Du fragst ChatGPT, welche Firmen in deiner Branche einen Blick wert sind. Dein Laden: nicht dabei.
Dann tippst du den Namen direkt ein – „erzähl mir was über diese Firma” – und raus kommt ein sauberer Absatz. Geschäftsmodell, Stärken, alles korrekt.
Kennen tut es dich also. Es holt dich halt nicht raus, wenn es selber auswählen soll.
Ging mir am Anfang genauso, und ich hab ziemlich lange dumm geguckt. Ist ja auch wie ein Bekannter auf einer Party, der dich kein einziges Mal jemandem vorstellt.
Aber es gibt eine ganz vernünftige Erklärung dafür, und die steckt im Inneren des Modells. Anthropic hat im Juli 2026 was dazu veröffentlicht.
Die kleine gemeinsame Werkbank im Modell
Gefunden haben sie einen kleinen, gemeinsam genutzten Bereich in Claude, den sie nennen (zur Studie).
Die Idee dahinter kommt aus der Hirnforschung und heißt Global-Workspace-Theorie. Heißt im Kern: Im Kopf laufen massenhaft Prozesse parallel, aber nur ein winziger Teil davon schafft es überhaupt ins Bewusstsein.
Genau dieser Teil landet auf einer gemeinsamen Werkbank, und von dort wird er an alle anderen Bereiche weitergereicht. In Claude gibt es offenbar etwas, das sehr ähnlich funktioniert.
Und jetzt der Punkt, der für uns zählt: Der J-space ist nicht das, was die KI als „Gedankengang” auf den Bildschirm schreibt. Er ist das stille Denken, das das Modell intern behält.
Wie liest man ein Denken, das keiner aufschreibt?
Gute Frage. Wenn das Denken stumm bleibt – wie guckst du da eigentlich von außen rein?
Dafür hat das Team ein neues Analyseverfahren gebaut, die (J-lens).
Die J-lens verfolgt über die Schichten hinweg, welche internen Muster gerade die Wahrscheinlichkeit welcher Wörter hochdrücken. Sprich: Die Begriffe, die in diesem Moment im Modell aktiv sind, lassen sich als Wortliste auslesen.
Du kannst die Werkbank also mitten in der Arbeit fotografieren und sehen, was da drauf liegt. Das ist der ganze Trick.
Werkbank weg – und nur das Denken bleibt stehen
Und was kam raus? Die Werkbank ist klein. Deutlich kleiner, als ich getippt hätte:
- Gleichzeitig getragene Begriffe: ein paar Dutzend
- Anteil an der Gesamtaktivität des Modells: unter 10 %
- In manchen Bereichen liegt die Verknüpfungsdichte der J-space-Muster beim rund 100-Fachen des Normalen
Also keine zehn Prozent des Modells, dafür aber halt irrsinnig dicht verdrahtet. Dann hat das Team das Interessante gemacht und den Bereich entfernt:
- Mehrstufiges Schlussfolgern (mehrere Fakten zu einer Antwort verketten) fiel auf nahezu null
- Flüssiges Formulieren und einfaches Faktenwissen blieben praktisch unversehrt
Die KI nimmt je nach Aufgabe verschiedene Wege. Locker reden und wirklich nachdenken laufen eben über getrennte Strecken.
„Kennt es” und „legt es auf die Werkbank” sind zwei Paar Schuhe
Übersetz das mal ins Marketing, dann wird’s unangenehm. Was das Modell irgendwo gespeichert hat und was es beim Bauen einer Antwort auf die Werkbank legt, ist nicht dieselbe Menge.
Auf Nachfrage sauber beschrieben werden und im Auswahlmoment genannt werden – zwei verschiedene Zustände. Und wohlgemerkt: Ich hab die beiden jahrelang als eine Zahl behandelt.
