Was ich denke, hat einen Boden.

Bundesgesetzgeber (2025). Gesetz zur Umsetzung der NIS-2-Richtlinie und zur Regelung wesentlicher Grundzüge des Informationssicherheitsmanagements in der Bundesverwaltung (NIS2UmsuCG). BGBl. 2025 I Nr. 301, in Kraft seit 6. Dezember 2025. Insbesondere § 28, § 30, § 33, § 38 BSIG n.F.

Begründet die persönliche, nicht delegierbare Verantwortung der Geschäftsleitung für KI-gestützte Risikomanagementprozesse. Die Aussagen der Webseite zu Haftung und Audit-Trail beziehen sich auf dieses Gesetz. Eine Haftung der Geschäftsleitung nach § 38 BSIG setzt eine schuldhafte Pflichtverletzung voraus.

Europäisches Parlament und Rat (2022). Richtlinie (EU) 2022/2555 (NIS-2-Richtlinie). ABl. L 333 vom 27.12.2022, S. 80–152.

Europäische Grundlage des deutschen NIS2UmsuCG. Definiert die Mindeststandards des Risikomanagements für regulierte Sektoren.

Europäisches Parlament und Rat (2024). Verordnung (EU) 2024/1689 (KI-Verordnung / AI Act). ABl. L, 2024/1689, 12.7.2024. Insbesondere Art. 4, 12–14, 26.

Verbindlicher europäischer Rechtsrahmen für den Einsatz von KI. Hier zentral für die Anforderung menschlicher Aufsicht und für die KI-Kompetenzpflicht.

Europäisches Parlament und Rat (2016). Verordnung (EU) 2016/679 (DSGVO). ABl. L 119 vom 4.5.2016. Insbesondere Art. 5, 22, 25, 35.

Schutzrahmen für personenbezogene Daten in KI-Anfragen. Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung über eine Person, die ausschließlich auf automatisierter Verarbeitung beruhen, sind nach Art. 22 grundsätzlich unzulässig; Abs. 2 regelt die Ausnahmen.

Datenschutzkonferenz (DSK) (2018). Liste der Verarbeitungstätigkeiten, für die eine Datenschutz-Folgenabschätzung durchzuführen ist (Art. 35 Abs. 4 DSGVO). Version 1.1 vom 17. Oktober 2018.

Operationalisierung der DSGVO-Pflicht zur Datenschutz-Folgenabschätzung für KI-gestützte Personalentscheidungen.

Hornung G, Schallbruch M (Hrsg.) (2024). IT-Sicherheitsrecht. Praxishandbuch. 2. Aufl., Nomos, Baden-Baden, ISBN 978-3-7560-0496-6.

Wissenschaftliche Einordnung der NIS2-Pflichten und der Geschäftsführerhaftung. Standardwerk für die rechtliche Grundlagenarbeit.

Bender EM, Gebru T, McMillan-Major A, Shmitchell S (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? FAccT ’21, S. 610–623. DOI

Stützt die Aussage, dass Sprachmodelle sprachliche Muster fortschreiben statt Sachverhalte zu verstehen. Auf semantik.html der Beleg dafür, warum „Narrativ" und „Modell" auseinanderfallen.

Cheung V, Maier M, Lieder F (2025). Large language models show amplified cognitive biases in moral decision-making. PNAS 122(25):e2412015122. DOI

Belegt, dass Sprachmodelle kognitive Verzerrungen in moralischen Entscheidungsfragen nicht nur reproduzieren, sondern verstärken. Die Webseite stützt darauf ihre Warnung, plausibel formulierten Output nicht ungeprüft zu übernehmen.

Echterhoff JM et al. (2024). Cognitive Bias in Decision-Making with LLMs. EMNLP 2024, S. 12640–12653. ACL Anthology

Stützt die Logik der Frageformulierung, wie sie die Webseite beschreibt: Die Wahl der Worte prägt und verengt den Antwortraum, lange bevor das Modell antwortet.

Laban P, Harkous H, Xiong C, Xiong C (2025). Challenging the Evaluator: LLM Sycophancy Under User Rebuttal. arXiv:2509.16533 (Preprint). arXiv

Zeigt, dass Sprachmodelle ihre Antworten an den Kontext anpassen, auch wenn die zugrundeliegenden Annahmen falsch sind. Belegt die Wortpaarungen „Sicherheit vs. Treffgenauigkeit" und „Spezifisch vs. richtig" auf semantik.html.

