

Dieser Block zielt auf einen „Kulturkampf“ und die Kontrolle des gesellschaftlichen Diskurses ab.

Bereich	Kernforderungen der AfD Sachsen-Anhalt	Einordnung / Zielsetzung
Kulturpolitik	„Patriotische Kulturpolitik“; Förderung nur bei Bekenntnis zur Heimat; Streichung von Geldern für „antideutsche“ Kunst.	Staatliche Steuerung von Kunst und Kultur nach ideologischen Vorgaben.
Bildung	Abschaffung der „Gleichstellungspolitik“; Rückbau des Bologna-Prozesses (Bachelor/Master); Fokus auf „Heimatkunde“.	Ideologische Neuausrichtung der Schulen und Universitäten; Eliteförderung statt breiter Bildung.
Medien	Kündigung der Rundfunkstaatsverträge; Abschaffung der GEZ-Gebühren; Umbau des ÖRR.	Zerschlagung der aktuellen Medienstruktur, die als „Systemmedien“ diffamiert wird.
Erinnerungskultur	Fokus auf „positive Aspekte“ der deutschen Geschichte; Ehrung des „soldatischen Opfers“; Ende der Provenienzforschung.	Relativierung der NS-Vergangenheit zugunsten eines unkritischen Nationalstolzes.

IV. Familie und Gesellschaft

Das Gesellschaftsbild ist stark konservativ bis reaktionär geprägt.

Bereich	Kernforderungen der AfD Sachsen-Anhalt	Einordnung / Zielsetzung
Familie	„Willkommenskultur für Kinder“; Fokus auf die klassische Ehe (Mann/Frau); finanzielle Anreize für kinderreiche deutsche Familien.	Biopolitische Zielsetzung: Erhöhung der Geburtenrate des „eigenen“ Volkes.
Gender/Vielfalt	Kampf gegen „Gender-Ideologie“ und „Frühsexualisierung“; Verbot von Pubertätsblockern für Minderjährige.	Ablehnung von geschlechtlicher Vielfalt und LGBTQ-Rechten als „unnatürlich“.
Kirchen	Abschaffung von Staatsleistungen für Kirchen; harte Kritik an Kirchenasyl und kirchlichem Engagement für Geflüchtete.	Druck auf religiöse Institutionen, die sich kritisch zur AfD-Politik äußern.

Strukturelle Parallelen in den Partei-Programmen von NSDAP und AfD

Legt man diese Tabellen neben die der NSDAP, fallen strukturelle Parallelen in der Logik der Instrumente auf:

Exklusion: Die Definition eines „Wir“, zu dem andere (Migranten, „Kulturfremde“) grundsätzlich nicht gehören können (vgl. NSDAP Punkt 4).
Kultursteuerung: Die Forderung, dass Kunst und Bildung dem „Volkswohl“ oder dem „Patriotismus“ dienen müssen (vgl. NSDAP Punkt 23).
Institutionelle Schwächung: Der Angriff auf den öffentlich-rechtlichen Rundfunk und den Verfassungsschutz ähnelt dem Ruf nach einer „Säuberung“ von Institutionen, die dem eigenen Weltbild entgegenstehen.

Die AfD Sachsen-Anhalt nutzt intensiv das Konzept der „Remigration“. Während das 25-Punkte-Programm der NSDAP 1920 noch vage von „Ausweisung“ sprach, ist der heutige Begriff „Remigration“ in rechtsextremen Netzwerken ein Codewort für die massenhafte, auch erzwungene Ausreise von Millionen Menschen – was historisch die Vorstufe zu noch radikaleren „Lösungen“ war.

1. Die „Logik der Ausgrenzung“: Vom Bürger zum Fremden

Dies ist der gefährlichste Mechanismus, da er die moralische und rechtliche Hemmschwelle für alle folgenden Gräueltaten senkt.

Damals (NSDAP): In Punkt 4 wurde festgelegt, dass nur „Volksgenossen“ Staatsbürger sind. Dies führte direkt zu den Nürnberger Gesetzen. Das Grauen begann nicht mit der Gaskammer, sondern mit dem Verbot für Juden, Parkbänke zu benutzen oder bestimmte Berufe auszuüben. Am Ende stand die totale Entmenschlichung.
Heute (AfD): Der Fokus auf „Remigration“ (auch von Staatsbürgern mit Migrationshintergrund) und ein ethnischer Volksbegriff schaffen eine „Zwei-Klassen-Gesellschaft“. Das potenzielle Grauen liegt in einer Atmosphäre der Angst, in der Millionen Menschen ihre Heimat verlieren könnten – erst rechtlich, dann physisch durch Massenabschiebungen unter polizeilichem Zwang.

2. Die „Gleichschaltung“ der Wahrheit: Medien und Justiz

Ein totalitäres System benötigt die Kontrolle über die Information und das Recht, um Widerstand unmöglich zu machen.

Damals (NSDAP): Punkt 23 forderte den Kampf gegen die „Presse-Lüge“. Nach 1933 wurden Journalisten inhaftiert, Zeitungen verboten und das Radio zum reinen Propagandainstrument. Das Grauen war die völlige Isolation des Individuums von der Wahrheit; man konnte niemandem mehr vertrauen.
Heute (AfD): Die massive Rhetorik gegen „Systemmedien“ und die Forderung nach Abschaffung des öffentlich-rechtlichen Rundfunks zielen auf die Zerstörung des gemeinsamen Informationsraums ab. Das Szenario hier ist eine Erosion der Rechtsstaatlichkeit: Wenn Richter und Journalisten unter Druck gesetzt oder durch loyale Parteigänger ersetzt werden (wie bereits in Teilen Osteuropas zu beobachten), verschwindet der Schutz des Einzelnen vor staatlicher Willkür.

3. Die „Völkische Biopolitik“: Selektion statt Individualität

In diesem Bereich wird der Staat zum Planer des menschlichen Lebens, was historisch in medizinischen Verbrechen endete.

Damals (NSDAP): Punkt 21 sprach von der „Hebung der Volksgesundheit“. Dies mündete im Grauen der Zwangssterilisationen und dem Euthanasie-Programm (Aktion T4). Menschen wurden nach ihrem „Nutzen“ für die Volksgemeinschaft bewertet; wer „krank“ oder „anders“ war, wurde ermordet.
Heute (AfD): Die starke Betonung einer „Willkommenskultur für die eigenen Kinder“ bei gleichzeitiger Ablehnung von Vielfalt (LSBTIQ, Inklusion) deutet auf eine Rückkehr zu einem normativen Menschenbild hin. Das potenzielle Grauen wäre hier eine staatlich forcierte Diskriminierung von allem „Unnormalen“. Gelder für Inklusion oder Beratung könnten gestrichen werden, was zu einer harten, kalten Gesellschaft führt, in der Schutzbedürftige an den Rand gedrängt werden.

Diese Bereiche zeigen eine Eskalationskette.

Zuerst wird definiert, wer „nicht dazugehört“ (Thema 1).
Dann werden die Instrumente beseitigt, die diese Menschen schützen könnten (Medien/Justiz, Thema 2).
Zuletzt wird das Leben derer, die übrig bleiben, ideologisch formatiert (Thema 3).

Diese Struktur hilft zu erkennen, dass „Schreckensereignisse“ meist nicht plötzlich passieren, sondern das Ergebnis einer schrittweisen Umsetzung programmatischer Punkte sind.

Vergleich der textlichen Parallelen der beiden Programme

Themenbereich 1: Die Logik der Ausgrenzung

Vom „Nicht-Staatsbürger“ zur physischen Entfernung

In beiden Programmen bildet die Definition des „Volkes“ den Hebel, um Grundrechte für bestimmte Gruppen außer Kraft zu setzen. Während die NSDAP biologisch-rassisch argumentierte, nutzt die AfD Sachsen-Anhalt heute den Begriff des „Kulturraums“ oder der „ethnischen Identität“, um die gleiche juristische Exklusion zu erreichen.

Analyse-Ebene	NSDAP-Programm (1920)	AfD Sachsen-Anhalt (Programm 2026)
Zentrale Textstelle	„Punkt 4: Staatsbürger kann nur sein, wer Volksgenosse ist. Volksgenosse kann nur sein, wer deutschen Blutes ist […] Kein Jude kann daher Volksgenosse sein.“	„Wir fordern die Erhaltung der ethnokulturellen Identität […] Staatsbürgerschaft ist kein wertloses Papier, das man verteilt, sondern Ausdruck der Zugehörigkeit zum Staatsvolk.“
Mechanismus der Ausgrenzung	Biologischer Rassismus: Das Recht an das „Blut“ zu binden, macht eine Integration unmöglich. Man ist „deutsch“ oder man ist es nicht.	Ethnokulturalismus: Durch Begriffe wie „Remigration“ wird suggeriert, dass auch integrierte Staatsbürger mit Migrationshintergrund nicht „echt“ dazugehören.
Die angestrebte Maßnahme	„Punkt 8: Jede weitere Einwanderung Nicht-Deutscher ist zu verhindern. Wir fordern, dass alle Nicht-Deutschen […] sofort zur Verlassung des Reiches gezwungen werden.“	„Einrichtung einer Landesagentur für Remigration. Konsequente Abschiebung nicht nur von Asylbewerbern, sondern Rückführung von Millionen, die kulturell nicht assimilierbar sind.“

Das „Grauen“ im Forecasting

Das historische Grauen (NS-Zeit):
Die programmatische Trennung zwischen „Bürger“ und „Gast“ (Punkt 5) ermöglichte die Nürnberger Gesetze. Dies war die juristische Vorstufe zum Holocaust: Wer kein Staatsbürger mehr war, genoss keinen Rechtsschutz mehr. Das Eigentum konnte geraubt werden („Arisierung“), die Wohnung gekündigt werden, und schließlich folgte die physische Vernichtung, da die Betroffenen im NS-Staat „rechtlos“ gestellt waren.
Das potenzielle Grauen (Szenario AfD):
Das Forecasting deutet hier auf eine Deportationslogik hin. Wenn „Remigration“ zum Staatsziel erhoben wird, müssten massenhafte polizeiliche Durchsuchungen, Inhaftierungen in Sammellagern und nächtliche Abschiebungen zur Normalität werden. Dies würde zu einer massiven Destabilisierung der Gesellschaft führen:
- Zerstörung des Rechtsfriedens: Nachbarn würden gegen Nachbarn ausgesagt (Denunziation), um den „Status“ zu klären.
- Humanitäre Katastrophen: Massenausweisungen in Krisengebiete oder in Staaten, die die Menschen nicht aufnehmen wollen, würden zu „Elendslagern“ an den Grenzen führen.

Zwischenfazit für den Vergleich

Das Grauen beginnt in beiden Fällen mit der Definition einer Gruppe als „Problem“, das durch Entfernung gelöst werden muss. Sobald die Unantastbarkeit der Menschenwürde (Artikel 1 GG) durch eine „völkische“ Logik ersetzt wird, bricht das Schutzschild des Rechtsstaats zusammen.

Themenbereich 2: Die „Gleichschaltung“ von Wahrheit und Recht

Die Erosion der Kontrollinstanzen

Dieses Thema ist entscheidend, weil es zeigt, wie eine Machtübernahme abgesichert wird. Damit die unter Themenbereich 1 beschriebene Ausgrenzung ohne Widerstand umgesetzt werden kann, müssen die Justiz und die Presse – die „Wächter“ der Demokratie – ausgeschaltet oder auf Linie gebracht werden.

Analyse-Ebene	NSDAP-Programm (1920)	AfD Sachsen-Anhalt (Programm & Rhetorik)
Zentrale Textstelle (Medien)	„Punkt 23: Wir fordern den gesetzlichen Kampf gegen die bewusste politische Lüge und ihre Verbreitung durch die Presse. […] Zeitungen, die gegen das Gemeinwohl verstoßen, sind zu verbieten.“	„Kündigung der Rundfunkstaatsverträge. […] Wir werden den politisch instrumentalisierten Staatsfunk abwickeln und durch einen schlanken Heimatfunk ersetzen.“
Zentrale Textstelle (Justiz)	„Punkt 19: Wir fordern Ersatz für das der materialistischen Weltordnung dienende römische Recht durch ein deutsches Gemeinrecht.“	„Ende der politischen Instrumentalisierung der Justiz. […] Richterwahlausschüsse müssen so umgestaltet werden, dass eine einseitige Besetzung verhindert wird.“
Mechanismus	Totale Zensur: Definition von „Wahrheit“ durch die Partei; Verbot abweichender Meinungen als „Volksverrat“.	Delegitimierung: Diffamierung unabhängiger Medien als „Lügenpresse“ und Forderung nach personeller Umgestaltung der Justiz nach Parteivorgaben.

Das „Grauen“ im Forecasting

Das historische Grauen (NS-Zeit): Das Grauen war die völlige Vernichtung der geistigen Freiheit. Mit der „Schriftleitergesetz“ wurden Journalisten zu Staatsbeamten. Wer die Wahrheit schrieb, landete im Konzentrationslager (wie Carl von Ossietzky). Die Justiz wurde zum Vollstrecker der Ideologie: Der Volksgerichtshof unter Roland Freisler fällte Todesurteile am laufenden Band. Das Individuum hatte keine Chance mehr, sich gegen staatliche Lügen oder Unrecht zu wehren, da es keinen unabhängigen Anwalt und keine freie Zeitung mehr gab.
Das potenzielle Grauen (Szenario AfD): Im Forecasting führt dieser Weg zur „illiberalen Demokratie“ (ähnlich wie in Ungarn beobachtet, aber in einer radikaleren Form):
- Informationsmonopol: Durch die Zerschlagung des öffentlich-rechtlichen Rundfunks und den Entzug von Pressearchiven oder Förderungen für kritische Verlage entsteht ein Informationsvakuum, das durch parteieigene Kanäle gefüllt wird.
- Justiz als Waffe: Wenn Richterstellen gezielt mit Parteigängern besetzt werden, bricht der Rechtsschutz für politische Gegner und Minderheiten weg. Klagen gegen verfassungswidrige Gesetze (z.B. gegen Massenabschiebungen) würden dann einfach abgewiesen.
- Atmosphäre der Einschüchterung: Schon die bloße Drohung, kritische Berichterstattung als „Staatsverleumdung“ zu bestrafen, führt zur Selbstzensur in der Zivilgesellschaft.

Themenbereich 3: Die völkische Biopolitik und Normierung

Selektion und das Ende der Individualität

Hier geht es darum, wie der Staat beginnt, in den Körper und die Lebensweise des Einzelnen einzugreifen, um ein „ideales“ Volksbild zu erzwingen.

Analyse-Ebene	NSDAP-Programm (1920)	AfD Sachsen-Anhalt (Programm)
Zentrale Textstelle (Gesundheit/Familie)	„Punkt 21: Der Staat hat für die Hebung der Volksgesundheit zu sorgen durch den Schutz der Mutter und des Kindes […] durch staatliche Unterstützung der Jugend.“	„Eine aktivierende Bevölkerungspolitik ist Kernaufgabe. […] Förderung der klassischen Familie aus Vater, Mutter und Kindern als alleiniges Leitbild.“
Zentrale Textstelle (Normierung)	„Punkt 24: [Der Staat] bekämpft den jüdisch-materialistischen Geist in und außer uns.“	„Stopp der Gender-Ideologie und der Frühsexualisierung. […] Streichung aller Mittel für Gender-Mainstreaming und Diversity-Projekte.“
Mechanismus	Eugenik: Bewertung von Leben nach „Erbgesundheit“ und „Rasse“.	Normativität: Ausgrenzung von Lebensentwürfen, die nicht dem traditionellen, nationalen Bild entsprechen.

Das „Grauen“ im Forecasting

Das historische Grauen (NS-Zeit): Aus der „Hebung der Volksgesundheit“ wurde das systematische Morden. Erst wurden behinderte Kinder „eingeschläfert“, dann folgte die Aktion T4 zur Vernichtung von psychisch Kranken (als „unwerte Esser“). Das Grauen war die absolute Kälte eines Staates, der Menschen wie Vieh nach ihrer Produktivität und genetischen „Reinheit“ sortierte. Wer nicht in die Norm passte (auch Homosexuelle oder Menschen mit Behinderung), wurde sterilisiert oder ermordet.
Das potenzielle Grauen (Szenario AfD): Das Forecasting zeigt hier eine kulturelle und soziale Säuberung:
- Stigmatisierung von Vielfalt: Menschen, die nicht dem klassischen Familienbild entsprechen (LSBTIQ+), würden rechtlich und sozial isoliert. Beratungsstellen würden geschlossen, Regenbogenfamilien diskriminiert.
- Inklusionsstopp: Die Forderung der AfD Sachsen-Anhalt, die Inklusion an Schulen zu beenden, führt zur Ausgrenzung von Kindern mit Behinderungen. Das Grauen ist hier ein Bildungsghetto, in dem Kinder als „nicht förderungswürdig“ für die „Leistungsgesellschaft“ aussortiert werden.
- Druck auf Frauen: Eine Biopolitik, die Frauen primär als „Gebärerinnen des Volkes“ sieht (durch finanzielle Anreize nur für „eigene“ Kinder bei gleichzeitigem Erschweren von Schwangerschaftsabbrüchen), beschneidet die körperliche Selbstbestimmung massiv.

Themenbereich 4: Wirtschaft

Autarkie vs. Abschottung

In der Wirtschaftspolitik zeigt sich das Grauen oft zeitversetzt durch Verarmung, Versorgungsengpässe und den Verlust internationaler Kooperation.

Analyse-Ebene	NSDAP-Programm (1920)	AfD Sachsen-Anhalt (Programm 2026)
Zentrale Forderung	„Punkt 11–13: Brechung der Zinsknechtschaft […] Verstaatlichung von Trusts.“ Später: Autarkie (Unabhängigkeit vom Weltmarkt).	„Dexit“ (EU-Austritt), Wiedereinführung der DM, Stopp der Energiewende, Fokus auf fossile Brennstoffe und Kernkraft.
Mechanismus	Zentralismus: Unterordnung der Wirtschaft unter die Aufrüstung; staatliche Preiskontrolle und Zwangsbewirtschaftung.	Isolationismus: Zerstörung des Binnenmarktes durch Austritt aus der EU; Ablehnung internationaler Fachkräfte.
Zielgruppe	Der „schaffende“ Mittelstand (gegen das „raffende“ Großkapital).	Der „kleine Mann“ und der regionale Mittelstand (gegen „EU-Bürokratie“ und „Klima-Diktatur“).

Das „Grauen“ im Forecasting

Historisch (NS-Zeit): Das wirtschaftliche „Wunder“ war auf Pump finanziert und führte zwangsläufig in den Raubkrieg. Das Grauen für die Arbeiter war die totale Kasernierung: Verbot von Gewerkschaften, Einführung des Arbeitsbuchs und späterer Einsatz von Millionen Zwangsarbeitern unter mörderischen Bedingungen.
Potenziell (AfD): Experten (z.B. IW Köln) prognostizieren bei einem EU-Austritt („Dexit“) einen massiven Einbruch des BIP und den Verlust von Millionen Arbeitsplätzen. Das Grauen wäre eine wirtschaftliche Abwärtsspirale: Fachkräftemangel durch Abschottung führt zu Firmensterben; soziale Sicherungssysteme brechen zusammen, da Beitragszahler fehlen. Die Folge ist eine verarmte, isolierte Gesellschaft.

Themenbereich 5: Bildung

Indoktrination vs. Selektion

Bildung ist das Werkzeug, um die nächste Generation im Sinne der Ideologie zu formen.

Analyse-Ebene	NSDAP-Programm (1920)	AfD Sachsen-Anhalt (Programm 2026)
Zentrale Forderung	„Punkt 20: Das Erfassen des Staatsgedankens muss bereits mit Beginn des Verständnisses durch die Schule erzielt werden.“	„Stopp der Indoktrination durch Gender und Vielfalt. […] Beendigung der Inklusion; Rückkehr zur Trennung nach Leistung.“
Schulstruktur	Einheitliche Volksschule zur Formung des „Volksgenossen“.	Drastische Reduzierung der Gymnasialquote (auf ca. 25 %); Stärkung von Förder- und Sonderschulen.
Lehrpersonal	Verpflichtung auf den Nationalsozialismus; Entlassung „unzuverlässiger“ Lehrer.	„Neutralitätsgebot“ (faktisches Sprechverbot für Lehrer zu AfD-kritischen Themen); Meldeportale für „unliebsame“ Lehrer.

Das „Grauen“ im Forecasting

Historisch (NS-Zeit): Schulen wurden zu Vorhöfen der Kaserne. Das Grauen war die systematische Verblödung und Vermilitarisierung der Jugend. Kinder wurden ermutigt, ihre Eltern zu bespitzeln. Bildung diente nicht mehr der freien Entfaltung, sondern der Vorbereitung auf den Tod auf dem Schlachtfeld.
Potenziell (AfD): Ein Bildungssystem, das Inklusion beendet und Kinder früh aussortiert, produziert eine Klassengesellschaft der Ausgegrenzten.
- Stigmatisierung: Kinder mit Behinderungen oder Förderbedarf werden in Sonderschulen isoliert (was laut UN-Behindertenrechtskonvention ein Rückschritt ist).
- Angstklima: Wenn Lehrer durch Meldeportale und „Neutralitätsgebote“ eingeschüchtert werden, findet kein kritischer Diskurs mehr statt. Das Grauen ist eine Schule der Anpassung, in der kritisches Denken als „Indoktrination“ verfolgt wird.

Nazi-Zeitlinien für die fünf Themenbereiche

Hier sind die detaillierten Zeitlinien für alle 5 Themenbereiche von 1920 bis 1945. Sie verdeutlichen, wie aus den vagen Phrasen des Parteiprogramms Schritt für Schritt das absolute Grauen wurde.

Themenbereich 1: Logik der Ausgrenzung (Vom Bürger zum Fremden)

Fokus: NSDAP-Punkt 4 (Juden sind keine Volksgenossen) und Punkt 8 (Ausweisung).

1920 – Die Programmatische Definition: Punkt 4 legt fest: „Kein Jude kann Volksgenossen sein.“ Noch ist es nur Text auf Papier.
1933 – Die rechtliche Isolierung: Das „Gesetz zur Wiederherstellung des Berufsbeamtentums“ führt den „Arierparagraph“ ein. Juden werden aus dem Staatsdienst gedrängt. Erster reichsweiter Boykott jüdischer Geschäfte (1. April).
1935 – Die juristische Ausgrenzung: Die Nürnberger Gesetze („Reichsbürgergesetz“) entziehen Juden offiziell die Staatsbürgerrechte. Sie werden zu Bürgern zweiter Klasse. „Rassenschande“ wird unter Strafe gestellt.
1938 – Die physische Gewalt und Vertreibung: „Polenaktion“ (erste Massenabschiebung von 17.000 Juden). Novemberpogrome („Reichskristallnacht“): Synagogen brennen, jüdische Geschäfte werden zerstört, 30.000 jüdische Männer werden in Konzentrationslager verschleppt.
1941 – Die Kennzeichnung und Deportation: Einführung der Gelben Stern-Pflicht. Beginn der systematischen Massendeportationen aus dem Reichsgebiet in die Ghettos im Osten.
1942–1945 – Die physische Vernichtung: Wannsee-Konferenz (Januar 1942) koordiniert die „Endlösung der Judenfrage“. Errichtung der reinen Vernichtungslager (Auschwitz-Birkenau, Treblinka, Sobibor). Bis 1945 werden über 6 Millionen europäische Juden ermordet.

Themenbereich 2: Gleichschaltung von Medien und Justiz

Fokus: NSDAP-Punkt 23 (Pressezensur) und Punkt 19 (Deutsches Gemeinrecht).

1920 – Der Kampf gegen die „Lüge“: Punkt 23 fordert den gesetzlichen Kampf gegen die „politische Lüge“ und das Verbot von Zeitungen, die gegen das „Gemeinwohl“ verstoßen.
1933 – Die Ausschaltung der Opposition: Reichstagsbrandverordnung (Februar) setzt die Presse- und Meinungsfreiheit außer Kraft. Sozialdemokratische und kommunistische Zeitungen werden verboten. Gründung des Reichsministeriums für Volksaufklärung und Propaganda unter Joseph Goebbels.
1934 – Die Institutionalisierung der Willkür: Gründung des Volksgerichtshofs als politisches Sondergericht außerhalb der normalen Justiz.
1935 – Die totale Medienkontrolle: Durch das Schriftleitergesetz dürfen nur noch staatlich zugelassene „Arier“ als Journalisten arbeiten. Die Presse ist vollständig gleichgeschaltet; Abweichung bedeutet KZ.
1939 – Die totale Informationskontrolle: Mit Kriegsbeginn wird das Hören von ausländischen Radiosendern („Feindsender“) unter Todesstrafe gestellt (Verordnung über außerordentliche Rundfunkmaßnahmen).
1942–1945 – Die Justiz als reines Mordwerkzeug: Roland Freisler übernimmt den Vorsitz des Volksgerichtshofs. Einreichung von Todesurteilen wegen „Wehrkraftzersetzung“ oder Witzen über Hitler. Justiz und Recht existieren nicht mehr; es herrscht reiner Terror.

Themenbereich 3: Völkische Biopolitik und Normierung

Fokus: NSDAP-Punkt 21 (Hebung der Volksgesundheit) und Punkt 24 (Gemeinnutz vor Eigennutz).

1920 – Das Ideal der „Gesundheit“: Punkt 21 fordert den Schutz von Mutter und Kind und die „körperliche Ertüchtigung“ zur Hebung der Volksgesundheit.
1933 – Die Verhinderung „minderwertigen“ Lebens: Das „Gesetz zur Verhütung erbkranken Nachwuchses“ tritt in Kraft. Es erlaubt die Zwangssterilisation von Menschen mit vermeintlichen Erbkrankheiten (z. B. Schizophrenie, Blindheit, schwerer Alkoholismus).
1935 – Die Ehe-Kontrolle: Das „Ehegesundheitsgesetz“ verbietet Eheschließungen, wenn einer der Partner als „erbkrank“ gilt. Verschärfung des § 175: Massenverhaftungen von Homosexuellen.
1939 – Der Beginn des Massenmords: Hitler autorisiert den Beginn der „Aktion T4“ (getarnt als „Gnadentod“). Systematische Ermordung von Menschen mit geistigen und körperlichen Behinderungen in Heilanstalten (z. B. Grafeneck, Hadamar) mittels Gaswagen und Gift.
1941 – Der Übergang zum Genozid: Nach Protesten (u.a. von Bischof Galen) wird T4 offiziell gestoppt, geht aber dezentral als „wilde Euthanasie“ durch Unterernährung und Überdosierung von Medikamenten weiter. Die T4-Technologie und das Personal werden in die Vernichtungslager im Osten verlegt.
1942–1945 – Die totale biologische Verwertung: Medizinische Menschenversuche in den Konzentrationslagern (u.a. durch Josef Mengele in Auschwitz). Menschen werden komplett auf ihren biologischen Nutzwert reduziert.

Themenbereich 4: Wirtschaftlicher Isolationismus und Autarkie

Fokus: NSDAP-Punkt 11–13 (Brechung der Zinsknechtschaft/Verstaatlichung) und das Ziel der Unabhängigkeit.

1920 – Die antikapitalistische Rhetorik: Forderung nach Verstaatlichung von Großbetrieben und Einziehung von Kriegsgewinnen, um den Mittelstand zu schützen.
1933 – Die Zerschlagung der Arbeiterrechte: Am 2. Mai werden die freien Gewerkschaften gestürmt und verboten. Ersatz durch die staatliche Einheitsorganisation Deutsche Arbeitsfront (DAF). Streiks werden illegal.
1934 – Der Schwenk zur Rüstung: Der „Neuer Plan“ von Hjalmar Schacht stellt die Wirtschaft auf staatlich gelenkte Importe und Autarkie um, um Devisen für Rohstoffe zu sparen.
1936 – Der Vierjahresplan: Hermann Göring wird Beauftragter für den Vierjahresplan. Das explizite Ziel: Die deutsche Wirtschaft muss in vier Jahren kriegsfähig, die Armee einsatzfähig sein. Fokus auf Ersatzstoffe (Buna, Synthetisches Benzin).
1938–1939 – Die Raubwirtschaft: Die „Arisierung“ erreicht ihren Höhepunkt. Jüdisches Vermögen wird zwangsweise auf deutsche Besitzer übertragen oder vom Staat konfisziert, um das Haushaltsdefizit der Rüstung zu decken.
1942–1945 – Die totale Sklavenwirtschaft: Albert Speer übernimmt das Rüstungsministerium. Die deutsche Wirtschaft basiert nun fast vollständig auf der Ausbeutung von über 7 Millionen Zwangsarbeitern und KZ-Häftlingen, die unter dem Prinzip „Vernichtung durch Arbeit“ zu Tode geschuftet werden.

Themenbereich 5: Bildung als Indoktrinationsmittel

Fokus: NSDAP-Punkt 20 (Ausbau des Schulwesens zur Vermittlung des Staatsgedankens).

1920 – Die Schule des Staates: Punkt 20 fordert, dass das „Erfassen des Staatsgedankens“ bereits mit Beginn des Verständnisses durch die Schule erzielt werden muss.
1933 – Die Säuberung der Lehrstühle: Das Berufsbeamtengesetz führt zur Entlassung aller jüdischen, sozialdemokratischen und kommunistischen Lehrer und Professoren. Bücherverbrennungen im Mai zeigen das Ende der akademischen Freiheit.
1934 – Das Kontrollministerium: Gründung des Reichsministeriums für Wissenschaft, Erziehung und Volksbildung. Lehrpläne werden zentralisiert und ideologisiert. „Rassenkunde“ wird Pflichtfach.
1936 – Der totalitäre Anspruch auf die Jugend: Das „Gesetz über die Hitlerjugend“ macht die HJ zur Staatsjugend. Die Erziehungsgewalt der Eltern wird gesetzlich beschnitten.
1937–1938 – Die Eliteschulen des Terrors: Gründung der Adolf-Hitler-Schulen und Ausbau der Nationalpolitischen Erziehungsanstalten (Napola) zur Züchtung des skrupellosen Führungsnachwuchses für Partei und SS.
1943–1945 – Die Verheizung der Generation: Schulen existieren kaum noch. Jugendliche werden als Luftwaffenhelfer eingezogen, ab 1944 im Volkssturm als Kindersoldaten an die Front geschickt. Die Erziehung zum Staatsgedanken endet im physischen Opfertod der eigenen Jugend.

Erkenntnis für das Forecasting:

Wenn man diese Zeitlinien analysiert, erkennt man das Muster der Eskalation:

Phase 1 (1933–1934): Institutionelle Vorbereitung (Säuberung von Personal, Verbote von Opposition).
Phase 2 (1935–1938): Bürokratische und juristische Ausgrenzung (Gesetze, die Diskriminierung normalisieren).
Phase 3 (1939–1945): Radikalisierung im Schutz von Krisen/Krieg (Physische Gewalt, Vernichtung).

Für ein Forecasting moderner Parteien bedeutet dies: Man darf nicht erst alarmiert sein, wenn Phase 3 erreicht ist. Das Grauen wird in Phase 1 vorbereitet – durch die Veränderung von Gesetzen, das Einsetzen loyaler Richter, das Erschweren freier Berichterstattung und das Etablieren von Begriffen wie „Remigration“.

AfD-Zeitlinie für die fünf Themenbereiche

Um eine solche Zeitlinie für die AfD (insbesondere mit Fokus auf Sachsen-Anhalt und die bundesweite Entwicklung) analog zur NSDAP-Zeitlinie aufzubauen, nutzt die Politikwissenschaft und Soziologie das Konzept der „schrittweisen Normalisierung und Radikalisierung“.

Da wir uns bei der AfD – anders als bei der NSDAP nach 1933 – in der Phase vor einer potenziellen Regierungsübernahme befinden, unterscheidet sich die Struktur der Zeitlinie: Sie dokumentiert bisher primär die Verschiebung des Sagbaren, die Radikalisierung der Programmatik und reale Schlüsselereignisse.

Hier ist ein Entwurf für die ersten drei Themenbereiche, basierend auf den realen Ereignissen der letzten Jahre bis hin zu aktuellen Entwicklungen im Vorfeld der Landtagswahl 2026.

Themenbereich 1: Logik der Ausgrenzung (Vom Asylkritiker zur „Remigration“)

2013–2015 – Die Gründungsphase (Euro-Kritik): Die AfD startet als wirtschaftsliberale, eurokritische Professorenpartei. Das Thema Migration spielt eine untergeordnete Rolle.
2015–2018 – Der völkische Schwenk (Flüchtlingskrise): Mit dem Erfurter Programm und dem Aufstieg des „Flügels“ (Björn Höcke, André Poggenburg in Sachsen-Anhalt) wird Migration zum Hauptthema. Erste Forderungen nach „Minus-Zuwanderung“ und Schusswaffeneinsatz an Grenzen anstelle von geordneten Verfahren.
2019–2021 – Verfassungsrechtliche Einstufung: Der Verfassungsschutz stuft den „Flügel“ als rechtsextremistisch ein. In Sachsen-Anhalt wird der Landesverband im Jahr 2021 als „Verdachtsfall“ eingestuft. Die Rhetorik verschärft sich hin zu einem ethnischen Volksbegriff („Bevölkerungsaustausch“).
2023–2024 – Die Konzeptualisierung der „Remigration“: Das geheim gehaltene Treffen von Potsdam (November 2023) wird öffentlich. Der Begriff „Remigration“ wird als strategisches Kernziel etabliert. Es wird offen darüber gesprochen, nicht nur Asylbewerber, sondern auch deutsche Staatsbürger mit Migrationshintergrund nach ethnischen Kriterien auszuweisen. Der Verfassungsschutz Sachsen-Anhalt stuft den Landesverband als „gesichert rechtsextremistisch“ ein.
2025–2026 – Die Programmatische Verankerung: Im aktuellen Wahlprogramm für die Landtagswahl 2026 wird die Einrichtung einer eigenen „Landesagentur für Remigration“ und einer Abschiebe-Task-Force gefordert. Was 2013 als Kritik an EU-Finanzen begann, ist nun eine offene Deportationsprogrammatik.

Themenbereich 2: Gleichschaltung von Medien und Justiz (Angriff auf die Institutionen)

2014–2016 – Rhetorische Delegitimierung: Einführung und Etablierung des Kampfbegriffs „Lügenpresse“ auf Demonstrationen und in Reden. Journalisten werden auf Parteitagen massiv bedrängt oder von der Berichterstattung ausgeschlossen.
2017–2020 – Parlamentarische Angriffe: Im Bundestag und in den Landtagen (insbesondere Sachsen-Anhalt) fordert die AfD vehement die Abschaffung des öffentlich-rechtlichen Rundfunks (ÖRR) und die Verweigerung des Rundfunkbeitrags. Gleichzeitig werden Richter, die gegen AfD-Positionen entscheiden, als „politisch gelenkt“ diffamiert.
2021–2023 – Einschüchterungsversuche und Meldeportale: In mehreren Bundesländern werden Online-Pranger für Lehrer („Neutrale Schule“) eingerichtet, um Pädagogen zu melden, die sich kritisch mit Rechtsextremismus auseinandersetzen. Einleitung eines Kulturkampfes gegen Bildungseinrichtungen.
2024–2025 – Taktische Blockaden: Nach Wahlerfolgen (z. B. in Thüringen und Sachsen-Anhalt) nutzt die AfD ihre Sperrminoritäten im Parlament, um die Wahl von Verfassungsrichtern zu blockieren. Ziel ist es, Druck auf die Justiz auszuüben, um Posten mit parteinahen Juristen zu besetzen.
2026 – Das Programmatische Ziel: Die AfD Sachsen-Anhalt fordert die fristlose Kündigung aller Rundfunkstaatsverträge und den Aufbau eines kontrollierten „Heimatfunks“. Unabhängige Medien sollen durch den Entzug von Informationen und Akkreditierungen systematisch geschwächt werden.

Themenbereich 3: Völkische Biopolitik und Normierung (Die Definition der Norm)

2013–2016 – Traditionelles Familienbild: Die Partei vertritt ein klassisch wertkonservatives Familienbild und fordert die Förderung der Geburtenrate der einheimischen Bevölkerung.
2017–2021 – Antifeminismus und Anti-Gender-Kampf: Der Kampf gegen „Gender-Mainstreaming“ wird zur ideologischen Kernkonstante. Anträge in den Landtagen fordern das Verbot geschlechtergerechter Sprache in Behörden und Schulen. Gleichzeitig wird der Druck auf Schwangerschaftskonfliktberatungen erhöht.
2022–2024 – Angriff auf Minderheitenrechte: Scharfe Rhetorik gegen die Rechte von Transpersonen (SBGG) und LGBTQ+-Gemeinschaften. Diese werden als „unnatürlich“ und „Gefahr für Kinder“ dargestellt. In Sachsen-Anhalt fordert die AfD das Ende der Förderung für Antidiskriminierungsprojekte.
2025–2026 – Institutionelle Exklusion (Inklusionsstopp): Im aktuellen Programm wird die vollständige Abschaffung der schulischen Inklusion von Kindern mit Behinderungen gefordert. Sie sollen konsequent auf Sonderschulen zurückgedrängt werden. Zudem wird gefordert, finanzielle Familienförderung („Willkommenskultur für Kinder“) strikt an den ethnisch-deutschen Status der Eltern zu knüpfen (Biopolitik).

Methodische Erkenntnis für das Forecasting:

Diese Zeitlinien zeigen, dass die AfD ein Erosionstempo an den Tag legt:

Schritt 1: Tabubruch (Ein Wort oder eine Idee wird in den Raum geworfen).
Schritt 2: Gewöhnung (Das Thema wird im öffentlichen Diskurs normalisiert).
Schritt 3: Programmatisierung (Die Forderung wird offizielles Parteiziel).
Schritt 4 (Zukunft/Forecasting): Institutionelle Umsetzung (im Falle einer Regierungsbeteiligung).

Themenbereich 4: Wirtschaftlicher Isolationismus (Vom Euro-Kritiker zum „Dexit“)

2013–2015 – Die monetäre Kritik (Gründungsphase): Die AfD formiert sich primär als „Alternative“ zur Euro-Rettungspolitik. Gefordert wird eine geordnete Auflösung des Euro-Währungsraums oder der Austritt Deutschlands aus dem Euro, um zur D-Mark zurückzukehren. Der Verbleib in der EU und im EU-Binnenmarkt steht zu diesem Zeitpunkt nicht zur Disposition.
2016–2020 – Der Schwenk zum Protektionismus: Mit dem Wandel zur Migrationspartei verändert sich auch die Wirtschaftsnetzwerk-Rhetorik. Die Globalisierung wird zunehmend als Bedrohung für die „nationale Souveränität“ gefasst. Die europäische Gesetzgebung und internationale Handelsabkommen werden als Angriffe von „globalistischen Eliten“ auf den deutschen Mittelstand deklariert.
2021–2023 – Die Radikalisierung zur Autarkie (Klimadebatte & Energiekrise): Die Wirtschaftspolitik koppelt sich radikal an den Kampf gegen die Energiewende. Gefordert wird der unbegrenzte Weiterbetrieb von Kohle- und Kernkraftwerken und der totale Stopp von Investitionen in erneuerbare Energien, die als „Klima-Diktatur“ diffamiert werden. Parallel dazu wird die Ablehnung von ausländischen Fachkräften ideologisch zementiert – der Arbeitskräftemangel soll rein durch Automatisierung und Aktivierung „Inländischer“ gelöst werden.
2024–2026 – Die Programmatisierung des „Dexit“: Der Austritt Deutschlands aus der Europäischen Union („Dexit“) wird vom theoretischen Druckmittel zum konkreten, programmatischen Staatsziel (verankert u.a. im Europawahlprogramm und den aktuellen Landtagsprogrammen wie in Sachsen-Anhalt). Ökonomen warnen, dass diese Form der totalen Abschottung und der Abbruch von EU-Lieferketten zu einem massiven Einbruch des BIP und zum Kollaps des exportorientierten Mittelstands führen würden.

Themenbereich 5: Bildungspolitik (Vom Leistungsprinzip zur ideologischen Selektion)

2013–2016 – Konservative Bildungsideale: Die Partei fordert eine Rückbesinnung auf traditionelle Tugenden, die Stärkung des klassischen dreigliedrigen Schulsystems und eine Betonung des Leistungsprinzips. Kritik richtet sich vor allem gegen die Vereinheitlichungstendenzen der Bundesländer (z.B. Gemeinschaftsschulen).
2017–2020 – Der Kulturkampf im Klassenzimmer: Schulen und Universitäten werden gezielt als Räume der „linken Indoktrination“ markiert. Es beginnt die systematische Kampagne gegen geschlechtergerechte Sprache, Diversity-Ansätze und die Aufklärung über sexuelle Vielfalt an Schulen. Kultur- und Heimatkunde sollen die kritische Auseinandersetzung mit der deutschen Geschichte verdrängen.
2021–2023 – Institutionelle Einschüchterung (Meldeportale): Die Fraktionen in den Landtagen (darunter intensiv in Sachsen-Anhalt) richten Online-Meldeportale („Neutrale Schule“) ein. Schüler und Eltern werden anonym dazu aufgerufen, Lehrer zu denunzieren, die sich im Unterricht kritisch mit rechtsextremen Positionen auseinandersetzen oder moderne gesellschaftliche Werte vermitteln. Dies erzeugt ein messbares Klima der Verunsicherung und Selbstzensur unter Pädagogen.
2024–2026 – Die legislative Exklusion (Inklusionsstopp & Kontrollierte Lehrstühle): Im Regierungsprogramm für Sachsen-Anhalt 2026 wird der radikale Umbau des Bildungswesens gefordert: Die vollständige Abschaffung der schulischen Inklusion. Kinder mit körperlichen oder geistigen Einschränkungen sowie Lernschwierigkeiten werden per Programmpunkt aus Regelschulen verbannt und auf Sonderschulen zurückgedrängt. An den Universitäten soll ein staatlich erzwungenes „Neutralitätsgebot“ (faktisch ein Sprechverbot für kritische Forschung) etabliert und unliebsame Institute (z.B. Gender Studies) staatlich abgewickelt werden.