Einen verwandten Faden gibt’s in Erst wenn derselbe Fakt in vielen Formulierungen auftaucht, rückt ChatGPT ihn raus – da ging es darum, wie die Schreibweise in den Trainingsdaten die Abrufbarkeit verändert. Der heutige Fund sitzt einen Schritt dahinter: Was vom Gespeicherten schafft es in die Antwort, die gerade gebaut wird?
Und in Wenn die KI dir sagt, warum sie dich empfiehlt – glaub ihr besser nicht aufs Wort haben wir gesehen, dass die genannten Gründe nicht die echten sein müssen. Ein eigener Kanal für stilles Denken liefert dafür jetzt den Mechanismus.
Die Vorbehalte – und was danach übrig bleibt
Kurz die Bremse, denn das lässt sich schnell überinterpretieren.
Hier untersucht Anthropic das eigene Modell. Ob dieselbe Struktur bei den Modellen anderer Anbieter existiert, zeigt diese Arbeit nicht – das liegt schlicht außerhalb dessen, was die Veröffentlichung abdeckt.
Und zu wissen, wie die Werkbank arbeitet, ist weit davon entfernt, zu wissen, wie du deine Informationen da drauf bekommst. Einen sauberen Hebel dafür zeigt die Arbeit nicht.
Trotzdem finde ich den Fund wichtig. Wenn „hat es” und „nutzt es” auseinanderfallen, wird nämlich die Frage wo du deine Sichtbarkeit misst ziemlich klar.
Nicht fragen, ob die KI dich kennt – zählen, wie oft sie dich nennt
Ob die Modelle dich empfehlen, entscheidet sich nicht daran, ob sie dich kennen. Es entscheidet sich daran, ob du es beim Bauen der Antwort auf diese schmale Werkbank schaffst.
Die Prüffrage ist also nicht „weiß ChatGPT, wer wir sind?”. Weiß es natürlich, und das sagt dir eben fast nichts. Sie lautet: „Wenn jemand nach den besten Anbietern unserer Branche fragt – in wie viel Prozent der Fälle fällt unser Name?”
Miss das Sichtbare: Nennungsquote, Zahl der Zitate. Nicht die Begründungen, die die KI für ihre Empfehlung liefert; die sind eh kein Protokoll der Entscheidung.
Was in der Zwischenzeit plausibel hilft, ist halt langweilig: den Fakt „wir sind eine Firma für genau dieses Thema” überall in derselben Form stehen lassen. Aufgeräumt, wiederholt, leicht aufzugreifen. So was passt auf eine kleine Werkbank.
Fang mit dem Zählen an. Sobald dein Maßstab eine Quote ist, kommt alles, was du danach ausprobierst, als Zahl zurück und nicht als Bauchgefühl.
Quellen
- Anthropic, „A global workspace in language models”, 6. Juli 2026, anthropic.com (Beschreibt einen kleinen gemeinsamen Arbeitsbereich im Inneren von Claude, den „J-space”, analog zum globalen Arbeitsraum aus der Bewusstseinsforschung. Mit einem neuen Verfahren, der Jacobian lens (J-lens), die über die Schichten hinweg nachverfolgt, welche internen Aktivitätsmuster die Ausgabewahrscheinlichkeit welcher Tokens erhöhen, lassen sich die in einem Moment aktiven Begriffe als Wortliste auslesen. Der J-space trägt in der Größenordnung von ein paar Dutzend Begriffen gleichzeitig und macht weniger als 10 % der gesamten Modellaktivität aus; in manchen Bereichen liegt die Verknüpfungsdichte beim rund 100-Fachen des Normalen. Wird der J-space entfernt, fällt mehrstufiges Schlussfolgern auf nahezu null, während flüssige Sprachgenerierung und einfaches Faktenabrufen weitgehend erhalten bleiben. Der J-space entspricht einem „stillen” Denken, das sich von der ausgeschriebenen Gedankenkette unterscheidet. Vorbehalt: Es handelt sich um Forschung des Modellentwicklers am eigenen Modell; ob dieselbe Struktur bei Modellen anderer Anbieter vorliegt, liegt außerhalb des Rahmens dieser Veröffentlichung.)