Lu Y, Bartolo M, Moore A et al. (2022). Fantastically Ordered Prompts and Where to Find Them. ACL 2022, S. 8086–8098. ACL Anthology

Zeigt, dass allein die Reihenfolge derselben Few-Shot-Beispiele die Leistung eines Sprachmodells zwischen einem Niveau nahe am Stand der Technik und Zufallsniveau schwanken lässt. Stützt die Kernaussage, dass die Gestaltung der Eingabe den Output erheblich verändert.

Parasuraman R, Riley V (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors 39(2):230–253.

Klassische Quelle für Automation Bias, Misuse und Verantwortungslücke beim Einsatz automatisierter Systeme. Stützt die Aussagen der Webseite zu Verantwortungsdiffusion, zur Schadenswirkung unsauberer Architektur und zur Notwendigkeit, automatisierte Systeme laufend zu überwachen. Die Übertragung auf Tool Drift bei heutigen Modellen und Schnittstellen ist eine eigene Ableitung der Webseite.

Vaswani A, Shazeer N, Parmar N et al. (2017). Attention Is All You Need. NeurIPS 2017, S. 5998–6008. arXiv

Architekturpapier hinter den modernen Sprachmodellen. Verzeichnis-Eintrag als Referenz für das Designprinzip, auf das die Webseite ihre Aussagen zu den strukturellen Grenzen heutiger LLMs bezieht.

Wang ZZ et al. (2026). How Well Does Agent Development Reflect Real-World Work? arXiv:2603.01203 (Preprint). arXiv

Untersucht, wie gut die Entwicklung von KI-Agenten reale Arbeit abbildet. Die Webseite zieht die Studie für die Frage heran, wie weit publizierte Leistungsvergleiche die tatsächlichen Fähigkeiten von Sprachmodellen wiedergeben.

Belcak P, Heinrich G, Diao S, Fu Y, Dong X, Muralidharan S, Lin YC, Molchanov P (2025). Small Language Models are the Future of Agentic AI. arXiv:2506.02153 (Preprint). arXiv

Argumentiert, dass kleine Sprachmodelle die Zukunft agentischer KI-Systeme bilden. Die Webseite stützt darauf die Zielarchitektur, die sie für mittelständische Unternehmen vorschlägt: lokal gehostete Sprachmodelle in strukturierten Workflows.

Du Y, Li S, Torralba A, Tenenbaum JB, Mordatch I (2023). Improving Factuality and Reasoning in Language Models through Multiagent Debate. arXiv:2305.14325 (Preprint). arXiv

Zeigt, dass mehrere Sprachmodell-Instanzen, die ihre Antworten in einer Debatte gegenseitig kritisieren, in den untersuchten Aufgaben faktentreuer antworten und besser schlussfolgern. Der Ansatz ist eine Grundlage der Mehrebenen-Logik des HiCC-Systems.

Kahneman D (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux, New York.

Beschreibt die Dichotomie System 1 / System 2 im menschlichen Denken, die das HiCC-Modell als Analogie aufgreift. Bezugsrahmen für den Übergang von intuitiver zu analytischer Verarbeitung.

LeCun Y (2025). Adapting for the Unknown. Keynote, VivaTech 2025, Paris, 11.–14. Juni 2025.

Argumentiert, dass architektonische Innovation die nächste Leistungsstufe von KI-Systemen bestimmt. Stützt die Verlagerung des Fokus von Modellgröße auf Systemarchitektur.

Ng A (2024). AI Agentic Workflows. Vortrag, Snowflake Dev Day 2024, San Francisco, 19. März 2024.

Zeigt empirisch, dass ein älteres Modell mit strukturiertem Arbeitsablauf ein leistungsfähigeres Modell ohne Prozessstruktur übertrifft. Stützt die Webseiten-These „Architektur schlägt Modellleistung".

Sutskever I (2025). We’re moving from the age of scaling to the age of research. Dwarkesh Podcast, 25. November 2025. Link

Vertritt die Einschätzung, dass die KI-Entwicklung vom Zeitalter der Skalierung in ein Zeitalter der Forschung übergeht. Stützt die Webseiten-Position, dass die nächste Stufe neue Forschungsansätze erfordert und mehr Rechenleistung allein dafür nicht genügt.

Wang Y, Zhao Y (2024). Metacognitive Prompting Improves Understanding in Large Language Models. NAACL 2024, S. 1755–1770. ACL Anthology

Zeigt, dass metakognitives Prompting mit gezielter Selbstprüfung die Leistung von Sprachmodellen in Aufgaben des Sprachverständnisses verbessert. Der Guardrail Check und das Mehrebenen-Reasoning übertragen dieses Prinzip auf KI-gestützte Entscheidungen.