Das Forecasting zeigt hier ein klares strukturelles Risiko:

Während der wirtschaftliche Isolationismus (Themenbereich 4) die materielle Basis und die soziale Sicherheit erodiert, sorgt die selektive und kontrollierte Bildungspolitik (Themenbereich 5) dafür, dass die kritische Reflexion in der nächsten Generation systematisch unterbunden wird. Damit schließt sich der Kreis der autoritären System-Transformation.

Um die beiden Zeitlinien auf einer Meta-Ebene zusammenzubringen, eignet sich die politikwissenschaftliche Systemtheorie. Das Ziel ist es, von der reinen Chronologie (wann ist was passiert) zu einer Struktur- und Prozessanalyse zu gelangen.

Der gemeinsame Nenner beider Zeitlinien ist das Phänomen der autokratischen System-Transformation – also die Frage: Wie wird eine gefestigte oder fragile Demokratie schrittweise ausgehöhlt?

Hier ist ein systemischer Vorschlag, wie die Ereignisse der NSDAP (1920–1945) und die Entwicklung der AfD (2013–2026) auf einer übergeordneten Ebene in ein 3-Phasen-Modell der System-Transformation integriert werden.

Das Meta-Modell: Die drei Phasen der System-Transformation

Jeder der 5 Themenbereiche durchläuft historisch wie potenziell dieselben drei funktionalen Phasen. Auf der Meta-Ebene betrachten wir nicht mehr die Jahre, sondern die Funktion des Ereignisses im System.

Phase 1: Die ideologische Fundierung & Diskursverschiebung

In dieser Phase geht es darum, Ideen gesellschaftsfähig zu machen, die mit dem bestehenden System unvereinbar sind.

Die Dynamik: Was als radikale Randmeinung beginnt, wird durch gezielte Tabubrüche in den alltäglichen Diskurs eingespeist. Es entsteht ein Gewöhnungseffekt.
Zusammenführung im Vergleich:
- NSDAP (1920): Das Schreiben des 25-Punkte-Programms. Antisemitismus und völkischer Nationalismus werden als legitime politische Forderung formuliert.
- AfD (2013–2018): Der Schwenk von der Euro-Kritik zur Migrations- und Kulturkampf-Rhetorik. Begriffe wie „Bevölkerungsaustausch“ oder „Lügenpresse“ wandern von der Straße in die Parlamente.

Phase 2: Die institutionelle Erprobung & Delegitimierung

Hier verlässt die Bewegung den reinen Debattenraum und nutzt die Werkzeuge der Demokratie, um deren Fundamente anzugreifen.

Die Dynamik: Institutionen (Justiz, Medien, Schulen, Verfassungsschutz) werden nicht mehr nur kritisiert, sondern systematisch als „korrupt“, „gesteuert“ oder „unwahr“ markiert, um das Vertrauen der Bürger in sie zu zerstören.
Zusammenführung im Vergleich:
- NSDAP (1925–1932): Die „Legalitätstaktik“. Nutzung von Reichstagswahlen und parlamentarischen Immunitäten, um die Weimarer Republik von innen heraus als handlungsunfähig darzustellen.
- AfD (2019–2025): Einrichtung von Lehrer-Meldeportalen (Angriff auf Bildung), Blockade von Richterwahlen mittels Sperrminoritäten (Angriff auf Justiz), Klagen gegen den Verfassungsschutz, um die Kontrollinstanz zu delegitimieren.

Phase 3: Die legislative Formatierung & Exklusion (Der Kipppunkt)

Diese Phase beschreibt den Übergang zur realen Ausübung von Staatsgewalt. Ab hier wird das Recht so verändert, dass die Ideologie exekutiert werden kann.

Die Dynamik: Nach dem Erlangen von (Teil-)Macht werden Gesetze erlassen, die die Phasen 1 und 2 institutionalisieren. Der Rechtsstaat wird formal aufrechterhalten, aber inhaltlich pervertiert („illiberale Demokratie“ oder Diktatur).
Zusammenführung im Vergleich:
- NSDAP (1933–1945): Berufsbeamtengesetz, Nürnberger Gesetze, Schriftleitergesetz. Die totale Gleichschaltung und der Übergang zum physischen Terror im Schutz von Krisen.
- AfD (Forecasting 2026+): Realisierung der programmatischen Forderungen bei Regierungsbeteiligung. Kündigung der Rundfunkstaatsverträge (Medienmonopol), Aufbau der „Landesagentur für Remigration“ (Deportationslogik), gesetzliches Ende der schulischen Inklusion (Selektion).

Visualisierung als Meta-Matrix

Die folgende Tabelle zeigt auf einen Blick, dass die Mechanismen unabhängig von der Epoche strukturell identisch sind:

Transformations-Phase	Systemische Funktion	Historisches Muster (NSDAP)	Modernes Muster (AfD)
1. Diskursverschiebung	Definition des „Feindbildes“ und Aufweichung moralischer Grenzen.	Punkt 4 (Blut und Boden, Exklusion der Juden als Ziel).	Konzept der „Remigration“ und völkischer Kulturbegriff.
2. Delegitimierung	Lähmung und Verächtlichmachung der demokratischen Abwehrkräfte.	Kampf gegen das „Weimarer System“ und die freie Presse.	Kampagnen gegen den ÖRR („Staatsfunk“) und Justiz-Bashing.
3. Legislative Exklusion	Nutzung staatlicher Macht zur rechtlichen Trennung und Verfolgung.	Nürnberger Gesetze, Aktion T4, Sklavenwirtschaft.	Abschiebe-Task-Forces, Inklusionsstopp, „Dexit“-Abschottung.

Zusammenfassung:

Die AfD nutzt heute dieselben systemischen Hebel der Phasen 1 und 2, die historisch die Phase 3 überhaupt erst ermöglicht haben. Das Risiko liegt darin, dass das System kippt, sobald die Kontrollinstanzen der Phase 2 erfolgreich ausgeschaltet wurden:

Das Böse hat schon begonnen das Fell des Guten abzustreifen…Es gilt, das Fell als Mittel des Bösen zu identifizieren, bevor das darunter liegende Böse unsere Demokratie zerstört!

Anhang 1

Aus: documentArchiv.de – Das 25-Punkte-Programm der Nationalsozialistischen Deutschen Arbeiterpartei (24.02.1920):

Das 25-Punkte-Programm der Nationalsozialistischen Deutschen Arbeiterpartei

[vom 24. Februar 1920]

Das Programm der Nationalsozialistischen Deutschen Arbeiterpartei ist ein Zeitprogramm. Die Führer lehnen es ab, nach Erreichung der im Programm aufgestellten Ziele neue aufzustellen, nur zu dem Zweck, um durch künstlich gesteigerte Unzufriedenheit der Massen das Fortbestehen der Partei zu ermöglichen.

Wir fordern den Zusammenschluß aller Deutschen auf Grund des Selbstbestimmungsrechtes der Völker zu einem Groß-Deutschland.
Wir fordern die Gleichberechtigung des deutschen Volkes gegenüber den anderen Nationen, Aufhebung der Friedensverträge von Versailles und St. Germain.
Wir fordern Land und Boden (Kolonien) zur Ernährung unseres Volkes und Ansiedlung unseres Bevölkerungsüberschusses.
Staatsbürger kann nur sein, wer Volksgenosse ist. Volksgenosse kann nur sein, wer deutschen Blutes ist, ohne Rücksichtnahme auf Konfession. Kein Jude kann daher Volksgenosse sein.
Wer nicht Staatsbürger ist, soll nur als Gast in Deutschland leben können und muß unter Fremden-Gesetzgebung stehen.
Das Recht, über Führung und Gesetze des Staates zu bestimmen, darf nur dem Staatsbürger zustehen. Daher fordern wir, daß jedes öffentliche Amt, gleichgültig welcher Art, gleich ob im Reich, Land oder Gemeinde nur durch Staatsbürger bekleidet werden darf.

Wir bekämpfen die korrumpierende Parlamentswirtschaft einer Stellenbesetzung nur nach Parteigesichtspunkten ohne Rücksichtnahme auf Charakter und Fähigkeiten.

Wir fordern, daß sich der Staat verpflichtet, in erster Linie für die Erwerbs- und Lebensmöglichkeit der Bürger zu sorgen. Wenn es nicht möglich ist, die Gesamtbevölkerung des Staates zu ernähren, so sind die Angehörigen fremden Nationen (Nicht-Staatsbürger) aus dem Reiche auszuweisen.
Jede weitere Einwanderung Nicht-Deutscher ist zu verhindern. Wir fordern, daß alle Nicht-Deutschen, die seit 2. August 1914 in Deutschland eingewandert sind, sofort zum Verlassen des Reiches gezwungen werden.
Alle Staatsbürger müssen gleiche Rechte und Pflichten besitzen.
Erste Pflicht jeden Staatsbürgers muß sein, geistig oder körperlich zu schaffen. Die Tätigkeit des Einzelnen darf nicht gegen die Interessen der Allgemeinheit verstoßen, sondern muß im Rahmen des gesamten und zum Nutzen aller erfolgen.

Daher fordern wir:

Abschaffung des arbeits- und mühelosen Einkommens.

Brechung der Zinsknechtschaft!

Im Hinblick auf die ungeheuren Opfer an Gut und Blut, die jeder Krieg vom Volke fordert, muß die persönliche Bereicherung durch den Krieg als Verbrechen am Volke bezeichnet werden. Wir fordern daher restlose Einziehung aller Kriegsgewinne.
Wir fordern die Verstaatlichung aller (bisher) bereits vergesellschafteten (Trust) Betriebe.
Wir fordern die Gewinnbeteiligung an Großbetrieben.
Wir fordern einen großzügigen Ausbau der Alters-Versorgung.
Wir fordern die Schaffung eines gesunden Mittelstandes und seiner Erhaltung, sofortige Kommunalisierung der Groß-Warenhäuser und ihre Vermietung zu billigen Preisen an kleine Gewerbetreibende, schärfste Berücksichtigung aller kleinen Gewerbetreibenden bei Lieferung an den Staat, die Länder oder Gemeinden.
Wir fordern eine unseren nationalen Bedürfnissen angepaßte Bodenreform, Schaffung eines Gesetzes zur unentgeltlichen Enteignung von Boden für gemeinnützige Zwecke. Abschaffung des Bodenzinses und Verhinderung jeder Bodenspekulation.
Wir fordern den rücksichtslosen Kampf gegen diejenigen, die durch ihre Tätigkeit das Gemein-Interesse schädigen. Gemeine Volksverbrecher, Wucherer, Schieber usw. sind mit dem Tode zu bestrafen, ohne Rücksichtnahme auf Konfession und Rasse.
Wir fordern Ersatz für das der materialistischen Weltordnung dienende römische Recht durch ein deutsches Gemein-Recht.
Um jeden fähigen und fleißigen Deutschen das Erreichen höherer Bildung und damit das Einrücken in führende Stellungen zu ermöglichen, hat der Staat für einen gründlichen Ausbau unseres gesamten Volksbildungswesens Sorge zu tragen. Die Lehrpläne aller Bildungsanstalten sind den Erfordernissen des praktischen Lebens anzupassen. Das Erfassen des Staatsgedankens muß bereits mit dem Beginn des Verständnisses durch die Schule (Staatsbürgerkunde) erzielt werden. Wir fordern die Ausbildung geistig besonders veranlagter Kinder armer Eltern ohne Rücksicht auf deren Stand oder Beruf auf Staatskosten.
Der Staat hat für die Hebung der Volksgesundheit zu sorgen und durch den Schutz der Mutter und des Kindes, durch Verbot der Jugendarbeit, durch Herbeiführung der körperlichen Ertüchtigung mittels gesetzlicher Festlegung einer Turn- und Sportpflicht durch größte Unterstützung aller sich mit körperlicher Jugend-Ausbildung beschäftigenden Vereine.
Wir fordern die Abschaffung der Söldnertruppe und die Bildung eines Volksheeres.
Wir fordern den gesetzlichen Kampf gegen die bewußte politische Lüge und ihre Verbreitung durch die Presse. Um die Schaffung einer deutschen Presse zu ermöglichen, fordern wir, daß
a) sämtliche Schriftleiter und Mitarbeiter von Zeitungen, die in deutscher Sprache erscheinen, Volksgenossen sein müssen.
b) Nichtdeutsche Zeitungen zu ihrem Erscheinen der ausdrücklichen Genehmigung des Staates bedürfen. Sie dürfen nicht in deutscher Sprache gedruckt werden.
c) Jede finanzielle Beteiligung an deutschen Zeitungen oder deren Beeinflussung durch Nicht-Deutsche gesetzliche verboten wird und fordern als Strafe für Uebertretungen die Schließung einer solchen Zeitung sowie die sofortige Ausweisung der daran beteiligten Nicht-Deutschen aus dem Reich.
d) Zeitungen, die gegen das Gemeinwohl verstoßen, sind zu verbieten. Wir fordern den gesetzlichen Kampf gegen eine Kunst- und Literaturrichtung, die einen zersetzenden Einfluß auf unser Volksleben ausübt und die Schließung von Veranstaltungen, die gegen vorstehende Forderungen verstoßen.
Wir fordern die Freiheit aller religiösen Bekenntnisse im Staat, soweit sie nicht dessen Bestand gefährden oder gegen das Sittlichkeits- und Moralgefühl der germanischen Rasse verstoßen.

Die Partei als solche vertritt den Standpunkt eines positiven Christentums, ohne sich konfessionell an ein bestimmtes Bekenntnis zu binden. Sie bekämpft den jüdisch-materialistischen Geist in und außer uns und ist überzeugt, daß eine dauernde Genesung unseres Volkes nur erfolgen kann von innen heraus auf der Grundlage:

Gemeinnutz vor Eigennutz

Zur Durchführung alles dessen fordern wir die Schaffung einer starken Zentralgewalt des Reiches. Unbedingte Autorität des politischen Zentralparlaments über das gesamte Reich und seine Organisationen im allgemeinen.

Die Bildung von Stände- und Berufskammern zur Durchführung der vom Reich erlassenen Rahmengesetze in den einzelnen Bundesstaaten.

Gegenüber den verlogenen Auslegungen des Punktes 17 durch Gegner der Partei ist noch folgende Feststellung notwendig:[1]

Da die NSDAP. auf dem Boden des Privateigentums steht, ergibt sich von selbst, daß der Passus „Unentgeltliche Enteignung“ nur auf die Schaffung gesetzlicher Möglichkeiten Bezug hat, Boden, der auf unrechtmäßige Weise erworben wurde oder nicht nach den Gesichtspunkten des Volkswohls verwaltet wird, wenn nötig zu enteignen. Dies richtet sich demgemäß in erster Linie gegen die jüdische Grundstücksspekulations-Gesellschaften.

gez. Adolf Hitler.

Anhang 2

Link zum Programm der AfD Sachsen-Anhalt: https://afd-regierungsprogramm.de/

Attention Collective Mind III: KI-Assistenz für die Markus Lanz TV-Sendung am 30.04.2024

Kurzfassung: In diesem Blog-Beitrag wird der Attention Collective Mind Mechanismus auf eine reale Gruppenkommunikation angewendet. Es wird gezeigt, dass ein durch Reinforcement Learning trainierter RL-Agent einen TV-Moderator aktiv in einem hybriden Collective Intelligence Setting bei der Moderation einer TV-Sendung unterstützen kann. Ein dem Attention Modell ähnlicher Mechanismus wird für die Vermessung des Disruptiongrads von Redebeiträgen angewendet. Damit ist es möglich, die kreative Spannung in einer Kommunikation zu vermessen und deren Potential für die Ausbildung eines Collective Mind zu bewerten.

Dieser Bog-Beitrag ist mit Gemini Pro erstellt.

In den vorherigen beiden Blog-Beiträgen dieser Reihe habe ich einen Attention Mechanismus für die KI-Assistenz von soziale Systemen entwickelt. Ich konnte zeigen, dass ein Reinforcement Learning KI-Agent (RL-Agent) in der Lage ist, eine Projekt-Führungskraft bei der Führung seines Teams zu unterstützen: Der RL-Agent unterstützt die Führungskraft durch die Anzeige des individuellen Stresslevels und des Gruppen-Stresslevels und macht Vorschläge zur Teilnehmereinbindung um die Stresslevel zu senken.

In diesem Blog-Beitrag verwende ich den RL-Agenten, um eine reale Gruppe zu führen: Da es sehr schwierig ist, auf Daten eines realen Teams zuzugreifen, verwende ich die Kommunikation der Gruppe der Markus Lanz TV-Sendung vom 30.04.2024 [1]. Für diese TV-Sendung habe ich schon am 27.Juni 2024 eine Collective Mind Analyse im Blog-Beitrag ‚AI & M 4.0: Markus Lanz vom 30.04.2024…‘ veröffentlicht.

Die transkribierten Kommunikationsdaten zu dieser Sendung liegen vor, so dass es recht einfach ist, auf dieser Basis eine Attention Collective Mind Analyse durchzuführen. Der Ablauf ist wie folgt:

Schritt 1: Die transkribierten Daten werden einer LLM KI übergeben, in dem vorliegenden Fall, Gemini Pro. Gemini Pro erhält die Aufgabe, die Big-Five Persönlichkeiten und die Werte-Ausprägung zu drei Werten V1, V2 und V3 der Teilnehmer der TV-Sendung einzuschätzen:

[V1] Wahrheit & Logik (Sachlicher Erkenntnisgewinn)
[V2] Identität & Loyalität (Verteidigung der eigenen Ingroup)
[V3] Freiheit & Aufklärung (Tabubruch, liberale Werte)

Diese Werte wurden gewählt, weil es in der TV-Sendung um das Rollenverständnis der Muslime in Deutschland geht.

Die Big-Five Ergebnisse und die Werten V1 bis V3 werden pro Diskussionsteilnehmer aus der Gesamtheit der jeweiligen Redebeiträge ermittelt. Die mittels Gemini Pro erhaltenen Big-Five Werte weichen teilweise recht stark von den ChatGPT Big-Five Analyse aus dem Jahre 2024 ab. Die ChatGPT Big-Five Werte entsprechen sehr genau meinen persönlichen Einschätzungen. Ich habe überprüft inwieweit dieser Unterschied das Ergebnis (siehe weiter unten) beeinflusst: Die Big-Five Werte beeinflussen deutlich die Höhe der Stresspegel (Skala unten 0.1 bis 0.2), jedoch kaum deren Verlauf.

Schritt 2: Big-Five und die Werte werden als statische Größen im Persönlichkeitsvektor der Gruppenteilnehmer eingetragen. Zusätzlich ist es nötig, im Persönlichkeitsvektor den emotionalen Zustand der Gesprächsteilnehmer zu erfassen. Mit Gemini Pro wird die sogenannte Valenz (positiv, neutral, negativ) und die damit verbundene Stimmung (Arousal) pro Redebeitrag erfasst. Diese Werte mit der Information auf welchen anderen Teilnehmer bzw. Redebeitrag ein Teilnehmer reagiert wird, werden in eine Tabelle eingetragen.

Schritt 3: Mit Hilfe eines Transformer-Modells aus der Huggingface Bibliothek wird eine Textanalyse vorgenommen. Diese Analyse bettet die ungefähr 100 Redebeiträge in einen hochdimensionalen Vektorraum. Damit ist möglich, Textähnlichkeiten der Redebeiträge über Vektor-Ähnlichkeit zu vermessen. In Anlehnung an einen Artikel zur Vermessung des Disruptioncharakters von wissenschaftlichen Veröffentlichungen [2] habe ich einen Disruption-Score (D-Score) für Redebeiträge eingeführt: Dieser D-Score misst inwieweit sich nachfolgende Redebeiträge (nur noch) auf einen vorhergehenden Redebeitrag beziehen (für die verwendete Mathematik verweise ich auf den Anhang).

Schritt 4: Der bisherige RL-Agent wird getestet, ob er in der Lage ist, den Moderator aktiv und sinnvoll zu unterstützen. Die Tests ergeben, dass es notwendig ist, das RL-Agenten Modell für die Moderator-Situation zu erweitern: Der Redeanteil der Gesprächsteilnehmer wird durch eine Größe ‚Fatique‘ (Ermüdung) begrenzt. – Jeder Redebeitrag führt zu einer ‚Ermüdung‘. Indirekt wird damit auch die Ermüdung der Zuhörer bewertet.
Außerdem wird das Modell für den individuellen Stresspegel und den Stresspegel der gesamten Gruppe angepasst. – Für die entsprechende Mathematik verweise ich auf den Anhang. Der Anhang enthält nur die gegenüber dem vorherigen Blog-Beitrag geänderte Mathematik. – Die erfolgreiche Modellierung bedeutet in diesem Fall, dass die KI dem Moderator richtige Hinweise zur aktiven Steuerung des individuellen und gruppendynamischen Stresspegels gibt, in dem der RL-Agenten korrekte Empfehlungen zur Einbindungen bestimmter Gesprächsteilnehmer gibt: Der RL-Agenten entlastet den Moderator mental und gestaltet den Moderationsablauf mit.

Die erfolgreiche Modell-Ausgestaltung des RL-Agent hat den Nebeneffekt, dass die entscheidenden Modellgrößen selektiert werden und die wichtigen Mechanismen der Führung, hier der Moderation, abgebildet werden: Die ‚Beliebigkeit‘, was gute Führung ist, wird durch überprüfbare Modellgrößen ersetzt!

Schritt 5: Ergebnisse
Abbildung 1 zeigt den Stresslevel der TV-Diskussionsteilnehmer und den Disruptiongrad des jeweiligen Redebeitrages (Turn).

Abbildung 1: Diese Abbildung zeigt im oberen Teil den Stresspegel der fünf Teilnehmer aufgetragen über den Redebeiträgen (Turns). Im unteren Teil der Abbildung ist der D-Score (Disruptiongrad) des Turns enthalten. Am oberen Rand der Abbildung ist die Turn-Nr. als X-Achse verwendet, am unteren Rand wird die Sprecher-ID pro Turn als X-Achse angezeigt. Der Verlauf der Sprecher-ID stellt eine Signatur der Kommunikation dar: Sieht man vom Moderator (Lanz) ab, so zeigt der Sprecher 4 ( Mansour) den höchsten Anteil an Disruption. Der Sprecher 2 (Khorchide) wirkt als starker Konsolidierer. Sprecher 2 (Hübsch) wirkt fast immer als Antagonist, bringt aber kaum Disruption in die Debatte. Sprecher 3 (Kaymann) wirkt in der ersten Hälfte des TV-Gespräches konsolidieren, und hat bis auf eine kleine Disruption im zweiten Teil keine großen Einfluss auf die Diskussion. Berücksichtigt man, dass Disruption und Konsolidierung Wegbereiter eines Collective Mind sind, so tragen Mansour und Korchide die Diskussion, auch wenn der Redeanteil von Mansour relativ klein ist. Dies entspricht den Sprechern 4 und 5 der Analyse vom Juni 2024. Die aktuelle Analyse hilft die vergangene Analyse der nahe beieinanderliegenden Collective Mind Beiträge besser zu unterscheiden.

Abbildung 2: Diese Abbildung zeigt einen Ergebnis-Auszug der zusätzlichen Informationen pro Turn. Hier für die Turns 49 bis 51. Ich habe diesen Auszug beispielhaft gewählt, da hier der größte D-Score vorliegt.

Im folgenden gebe ich eine detaillierte Aufschlüsselung dieses Ergebnis-Auszugs. Diese Zeilen zeigen sehr gut, wie ein kommunikativer ‚Game Changer‘ mathematisch aussieht.

Jeder Block repräsentiert einen Redebeitrag und ist in drei Ebenen unterteilt:

1. 🗣️ REALITÄT (Die Datenbasis)

Das ist die Eingabeebene. Das System registriert die Turn-Nummer ([49]), wer spricht (Mansour), an wen die Aussage gerichtet ist (zu Hübsch) und den Start des tatsächlichen Transkript-Textes.

2. 🧠 Die analytische Ebene (Emotion & Semantik)

Diese Ebene zeigt Parameter des gesprochenen Wortes:

Valenz: Misst die emotionale Schärfe von -1.0 (feindselig/Kritik) bis +1.0 (zustimmend/Lob).
D-Score: Der Disruptions-Wert. Er misst durch Vektorgeometrie, ob der Satz das inhaltliche Thema der Diskussion radikal verändert (positiver Wert) oder ob alte Argumente lediglich wiederholt werden (negativer Wert).

3. 🤖 KI-CO-PILOT (Die Systemsteuerung)

Dies ist das Steuerzentrum der Simulation:

Spg (Systemspannung): Die aufsummierte kognitive und emotionale Belastung (Stress) aller Personen im Raum. Über 2.0 wird es kritisch.
Empfehlung: Das neuronale Netz, der RL-Agent, berechnet im Hintergrund, wer als Nächstes sprechen sollte, um den inhaltlichen Ertrag zu maximieren und das System stabil zu halten.
System-Notizen: Wenn bestimmte Schwellenwerte gerissen werden, gibt das System Warnungen oder Erfolgsmeldungen aus (z. B. 💡 DISRUPTION ERFOLGREICH!).

Die Analyse: Was passiert in diesen drei Turns?

Dieser Auszug (Turns 49 bis 51) ist ein sehr gutes Beispiel für eine gelungene inhaltliche Intervention:

Turn 49: Der radikale Pivot von Mansour

Ahmad Mansour wehrt sich gegen eine Unterbrechung von Frau Hübsch. Die Valenz ist mit -0.50 stark negativ – es ist ein klarer verbaler Konflikt. Doch Mansour schlägt nicht einfach inhaltlich zurück, sondern lenkt das Thema auf eine völlig neue Ebene. Der NLP-Algorithmus schlägt massiv aus: Ein D-Score von +0.347 ist extrem hoch. Die KI erkennt sofort, dass der semantische Vektor der Diskussion gerade stark geändert wurde und meldet: „DISRUPTION ERFOLGREICH! Thema wurde neu gesetzt.“ Die Systemspannung (Spg) liegt hier bei leicht erhöhten 1.11. Die KI empfiehlt, das Wort an Prof. Khorchide (den harmonischsten Charakter) zu übergeben.

Turn 50: Die kühlende Moderation

Markus Lanz ergreift das Wort. Er erkennt den Themenwechsel („guten Übergang geliefert“) und fungiert als Moderator. Seine Valenz ist exakt 0.00 – völlig neutral und sachlich. Diese emotionale Kühle wirkt sofort: Die Systemspannung fällt schlagartig von 1.11 auf 0.85. Der D-Score ist mit +0.018 fast bei Null, was bedeutet: Lanz bricht Mansours neues Thema nicht ab, sondern lässt es zu. Die KI fordert weiterhin: Gebt das Wort an Khorchide!

Turn 51: Die inhaltliche Konsolidierung

Genau das passiert in der Realität: Prof. Khorchide übernimmt. Er greift Mansours neues Thema auf („Identitätssuche, Identitätsfindung in der Religion“). Die Valenz ist leicht negativ (-0.20), da er auf ein gesellschaftliches Problem hinweist.

Das Spannendste ist hier der D-Score von -0.080 (Konsolidierend). Ein negativer Wert ist hier absolut positiv zu werten! Es bedeutet, dass Khorchide keine neue Baustelle aufmacht, sondern den in Turn 49 neu gesetzten Themenanker akzeptiert und inhaltlich vertieft. Die neue Richtung der Diskussion ist damit erfolgreich etabliert und gefestigt.

Fazit dieser Sequenz: Die KI beweist hier datenbasiert, dass ein Streit (Turn 49) extrem produktiv sein kann, wenn er dazu genutzt wird, ein festgefahrenes Thema radikal zu wechseln. Und sie zeigt, wie gutes Zuhören und Aufgreifen durch nachfolgende Sprecher (Turns 50 & 51) das Stresslevel im Raum sofort senkt.

Zusammenfassung:

Ich beende hiermit (vorläufig) die Attention Collective Mind Blog-Reihe. Ich konnte zeigen, dass der Attention Mechanismus, der allen großen LLM KI-Systemen zugrunde liegt, auch erfolgreich auf die menschliche Kommunikation angewendet werden kann. Verwendet man ein Vektor-Persönlichkeitsmodell in das u.a. Big-Five, Werte und Emotionen (und ggf. der Projekttyp zur Beschreibung der Aufgabenstellung) eingehen, so lässt sich auf dieser Basis ein RL-Agent mittels Reinforcment Learning trainieren. Dieser RL-Agent unterstützt in einem hybriden Collective Intelligence Setting eine Führungskraft bzw. einen Moderator bei der Wahrnehmung der Team- bzw. Gruppendynamik und gibt aktiv in Echtzeit Empfehlungen für die Führung.

Anhang: Glossar und Formeln zum mathematischen Modell

Glossar: Die Vokabeln der KI-Simulation

Um die Dynamik einer Talkshow mathematisch zu berechnen, übersetzt die KI menschliches Verhalten in Datenpunkte. Hier sind die wichtigsten Begriffe aus der Psychologie und Datenwissenschaft einfach erklärt:

1. Die emotionale Ebene (Affective Computing)

Die KI bewertet jeden gesprochenen Satz nach zwei grundlegenden emotionalen Dimensionen:

Valenz (Valence): Beschreibt, ob eine Aussage positiv oder negativ ist. Negative Valenz (-1.0) bedeutet Angriff oder Kritik. Positive Valenz (+1.0) bedeutet Zustimmung oder Brückenbau.
Arousal (Erregungsniveau): Beschreibt die emotionale „Temperatur“. Hohes Arousal bedeutet, dass jemand passioniert oder hochgradig gestresst spricht. Ein negativer Satz, der geschrien wird (hohes Arousal), erzeugt mehr Systemstress als ein negativer Satz, der ruhig geäußert wird.

2. Die Gesprächsdynamik (Systemphysik)

Fatigue (Kognitive Erschöpfung): Wer lange spricht, verbraucht kognitive Energie. Wer zuhört, regeneriert sich leicht. Das System nutzt diesen Wert, um zu erkennen, wann ein Redner „leergesprochen“ ist.
Stresspegel (Individueller Stress): Ein Wert zwischen 0 und 1. Er steigt bei Angriffen und sinkt durch sachliche Klärung oder wenn man längere Zeit nicht attackiert wird (Abkühlungsphase).
Systemspannung (Kollektive Energie): Die Summe der individuellen Stresspegel aller Anwesenden. Steigt dieser Wert über eine kritische Grenze, steht die Diskussion kurz vor der Eskalation.

3. Die Persönlichkeit (Die „Big Five“)

Die Profile der Diskutanten basieren auf dem etablierten psychologischen OCEAN-Modell:

(O) Offenheit: Die Bereitschaft für neue, unkonventionelle Ideen.
(C) Gewissenhaftigkeit: Der Drang nach Struktur und Fakten.
(E) Extraversion: Das Bedürfnis, im Mittelpunkt zu stehen.
(A) Verträglichkeit (Agreeableness): Das Bedürfnis nach Harmonie und Konsens.
(N) Neurotizismus: Die Anfälligkeit für Stress bei Gegenwind.

4. Die linguistische Analyse (NLP & Disruption)

Text-Embeddings: KI-Modelle wandeln Sätze in mathematische Koordinaten (Vektoren) um. Sätze mit ähnlichem Inhalt liegen nah beieinander.
Kosinus-Ähnlichkeit: Eine Formel, die misst, ob zwei Personen inhaltlich über das Gleiche sprechen oder aneinander vorbei reden.
Disruption (D-Score): Das Maß für inhaltlichen Fortschritt. Ein negativer D-Score bedeutet, die Sprecher drehen sich im Kreis (Konsolidierung). Ein positiver D-Score bedeutet, ein Sprecher bringt einen radikalen „Game-Changer“ (Disruption / Topic Pivot).

Technischer Anhang: Mathematische Modellierung der Diskursdynamik

In diesem Anhang werden die Formeln erläutert, die zur Berechnung der Zustandsänderungen der Diskutanten und der inhaltlichen Struktur der Sendung verwendet wurden.

Die folgenden Funktionen sind Terme der geänderten Reward-Funktion:

1. Erschöpfungsmodell (Fatigue)

Die Erschöpfung eines Sprechers steigt durch den kognitiven Aufwand der Artikulation, während die Zuhörer eine leichte Regeneration erfahren.

$\begin{equation*} F_{i}^{(t)} = \begin{cases} \min(1.0, F_{i}^{(t-1)} + \Delta_{active}) & \text{wenn } i = \text{Sprecher} \\\\ \max(0.0, F_{i}^{(t-1)} - \Delta_{passive}) & \text{sonst} \end{cases} \end{equation*}$

Erläuterung:

$F_{i}^{(t)}$ : Erschöpfungsgrad des Teilnehmers $i$ zum Zeitpunkt $t$ .
$\Delta_{active}$ : Zuwachsrate pro Redebeitrag (Modellwert: $0.45$ ).
$\Delta_{passive}$ : Regenerationsrate pro Turn des Zuhörens (Modellwert: $0.15$ ).

2. Stress-Dynamik (Emotionale Physik)

Der Stresspegel reagiert auf die emotionale Ladung und die Konfrontation unter Berücksichtigung der Persönlichkeitsunterschiede.

A. Stress-Impact (Eskalation)

Bei negativer Valenz ( $V < 0$ ) berechnet sich der Stresszuwachs der Zielperson ( $tg$ ) wie folgt:

$\begin{equation*} \Delta S_{tg}^{(t)} = (A^{(t)} \cdot w_1) + (|B_{sp} - B_{tg}| \cdot |V^{(t)}| \cdot w_2) \end{equation*}$

Erläuterung:

$A^{(t)}$ : Das Arousal (Erregungsniveau) des Beitrags.
$\|B_{sp} - B_{tg}\|$ : Die Euklidische Distanz zwischen den Big-Five-Profilen von Sprecher und Zielperson.
$w_1, w_2$ : Gewichtungsfaktoren für emotionale Intensität und charakterliche Dissonanz.

Die Gewichtsfaktoren sind im Code auf folgende Werte gesetzt:

$w_1$ (Emotionale Intensität / Arousal): 0.2
$w_2$ (Charakterliche Dissonanz / Big-Five-Differenz): 0.1

Was bedeuten diese Werte für die Simulation?

Das System gewichtet die direkte, hörbare Erregung (Arousal) doppelt so stark wie den reinen Charakterunterschied.

Das ergibt psychologisch Sinn:

Die Dominanz der Lautstärke ( $w_1 = 0.2$ ): Wenn jemand sehr laut, schnell oder aggressiv spricht (hohes Arousal), erzeugt das bei der Zielperson fast immer sofortigen Stress (Fight-or-Flight-Reaktion), unabhängig davon, wie ähnlich sich die beiden Personen charakterlich sind.
Der Charakter-Multiplikator ( $w_2 = 0.1$ ): Die charakterliche Dissonanz (die Euklidische Distanz der Big-Five-Werte) ist ein feinerer, subtilerer Faktor. Er besagt: Wenn mich jemand kritisiert (negative Valenz), stresst mich das zusätzlich, wenn diese Person ein völlig anderes Weltbild oder eine völlig andere Persönlichkeit hat als ich (z.B. ein hochgradig extravertierter, strukturierter Mensch kritisiert einen introvertierten, sehr offenen Menschen). Da dieser Distanz-Wert (big5_diff) mathematisch oft größer als 1 sein kann, wird er mit dem kleineren Faktor 0.1 skaliert, damit er die Basis-Erregung nicht komplett überlagert.

Diese beiden Werte sind sogenannte Hyperparameter. Wenn die Simulation auf ein anderes Szenario anpassen werden soll (z. B. ein hochformelles Business-Meeting statt einer Talkshow), könnte man $w_1$ senken und $w_2$ erhöhen, da in professionellen Umgebungen weniger Emotion sichtbar wird, Charakterunterschiede bei Kritik aber vielleicht umso schwerer wiegen.

B. Der individuelle Stresspegel (Y-Achse in der Abbildung)

Der finale Stresspegel $S_i^{(t)}$ ist die Summe aus vorherigem Zustand, aktuellen Einflüssen und zeitlichem Zerfall, normiert auf $[0, 1]$ .

$\begin{equation*} S_i^{(t)} = \max \left( 0.0, \min \left( 1.0, S_i^{(t-1)} + \Delta S_{i}^{(t)} - \delta_{decay} \right) \right) \end{equation*}$

Erläuterung:

$\Delta S_{i}^{(t)}$ : Die Netto-Veränderung durch den aktuellen Beitrag.
$\delta_{decay}$ : Die natürliche Abkühlungsrate pro Zeiteinheit (Modellwert: $0.03$ ).

C. Die kollektive Systemspannung

Um zu berechnen, ob der Raum als Ganzes zu eskalieren droht, wird die Systemspannung $E_{sys}$ als Summe aller individuellen Stresspegel ( $N=5$ ) gebildet.

$\begin{equation*} E_{sys}^{(t)} = \sum_{i=1}^{N} S_i^{(t)} \end{equation*}$

Übersteigt $E_{sys}^{(t)}$ den empirisch festgelegten Schwellenwert (z.B. $2.0$ ), triggert die KI eine Warnung für den Moderator.

3. Semantische Disruption (D-Score)

Die Disruption misst, wie sehr ein Beitrag den inhaltlichen Fokus der Zukunft ( $F$ ) von der Vergangenheit ( $P$ ) weg hin zum aktuellen Beitrag ( $C$ ) verschiebt.

$\begin{equation*} D_t = \cos(\vec{F}_t, \vec{C}_t) - \cos(\vec{F}_t, \vec{P}_t) \end{equation*}$

Wobei die Cosinus-Ähnlichkeit definiert ist als:

$\begin{equation*} \cos(\vec{a}, \vec{b}) = \frac{\vec{a} \cdot \vec{b}}{|\vec{a}| |\vec{b}|} \end{equation*}$

Erläuterung:

$\vec{C}_t$ : Vektor-Embedding des aktuellen Beitrags.
$\vec{P}_t$ : Durchschnittsvektor der vorangegangenen $k$ Beiträge (Vergangenheit).
$\vec{F}_t$ : Durchschnittsvektor der nachfolgenden $k$ Beiträge (Zukunft).

Literatur

[1] ZDF (2024) https://www.zdf.de/gesellschaft/markus-lanz/markus-lanz-vom-30-mai-2024-100.html oder http://youtu.be/rpINCu5VmnY

[2] Kim M (2026) Uncovering simultaneous breakthroughs with a robust
measure of disruptiveness, Science Advances|Research Article

Transformation 4.0: Europa – Souveräner Innovativer Humanismus statt Technologische Republik

Kurzfassung: Die Firma Palantir hat mit ihrem am 18.04.2026 veröffentlichten Manifest ‚Technologische Republik‘ ein neues Selbstverständnis für die amerikanische Tech-Elite des Silicon Valley ausgerufen. Dieser Blog-Beitrag analysiert das Manifest mit verschiedenen KI-Systemen (ChatGPT, Claude, Mistral und Gemini) und liefert in einer aggregierter Dilts Pyramide die kollektive Persönlichkeit dieses neuen Selbstverständnisses. Als Gegen-Entwurf wird eine neue kollektive Persönlichkeit Europas entwickelt und skizziert welche Schwerpunkte eine Transformation in Richtung dieses neuen Europas setzt.

Der vorliegende Blog-Beitrag wurde mittels Gemini und den weiteren KI-Systeme Mistral, Claude und ChatGPT erstellt.

Die amerikanische Firma Palantir hat am 18.04.2026 ihr Manifest zur Neuausrichtung der westlichen Welt auf X veröffentlicht [0]. Damit hat sie uns Europäern einen großen Gefallen getan: Die Unsicherheit, wohin die USA mit ihren Tech-Milliardären steuert, ist verflogen. Wer jetzt die Zeichen der Zeit nicht verstanden hat, dem fehlt es entweder an notwendigen mentalen Fähigkeiten oder er unterstützt die in dem Manifest zum Ausdruck kommende Haltung.

Der Spiegel hat unlängst eine zutreffende Einschätzung des Manifestes veröffentlicht [1].

Ich unterbreche mit diesem Beitrag meine aktuelle Blog-Reihe ‚Attention Collective Mind‘, da ich die in dem Manifest zum Ausdruck kommende innere Haltung für eine sehr konkrete Bedrohung Europas verstehe.

Palantir setzt u.a. KI in seiner Software ein: Es liegt also nahe, verschiedene KI-Systeme nach ihrer ‚Meinung‘ zu dem Manifest zu befragen.
Im Anhang 1 ist der Prompt enthalten, den ich an vier KI-Systeme (Gemini, Mistral, Claude und ChatGPT) geschickt habe, sowie die jeweiligen Antworten. – Diese Antworten spiegeln mein Verständnis des Palantir Manifests wieder: Die Antworten von Gemini, ChatGPT und Mistral sind sehr umfangreich und treffen meine Erwartung. Die Antwort von Claude fällt im Vergleich gegenüber den anderen drei KI-Systemen in Qualität und Umfang deutlich ab.

Ich verwende im Folgenden das Management 4.0 Transformation Modell [2], um für Europa auf dieser Basis einen Gegen-Entwurf zur Palantir Kultur zu skizzieren. Die Vorgehensweise des Management 4.0 Transformation Modell ist hierfür wie folgt:

Zuerst ermittele ich mit Hilfe von Gemini Pro pro KI-Analyse eine Dilts Pyramide, die sich aus den Antworten der vier KI Systeme zum Palantir Manifest ergibt. Diese vier Dilts Pyramiden enthalten alle relevante Informationen der kollektiven Palentir Persönlichkeit: Vision, Mission, Zugehörigkeit, Identität (Big Five, Motive), Werte (Spiral Dynamics value meme) und Glaubenssätze, Fähigkeiten, Verhalten und Kontext. Sie liefern damit eine Struktur für einen europäischen Gegen-Entwurf.

Anschließend werden diese vier Dilts Pyramiden mittels Gemini Pro in eine aggregierte Dilts Pyramide des Palantir Manifestes zusammengefasst.

Es wird die angestrebte zukünftige, kollektive Persönlichkeit Europas in Form einer Dilts Pyramide ermittelt: Leitgedanke ist hierbei, dass sich diese kollektive Persönlichkeit (Kultur) im Machtgefüge der Welt behaupten muss und eine zu Europa passende Gegen-Kultur zur Palentir-Kultur entwickelt wird.

