Knight'sche Unsicherheit

Beim Würfeln weiß man genau, worauf man sich einlässt. Die Sechs kommt in einem von sechs Fällen, und das lässt sich ausrechnen. Solche Situationen nennt der Wirtschaftswissenschaftler Frank Knight « Risiko »: Der Ausgang ist offen, aber die Wahrscheinlichkeiten sind bekannt. Ganz anders liegt der Fall bei der Frage, wie viele Menschen in zehn Jahren ihren Beruf wegen KI verloren haben werden. Hier kennt niemand die Wahrscheinlichkeiten, weil es keine Vorgeschichte gibt, aus der man sie ableiten könnte. Genau diese zweite Sorte von Nichtwissen heißt seit 1921 Knight’sche Unsicherheit.

Warum Modelle hier an eine Grenze stoßen

Fast die gesamte Finanzmathematik setzt bekannte Wahrscheinlichkeiten voraus. Eine Versicherung kann Autounfälle kalkulieren, weil sie Millionen von Unfällen aus der Vergangenheit kennt. Aus diesen Daten wird eine Prämie, und im Durchschnitt geht die Rechnung auf. Sobald aber ein Ereignis neuartig ist, bricht dieses Verfahren zusammen. Es gibt keine Vergangenheit, aus der man die Zukunft hochrechnen könnte.

Der Fehler passiert meist nicht beim Rechnen, sondern davor. Man behandelt Unsicherheit so, als wäre sie Risiko, und bekommt eine Zahl mit vielen Nachkommastellen. Die Zahl sieht seriös aus, obwohl die Annahmen dahinter frei erfunden sind. In der Finanzkrise 2008 war das ein zentrales Problem: Risikomodelle für Immobilienkredite stützten sich auf Jahrzehnte, in denen Hauspreise nie flächendeckend gefallen waren. Der Fall, der eintrat, kam in den Daten schlicht nicht vor.

Knight zog daraus einen wirtschaftlichen Schluss. Echten Gewinn macht man nur dort, wo diese Unsicherheit herrscht. Berechenbares Risiko kann jeder absichern, deshalb bringt es kaum Rendite. Wer dagegen unter echter Unsicherheit eine richtige Entscheidung trifft, wird dafür bezahlt — das ist Knights Erklärung dafür, warum es Unternehmer gibt.

Risiko, Unsicherheit und der Unterschied im Alltag

Die Trennlinie verläuft entlang der Frage, ob man die Wahrscheinlichkeiten kennt. Beim Roulette sind sie bekannt und unveränderlich. Beim Wetter sind sie zwar nicht exakt bekannt, lassen sich aber aus sehr vielen vergangenen Wetterlagen gut schätzen. Bei der Frage, ob eine bestimmte KI-Firma in fünf Jahren noch existiert, gibt es keine vergleichbare Datenbasis. Man kann eine Zahl nennen, aber sie ist eine Meinung, keine Messung.

Ein zweiter Unterschied betrifft die Liste der möglichen Ergebnisse. Beim Würfel kennt man alle sechs Ausgänge. Bei einer neuen Technologie kennt man die Liste nicht einmal vollständig. Vor 2020 hätte kaum jemand « Modelle schreiben funktionierenden Programmcode » auf eine Liste gesetzt. Wenn schon die möglichen Ergebnisse unbekannt sind, ist eine Wahrscheinlichkeitsrechnung von vornherein sinnlos.

Praktisch geht man mit Unsicherheit deshalb anders um als mit Risiko. Statt einen Erwartungswert auszurechnen, arbeitet man mit Szenarien und mit Puffern. Man fragt nicht « wie wahrscheinlich ist der schlimme Fall », sondern « überlebe ich ihn, falls er eintritt ». Diese Haltung nennt man Robustheit: Die Entscheidung soll auch dann tragfähig bleiben, wenn die Annahmen falsch waren.

KI-Bewertungen und Regulierung als Anschauungsmaterial

In der Berichterstattung über KI taucht der Begriff regelmäßig auf, wenn es um Firmenbewertungen geht. Ein Start-up ohne nennenswerten Umsatz wird mit vielen Milliarden bewertet. Solche Zahlen beruhen nicht auf einer Kalkulation, sondern auf Vermutungen über einen Markt, den es noch nicht gibt. Kritiker sprechen von Blasenbildung, Befürworter von einer Wette auf eine neue Ära. Beide Seiten haben denselben Datenstand — deshalb kann keine Rechnung den Streit entscheiden.

Auch in der Regulierung ist das Thema präsent. Gesetze wie der EU AI Act müssen Regeln für Systeme festlegen, deren künftige Fähigkeiten niemand kennt. Deshalb enthalten sie Meldepflichten, Prüfungen und Nachbesserungsklauseln statt fester Grenzwerte für alles. Das ist genau die Robustheitsstrategie: Man baut Mechanismen ein, die reagieren können, statt sich auf eine Prognose festzulegen.

Ein verbreiteter Irrtum ist, Knight’sche Unsicherheit bedeute, man könne gar nichts wissen. Das stimmt nicht. Man kann Grenzen abschätzen, Frühwarnzeichen definieren und Entscheidungen umkehrbar halten. Der Begriff warnt nur davor, Zahlen zu vertrauen, die eine Sicherheit vortäuschen, die es nicht gibt.