AfFinE

Was wäre, wenn die Regulierung von Large Language Models plötzlich nicht mehr nur Technologiepolitik wäre, sondern ein Fall für die Meinungsfreiheit? Dann würde aus einer Debatte über Sicherheit, Haftung und Kontrolle sehr schnell eine Debatte über Grundrechte. Genau hier setzt das Paper von Eugene Volokh, Mark A. Lemley und Peter Henderson an. Die Autoren argumentieren, dass der Output generativer KI rechtlich als geschützte Rede verstanden werden könnte. Nicht unbedingt, weil die KI selbst Rechte hat, sondern weil ihre Entwickler:innen und vor allem ihre Nutzer:innen Rechte haben, Informationen zu empfangen und mit Hilfe der Systeme selbst zu kommunizieren. Für die USA ist das ein starker Gedanke. Für Deutschland ist er interessant, aber deutlich weniger belastbar. Was ist das ökonomische Grundproblem? Im Kern geht es um die Kontrolle von Informationsproduktion. Staaten wollen Risiken von LLMs begrenzen: Desinformation, Manipulation, Diskriminierung oder gefährliche Inhalte....

Deutschland gibt viel für Forschung aus und produziert sichtbar exzellente Wissenschaft. Der Beitrag von von Jannik Reigl stellt aber die wichtigere Frage: Vielleicht scheitert Deutschland nicht primär an der „Kommerzialisierung“, sondern an einem System, das früh wissenschaftliche Unabhängigkeit bremst, Risiko bestraft und Grundlagen- und Anwendungsforschung zu stark voneinander trennt. Dann ist nicht zu wenig Geld das Problem, sondern eine schlechte institutionelle Architektur. Ökonomisch ist das ein klassischer Anreizfall: Wenn junge Forschende mit kurzen Verträgen, starker Hierarchie und unsicherer Perspektive leben, dann wählen sie eher sichere, publizierbare Projekte statt riskanter Durchbrüche. Das maximiert die private Überlebenswahrscheinlichkeit, aber nicht den gesellschaftlichen Ertrag. Genau deshalb ist der vollständige Beitrag lesenswert: Er zeigt, warum ein Land zugleich wissenschaftlich stark wirken und bei radikaler Innovation dennoch zu vorsichtig sein kann. De...

In der empirischen Forschung gibt es ein klassisches Problem: Die meisten interessanten Daten sind qualitativ, nicht quantitativ.  Reden von Politikern, Geschäftsberichte, Social-Media-Posts, Zeitungsartikel oder historische Dokumente enthalten wertvolle Informationen, aber sie lassen sich schwer in Zahlen übersetzen. Genau hier setzt ein neues Forschungsprojekt an, das im Februar 2026 als NBER Working Paper erschienen ist: „GPT as a Measurement Tool“ von Hemanth Asirvatham, Elliott Mokski und Andrei Shleifer. Die Autoren stellen darin eine Software vor, die dieses Problem lösen soll: GABRIEL. Die Grundidee ist überraschend einfach. Large Language Models wie GPT können Texte verstehen, ähnlich wie ein Mensch. Wenn man sie gezielt einsetzt, können sie daher qualitative Informationen systematisch bewerten und quantifizieren. Zum Beispiel: • Wie innovationsfreundlich ist eine politische Rede? • Wie toxisch ist ein Social-Media-Kommentar? • Wie technisch komplex ist eine neue Tec...

Eine gut gelaunte, aber ernst gemeinte Zusammenfassung eines aktuellen Essays Der Aufsatz „Will AI Improve Undergraduate Economics Education?“ von Matthew E. Kahn liest sich wie ein ehrlicher Lagebericht aus dem Inneren der universitären Lehre. Es ist geschrieben von jemandem, der sein Fach liebt, aber sehr genau sieht, dass „weiter so“ keine Option mehr ist. Kahn argumentiert nicht technikverliebt, sondern ökonomisch: KI ist ein neuer Produktionsfaktor im Bildungsprozess. Die entscheidende Frage ist nicht, ob sie genutzt wird, sondern wie . Das Grundproblem: Studierende, KI und zu wenig Zeit Kahn startet mit einer unbequemen Beobachtung: Viele heutige Studierende sind schlechter vorbereitet als frühere Kohorten. Weniger mathematische Grundlagen, geringere Konzentrationsfähigkeit, Lernlücken durch COVID. All das trifft auf ein Studium, das sich strukturell kaum verändert hat. Gleichzeitig ist KI immer verfügbar, geduldig, g...

In meinem früheren Beitrag habe ich versucht, das viel diskutierte Szenario aus dem Citrini Research Paper modelltheoretisch einzuordnen. Dort wird ein möglicher KI-bedingter Wirtschaftskollaps skizziert, allerdings ohne ein explizites makroökonomisches Modell. Um diese Argumentation analytisch greifbar zu machen, habe ich in meinem Beitrag ein einfaches makroökonomisches Rahmenmodell formuliert. Dieses zeigt: Unter bestimmten, allerdings sehr extremen, Parameterkonstellationen kann selbst ein positiver KI-Produktivitätsschock zu einem Rückgang des realisierten Outputs führen. Der zugrunde liegende Mechanismus basiert auf einer Kombination aus einem starken Rückgang des Arbeitsanteils am Einkommen, heterogenen marginalen Konsumneigungen der Haushalte, sowie möglichen Finanzverstärkungsmechanismen. Meine eigene Einschätzung ist allerdings: Solche Parameterkonstellationen sind theoretisch möglich, aber empirisch sehr unwahrscheinlich. Der Wert eines solchen Modells liegt nicht darin, ei...

Kaum ein Thema elektrisiert so zuverlässig wie der Beamtenstatus für Professorinnen und Professoren. Lebenszeitverbeamtung, sichere Pension, faktische Unkündbarkeit [ Link , Link , Link ]. Das klingt nach einem Relikt aus einer anderen Zeit. In Zeiten knapper öffentlicher Kassen stellt sich daher die Frage: Ist das noch gerechtfertigt? Die ökonomische Antwort ist weniger eindeutig, als viele vermuten. Der Beamtenstatus ist kein Zufall. Er erfüllt eine Funktion. Erstens schützt er die Wissenschaftsfreiheit. Artikel 5 Grundgesetz garantiert die Freiheit von Forschung und Lehre. Diese Freiheit ist nur glaubwürdig, wenn Professoren nicht um ihren Arbeitsplatz fürchten müssen, sobald ihre Forschung politisch unbequem wird. Der Beamtenstatus ist hier ein institutionelles Commitment des Staates: Er bindet sich selbst. Zweitens geht es um langfristige Humankapitalinvestitionen. Eine Professur ist das Ergebnis von 15 bis 20 Jahren Ausbildung und Spezialisierung. Der Staat sichert sich dieses ho...