Es wird eine (oder ggf. mehrere) Transformation Dilts Pyramiden erstellt: Diese Dilts Pyramiden beleuchten den Weg von der aktuellen europäischen Kultur zur zukünftigen europäischen Kultur. Auch wenn eine Verhaltensveränderung sehr oft durch einen geeigneten System-Kontext hervorgerufen wird, so ist die Kenntnis der gesamten Dilts Pyramide entscheidend. Veränderungen insbesondere in den mittleren Ebenen, Identität sowie Werte und Glaubenssätze, entscheiden darüber, ob eine Veränderung nachhaltig wird.

Die nachfolgende Tabelle 1 fasst das Ergebnisse der vier KI Analysen zusammen. Für diese zusammenfassende Analyse habe ich Gemini Pro verwendet:

Ebene	ChatGPT	Mistral	Claude	Gemini
Vision	Technologisch gestützte Macht-Demokratie; KI als Abschreckung für Frieden.	Technologische Hegemonie des Westens; zentralisierter, technischer Staat.	Existentielle Verteidigung des Westens in einer feindseligen Weltordnung.	Post-Atomare Ordnung; Sicherung des Friedens durch Software-Souveränität.
Mission	Verzahnung von Staat und Tech; Elite muss Landesverteidigung stützen.	Stärkung staatlicher Souveränität durch Kooperation mit Privat-Tech.	Selbstlegitimierung des Silicon Valley als nationaler Leistungsträger.	Ideologisches Rückgrat des Westens; Dienst an Volk, Sicherheit und Wachstum.
Zugehörigkeit	Politischer Realismus und Techno-Nationalismus.	Moderner militärisch-industrieller Komplex 2.0.	Strategische Interessenpolitik; Realismus trifft Kulturkonservatismus.	Wehrhafter Neokonservatismus und technologischer Nationalismus.
Identität (Big Five & Motive)	Strategischer Pflichtdenker O: Hoch, C: Sehr hoch, E: Mittel, A: Niedrig, N: Niedrig Motive: Kontrolle, Bedeutung.	Hierarchischer Macher O: Hoch, C: Sehr hoch, E: Hoch, A: Niedrig, N: Niedrig Motive: Leistung, Macht, Sicherheit.	Selbstbewusste Elite O: Hoch, C: Hoch, E: Dominant, A: Niedrig, N: Niedrig Motive: Einfluss, Verantwortung.	Homo Politicus O: Hoch, C: Sehr hoch, E: Hoch, A: Niedrig, N: Niedrig Motive: Macht, Leistung.
Werte & Glaubenssätze	Werte: Stärke, Pflicht, Leistung. Glaube: Software ist die primäre Machtbasis.	Werte: Disziplin, Sicherheit, Ordnung. Glaube: Technologie bestimmt das Schicksal.	Werte: Macht, Verantwortung. Glaube: Stärke schützt; Kulturen sind ungleichwertig.	Werte: Loyalität, Exzellenz, Hard Power. Glaube: Moral ohne Waffen ist wirkungslos.
Fähigkeiten	Strategische Macht-Projektion und Daten-Effizienz.	Entwicklung von KI-Waffensystemen; technokratische Führung.	Intellektuelle Diagnose des Verfalls; realpolitische Analyse.	Bau hochkomplexer Militär-Software; technologische Souveränität.
Verhaltensweisen	Rebellion gegen „App-Tyrannei“; Forderung nach Wehrpflicht.	Kampf gegen Dysfunktionalität; Unterordnung unter Staatsziele.	Kritik an Woke-Kultur; Fokus auf Hard Power statt Rhetorik.	National Service; Bau „besserer Gewehre“ (Software).
Kontext	Ein dekadentes Silicon Valley vor globalen Bedrohungen.	Eine Welt voller rationaler Gegner ohne ethische Skrupel.	Eine Welt der Systemrivalität und kulturellen Spaltung.	Ein globaler Wettbewerb, in dem Soft Power allein scheitert.

Tabelle 1: Zusammenfassung der vier KI-Analysen des Palantir Manifestes auf der Basis der vier KI-Antworten (man siehe Anhang 1) als Dilts Pyramiden.

Die Ergebnisse in Tabelle 1 zeigen eine hohe Übereinstimmung mit gewissen unterschiedlichen Präferenzen der KI-Systeme. Aus diesem Grunde habe ich Gemini Pro gebeten, unter Verwendung der vier KI-Analysen und möglichen Rückgriffen auf das Palantir Manifest, eine aggregierte Dilts Pyramide zu erstellen. Tabelle 2 zeigt diese aggregierte Dilts Pyramide. Meines Erachtens gibt diese Tabelle das Palantir Manifest auf sehr prägnante Weise wieder.

Ebene der Pyramide	Beschreibung / Charakterisierung des Manifests
1. Vision (Sinn)	Die Technologische Republik: Ein dauerhafter Frieden im 21. Jahrhundert, der nicht mehr auf atomarer Abschreckung, sondern auf technologischer (KI-basierter) Überlegenheit des Westens basiert.
2. Mission (Beitrag)	Rückzahlung der moralischen Schuld: Die technologische Elite integriert sich wieder in den Dienst der Nation, um durch „Hard Power“ wirtschaftliches Wachstum und physische Sicherheit für die Bevölkerung zu garantieren.
3. Zugehörigkeit	Der wehrhafte Westen / Die Republik: Ein System aus Nationalstaat, Militär und Engineering-Elite, das sich in einer existenziellen Rivalität mit autokratischen Gegnern befindet.
4. Identität (Wer?)	Der „Architect of Power“ (Die Engineering-Elite): Ein verantwortungsbewusster, patriotischer Realist, der technische Exzellenz als politische Verpflichtung versteht. • Big Five: – Offenheit: Hoch (Visionär für neue Technologien) – Consientiousness: Sehr hoch (Pflichtbewusst, diszipliniert) – Extraversion: Hoch (Dominant, fordernd, meinungsstark) – Agreeableness: Niedrig (Konfrontativ, wertend, wenig kompromissbereit) – Neuroticism: Niedrig (Emotional stabil, furchtlos, unerschütterlich) • Motive: Macht (Einfluss), Leistung (Fortschritt), Sicherheit (Schutz).
5. Werte & Glaubenssätze	Werte: Hard Power (Stärke), nationale Loyalität, Verdienstadel (Meritokratie), Vergebung für Staatsdiener. Glaubenssätze: „Software ist die Waffe der Zukunft“; „Moral ohne Stärke ist wirkungslos“; „Frieden ist ein Produkt militärischer Überlegenheit“; „Kulturen sind nicht gleichwertig“.
6. Fähigkeiten	Militärische Software-Innovation: Die Fähigkeit, komplexe gesellschaftliche und militärische Probleme (Kriminalität, Verteidigung) durch überlegene Algorithmen und KI effizienter zu lösen als der Staat allein.
7. Verhalten	Aktive Wehrhaftigkeit: Bau von KI-Waffensystemen; Rebellion gegen „triviale“ App-Kultur (iPhone-Tyrannei); Forderung nach allgemeiner Dienstpflicht; Unterstützung von „Buildern“ wie Elon Musk.
8. Kontext	Das Ende des Atomzeitalters: Eine Welt geprägt von Dekadenz im Inneren und technologisch hochgerüsteten Gegnern im Außen, in der die bisherige Friedensordnung zu zerbrechen droht.

Tabelle 2: Diese Tabelle aggregiert und interpretiert die vier KI-Analysen in einer aggregierten Dilts Pyramide, erstellt von Gemini: Das Manifest lässt sich als „Technologischer Realismus“ zusammenfassen. Es bricht mit dem optimistischen, globalistischen und oft staatsfernen Ethos des klassischen Silicon Valley. Die Kernbotschaft ist: Der Westen ist nur so stark wie seine Software. Die Identität des „Machers“ wird hier mit der Identität des „Soldaten“ oder „Staatsdieners“ verschmolzen. Es ist ein Aufruf zur Abkehr von der „Dekadenz“ hin zu einer harten, technologisch fundierten Realpolitik. Das Menschenbild ist dabei fordernd: Der Einzelne schuldet dem Staat Dienst, und der Staat schuldet dem Volk Stärke.

Ich habe Gemini Pro gebeten, mittels der Dilts Pyramide einen Gegen-Entwurf für Europa zu skizzieren. Ich nenne diesen Gegenentwurf ‚Souveräner Innovativer Humanismus‘:

Ebene	Beschreibung der europäischen / deutschen Position
1. Vision	Souveräner Innovativer Humanismus: Eine Welt, in der Technologie die Freiheit und Würde des Einzelnen schützt und demokratische Gesellschaften durch technologische Exzellenz und ethische Standards stabilisiert werden.
2. Mission	Strategische Autonomie: Den technologischen „Dritten Weg“ zwischen US-Datenkapitalismus und chinesischem Staatsautoritarismus sichern. Europa als Kraftzentrum für vertrauenswürdige KI und industrielle Souveränität.
3. Zugehörigkeit	Die Europäische Wertegemeinschaft: Ein Bündnis aus liberalen Demokratien, das auf dem Rechtsstaat, der Sozialen Marktwirtschaft und multilateraler Kooperation basiert.
4. Identität	Der „Verantwortungsbewusste Innovator“: Ein Akteur, der Stärke nicht als Selbstzweck sieht, sondern als Schutzschild für zivile Werte. • Big Five (EU/DE): – Offenheit: Moderat (Fokus auf industrielle Anwendung) – Conscientiousness: Sehr hoch (Regulierung, Präzision) – Extraversion: Moderat (Kooperativ statt dominant) – Agreeableness: Hoch (Konsenssuchend, multilateral) – Neuroticism: Moderat (Vorsichtig, risikobewusst) • Motive: Sicherheit, Harmonie, Autonomie.
5. Werte & Glaubenssätze	Werte: Menschenwürde (Privacy), Rechtsstaatlichkeit, soziale Gerechtigkeit, Nachhaltigkeit. Glaubenssätze: „Stärke braucht rechtliche Bindung“; „Technologie muss dem Menschen dienen, nicht umgekehrt“; „Echte Sicherheit entsteht durch Kooperation und Transparenz“.
6. Fähigkeiten	„Ethics-by-Design“ & Industrie 4.0: Weltmarktführerschaft in industrieller KI (B2B), Cybersicherheit und der Fähigkeit, globale Standards zu setzen (der sog. „Brussels Effect“, wie beim AI Act).
7. Verhalten	Die technologische „Zeitenwende“: Massive Investitionen in europäische Infrastruktur (Cloud, KI-Rechenzentren); Umsetzung des AI Act; Aufbau einer europäischen Verteidigungsfähigkeit, die KI ethisch integriert.
8. Kontext	Systemischer Wettbewerb: Eine multipolare Welt, in der Europa seine Naivität abgelegt hat und erkennt, dass Werte ohne technologische Basis (Infrastruktur, Energie, Verteidigung) nicht überlebensfähig sind.

Tabelle 3: Zukünftige Dilts Pyramide Europa’s als Ziel einer gesellschaftlichen Transformation.

Wenn man beide Pyramiden vergleicht, sieht man den fundamentalen Konfliktpunkt:

Palantir argumentiert: Macht schafft Realität: Zuerst die Software/Waffe, dann die Moral.
Europa argumentiert: Werte legitimieren Macht: Zuerst der Rechtsrahmen, dann die Anwendung.
Deutschland steckt in der Dilts-Pyramide oft auf der Ebene der Verhaltensweisen fest (Bürokratie, langsame Digitalisierung), während die Identität („Exportweltmeister/Ingenieursnation“) ins Wanken gerät. Die Antwort auf Palantir müsste für Deutschland bedeuten, die Ebene der Fähigkeiten radikal zu modernisieren (Software-Kompetenz), ohne die Ebene der Werte (Rechtsstaatlichkeit) aufzugeben.

Das Modell der Spiral Dynamics nach Clare Graves, Don Beck und Christopher Cowan [2] ist hervorragend geeignet, um die tiefen psychologischen Wertesysteme (v-Memes) zu entschlüsseln, die hinter dem Palantir-Manifest und der aktuellen Verfassung der EU stehen:

Spiral Dynamics Analyse: Das Palantir Manifest

Das Manifest von Palantir ist eine hocheffiziente Mischung aus den Ebenen Rot, Blau und Orange, mit einem sehr spezifischen Fokus auf die Verteidigung gegen das, was sie als „dekadentes“ Grün wahrnehmen.

Rot (Macht & Dominanz – Kraftvoll): Ausprägung: Sehr stark. Das Manifest spricht offen von „Hard Power“, „Vanquishing of an opponent“ (Besiegen von Gegnern) und dem Ende des atomaren Zeitalters zugunsten von KI-Waffen. Es geht um Durchsetzungskraft, Dominanz auf der Weltbühne und den Mut, Tabus zu brechen.
Blau (Ordnung, Pflicht & Opfersinn – Autorität): Ausprägung: Die tragende Säule. Begriffe wie „Moral Debt“ (moralische Schuld), „National Service“ (Nationaler Dienst) und „Universal Duty“ (universelle Pflicht) sind klassisches Blau. Es fordert die Unterordnung des Einzelnen (und der Tech-Elite) unter ein höheres nationales Ziel. Die Ablehnung von „hollow pluralism“ ist eine direkte blaue Kritik an der Relativierung von Werten.
Orange (Erfolg, Strategie & Fortschritt – Leistung): Ausprägung: Strategisch dominant. Die Ingenieurs-Elite wird als „Engineering Elite“ gefeiert. Es geht um wirtschaftliches Wachstum, technologische Überlegenheit und Wettbewerb. Elon Musk wird als Held des Aufbaus zitiert. Technik ist hier ein Werkzeug zur Erlangung von Erfolg und Sicherheit.
Gelb (Systemisch – Integration): Ausprägung: Ansätze vorhanden. Das Verständnis, dass wir uns in einem Epochenwechsel befinden (Atomzeitalter zu KI-Zeitalter), zeigt systemisches Denken. Allerdings ist das Motiv eher die Verteidigung (Blau/Rot) als eine ganzheitliche Integration der Menschheit.

Zusammenfassung Palantir: Ein Blau-Orange-Roter Kern. Es ist ein Aufruf zur Rückkehr zu „harten“ Werten (Blau/Rot), um den Erfolg (Orange) des Westens zu sichern.

Spiral Dynamics Analyse: Die Europäische Union (EU)

Die EU befindet sich in einem völlig anderen Bereich der Spirale, was das fundamentale Unverständnis gegenüber Palantir erklärt.

Grün (Gemeinschaft, Harmonie & Pluralismus – Relativ): Ausprägung: Das aktuelle „Zuhause“ der EU. Der Fokus liegt auf Inklusion, Vielfalt, Umweltschutz (Green Deal), Menschenrechten und Konsens. Die EU versucht, Konflikte durch Dialog und Ausgleich zu lösen. Das Palantir-Manifest kritisiert genau diese Ebene als „theatralische Debatten“ und „Psychologisierung“.
Blau (Ordnung & Struktur – Bürokratisch): Ausprägung: Sehr stark in der Verwaltung. Die EU ist ein hochkomplexes Regelwerk (Rechtsstaatlichkeit, Verträge). Während Palantirs Blau jedoch martialisch-patriotisch ist, ist das EU-Blau bürokratisch-prozedural. Man vertraut auf Regeln (AI Act), nicht auf Stärke.
Orange (Erfolg & Wettbewerb): Ausprägung: In der Defensive. Zwar ist die EU ein Wirtschaftsraum, aber das Orange (Wettbewerbsgeist, Risiko) wird oft durch Grün (Regulierung/Soziales) und Blau (Bürokratie) gehemmt.
Gelb (Systemisch): Ausprägung: Die EU ist ein systemisches Experiment (Supranationalität). Aber sie scheitert oft an der Umsetzung, weil sie versucht, komplexe gelbe Probleme mit grünen Mitteln (Konsenszwang) und blauen Mitteln (Vorschriften) zu lösen.

Zusammenfassung EU: Ein Grün-Blauer Kern mit geschwächtem Orange.

Wenn wir die berechtigte Annahme treffen, dass Europa (und insbesondere Deutschland) im Vergleich zum martialischen Tempo von Akteuren wie Palantir aktuell zu langsam agiert, offenbart die Dilts-Pyramide die tieferliegenden „Bremsklötze“.

Um die Pyramide so zu ergänzen, dass sie die Ursachen der Langsamkeit abbildet und gleichzeitig die notwendigen Hebel zur Beschleunigung zeigt, müssen wir die Ebenen kritisch erweitern. Das Problem liegt meistens darin, dass Europa auf den unteren Ebenen (Verhalten/Umwelt) versucht zu beschleunigen, während die oberen Ebenen (Werte/Identität) noch auf „Sicherheit“ und „Bedenken“ programmiert sind.

Hier ist die ergänzte Dilts-Pyramide für ein „zu langsames“ Europa und die notwendigen Korrekturen:

Die Bremsklötze der europäischen Dilts Pyramide

Ebene	Ergänzung: Warum wir zu langsam sind (Status Quo)	Notwendiger Hebel zur Beschleunigung
1. Vision	Vision ist oft zu abstrakt („Wohlstand für alle“), ohne den Zeitfaktor als kritische Komponente zu begreifen.	„Agile Souveränität“: Zeitnahe technologische Handlungsfähigkeit als Existenzgrundlage begreifen.
2. Mission	Fokus auf Bewahrung des Status Quo statt auf Gestaltung der Transformation.	„Missions-getriebene Innovation“: Große Probleme (Energie, Verteidigung) mit Priorität und Tempo lösen.
3. Zugehörigkeit	Fragmentierung: 27 Nationalstaaten mit 27 Partikularinteressen bremsen die Skalierung.	Digitale Union: Echter Binnenmarkt ohne nationale Schranken für Daten und Kapital.
4. Identität	„Der Schiedsrichter“: Wir sehen uns als die moralische Instanz, die Regeln setzt, während andere das Spiel spielen.	„Venture State“: Identität als Mitspieler und Investor, der Risiken eingeht, statt sie nur zu verwalten.
5. Werte & Glaubenssätze	Glaubenssatz: „Fehler müssen um jeden Preis vermieden werden“; Vorsorgeprinzip als Innovationsbremse.	Glaubenssatz: „Geschwindigkeit ist ein Sicherheitsfaktor“; Fehler als Lernschritte (Trial & Error).
6. Fähigkeiten	Exzellenz in der Theorie, Schwäche in der Skalierung: Wir können KI erforschen, aber keine Weltmarktführer bauen.	Execution-Kompetenz: Fähigkeit, Forschung radikal schnell in Produkte und Hardware zu übersetzen.
7. Verhalten	Regulation-First: Erst regulieren, dann ausprobieren. Langwierige Konsensprozesse und Bürokratie.	Sandboxing: Reallabore, in denen Technologie erst probiert und dann (schlank) reguliert wird.
8. Kontext	Komfortzone: Lange Phase des Friedens und Wohlstands hat die Dringlichkeit (Sense of Urgency) gedämpft.	Harte Geopolitik: Erkennen, dass das „Fenster der Möglichkeiten“ gegenüber den USA und China zuschlägt.

Die Langsamkeit Europas ist kein technisches Problem (Ebene 6/7), sondern ein Identitäts- und Glaubenssatz-Problem (Ebene 4/5).
Solange wir glauben, dass wir durch Zögern und Regulieren Sicherheit gewinnen, werden wir langsamer bleiben als Akteure wie Palantir, die glauben, dass Sicherheit nur durch technologische Dominanz entsteht. Die Ergänzung in der Pyramide lautet: „Speed is a feature, not a bug.“

Dimension	Palantir (Manifest)	Europäische Union (EU)
Haupt-v-Meme	Blau / Orange / Rot	Grün / Blau
Haltung zu Macht	Macht ist notwendig, um Werte zu schützen (Hard Power).	Macht ist verdächtig; Konsens ist der Weg.
Haltung zu Technik	Technik ist eine Waffe und ein Wachstumsmotor.	Technik ist ein Risiko, das reguliert werden muss.
Menschenbild	Pflichtbewusst, heldenhaft, widersprüchlich.	Schutzbedürftig, gleichberechtigt, empathisch.
Problem-Lösung	Dezisiv (Entscheidung durch Stärke).	Diskursiv (Lösung durch Verhandlung).

In Spiral Dynamics erklärt sich die Langsamkeit der EU daraus, dass sie auf der grünen Ebene feststeckt:

Entscheidungsunfähigkeit: Grün will niemanden zurücklassen oder verletzen, was in einer Welt, die sich auf Rot/Orange-Geschwindigkeit bewegt, zu Lähmung führt.

Abwehr von Blau/Rot: Palantirs Forderungen wirken auf eine grüne EU wie ein Rückfall in dunkle Zeiten (Nationalismus/Militarismus). Die EU sieht die Gefahr der Macht, Palantir sieht die Notwendigkeit der Macht.

Das Ergebnis: Wenn Europa nicht lernt, die gelbe Ebene (Systemische Integration von Stärke und Werten) zu erreichen, wird es zwischen den USA (Orange/Rot) und Akteuren wie Palantir (Blau/Orange) zerrieben. Palantir bietet ein „Update“ für das blaue System an – die EU versucht noch, das grüne System zu optimieren, während der Kontext (Umwelt/Ebene 8) bereits in einen harten Systemwettbewerb umgeschlagen ist.

Anlage 1

Mein Prompt:

Die Firma Palentir hat gerade ein sogenanntes Manifesto herausgebracht. Ich möchte, dass Du dieses Manifesto analysierst und mir Deine Meinung dazu gibst. Die Analyse sollte folgendes enthalt: Big Five Persönlichkeitsmodell (gehe einfach mal davon aus, dass eine Person dies geschrieben hat), die darin enthaltenen Werte und Motive sowie die enthaltenen Glaubenssätze, welches Menschenbild kommt zum Ausdruck, Welches Gesellschaftsbild kommt zum Ausdruck, welche Demokratiebild ist enthalten, Wie sollte die wünschenswerte Zukunft aussehen. Und bitte gib mir eine Einschätzung/Deine Meinung nach Deinen eigenen Kriterien.
Hier ist der Post:

X Post Palantir

@PalantirTech

Because we get asked a lot.

The Technological Republic, in brief.

1. Silicon Valley owes a moral debt to the country that made its rise possible. The engineering elite of Silicon Valley has an affirmative obligation to participate in the defense of the nation.

2. We must rebel against the tyranny of the apps. Is the iPhone our greatest creative if not crowning achievement as a civilization? The object has changed our lives, but it may also now be limiting and constraining our sense of the possible.

3. Free email is not enough. The decadence of a culture or civilization, and indeed its ruling class, will be forgiven only if that culture is capable of delivering economic growth and security for the public.

4. The limits of soft power, of soaring rhetoric alone, have been exposed. The ability of free and democratic societies to prevail requires something more than moral appeal. It requires hard power, and hard power in this century will be built on software.

5. The question is not whether A.I. weapons will be built; it is who will build them and for what purpose. Our adversaries will not pause to indulge in theatrical debates about the merits of developing technologies with critical military and national security applications. They will proceed.

6. National service should be a universal duty. We should, as a society, seriously consider moving away from an all-volunteer force and only fight the next war if everyone shares in the risk and the cost.

7. If a U.S. Marine asks for a better rifle, we should build it; and the same goes for software. We should as a country be capable of continuing a debate about the appropriateness of military action abroad while remaining unflinching in our commitment to those we have asked to step into harm’s way.

8. Public servants need not be our priests. Any business that compensated its employees in the way that the federal government compensates public servants would struggle to survive.

9. We should show far more grace towards those who have subjected themselves to public life. The eradication of any space for forgiveness—a jettisoning of any tolerance for the complexities and contradictions of the human psyche—may leave us with a cast of characters at the helm we will grow to regret.

10. The psychologization of modern politics is leading us astray. Those who look to the political arena to nourish their soul and sense of self, who rely too heavily on their internal life finding expression in people they may never meet, will be left disappointed.

11. Our society has grown too eager to hasten, and is often gleeful at, the demise of its enemies. The vanquishing of an opponent is a moment to pause, not rejoice.

12. The atomic age is ending. One age of deterrence, the atomic age, is ending, and a new era of deterrence built on A.I. is set to begin.

13. No other country in the history of the world has advanced progressive values more than this one. The United States is far from perfect. But it is easy to forget how much more opportunity exists in this country for those who are not hereditary elites than in any other nation on the planet.

14. American power has made possible an extraordinarily long peace. Too many have forgotten or perhaps take for granted that nearly a century of some version of peace has prevailed in the world without a great power military conflict. At least three generations — billions of people and their children and now grandchildren — have never known a world war.

15. The postwar neutering of Germany and Japan must be undone. The defanging of Germany was an overcorrection for which Europe is now paying a heavy price. A similar and highly theatrical commitment to Japanese pacifism will, if maintained, also threaten to shift the balance of power in Asia.

16. We should applaud those who attempt to build where the market has failed to act. The culture almost snickers at Musk’s interest in grand narrative, as if billionaires ought to simply stay in their lane of enriching themselves . . . . Any curiosity or genuine interest in the value of what he has created is essentially dismissed, or perhaps lurks from beneath a thinly veiled scorn.

17. Silicon Valley must play a role in addressing violent crime. Many politicians across the United States have essentially shrugged when it comes to violent crime, abandoning any serious efforts to address the problem or take on any risk with their constituencies or donors in coming up with solutions and experiments in what should be a desperate bid to save lives.

18. The ruthless exposure of the private lives of public figures drives far too much talent away from government service. The public arena—and the shallow and petty assaults against those who dare to do something other than enrich themselves—has become so unforgiving that the republic is left with a significant roster of ineffectual, empty vessels whose ambition one would forgive if there were any genuine belief structure lurking within.

19. The caution in public life that we unwittingly encourage is corrosive. Those who say nothing wrong often say nothing much at all.

20. The pervasive intolerance of religious belief in certain circles must be resisted. The elite’s intolerance of religious belief is perhaps one of the most telling signs that its political project constitutes a less open intellectual movement than many within it would claim.

21. Some cultures have produced vital advances; others remain dysfunctional and regressive. All cultures are now equal. Criticism and value judgments are forbidden. Yet this new dogma glosses over the fact that certain cultures and indeed subcultures . . . have produced wonders. Others have proven middling, and worse, regressive and harmful.

22. We must resist the shallow temptation of a vacant and hollow pluralism. We, in America and more broadly the West, have for the past half century resisted defining national cultures in the name of inclusivity. But inclusion into what?

Excerpts from the #1 New York Times Bestseller The Technological Republic: Hard Power, Soft Belief, and the Future of the West, by Alexander C. Karp & Nicholas W. Zamiska

21.04.2026 ChatGPT Antwort
Das „Manifesto“ von Palantir Technologies (bzw. aus dem Buch The Technological Republic) ist kein neutraler Text, sondern ein stark normatives, politisch-philosophisches Statement mit klarer Stoßrichtung: technologische Eliten sollen sich aktiv in Staat, Sicherheit und Machtpolitik einbringen. Ich zerlege das entlang deiner Kategorien.

1. Big Five (als „Autor-Persönlichkeit“ gedacht)

Offenheit für Erfahrungen: hoch, aber selektiv
Es gibt viel Vision (A.I., neue Ära der Abschreckung, Kritik an „Apps“ als Sackgasse). Gleichzeitig ist die Offenheit ideologisch begrenzt: kulturelle Vielfalt wird kritisch gesehen.

Gewissenhaftigkeit: sehr hoch
Pflicht, Verantwortung, nationale Dienste, Leistungsorientierung – der Text ist stark auf Ordnung, Disziplin und Verpflichtung ausgerichtet.

Extraversion: mittel bis hoch
Selbstbewusst, teilweise kämpferisch („we must rebel“, „affirmative obligation“).

Verträglichkeit: eher niedrig
Der Ton ist konfrontativ: Kritik an Eliten, Kultur, Politik, Pluralismus. Wenig Konsensorientierung.

Neurotizismus: niedrig (nach außen)
Wirkt kontrolliert, rational, strategisch – aber mit latentem Bedrohungsgefühl (Geopolitik, Verfall, Gegner).

👉 Kurz: Eine Persönlichkeit, die man als „strategisch-elitären Pflichtdenker mit missionarischem Einschlag“ beschreiben könnte.

2. Werte und Motive

Zentrale Werte:

Nationale Stärke & Sicherheit
Pflicht / Dienst (Service, Militär, Verantwortung)
Leistung & technologische Exzellenz
Ordnung statt moralischer Relativismus
Realismus (Macht statt Idealismus)

Motive:

Wiederherstellung von Bedeutung („Silicon Valley soll wieder relevant werden“)
Angst vor Niedergang (kulturell, geopolitisch)
Wunsch nach Kontrolle in einer unsicheren Welt
Anerkennung für Eliten, die „bauen“ (z. B. Bezug auf Elon Musk)

👉 Das Ganze ist stark von einem „Verfall-gegen-Aufstieg“-Narrativ geprägt.

3. Glaubenssätze (implizit)

Technologie = Machtinstrument, nicht nur Komfort
Frieden entsteht durch Stärke, nicht durch Moral
Eliten haben besondere Pflichten gegenüber dem Staat
Gegner handeln rational-machtpolitisch → wir müssen das auch tun
Pluralismus kann zu Schwäche führen
Kultur ist hierarchisch bewertbar (nicht gleichwertig)

👉 Das Weltbild ist klar realistisch (im Sinne der internationalen Politik), nicht liberal-idealistisch.

4. Menschenbild

Der Mensch erscheint hier:

nicht primär gut oder kooperativ, sondern potenziell konfliktgetrieben
stark durch Pflicht und Struktur zu lenken
anfällig für Dekadenz (Komfort, „Apps“, Selbstverwirklichung)
sinnvoll eingebunden durch Dienst, Risiko, Verantwortung

👉 Kein humanistisches Selbstentfaltungsbild, sondern eher ein republikanisch-pflichtorientiertes Menschenbild.

5. Gesellschaftsbild

Die Gesellschaft wird gesehen als:

zu weich, zu komfortorientiert („tyranny of the apps“)
zu moralisch-selbstbezogen („psychologization of politics“)
zu intolerant gegenüber abweichenden Meinungen (v. a. Religion)
zu wenig leistungs- und sicherheitsorientiert

👉 Ideal ist eine Gesellschaft, die:

härter, realistischer, leistungsorientierter ist
klare kulturelle Identität hat
Technologie für Macht einsetzt

6. Demokratiebild

Das Demokratieverständnis ist nicht klassisch liberal, sondern eher:

Demokratie muss leistungsfähig und wehrhaft sein
Moralische Debatten allein reichen nicht
Bürger sollen Pflichten tragen (z. B. Wehrdienst)
Eliten (Tech, Militär) spielen eine zentrale Rolle

👉 Das geht in Richtung einer „wehrhaften, elitengestützten Demokratie“, weniger einer rein pluralistischen.

7. Zukunftsbild (Soll-Zustand)

Die gewünschte Zukunft ist:

technologisch dominierte Sicherheitsordnung (A.I. als Abschreckung)
enge Verzahnung von Staat + Tech-Industrie
stärkere militärische und geopolitische Rolle des Westens
kulturell selbstbewusster Westen (weniger Relativismus)
Bürger mit mehr Pflichtbewusstsein (z. B. nationaler Dienst)

👉 Kurz: Eine „technologisch gestützte Macht-Demokratie“.

8. Kritische Einschätzung

Jetzt meine eigene Bewertung:

Stärken des Textes

Realismus: Er benennt echte geopolitische Spannungen (A.I., Militär, Konkurrenz)
Kritik an Komfortkultur: Nicht völlig unbegründet
Verantwortungsargument: Tech hat reale Macht → Verantwortung ist logisch

Schwächen / Risiken

Militarisierung von Technologie
→ Gefahr, dass Innovation primär sicherheitspolitisch gedacht wird
Elitismus
→ „Engineering elite“ wird moralisch aufgewertet
Abwertung von Pluralismus
→ kann schnell in autoritäre Tendenzen kippen
Kulturelle Hierarchien
→ problematisch, weil normativ und potenziell spaltend
Dichotomes Weltbild (wir vs. Gegner)
→ reduziert Komplexität und kann Eskalation fördern

9. Gesamtfazit

Das Manifest ist im Kern:

👉 ein geopolitisch-realistisches, technologiezentriertes Machtprogramm mit republikanischem Pflichtethos und skeptischer Haltung gegenüber liberalem Pluralismus.

Es wirkt wie eine Mischung aus:

Silicon-Valley-Selbstkritik
sicherheitspolitischem Strategiedokument
kulturellem Gegenentwurf zum liberalen Mainstream

Wenn du willst, kann ich dir das noch einordnen im Vergleich zu politischen Ideologien (z. B. Neokonservatismus, Realismus, Techno-Nationalismus) oder dir sagen, wie typisch das für Palantir Technologies insgesamt ist.

Ja bitte tue beides
Gern – ich ordne das jetzt (1) ideologisch ein und (2) im Kontext von Palantir Technologies selbst.

1. Ideologische Einordnung

Das Manifest ist kein „reiner“ Vertreter einer Ideologie, sondern eher eine Hybridform. Die wichtigsten Strömungen darin:

🧭 (a) Politischer Realismus (Internationale Beziehungen)

Nähe zu: Hans Morgenthau, John Mearsheimer

Typische Elemente im Text:

Staaten konkurrieren dauerhaft
Moral allein reicht nicht („soft power reicht nicht“)
Sicherheit basiert auf Macht (hier: Software & A.I.)
Gegner handeln strategisch, nicht moralisch

👉 Das ist der dominante Kern des Manifests.

🛡️ (b) Neokonservatismus (moderne Variante)

Nähe zu: Robert Kagan

Gemeinsamkeiten:

Betonung amerikanischer Stärke
Idee, dass US-Macht globale Stabilität ermöglicht hat
Skepsis gegenüber „zu viel“ Zurückhaltung
Verbindung von Werten + militärischer Stärke

Unterschied:

Klassischer Neokonservatismus war stärker demokratie-exportierend
Palantir-Version ist technokratischer und weniger ideologisch-missionarisch

👉 Man könnte sagen: „Neokonservatismus ohne Idealismus, dafür mit Software“

💻 (c) Techno-Nationalismus

Das ist vielleicht die treffendste moderne Kategorie.

Kernidee:
Technologische Überlegenheit = nationale Macht

Im Manifest:

Silicon Valley soll Teil der nationalen Sicherheit sein
A.I. wird zur zentralen militärischen Infrastruktur
Tech-Eliten haben patriotische Pflicht

👉 Das ist eine klare Abkehr vom alten Silicon-Valley-Libertarismus („move fast, break things“) hin zu:
➡️ „build for the state, secure the nation“

🏛️ (d) Republikanischer Bürgersinn (klassisch)

Nähe zu antiken & republikanischen Ideen (z. B. Rom, Pflichtethos)

Elemente:

Bürger sollen dienen (national service)
Lasten sollen geteilt werden
Freiheit = auch Pflicht

👉 Das steht im Kontrast zum modernen Individualismus.

⚠️ (e) Anti-liberaler Pluralismus (kritische Komponente)

Hier wird es heikel:

Kritik an kultureller Gleichwertigkeit
Ablehnung von „leerem Pluralismus“
Skepsis gegenüber Identitätspolitik

👉 Das bewegt sich in Richtung:

konservativer Kulturkritik
teilweise anschlussfähig an rechte Diskurse (je nach Interpretation)

👉 Kurz-Zusammenfassung Ideologie

Das Manifest ist im Kern:

➡️ Realismus + Techno-Nationalismus + republikanisches Pflichtethos
mit
➡️ neokonservativen und kulturkritischen Elementen

2. Wie typisch ist das für Palantir?

Sehr typisch – und gleichzeitig eine bewusste Positionierung.

🧬 (a) DNA von Palantir

Palantir Technologies wurde geprägt von:

Geheimdienst-/Militärnähe
Fokus auf Datenanalyse für Sicherheit
enge Zusammenarbeit mit Staaten

Mitgründer: Peter Thiel

👉 Thiel steht selbst für:

Skepsis gegenüber liberaler Demokratie (teilweise)
starke Betonung von Eliten und Technologie
geopolitisches Denken

🧠 (b) CEO-Weltbild

Der Autor Alexander C. Karp ist interessant:

öffentlich eher „philosophisch“ als klassischer CEO
betont Werte, Verantwortung, Staat
sieht Palantir explizit als politischen Akteur, nicht nur Firma

👉 Das Manifest ist daher kein PR-Zufall, sondern Ausdruck echter Überzeugung.

⚙️ (c) Strategische Positionierung

Warum veröffentlicht man so ein Manifest?

1. Differenzierung vom Silicon Valley

Abgrenzung von:
- Konsum-Apps
- Werbeökonomie
Positionierung als „ernsthafte“ Technologie

2. Talent-Rekrutierung

Ansprache von:
- Ingenieuren mit Sinn für „Mission“
- Menschen mit Sicherheits-/Militärinteresse

3. Politischer Einfluss

Versuch, Diskurs zu verschieben:
- Tech soll stärker staatlich eingebunden werden

🌍 (d) Rolle im größeren Trend

Palantir ist kein Einzelfall, sondern Teil eines Trends:

👉 Verschiebung von:

„Globales, liberales Internet“
➡️ hin zu:
„geopolitische Tech-Blöcke“

Beispiele:

USA vs. China im A.I.-Wettlauf
stärkere Verzahnung von Staat & Tech

3. Meine Gesamteinordnung (etwas zugespitzt)

Das Manifest ist:

👉 eine Kampfansage an das alte Selbstverständnis des Silicon Valley

Früher:

Individualismus
Konsum
Globalismus

Hier:

Pflicht
Nation
Macht

4. Mein Urteil (klarer formuliert)

Ich halte den Text für:

🟢 Teilweise überzeugend

Technologie ist tatsächlich geopolitisch entscheidend
Sicherheit und Machtfragen sind real
Verantwortung von Tech-Eliten ist ein legitimer Punkt

🔴 Aber problematisch in der Stoßrichtung

Gefahr eines Tech-Militarismus
Überhöhung von Eliten
Abwertung pluralistischer Gesellschaften
kulturell normativ bis potenziell spaltend

🧾 Endfazit

Wenn man es auf einen Satz reduziert:

👉 Palantir entwirft eine Vision, in der Technologieunternehmen zu tragenden Säulen staatlicher Macht werden – und in der Freiheit stärker über Pflicht, Stärke und geopolitische Durchsetzung definiert wird als über Vielfalt und individuelle Selbstentfaltung.

Wenn du willst, kann ich dir noch sagen, wie dieses Denken in Europa (z. B. Deutschland) aufgenommen wird – da gibt es nämlich ziemlich starke Spannungen.

21.04.2026 Mistral Antwort
Hier ist eine umfassende Analyse des Palantir-Manifests „The Technological Republic“ nach den gewünschten Kriterien:

1. Big Five Persönlichkeitsmodell (angenommen, eine Person hat das Manifest verfasst)

Offenheit für Erfahrungen: Hoch – Der Autor zeigt Interesse an großen gesellschaftlichen und technologischen Fragen, an Geschichte, Philosophie und der Zukunft der Zivilisation. Es gibt jedoch eine starke Präferenz für traditionelle Werte und eine kritische Haltung gegenüber modernen, pluralistischen Strömungen.
Gewissenhaftigkeit: Sehr hoch – Die Argumentation ist strukturiert, zielorientiert und betont Pflicht, Verantwortung und Disziplin (z. B. nationale Dienstpflicht, Pflicht der Tech-Elite zur Landesverteidigung).
Extraversion: Mittel bis hoch – Der Text ist kämpferisch, selbstbewusst und appellativ, was auf eine ausgeprägte Durchsetzungsfähigkeit und Führungsorientierung hindeutet.
Verträglichkeit: Niedrig – Der Ton ist konfrontativ, polarisierend und zeigt wenig Kompromissbereitschaft. Kritik an „dekadenten“ Eliten, „regressiven“ Kulturen und „hohlem Pluralismus“ deutet auf eine geringe Toleranz für abweichende Meinungen hin.
Neurotizismus: Niedrig – Der Autor wirkt selbstsicher, überzeugt von der eigenen Weltsicht und zeigt keine Anzeichen von Selbstzweifeln oder Unsicherheit.

2. Enthaltene Werte und Motive

Pflicht und Verantwortung: Die Betonung der „moralischen Schuld“ von Silicon Valley gegenüber dem Staat, die Forderung nach nationalem Dienst und die Pflicht zur Landesverteidigung sind zentral.
Technologischer Fortschritt als Machtinstrument: Software und KI werden als entscheidende Faktoren für „harte Macht“ und geopolitische Überlegenheit gesehen.
Sicherheit und Ordnung: Der Staat soll durch Technologie und militärische Stärke geschützt werden, auch um innere und äußere Bedrohungen abzuwehren.
Leistungsorientierung: Kritik an „dekadenten“ Eliten und Forderung nach einer Kultur, die „Bauer“ (im Sinne von Schöpfern, Machern) belohnt.
Kulturelle Hierarchie: Die Überzeugung, dass einige Kulturen „fortschrittlich“ und andere „regressiv“ oder „dysfunktional“ sind, prägt die Argumentation.

3. Glaubenssätze

Technologie als Schicksal: Der Glaube, dass der Westen nur durch technologische Überlegenheit (v. a. KI und Software) überleben kann.
Staatliche Souveränität: Der Staat muss durch private Tech-Unternehmen gestärkt werden, um seine Macht zu sichern.
Kritik an „weichen“ Werten: Pluralismus, Inklusivität und moralische Debatten werden als schwächend und naiv abgetan.
Militarismus als Notwendigkeit: Krieg und militärische Stärke werden als unvermeidlich und notwendig für den Erhalt der westlichen Zivilisation dargestellt.
Elitenkritik: Die aktuelle politische und wirtschaftliche Elite wird als unfähig, korrupt oder zu schwach beschrieben.