ISO/IEC (2023). ISO/IEC 42001:2023 — Artificial intelligence — Management system. International Organization for Standardization, Genf. iso.org

Erster zertifizierbarer Standard für KI-Managementsysteme. Operationalisiert KI-Compliance als wiederholbaren Steuerungszyklus und untermauert die Leitthese: Methode statt Werk.

NIST (2023). AI Risk Management Framework (AI RMF 1.0). NIST, U.S. Department of Commerce; Generative-AI-Profil NIST AI 600-1 (2024). nist.gov

International breit adoptiertes Rahmenwerk zum Operationalisieren von KI-Risiko entlang Govern, Map, Measure und Manage. Bezugspunkt für Leitplanken, Risikobild und Incident-Steuerung.

Edmondson AC (2019). The Fearless Organization: Creating Psychological Safety in the Workplace for Learning, Innovation, and Growth. Wiley, Hoboken.

Aktuelle Buchfassung zur psychologischen Sicherheit: Mitarbeitende melden Auffälligkeiten, wenn sie für ihre Offenheit weder Bestrafung noch Bloßstellung befürchten müssen. Forschungsbasis der Fehlerkultur in Schritt 6.

OECD (2024). OECD AI Incidents Monitor (AIM). Organisation for Economic Co-operation and Development, Paris. oecd.ai

Laufende Erfassung realer KI-Vorfälle. Stützt die Unterscheidung von meldepflichtigem Vorfall und früher Auffälligkeit.

Brodersen N (2026). Architektur der Frage. Eigenarbeit, dokumentiert auf semantik.html.

Eigenbegriff. Beschreibt die Logik, dass die Architektur der zugrundeliegenden Frage den Antwortraum prägt und verengt, lange bevor das Modell antwortet.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). Decision Brief / Entscheidungsnachweis (9 Felder). Eigenarbeit, dokumentiert auf pruefpfade.html.

Eigene Ausarbeitung. Strukturierter neunfeldriger Nachweis, der den Entscheidungspfad während des Denkprozesses dokumentiert. Liefert Evidenz für die menschliche Aufsicht, die Betreiber nach Art. 26 Abs. 2 AI Act sicherstellen.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). Epistemische Belastbarkeit. Eigenarbeit, dokumentiert auf ai-systems.cloud.

Eigene Ausarbeitung. Bezeichnet die Fähigkeit einer Aussage, Prüfprozessen standzuhalten. Abgegrenzt von rein sprachlicher Plausibilität.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). Guardrail Check (6 Prüffragen). Eigenarbeit, dokumentiert auf pruefpfade.html.

Eigene Ausarbeitung. Sechs Prüffragen zwischen KI-Output und Entscheidung, die Plausibilitätsfalle, Tool Drift, Goodhart-Effekt und Verantwortungsdiffusion strukturell adressieren.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). Hierarchical Reasoning Model / HiCC. Eigenarbeit, dokumentiert auf hicc-terminal.html.

Eigenarbeit. Mehrebenen-Architektur, die Sprachmodelle von einer einzelnen Vorhersage zu einer mehrstufigen, prüfbaren Verarbeitung führt. Technische Architektur und Designprinzipien sind in der Detail-Dokumentation hinterlegt.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). KI-Request Standard (3 Destruktionsfragen + 7 Felder). Eigenarbeit, dokumentiert auf pruefpfade.html.

Eigenbegriff. Pflichtformat aus drei Destruktionsfragen und sieben Feldern, das vor jeder entscheidungsrelevanten KI-Anfrage durchlaufen wird. Erzwingt Frage-Destruktion und semantische Präzision.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). Managed Deep Reasoning (mDR). Eigenarbeit, dokumentiert auf hicc-terminal.html.

Eigenbegriff. Kontrollierte Tiefenanalyse mit expliziten Zwischenschichten und auditierbaren Prüfpunkten. Architekturkonzept des HiCC-Systems.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.

Brodersen N (2026). Reversal Trigger. Eigenarbeit, dokumentiert auf pruefpfade.html.

Eigene Ausarbeitung. Vorab definierte Bedingung, die eine systematische Korrektur einer Entscheidung auslöst. Macht Lernen und Kurskorrektur strukturell verankerbar.

Vorpublikation: Brodersen N (2026). Tragfähige Architektur als Basis für eine rechtssichere Nutzung von KI. In: Wirtschaftskommission für Transformation Deutschland (Hrsg.), Zukunft der IT — Wie KI die Rolle der IT neu definiert. Standardisierungswerk B251211, Springer Gabler Verlag, in Vorbereitung.