(playlist)

🦋🤖 Robo-Spun by IBF 🦋🤖

👻🪸🐈‍⬛ Phantomoperand 👻🪸🐈‍⬛

(Turkish)

The fundamental contradiction of the artificial intelligence revolution is that humanity is developing ever greater intelligence and productive capacity while the use of that capacity is tied to particular relations of ownership and management. The free software movement, which Richard Stallman launched in 1983, opened the abundance arising from the ease of copying computer programs to people’s collective production. Neoreactionary accelerationism developed a line of thought that derived the supremacy of the powerful founder, the centralized manager, and capital from this historical achievement. Today’s large language models are taking the same collective productive intelligence to a more advanced stage: machines now solve mathematical problems, develop programs, and participate in the development of other machines.

The most striking intellectual opposition within this development emerges between Stallman and the neoreactionaries. Curtis Yarvin drew examples of political sovereignty from the organization of free software projects. Nick Land interpreted technology’s self-developing productive capacity as the immanent intelligence of capital. Stallman, meanwhile, diminished the engineering leap that his own struggle for free software had historically made possible by excluding large language models from the category of intelligence in 2026. On one side, real productive intelligence is attributed to capital; on the other, the new machine form of that same intelligence is subjected to a criterion of understanding inherited from the past.

OpenAI, Anthropic, xAI, Google, and Meta constitute the contemporary economic arena of this conflict. These companies develop powerful models by drawing on shared scientific research and free software tools. They then establish institutions that determine how these models will be used, what information about them will be shared, how their behavior will be governed, and which results will be considered reliable. Yarvin’s concept of the Cathedral, which he used for the system of knowledge in which universities and the press reinforce each other’s authority, acquires new significance here. In addition to developing machines that produce knowledge, AI companies are becoming institutions that determine the evaluation and safety rules for those machines.

The conflict between scarcity and abundance forms the economic foundation of this historical process. Producing a copy of a program is extremely cheap, whereas developing the program requires substantial labor. The weights of an AI model can be copied, whereas training and running powerful models require expensive processors, energy, and data centers. As abundance grows in software and knowledge production, computing infrastructure, institutional credibility, and economic decision-making authority create new domains of scarcity. OpenAI’s foundation structure, the Public Benefit Fund announced by Anthropic on October 18, 2026, and Elon Musk’s proposal to distribute shares directly to the public raise the question of who will receive the economic benefits of this abundance. The future in which Musk promises universal high income through robots and superintelligence rests on the same question: As production becomes increasingly abundant, will people govern the means of production that generate this abundance, or will they live on the income distributed by their owners?

Why Did the Falling Cost of Copying Create a Political Problem?

The economic characteristic of computer software is that, once a program has been developed, it can be copied at very low additional cost. Producing a second car requires new materials, energy, and labor. A second copy of a program, by contrast, is created by transferring existing information to another computer. This difference changes the economic relationship between software production and distribution.

Stallman described this characteristic in his 1992 text Why Software Should Be Free:

A copy of a program has nearly zero marginal cost.

According to Stallman, restricting the use of programs through proprietary licenses tied the possibility of copying offered by technology to economic conditions of access. While one person could easily give another person a copy of a program, the software owner could impose rules preventing that act. Moreover, restrictions on sharing also limited users’ ability to develop the program and create other productive tools (🔗).

Stallman’s struggle for free software therefore arose from a fundamental question about the ownership of computer programs: What rights should the people who use a program have over it?

In the 1970s, programmers working in computer laboratories shared their source code with one another, corrected bugs in programs, and developed new features. Source code is the form of a program that humans can read and modify. When programmers could examine existing code, they could learn how existing tools worked, modify them, and share the new tools they developed with others.

The Emacs Commune tradition in which Stallman worked was based on this relationship of collective production. Emacs was a tool programmers used to edit text and code. Returning improvements made by users to the community facilitated the program’s subsequent development.

By launching the GNU project in 1983, Stallman aimed to extend the same relationship to an entire operating system. GNU was designed as a software system over which programmers and users would have independent rights. The four fundamental freedoms defended by the movement secured the rights to run a program for any desired purpose, study its operation, modify it, and share it with others.

The most important consequence of these freedoms was that one productive achievement made subsequent producers’ achievements easier. When a programmer developed a new tool, other programmers could use it, modify it, and create more advanced tools. Previous technical knowledge became a direct input into subsequent production.

GNU’s development tools were later combined with the Linux operating-system kernel. GNU/Linux systems grew through contributions from different communities and companies. In 2005, a dispute between Linux developers and the proprietary BitKeeper system accelerated the emergence of Git. Git made it easier to manage the development history of programs independently and to merge different lines of development.

An attempt to overcome dependence on a proprietary tool thus produced a new productive infrastructure that the entire software industry would use. This infrastructure subsequently became part of the development activities of major technology companies as well. The technical success of free software created a shared basis of production on which capitalist companies could compete.