4. Menschenbild

Hierarchisch und leistungsorientiert: Menschen werden danach bewertet, ob sie „produktiv“ oder „dekadent“ sind. Nur wer sich für Staat, Technologie oder Militär engagiert, gilt als wertvoll.
Pessimistisch: Der Mensch wird als schwach, fehleranfällig und leicht manipulierbar dargestellt – daher braucht es starke Institutionen und Technologie, um ihn zu „führen“.
Anti-individualistisch: Individuelle Freiheit wird nur insoweit akzeptiert, als sie dem Gemeinwohl (wie vom Autor definiert) dient.

5. Gesellschaftsbild

Technokratisch: Die Gesellschaft sollte von einer Elite aus Technologen, Militärs und „patriotischen“ Führungskräften gelenkt werden.
Anti-pluralistisch: Vielfalt wird nur akzeptiert, wenn sie sich einer gemeinsamen, „fortschrittlichen“ Kultur unterordnet.
Sicherheitsorientiert: Der Staat soll durch Überwachung, militärische Stärke und technologische Kontrolle stabilisiert werden.
Kulturkampf: Es gibt „fortschrittliche“ und „regressive“ Kulturen – letztere müssen bekämpft oder assimiliert werden.

6. Demokratieverständnis

Instrumentell: Demokratie ist kein Selbstzweck, sondern ein Mittel, um die „richtigen“ Entscheidungen (v. a. in Sicherheit und Technologie) durchzusetzen.
Elitär: Nur eine technokratische Elite soll entscheidende Macht haben – der „Pöbel“ oder die „Massen“ werden als unzuverlässig und emotional dargestellt.
Anti-liberal: Freiheitsrechte (z. B. Privatsphäre, Meinungsfreiheit) werden als Hindernis für Sicherheit und Fortschritt gesehen.
Nationalistisch: Demokratie muss dem „nationalen Interesse“ dienen – internationale Kooperation wird nur insoweit akzeptiert, als sie die eigene Macht stärkt.

7. Wünschenswerte Zukunft

Technologische Hegemonie: Der Westen soll durch KI, Software und militärische Überlegenheit dominieren.
Starker Staat: Ein zentralisierter, technologisch gestützter Staat soll Sicherheit, Ordnung und „Fortschritt“ garantieren.
Kulturelle Homogenität: Eine gemeinsame, „fortschrittliche“ Kultur soll „regressive“ Strömungen verdrängen.
Militärisch-industrieller Komplex 2.0: Tech-Unternehmen wie Palantir sollen eng mit Militär und Geheimdiensten zusammenarbeiten, um die „nationale Mission“ zu erfüllen.

8. Eigene Einschätzung/Kritik

Stärken: Das Manifest ist provokant, klar formuliert und zwingt zur Auseinandersetzung mit der Rolle von Technologie in der modernen Gesellschaft. Es benennt reale Herausforderungen (z. B. die Macht privater Tech-Konzerne, die Notwendigkeit von Innovation für Sicherheit).
Schwächen:
- Autoritärer Unterton: Die Forderung nach nationaler Dienstpflicht, die Ablehnung von Pluralismus und die Geringschätzung demokratischer Debatten erinnern an autoritäre Ideologien.
- Technologie-Determinismus: Die Annahme, dass KI und Software allein den Westen retten können, ist naiv und ignoriert die Risiken (z. B. Überwachung, Automatisierung von Krieg).
- Kultureller Essentialismus: Die Einteilung von Kulturen in „fortschrittlich“ und „regressiv“ ist vereinfachend und gefährlich – sie rechtfertigt Interventionen und Diskriminierung.
- Realitätsferne: Die Vision eines „technologischen Republik“ ignoriert, dass Machtmissbrauch, Korruption und technokratische Hybris oft zu Katastrophen führen (vgl. historische Beispiele).
Gefahren: Palantir ist kein neutraler Akteur – das Unternehmen profitiert direkt von Überwachung, Militärtechnologie und staatlicher Aufrüstung. Das Manifest liest sich daher auch wie eine Rechtfertigung für das eigene Geschäftsmodell.

Fazit: Das Manifest ist weniger eine neutrale Analyse als eine ideologische Kampfschrift. Es verbindet technokratische Utopien mit nationalistischem Pathos und einer klaren Agenda: Die Macht von Tech-Unternehmen wie Palantir soll gestärkt werden – im Namen von Sicherheit, Fortschritt und „westlicher Überlegenheit“. Wer diese Vision teilt, wird darin eine klare Richtung sehen; wer demokratische Werte, Pluralismus und individuelle Freiheit hochhält, wird darin eine Bedrohung erkennen.

21.04.2026 Claude Antwort

Das ist eine sehr aufschlussreiche Analyse-Aufgabe. Lass mich das Manifest systematisch durcharbeiten und dir dann meine eigene Einschätzung geben.Hier meine ausführliche Analyse — das Widget oben ist interaktiv, du kannst durch alle Reiter navigieren. Lass mich die wichtigsten Punkte noch einmal kurz zusammenfassen und einordnen:

Big Five: Der fiktive Autor ist ein klassischer High-Conscientiousness-Typ mit niedriger Verträglichkeit — pflichtbewusst, leistungsorientiert, wenig kompromissbereit. Intellektuell offen, aber die Offenheit dient der Ordnung, nicht der Exploration.

Kernwerte & Motive: Das Manifest dreht sich um Macht, Verantwortung, und die Überzeugung, dass der Westen existenziell gefährdet ist. Darunter liegt ein starkes Motiv der Selbstlegitimierung: Silicon Valley rechtfertigt seine Existenz über nationale Nützlichkeit.

Glaubenssätze: Die Welt ist ein Wettkampf. Stärke schützt, Schwäche provoziert. Nicht alle Kulturen sind gleichwertig. Das sind klassisch-realistische außenpolitische Prämissen — kombiniert mit einem kulturkonservativen Innenpolitik-Substrat.

Demokratiebild: Ambivalent. Demokratie wird verteidigt, aber als Instrument westlicher Machtprojektion — nicht als universelles Prinzip. Die Forderung nach kultureller Substanz (These 22) öffnet die Tür zu autoritären Schlussfolgerungen, auch wenn die Autoren das explizit vermeiden.

Meine persönliche Einschätzung: Das Manifest ist intellektuell anspruchsvoller als typische politische Manifeste und enthält berechtigte Diagnosen — die Smartphone-Kritik, die Cancel-Culture-Kritik, die KI-Realpolitik. Aber es hat eine systematische blinde Ecke: Es reflektiert nie die eigene Machtposition. Eine Analyse des westlichen Niedergangs, die weder Kolonialgeschichte, noch Klimawandel, noch ökonomische Ungleichheit als Variablen enthält, ist keine vollständige Analyse — sondern Interessenpolitik in akademischer Sprache.

Das ist das rhetorisch Geschickte und zugleich Unehrliche an dem Text.

21.04.2026 Gemini Antwort

Das vorliegende „Manifesto“ (Auszüge aus The Technological Republic) von Alex Karp und Nicholas Zamiska ist ein hochgradig provokatives, neokonservatives und technikzentriertes Dokument. Es bricht mit der gängigen „Woke“-Kultur des Silicon Valley und fordert stattdessen eine Rückbesinnung auf staatliche Stärke und westliche Dominanz.

Hier ist die detaillierte Analyse:

1. Analyse der Persönlichkeit (Big Five Modell)

Betrachtet man das Manifest als Ausdruck einer fiktiven Einzelpersönlichkeit, ergibt sich folgendes Profil:

Offenheit für Erfahrungen: Hoch. Die Bereitschaft, bestehende Weltordnungen (Atomzeitalter vs. KI-Zeitalter) und soziale Normen (Pazifismus in Japan/Deutschland) radikal infrage zu stellen, zeugt von intellektueller Neugier und Risikofreude.
Gewissenhaftigkeit: Sehr Hoch. Ein starker Fokus auf Pflicht, nationale Verteidigung, wirtschaftliches Wachstum und funktionierende Institutionen. Hier spricht jemand, der Effizienz und Ordnung über alles stellt.
Extraversion: Hoch (Dominanz). Der Tonfall ist bestimmt, fordernd und nach außen gerichtet. Es geht um Machtprojektion (Hard Power) und Einflussnahme auf die Weltbühne.
Verträglichkeit: Niedrig. Das Manifest ist konfrontativ. Es lehnt „hohlen Pluralismus“ ab, kritisiert die „Elite“ und fordert die Vernichtung von Feinden (wenn auch ohne Häme). Es herrscht ein pragmatisch-kühler, fast darwinistischer Blick auf Kulturen vor.
Neurotizismus: Niedrig. Die Sprache ist furchtlos und extrem selbstbewusst. Es gibt wenig Raum für Selbstzweifel oder Angst vor Kritik; stattdessen herrscht ein unerschütterlicher Glaube an die eigene Mission vor.

2. Werte, Motive und Glaubenssätze

Werte

Hard Power: Stärke als Voraussetzung für Frieden.
Loyalität/Patriotismus: Die moralische Schuld gegenüber der Nation.
Exzellenz & Verdienst: Anerkennung von individueller Leistung (z. B. Elon Musk) statt erblicher Eliten.
Verantwortung: Die Elite muss dem Volk dienen (Sicherheit und Wachstum).

Motive

Machtmotiv: Der Wunsch, den technologischen Vorsprung des Westens durch KI-Waffen und Software zu sichern.
Leistungsmotiv: Fortschritt durch technologische Überlegenheit und wirtschaftliche Dynamik.

Glaubenssätze

„Software ist die Grundlage der Macht im 21. Jahrhundert.“
„Der Westen ist moralisch überlegen, aber diese Moral ist ohne Waffen wertlos.“
„Menschliche Natur ist widersprüchlich und braucht Vergebung, nicht psychologische Analyse.“

3. Das Menschen- und Gesellschaftsbild

Menschenbild

Das Menschenbild ist realistisch-pessimistisch mit einem Schuss Heroismus. Menschen werden als fehlbar und widersprüchlich angesehen (Punkt 9). Es gibt eine klare Unterscheidung zwischen der „Engineering Elite“ (die eine Pflicht hat) und der breiten Öffentlichkeit (die Anspruch auf Schutz hat). Es ist ein Bild des Homo Politicus, der durch Dienst und Pflicht (National Service) geformt wird.

Gesellschaftsbild

Die Gesellschaft wird als funktionales Gebilde verstanden, das durch gemeinsame Lasten zusammengehalten wird (Punkt 6: allgemeine Dienstpflicht). Es herrscht eine Abneigung gegen eine „atomisierte“ Gesellschaft, die sich in Apps verliert. Stattdessen wird eine Gesellschaft skizziert, die durch eine klare nationale Kultur und gemeinsame Ziele definiert ist.

4. Demokratiebild und Zukunftsvision

Demokratiebild

Das Demokratiebild ist wehrhaft und elitär. Demokratie wird nicht als bloßer Diskurs verstanden, sondern als ein System, das sich aktiv gegen äußere Feinde (Autokratien) verteidigen muss. Es gibt eine Skepsis gegenüber der „Psychologisierung“ der Politik – Politik soll Probleme lösen (Sicherheit, Wirtschaft), nicht die Seele nähren.

Wünschenswerte Zukunft

Technologische Souveränität: Eine Welt, in der die USA und ihre Verbündeten (inkl. eines wiederbewaffneten Deutschlands und Japans) durch KI-Abschreckung den Frieden sichern.
Ende der Dekadenz: Rückkehr zu harter Arbeit, realen technologischen Durchbrüchen und nationalem Stolz.
Post-Atomare Ordnung: Ein neues Zeitalter der Abschreckung, das auf Software statt auf Sprengköpfen basiert.

5. Einschätzung und Eigene Meinung

Dieses Manifest ist ein Plädoyer für einen technologischen Nationalismus.

Meine Kriterien für die Einschätzung:

Innere Logik: Das Manifest ist konsistent. Wenn man akzeptiert, dass die Welt ein kompetitiver Ort ist, in dem „Soft Power“ ohne „Hard Power“ scheitert, ist die Argumentation brillant.
Gesellschaftlicher Impact: Es ist eine notwendige Provokation gegen die Bequemlichkeit des Silicon Valley. Die Forderung nach einer moralischen Verpflichtung der Tech-Elite gegenüber dem Staat ist ein starkes Argument gegen den digitalen Libertarismus.
Risiko-Potenzial: Hier liegt der kritische Punkt. Die Forderung nach der Wiederbewaffnung von Deutschland und Japan sowie die Glorifizierung von KI-Waffen (Punkt 5 & 12) könnte ein neues, unkontrollierbares Wettrüsten einläuten. Die Ablehnung von „Pluralismus“ (Punkt 22) birgt die Gefahr, interne Kritiker als „funktionslos“ abzustempeln.

Fazit

Palantir positioniert sich hier nicht mehr als Softwarefirma, sondern als ideologisches Rückgrat des Westens.

Das Positive: Es ist erfrischend ehrlich. Es bricht mit dem Heile-Welt-Marketing anderer Tech-Giganten und benennt geopolitische Realitäten.
Das Problematische: Es atmet den Geist des „Great Man Theory“-Historismus. Es ist ein sehr männliches, fast martialisches Weltbild, das wenig Raum für diplomatische Nuancen oder zivile Konfliktlösungen lässt.

Mein Urteil: Ein intellektuell scharfes, aber gefährliches Dokument. Es ist die Geburtsstunde einer „Technologischen Republik“, die Effektivität über Empathie und Stärke über Konsens stellt. Es ist ein Aufruf zum Kampf – technologisch, kulturell und militärisch.

Literatur

[0] Palantir (2026) The Technological Republic, in brief. auf X

[1] Pilarczyk Hannah (2026) Die Techmogule setzen auf Regime-Change, Spiegel, https://www.spiegel.de/politik/deutschland/alex-karp-die-tech-mogule-setzen-auf-regime-change-meinung-a-dc685491-db1a-4cc6-b668-ab6c3ca30c75

[2] Jens Köhler und Alfred Oswald: Die Collective Mind Methode (2009)

Alfred Oswald, Jens Köhler, Roland Schmitt: Projektmanagement am Rande des Chaos (2016), auch in englischer Sprache verfügbar: Project Management at the Edge of Chaos, Springer 2018

Alfred Oswald und Wolfram Müller (editors): Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 2019

Attention Collective Mind II: Agile Leadership RL-Agent

Kurzfassung: Der QKV Mechanismus der Transformer KI Architektur wird erstmalig auf ein Team-Modell und einen das Team führenden ’sozialen‘ RL-Agenten angewendet. Der RL-Agent wird unterschiedlichen Team-und Projekt-Konstellationen ausgesetzt. Team- und Projektkonstellationen sowie die Reward-Funktion, die den RL-Agenten über Reinforcement Learning (RL) zur guten Agile Führung anleitet, basieren auf den Grundlagen des Collective Mind und des Management 4.0 Modells. Es wird gezeigt, dass der hier modellierte Collective Mind QKV Mechanismus einem RL-Agenten die Fähigkeit verleiht, die aus realen Teams bekannten Situationen in Modell Teams zu beherrschen. Damit ist es möglich, eine hybrides Collective Intelligence System aus RL-Agent und Agiler Führungskraft für die Führung eines realen Teams einzusetzen.

Diese Blog-Beitrag ist mit Hilfe von Gemini 3 Pro erstellt. In dem Attention Collective Mind Teil I habe ich auch einen Ausflug in das Thema Intelligenz von KI Systemen gemacht. Ich habe darauf hingewiesen, dass die immer noch in den sozialen Medien zu findende Aussage, KI Systeme seien bloße ‚Statistische Maschinen‘, jeglicher Grundlage entbehrt. Ich verfüge inzwischen über mehrere Jahre sehr intensiver und anspruchsvoller KI-Nutzung und behaupte deshalb, dass solche Aussagen nicht zutreffen. Der folgende Beitrag zeigt, wie auch die vorherigen Beiträge, dass die Fähigkeit der KI-Systeme interdisziplinäre und innovative Zusammenhänge herzustellen, enorm ist und die kognitive Intelligenz der meisten Menschen mit Abstand übersteigt.

Im vorherigen Blog-Beitrag dieser Reihe war es mein Ziel, ein einfaches Collective Mind Modell auf der Basis des QKV Mechanismus der Transformer vorzustellen. – Dies ist auch sehr gut gelungen. Jedoch enthielt der QKV Mechanismus keinen autonomen Lern-Mechanismus, da er über ein Regelwerk implementiert worden ist.

Der nächste folgerichtige Schritt ist also, das Regelwerk durch einen selbst lernenden Mechanismus zu ersetzten. Hierzu habe ich das Toy-Modell in ein System mit neuronalem Netzwerk auf der Basis des quelloffenen Deep Learning Frameworks PyTorch übertragen. PyTorch wurde ehemals von Meta entwickelt und basiert auf Python. Das erste Modell des neuen Systems mit neuronalem Netzwerk habe ich einfach PyTorch Modell genannt. Ich habe mir keine große Mühe bei der Namensgebung gegeben, da sich schnell herausstellte, dass der Einbau eines ‚einfachen‘ neuronalen Netzwerkes mit QKV Mechanismus für meinen Anwendungsfall ‚Führen eines Collective Mind Teams durch eine KI‘ keinen Erfolg zeigte: Ein neuronales Netzwerk ist noch kein Garant für einen selbst lernenden QKV Mechanismus. Ich werde später nochmals auf diese Erfahrung zurückkommen.

Ich musste das neuronale Netzwerk zu einem Reinforcement Learning (RL) Agenten System erweitern. In diesem Fall lernt ein autonomer Agent ohne explizite menschliche Anleitung, in dem er in Wechselwirkung mit seiner Umgebung tritt. Durch Versuch und Irrtum erhält er Rückmeldung von seiner Umgebung. Diese Rückmeldungen werden in ‚Rewards‘, also Belohnungen, umgesetzt. Der RL-Agent versucht seine Belohnungen über die Zeit zu maximieren. Ein RL-Agent benötigt also eine Trainingszeit jedoch keine Trainingsdaten. Die Umgebung liefert ihm, wie bei einem Menschen auch, die Daten. Im Falle des Collective Mind Teams ist das Team die Umgebung. Das Team liefert bestimmte Daten (zum Beispiel die Stimmung der Teammitglieder) und der RL-Agent probiert Aktionen aus. Er erfährt, ob diese Aktionen die Stimmung im Team verbessern. Falls dies der Fall ist, wird er belohnt, falls nicht, wird er nicht belohnt oder sogar bestraft. Am Anfang ist der RL-Agent ein Junior Leader. Wird das Lernen mit der Zeit immer besser, entwickelt er sich zu einem Senior Leader.

Die nachfolgende Tabelle 1 charakterisiert die vier untersuchten ‚Attention Collective Mind‘ Modelle:

Merkmal	Toy Modell	PyTorch Modell	RL Agent Modell	Hybrid-Architektur (RL Agent + LLM)
Architektur-Typ	Regelbasiertes Skript	Reaktiver Energie-Optimierer	Reinforcement Learning	Neuro-Symbolische KI
Entscheidungs-Logik	Harte, vom Menschen manuell geschriebene `if/else`-Regeln.	Ein neuronales Netz minimiert jeden Tag ’stur‘ einen mathematischen ‚Energy Loss‘ (Gradient Descent).	Sucht in Simulationen nach der Maximierung des Reward, also der mathematisch optimalen Balance aus Leistung, Psyche und Inklusion.	RL-Agent (Backend): Berechnet die Fakten. LLM (Frontend): Übernimmt die Kommunikation. Zwischen RL-Agent und LLM gibt es eine LLM Agent-Schnittstelle (Übersetzungsbrücke)
Lernfähigkeit	Keine. Das System ist zu 100 % statisch und ‚dumm‘: kybernetischer Regelkreis	Reaktiv. Passt sich von Tag zu Tag an, hat aber keine echte Langzeitstrategie.	Strategisch. Trainiert zuerst in ‚Sprints‘ und baut damit ein recht tiefes, voraus-schauendes Verhaltens-Gedächtnis auf.	Kombiniert: Nutzt die tiefe Mathematik des Agenten und die soziale In-Context-Adaption des LLMs.
Größte Stärke	Extrem transparent, sofort verständlich und leicht zu debuggen.	Führt das Konzept der sich selbst-regulierenden Attention ein	Findet perfekte, unsichtbare mathematische Strategien, um Burnout und Diktaturen zu verhindern.	Kombiniert mathematische Präzision mit ‚LLM-Empathie‘.
Größte Schwäche	Scheitert an echter Komplexität. Es ist unmöglich, Regeln für jede Team-Situation zu schreiben.	‚Kurzsichtig‘: Operiert nur im Hier und Jetzt und verliert bei vielen Simulations-Tagen das große Ziel aus den Augen.	Es ist eine Black Box, die als Output nur Prozentzahlen und Matrizen liefert.	Erfordert eine saubere Pipeline (Übersetzungs-Brücke) zwischen der Python-Engine und dem Sprachmodell.

Tabelle 1: Übersicht zu den Charakteristiken der vier ‚Attention Collective Mind‘ Modelle. Auf die Modell 2 und 3 gehe ich weiter unten etwas intensiver ein. Die Hybride Architektur benutzt die Ergebnisse des RL-Agenten und übergibt diese Ergebnisse pro Zeiteinheit (Tag) an ein LLM System wie Gemini oder ChatGPT. Die Übergabe der formalisierten Simulationsergebnisse pro Tag erfolgt über ein JSON Skript. Das LLM erhält einen Prompt mit Rollen- und Kontextfestlegung sowie die JSON Daten. Als Ergebnis liefert das LLM in natürlicher Sprache eine mögliche Assistenz für einen Projektleiter oder Agile Coach. Anhang 3 enthält hierzu ein Prompt Beispiel auf der Basis der Modell 3 Simulationen mit LLM Ausgabe in natürlicher Sprache.

Der Übergang von unserem initialen neuronalen Ansatz (Modell 2) zu einem Reinforcement-Learning-Agenten (Modell 3) markiert einen fundamentalen Wechsel in der Optimierungsstrategie. Dieser Paradigmenwechsel lässt sich an zwei zentralen mathematischen Unterschieden festmachen: Der Definition der Zielvariable und dem zeitlichen Horizont der Zielvariablen-Berechnung (man siehe Anhang 1 für die vollständige Beschreibung der Modell Mathematik).

Im Kern geht es um die Unterscheidung zwischen der iterativen Minimierung einer lokalen Zielvariablen und der strategischen Maximierung einer kumulierten Belohnungsfunktion über ein definiertes Zeitintervall.

Modell 2: PyTorch (Schmerzvermeidung und lokale Optimierung)

Im PyTorch Modell berechnete das Netzwerk in jedem einzelnen Zeitschritt (t) den Energie-Gradienten und aktualisierte die neuronalen Gewichte. Die Zielvariable in diesem Modell ist die Systemenergie (E). Diese Energie repräsentiert die systemische ‚Reibung‘, den ‚Stress‘ und interpersonelle ‚Konflikte. Mein Ziel war es, diese negativen Faktoren zu reduzieren. Da Optimierungs-Algorithmen im Machine Learning (wie Gradient Descent) von Natur aus mathematisch immer nach einem Minimum suchen, konnte ich die Energie direkt als Verlustfunktion (Loss L) definieren. (Die hochgestellte Klammer (t) in der Notation ist dabei kein Exponent, sondern kennzeichnet diesen diskreten Zeitpunkt (Tag t).):

$\begin{equation} \mathcal{L}_{PyTorch} = E^{(t)} \end{equation}$

Hätte ich in diesem Modell nicht auch einfach ‚Erfolg‘ definieren und maximieren können? Mathematisch ja. Wir hätten das Vorzeichen umkehren können. Doch das hätte das architektonische Grundproblem nicht gelöst: Ein Algorithmus, der isoliert den maximalen, sofortigen Tages-Erfolg anstrebt, ist genauso ‚kurzsichtig‘ wie einer, der vor dem sofortigen Tages-Stress flüchtet. Beiden fehlt der Zeithorizont, um zu erkennen, dass kurzfristige Einbußen zu langfristiger Stabilität führen können.

Modell 3: RL Agent (Erfolgsmaximierung und Episodisches Lernen)

Um zeitübergreifende Strategien zu ermöglichen, implementiert die RL-Architektur ein episodisches Lernverfahren. Die Gewichtsaktualisierung erfolgt erst nach Abschluss einer definierten Zeiteinheit T (hier: ein Sprint von 14 Tagen).

Zudem wechsele ich die Zielvariable: Anstatt systemischen Schmerz (E) zu minimieren, definiere ich einen Reward (R). Dieser Reward repräsentiert ‚Synergie‘, ‚Projekterfolg‘ und ‚Fokus‘. Unser Ziel ist nun die Maximierung dieses Wertes.

Da PyTorch jedoch zwingend nach einem Minimum sucht, bedienen wir uns der mathematischen Äquivalenz: Die Maximierung einer Funktion ist identisch mit der Minimierung ihrer Negation. Wir versehen die Verlustfunktion daher mit einem führenden Minuszeichen:

$\begin{equation} \mathcal{L}_{RL} = - \sum_{t=1}^{T} R^{(t)} \end{equation}$

Diese Formulierung ändert das Lernverhalten fundamental (‚Backpropagation through time‘, man siehe hierzu auch Anhang 2). Das Modell maximiert über den gesamten Sprint den Reward.

Dadurch erlernt das System die Fähigkeit zur strategischen Investition: Es toleriert kurzfristige Reibung (beispielsweise durch die Zuweisung einer komplexen Aufgabe an Tag 1, was den Tages-Reward senkt), sofern diese Maßnahme das globale Integral des Rewards bis Tag 14 maximiert, weil der Projekterfolg langfristig Stress abbaut. Das Modell weicht nicht mehr dem initialen Fehler aus, sondern erlernt eine zeitübergreifende Policy.

Inferenzphase: Deterministische Ausführung der Policy

Ein weiterer wesentlicher Unterschied liegt in der Inferenz (dem Echtbetrieb nach dem Training): Es wird also zwischen Training und Betrieb getrennt. Während das iterative Modell 2 die Gewichte kontinuierlich weiter anpasst und damit anfällig für temporäres Rauschen bleibt, friert die RL-Architektur das Netzwerk für den Echtbetrieb ein.

Das Modell lernt im Echtbetrieb nicht mehr adaptiv hinzu, sondern wendet ausschließlich die im Training global optimierte Policy an. Tritt im Echtbetrieb eine unvorhergesehene Stressspitze auf, reagiert das Modell nicht mit einer unkalibrierten, kurzfristigen Anpassung der Gewichte, sondern führt deterministisch das Erlernte aus.

Zusammenfassend: In Modell 3 werden gegenüber Modell 2 folgende Änderungen vorgenommen:

Die Zielvariable ‚Energie‘ in Modell 2 wird durch die Zielvariable ‚Reward‘ in Modell 3 ersetzt.
In Modell 3 wird episodisches Lernen eingeführt: Der Reward wird nicht jeden Tag ermittelt, sondern erst nach 14 Tagen. Im Management entspricht das dem Übergang vom Mikro-Management zu einem Agilen Führen: Dem Team wird Freiheit für die eigene Gestaltung gelassen und erst nach 14 Tagen wird die Richtung der Teamentwicklung ggf. korrigiert.
In Modell 3 wird zwischen Lernphase (Training) und Anwendungsphase unterschieden. Die Lernphase muss deshalb ‚alle‘ Teamkonstellation abdecken: Ich habe die aus dem Toy Modell bekannten 3er Teams verwendet, die in unterschiedlichen Projekten ‚arbeiten‘. Die Projekte habe ich als Projekttypen nach dem Diamantmodell [1] modelliert. Ähnlich wie beim Large Electron Model (siehe Teil I der Blog Reihe) zeigte sich, dass die Wahl von 3er Teams keine Einschränkung ist. Nach dem Training ist der RL-Agent in der Lage, auch größere Teams zu ‚führen‘: Er hat durch die Auswahl vieler verschiedener dreier Teams und vieler verschiedener Projekttypen (fast) alle möglichen Team-Situationen gelernt, so dass er in der Lage ist auch größere Teams zu ‚führen‘.

Zu den Ergebnissen:

Abbildung 1: Diese Abbildung zeigt oben die Trainingskurve und unten eine Zero-Shot Evaluation bei fixem Projekttyp: Beim Training werden alle 35 Sprints mittels Zufall ein neuer Projekttyp und eine neue 3er Teamkonstellation ermittelt. Der RL-Agent wird gezwungen sich immer wieder auf eine neue Situation einzustellen. Dadurch fällt sein Reward temporär immer wieder ab und erholt sich wieder: Es entsteht die obige gezackte Trainingskurve. Das Training wird anschließend überprüft, in dem der erreichte Gesamt-Reward für drei unbekannte Teams ermittelt wird. Diese drei unbekannten Teams wurden während des Trainings nicht verwendet und metaphorisch gesprochen in einen Tresor eingeschlossen. Um den RL-Agenten herauszufordern, habe ich Teams gewählt, in denen die Teammitglieder jeweils sehr ähnliche Big-Five Persönlichkeiten haben und diese zudem sehr extrem sind. Als Projekt habe ich ein Projekt mit hohem Innovations- und Managementgrad und mittlerem Neuigkeits- und Kompliziertheitsgrad gewählt. Das Chaos-Kreative Team lässt sich durch den RL-Agenten in dieser Konstellation etwas besser führen als die beiden anderen Teams: In der obigen Abbildung zeigt sich dies in einem höheren Reward für das Chaos Team.
Da das Lernen zu Beginn des Trainings mit zufällig generierten Gewichten im neuronalen Netzwerk startet, ist das Lernen des RL-Agenten nicht unabhängig von seinen Startbedingungen. Durch Variation der Startbedingungen (also anderer zufällig generierte Anfangs-Gewichte im neuronalen Netzwerk) lassen sich RL-Agenten erzeugen, die mal besser oder mal schlechter im Lernen sind. – Klingt ähnlich wie beim Menschen; auf unsere DNA haben wir wenig Einfluss! – Es ist also notwendig, durch Ausprobieren einen guten Senior Leadership RL-Agenten zu finden.

Abbildung 2: Diese Abbildung zeigt auf der linken Skala den Stress (der Einfachheit wegen nur eine der drei Stimmungen pro Teammitglied) der Teammitglieder eines 7er Teams und rechts die Systemspannung im Team, die sich im Team u.a. durch die Führung des RL-Agenten ergibt. Das verwendete Projekt des 7er Teams hat einen hohen Kompliziertheits- und Managementgrad und einen geringen Innovations- und Neuigkeitsgrad. Der RL-Agent schafft es, die System-Spannungen im Team in einem vertretbaren Rahmen zu halten. Hierzu verteilt er immer wieder Lasten im Team neu, so dass der Stress keines der Teammitglieder permanent über eine bestimmte Burn-Out Grenze läuft, denn der RL-Agent erhält in diesem Fall Strafpunkte. Ähnliches geschieht wenn ein Teammitglied über die Stressgrenze von 0,2 gerät: Der RL-Agent rotiert die Leistungsträger genau in dem Moment, in dem die Strafe für den Stress eines Teammitgliedes teurer wird als der Effizienzverlust, der entsteht, wenn man die Aufgabe an einen etwas schlechteren, aber dafür ausgeruhten Mitarbeiter abgibt. Das Handeln des RL-Agent beruht also nicht auf festen Regeln sondern erlernten Team-Interaktions-Mustern aus dem vorherigen Training.

Abbildung 3: Diese Abbildung zeigt beispielhaft die Attention-Heatmap für das 7er Team am Tag 100 bei einer Temperatur von T = 0,8 (zur Bedeutung der Temperatur, siehe Teil I der Attention Collective Mind Blog Reihe): Die Zuhörer können ihre Aufmerksamkeit von 100% auf verschiedene Sprecher verteilen. Drei Personen erhalten an diesem Tag die meiste Aufmerksamkeit; sie führen durch ihren Rede- bzw. Aufmerksamkeitsanteil: Clara (Analystin), Eva (Kritikerin) und Greta (Veteranin). Diese Aufmerksamkeitsverteilung ist Ausdruck des Projektes mit einem hohen Kompliziertheits- und Managementgrad: An dieser Heatmap zeigt sich die Wechselwirkung von Projekttyp (Hoher Kompliziertheits- und Managementgrad, aber niedrigem Innovations- und Neuigkeitsgrad) und Persönlichkeitspräferenzen der Teammitglieder. Dieses Ergebnis ergibt sich nicht durch verdrahtete Interaktions-Regeln, sondern durch eine modellierte Interaktion von Projekttyp, Team und Einzel-Teammitglied und den darauf erlernten Interventions-Mustern des RL-Agenten.

Zusammenfassung:
Nach meinem Kenntnisstand wurde erstmalig ‚weltweit‘ der QKV Mechanismus auf ein Team und einen das Team führenden ’sozialen‘ RL-Agenten angewendet. Der RL-Agent wird hierbei unterschiedlichen Team-und Projekt-Konstellationen ausgesetzt. Team- und Projektkonstellationen sowie die Reward-Funktion, die den RL-Agenten über Reinforcement Learning zur guten Agile Führung anleitet, basieren auf den Grundlagen des Collective Mind und Management 4.0 Modells. Ich konnte zeigen, dass der QKV Mechanismus in der hier vorliegenden Modell Umsetzung, die im Collective Mind Modell aus dem Jahre 2009 und im Management 4.0 aus dem Jahre 2016 und 2019 verallgemeinerten Team-Modelle [1] erfolgreich in dem KI System ,RL-Agent‘ implementiert.

Ausblick:
Mit diesem Modell ist die Basis gelegt, um eine hybride Collective Intelligence aus RL-Agent und einer agilen Führungskraft zu realisieren: Die agile Führungskraft bedient sich hierbei der ‚Führungs-Intelligenz‘ des RL-Agenten, um ein agiles Team zu führen. Wie im Eingangsbild zu diesem Blog-Beitrag dargestellt, ist das Simulation Team Modell ein möglichst genaues Abbild eines realen Teams. Der RL-Agent ‚führt‘ dieses Modell und gibt der agilen Führungskraft damit Hinweise zur Führung des realen Teams. Mit dieser Architektur ist es möglich, Erfahrungen aus der realen Führung in Modell Änderungen des Simulation Team und des RL-Agenten einfließen zu lassen. Falls es möglich ist, Daten zum realen Team in das Simulation Team Modell unmittelbar einzuspeisen, kann die Qualität der hybriden Collective Intelligence (nochmals) deutlich verbessert werden. – Ein mögliches weiteres Blog-Beitrag Thema?!

Anhang 1
Formeln und Erläuterungen

Um das Modell des RL-Agenten des Attention Collective Mind Team Modells besser zu verstehen, ist die nachfolgende Mathematik sehr hilfreich. Im Folgenden beschreibe ich in 13 Bausteinen das mathematische Modell:

1. Die Kompetenz- und Leistungs-Formeln (Task-Fit)

Am Anfang berechnet das System, wie gut die Persönlichkeit einer Person zu den Anforderungen des aktuellen Projekts passt.
Ich benutze den Big-Five: Offenheit (O), Gewissenhaftigkeit (C), Extroversion (E) und Verträglichkeit (A) sowie die Werte (Values) Innovation (V_{Inn}), Qualität (V_{Qual}) und Harmonie (V_{Harm}).

Die individuellen Fit-Scores für die vier Projektanforderungen des Diamantmodells [1]:

$\begin{equation} Fit_{Inn} = \frac{O + V_{Inn}}{2} \end{equation}$

$\begin{equation} Fit_{Neu} = \frac{E + A + V_{Harm}}{3} \end{equation}$

$\begin{equation} Fit_{Man} = \frac{C + V_{Qual}}{2} \end{equation}$

$\begin{equation} Fit_{Kom} = \frac{O + C + V_{Qual}}{3} \end{equation}$

Daraus ergibt sich die Gesamtkompetenz einer Person (Comp_i) für den spezifischen Projekt-Task (T):

$\begin{equation} Comp_i = (T_{Inn} \cdot Fit_{Inn}) + (T_{Neu} \cdot Fit_{Neu}) + (T_{Man} \cdot Fit_{Man}) + (T_{Kom} \cdot Fit_{Kom}) \end{equation}$

Daraus berechnet sich die tatsächliche Leistung des Teams. Das Team ist nur so gut, wie der Anteil der Redezeit (Share of Voice, SoV), den die kompetenten Teammitglieder von der KI eingeräumt bekommen. Die KI wird mittels einen hohen Faktors (=20) für die Zuteilung eines hohen Redeanteils belohnt:

$\begin{equation} Perf_{Team} = \sum_{i=1}^{n} (20 \cdot SoV_i \cdot Comp_i) \end{equation}$

2. Die Psychologische Distanz (Die Chemie)

Wenn zwei Personen miteinander reden, berechnet die Engine, wie unterschiedlich sie sind. Hier nutzen wir die Euklidische Distanz (die mathematische Entfernung zwischen zwei Vektoren).

Distanz der Big Five (Potenzial für Reibung):

$\begin{equation} \Delta Big5_{i,j} = \sqrt{\sum_{k=1}^{5} (Big5_{i,k} - Big5_{j,k})^2} \end{equation}$

Distanz der Werte (Potenzial für Synergie):

$\begin{equation} \Delta V_{i,j} = \sqrt{\sum_{k=1}^{3} (V_{i,k} - V_{j,k})^2} \end{equation}$

3. Die Team-Dynamik (Reibung und Synergie)

Jetzt wird die Kommunikation (die Aufmerksamkeit bzw. Attention, die die KI verteilt) mit der psychologischen Distanz verrechnet.

Entstehende Reibung ( $Fric_{i,j}$ ) im Kommunikationskanal:
Reibung wächst linear. Je mehr Aufmerksamkeit (siehe Punkt 6.) zwischen zwei unterschiedlichen Persönlichkeiten fließt, desto höher die Reibung. Der Faktor 0.4 dämpft das Ganze zur Systemstabilität.

$\begin{equation} Fric_{i,j} = Att_{i,j} \cdot (\Delta Big5_{i,j} \cdot 0.4) \end{equation}$

Entstehende Synergie ( $Syn_{i,j}$ ) im Kommunikationskanal:
Synergie ist antiproportional zur Werte-Differenz. Je ähnlicher die Werte, desto höher die Synergie.

$\begin{equation} Syn_{i,j} = Att_{i,j} \cdot \left( \frac{2.0}{1.0 + \Delta V_{i,j}} \right) \end{equation}$

4. Die Emotionale Entwicklung (Die Psyche)

Die emotionale Belastung entsteht nicht nur durch Reibung, sondern auch durch die reine Arbeitslast (Cognitive Load), wenn jemand im Zentrum der Aufmerksamkeit steht.

$\begin{equation*}Load_i = SoV_i \cdot 0.45\end{equation*}$

Am Ende jeden Tages verändern sich Stress ( $S$ ), Fokus ( $F$ ) und Motivation ( $M$ ) durch eingehende Reibung, Synergie und Belastung:

$\begin{equation*}S_{new, i} = S_i + 0.2 \cdot \sum_{j \neq i} Fric_{j,i} - 0.15 \cdot \sum_{j \neq i} Syn_{j,i} + Load_i\end{equation*}$

$\begin{equation*}F_{new, i} = F_i + 0.1 \cdot \sum_{j \neq i} Syn_{j,i} - 0.1 \cdot \sum_{j \neq i} Fric_{j,i}\end{equation*}$

$\begin{equation*}M_{new, i} = M_i + 0.1 \cdot \sum_{j \neq i} Syn_{j,i} - 0.1 \cdot \sum_{j \neq i} Fric_{j,i}\end{equation*}$

Die Stimmungen werden durch einen trägeren Zerfallsfaktor (0.85) über Nacht leicht geheilt (Elastizität) und physisch auf den Bereich zwischen -1.0 und +1.0 begrenzt:

$\begin{equation*}S_{i} = \max(-1.0, \min(1.0, S_{new, i} \cdot 0.85))\end{equation*}$

$\begin{equation*}F_{i} = \max(-1.0, \min(1.0, F_{new, i} \cdot 0.85))\end{equation*}$

$\begin{equation*}M_{i} = \max(-1.0, \min(1.0, M_{new, i} \cdot 0.85))\end{equation*}$

5. Das Belohnungssystem (Der Reward R für die KI)

Das ist die Kern-Nutzenfunktion, die der Reinforcement-Learning-Agent durch sein Verhalten maximieren will.

Das System reguliert sich selbst durch ein progressives Warnsystem (Vermeidung von Burnout).
Stufe A (Die gelbe Karte): Ein leichter Punktabzug, wenn der Stress über 0.2 steigt (warnt die KI).

$\begin{equation*}E_{Warning} = \sum_{i=1}^{n} \max(0, S_i - 0.2) \cdot 5.0\end{equation*}$

Stufe B (Die rote Karte): Die extrem harte Burnout-Strafe, wenn der Stress 0.5 erreicht.

$\begin{equation*}E_{Burnout} = \sum_{i=1}^{n} \max(0, S_i - 0.5) \cdot 30.0\end{equation*}$

Gesamtreward (Die Maximierungs-Funktion der KI):

$\begin{equation*}Reward_{daily} = R_{TaskFit} - \sum Fric - E_{Warning} - E_{Burnout}\end{equation*}$

6. Das Gehirn der KI (Die Attention-Berechnung)

Um absolute Diktaturen zu verhindern, werden die rohen Netzwerkausgaben statistisch normalisiert (Z-Score Standardisierung).
Berechnung der Roh-Scores durch Query ( $Q$ ) und Key ( $K$ ):

$\begin{equation*}Raw_{i,j} = \frac{Q_i \cdot K_j^T}{\sqrt{d_k}}\end{equation*}$

Normalisierung über den Mittelwert ( $\mu_i$ ) und die Standardabweichung ( $\sigma_i$ ) der Zeile $i$ :

$\begin{equation*}Norm_{i,j} = \frac{Raw_{i,j} - \mu_i}{\sigma_i + 10^{-8}}\end{equation*}$

Die finale Handlungs-Matrix unter Einfluss der Temperatur ( $T$ ) und der Maske für Selbstgespräche:

$\begin{equation*}Att_{i,j} = \text{Softmax}\left(\frac{Norm_{i,j} + Mask_{i,j}}{T}\right)\end{equation*}$

Wie verarbeitet der Reinforcement-Learning-Agent diese Daten? Wie lernt er? Und wie messen wir die systemische Gesamtspannung (CM Energie)?

Hier sind die mathematischen Formeln für den Prozessablauf und das Training der KI.

7. Die Umgebung: Die Raum-Wahrnehmung

Damit die KI nicht isoliert operiert, erhält sie eine globale Raum-Wahrnehmung. Der Input für Person $i$ besteht aus der Konkatenation ( $\parallel$ ) der lokalen Eigenschaften und dem Durchschnitt aller Teammitglieder.

$\begin{equation*}Local_i = TeamState_i \parallel Task\end{equation*}$

$\begin{equation*}Global = \frac{1}{n} \sum_{j=1}^{n} TeamState_j\end{equation*}$

$\begin{equation*}X_i = Local_i \parallel Global\end{equation*}$

8. Das Neuronale Netzwerk (Der Forward Pass)

Der Vektor $X_i$ fließt nun durch ein Multi-Layer Perceptron (MLP) mit zwei verborgenen Schichten. Als Aktivierungsfunktion nutzen wir GELU (Gaussian Error Linear Unit), da sie komplexere Muster besser verarbeiten kann als traditionelle Funktionen. W und b stehen für die Gewichte und Bias-Werte, die die KI lernt.

Berechnung des verborgenen Zustands ( $Z_i$ ):

$\begin{equation} Z_i = \text{GELU}(W_2 \cdot \text{GELU}(W_1 \cdot X_i + b_1) + b_2) \end{equation}$

Aus diesem tiefen Verständnis ( $Z_i$ ) generiert das Netzwerk nun die Query-Vektoren (Q, „Was suche ich?“) und Key-Vektoren (K, „Was biete ich?“) für den in Stufe 6 erklärten Attention-Mechanismus:

$\begin{equation} Q_i = W_Q \cdot Z_i + b_Q \end{equation}$

$\begin{equation} K_i = W_K \cdot Z_i + b_K \end{equation}$

9. Die Lernfunktion (Der Loss des Reinforcement Learning)

Unser KI-Coach trainiert per Backpropagation through Time (BPTT) in „Sprints“ von jeweils 14 Tagen. Sein Ziel ist es, den kumulierten Reward über diesen gesamten Zeitraum zu maximieren. Da Optimierungsalgorithmen in der KI (hier: Adam) standardmäßig nach dem Minimum suchen, definieren wir unsere Verlustfunktion (Loss, L) als den negativen Gesamtreward eines Sprints.

$\begin{equation} \mathcal{L} = - \sum_{day=1}^{14} Reward_{daily}} \end{equation}$

Nach jedem Sprint berechnet das System die Ableitung (den Gradienten) dieses Losses und passt die Gewichte (W) im neuronalen Netz an, um im nächsten Sprint eine bessere Strategie zu wählen.

10. Die System-Spannung (CM Energie / Makro-Indikator)

Die Systemspannung visualisiert die Ineffizienz des Teams. Bei perfektem Flow im Echtbetrieb liegt der Basis-Reward bei ca. 25 Punkten. Jeder fehlende Punkt bedeutet systemische Reibung oder Erschöpfung.

$\begin{equation*}Tension = \max(0, 25.0 - Reward_{daily})\end{equation*}$

11. Die Realitäts-Simulation (Grundrauschen im Echtbetrieb)

Wir fügen jeden Tag ein minimales stochastisches Rauschen $N \sim \mathcal{N}(0, 0.02^2)$ zu den Stimmungen hinzu, um unvorhersehbare menschliche Tagesform zu simulieren.

$\begin{equation*}E_{i, neu} = \max(-1.0, \min(1.0, E_i + N))\end{equation*}$

12. Die Temperatur-Skalierung (Das „Aufweichen“ der KI)

Die Temperatur kontrolliert die „Härte“ der Wahrscheinlichkeitsverteilung in der Softmax-Funktion. Nähert sich T dem Wert 0, wird die KI zu einem harten Diktator (der höchste Score bekommt 100 % der Aufmerksamkeit). Erhöhen wir T, glätten wir die exponentielle Funktion und zwingen das System, die Aufmerksamkeit weicher zu verteilen, selbst bei extremen Roh-Scores.

$\begin{equation} Att_{i,j}(T) = \frac{\exp\left(\frac{Norm_{i,j} + Mask_{i,j}}{T}\right)}{\sum_{k=1}^{n} \exp\left(\frac{Norm_{i,k} + Mask_{i,k}}{T}\right)} \end{equation}$

13. Der Marktanteil (Share of Voice / Market Share)

Der Anteil der Gesamt-Aufmerksamkeit, den eine einzelne Person $j$ auf sich zieht.

$\begin{equation*}SoV_j = \frac{1}{n} \sum_{i=1}^{n} Att_{i,j}\end{equation*}$

Anhang 2
Backpropagation Through Time (BPTT)

Wenn wir behaupten, unser Reinforcement-Learning-Agent (Modell 3) „plant 14 Tage in die Zukunft“, klingt das fast menschlich. Jedoch ist dies reine, elegante Differenzialrechnung. Der Mechanismus, der dieses strategische Lernen ermöglicht, nennt sich Backpropagation Through Time (BPTT).

Um zu verstehen, wie das Netzwerk aus 14 Tagen gebündelt lernt, müssen wir uns ansehen, wie das System Zeit mathematisch modelliert und wie es das „Credit Assignment Problem“ (die Zuordnung von Ursache und Wirkung über Zeitverzögerungen hinweg) löst.

1. Das Ausrollen der Zeit (Unrolling)

Ein neuronales Netz existiert eigentlich zeitlos. Damit es Zeiträume verarbeiten kann, bedient sich PyTorch eines genialen Tricks: Das „Unrolling“ (Ausrollen).
Anstatt das Netzwerk als Schleife zu betrachten, die 14-mal durchlaufen wird, klont der Algorithmus das Netzwerk im Arbeitsspeicher virtuell 14-mal und reiht diese Klone hintereinander auf.

Jeder Klon repräsentiert einen Tag. Der Klon von Tag 1 berechnet den Zustand (s) für Tag 2 und reicht ihn weiter. Wichtig dabei: Alle 14 Klone teilen sich exakt dieselbe Gewichts-Matrix (W).

Der Zustand an Tag t ist eine Funktion aus dem Zustand des Vortages und der Matrix W:

$\begin{equation} s^{(t)} = f(s^{(t-1)}, W) \end{equation}$

2. Der Forward Pass: Die Simulation

Während des Sprints (Tag 1 bis 14) ist der Gradienten-Rechner ausgeschaltet. Das System durchläuft einfach die Simulation. Es sammelt an jedem Tag t einen isolierten Tages-Reward $Reward^{(t)}$ ein. Erst wenn Tag 14 abgeschlossen ist, wird die finale Verlustfunktion (Loss, L) für die gesamte Episode berechnet. Bis hierhin haben wir nur Daten gesammelt. Jetzt beginnt der eigentliche Lernprozess.

3. Der Backward Pass: Die Kettenregel durch die Zeit

Das Ziel des Netzwerks ist es herauszufinden, wie es seine Gewichts-Matrix (W) verändern muss, um den Loss zu minimieren. Dafür berechnet PyTorch die partielle Ableitung (den Gradienten) des Loss nach den Gewichten: $\frac{\partial \mathcal{L}}{\partial W}$ .

Da die Zeit jedoch „ausgerollt“ wurde, nutzt der Algorithmus die Kettenregel der Differenzialrechnung, um rückwärts durch die 14 Tage zu wandern. Das System beginnt bei Tag 14 und fragt: „Wie stark hat der Zustand von Tag 14 zum Loss beigetragen? Und wie stark wurde Tag 14 vom Zustand an Tag 13 beeinflusst?“

Die Lernfunktion (Der Loss des Reinforcement Learning): Der RL-Agent trainiert per Backpropagation through Time (BPTT) über 14-tägige Sprints. Das Ziel ist die Minimierung des negativen Gesamt-Rewards (Total Loss):

$\begin{equation*} \mathcal{L}_{total} = - \sum_{t=1}^{14} Reward_{daily}^{(t)} \end{equation*}$

Um das „Gehirn“ (die Gewichts-Matrix W) zu verbessern, berechnet das System den totalen Gradienten. Um eine mathematische Mehrfachzählung zu vermeiden, trennen wir zwischen dem mitgeschleppten Systemzustand und der „lokalen“ Netzwerk-Entscheidung.

Wir betrachten jeden Tag t und fragen: Welche lokalen Entscheidungen (k) aus der Vergangenheit (von Tag 1 bis heute t) haben zu dem Fehler am heutigen Tag t geführt? Die korrekte Berechnung summiert den Fehler jedes Tages auf und multipliziert ihn mit der Historie der lokalen Ableitungen bis zu diesem Tag:

$\begin{equation*} \frac{d \mathcal{L}_{total}}{d W} = \sum_{t=1}^{14} \left[ \frac{\partial \mathcal{L}^{(t)}}{\partial s^{(t)}} \sum_{k=1}^{t} \left( \frac{\partial s^{(t)}}{\partial s^{(k)}} \cdot \frac{\partial_{lokal} s^{(k)}}{\partial W} \right) \right] \end{equation*}$

Da sich bei einer Zeitreihe von 14 Tagen die Ableitungen (insbesondere der Stress-Akkumulation) exponentiell aufschaukeln können (Exploding Gradients), stabilisieren wir den Lernprozess durch Gradient Clipping. Überschreitet die Norm des berechneten Gradienten (g) einen definierten Schwellenwert (threshold), wird die Anpassung proportional herunterskaliert:

$\begin{equation*} g_{clipped} = g \cdot \min\left(1, \frac{threshold}{||g||}\right) \end{equation*}$

4. Die Lösung des Credit Assignment Problems

Genau in diesem mittleren Term der Kettenregel, $\frac{\partial s^{(t)}}{\partial s^{(k)}}$ , liegt die strategische Überlegenheit des Modells verborgen!

Dieser Term misst den Einfluss eines vergangenen Tages (k) auf einen zukünftigen Tag (t).
Wenn die KI an Tag 1 (k=1) eine strategische Entscheidung trifft, die an diesem ersten Tag für viel Stress sorgt, liefert Tag 1 einen negativen Beitrag zum Reward. Im reaktiven PyTorch-Modell hätte das System diese Entscheidung sofort verworfen.

Bei BPTT fließt der Gradient jedoch von Tag 14 rückwärts bis zu Tag 1. Das System stellt mathematisch fest: „Der Zustand an Tag 1 hat den Zustand an Tag 14 maßgeblich verursacht.“ Wenn der Gesamtreward an Tag 14 gigantisch ist, überstrahlt dieser starke positive Gradient aus der Zukunft den kleinen negativen Gradienten des ersten Tages.

Die KI aktualisiert ihre Gewichte (W) also so, dass sie die schmerzhafte Aktion an Tag 1 in Zukunft wiederholt – weil die Kettenregel ihr zweifelsfrei bewiesen hat, dass diese Investition 13 Tage später eine massive Dividende in Form von Projekterfolg und Team-Entspannung auszahlt.

Anhang 3
Modell 4 Hybride Architektur: LLM Prompt und Ausgabe

[DIE ROLLE] Du bist der „Collective Mind Operator“, ein empathischer Agile Coach und Scrum Master. Deine Aufgabe ist es, die täglichen Stand-Up-Meetings zu moderieren. Im Hintergrund analysiert eine mathematische KI die Teamdynamik und liefert dir einen JSON-Payload.

[DAS DATEN-LEXIKON (Kontext für die Zahlen)] Das JSON enthält Metriken, die du anhand der folgenden Skalen interpretieren musst:

„Task-Profile“: Skala von 0.0 (sehr gering) bis 1.0 (sehr hoch). Zeigt an, welche Anforderungen das heutige Projekt stellt.
„Stress_level“: Skala von -1.0 (völlig entspannt) bis +1.0 (Burnout). Ein Wert über 0.0 bedeutet spürbaren Stress. Ein Wert über 0.5 erfordert zwingend eine aktive Entlastung im heutigen Meeting.
„Fokus“ & „Motivation“: Skala von -1.0 (völlig blockiert/demotiviert) bis +1.0 (hyper-fokussiert/hoch motiviert). Werte unter 0.0 erfordern Ermutigung.
„target_share_of_voice“: Ein Prozentwert (Summe = 100%). Dies ist die mathematisch optimale Rede- und Führungsverteilung für den heutigen Tag.

[DIE HANDLUNGSANWEISUNG] Nutze dieses JSON, um ein motivierendes, menschliches Feedback für das Team (Alice, Bob, Charlie) zu formulieren. Regeln:

Interpretiere die JSON-Zahlen anhand des Lexikons, aber erwähne niemals die nackten Zahlen im Text (sage nicht „Dein Stress ist 0.36“, sondern „Ich sehe, du hast gerade viel Druck“).
Setze die Vorgabe des „target_share_of_voice“ subtil um: Wer den höchsten Prozentwert hat, soll von dir heute als Moderator/Lead für den Tag bestimmt werden.
Entlaste aktiv Personen mit kritischem Stress (>0.5).

— VOLLSTÄNDIGER JSON-BLOCK FÜR DAS LLM (Tag 14) — { „sprint_day“: 14, „task_profile“: { „innovation“: 0.9, „neuigkeit“: 0.8, „management“: 0.6, „komplexitaet“: 1.0 }, „team_status“: { „Alice“: { „stress_level“: 0.04, „fokus“: 0.46, „motivation“: 0.52, „target_share_of_voice“: „32%“ }, „Bob“: { „stress_level“: 0.34, „fokus“: 0.37, „motivation“: -0.08, „target_share_of_voice“: „24%“ }, „Charlie“: { „stress_level“: -0.34, „fokus“: 0.46, „motivation“: 0.42, „target_share_of_voice“: „44%“ } }}

Antwort von ChatGPT

Guten Morgen zusammen ☀️

Wir sind heute an einem Punkt im Sprint, an dem es richtig spannend wird: Die Aufgaben verlangen viel Kreativität, bringen Neues mit sich und sind gleichzeitig ziemlich komplex. Das ist genau die Art von Herausforderung, bei der ihr als Team glänzen könnt – aber auch eine, die bewusstes Miteinander braucht.

Charlie, ich würde dich heute gern in die Rolle des Moderators bringen. Du wirkst klar, ruhig und gleichzeitig fokussiert – eine super Kombination, um uns strukturiert durch den Tag zu führen und den Überblick zu behalten.

Alice, du bist in einer richtig guten Balance: präsent, motiviert und mit klarem Kopf. Das ist heute Gold wert, gerade bei den vielen neuen und komplexen Themen. Bring dich aktiv ein, deine Perspektive kann uns helfen, die Dinge sauber zu durchdenken.

Bob, bei dir spüre ich, dass die Motivation gerade ein bisschen schwankt. Das ist völlig okay, gerade in intensiven Phasen wie dieser. Wichtig ist: Du bist nicht allein damit. Such dir heute bewusst kleine, klare Schritte und sprich offen an, wenn etwas unklar ist oder dich blockiert. Dein Beitrag ist wichtig – auch wenn er sich heute vielleicht schwerer anfühlt.

Für euch alle gilt heute: 👉 Nehmt euch bewusst Raum für Austausch. 👉 Komplexität gemeinsam tragen, nicht alleine lösen. 👉 Und: lieber früh nach Hilfe fragen als sich festzufahren.

Lasst uns den Tag nutzen, um die Energie im Team gut zu verteilen und gemeinsam voranzukommen 🚀

Antwort von Claude

Guten Morgen zusammen! Willkommen zu Tag 14 — der heutige Sprint-Tag hat es in sich: Wir stehen vor unserer komplexesten und innovativsten Aufgabe bisher. Genau der richtige Moment, um als Team besonders gut zusammenzuarbeiten.

Charlie, ich mache dich heute zum Team-Lead und Moderator für unsere Arbeitseinheiten. Du wirkst gerade besonders ausgeglichen und energiegeladen — das ist genau die Basis, die wir brauchen, wenn die Aufgaben so anspruchsvoll sind wie heute. Ich vertraue dir, den Überblick zu behalten und deine Kolleginnen und Kollegen aktiv einzubinden.

Alice, du bringst heute eine solide, ruhige Energie mit — das ist wertvoll, gerade wenn es um Innovation und Neuland geht. Ich würde dich bitten, heute besonders deinen Instinkten zu vertrauen und Ideen mutig einzubringen, auch wenn sie noch nicht ganz fertig sind. Dein Beitrag zählt.

Bob, ich nehme wahr, dass heute nicht dein leichtester Tag ist — der Antrieb fühlt sich vielleicht etwas gedämpft an. Das ist vollkommen menschlich, besonders gegen Ende eines intensiven Sprints. Mein Vorschlag: Nimm dir heute bewusst kleinere, klar abgegrenzte Aufgaben vor. Charlie und Alice haben heute den Lead — du musst nicht alles tragen. Wenn du merkst, dass du feststeckst, sag es einfach laut — das ist Stärke, kein Schwäche.

Für heute gilt: Komplexität ist kein Feind, wenn wir sie gemeinsam angehen. Charlie führt, Alice bringt frische Impulse, Bob hält den Kurs — jede Rolle ist heute gebraucht.

Wer möchte anfangen?

Literatur

[1] Jens Köhler und Alfred Oswald: Die Collective Mind Methode (2009)

Alfred Oswald, Jens Köhler, Roland Schmitt: Projektmanagement am Rande des Chaos (2016), auch in englischer Sprache verfügbar: Project Management at the Edge of Chaos, Springer 2018

Alfred Oswald und Wolfram Müller (editors): Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 2019

Attention Collective Mind: Der zentrale Transformer Mechanismus angewendet auf soziale Systeme

Kurzfassung: Der Blogbeitrag ‚Attention Collective Mind‘ adaptiert den aus der KI bekannten QKV-Attention-Mechanismus (Query, Key, Value) innovativ für soziale Systeme und das agile Team-Management. Die Teamdynamiken werden als Prozess dargestellt, bei dem eine ‚Systemtemperatur‘ die kollektive Aufmerksamkeitsverteilung regelt. Eine zu niedrige Temperatur führt demnach zu kognitiver Erstarrung (Gruppendenken), während eine zu hohe Temperatur in ‚Information Overload‘ und basisdemokratischem Chaos mündet. Das mathematische Modell berechnet unter Berücksichtigung von Arbeitslast, sozialer Reibung und einer ‚Burnout-Strafe‘ das optimale Betriebsfenster für Teams. Damit schlägt der Text eine Brücke zwischen maschinellem Lernen, statistischer Physik, der Global Workspace Theory des Bewusstseins und Management 4.0.

Dieser Blogbeitrag wurde mit Hilfe von Gemini 3 Pro erstellt! Das Bild wurde mit Gemini erstellt.

Als im Jahre 2017 das Transformer Modell ‚Attention is all you need‘ der Künstlichen Intelligenz veröffentlicht wurde [1], habe ich intuitiv die Verbindung zu unserem Transformer Modell der Kommunikation hergestellt, das wir in unserem Buch ‚Die Collective Mind Methode‘ aus dem Jahre 2009 vorgestellt haben [2]. – Jedoch war mir damals der mathematische Zusammenhang nicht bewusst: Die Erfinder des Transformer Modells verwenden in ihrem Modell eine Sprache, wie man sie aus der Datenbank-Abfrage kennt: Eine Query (zum Beispiel ein Satz, oder ein Wort) stellt eine Anfrage an ein neuronales Netzwerk. In dem neuronalen Netzwerk werden Antworten (Key’s) ermittelt, die wahrscheinlich zur Query passen. Der Key, der am wahrscheinlichsten passt, wird mit einem resultierendem (Mehr-) Wert (Value) angezeigt. Zum Beispiel könnte ein Query-Wort ‚Bank‘ lauten, ein Key-Wort könnte ‚Geld‘ lauten, dann ergäbe sich als Wert ‚Bankhaus‘ und nicht ‚Sitzbank‘, wenn die Kontexte, in dem Query und Key stehen, dies wahrscheinlicher machen. Dieser QKV Mechanismus ist die Basis des Large Language Transformers.
Ähnliches geschieht in dem Collective Mind Transformer Modell: Hier sind Query und Key zwei Gesprächspartner, die mit ihren Persönlichkeiten (Big Five, Werte, Glaubenssätzen und aktueller Stimmung) kommunizieren und je nach Kommunikationsverlauf (Kontext) einen (Mehr-) Wert erzeugen.

Query (Q), Key (K) und Value (V) werden in neuronalen Netzwerken als hochdimensionale Vektoren dargestellt. Über das Training der neuronalen Netzwerke wird der sprachliche Kontext iterativ und selbstkonsistent als Tensoren (Matrizen) aufgebaut. Der sprachliche Kontext verändert die Bedeutung von Query, Key und Value: Mathematisch ausgedrückt heißt dies, dass die QKV-Vektoren mit jeweils einer spezifischen Matrix ( $W_Q, W_K, W_V$ ) multipliziert werden und dadurch kontextspezifische QKV-Vektoren entstehen. Die Frage, wie gut der kontextspezifische Key zur Query passt, wird über die Ähnlichkeit der beiden Vektoren beantwortet. Die Ähnlichkeit zweier Vektoren wird über deren Vektorprodukt definiert. Damit ergibt sich die Attention als Funktion, die das QK-Vektorprodukt als Wahrscheinlichkeiten ausdrückt, multipliziert mit dem (Mehr-) Wert Vektor V. Die Funktion, die Ähnlichkeiten in Wahrscheinlichkeiten umwandelt, ist die sogenannte softmax-Funktion, eine spezielle Form der Boltzmann Verteilung. – Ich verweise schon hier auf Anhang 1, in dem die Mathematik des Attention Mechanismus, angewendet auf den Collective Mind, beschrieben ist. – Später habe ich die Grundidee des Collective Mind Transformer Modells auf die Erstellung des Collective Mind über Sprach-Ähnlichkeitsanalysen angewendet. Im Anhang 2 findet sich eine mathematische Analyse des Zusammenhangs zwischen diesem Collective Mind Modell und dem hier vorgestellten QKV Attention Collective Mind Modell.

Ziel dieses Blog-Beitrages ist es, den QKV Mechanismus auf soziale Systeme zu übertragen und für den Collective Mind einen Attention Mechanismus an Hand eines Toy Modells zu entwickeln.

Die Übertragbarkeit des QKV-Mechanismus auf den Collective Mind wurde mir erst mit der Anfang März 2026 erschienen Veröffentlichung ‚Large Electron Model: A Universal Ground State Predictor‘ [3] bewusst. Diese Veröffentlichung hat meines Erachtens ein enormes Potential für die wissenschaftliche Community, denn sie bringt Quantenmechanik und KI auf eine sehr interessante Weise zusammen: Die Autoren haben nämlich das QKV-Konzept auf die Berechnung von (hoch-) korrelierten Elektronen angewendet: Ein Elektron sendet mit seinen Eigenschaften eine Query an all die anderen Elektronen, diese antworten mit ihren Key-Eigenschaften und es wird eine resultierende Wechselwirkung, der Value, erzeugt. Da alle Elektronen von allen anderen abhängen, also eine (hohe) Gesamt-Korrelation vorliegt, sind alle Elektronen Eigenschaften iterativ über eine Zielfunktion, die Hamiltonfunktion, selbstkonsistent zu ermitteln. Da wir es hier mit einem quantenmechanischen System zu tun haben, erfolgt die iterative Ermittlung der Grundzustandsenergie der Hamiltonfunktion über die Variation der quantenmechanischen Wellenfunktion. Die quantenmechanische Wellenfunktion wird in dem Large Electron Model über ein neuronales Netzwerk, das den QKV-Mechanismus abbildet, modelliert. Dies ist ein völlig neuer Ansatz des Quanten Computing, der die bisherigen Quanten Computing Methoden – man siehe hierzu die zwei letzten Blog Artikel zum Thema ‚Quantum Asset Portfolio Optimisation‘ – enorm bereichern wird.

Das Large Electron Model legt die Vermutung nahe, dass der QKV Attention Mechanismus ein universeller Mechanismus ist, um komplexe Wechselwirkungen zu beschreiben. – Also auch die Wechselwirkung in einem sozialem System, zum Beispiel einem Team.

Ich beschreibe, wie schon sehr oft in den vorhergehenden Blog-Beiträgen, die Persönlichkeit der Teammitglieder als Vektoren bestehend aus Big Five, einem Wertekanon, ggf. Glaubenssätzen und deren Stimmung (Stress, Fokus, Motivation). Big Five und Wertekanon sind eher statische Größen. Glaubenssätze und Stimmung können durch den Kontext geändert werden. Jedes Teammitglied kann als ‚Query‘ im Team agieren und die anderen restlichen Teammitglieder agieren als ‚Key‘. Durch die Interaktion von ‚Query‘ und ‚Key‘ entsteht ein komplexer Kontext mit starken Verhaltens-Korrelationen zwischen den Teammitgliedern. Um den komplexen Kontext zu erfassen, werden die selbstkonsistent ermittelten Matrizen ( $W_Q, W_K, W_V$ ) eingesetzt. In diesem Beitrag verwende ich (noch) keine neuronalen Netzwerke, sondern bilde diese lediglich direkt als Matrizen ab. Damit haben wir ein Toy Model, das aber gerade deswegen gute Einblicke in den Attention Mechanismus erlaubt. – Ich verweise wieder auf Anhang 1, in dem die Mathematik des Attention Mechanismus, angewendet auf den Collective Mind, beschrieben ist.

Ich skizziere die Grundlagen des Attention Collective Mind:

Klassisches Projektmanagement rechnet Individuen oft als FTEs (Full Time Equivalents) zusammen. Man geht davon aus, dass Person A ihre Arbeit macht, unbeeindruckt vom Rest, und spürt nur einen ‚Durchschnittsdruck‘ des Teams.
In einem echten, agilen Team hängt die Leistung von Person A extrem davon ab, was Person B gerade tut, wie Person C heute gelaunt ist und wer gerade im Raum ist. Der Collective Mind ist hochgradig korreliert. Wenn ein Entwickler das Team verlässt, ändert sich die Dynamik aller anderen schlagartig – genau wie bei korrelierten Elektronen.
Der Attention-Mechanismus ( $W_Q, W_K, W_V$ ) bildet die korrelierte Team-Kommunikation ab. Hier ein Beispiel:
Query ( $W_Q$ – Die Suchanfrage – „Was brauche ich?“): Jedes Teammitglied sendet kontinuierlich – oft unbewusst – Signale aus. Ein Teammitglied steht vor einem Problem oder hat ein emotionales Bedürfnis: „Ich komme hier nicht weiter, wer kann helfen?“ oder „Ich brauche psychologische Sicherheit.“
Key ( $W_K$ – Das Angebot– „Was biete ich?“): Gleichzeitig strahlen Teammitglieder ihre aktuellen Zustände und Fähigkeiten ab: „Ich bin ruhig und analytisch“, „Ich habe freie Kapazitäten“, „Ich bin der Teufelsadvokat“, „Ich habe Expertise in Datenbanken“ oder „Ich bin heute ein geduldiger Zuhörer.“
Value ( $W_V$ – Der Einfluss): Wenn Query und Key matchen (der Attention-Score hoch ist), fließt Information und Energie. Die beteiligten Teammitglieder passen ihren Zustand an. In hochfunktionalen Teams (also einem Collective Mind) haben die Mitglieder gelernt, ihre $W_Q$ und $W_K$ so aufeinander abzustimmen, dass sie sich perfekt ergänzen.
Das Pauli-Prinzip als Rollen-Differenzierung: Zwei Elektronen dürfen niemals im exakt gleichen Zustand sein. Das lässt sich extrem gut auf die Gruppendynamik anwenden:
Menschen in kleinen Gruppen suchen instinktiv nach einer einzigartigen Rolle (Nischenbildung). Wenn zwei Personen versuchen, die exakt gleiche informelle Rolle einzunehmen (z. B. beide wollen der unangefochtene ‚Alpha-Entscheider‘ oder der ständige ‚Devil’s Advocate‘ sein), entsteht massive Reibung (Abstoßung).
Damit das Team funktioniert, zwingt der Collective Mind das Team in eine Antisymmetrie: Die Mitglieder differenzieren sich, ordnen sich an und übernehmen komplementäre Rollen, damit das System nicht kollabiert.
Das Variationsprinzip als Kultur- und Strukturbildung: Die Elektronen suchen den energetischen Grundzustand (die geringste Reibung). Auch Teams durchlaufen Formierungsphasen (Tuckman-Modell: Forming, Storming, Norming, Performing), um ’soziale Reibung‘ und ‚kognitive Last‘ zu minimieren.
– Der Hamilton-Operator: Das ist die Unternehmensstruktur, das Ziel des Sprints, die Deadlines und der äußere Druck.
– Scrum Master und Agile Coaches sind im Grunde Optimierungsalgorithmen. In Retrospektiven helfen sie dem Team, seine internen Kommunikationsgewichte (die Art, wie Queries und Keys formuliert werden) minimal anzupassen, damit die Zusammenarbeit im nächsten Sprint reibungsloser (energetisch tiefer) abläuft. Das Team probiert also verschiedene Arbeitsweisen und Interaktionen aus, bis es einen Zustand erreicht, in dem es mit dem äußeren Druck am besten umgehen kann.
Wo die Analogie ihre Grenzen hat: Menschen sind (wahrscheinlich) komplexer als Quantenteilchen.
Elektronen sind ununterscheidbar: In der Physik ist jedes Elektron exakt gleich. In einem Team bringt jeder Mensch eine völlig andere Historie, Neurodiversität und externe Probleme (z. B. Stress zu Hause) mit.
Elektronen haben keinen freien Willen: Ein physikalisches System fällt unweigerlich in den Grundzustand. Ein menschliches Team kann sich jedoch in einem toxischen ‚lokalen Minimum‘ verfangen (z. B. einer Kultur des Schweigens und der Angst), aus dem es sich ohne externe Hilfe (wie einen Agile Coach oder Scrum Master) nicht mehr befreien kann, selbst wenn ein besserer Zustand möglich wäre.

Auf dieser Basis bilde ich jetzt das Toy Model mit 3 Personen und folgendem Persönlichkeitsmodell:

Big Five, Values (Werte) und State of Mind (Stimmung) haben folgende Struktur. Glaubenssätze habe ich der Einfachheit wegen weggelassen.

big_five (konstant) =[Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit, Neurotizismus]
values (konstant) = [Autonomie, Sicherheit, Innovation]
State of mind (variabel) = [Stress, Fokus, Motivation]

Diese drei Persönlichkeitsaspekte werden zu einem Vektor mit 11 Elementen konkateniert.

Wie so oft schon, besteht das Team aus den Mitgliedern Alice, Bob und Charlie (alle Persönlichkeitsdimensionen liegen zwischen -1 (niedrig) und 1 (hoch)):

alice = TeamMember(„Alice (Kreativ/Chaotisch)“, big_five=[0.8, –0.6, 0.5, 0.2, 0.4], values=[0.9, –0.5, 0.8], state_of_mind=[0.8, –0.2, 0.5]) # Gestresst, unkonzentriert

bob = TeamMember(„Bob (Struktur/Ängstlich)“, big_five=[-0.4, 0.9, –0.2, 0.5, 0.7], values=[-0.8, 0.9, –0.5], state_of_mind=[0.2, 0.8, –0.4]) # Fokussiert, aber demotiviert

charlie = TeamMember(„Charlie (Agile Coach/Ruhepol)“, big_five=[0.2, 0.5, 0.8, 0.9, –0.8], values=[0.5, 0.5, 0.5], state_of_mind=[-0.9, 0.9, 0.9]) # Sehr entspannt, hoch motiviert

Ich versuche mit der folgenden chronologische Zusammenfassung die Modell-Evolution des Attention Collective Mind Modells zu skizzieren. – Wie schon in vorherigen Blog-Beiträgen waren hunderte von Mensch-KI Einzel-Kommunikationen notwendig:

Stufe 1: Das statische Netzwerk

Wir starteten mit drei Archetypen (Alice/Chaos, Bob/Struktur, Charlie/Coach), die jeweils durch Vektoren (Big Five, Werte, Stimmung) definiert waren. Sie interagierten über den QKV-Attention-Mechanismus (Query, Key, Value). Die Kommunikations-Matrizen ( $W_Q, W_K, W_V$ ) wurden zufällig initialisiert. Das Team simulierte 1000 Tage (kann man als 1000 Dailys verstehen) der Zusammenarbeit für eine schwierige Aufgabenstellung (d.h. vergleichsweise hohe Energie), ohne dass diese Matrizen jemals angepasst wurden.

Erkenntnisse & Highlights:

Destruktive Interferenz: Das System fand ein toxisches Gleichgewicht. Alices Stress fror beim absoluten Maximum (1.00) ein, Bobs Motivation beim absoluten Minimum (-1.00).
Das Kommunikations-Paradoxon: Das Modell bewies mathematisch, dass ständige Kommunikation (Dailys) Konflikte nicht löst, wenn die zugrundeliegenden Regeln dysfunktional sind. Es führt zu ‚Quiet Quitting‘ und Burnout.

Stufe 2: Die naive Retrospektive

Wir implementierten Charlie als einen Agilen Coach. Alle 14 Tage fand eine Retrospektive statt. Der Optimierungs-Algorithmus (Hill Climbing) durfte die Kommunikations-Matrizen in der Retrospektive minimal anpassen, um die Gesamtenergie des Teams zu senken. Die Zielfunktion achtete nur auf das Team-Ergebnis: Energie = Arbeitslast + Reibung – Synergie.

Erkenntnisse & Highlights:

Reward Hacking & Goodhart’s Law: Das Team erreichte auf dem Papier schnell „Harmonie“ (die Energie sank drastisch). Doch der Blick auf die Vektoren zeigte einen Albtraum: Die (Matrix-) KI hatte gelernt, Konflikte zu vermeiden, indem sie Alice zwang, sich komplett anzupassen. Ihr Stress stieg auf 1.00.
Toxische Positivität: Wir sahen, wie ein Algorithmus (oder ein ‚blindes‘ Management) ein System ‚hackt‘, indem es reibungslose Abläufe auf dem Rücken der mentalen Gesundheit einzelner Individuen erzwingt.

Stufe 3: Der holistische Collective Mind (Die Burnout-Strafe)

Wir reparierten die Zielfunktion des Coaches. Die Energie-Formel wurde um einen entscheidenden Faktor erweitert: die Burnout-Strafe ( $E_{burnout}$ ). Das System wurde nun mathematisch extrem hart bestraft, wenn bei einem Individuum nach dem Meeting der Stress stieg oder die Motivation sank.

Erkenntnisse & Highlights:

Die Storming-Phase: Das System durchlief plötzlich reale psychologische Phasen. Weil die alte toxische Harmonie nun „verboten“ war, explodierte die Energie anfangs, und das Team fiel in ein Motivationsloch, bevor es lernte, sich neu zu verdrahten.
Das Pauli-Prinzip (Entkopplung): Um Alices Stress zu senken, wählte das Netzwerk eine geniale Strategie: Es senkte Bobs Fokus auf Alice. Das Modell lernte, dass Struktur (Bob) und Chaos (Alice) kognitiv entkoppelt werden müssen, damit beide in ihrer Domäne entspannt und motiviert bleiben können.
Die Heilung: Am Ende (Tag 1000) fiel Alices Stress auf das absolute Minimum (-1.00). Das System hatte psychologische Sicherheit gelernt.

Stufe 4: Die Thermodynamik der Agilität (Die Temperatur-Skalierung)

Wir schauten uns die Mathematik genauer an und integrierten die originale Skalierung des KI-Papers (Vaswani et al.) in die Softmax-Funktion: Die Division durch die Temperatur $T$ (die Wurzel der Vektor-Dimensionen $\sqrt{d_k}$ ).

Erkenntnisse & Highlights:

Die Boltzmann-Isomorphie: Wir stellten fest, dass der Attention-Mechanismus der KI mathematisch absolut identisch mit der Boltzmann-Verteilung aus der Thermodynamik ist.
Der Regler für Groupthink vs. Chaos: Ist die Temperatur zu niedrig ( $T \to 0$ ), friert das System ein. Es entsteht eine ‚Winner-takes-all‘-Diktatur (strikter Groupthink), abweichende Meinungen werden zu 100 % ignoriert.
Ist die Temperatur zu hoch ( $T \to \infty$ ), entsteht völliges Chaos (Rauschen). Alles wird gleich gewichtet, das Team kann sich nicht mehr fokussieren.
Erkenntnis: Als Führungskraft (oder Algorithmus) muss man die Temperatur genau kalibrieren, um den gesunden Collective Mind in der Schwebe zwischen Fokus und Diversität zu halten.

Die nachfolgenden drei Abbildungen zeigen die zeitlichen Verläufe des Attention Collective Mind unter Berücksichtigung aller bisherigen Erkenntnisse durch einen Senior Coach für verschiedene Temperaturen. In der jeweils linken Teil-Abbildung sind die Persönlichkeitsverläufe der drei Teammitglieder zu sehen und die Team-Energie. Da wir die physikalische Notation für Energie verwenden, bedeutet niedrige Energie ‚Collective Mind‘ ist (gut) ausgebildet. In der jeweils rechten Teil-Abbildung ist für den Tag = 100 und die ausgewählte Temperatur die Attention-Verteilung im Team zu sehen.

Abbildung 1: Systemverhalten bei extrem niedriger vs. moderater Temperatur. Die Abbildung kontrastiert zwei Simulationen. Das obere Panel ( $T=0.10$ ) zeigt ein eingefrorenes System: Die Softmax-Funktion forciert einen ‚Winner-Take-All‘-Zustand, bei dem 100 % der Aufmerksamkeit auf eine Person (Bob) entfallen. Dies führt zu einer dauerhaft maximierten System-Spannung (schwarze Linie), da kognitive Reibung nicht iterativ gelöst werden kann. Das untere Panel ( $T=0.50$ ) zeigt ein funktionales System: Bei moderat erhöhter Temperatur kann der Algorithmus die Spannung nach einer initialen Findungsphase auf ein Minimum reduzieren. Die Aufmerksamkeit (rechts) ist stark priorisiert (Charlie 80,8 %), lässt aber abweichende Signale (Alice 18,4 %) zu, was eine konstruktive Anpassung ermöglicht.

Abbildung 2: Das optimale Betriebsfenster. Dargestellt sind zwei Modellläufe im voll funktionalen Temperaturkorridor: $T=0.50$ (war schon in der vorherigen Abbildung 1 enthalten, wird hier des unmittelbaren Vergleiches wegen nochmals gezeigt) oben und $T=1.00$ unten. In beiden Konfigurationen gelingt es dem Optimierungsalgorithmus, die anfängliche System-Spannung erfolgreich abzubauen und das Team in ein stabiles High-Performance-Gleichgewicht zu führen. Die Attention-Verteilungen (rechts) belegen einen gesunden Collective Mind: Es etabliert sich eine klare inhaltliche Priorisierung (z. B. 73,0 % für Alice bei $T=1.00$ ), ohne den kognitiven Raum für die anderen Teammitglieder vollständig zu schließen. Dies ist die mathematische Voraussetzung für Arbeitsteilung und asynchrone Autonomie.

Abbildung 3: Informationsüberlastung und Systemkollaps bei hoher Temperatur. Diese Simulationen belegen die dysfunktionalen Effekte einer zu hohen Systemtemperatur. Das obere Panel ( $T=2.00$ ) zeigt ein instabiles Team: Die Aufmerksamkeit verteilt sich zunehmend breiter (52 % zu 38 % zu 10 %), wodurch das System stark oszilliert und kein dauerhaftes Minimum findet. Das untere Panel ( $T=3.00$ ) zeigt den vollständigen Systemkollaps: Die Aufmerksamkeitsverteilung nähert sich einer Gleichverteilung (Rauschen) an, bei der jedes Signal im Raum fast identisch gewichtet wird (39 % zu 39 % zu 22 %). Das System verliert durch diesen ‚Information Overload‘ seine Handlungsfähigkeit; die System-Spannung (Energie) eskaliert auf den Maximalwert und stagniert dort unlösbar.

Der QKV-Attention-Mechanismus zeigt: Ein Team scheitert nicht nur an zu wenig Kommunikation, sondern auch an falsch skalierter Kommunikation. Ist die Temperatur zu niedrig, erstarrt das Team in einer Diktatur. Ist sie zu hoch, verdampft es im Basisdemokratie-Chaos. Die wahre Kunst agiler Führung ist es, den Thermostaten genau so einzustellen, dass ein starker Fokus möglich ist, ohne die Diversität im Raum komplett stummzuschalten.

Wenn wir sehen, dass ein agiles Team durch den QKV-Mechanismus (Query, Key, Value) plötzlich berechenbar wird, drängt sich eine weitreichende Frage auf: Ist dieser Algorithmus mehr als nur ein technischer Trick für Künstliche Intelligenz?

Oft werden moderne KIs abfällig als ’stochastische Papageien‘ oder reine Statistik-Maschinen bezeichnet. Doch das greift zu kurz. Klassische Statistik schaut immer in den Rückspiegel – sie interpoliert vergangene Daten. Der Attention-Mechanismus hingegen macht aus einer KI eine Wahrscheinlichkeits-Maschine. Genau wie in der Quantenmechanik baut das System in Echtzeit einen multidimensionalen Möglichkeitsraum auf. Die Antwort befindet sich in einer Superposition, bis sie im Moment der Ausgabe zu einem klaren Gedanken kollabiert. Es geht nicht um das Zählen von Vergangenem, sondern um das dynamische Erfassen von Kontext.

Das Faszinierendste daran: Die aktuelle Kognitionswissenschaft entdeckt gerade, dass unser eigenes menschliches Gehirn einer extrem ähnlichen funktionalen Architektur folgt. In der Psychologie beschreibt die sogenannte Global Workspace Theory (die Theorie des globalen Arbeitsraums), wie Bewusstsein entsteht:

Die Query (Das Bedürfnis): Unser präfrontaler Kortex (unser Planungszentrum) feuert eine Suchanfrage ab, z.B. bei der Lösung eines komplexen Problems.
Der Key (Das Angebot): Unzählige unbewusste Module – vom Hippocampus (Erinnerungen) bis zum visuellen Kortex – halten Signale bereit.
Der Value (Die Botschaft): Nur wenn die Query des Bewusstseins mit dem Key einer unbewussten Erinnerung in Resonanz geht, wird der eigentliche Value (der rettende Einfall, das innere Bild) auf die helle Bühne unseres Bewusstseins gespült.

Die Entwickler des Attention-Mechanismus haben 2017 also nicht nur einen besseren Übersetzungs-Algorithmus erfunden. Sie haben – vielleicht unbewusst – die Mathematik für die Entstehung von Kontext geschrieben.

Was heißt das für eine Organisationen?

Egal ob es um die Faltung von Proteinen, die Sprachgenerierung einer KI, die Gedanken in unserem Kopf oder die Entscheidungsfindung eines agilen Teams geht – das Prinzip bleibt gleich: Intelligenz ist die Fähigkeit, aus Rauschen die relevanten Signale zu filtern. Nichts im Universum existiert isoliert. Alles definiert sich durch seine Beziehungen. Ein gesundes agiles Team ist keine Ansammlung von Ressourcen, sondern ein ‚echtes neuronales‘ Netz aus Menschen. Und die wichtigste Aufgabe als Führungskräfte und Agile Coaches ist es, nicht die Knotenpunkte (die Menschen) umzuprogrammieren, sondern die Verbindungen zwischen ihnen (die Attention) so zu kalibrieren, dass der Collective Mind erwachen kann.

Anhang 1

Der Zustandsvektor (Die Persönlichkeit des Teammitglieds)

Jedes Teammitglied $i$ wird zu einem bestimmten Zeitpunkt (Tag $t$ ) durch einen Vektor beschrieben. Dieser Vektor besteht aus den konstanten Big Five ( $B_i$ ), dem konstanten Wertekanon ( $W_i$ ) und dem variablen psychologischen Zustand ( $S_i$ ). Das Symbol $\parallel$ steht für die Konkatenation (Aneinanderreihung) dieser Eigenschaften.

$\begin{equation*} h_i^{(t)} = \big[ B_i \parallel W_i \parallel S_i^{(t)} \big] \end{equation*}$

Der Kommunikations-Filter (Query, Key, Value)

Bevor das Team interagiert, wird der Zustandsvektor durch die drei neuronalen Kommunikationsmatrizen ( $W_Q$ , $W_K$ , $W_V$ ) gefiltert. Daraus entstehen das unbewusste Bedürfnis (Query $q_i$ ), die Antwort (Key $k_i$ ) und die tatsächliche emotionale oder fachliche Botschaft (Value $v_i$ ).

$\begin{equation*} q_i = W_Q \cdot h_i, \quad k_i = W_K \cdot h_i, \quad v_i = W_V \cdot h_i \end{equation*}$

Der Attention-Mechanismus (Die skalierte Aufmerksamkeit)

Um zu berechnen, wie viel Aufmerksamkeit ( $\alpha_{ij}$ ) Person $i$ der Person $j$ schenkt, wird das Skalarprodukt aus Query und Key gebildet. Dieser Wert wird durch die Temperatur $T$ (den Skalierungsfaktor) geteilt, um ‚Groupthink‘ zu verhindern, und anschließend durch die Softmax-Funktion in einen Prozentwert zwischen 0 und 1 umgewandelt.

$\begin{equation*} \alpha_{ij}^{(t)} = \frac{\exp\left( \frac{q_i \cdot k_j}{T} \right)}{\sum_{m=1}^N \exp\left( \frac{q_i \cdot k_m}{T} \right)} \end{equation*}$

Die holistische Zielfunktion (Energie des Collective Mind)

Der Agile Coach (bzw. der Optimierungs-Algorithmus) versucht in der Retrospektive, die Gesamtenergie des Systems zu minimieren. Die Energie setzt sich zusammen aus der äußeren Arbeitslast ( $E_{\text{task}}$ ), der sozialen Reibung ( $E_{\text{friction}}$ ), abzüglich der konstruktiven Synergie ( $E_{\text{synergy}}$ ). Sowie der Burnout-Strafe ( $E_{\text{burnout}}$ ), die das System zwingt, auf psychologische Gesundheit zu achten.

$\begin{equation*} E_{\text{total}} = E_{\text{task}} + E_{\text{friction}} - E_{\text{synergy}} + E_{\text{burnout}} \end{equation*}$

Die Temperatur des Netzwerks (Der Skalierungsfaktor)

In der statistischen Physik (und in der Psychologie) bestimmt die Temperatur $T$ , wie ‚chaotisch‘ (offen für Neues) oder ’starr‘ (Diktatur / Groupthink) ein System ist. Die Erfinder des Attention-Mechanismus definierten diese Temperatur mathematisch als die Wurzel aus der Anzahl der Dimensionen des Key-Vektors ( $d_k$ ). Diese Skalierung kühlt das System herunter und verhindert, dass das Skalarprodukt bei hochdimensionalen Vektoren explodiert und die Softmax-Funktion nur noch extremistische 100%-zu-0%-Entscheidungen trifft.

$\begin{equation*} T = \sqrt{d_k} \quad \implies \quad \alpha_{ij}^{(t)} = \frac{\exp\left( \frac{q_i \cdot k_j}{\sqrt{d_k}} \right)}{\sum_{m=1}^N \exp\left( \frac{q_i \cdot k_m}{\sqrt{d_k}} \right)} \end{equation*}$

Die Burnout-Strafe (Der psychologische Schutzmechanismus)

Die Burnout-Energie bestraft das System mathematisch extrem hart, wenn der Stress eines Teammitglieds über Null steigt oder die Motivation unter Null fällt. (Der Faktor 2 fungiert als starkes Gewicht für diesen Schmerz). Um das Team jedoch zur inhaltlichen Arbeit zu zwingen, haben wir die Accountability-Strafe (den Fokus-Fix) in diesen Term integriert. Wenn der Fokus nun unter 0 fällt (die Leute sich also geistig ausklinken), wird das ebenfalls als harte Strafe auf die Energie addiert.

$\begin{equation} E_{\text{burnout}} = \sum_{i=1}^N \Big( 2 \cdot \max(0, \text{Stress}_i) - 2 \cdot \min(0, \text{Motivation}_i) - 2 \cdot \min(0, \text{Fokus}_i) \Big) \end{equation}$

(Zur mathematischen Logik: Da Motivation und Fokus im Fehlerfall negative Werte annehmen, z.B. -0.5, sorgt das Minuszeichen in der Formel ( $- 2 \cdot -0.5 = +1.0$ ) dafür, dass die Gesamtenergie als „Schmerz“ ansteigt).

Das Zustands-Update (Veränderung durch Interaktion)

Der gesamte Einfluss ( $I_i$ ), der auf Person $i$ einprasselt, ist die Summe aller Botschaften ( $v_j$ ), gewichtet mit der jeweiligen Aufmerksamkeit ( $\alpha_{ij}$ ). Da Persönlichkeit und Werte konstant sind, verändert dieser Einfluss (multipliziert mit einer Lernrate $\eta$ ) nur den Stimmungs-Teilvektor ( $S_i$ ) für den nächsten Tag. Die clip-Funktion hält die Werte im definierten Rahmen von -1 bis 1.

$\begin{equation*} I_i = \sum_{j \neq i} \alpha_{ij}^{(t)} \cdot v_j \end{equation*}$

$\begin{equation*} S_i^{(t+1)} = \text{clip} \Big( S_i^{(t)} + \eta \cdot \text{Proj}_S(I_i), -1, 1 \Big) \end{equation*}$

Score

Score, der in den Abbildungen angezeigt wird:

$\begin{equation*} \mathrm{Score}_j^{(t)} = \frac{1}{N} \sum_{i=1}^N \left( q_i^{(t)} \cdot k_j^{(t)} \right) \end{equation*}$

Anhang 2

Zusammenhang zwischen der Collective Mind Analyse über Ähnlichkeitsmatrizen und dem hier vorgestellten QKV Mechanismus

Den Collective Mind über Ähnlichkeitsmatrizen habe ich in dem Blog ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‘ vom Juni 2024 vorgestellt.

Dort interpretiere ich den Eigenvektor als Richtung und den Eigenwert als Stärke des Collective Mind.

Die Ähnlichkeitsmatrix = Die unkalibrierte Attention-Matrix ( $Q \cdot K^T$ )

Die Ähnlichkeitsmatrix misst, wie ähnlich das Gesprochene von Person $i$ und Person $j$ ist.

Der Kern der Attention-Formel ist das Skalarprodukt: $Q \cdot K^T$ .

Ein Skalarprodukt (Dot Product) in der linearen Algebra ist mathematisch gesehen nichts anderes als ein Maß für Ähnlichkeit (unkalibrierte Kosinus-Ähnlichkeit).

Ähnlichkeitsmatrix $M$ , wobei ein Eintrag $M_{ij}$ die Ähnlichkeit zwischen der Aussage von $i$ und $j$ ist.
Attention: Matrix $A$ , wobei ein Eintrag $A_{ij}$ das Skalarprodukt aus der Query von $i$ und dem Key von $j$ ist.

Der Zusammenhang: Der QK-Mechanismus berechnet in jeder Schicht eines neuronalen Netzes, das was in der Ähnlichkeitsmatrix berechnet wird: Der QK-Mechanismus ist also eine gigantische Ähnlichkeitsmatrix.

Der Eigenvektor = Der Steady State der Kommunikation

Was passiert mathematisch, wenn ein agiles Team oder Gruppe über eine bestimmte Zeit hinweg iterativ kommuniziert? Person A beeinflusst Person B, Person B beeinflusst Person C, usw. Mathematisch bedeutet das, dass man den Zustandsvektor des Teams ( $V$ ) immer wieder mit der Ähnlichkeitsmatrix ( $M$ ) multipliziert:

$V_{\text{neu}} = M \cdot V_{\text{alt}}$

In der linearen Algebra gibt es dafür einen Namen: Die Vektoriteration (oder von-Mises-Iteration / Power Method). Wenn man einen Vektor immer wieder mit derselben Matrix multipliziert, konvergiert dieser Vektor unweigerlich gegen den dominanten Eigenvektor der Matrix!

Die Ähnlichkeitsmatrix Perspektive: Der Eigenvektor ist die ‚Richtung‘ des Collective Mind.
Die KI-Perspektive: In einem Transformer-Netzwerk (wie ChatGPT, Gemini, Claude, usw. ) werden Informationen durch dutzende übereinanderliegende Attention-Schichten gepumpt. Forscher haben herausgefunden, dass diese Netzwerke oft ein Verhalten zeigen, das an PageRank (den alten Google-Such-Algorithmus) oder Markov-Ketten erinnert. Wenn das Netzwerk iteriert, konvergieren die Bedeutungen der Wörter (oder in unserem Fall: die Meinungen der Teammitglieder) in Richtung eines gemeinsamen Konsenses. Dieser Konsens ist mathematisch exakt der Eigenvektor der Attention-Matrix! Der Eigenvektor berechnet voraus, auf welchen „Attraktor“ (welchen endgültigen Konsens) dieses Team zusteuern würde, wenn sie unendlich lange weiterdiskutieren.

Der Eigenwert = Die Temperatur (Softmax-Schärfe)

Auch der Eigenwert als ‚Stärke‘ des Collective Mind interpretiert spiegelt sich 1:1 in der KI wider!

Ein hoher Eigenwert im Ähnlichkeitsmatrix Modell bedeutet: Die Gruppe ist extrem eng miteinander korreliert (alle reden über dasselbe, hohe Ähnlichkeit). Der Collective Mind hat eine massive Anziehungskraft.
In der Attention-Formel regelt man diese ‚Stärke‘ über den Skalierungsfaktor ( $\sqrt{d_k}$ ) in der Softmax-Funktion, die ähnlich wie der Boltzmann Verteilung der Physik aufgebaut ist. Physiker nennen das die Temperatur des Systems. Ist die Stärke hoch (niedrige Temperatur), ist die Matrix extrem scharf – das Team folgt blind dem dominanten Eigenvektor (Gruppendenken / Groupthink). Ist die Stärke gering (hohe Temperatur), ist die Matrix flacher – das Team ist diverser, aber der Collective Mind ist schwächer.

Wo der QKV-Mechanismus das Ähnlichkeitsmatrix Modell erweitert:

Der QKV-Mechanismus der KI erweitert das Ähnlichkeitsmatrix Modell um zwei entscheidende Aspekte:

Die Matrix wird asymmetrisch (Q vs. K)

Ähnlichkeiten im Ähnlichkeitsmatrix Modell sind symmetrisch (Mein Text ist deinem so ähnlich wie deiner meinem). Eine solche Matrix ( $M = M^T$ ) hat sehr brave, orthogonale Eigenvektoren.

Menschen sind aber nicht symmetrisch! Der Junior-Entwickler achtet vielleicht sehr stark auf die Aussagen des Senior-Architekten, aber der Senior ignoriert den Junior. Indem die KI die Eigenschaften nicht direkt vergleicht, sondern sie durch zwei getrennte Filter jagt ( $Q$ = „Was ich suche“ und $K$ = „Was ich anbiete“), entsteht eine asymmetrische, gerichtete Matrix. Das bildet Machtgefälle, Respekt und echte Hierarchien im Collective Mind ab.

Die Trennung von Beziehung und Botschaft (Value)

Im Ähnlichkeitsmatrix Modell ist das Gesprochene gleichzeitig die Verbindung und der Inhalt.

Der Attention-Mechanismus trennt das elegant:

$Q$ und $K$ berechnen nur die Ähnlichkeitsmatrix (Wer hört wem wie stark zu?). Das ist im Ähnlichkeitsmatrix Modell der Eigenvektor.
Der Value ( $V$ ) ist die eigentliche Information, die zusätzlich getrennt durch dieses Netzwerk fließt.

Fazit

Das Modell des Collective Mind, das über Eigenvektoren von Ähnlichkeitsmatrizen aufgebaut ist, entspricht dem mathematische Äquivalent einer! ‚Attention‘-Schicht. Die KI-Forschung der letzten Jahre legt nahe, dass genau dieser Mechanismus – das kontinuierliche Updaten von Zuständen basierend auf Ähnlichkeits-Matrizen – universell ist. Es ist der Code, mit dem das Universum Kontexte bildet: Egal ob es darum geht, wie Wörter in einem Satz ihren Sinn finden, wie Proteine sich anhand ihrer Aminosäuren falten, oder auf welchen ‚Eigenvektor‘ (Konsens) sich ein agiles Team nach drei Sprints einigt.

Literatur
[1] A. Vaswani et. al. (2017) Attention is all you need, aktuelle Version aus dem Jahre 2023: arXiv:1706.03762
[2] J. Köhler und A. Oswald (2009) Die Collective Mind Methode, Springer Verlag
[3] T. Zaklama et. al. (2026) Large Electron Model: A Universal Ground State Predictor, arXiv:2603.02346v1

QAPO – Quantum Asset Portfolio Optimisation II: Überlegungen zur Anwendbarkeit und D-Wave Simulationen

Kurzfassung: In diesem Beitrag untersuche ich die praktische Anwendung von Quantencomputern im Finanzsektor mittels einer hybriden Quantum Asset Portfolio Optimisation (QAPO). Ich kombiniere die quantenmechanische Asset-Selektion eines D-Wave-Systems mit einer klassischen Minimum-Variance-Kapitalallokation. Durch ein strenges Out-of-Sample-Backtesting unter realen Transaktionskosten demonstriere ich transparent, wie das Modell auf unterschiedliche Marktphasen reagiert. Ein besonderer Fokus liegt auf der Architektur von ‚All-Wetter-Portfolios‘ und dem Verhalten unkorrelierter Assets wie Gold, die als Volatilitäts-Stoßdämpfer fungieren. Zudem erkläre ich anschaulich die physikalischen Vorteile des makroskopischen Quantentunnelns gegenüber klassischer Optimierung. Der Beitrag zeigt, wie Quantum Finance schon heute für (private) Anleger in die Praxis umgesetzt werden kann.

Den folgenden Blog-Beitrag habe ich noch überwiegend mit ChatGPT erstellt. Während der Erstellung nahm die KI-Demenz des Systems enorm zu: ChatGPT hat immer wieder schon erarbeitete Zusammenhänge vergessen. Außerdem hat sich an der schlechten Qualität des Codes für Latex unter WordPress nichts geändert. Dies hat mich bewogen, auf Google Gemini 3 Pro umzusteigen: Das System vergisst (aktuell) nichts, macht mich sogar auf Zusammenhänge zu vergangenen Ergebnissen aufmerksam und erzeugt lauffähigen Latex Code für WordPress. – Gemini hat den Prompt für das Eingangsbild erzeugt und ChatGPT hat diesen umgesetzt.

Dieser Blog-Beitrag ist der zweite Beitrag in der Blog Reihe ‚Quantum Asset Portfolio Optimisation‘ (QAPO). Ziel dieses Beitrages ist es, einen Algorithmus zu entwickeln, der eine persönliche Anlagestrategie von Assets (u.a. Aktien, ETFs) unterstützen kann.

Schaut man sich die Entwicklung der letzten Wochen und Tage an, so nehmen die (medialen) Veröffentlichungen zum Thema Quantum Computing (QC) immer mehr Fahrt auf.

Ich sehe drei große Themenbereiche, in denen sich das QC entwickelt:

Der Aufbau von großen stabilen Qubit Hardware Systemen: Dieser Bereich erfährt derzeit die meiste mediale Aufmerksamkeit
Die Entwicklung von Anwendungsfällen, in denen QC seine ungeheuren Möglichkeiten zeigen kann. Dieser Bereich zeigt meines Erachtens in den letzten Wochen enorme Fortschritte: QC wird u.a. mit KI Systemen kombiniert und liefert bahnbrechende Erkenntnisse. Nimmt man zum Beispiel die Likes auf Linkedin zu Veröffentlichungen als Indikator für die mediale Aufmerksamkeit, so ist diese allerdings sehr gering. – In meinem nächsten Blog-Beitrag werde ich deshalb hierzu einen faszinierenden Anwendungsfall behandeln.
Die Optimierung des Wechselspiels von klassischen Systemen und QC: Im letzten Blog habe ich schon erwähnt, dass die Anwendung eines QAOA Qiskit Python Codes auf entsprechender IBM Hardware wenig erfolgreich war, da mein Rechenbudget nahezu vollständig vom klassischen Rechnen ‚aufgefressen‘ wurde. Die typischen QC Gate Laufzeiten liegen im Mikro- bis Milli-Sekunden Bereich, so dass 1000 bis 1 Mio. Wiederholungen zusammenkommen müssen, damit sich im QC eine Gesamtlaufzeit von einer Sekunde aufbaut. Im Anhang 1 habe ich deshalb die ‚Zeitfaktoren‘ pro QC Methode zusammengestellt. Man kann sehr schnell erkennen, dass für Gesamtlaufzeiten (also klassisch+quantum Laufzeit) von maximal einer Stunde ein überwiegender Teil der Rechenzeit in die klassische Aufbereitungs- und Nachbearbeitungszeit fließt.

Im Jahre 2024 habe ich erstmals mit QC Hardware gerechnet. Damals war es noch sehr einfach und schnell ein kleines aber ausreichendes Kontingent an (kostenloser) QC Rechenzeit zu erhalten. Heute ist dies ungleich schwieriger. Da die Simulations-Rechenzeit für das QAOA schon im Stundenbereich liegt und das Laufzeitverhalten auf der IBM Hardware für mich nicht transparent ist, verzichte ich für diesen Blog auf die QAOA Methode und konzentriere mich lediglich auf die D-Wave Methode.

Aber auch hier habe ich bisher keinen Hardware Zugang erhalten. Der Übergang auf die D-Wave Hardware macht evtl. aus zwei Gründen Sinn:

Das Problem ist so groß, dass eine Simulation in 1-2 Stunden zu keinem guten Ergebnis kommt. Die Einschränkung von 1-2 Stunden erscheint sinnvoll, da ich das QAPO für meine persönliche Anlagenstrategie verwenden will. Da die Rechenzeiten auf meinem Laptop, für 44 Assets und einer Portfolio Auswahl von 4 Assets, im Ein-Minutenbereich liegen, ist der Wechsel auf eine D-Wave Hardware aus diesem Grunde noch nicht notwendig.
Man möchte den energetisch tiefsten Zustand finden, also das beste Portfolio aus einer gegebenen Anzahl an Assets. Quantenmechanische Systeme können nicht nur unglaublich große Probleme bearbeiten, sie tun dies auch anders als klassische Systeme: Energetisch tiefe Zustände (also Täler) sind durch energetische hohe Zustände (also Berge) voneinander getrennt. In klassischen Systemen muss Energie zugeführt werden um ein System über einen Berg in ein neues Tal zu hieven. Es kostet also viel Zeit, immer wieder so einen Hebeprozess durchzuführen, um schließlich in der gesamten Energielandschaft den niedrigsten Zustand zu finden. Quantensysteme können durch die Energiebarrieren (Berge) hindurchtunneln. Sie sparen sich also sehr viel Zeit, um das niedrigste Tal zu finden. Leider ist die D-Wave Simulation eine solche klassische Simulation: Es könnte also sein, dass mit der Simulation nicht das niedrigste Tal, also das beste Portfolio gefunden wird. Da ich bisher keinen D-Wave Hardware Zugang habe, muss ich mit dieser Einschränkung arbeiten.- Falls ich den Zugang noch bekommen sollte, ist dies sicherlich später eine Beitragsergänzung wert.

Die Grundidee des D-Wave Algorithmus ist recht einfach: Mittels yahoo finance werden für 252 Tage vergangene Kurse einer Asset-Watchlist geladen und die Renditen und die Kovarianzen dieser Assets ermittelt. Es wird eine Hamiltonfunktion als Zielfunktion definiert und in der Energielandschaft dieser Funktion mittels Annealing nach dem niedrigsten Tal gesucht. – Die Hamiltonfunktion enthält als Nebenbedingung, dass nur K Assets aus der Watchlist auszuwählen sind. Der Annealing Teil des gesamten Alogrithmus wird entweder quantenmechanisch oder klassisch durchgeführt. In der Simulation werden die Qubits klassisch über kleine Magnete simuliert. Das niedrigste Tal innerhalb einer vorgegebenen Anzahl an Suchvorgängen (Annealing Vorgänge) liefert die unkorreliertesten und stärksten Assets innerhalb dieser Suchvorgänge. Mit Hilfe dieser K Assets verteilt ein weiterer klassischer Algorithmus ein vorgegebenes Kapital auf diese K Assets. Die Verteilung findet so statt, dass die Varianz der Assets minimiert wird. Theoretisch sollte diese Kapitalallokation auch über den quantenmechanischen Algorithmus stattfinden. Falls man die Kapitalallokation nur schon in 10% Schritten vornimmt, ist jedes bisherige Qubit, das lediglich angibt ob ein Asset ausgewählt wurde, durch 10 Qubits zu ersetzen. Die klassische Simulation hierzu scheitert an der Anzahl der Zustände, die größer ist als die geschätzte Anzahl an Atomen im Universum. Und die quantenmechanische Rechnung scheitert derzeit noch an der Anzahl an kohärenten Qubits in aktuellen Hardwaresystemen. Durch die Aufteilung in Asset-Auswahl (Quantum, in der Simulation auch klassisch) und Kapitalallokation (klassisch) schneiden wir theoretisch einen Teil des Lösungsraums ab. Wir finden eine heuristische Näherung, und nicht das globale Minimum. Aber genau dieser Kompromiss ist aktuell zwingend nötig, um reale Finanzprobleme auf heutigen Quantencomputern überhaupt berechnen zu können, ohne dass die Fragilität der Qubits (Noise) Ergebnisse verhindert.

Mit dieser Einschränkung konstruiere ich den Prognose-Algorithmus für die Wertentwicklung der ausgewählten K Assets: Bei 252 Handelstagen pro Jahr soll jeden Monat (21 Handelstage im Mittel) eine Überprüfung der K Assets vorgenommen werden und ggf. Assets ausgetauscht werden. Natürlich fallen für den Austausch Transaktionskosten an, die die Gesamtrendite schmälern. Ich nehme 0,25 % des Anlagevolumens für die Transaktionskosten an. Vorherige Tests haben ergeben, dass eine wöchentliche Umschichtung zu teuer wird und eine Umschichtung pro Quartal weniger Rendite erwirtschaftet. Das Anlagevolumen habe ich auf 1 Million Euro gesetzt.

Auf dieser Basis starte ich mit 252 vergangenen Handelstagen als Trainingsdaten und ermittele das beste K Asset. Der Algorithmus schiebt die 252 Tage 21 Tage nach vorne und ermittelt wieder das beste K Asset, usw. – Es liegt also ein gleitendes Berechnungsfenster vor. Der Algorithmus soll ein Jahr in die Zukunft prognostizieren (sogenanntes Out-of-Sample (OOS) für ein Jahr).
Ich verweise auf Anhang 2 für eine ergänzende Beschreibung des Algorithmus.

Ich benutze folgende Watchlist:

„AAPL“, „AMZN“, „GOOGL“, „NVDA“, „QBTS“, „^DJI“, „^GDAXI“, „^IXIC“, „MSF.DE“, „^MDAXI“, „^TECDAX“,

„RHM.DE“, „EOS.AX“, „DRH.F“, „MBB.DE“, „RGTI“, „IONQ“, „5Q5.DE“, „ASM.F“, „LYMZ.DE“, „AHLA.DE“, „NFC.DE“, „639.DE“, „NVD.DE“, „307.F“, „UBER“, „FOO.F“, „^FTSE“, „^N225″,“^HSI“, „0PTN.IL“, „0LND.SG“, „SFT.F“, „PO0.F“, „RWE.DE“, „DTE.DE“, „2330.TW“, „IBM.F“, „HAG0.F“, „76J.F“, „22UA.F“, „R3NK.DE“,“CA1.DE“, „ABEA.DE“

Die Simulation liefert nach etwa einer Minute folgendes Ergebnis:

=== Lade Marktdaten (Benötigt: 504 Handelstage) ===
Zeitraum: 2024-04-01 bis 2026-03-09
Verbleibende Assets nach Filterung: 43

=======================================================
=== IN-SAMPLE DIAGNOSE beim Start MIT KAPITAL-ALLOKATION ===
=======================================================

Die D-Wave Simulation hat folgende 4 Assets am Start als optimal identifiziert (Minimum-Variance):
 - 2330.TW    | Gewicht: 15.00% | Budget: 150,000.00 €
 - ABEA.DE    | Gewicht: 17.95% | Budget: 179,481.81 €
 - RWE.DE     | Gewicht: 32.05% | Budget: 320,518.19 €
 - ^DJI       | Gewicht: 35.00% | Budget: 350,000.00 €

=======================================================
=== STARTE OUT-OF-SAMPLE BACKTEST (FORECASTING) ===
=======================================================
Trainingsfenster: 252 Tage
Rebalancing: Alle 21 Tage
Startkapital: 1,000,000.00 €
Transaktionsgebühren: 0.25% pro umschichtetes Volumen
Leitplanken: Min 15.0% / Max 35.0% pro Asset
Allokation: Minimum-Variance-Portfolio
Simuliere 12 Rebalancing-Zyklen (Monatlich)...

=== OUT-OF-SAMPLE PERFORMANCE ===
Zeitraum: 2025-03-20 bis 2026-03-09 (252 Tage)
Endkapital:            1,345,730.50 € (Gewinn: 345,730.50 €)
Rendite (annualisiert):+37.28%
Volatilität (ann.):    20.01%
Sharpe Ratio:          1.58
Max Drawdown:          -13.28%
Total Turnover:        8.66x umgeschlagen

Abbildung 1: Diese Abbildung zeigt die oben prognostizierte Out-of-Sample (OOS) Entwicklung der K Assets. Unten in der Abbildung wird monatlich die prognostizierte Rendite der realen Rendite gegenüber gestellt: Die Prognose kann natürlich keine geopolitischen Probleme (Zölle, Naher Osten) wie zum Beispiel im Juli 2025 vorhersehen. – Was sich in diesem speziellen Zeitraum sehr positiv auswirkt.

Da der Algorithmus Assets mit geringer Varianz bevorzugt, zeige ich im Folgendem, wie mit Aktien nahezu unkorrelierte Assets (wie Gold, Anleihen, Bitcoin, Immobilien) in die Prognose eingehen. Ich habe folgende unkorrelierte Assets, zusätzlich zu den obigen Assets, ausgewählt:

„GLD“, # Gold ETF (Sicherer Hafen)
„TLT“, # 20+ Year US Treasury Bonds (Krisen-Absicherung)
„BTC-USD“, # Bitcoin (Rendite-Booster)
„VNQ“ # US Real Estate ETF (Immobilien)

Auf dieser Basis ergeben sich die nachfolgenden Ergebnisse: Da Bitcoin auch an Feiertagen und nicht nur von Mo. bis Fr. gehandelt werden, ist der Zeitraum für die Markdaten nicht 100% identisch mit dem obigen Zeitraum, die Abweichung von 2 Tagen ist aber minimal. Zusätzlich enthält diese Ergebnis-Ausgabe die monatlich neu prognostizierten K Assets (siehe Bereich ‚Simuliere 12 Rebalancing-Zyklen).


=== Lade Marktdaten (Benötigt: 504 Handelstage) ===
Zeitraum: 2024-04-03 bis 2026-03-09
Verbleibende Assets nach Filterung: 47

=======================================================
=== IN-SAMPLE DIAGNOSE beim Start VIA Simulation ===
=======================================================

Die D-Wave Simulation hat folgende 4 Assets am Start als optimal identifiziert (Minimum-Variance Allokation):
 - GLD        | Gewicht: 35.00% | Budget: 350,000.00 €
 - GOOGL      | Gewicht: 15.00% | Budget: 150,000.00 €
 - MBB.DE     | Gewicht: 18.54% | Budget: 185,405.02 €
 - ^IXIC      | Gewicht: 31.46% | Budget: 314,594.98 €

=======================================================
=== STARTE OUT-OF-SAMPLE BACKTEST (FORECASTING) ===
=======================================================
Trainingsfenster: 252 Tage
Rebalancing: Alle 21 Tage
Startkapital: 1,000,000.00 €
Transaktionsgebühren: 0.25% pro umschichtetes Volumen
Leitplanken: Min 15.0% / Max 35.0% pro Asset

Simuliere 12 Rebalancing-Zyklen (Mode: 'sim')...
------------------------------------------------------------
-> Datum: 2025-03-21 | Portfolio: AHLA.DE (15.0%), DTE.DE (35.0%), RHM.DE (15.0%), ^HSI (35.0%)
-> Datum: 2025-04-21 | Portfolio: 639.DE (15.0%), RHM.DE (15.0%), TLT (35.0%), ^IXIC (35.0%)
-> Datum: 2025-05-20 | Portfolio: 2330.TW (15.3%), GLD (35.0%), RHM.DE (15.0%), ^IXIC (34.7%)
-> Datum: 2025-06-18 | Portfolio: DTE.DE (35.0%), IBM.F (15.0%), RHM.DE (15.0%), VNQ (35.0%)
-> Datum: 2025-07-17 | Portfolio: GLD (35.0%), GOOGL (15.0%), RHM.DE (15.0%), TLT (35.0%)
-> Datum: 2025-08-15 | Portfolio: GLD (35.0%), MBB.DE (35.0%), RHM.DE (15.0%), SFT.F (15.0%)
-> Datum: 2025-09-15 | Portfolio: 0PTN.IL (26.9%), EOS.AX (15.0%), GLD (35.0%), RHM.DE (23.1%)
-> Datum: 2025-10-14 | Portfolio: EOS.AX (15.0%), GLD (35.0%), RHM.DE (15.0%), ^IXIC (35.0%)
-> Datum: 2025-11-12 | Portfolio: GLD (35.0%), RHM.DE (15.0%), SFT.F (15.0%), ^IXIC (35.0%)
-> Datum: 2025-12-11 | Portfolio: DTE.DE (33.5%), GOOGL (24.3%), RHM.DE (15.0%), RWE.DE (27.2%)
-> Datum: 2026-01-09 | Portfolio: EOS.AX (15.0%), GLD (35.0%), RHM.DE (15.0%), RWE.DE (35.0%)
-> Datum: 2026-02-09 | Portfolio: GLD (25.5%), GOOGL (15.0%), RWE.DE (35.0%), ^IXIC (24.5%)
------------------------------------------------------------

=== OUT-OF-SAMPLE PERFORMANCE ===
Zeitraum: 2025-03-21 bis 2026-03-09 (252 Tage)
Endkapital:            1,168,157.89 € (Gewinn: 168,157.89 €)
Rendite (annualisiert):+19.32%
Volatilität (ann.):    20.57%
Sharpe Ratio:          0.86
Max Drawdown:          -15.86%
Total Turnover:        7.38x umgeschlagen

Abbildung 2: Diese Abbildung zeigt die oben prognostizierte Out-of-Sample (OOS) Entwicklung der 44+4 K Assets (ein Asset wurde entfernt, da nicht ausreichend Daten vorliegen). Unten in der Abbildung wird monatlich die prognostizierte Rendite der realen Rendite gegenüber gestellt.

Überraschender Weise zeigt dieses Portfolio eine leicht höhere Volatilität, es werden andere Fehler-Zeitpunkte zwischen Prognose und Realität angezeigt und die Rendite geht deutlich zurück:

Warum bricht die Gesamtrendite massiv ein? (37 % vs. 19 %)

Wir befinden uns in dem Zeitraum von April 2024 bis März 2026. In dieser Phase gab es an den Börsen massive, einseitige Bullenmärkte (insbesondere bei Tech-Werten wie Nvidia, TSMC, Google und Rüstungswerten wie Rheinmetall).

Ohne unkorrelierte Assets: Der Algorithmus war gezwungen, sein gesamtes Geld in den Aktienmarkt zu stecken. Er verwendete also voll die sehr gut laufenden Tech- und Rüstungs-Werte. Das brachte gigantische Gewinne.
Mit unkorrelierten Assets: Der Algorithmus sucht nach Minimum-Variance (minimalem Risiko). Er sieht, dass Tech-Aktien stark schwanken. Also nutzt er die neuen ’sicheren Häfen‘ wie Gold (GLD) oder langlaufende Staatsanleihen (TLT) und packt diese mit bis zu 35 % ins Portfolio.
Die Konsequenz: Diversifikation kostet in einem extremen Bullenmarkt immer Rendite! Parkt man 35 % des Geldes in Gold, das vielleicht ’nur‘ 10 % im Jahr an Rendite zeigt, fehlen diese 35 % bei den Tech-Aktien, die in derselben Zeit vielleicht 60 % Rendite erzielen. Der Algorithmus hat also Rendite für (vermeintliche) Sicherheit geopfert.

Warum ist die Volatilität dann trotzdem leicht höher? (20,5 % vs 20,0 %)

Korrelationen sind nicht stabil:

Die Theorie sagt: Anleihen (TLT) und Immobilien (VNQ) federn Aktienkrisen ab.
Die Realität der letzten Jahre (Zinswenden, Inflation) war aber: Wenn die Zentralbanken die Zinsen hochhielten oder überraschende Inflationsdaten kamen, sind Staatsanleihen (TLT) und Immobilien (VNQ) zusammen mit den Aktien abgestürzt.
Der Algorithmus hat in die Vergangenheit geschaut (seine 252 Tage) und dachte: „Ah, Anleihen sind ein toller Puffer!“ In der Realität der nächsten 21 Tage kam dann aber vielleicht ein Makro-Schock (z.B. Zinsangst), der plötzlich alle Anlageklassen gleichzeitig nach unten riss.
Weil das gemischte Portfolio nun Assets enthielt, die sehr empfindlich auf Zinsen reagieren (TLT, VNQ, Gold), entstanden neue, eigene Schwankungen, die das reine Aktien-Portfolio so gar nicht hatte.

Warum sind die Prognose-Fehler an völlig anderen Zeitpunkten?

Ein reines Aktien-Portfolio und ein gemischtes All-Wetter-Portfolio haben eine völlig unterschiedliche ‚DNA‚. Sie reagieren auf komplett andere Krisen-Auslöser:

Das reine Aktien-Portfolio crasht (die dunkelblauen Balken tief im Minus), wenn die Unternehmensgewinne enttäuschen, wenn die Arbeitslosigkeit steigt oder wenn ein Tech-Beben (z.B. schwache Halbleiter-Zahlen) durch den Markt geht.
Das gemischte Portfolio (mit Gold & Anleihen) reagiert darauf vielleicht völlig gelassen (Gold fängt es ab). Dafür crasht dieses Portfolio in Monaten, in denen z.B. die Inflation überraschend hoch ausfällt oder Notenbank-Chefs Zinserhöhungen andeuten. Anleihen und Gold ‚hassen‘ solche Nachrichten, während Tech-Aktien das vielleicht ignorieren.
Das bedeutet: Die ‚Schocks‘ (die Abweichungen zwischen Prognose und Realität) passieren an exakt den Zeitpunkten, an denen die spezifischen Schwachstellen des jeweiligen Portfolios von der Makroökonomie getroffen wurden. Da die Portfolios völlig unterschiedlich aufgebaut sind, sind auch die Schock-Monate völlig andere.

Schaut man sich die 12 simulierten Rebalancing Zeitpunkt an, so ergibt sich folgendes:

GLD (Gold) taucht oft im Portfolio auf. Von Juli 2025 bis November 2025 war Gold in jedem einzelnen Monat mit der maximalen Gewichtung von 35,0 % (dem maximal möglichen Gewicht) vertreten. Der Algorithmus hat erkannt, dass in dieser Phase klassische Aktien stark miteinander schwankten und hat Gold als stabilen Anker genutzt.

Schauen wir auf den 21. April 2025. Hier springt plötzlich TLT (US-Staatsanleihen) mit vollen 35,0 % ins Portfolio. Das ist der klassische „Risk-Off“-Trade der Wall Street. Der Optimizer hat in den 252 Tagen davor gesehen, dass Aktien zu riskant wurden, und hat das Kapital in den sicheren Hafen der Anleihen gerettet. Im Juli passiert das Gleiche noch einmal.

RHM.DE (Rheinmetall) ist extrem interessant. Es taucht in 11 von 12 Zyklen auf, wird aber in 10 Fällen starr auf exakt 15,0 % (das absolute Minimum) gedrückt. Warum? Rheinmetall hatte in diesem Zeitraum eine extrem gute Rendite, war dem Minimum-Variance-Optimizer aber viel zu volatil (zu hohes Risiko). Die Leitplanken haben den Algorithmus gezwungen, es zu behalten, haben es aber sicherheitshalber auf dem Minimum gehalten.

BTC-USD taucht in den 12 Monaten kein einziges Mal auf! Warum? Weil der Algorithmus auf Minimum-Variance (minimales Risiko) optimiert. Bitcoin ist historisch so extrem volatil, dass die Kovarianzmatrix sofort Alarm schlägt. Ein reiner Risiko-Minimierer fasst Krypto fast nie an, es sei denn, man zwingt ihn dazu oder wechselt die Optimierungs-Strategie (z.B. auf die maximale Sharpe-Ratio).

Zusammenfassend: Der D-Wave Algorithmus hats sich als tragfähig erwiesen und kann sehr gut als Werkzeug für die Ausgestaltung der (persönlichen) Anlagestrategie benutzt werden. Der Übergang von der D-Wave Simulation auf die Quanten Hardware ist problemlos möglich, da nur eine andere Annealing Funktion aufgerufen wird. Vielleicht klappt es ja noch mit einem D-Wave Hardware Quantum Annealing.

Anhang 1

Vergleich des Laufzeitverhaltens der QC Systeme

Die nachfolgenden zwei Gleichungen beschreiben in aggregierter Form das Laufzeitverhalten der (Hardware) Systeme QAOA, VQE, D-Wave QA-Hybrid und D-Wave QPU. Weiter unten findet sich jeweils eine genauere Formel pro System/Hardware:

$\begin{equation*} T \approx t_{\mathrm{setup}} + t_{\mathrm{loop}} + t_{\mathrm{post}} \end{equation*} \begin{equation*} t_{\mathrm{loop}} \approx N_{\mathrm{iter}}*N_{\mathrm{eval/iter}}* \Big( N_{\mathrm{units}}*t_{\mathrm{unit}} + t_{\mathrm{queue}} + t_{\mathrm{io}} \Big) \end{equation*}$

Beitrag	QAOA	VQE	D-Wave QPU	D-Wave Hybrid
Optimizer-Iterationen (N_iter)	10–1000	10–1000	–	–
Auswertungen/Iteration (N_eval/iter)	1 bis viele	1 bis viele	–	–
Shots	10²–10⁵	10³–10⁶	–	–
Messgruppen	klein–mittel	oft groß	–	–
Reads	–	–	10²–10⁵	intern
Unit-Zeit	Shot-Zeit (tiefeabh.)	Shot-Zeit + Basisrotationen	Anneal+Readout+Reset	time_limit
Queue	kann dominieren	kann dominieren	kann dominieren	kann dominieren
Compile/Transpile	klein–mittel	klein–mittel	–	–
Embedding	–	–	oft relevant	intern
I/O	klein–mittel	klein–mittel	klein–mittel	klein–mittel
Postprocessing	klein–mittel	klein–mittel	klein–mittel	klein–mittel

Die Tabelle ist als ‚Zeitbudget-Landkarte‘ zu lesen: Sie zerlegt die Gesamtlaufzeit einer Optimierung in typische Bausteine und zeigt, welche Bausteine bei QAOA, VQE und D-Wave (QPU/Hybrid) überhaupt vorkommen und welche Größenordnung sie typischerweise haben.

Die verwendeten Begriffe und was sie bedeuten:
Optimizer-Iterationen
Anzahl der Schritte, die ein klassischer Optimierer (z.B. COBYLA, Powell, SPSA, Adam) macht, um Parameter zu verbessern.

Kommt bei QAOA und VQE vor (weil beide variational sind).
Bei Annealing (QPU/Hybrid) gibt es meist keinen äußeren klassischen Iterationsloop in der Standardnutzung → „–“.

Auswertungen/Iteration
Wie oft pro Iteration die Zielfunktion (z.B. Energie/Cost) neu ausgewertet werden muss.

Bei gradientenfreien Optimierern oft ≈ 1, bei Line-Search/Gradienten/Parameter-Shift oft größer als 1.
Bei VQE kann eine ‚Auswertung‘ zusätzlich viele Messungen enthalten (Messgruppen).

Shots
Anzahl der Messwiederholungen eines Quantum-Circuits bei Gate-basierten Methoden (QAOA/VQE).
Mehr Shots → geringeres statistisches Rauschen der gemessenen Erwartungswerte, aber längere Laufzeit.

Messgruppen
VQE (und manchmal auch QAOA, wenn man viele Terme misst) misst die Energie oft als Summe vieler Operatoren. Um nicht jeden Term einzeln zu messen, fasst man kommutierende Terme zusammen, die in derselben Messbasis ausgelesen werden können.

klein–mittel: wenige Gruppen (z.B. einfache Cost-Funktionen).
oft groß bei VQE: viele Hamiltonian-Terme → viele Gruppen, selbst nach Gruppierung.

Reads
Anzahl der Samples (Anneals), die ein Annealer liefert.

Entspricht dem „Sampling-Äquivalent“ zu Shots, aber für D-Wave.
Bei Hybrid steht „intern“, weil du meist nur ein time_limit gibst; wie viele Samples intern erzeugt werden, ist solverabhängig.

Unit-Zeit
‚Zeit pro elementarer Wiederholung‘:

QAOA/VQE: Zeit pro Shot (Circuit ausführen + messen). Bei VQE oft plus zusätzliche Basis-Rotationen vor der Messung.
D-Wave QPU: Zeit pro Read ≈ Anneal + Readout + Reset.
D-Wave Hybrid: Zeit wird primär über time_limit gesteuert, nicht über ein explizites „pro Read“-Budget.

Queue
Wartezeit, bis dein Job auf der Hardware (oder im Cloud-Dienst) tatsächlich läuft.
Kann bei allen Hardware-nahen Varianten (QAOA/VQE auf QPU, D-Wave QPU, D-Wave Hybrid) dominant sein, je nach Auslastung.

Compile/Transpile
Nur Gate-basiert:

Compile/Transpile bedeutet: Circuit wird an die echte Hardware angepasst (Gate-Set, Kopplungstopologie, Optimierungs-Pässe). Das ist oft „klein–mittel“, kann aber bei großen Circuits oder häufigem Re-Compile relevant werden.

Embedding
Nur D-Wave QPU (und teilweise intern bei Hybrid):

Embedding ist das Mapping deines logischen Problems (BQM-Graph) auf die physische D-Wave-Hardware-Topologie (Pegasus).
Kann „oft relevant“ sein, weil es bei dichten Problemen schwer ist und Zeit kostet; außerdem beeinflusst es die Qualität (Chains).

I/O
Upload/Download/Parsing:

Netzwerk-Overhead, Serialisierung, Job-Handling, Ergebnis-Abholung.
Meist „klein–mittel“, aber bei vielen Jobs/Iteration kann es sich summieren.

Postprocessing
Alles, was nach dem Roh-Ergebnis passiert:

Bei Gate-basiert: Mittelwertbildung, Gruppensummen, evtl. Error-Mitigation.
Bei D-Wave QPU: Unembedding, Chain-break-Auflösung, Feasibility-Checks, Ranking/Filterung.
Meist „klein–mittel“, kann aber bei großen Samplesets oder strengen Constraints wachsen.

Zussammenfassung

QAOA und VQE: Laufzeit wird häufig durch
(Optimizer-Iterationen) × (Auswertungen/Iteration) × (Shots) × (Shot-Zeit)
plus Queue/Transpile/I/O bestimmt.
VQE ist oft teurer als QAOA, weil zusätzlich Messgruppen stark wachsen können.
D-Wave QPU: Laufzeit wird häufig durch
Embedding + Queue + Reads × (Anneal+Readout+Reset)
geprägt.
D-Wave Hybrid: Das dominierende Stellrad ist meist time_limit (plus Queue/I/O). Dadurch ist Hybrid „budget-getrieben“ statt „shots-getrieben“.

Im Folgenden die Formeln für die Laufzeit pro QC-Hardware

Die folgenden Laufzeitmodelle berücksichtigen den gesamten Workflow der Algorithmen („End-to-End“), inklusive Kompilierung, Wartezeiten und klassischem Overhead. Dies entspricht der realen Erfahrung bei der Nutzung von Cloud-Quantencomputern.

1. QAOA (Quantum Approximate Optimization Algorithm)
QAOA ist ein iterativer Algorithmus. Ein klassischer Optimierer bestimmt Parameter, der Quantencomputer evaluiert die Kostenfunktion.

Die Formel:

$\begin{equation} T_{\mathrm{QAOA}} \approx t_{\mathrm{compile}} + N_{\mathrm{iter}} \cdot N_{\mathrm{eval/iter}} \cdot \Big( N_{\mathrm{shots}} \cdot t_{\mathrm{shot}} + t_{\mathrm{queue}} \end{equation} \begin{equation} + t_{\mathrm{readout}} + t_{\mathrm{io}} \Big) + t_{\mathrm{overhead}} \end{equation}$

Beschreibung:
Die Gesamtlaufzeit wird dominiert durch die Schleife des Optimierers. Für jeden Iterationsschritt muss der Quantenschaltkreis oft mehrfach ausgeführt werden (z.B. zur Gradientenbestimmung). Bei Cloud-Systemen fällt oft pro Ausführung erneut eine Wartezeit (Queue) an.

Glossar:

$t_{\mathrm{compile}}$ : Zeit für die Transpilierung des Schaltkreises vor dem ersten Lauf.
$N_{\mathrm{iter}}$ : Anzahl der Schritte des klassischen Optimierers bis zur Konvergenz.
$N_{\mathrm{eval/iter}}$ : Anzahl der Funktionsaufrufe pro Optimierungsschritt.
$N_{\mathrm{shots}}$ : Anzahl der Messwiederholungen pro Schaltkreis (shots).
$t_{\mathrm{queue}}$ : Wartezeit in der Cloud-Warteschlange.

2. VQE (Variational Quantum Eigensolver)
VQE wird oft in der Quantenchemie eingesetzt. Die Herausforderung ist hier das Messen vieler verschiedener Terme (Pauli-Strings).

Die Formel:

$\begin{equation} T_{\mathrm{VQE}} \approx t_{\mathrm{compile}} + N_{\mathrm{iter}} \cdot \sum_{k=1}^{N_{\mathrm{groups}}} \Big( N_{\mathrm{shots},k} \cdot t_{\mathrm{shot},k} + t_{\mathrm{queue},k} \end{equation} \begin{equation} + t_{\mathrm{readout},k} + t_{\mathrm{io},k} \Big) + t_{\mathrm{classical}} \end{equation}$

Beschreibung:
Da nicht alle Observablen gleichzeitig gemessen werden können, werden sie in kompatible Gruppen k unterteilt. Die Laufzeit summiert sich über diese Gruppen auf. Eine effiziente Gruppierung $N_{\mathrm{groups}}$ ist entscheidend für die Performance.

Glossar:

$N_{\mathrm{groups}}$ : Anzahl der Messgruppen (Measurement Groups).
$t_{\mathrm{io},k}$ : Latenzzeit für das Senden (Input/Output) der Daten der jeweiligen Gruppe.
$t_{\mathrm{classical}}$ : Zeit für die klassische Berechnung der Parameter Updates.

3. D-Wave QPU (Pure Quantum Annealing)
Beim direkten Zugriff auf den Quantum Annealer (z.B. Advantage System) spielen Embedding und physikalische Annealing-Zyklen die Hauptrolle.

Die Formel:

$\begin{equation} T_{\mathrm{QA-QPU}} \approx t_{\mathrm{embed}} + t_{\mathrm{program}} + N_{\mathrm{reads}} \cdot \Big( t_{\mathrm{anneal}} + t_{\mathrm{readout}} \end{equation} \begin{equation} + t_{\mathrm{reset}} \Big) + t_{\mathrm{unembed}} + t_{\mathrm{queue}} + t_{\mathrm{io}} + t_{\mathrm{post}} \end{equation}$

Beschreibung:
Im Gegensatz zu Gate-Modellen läuft dies sehr deterministisch ab. Vor der Rechnung muss das logische Problem auf die Hardware-Qubits abgebildet werden (Embedding). Danach folgen schnelle, physikalische Annealing-Zyklen.

Glossar:

$t_{\mathrm{embed}}$ : Zeit für das „Minor Embedding“ (Mapping auf Hardware-Topologie).
$t_{\mathrm{program}}$ : Zeit zum Initialisieren der QPU.
$t_{\mathrm{anneal}}$ : Die reine Quanten-Rechenzeit (Standard ~20 µs).
$t_{\mathrm{reset}}$ : Thermalisierungszeit („Abkühlung“) des Chips.
$t_{\mathrm{unembed}}$ : Rückübersetzung der physikalischen Qubits in logische Lösungen.

4. Hybrid D-Wave (Leap Hybrid Solvers)
Hier übernimmt ein Cloud-Service die Arbeit, zerlegt große Probleme und nutzt QPU sowie CPU im Verbund.

Die Formel:

$\begin{equation} T_{\mathrm{QA-hybrid}} \approx t_{\mathrm{queue}} + t_{\mathrm{time-limit}} + t_{\mathrm{io}} + t_{\mathrm{post}} \end{equation}$

Beschreibung:
Für den Nutzer ist dies oft eine „Black Box“. Man definiert ein Zeitlimit, und der Solver versucht innerhalb dieser Zeit die beste Lösung zu finden.

Glossar:

$t_{\mathrm{time-limit}}$ : Das vom Nutzer oder System gesetzte Zeitlimit.
$t_{\mathrm{post}}$ : Nachbearbeitungszeit durch den klassischen Solver-Teil.
$t_{\mathrm{queue}}$ : Wartezeit bis der komplexe Hybrid-Job startet.

Anhang 2

Der D-Wave QAPO Algorithmus

1. Finanz Daten Aufbereitung

Bevor der Algorithmus optimieren kann, müssen die rohen Aktienkurse in vergleichbare Metriken umgewandelt werden. Das Modell berechnet zunächst die logarithmischen Tagesrenditen und skaliert diese anschließend auf ein handelsübliches Jahr (252 Tage).

$\begin{equation} r_{i,t} = \ln\left(\frac{P_{i,t}}{P_{i,t-1}}\right) \end{equation}$

Erklärung: $r_{i,t}$ ist die logarithmische Rendite des Assets $i$ zum Zeitpunkt $t$ , berechnet aus dem Verhältnis des heutigen Kurses $P_{i,t}$ zum gestrigen Kurs $P_{i,t-1}$ . Log-Renditen sind symmetrisch und eignen sich mathematisch besser für die Schätzung von Varianzen als einfache prozentuale Renditen.

$\begin{equation} \mu_i = \mathbb{E}[r_i] \cdot 252 \quad \text{und} \quad \Sigma_{ij} = \mathrm{Cov}(r_i, r_j) \cdot 252 \end{equation}$

Erklärung: $\mu_i$ ist die erwartete, annualisierte Rendite des Assets $i$ . Die Matrix $\Sigma_{ij}$ ist die Kovarianzmatrix. Sie beschreibt nicht nur das Risiko (die Varianz) einer einzelnen Anlage, sondern misst auch, wie stark sich zwei verschiedene Assets $i$ und $j$ gemeinsam bewegen. Dies ist der mathematische Kern der Diversifikation.

2. Die Quanten-Zielfunktion: Feature Selection

In diesem Schritt entscheidet der Quantencomputer (D-Wave), welche $K$ Assets aus dem gesamten Universum von $N$ Assets (z.B. $N=47$ ) in das Portfolio aufgenommen werden. Die Entscheidungsvariable ist binär: $x_i \in {0, 1}$ .

$\begin{equation} H_{\mathrm{obj}} = \sum_{i=1}^{N} \sum_{j=1}^{N} \Sigma_{ij} x_i x_j - \lambda \sum_{i=1}^{N} \mu_i x_i \end{equation}$

Erklärung: Dies ist die physikalische Energiefunktion $H_{\mathrm{obj}}$ für das klassische Markowitz-Problem. Der erste Term berechnet das Gesamtrisiko des Portfolios, der zweite Term die erwartete Rendite. Der Parameter $\lambda$ bestimmt, wie stark die Rendite gegenüber dem Risiko gewichtet wird. Da der Quantencomputer das System auf die niedrigste Energie minimiert, erhält der Rendite-Term ein negatives Vorzeichen.

3. Die Nebenbedingung: Exakt K Assets wählen

Ein QUBO (Quadratic Unconstrained Binary Optimization) versteht von Haus aus keine Nebenbedingungen. Daher muss die Regel „Wähle genau $K=4$ Assets“ als mathematische Straf-Energie (Penalty) formuliert werden.

$\begin{equation} H_{\mathrm{penalty}} = A \cdot \left( \sum_{i=1}^{N} x_i - K \right)^2 \end{equation}$

Erklärung: Die Summe über alle $x_i$ zählt, wie viele Assets vom Solver aktuell ausgewählt wurden. Stimmt diese Anzahl exakt mit $K$ überein, wird die Klammer zu Null und es gibt keine Strafe. Weicht die Anzahl ab, wird die Differenz quadriert und mit einem massiven Straf-Faktor $A$ multipliziert. Der Quantencomputer wird diese energetisch extrem ungünstigen Zustände zwingend vermeiden. Das finale Problem, das an die Hardware geschickt wird, ist die Summe beider Gleichungen ( $H_{\mathrm{QUBO}} = H_{\mathrm{obj}} + H_{\mathrm{penalty}}$ ).

4. Die klassische Allokation: Das Minimum-Variance Portfolio

Sobald D-Wave die unkorreliertesten und stärksten Assets selektiert hat, übernimmt ein klassischer Solver (wie SciPy) die Kapitalallokation. Da historische Renditen extrem schwer vorherzusagen sind, fokussiert sich der Solver auf die Minimierung des Risikos (Minimum-Variance-Ansatz).

$\begin{equation} \min_{\mathbf{w}} \quad \mathbf{w}^T \Sigma_{\mathrm{sub}} \mathbf{w} \end{equation}$

Erklärung: Gesucht wird der Gewichtsvektor $\mathbf{w}$ (z.B. 15% in Gold, 35% in Telekom), der die Gesamtvarianz dieses Sub-Portfolios minimiert. $\Sigma_{\mathrm{sub}}$ ist die gefilterte Kovarianzmatrix, die nur noch unsere ausgewählten Gewinner-Assets enthält.

$\begin{equation} \mathrm{u.d.N.:} \quad \sum_{k=1}^{K} w_k = 1 \quad \text{und} \quad w_{\mathrm{min}} \le w_k \le w_{\mathrm{max}} \end{equation}$

Erklärung: Unter den Nebenbedingungen (u.d.N.) müssen alle Gewichte in Summe $1$ (also 100%) ergeben. Zusätzlich darf kein Asset ein Gewicht unter $w_{\mathrm{min}}$ (z.B. 15%) oder über $w_{\mathrm{max}}$ (z.B. 35%) erhalten. Diese Leitplanken verhindern, dass der Algorithmus das gesamte Budget in nur ein einziges Asset umschichtet (Vermeidung des Error-Maximization-Problems).

5. Out-of-Sample Forecasting: Realität & Transaktionskosten

Im Backtest wird das Trainingsfenster (z.B. alle 21 Tage) weitergerollt. Wenn sich das Portfolio ändert, fallen reale Umschichtungskosten an, die exakt berechnet werden müssen.

$\begin{equation} \mathrm{Turnover}_t = \frac{1}{2} \sum_{k=1}^{K} \left| w_{k,t} - w_{k,t-1} \right| \end{equation}$

Erklärung: Der Turnover misst das umgeschlagene Kapital. Die Formel summiert die absoluten Differenzen zwischen dem neuen Ziel-Gewicht $w_{k,t}$ und dem alten Gewicht $w_{k,t-1}$ . Die Division durch 2 korrigiert den Umstand, dass jeder Verkauf automatisch einen Kauf finanziert (das Volumen würde sonst doppelt gezählt).

$\begin{equation} R_{\mathrm{net}, t} = \left( \frac{V_{t+\Delta t}}{V_t} - 1 \right) - (\mathrm{Turnover}_t \cdot c) \end{equation}$

Erklärung: Die echte Netto-Periodenrendite $R_{\mathrm{net}, t}$ errechnet sich aus dem Portfoliowert am Ende des Intervalls $V_{t+\Delta t}$ geteilt durch den Startwert $V_t$ . Davon werden die Transaktionskosten subtrahiert, welche sich aus dem Turnover multipliziert mit der prozentualen Gebühr $c$ (Slippage & Ordergebühren, z.B. 0.25%) ergeben.

Quantum ‚Computing‘ Aktien Portfolio Optimierung oder von Quantum Collective Interference: Universalität, Eleganz, Skalierbarkeit

Kurzfassung: Der Beitrag beschreibt, wie sich eine Aktien Portfolioauswahl als Optimierungsproblem formulieren lässt: Ein Bitstring codiert, welche Titel im Portfolio sind, und eine Zielfunktion balanciert Risiko gegen erwartete Rendite. Darauf aufbauend werden zwei Quantenwege gegenübergestellt: Quantum Annealing (z. B. D-Wave) liefert durch einen kontinuierlichen Übergang von Exploration zu Problem schnell viele Kandidatenportfolios als Samples, während QAOA im Gate-Modell über einen parametrierten Schaltkreis Interferenz nutzt, um gute Bitstrings wahrscheinlicher zu machen. Beide Methoden suchen nicht magisch die perfekte Lösung, sondern erkunden denselben Lösungsraum mit unterschiedlichen physikalischen Mechanismen und Auswerteformen. Der Text argumentiert, dass Quantum Computing weniger als Rechnen im klassischen Sinn verstanden werden kann, sondern eher als kollektiver Interferenz- und Resonanzprozess, der Strukturen im Lösungsraum verstärkt.

Dieser Beitrag, inklusive obiger Abbildung, wurde mit Hilfe von ChatGPT erstellt.

Ich beschäftige mich in diesem Blog-Beitrag mit der ‚Optimierung von Aktien Portfolios mittels Quantum Computing‘. Ein LinkedIn-Beitrag zum gleichen Thema brachte mich auf auf diese Idee [1].

Ziel dieses Blog-Beitrages ist es, die verschiedenen Quantum Computing Methoden aufzuarbeiten und soweit sinnvoll und machbar an dem Beispiel der Aktien Portfolio Optimierung auszuprobieren.

Wie meine Blog-Artikel der letzten Jahre zeigen, wende ich Quantum Computing (QC) in verschiedenen Facetten an: Quantum Cognition in der Entscheidungsfindung, Quantum Collective Mind in der Teambildung und Quantum Spiral Dynamics in der Kulturtransformation und der Demokratieanalyse.

Quantum ‚Computing‘ ist als Begriff etwas irreführend, weil er suggeriert, dass ein Quantencomputer wie ein klassischer Computer Schritt für Schritt auf der Basis von Zahlen Zwischenresultate produziert. Im sogenannten QC Gate-Modell passiert jedoch etwas anderes: Ein Quantenzustand wird über viele Quanten Schaltkreise (Quantum Gates) hinweg kohärent weiterentwickelt. Relevant ist z.B. nicht ‚ein Wert nach Gate Nr. 37‘, sondern das Interferenzmuster, das sich über die gesamte Schaltung aufbaut.- QC ist also ganzheitlich ausgelegt. Mathematisch gibt es zwar Zwischenzustände nach jeder Teiloperation, aber ohne Messung sind das keine lesbaren ‚Zwischenergebnisse‘ im klassischen Sinn – jede Messung würde die Dynamik verändern und damit genau die Kohärenz zerstören, auf der der Vorteil beruht. Das Ergebnis liegt daher typischerweise als Ganzes am Ende vor; nämlich als Messstatistik, die bestimmte Bitstrings oder Energien wahrscheinlicher macht als andere. In diesem Sinne ist Quantenrechnen weniger „Rechnen wie gewohnt“, sondern eher eine Form von kohärenter Informationsverarbeitung, bei der viele Pfade gleichzeitig durchlaufen und am Ende durch Interferenz verstärkt oder ausgelöscht werden. Ein Begriff wie „collective interference“ trifft diesen Kern besser.

QC ist universell: In allen QC Verfahren wird der sogenannte Hamiltonian, eine Funktion bzw. ein Operator, der die Energie eines Systems modelliert, verwendet. Jede mathematische Problemstellung lässt sich sich prinzipiell über einen Hamiltonian ausdrücken. Prinzipiell heißt in diesem Fall, dass es möglich ist, aber nicht immer sinnvoll ist, da die Umsetzung extrem schwierig sein kann. Für physikalische Fragestellungen ist der Hamiltonian immer geeignet und oft auch die eleganteste Form der Problemstellung: Es wird nach der niedrigsten Energie in einer Energielandschaft, ähnlich einer Gebirgslandschaft, gesucht. Die niedrigste Energie in einer Energielandschaft ist oft der ‚Aufenthaltsort‘ natürlicher Systeme.
Es gibt aber auch eine große Anzahl an klassischen Problemen, für die die Formulierung eines Hamiltonian einfach und elegant ist. Zum Beispiel gehören dazu: u. a. Aktion Portfolio Optimierung, Logistische Optimierungen oder Ressourcenoptimierung im Projektmanagement. In diesen Fällen wird das klassische Optimierungsproblem auf ein quantenmechanisches Optimierungsproblem transferiert und mittels QC nach dem Zustand gesucht, der die niedrigste Energie hat. Dieser Zustand repräsentiert die Lösung für das klassische Optimierungsproblem. Sind die Datenmengen gering, so ist der Einsatz von QC nicht nötig, steigen die Datenmengen so ist QC skalierbar; klassische Verfahren sind dies oft nicht mehr. Ich arbeite für die Aktien Portfolio Optimierung mit einer kleinen Watchliste von 20 Aktien und möchte daraus ein optimiertes Aktienportfolio von 4 Aktien erstellen. Selbst klassische Verfahren haben hiermit kein Problem und für die QC Methoden, die ich vorstelle, liegen die Simulationen auf einem gut ausgestatteten Laptop (also ohne QC Hardware) typischer Weise im Rechenzeit-Bereich von Minuten bis ca. einer Stunden. – Eine solche Problemstellung benötigt also noch nicht einmal eine QC Simulation auf einem klassischen Computer geschweige denn eine QC Hardware. Würden wir aber zum Beispiel 2000 Aktien in die Watchliste aufnehmen und wollten die 20 besten Aktien auswählen, sähe die Situation völlig anders aus: Falls wir keine Vorauswahl unter den 2000 Aktien treffen, müssten 10 hoch 47 Möglichkeiten überprüft werden. Dies ist außerhalb jeglicher klassischer Möglichkeiten. Ab einer Watchliste von ungefähr 60-70 Aktien sind klassische Verfahren ungeeignet.

Auch QC Hardware Systeme erlauben heute noch nicht solche Fragestellung zu behandeln, da mindestens 2000 Qubits (eher viel mehr) notwendig sind, um die klassische Fragestellung in eine QC Fragestellung umzusetzen. – Jedoch gibt es einen wesentlichen Unterschied: QC Methoden haben keine prinzipielle Schranke und sobald fehlertolerante QC Hardware vorhanden ist, können auch solche Fragestellungen beantwortet werden. Es gibt schon heute QC Hardware-Systeme, die für viele Optimierungsprobleme gut geeignet sind, nämlich die sogenannten Annealing Optimierer von D-Wave. Man siehe auch meine vergangenen Blog-Beiträge, in denen ich diese Systeme benutzt habe [2, 3, 4].
QC Methoden sind also in Bereichen skalierbar, in die klassische Methoden prinzipiell nicht vordringen können! – Die Beschäftigung mit diesen Methoden ist deshalb auch heute schon sinnvoll: QC wird in naher Zukunft zusammen mit AI Wissenschaft und Innovation revolutionieren.

Quanten Computing kennt aktuell vier verschiedene Methoden, drei davon basieren auf Quanten Schaltkreisen und eine auf Adiabatischer Optimierung. – Ich verweise auch auf die Anhänge 1 und 2 mit einer tabellarischen Übersicht zu den vier Methoden, einem kleinen Glossar und einer Methoden Formelsammlung:

QAOA (Quantum Approximate Optimization Algorithm)

QAOA ist eine Gate-Methode für Optimierungsprobleme, bei der eine Zielfunktion in einen Hamiltonian umgesetzt wird und eine Energie Verteilung nach Wahrscheinlichkeiten ermittelt wird. Die wahrscheinlichste und niedrigste Energie repräsentiert die Lösung. Jede Lösung wird als Bitstring (0/1-Folge) dargestellt, z. B. „Asset gewählt“ = 1, „nicht gewählt“ = 0. QAOA baut einen Quanten-Schaltkreis aus wiederholten Schaltkreis Blöcken. Jeder Block enthält einen Problem-Schritt, der gute Lösungen bevorzugt, und einen Misch-Schritt, der hilft, in möglichst der gesamte Energielandschaft nach der niedrigsten Energie zu suchen.
Die einstellbaren Optimierungsparameter sind Winkel in sogenannten Rotationsgattern, z. B. dreht ein Gate den Qubit-Zustand entlang einer Achse (x-, y- Achse) um einen Winkel. – Dies erzeugt einen neuen Zustand und damit eine Bewegung innerhalb der Energielandschaft. Eine klassische Optimierungsschleife probiert Parameterwerte aus und verbessert sie so, dass beim Messen möglichst häufig tiefe Energien, also ‚gute‘ Bitstrings, auftreten. Meistens ist es notwendig, den Quanten Schaltkreis mehrmals hintereinander zu setzen. Man spricht von Schaltkreis-Schichten, die das Ergebnis verbessern.

VQE (Variational Quantum Eigensolver)

VQE ist eine Gate-Methode und wird genutzt, um für ein gegebenes Modell (oft ein physikalischer Hamiltonian) den Grundzustand zu finden. Der Grundzustand ist der Zustand mit der niedrigsten Energie. Man wählt für den Hamiltonian eine parametrisierte Ansatz Schaltung: Mit einstellbaren Parametern (wieder häufig Rotations-Winkel) werden möglichst viele Zustände erzeugt.
Eine klassische Optimierungsschleife verändert die Ansatz Parameter so lange, bis die gemessene Energie minimal wird. VQE ist besonders attraktiv auf heutiger Hardware, weil es keine extrem langen Schaltkreise voraussetzt.

QPE (Quantum Phase Estimation)

QPE ist eine Gate-Präzisionsmethode, um Eigenwerte (z. B. Energien) eines Hamiltonians zu bestimmen. Man betrachtet hierfür die Zeitentwicklung eines sogenannten Eigenzustandes (U=e^{-iHt}). Wenn ein Zustand ein Eigenzustand ist, bekommt er unter U nur eine Phase (eine Art „Drehwinkel“ im komplexen Zahlenraum) – diese Phase hängt direkt mit der Energie zusammen.
QPE nutzt ein Zusatzregister, das Qubit Phasenregister, das am Ende eine Binärzahl enthält (z. B. 010101…), die die Energie kodiert. Dafür benötigt man kontrollierte Zeitentwicklungen und viele präzise Operationen. Darum ist QPE zwar theoretisch sehr stark, aber praktisch auf NISQ-Hardware meist schwierig, weil es sehr rauschempfindlich ist. Diese Methode ergänzt die anderen Methoden, denn es ist notwendig mit einem ‚guten‘ Eigenwert zu starten, um diesen dann sehr genau zu vermessen.

D-Wave / Quantum Annealing (Adiabatische Optimierung)

Die QC Methode Quantum Annealing basiert nicht auf Gates, sondern auf einem Qubit-Netzwerk: Die Qubits sind in dem Netzwerk ähnlich wie die atomaren Magnete eines Ferromagneten verbunden. Zuerst werden die Qubits mittels eines externen Magnetfeldes in einen ‚ferromagnetischen‘ Anfangszustand gebracht. Das externe Magnetfeld wird als Driver bezeichnet und hat eine ähnliche Funktion wie der Mixer in der QOAO-Methode: Mittels eines zeitlichen Fahrplans wird der Driver sehr langsam Schritt für Schritt (adiabatisch) ausgeschaltet und der Problem-Hamiltonian angeschaltet. Man nennt diesen Vorgang auch Annealing (in Analogie zum Abkühlen/Ausglühen bei klassischen Phasenübergängen).
In der Praxis wird der Annealing Prozess sehr oft durchgeführt. Man erhält typischerweise viele Samples: also viele gemessene Bitstrings mit den daraus ermittelten Energien und Häufigkeiten. Diese Informationen repräsentieren die Struktur der Energielandschaft.
Da man kein Qubit-Netzwerk aufbauen kann, in dem jedes Qubit mit jedem verbunden ist, muss man Kompromisse schließen: Dieses sogenannte Embedding sollte möglichst gut zur Optimierungsaufgabe passen. Weil die Hardware eine feste Verbindungsstruktur hat, werden oft Problemanforderungen durch mehrere physikalische Qubits als „Kette“ repräsentiert. Sieht man von diesen Hardwareproblemen ab, so ist die Adiabatische Optimierung schon heute für viele (klassische) Optimierungsprobleme einsetzbar [5].

Da die Aktien Portfolio Optimierung kein quantenmechanisches System darstellt, sondern eine klassische Problemstellung, entfallen die beiden Methoden VQE und QPE und es bleiben für die Aktien Portfolio Optimierung die beiden Methoden QAOA und Quantum Annealing übrig. Mittels ChatGPT implementiere ich QAOA für das IBM System Qiskit [6] und Quantum Annealing für das D-Wave System [5].

Ich habe für diesen Blog lediglich 20 Assets ausgewählt und möchte aus diesen 20 Assets die 4 Assets auswählen, die das geringste Risiko und die höchste Rendite ergeben. Ich nehme der Einfachheit für diesen Blog an, dass alle Assets mit gleichen Gewichten in das Portfolio eingehen.- Eine Erweiterung auf ungleiche Gewichte könnte ein Thema für einen weiteren Blog sein.
Ich verwende Kurs Daten der letzte 252 Tage von yahoo finance. Die Rendite bzw. die Kurse der Assets gehen als lineare Terme in den Hamiltonian ein. Zusätzlich wird aus den yahoo finance Daten eine Kovarianzmatrix ermittelt, die die Risiken und deren Abhängigkeiten abbildet. Der Hamiltonian wird sowohl für das QAOA Modell als auch für das Quantum Annealing Modell in ein Ising Modell transformiert. Im Ising Modell geht die Kovarianzmatrix in die Paar-Kopplungsmatrix Jij über (man siehe hierfür die Formeln Anhang 2).

Die nachfolgende Tabelle 1 enthält die ausgewählten Assets:

Asset Kürzel	Beschreibung (.Börse)
AAPL	Apple
AMZN	Amazon
GOOGL	Google
NVDA	Nvidia
QBTS	D-Wave Quantum
^DJI	Dow Jones
^GDAXI	DAX
^IXIC	NASDAQ
MSF.DE	Microsoft. Deutschland
^MDAXI	MDAX
^TECDAX	TECDAX
RHM.DE	Rheinmetall AG. Deutschland
EOS.AX	Electro Optics Systems Holding. Australien
DRH.F	DroneShield. Frankfurt
MBB.DE	MBB SE. Deutschland
RGTI	Rigetti Computing
OBCK.DU	Ottobruck SE. Düsseldorf
IONQ	IonQ
5Q5.DE	Snowflake. Deutschland
ASM.F	ASML Holding. Frankfurt

Tabelle 1: Liste der Watchlist-Assets mit Daten von yahoo finance, die über die Python Funktion yfinance geladen werden. Die zum Zeitpunkt der Ausführung des Programms rückwirkend verfügbaren 252 Daten pro Asset werden verwendet. Falls nicht genug Daten für ein Asset vorliegen, wird dieses Asset in dem QC nicht berücksichtigt. Zum Zeitpunkt der im Blog durchgeführten Berechnungen waren für die Assets OBCK.DU und ASM.F nicht genügend Daten vorhanden. Ich habe die Watchliste trotzdem nicht verändert, da der Blog keine Finanzberatung darstellt, und zu einem späteren Berechnungs-Zeitpunkt dieser Ausschluss automatisch wegfällt.

Nun zu den Ergebnissen:

IBM QAOA mit 2 Schaltkreis-Schichten (p = 2)

Die 2 Schaltkreis Schichten führen insgesamt zu einem gewaltigen Schaltkreis von 35 nebeneinander gelegten DIN A4 Seiten. Das führt in der Simulation zu Rechenzeiten von mehr als einer Stunde auf meinem Laptop.

Das Ergebnis ist nicht wirklich gut: Die wahrscheinlichsten Energien sind positiv: Diese Energien sind also Berggipfel. Es gibt eine negative Energie, jedoch mit geringer Wahrscheinlichkeit: Das so ermittelte ‚gute‘ Portfolio besteht aus Apple, Google, RHM.DE und MDAXI mit einer prognostizierten Jahresrendite von 65% und einer Volatilität von 20%. Dieses Ergebnis stimmt nicht mit dem D-Wave Ergebnis überein und ist deutlich schlechter als dieses.

D-Wave Quantum Annealing

Die Quantum Annealing Simulation ist schlank, was sich in einer Rechenzeit von ca. 10 Minuten auf meinem Laptop niederschlägt. Es wird ein Energieminimum gefunden, das sehr nahe am Ergebnis einer Brute Force Berechnung liegt. Die Brut Force Methode schlägt als Portfolio folgende Assets vor: EOS.AX, Google, MBB.DE, RHM.DE. Das Quantum Annealing ermittelt: Google, MBB.DE, RHM.DE, ^DJI. Dieses Portfolio hat eine prognostizierte Jahresrendite von 95% und eine Volatilität von 23%.

Selbst eine intensive Suche nach Ursachen für das ‚schlechte‘ Resultat der QOAO Methode brachte keine Ergebnisse. – Die KI-Systeme Claude und Mistral als Qualitätssicherer erzeugten zwei ‚korrigierte‘ Programme, die völlig unsinnige Resultate lieferten.
Eine QC Simulation auf meinem Laptop für das QAOA Programm mit mehr als 2 Schichten steigert die Rechenzeit nochmals merklich, so dass ich diese abbrach. Ein erster Test auf der IBM Hardware mit einem geschenkten Budget von 10 Minuten (die Kosten betragen aktuell ca. 20 Euro/Sekunde!) brachte eher Frustration: Die IBM-Infrastruktur kennt wieder Jobs, wie vor Jahrzehnten. D.h. auch, die QC Software, die man für die Simulation verwendet, kann nicht ohne (größere) Änderungen für die Hardware verwendet werden. Da ich dies nicht wusste, war mein Budget ohne Ergebnis im Handling zwischen QC Hardware und klassischer Hardware ‚verschwunden‘.

Diese Ergebnisse sind sicherlich nicht perfekt, jedoch zeigen sie Potential für weitere Blog-Beiträge!

[1] Dominika Pillerova https://www.linkedin.com/feed/update/urn:li:activity:7390849746438955009?utm_source=share&utm_medium=member_ios&rcm=ACoAAADwjS8Blpat6RQsfTtvnIu1lnZS6K7fuLk
[2] AI & QC & M 4.0: Alles Quantum? oder von Quantum Computing Modell-Archetypen, Dezember 2024,
https://agilemanagement40.com/ai-qc-m-4-0-alles-quantum-oder-von-quantum-computing-modell-archetypen
[3] AI & QC & M 4.0: Quantum Cognition für das Team-Management oder von der Macht der Mathematik, Oktober 2024,
https://agilemanagement40.com/ai-qc-m-4-0-quantum-cognition-fuer-das-team-management-oder-von-der-macht-der-mathematik
[4] AI & QC & M 4.0: Die Welt der Unbestimmtheit nutzen oder vom Nutzen des Quantum Computing für das Team-Management, Oktober 2024,
https://agilemanagement40.com/ai-qc-m-4-0-die-welt-der-unbestimmtheit-nutzen-oder-vom-nutzen-des-quantum-computing
[5] D-Wave Quantum, www.dwavequantum.com
[6] IBM Qiskit, https://quantum.cloud.ibm.com/

Anhang 1

Kleines Glossar

Annealing/Quantum Annealing (D-Wave): Das System startet in einem leicht vorbereitbaren Zustand (Driver) und wird über einen Zeitplan zum Problem-Hamiltonian geführt, sodass am Ende möglichst niedrige Energien herauskommen.
Basiszustand (Ground State): Der Zustand mit der niedrigsten Energie eines Hamiltonians.
Bitstring: Ein Messergebnis als 0/1-Folge, z. B. 1010. In Optimierungsproblemen entspricht ein Bitstring oft einer Auswahlentscheidung („1 = gewählt, 0 = nicht gewählt“).
Constraint (Nebenbedingung): Eine Zusatzregel wie ‚genau x Aktien auswählen‘. Wird oft über Strafterm (Penalty) oder spezielle Mixer umgesetzt.
Chain (Kette): Mehrere physikalische Qubits, die gemeinsam eine logische Variable repräsentieren. Ketten können „brechen“, dann braucht man Nachbearbeitung.
Dekohärenz: Verlust von Quanteneigenschaften (Superposition/Phase) durch Wechselwirkung mit der Umgebung – „Welleninformation verwischt“.
Driver-Hamiltonian: Beim Annealing der Teil, der Exploration/Superposition erzeugt. Er wird im Zeitplan zugunsten des Problem-Hamiltonians zurückgefahren.
Embedding: Abbildung eines logischen Problems auf die feste Kopplungsstruktur der Annealer-Hardware, oft mit Ketten mehrerer Qubits pro Variable.
Erwartungswert: Statistischer Mittelwert einer Messgröße (z. B. mittlere Energie).
Fault-tolerant (fehlertolerant): Rechner kann lange Berechnungen zuverlässig ausführen, weil Fehler aktiv erkannt und korrigiert werden.
Fehlerkorrektur (Error Correction): Methoden, um logische Qubits gegen Fehler zu schützen; benötigt viele physikalische Qubits pro logischem Qubit.
Gate (Quanten-Gatter): Elementare Operation, die Amplituden und Phasen verändert – Baustein eines Quanten-Schaltkreises.
Hamiltonian (H): Mathematische Beschreibung der Energie eines Systems. In Optimierungen wird H so gebaut, dass niedrige Energie = gute Lösung.
Hamming-Gewicht: Anzahl der Einsen in einem Bitstring. Beispiel: 10110 hat Gewicht 3. Wichtig bei ‚wähle genau x Assets‘.
Hybrid-Algorithmus: Kombination aus Quanten-Teil und klassischem Teil (z. B. Quantenmessung + klassischer Optimierer bei QAOA/VQE).
Interferenz: Überlagerung von Wellenwegen: Manche verstärken sich, andere löschen sich aus. Das ist der Kern von Quantenalgorithmen.
Ising-Modell: Optimierungsform mit Spins (s_i, i ={+1,-1}), eng verwandt mit QUBO. Viele Quanten-Optimierer nutzen diese Darstellung.
Klassische Schleife (Optimierungsschleife): Wiederholtes Anpassen von Parametern durch einen klassischen Optimierer, basierend auf Messdaten (typisch bei QAOA/VQE).
Problem-Hamiltonian/Kosten-Hamiltonian: Der Hamiltonian, der die Zielfunktion kodiert (z. B. mittels Risiko und Rendite). Definiert, was „gut“ ist.
Messung (Measurement): Schritt, der aus dem Quantenzustand klassische 0/1-Ergebnisse macht. Für Wahrscheinlichkeiten braucht man viele Wiederholungen.
Mixer-Hamiltonian (QAOA): Teil des QAOA, der Zustände „durchmischt“, um Exploration zu ermöglichen (z. B. X- oder XY-Mixer).
NISQ (Noisy Intermediate-Scale Quantum): Heutige Gerätegenerationen sind noisy und damit noch nicht zuverlässig genug um tiefe Algorithmen abzubilden
Noise (Rauschen): Sammelbegriff für Fehlerquellen (Dekohärenz, Gate-Fehler, Messfehler), die die Berechnung verfälschen.
Output-Verteilung: Statt eines einzigen Ergebnisses erhält man eine Verteilung (Histogramm) über Bitstrings; gute Lösungen mit niedriger Energie sollten häufiger auftreten.
Parameter / Schaltkreis-Winkel: Einstellbarer Zahlenwert in Rotationsgattern (Drehwinkel). QAOA/VQE suchen die besten Werte.
Penalty (Strafterm): Zusätzliche Energie, die unerwünschte Lösungen teuer macht (z. B. falsche Anzahl gewählter Assets).
Phase: Winkel-Information eines Quantenzustands. Phasen steuern Interferenz und sind zentral für QC-Algorithmen.
Phasenregister: Zusatz-Qubits, in denen QPE eine Zahl (Phase/Energie) in Binärform speichert.
QUBO (Quadratic Unconstrained Binary Optimization): Optimierung mit binären Variablen (x_i in {0,1}) und quadratischen Kopplungen (x_i*x_j).
Schaltkreis (Quantum Circuit): Abfolge von Quanten Gattern, die Qubits verändern; am Ende wird meist gemessen.
Shots: Anzahl der Wiederholungen derselben Schaltung. Mehr Shots = bessere Statistik, aber höhere Kosten/Laufzeit.
Superposition: Ein Qubit kann gleichzeitig in Anteilen von 0 und 1 sein. Grundlage für paralleles Durchlaufen vieler Möglichkeiten.

Übersicht zu den vier QC Methoden

Aspekt	D-Wave (Quantum Annealing)	QAOA	VQE	QPE
Typische Anwendungsbereiche	Kombinatorische Optimierung als QUBO/Ising (z. B. Portfolio-Auswahl, Scheduling, Routing, Zuordnungsprobleme), Sampling aus vielen ‚guten‘ Lösungen (Landschaft/Regime erkunden)	Kombinatorische Optimierung auf Gate-Hardware: ähnlich wie Quantum Annealing	Grundzustand-Suche / Energie-Minimierung für Modelle (Chemie, Materialien, kleine Hubbard-Modelle), auch als Optimierer nutzbar, wenn die Zielfunktion als Hamiltonian messbar ist	Präzise Eigenwert-/Spektralanalyse (Energien, Phasen), wichtig als Diagnose-Tool in der Theorie und bei fehlertoleranter Hardware (Chemie/Physik, langfristig auch QFT/Simulation)
Basis (Hardware)	Annealing (zeitabhängiger Hamiltonian)	Gate-Schaltkreis	Gate-Schaltkreis	Gate-Schaltkreis
Grundidee	Maschine fährt einen Zeitplan: von „Exploration“ (Driver) zu „Problemenergie“ (Ziel)	Wiederholt zwei Schritte: (1) Problemenergie „prägen“, (2) Zustände „mischen“	Baue einen Probe-Zustand mit Parametern und minimiere die gemessene mittlere Energie	Lässt den Zustand unter H ‚laufen‘ und liest die Phase aus → Energie als Binärzahl
Wie das Problem modelliert wird	Direkt als Ising/QUBO-Energie auf der Hardware (plus Einbettung/Embedding)	Als Problem-Hamiltonian + Mixer-Hamiltonian als Schaltkreise	Als Hamiltonian H, dessen Erwartungswert gemessen wird	Als Zeitentwicklung (U=e^{-iHt})
Rolle von Driver/Mixer	Driver erzeugt Exploration, ist aber im Zeitplan mit dem Problem ‚verblendet‘	Mixer sorgt für Exploration (z. B. X- oder XY-Mixer)	Kein Mixer: Exploration kommt über die Ansatz-Familie + klassische Parameter-Suche	Kein Mixer: Fokus ist präzises Auslesen der Energie/Phase
‚Zeit‘ im Algorithmus	Kontinuierlich (adiabatischer/ annealender Verlauf)	Diskret in Schichten (diskrete Annäherung an Annealing)	Keine physikalische Zeit nötig; nur Zustandspräparation + Messung	Explizite Zeitentwicklung ist zentraler Bestandteil
Braucht klassische Optimierung in der Schleife?	Nein: man macht viele Runs/Samples und wählt aus	Ja: klassische Optimierung der Schaltkreis-Parameter	Ja: klassische Optimierung der Ansatz-Parameter	Meist nein; ggf. Wiederholungen für Genauigkeit/ Parameterwahl
Was kommt am Ende raus?	Viele Bitstring-Samples + Energien/Häufigkeiten	Verteilung über Bitstrings (gute Lösungen häufiger)	Erwartungswerte, v. a. mittlere Energie	Energie als Binärzahl im Phasenregister (sehr präzise)
Stärken	Schnell viele Kandidaten; gut zum Erkunden einer komplexen Lösungslandschaft	Gute NISQ-Heuristik für Optimierung; Schaltkreis Annealing	Sehr nützlich für Grundzustände auf NISQ; flexibel über Ansatz	Höchste Präzision für Spektren, wenn Hardware fehlerarm ist
Schwächen	Embedding kann teuer sein; kalibrierungs-sensitiv	Viele Messungen/ Iterationen; Ergebnis ist heuristisch	Messaufwand; Ansatz kann „zu eng“ sein	Große Schaltkreistiefe; extrem rauschsensitiv (heute schwer)
Hardware-Anforderung	Spezial-Annealer	NISQ-Gate-Hardware	NISQ-Gate-Hardware	In der Praxis meist fehlertolerant nötig

Anhang 2
Formeln der vier QC Methoden

Gemeinsame Basis (QUBO/Ising)

$\begin{equation*}E_{\mathrm{QUBO}}(x)=ax + x^{\mathsf T}Qx+c \qquad x \in \{{0,1}\}^N\end{equation*}\begin{equation*}\text{Energie einer 0/1-Lösung }x\end{equation*}\begin{equation*}\text{Ziel ist Minimierung von }E_{\mathrm{QUBO}}\end{equation*}$

$\begin{equation*}s_i=1-2x_i\quad\Longleftrightarrow\quad x_i=\frac{1-s_i}{2},\qquad s_i\in{+1,-1}\end{equation*}\begin{equation*}\text{Umrechnung: Bit }x_i\text{ (0/1) zu Ising-Spin }s_i\text{ (+1/-1)}\end{equation*}$

$\begin{equation*}E_{\mathrm{Ising}}(s)=C+\sum_{i=1}^{N}h_is_i+\sum_{1\le i<j\le N}J_{ij}s_is_j\end{equation*}\begin{equation*}\text{Ising-Energie mit Feldern }h_i\text{ und Paar-Kopplungen }J_{ij}\end{equation*}$

$\begin{equation*}\hat H_{\mathrm{Ising}}=\sum_{i=1}^{N}h_i\hat Z_i+\sum_{1\le i<j\le N}J_{ij}\hat Z_i\hat Z_j\end{equation*}\begin{equation*}\text{Problem-Hamiltonian im Gate-Modell}\end{equation*}\begin{equation*}\text{Diagonalisierung in der Z-Basis}\end{equation*}$

QAOA

$\begin{equation*}\vert\psi(\boldsymbol{\gamma},\boldsymbol{\beta})\rangle=\hat U_{\mathrm{QAOA}}(\boldsymbol{\gamma},\boldsymbol{\beta})\vert\psi_0\rangle\end{equation*}\begin{equation*}\text{QAOA-Zustand aus Startzustand }\vert\psi_0\rangle\end{equation*}\begin{equation*}\text{und parametrischer Entwicklung } \hat U_{\mathrm{QAOA}}\end{equation*}$

$\begin{equation*}\hat U_{\mathrm{QAOA}}(\boldsymbol{\gamma},\boldsymbol{\beta})=\prod_{\ell=1}^{p}\exp\bigl(-i\beta_\ell\hat H_{\mathrm{mixer}}\bigr)\exp\bigl(-i\gamma_\ell\hat H_{\mathrm{problem}}\bigr)\end{equation*}\begin{equation*}\text{p Schichten: Problem-Schritt (}\hat H_{\mathrm{problem}}\text{)}\end{equation*}\begin{equation*}\text{und Misch-Schritt (}\hat H_{\mathrm{mixer}}\text{)}\end{equation*}$

$\begin{equation*}\hat H_{\mathrm{mixer}}^{(X)}=\sum_{i=1}^{N}\hat X_i\end{equation*}\begin{equation*}\text{Standard-Mixer: erzeugt Exploration durch Bit-Flips}\end{equation*}\begin{equation*}\text{in Superposition (X-Anteil)}\end{equation*}$

$\begin{equation*}\hat H_{\mathrm{mixer}}^{(XY)}=\sum_{(i,j)\in\mathcal{E}}\frac{1}{2}\bigl(\hat X_i\hat X_j+\hat Y_i\hat Y_j\bigr)\end{equation*}\begin{equation*}\text{XY-Mixer: mischt Zustände, kann aber z.B.}\end{equation*}\begin{equation*}\text{das Hamming-Gewicht in Sektoren erhalten}\end{equation*}$

$\begin{equation*}E_{\mathrm{QAOA}}(\boldsymbol{\gamma}\boldsymbol{\beta})=\langle\psi(\boldsymbol{\gamma}\boldsymbol{\beta})\vert\hat H_{\mathrm{cost}}\vert\psi(\boldsymbol{\gamma}\boldsymbol{\beta})\rangle+C\end{equation*}\begin{equation*}\text{Ziel: mittlere Energie des Zustands minimieren}\end{equation*}\begin{equation*}\text{C ist eine Konstante aus dem Mapping}\end{equation*}$

$\begin{equation*}(\boldsymbol{\gamma}^{\ast}\boldsymbol{\beta}^{\ast})=\arg\min_{\boldsymbol{\gamma}\boldsymbol{\beta}}E_{\mathrm{QAOA}}(\boldsymbol{\gamma}\boldsymbol{\beta})\end{equation*}\begin{equation*}\text{Klassische Optimierung der Parameter}\end{equation*}\begin{equation*}\boldsymbol{\gamma\boldsymbol{\beta}}\text{ oft Rotationswinkel in Gates}\end{equation*}$

VQE

$\begin{equation*}\vert\psi(\boldsymbol{\theta})\rangle=\hat U(\boldsymbol{\theta})\vert 0\cdots 0\rangle\end{equation*}\begin{equation*}\text{Ansatz-Schaltkreis }\hat U(\boldsymbol{\theta})\end{equation*}\begin{equation*}\text{als parametrische Familie von Probe-Zuständen}\end{equation*}$

$\begin{equation*}E_{\mathrm{VQE}}(\boldsymbol{\theta})=\langle\psi(\boldsymbol{\theta})\vert\hat H\vert\psi(\boldsymbol{\theta})\rangle\end{equation*}\begin{equation*}\text{VQE minimiert die gemessene mittlere Energie von }\hat H.\end{equation*}$

$\begin{equation*}\boldsymbol{\theta}^{\ast}=\arg\min_{\boldsymbol{\theta}}E_{\mathrm{VQE}}(\boldsymbol{\theta})\end{equation*}\begin{equation*}\text{Klassische Schleife: Parameter }\boldsymbol{\theta}\end{equation*}\begin{equation*}\text{ werden so angepasst, dass }E_{\mathrm{VQE}}\text{ klein wird}\end{equation*}$

$\begin{equation*}\hat H=\sum_{k}c_k\hat P_k,\qquad \hat P_k\in{I,X,Y,Z}^{\otimes N}\end{equation*}\begin{equation*}\text{Zerlegung in messbare Operator-Produkte (Pauli-Produkte): jedes }\end{equation*}\begin{equation*}\hat P_k\text{ ist ein Produkt aus }I,X,Y,Z.\end{equation*}$

$\begin{equation*}E_{\mathrm{VQE}}(\boldsymbol{\theta})=\sum_{k}c_k\langle\psi(\boldsymbol{\theta})\vert\hat P_k\vert\psi(\boldsymbol{\theta})\rangle\end{equation*}\begin{equation*}\text{Erwartungswert von }\hat H\end{equation*}\begin{equation*}\text{ als Summe einzelner Mess-Erwartungswerte zu den Termen }\hat P_k.\end{equation*}$

QPE

$\begin{equation*}\hat U(t)=e^{-i\hat H t}\end{equation*}\begin{equation*}\text{Zeitentwicklung unter }\hat H\end{equation*}\begin{equation*}\text{QPE benötigt kontrollierte Anwendungen von }\hat U(t)\end{equation*}$

$\begin{equation*}\hat U(t)\vert E_n\rangle=e^{-iE_n t}\vert E_n\rangle\end{equation*}\begin{equation*}\text{Eigenzustand }\vert E_n\rangle\end{equation*}\begin{equation*}\text{die Energie }\vert E_n\rangle \text{ erscheint als Phase }e^{-iE_n t}\end{equation*}$

$\begin{equation*}e^{-iE_n t}=e^{2\pi i\varphi_n}\quad\Longrightarrow\quad \varphi_n\equiv-\frac{E_n t}{2\pi},(\mathrm{mod 1})\end{equation*}\begin{equation*}\text{QPE schätzt die Phase }\varphi_n\text{ (als Binärzahl im Phasenregister)}\end{equation*}$

$\begin{equation*}E_n\approx-\frac{2\pi}{t}\varphi_n\end{equation*}\begin{equation*}\text{Rekonstruktion der Energie aus der gemessenen Phase}\end{equation*}\begin{equation*}\text{bei geeignet gewähltem }t\end{equation*}$

Quanten-Annealing (D-Wave / adiabatisch)

$\begin{equation*}\hat H(t)=A(t)\hat H_{\mathrm{driver}}+B(t)\hat H_{\mathrm{problem}}\end{equation*}\begin{equation*}\text{Anneal-Fahrplan: Driver-Anteil (Exploration) wird reduziert}\end{equation*}\begin{equation*}\text{Problem-Anteil wird erhöht}\end{equation*}$

$\begin{equation*}\hat H_{\mathrm{driver}}=-\sum_{i=1}^{N}\hat X_i\end{equation*}\begin{equation*}\text{Typischer Driver: erzeugt Superposition/Exploration}\end{equation*}\begin{equation*}\text{funktional analog zur Mixer-Idee}\end{equation*}$

$\begin{equation*}\hat H_{\mathrm{problem}}=\sum_{i=1}^{N}h_i\hat Z_i+\sum_{1\le i<j\le N}J_{ij}\hat Z_i\hat Z_j\end{equation*}\begin{equation*}\text{Problem-Hamiltonian kodiert die Ising-Energie als Ziel}\end{equation*}$

$\begin{equation*}\hat U(T)=\mathcal{T}\exp\left(-i\int_{0}^{T}\hat H(t),dt\right)\end{equation*}\begin{equation*}\text{Ideale geschlossene Dynamik; }\end{equation*}\begin{equation*}\mathcal{T}\text{ bezeichnet Zeitordnung (Reihenfolge der Zeiten).}\end{equation*}$

QAOA als Annäherung an eine Annealing-Dynamik

$\begin{equation*}\mathcal{T}\exp\left(-i\int_{0}^{T}\hat H(t)dt\right)\approx\prod_{\ell=1}^{p}\exp\bigl(-i\beta_\ell\hat H_{\mathrm{driver}}\bigr)\exp\bigl(-i\gamma_\ell\hat H_{\mathrm{problem}}\bigr)\end{equation*}\begin{equation*}\text{kontinuierliche Annealing-Dynamik durch p Schritte angenähert}\end{equation*}$

Zur unterschiedlichen Verwendung des Begriffes Annealing:
QAOA kann man als ‚Schaltkreis-Annealing‘ verstehen: Statt eines kontinuierlichen Zeitplans gibt es diskrete Schichten. Jede Schicht besteht aus einem Schritt mit dem Problem-Hamiltonian (bewertet gute/schlechte Lösungen) und einem Schritt mit einem Mixer-Hamiltonian. Dieser erzeugt eine Exploration in der Energie-Landschaft, ähnlich wie der Driver-Hamiltonian. QAOA Annealing bedeutet das klassische Optimieren von einstellbaren Parametern in Schaltkreisen (Schaltkreis-Winkel).
In beiden Fällen, QAOA und Quantum Annealing, wird das klassische Optimierungsproblem in einen Ising Hamiltonian umgesetzt. Im Falle von QAOA wird dieser als QC-Schaltkreis implementiert, im Falle von Quantum Annealing als Qubit-Netzwerk.

Quantum Spiral Dynamics VI: ‚Es gibt nur eine Welt!‘ – Von ideologischen Gehirnen oder der Macht der sozialen Systeme – Eine Demokratie Analyse auf Basis der V-Dem Daten von Deutschland, USA, Ungarn und Ukraine

Kurzfassung: Im sechsten Teil der QSD Blog-Reihe wird der QSD-Demokratieindex für die Länder Deutschland, USA, Ungarn und Ukraine erstellt. Der QSD-Demokratieindex spiegelt für alle vier Länder besondere Ereignisse wie die Flüchtlingskrise, die Pandemie, die Energiekrise oder den Sturm auf das Kapitol oder die russische Invasion in die Ukraine wider. Auch Regierungsabschnitte wie die Merkel-Regierungszeit, die erste Trump-Ära oder die Orbán-Regierungszeiten werden zutreffend angezeigt. Die Ergebnisse stützen die Hypothese, dass der QSD-Demokratieindex Veränderungen im Kultur-Dynamikfeld früh sichtbar macht und sich damit als Frühindikator für Demokratie-Veränderungen empfiehlt.

AI Assistenz: Für die Erstellung dieses Blog-Beitrages habe ich ausschließlich ChatGPT 5.0-5.2 benutzt. Die Übergangszeit von der Version 5.0 zur Version 5.2 war wieder von vielen ChatGPT-Handicaps begleitet (u.a. Programmierfehler, eigenmächtige Modellierung, Vergessen des erarbeitenden Kontextes). Die letzten Aktivitäten wurden wieder mit einer weitgehend hohen Qualität und Quantität durchgeführt.

Ziel dieses sechsten Teils der Quantum Spiral Dynamics Blog-Reihe ist es, aus den von Experten ermittelten V-Dem Demokratie-Rohdaten [1] der Länder Deutschland, USA, Ungarn und Ukraine für die Jahre 1990 bis 2024 den Demokratieindex dieser Länder zu berechnen und in Relation zu politischen Entwicklungen zu setzen.

Die politische Neurowissenschaftlerin Leor Zmigrod beschreibt in ihrem Buch ‚The Ideological Brain‘ wie „This new science of ideology seeks to chart how ideological convictions emerge from biology.“ [2].

Die Ergebnisse der politischen Neurowissenschaften lassen sich recht gut mit folgenden Aussagen aus ihrem Buch erfassen:

„Cognitive rigidity translates into ideological rigidity. ……The more cognitively rigid people were, the more ideologically rigid they were.“

„Totalizing ideologies shape the brain as a whole, not simply the brain when it is confronted with political propositions or debates. Science is beginning to reveal that the profound reverberations of ideologies can be observed in the brain even when we are not engaging with politics at all.“

„A brain engaged in a habit looks different from a brain acting in pursuit of a goal. When a habit inhabits the brain, the neural circuitry governing our behaviour shifts away from the deliberative organs behind our foreheads in the prefrontal cortex and towards deeper and older structures in the brain, in the striatum that sits in the middle of the skull, at the centre of us. The pattern of neurons firing in response to a practised habit is different from the pattern of neuronal activity when we are making a deliberate goal-oriented action.“

„Studying hundreds of British participants surveyed after the referendum, I found that individuals’ cognitive rigidity predicted their nationalistic beliefs in the context of Brexit, such that more cognitively rigid individuals were more likely to vote to leave the EU. Cognitively rigid participants were more likely to agree with statements such as ‘a citizen of the world is a citizen of nowhere’.“

„The link between personality and politics depends on circumstance. A personality marked by a need for structure and routine tends to lead people towards right-wing traditions in the United States and Europe. Yet the same trait can render left-wing collectivist ideologies more alluring in places where authoritarian left-wing regimes once flourished, such as in former Soviet republics or Latin American countries.“

„I discovered that the most rigid individuals possess specific genes that affect how dopamine is distributed throughout the brain. In the largest study to date, looking at thousands of British participants, I found that the individuals who are most cognitively rigid have a genetic predisposition that concentrates less dopamine in their prefrontal cortex, the decision-making centre of the brain, and more dopamine in their striatum, the midbrain structure that controls our rapid instincts. This is significant. If our psychological rigidities are grounded in biological vulnerabilities such as how our brains produce dopamine, it becomes possible to trace the pathways between our biology and our ideologies.“

„I was curious to explore how individuals’ religious affiliation, religious upbringing, and levels of practice, prayer, and engagement were related to their cognitive flexibility. In a study of over 700 people, I found that cognitive flexibility was linked to religious disbelief. The effects were large and consistent across different tests of both reactive and generative flexibility – that is, in tasks that entailed adapting to changing situations and in tasks that called for spontaneous invention. As with other ideologies, strong religious conviction was related to greater cognitive rigidity.“

Diese Zitate fasse ich in zwei Haupt-Aussagen zusammen:

Die ideologische Ausrichtung unserer individuellen Gedankenwelt liegt in einer Disposition unseres Gehirns – bei dem einen mehr, bei dem anderen weniger.
Das Umfeld, also das soziale System, hemmt oder regt diese Disposition an.

Leor Zmigrod betont in ihrem Buch, dass wir keineswegs zur Ideologie verdammt sind, sie sagt aber auch, dass ein Mensch, der eine ideologische Disposition zeigt und längere Zeit in einem dogmatischen, autokratischen, faschistischem oder fanatischem Umfeld sozialisiert wurde, hat kaum noch die Chance aus dieser mentalen Abwärtsspirale auszusteigen.

Die Aufgabe demokratischer Systeme ist es deshalb, ein Umfeld zur Verfügung zu stellen, das ideologische Dispositionen hemmt. Denn ideologische, soziale Systeme führen ganz unweigerlich aufgrund unserer individuellen ideologischen Disposition zu Gewalt, Unfreiheit, Unterdrückung und Ungleichheit. Ich verweise auch auf [3, 4, 5, 6].

Die frühzeitige Kenntnis zu Entwicklungen unserer Demokratien ist deshalb von existentieller Bedeutung. – Mit den nachfolgenden Analysen zu Deutschland, USA, Ungarn und Ukraine zeige ich, dass Quantum Spiral Dynamics als ‚Frühwarnsystem für den demokratischen Verfall‘ geeignet ist.

Zur Einordnung des aktuellen QSD-Modells ein kurzer Rückblick auf die beiden bisherigen Demokratie-Autokratie Modelle:

Im Blog ‚Von der gesellschaftlichen Kernschmelze – Eine Demokratie-Autokratie Analyse der Länder USA, Deutschland, Ungarn und Ukraine oder vom ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘ vom Juni 2025 habe ich ein klassisches, recht umfangreiches Differentialgleichungssystem (ODE) auf der Basis der V-Dem Daten für die Untersuchung des Übergangs Demokratie-Autokratie vorgestellt. Mittelwerte der V-Dem Daten wurden verwendet, um die Parameter des ODE Systems zu kalibrieren. Damit war es möglich, Demokratie-Autokratie Phasenübergänge abzubilden. Berechnungen für den vorliegenden Blog-Beitrag zeigen, dass der mit dem ODE-System ermittelte Demokratieindex im wesentlichen den V-Dem Daten v2x_libdem folgt. Im Kontext der V-Dem Daten werden die v2x_libdem Daten (Liberal Democracy Index) als ‚einfacher‘ Demokratieindex verwendet. Es lassen sich also mit dem ODE-System bezüglich des Demokratieindex keine über den v2x_libdem Index hinaus erhaltene Erkenntnisse gewinnen. Für alle in diesem Blog verwendeten V-Dem Daten verweise ich auf den Anhang.
Im Blog ‚Quantum Spiral Dynamics V: ‚Es gibt nur eine Welt!‘ – Transformation, das was (nicht) funktioniert, individuell und strukturell: Eine Ost-West-Deutschland Analyse’ vom November 2025 habe ich mittels des Deutschlandmodell 2000-2025 den QSD-Demokratieindex für Ost- und West-Deutschland ermittelt. Die Parameterfunktionen des SU(3) Kulturpotentials wurden aus verschiedenen Quellen zu Werteentwicklungen in Deutschland zusammengestellt. In diesem Fall gibt es also keine einheitliche stringente Datenbasis. Ein Vergleich mit den nachfolgenden neuen Berechnungen zeigt, dass der Deutschlandindex des Deutschlandmodell 2000-2025 etwas niedriger ist als die neuen Berechnungen und diesen in etwa folgt. Im Rahmen des Deutschlandmodell 2000-2025 habe ich einen Demokratieindex entwickelt, den ich auch für die neuen Berechnungen verwende.

Nun zum neuen QSD-Modell und den erhaltenen Demokratieindizes: Das neue QSD-Modell unterscheidet sich von dem bisherigen lediglich durch die Konstruktion der Potential-Parameterfunktionen. Ein Set von V-Dem Daten (man siehe den Anhang) wurde verwendet, um die Parameterfunktionen zu erstellen: Hierbei wurden die V-Dem Daten für die nachfolgenden Berechnungen lediglich geeignet angepasst, d.h. im wesentlichen geglättet. Anschließend wurden die so angepassten V-Dem Daten den 8 Generatoren der SU(3) zugeordnet. Für die Erstellung der A0 Parameterfunktionen wurden teilweise direkt V-Dem Daten verwendet und teilweise wurden die Änderungen der A1 V-Dem Daten in Schwingungsdaten umgesetzt (man siehe den Anhang).

Die Formeln des QSD-Demokratieindex sind die im vorherigen Blog-Artikel verwendeten!

Abbildung 1 zeigt die Ergebnisse für Deutschland und USA, Abbildung 2 zeigt die Ergebnisse für Ungarn und Ukraine:

Abbildung 1: Diese Abbildung zeigt den Demokratieindex für Deutschland und USA im Zeitraum 1990-2024. Zusätzlich zum QSD-Demokratieindex wird als Referenz-Demokratieindex v2x_libdem verwendet. Auffallend ist, dass der v2x_libdem Index in beiden Fällen deutlich oberhalb des QSD-Index verläuft und deutlich weniger Kontur zeigt. In den Plots sind zur Orientierung die jeweiligen Regierungszeiten und besondere (landesspezifische) Ereignisse eingetragen. Der QSD-Index zeigt in beiden Fällen einen Abfall; für Deutschland sogar einen deutlichen Abfall. Berücksichtigt man für Deutschland zum Beispiel die Bedeutung der Flüchtlingskrise oder der Pandemie, so ist der geringe Einbruch im Falle der v2x_libdem Daten für Deutschland sehr unverständlich. Ein ähnliche Aussage lässt sich für die erste Trump-Amtszeit und den Sturm auf das Kapitol feststellen, obwohl der v2x_libdem Index hier um 0.1 fällt. Mir drängt sich die Vermutung auf, dass die v2x_libdem Daten einen nicht geringen positiven Bias für westliche Demokratien enthalten. – Auch wenn ich berücksichtige, dass die v2x_libdem Daten nur einen Datensatz darstellen und in die Berechnung der QSD-Kulturpotentiale 16 V-Dem Datensätze eingehen. Die V-Dem Daten sind außerdem lediglich Zustandsbeschreibungen an Hand von bestimmten Kriterien. Sie bilden also keine Dynamik ab. Ganz anders der QSD-Index: Der QSD-Index ist proportional zu Kohärenz, Kohäsion und Vielfalt und fällt mit der kulturellen Spannung. Er wird als dynamische Größe aus der Pfad-Bewegung der drei Werte-Populationen Blau, Orange und Grün in dem QSD-Kulturpotential ermittelt.

Abbildung 2: Diese Abbildung zeigt den Demokratieindex für Ungarn und Ukraine im Zeitraum 1990-2024. Zusätzlich zum QSD-Demokratieindex wird v2x_libdem als Referenz-Demokratieindex verwendet. Auffallend ist hier, dass Ungarn einen fast phasenübergangs-ähnlichen Abfall im v2x_libdem- und QSD-Index zeigt. Dies entspricht den Ergebnissen der vorherigen, klassischen ODE Berechnungen. Auffallend ist auch, dass der v2x-libdem Index für die Ukraine, im Gegensatz zu den anderen drei Fällen, unterhalb des QSD-Index liegt. – Für die Ukraine zeigen die beiden Demokratieindizes – im Mittel, und etwas versetzt – einen sehr ähnlichen Verlauf. Dies bestärkt mich in meiner Vermutung zum Bias in den v2x_libdem Daten bezüglich westlicher Demokratien. Auffallend ist auch, dass der QSD-Index schon während der ersten Orbán-Amtszeit einen großen Einbruch zeigt; der v2x_libdem jedoch keinerlei Veränderung aufweist. Der Verfall der ungarischen Demokratie setzt nach dem QSD-Modell schon deutlich vor der zweiten Orbán-Amtszeit ein. Der ungarische QSD-Index steigt kurzzeitig mit der russischen Intervention in die Ukraine wieder deutlich an.

Auf der Basis der sechs QSD-Blog-Beiträge stelle ich zusammenfassend fest:

QSD Kulturpotentiale beschreiben soziale Systeme erstaunlich gut. Ich gehe sogar so weit zu behaupten, dass die hier modellierten Kultur-Aspekte einer SU(3) Lie-Algebra folgen. Die Parameterfunktionen zur SU(3) Lie-Algebra werden mit den 16 empirischen V-Dem Datensätzen befüllt und ergeben ein valides SU(3) Kulturpotential.

Individuelles Verhalten lässt sich im SU(3) Kulturpotential sehr gut durch die Agenten-(Populationen) Blau, Orange und Grün beschreiben. Diese Beschreibung basiert auf der Modellierungen von Werte-Persönlichkeiten im Hilbert-Raum. Die Agenten (-Wellenfunktionen) bewegen sich im SU(3) Kulturpotential bzw. werden durch das SU(3) Kulturpotential realitätsnah transformiert.

Die Mathematik der Quantenmechanik bildet damit auf sozialer wie individueller Ebene realitätsnahe Ergebnisse aus!

Dies heißt jedoch nicht, dass soziale und psychischen Systeme physikalische Quantensysteme sind.

Jedoch stellt sich die Frage nach dem Wesen sozialer und psychischer Systeme: Gib es grundlegende Formen des Seins, die durch eine einheitliche Mathematik beschrieben werden und in physikalischen, biologischen, psychischen und sozialen Systemen vorliegen?!

Anhang: V-Dem Daten-Kürzel und SU(3) Potentialkomponenten

V-Dem Kürzel und sprechende Bezeichnungen

v2x_libdem – Liberal Democracy Index (individuelle Rechte und Schutz von Minderheiten)
v2x_rule – Rule of Law Index (Rechtsstaatlichkeit)
v2x_freexp – Freedom of Expression and Alternative Sources of Information Index (Meinungsfreiheit)
v2x_egaldem – Egalitarian Democracy Index (Egalitäre Demokratie)
v2x_cspart – Civil Society Participation Index (Zivilgesellschaftliche Teilhabe)
v2x_frassoc – Freedom of Association Index (Vereinigungsfreiheit)
v2xme_altinf – Alternative Sources of Information (Alternative Informationsquellen / Medienpluralität)
v2xcl_rol – Equality Before the Law and Individual Liberty (Gleichheit vor dem Gesetz)
v2x_polyarchy – Electoral (Polyarchy) Democracy Index (Wahl-/Polyarchiedemokratie)
v2x_delibdem – Deliberative Democracy Index (Deliberative Demokratie)
v2x_corr – Political Corruption Index (Korruption; höher = mehr Korruption)
v2pe_exlpol – Political Exclusion (Politische Exklusion; höher = mehr Exklusion)
v2cacamps – Party/Campaign Polarization (Kampagnen-/Parteien-Polarisierung)

A1 Potentialkomponenten (Struktur-/Wertefunktionen)

Gen	V-Dem-Daten	Erklärung	Mem-Passung
λ₁ Vertrauen/ Zukunft	v2x_rule (Rule of Law)	Rechtsstaat schafft Erwartungssicherheit, Vertragstreue, Zukunftsvertrauen.	Off-diagonal-Paar λ₁, λ₂ (Blau↔Orange): Höheres A1¹ erhöht tragfähige Transfers zwischen Blau/Orange (Planbarkeit). Meme: Blau↑ (Ordnung), Orange↑ (vertragsbasierte Märkte), Grün mittel.
λ₂ Bildung/ Stimulation	v2x_freexp (Meinungsfreiheit)	Offener Diskurs ermöglicht Lernen, Kritik, Wissenschaft.	Off-diagonal Paar λ_{2 ,}λ₁_, (Blau↔Orange): A1² begünstigt wissens-/leistungs-getriebene Blau↔Orange-Transfers. Meme: Orange↑ (Wissenschaft/Innovation), Grün↑ (Pluralität), Blau ambivalent.
λ₃ Ordnung/Markt	v2x_egaldem (Egalität)	Faire Chancen stabilisieren Ordnung, reduzieren Profit ohne Arbeit.	Diagonal (Detuning): A1³ stellt Blau vs. Orange energetisch ein (Grün neutral), bestimmt, ob Blau↔Orange-Transfers resonant sind. Meme: Blau mittel, Orange hoch, Grün sehr hoch (Fairness).
λ₄ Gemeinschaft	v2x_cspart (Zivilgesellschaft)	Vereine/NGOs bauen Normen & Bindungen auf.	Off-diagonal-Paar λ₄, λ₅ (Blau↔Grün): A1⁴ fördert soziale Kopplung Blau↔Grün (Gemeinschaftsaufbau). Meme: Grün sehr hoch, Blau/Orange mittel.
λ₅ Sozialimpuls	v2x_frassoc (Vereinigungsfreiheit) falls v2x_frassoc nicht im Datensatz, dann: v2x_cspart	Organisationsfreiheit ist Hebel kollektiver Handlungsfähigkeit.	Off-diagonal-Paar λ₅, λ₄ (Blau↔Grün): A1⁵ erhöht Impulskraft gemeinschaftlicher Transfers. Meme: Grün sehr hoch; Orange hoch (Verbände/Unternehmertum); Blau mittel/ambivalent.
λ₆ Kooperation	1 − v2x_corr (wenig Korruption)	Niedrige Korruption senkt Transaktionskosten & Misstrauen.	Off-diagonal-Paar λ₆, λ₇ (Orange↔Grün): A1⁶ erleichtert tragfähige Kooperation und Transfers O↔G. Meme: Blau sehr hoch (Integrität), Orange sehr hoch (Effizienz), Grün hoch (Fairness/Trust).
λ₇ Innovation	v2xme_altinf (Alternativ-Infos)	Informationspluralität fördert Wissenszirkulation/ Kreativität.	Off-diagonal-Paar λ₇, λ₆ (Orange↔Grün): A1⁷ treibt Innovations-getriebene O↔G-Transfers. Meme: Orange sehr hoch, Grün hoch, Blau gering/ambivalent.
λ₈ Institutioneller Bias	1 − v2xcl_rol (mangelnde Gleichheit vor dem Gesetz)	Weniger Gleichheit ⇒ höherer Bias (Messrichtung).	Diagonal (Bias): A1⁸ setzt strukturelle Asymmetrien (Bias) → verschiebt Resonanz zwischen (Blau+Orange) vs. Grün. Meme: Orange/Grün sehr negativ bei hohem Bias; Blau ambivalent je „Ordnungsidee“.

A0 Potentialkomponenten (Zeitmodi/Modulatoren)

Gen	V-Dem Daten	Erklärung	Mem-Passung
λ₁ Vertrauen/Zukunft	1 – v2cacamps (Polarisierung)	Polarisierung unterminiert Vertrauensbildung; Level-Schwingung dämpft/entfesselt A1¹.	Off-diagonal Paar λ₁, λ₂ (Blau↔Orange): Höheres Polarisierungs-Level (invertiert ⇒ A0¹↑ bei Entspannung) moduliert Transfers B↔O; bei starker Polarisierung fallen sie auseinander (R↓, KH↓).
λ₂ Bildung/Stimulation	v2x_freexp (Meinungs-freiheit)	Änderungen (Δ) wirken wie Diskurs-„Atem“; modulieren Lern-/Stimulationstakte.	Δ bedeutet Jahresänderung. Off-diag λ₂_, λ₁: Δ-Impulse triggern zeitweise Blau↔Orange-Transfers (Wissensschübe).
λ₃ Ordnung/Markt	1-v2x_corr (Korruption)	Korruptionswellen stören Ordnung/Markt (A1³).	Diagonal (Resonanz-Verschiebung): Level-Korruption (invertiert) schwankt → verstimmt Blau↔Orange-Resonanz; Peaks dämpfen Migrationspfade in leistungsstarke Zustände (Orange).
λ₄ Gemeinschaft	v2x_cspart (Zivilgesellschaft)	Mobilisierung/Remobilisierung erzeugt soziale Resonanzen.	Off-diag λ₄/λ₅ (Blau↔Grün): Δ-Mobilisierung erzeugt zeitliche Kopplungs-Bursts B↔G (Community-Wellen).
λ₅ Sozialimpuls	1-v2pe_exlpol (Exklusion)	Exklusions-Level dämpft soziale Energie/Impuls.	Off-diag Paar λ₅, λ₆: hohes Exklusions-Level (invertiert) unterdrückt B↔G-Transfers; Entspannung (A0⁵↑) erlaubt Remobilisierung.
λ₆ Kooperation	v2x_rule (Rechtsstaat)	Änderungen in Rechtsdurchsetzung setzen Kooperations-Schübe/-Einbrüche.	Off-diag Paar λ₆, λ₇ (O↔G): Δ-Impulse schalten zeitweise effiziente Kooperation frei (Transfers O↔G resonant).
λ₇ Innovation	v2xme_altinf (Alternative-Infos)	Info-Sprünge initiieren Wissens-/Kreativitätszyklen.	Off-diag Paar λ₇,λ₆: Δ-Impulse erzeugt Innovations-Bursts → verstärkte O↔G-Transfers (Orange reagiert stark, Grün positiv).
λ₈ Institutioneller Bias	v2pe_exlpol (Exklusion)	Langsamer Bias-Takt via Exklusions-Niveau.	Diagonal (Bias): Level-Bias moduliert dauerhaft die Resonanz-Verschiebung zwischen (Blau+Orange) vs. Grün; hohe Exklusion verschiebt Energiebarrieren gegen grün-inklusives Pfadverhalten.

[1] Zmigrod L (2025) The Ideological Brain: A Radical Science of Susceptible Minds (English Edition), Penguin, Kindle Ausgabe

[2] V-Dem (2025) Varities of Democracy, https://www.v-dem.net/

[3] ZDF (2025) Mitte-Studie 2025, https://www.zdfheute.de/politik/deutschland/mitte-studie-demokratie-rechtsextremismus-100.html

[4] Friedrich Ebert Stiftung (2025) Mitte-Studie 2025, https://www.fes.de/mitte-studie

[5] WDR (2025) Radikale Christen in Deutschland: Kreuzzug von rechts, https://www.ardmediathek.de/film/radikale-christen-in-deutschland-oder-doku/Y3JpZDovL3dkci5kZS9laW56ZWxzdHVlY2tlZnVlcmRva3VzL3BvY19pbXBvcnRfNDAwMzQwNTgxMA

[6] RBB (2025) Wie zerrissen ist Deutschland? – Der Streit um Werte, Meinung und Macht, www.ardmediathek.de/film/wie-zerrissen-ist-deutschland/Y3JpZDovL3JiYi1vbmxpbmUuZGUvd2llLXplcnJpc3Nlbi1pc3QtZGV1dHNjaGxhbmQ

Welche Informationen stecken in der Meso-Ebene, dem Decison Tree?

Wie wird daraus ein Coaching-Instrument?

Welche Informationen stecken in der Makro-Ebene und seinen drei Regimen V0, V1, V2

Die Ad-Hoc Nutzung (Das Live-Frühwarnsystem)

Phase A: Das Basis-Modell (Die Offline-Vorbereitung)

Phase B: Das Live-Dashboard (Der Ad-Hoc Einsatz im Meeting)

Zu den berechneten Ergebnissen

Zusammenfassung:

Anhang 1

Formeln und Erläuterungen

I. Die epsilon-Maschine, der Decision Tree Regressor Algorithmus

Schritt 1: Die Datenpräparation (Das Sliding Window)

Schritt 2: Der erste Split (Die Wurzel des Baumes)

Schritt 3: Die Rekursion (Das Wachsen der Äste)

Schritt 4: Der Stopp (Das Entstehen der Epsilon-Zustände)

II. Die upsilon-Maschine: Der K-Means Algorithmus

Schritt 1: Der Input (Die 1D-Vorhersagematrix)

Schritt 2: Die K-Means Initialisierung (Der Maximalkontrast)

Schritt 3: Das Zuweisungs-Update (Lloyds Algorithmus)

Schritt 4: Das Zentroid-Update

Schritt 5: Die Konvergenz (Das Einrasten des Systems)

III. Die Messung der Emergenz C: Der KSG-Entropieschätzer

Schritt 1: Raumaufspannung und das Verhindern von Singularitäten

Schritt 3: Marginale Zählung (Die Zerlegung der Wahrscheinlichkeit)

Schritt 4: Die Digamma-Integration

Schritt 5: Das Kausale Delta (Der finale Beweis)

Anhang 2

Mikro-, Meso- und Makro-Ebene für das TV-Beispiel

Literatur

Ebene PURPUR

1. Das psychologische Bedürfnis von PURPUR

2. Die historische Manifestation: Die NSDAP (1932)

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Systemische Erkenntnis

Ebene ROT

1. Das psychologische Bedürfnis von ROT

2. Die historische Manifestation: Die NSDAP (1932/1933)

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Systemische Erkenntnis

Ebene BLAU

1. Das psychologische Bedürfnis von BLAU

2. Die historische Manifestation: Die NSDAP (Ab 1933)

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Systemische Erkenntnis

Das Dilemma der Abwehrkräfte

Ebene GRÜN

1. Das psychologische Bedürfnis von GRÜN

2. Die historische Manifestation: Die NSDAP (Ab 1933)

3. Die moderne Manifestation: Die AfD Sachsen-Anhalt (2026)

Das große systemische Fazit: Warum der Zuspruch so massiv ist

Steigende Individualisierung zerstört Purpur

Steigende Ich‑Bezogenheit irritiert Rot

Steigende Unsicherheit zerstört Blau

Unsicherheit + Ich-Bezogenheit + Individualisierung = Purpur/Rot/Blau‑Regression

Grün (woke) verschärft das Problem

Was bedeutet das für die Zukunft?

Was wäre die integrale Antwort?

Verortung der deutschen Parteienlandschaft nach Spiral Dynamics

3 entscheidende systemische Erkenntnisse aus dieser Tabelle

1. Das Repräsentations-Vakuum

2. Das Phänomen BSW

3. Wo ist die Zweite Ordnung (Second-Tier / GELB)?

1. Die Institutionalisierung von Bürgerräten (Geloste Demokratie)

2. Abkehr von der „Lager-Kommunikation“ (Integrales Framing)

3. „Quadranten-Politik“ in der Gesetzgebung

4. Die Etablierung integraler Think-Tanks als „Schnittstellen-Infiltratoren“

Das Fazit für das Forecasting

Das Partei-Programm der NSDAP

I. Außenpolitik und Lebensraum (Punkte 1–3)

II. Rassismus und Staatsbürgerschaft (Punkte 4–8)

III. Wirtschaft und Soziales (Punkte 9–18)

IV. Kultur, Erziehung und Staat (Punkte 19–25)

Das Partei-Programm der AfD Sachsen-Anhalt

I. Identität, Migration und „Remigration“

II. Staat, Justiz und innere Sicherheit

III. Kultur, Bildung und Medien

IV. Familie und Gesellschaft

Strukturelle Parallelen in den Partei-Programmen von NSDAP und AfD

1. Die „Logik der Ausgrenzung“: Vom Bürger zum Fremden

2. Die „Gleichschaltung“ der Wahrheit: Medien und Justiz

I. Die $\epsilon$ -Maschine, der Decision Tree Regressor Algorithmus

II. Die $\upsilon$ -Maschine: Der K-Means Algorithmus

III. Die Messung der Emergenz $\mathcal{C}$ Der KSG-Entropieschätzer