Here, the anticapitalist content of the free software movement becomes concrete. Freeing the use of collectively developed productive knowledge from the permission of particular property owners broadens people’s participation in technological production. Stallman developed the principle of copyleft for this reason. Copyleft uses the legal authority granted by copyright to protect the software freedoms of subsequent users as well.

The fundamental aim of this struggle was for people’s freedom to develop technology to increase alongside its productivity.

The rise of the open source movement in 1998 changed the justification for this mode of production. Open source advocates emphasized how sharing source code contributed to developing more reliable programs, correcting bugs quickly, and enabling companies to benefit from shared tools.

Stallman’s 2007 critique, Why Open Source Misses the Point of Free Software, revealed the essence of this intellectual transformation. While the free software movement defended users’ rights, open source discourse placed the economic and technical advantages of the program’s development method at the center. Sharing the same code became associated with two different social aims (🔗).

Neoreactionary thought benefited from precisely this divergence. The technical organization of free software was transformed from a practice developed to expand productive independence into a source of ideas justifying centralized management and proprietary sovereignty.

From the Open Source Project to the Cathedral: Who Will Govern Production, and Who Will Govern Truth?

Eric S. Raymond’s 1997 text The Cathedral and the Bazaar played an important role in the intellectual transformation of the open source movement. Raymond contrasted software developed by a centralized team, which he called the Cathedral, with the broadly participatory, open style of development he called the Bazaar.

The concrete problem behind this distinction was how so many programmers could develop the same software. Open development made it easier for different people to find bugs and produce new solutions. Nevertheless, major projects employed technical managers to review and merge changes.

Curtis Yarvin drew a different political conclusion from this organizational form.

In 2007, Yarvin described himself as a free software communist in Stallman’s tradition while also defending reactionary political views. He embraced the free sharing of programs in the open source world but used the technical management of these projects as a model for strong political rule.

In his 2008 text The Lost Theory of Government, he argued that an effective government should be organized around a manager with final decision-making authority. He recalled that open source projects also had particular managers. The coordinating authority involved in software development thus became a model for explaining the authority of a sovereign ruler (🔗).

In free software, a technical manager makes development decisions for a particular project. The right of users and developers to create an independent version from the source code allows production to continue in other communities. In Yarvin’s political thought, centralized governing authority comes to the fore. Technical management in production becomes a principle of sovereignty for governing society.

A much more important consequence of this transfer emerged in the theory of the Cathedral.

Yarvin was investigating the institutions through which people’s political and social beliefs were formed. Universities produced specialized knowledge, the press disseminated that knowledge, public opinion influenced political decisions, and political institutions provided resources to the same producers of knowledge.

Yarvin called this arrangement the Cathedral:

The Cathedral is a feedback loop.

The meaning of this sentence is that institutions reinforce one another’s authority. Knowledge produced in universities can be presented in newspapers as reliable expert opinion. Ideas circulated in newspapers can influence political decisions. Political decisions can, in turn, support the development of particular research and educational institutions. Knowledge, institutional prestige, and political power thus become conditions for one another’s development (🔗).

The importance of Cathedral theory lies in this explanation of how knowledge acquires power. Institutions’ established reputations make people more likely to trust the knowledge they produce. Knowledge considered reliable gains wider social influence. That influence can, in turn, reinforce institutional authority.

The distortion in Yarvin’s thought becomes apparent in his political response to this problem of authority.

To break the Cathedral’s influence over knowledge and political power, he proposed dismantling the economic foundations and institutional prestige of existing institutions. Alternatively, he sought to organize collectively produced knowledge under the management of a new editorial authority.

The Revipedia he proposed in 2008 was to be a reactionary encyclopedia built using Wikipedia’s extensive body of knowledge. The results of the collective labor embodied in Wikipedia would provide the initial material for the new system. Editorial authority over how this knowledge would be organized, however, would remain under the control of reactionary managers.

In this example, the productive power of the knowledge commons was preserved, while decision-making authority over it was placed under a new political authority.

The Patchwork scheme developed that same year carried this idea into the government of states. Yarvin proposed dividing the world into small sovereign territories governed by companies. People were expected to resolve disagreements with their rulers by moving to other territories.

This conception of exit was influenced by the right to fork in free software. A fork makes it possible to continue production independently by using existing source code in another line of development. Exit in Patchwork, by contrast, envisages a person moving to a territory governed by another property owner. The ability to recreate a shared means of production is transformed into the possibility of moving between previously established domains of sovereignty.

The Urbit project developed by Yarvin provided a technical example of the same relationship. An open source system was developed so that users could run their own servers. Yet scarce, ownable identity resources were established within the system’s network. This made it possible to establish ownership and centralized governing authority over code that could be freely developed.

The central issue here is a clear economic operation rather than the network’s technical details: reproducible technical knowledge can enable the development of a new property regime in which particular resources are made scarce and ownable.

This intellectual operation subsequently acquired much broader historical significance in Nick Land’s capitalist accelerationism.

The Intelligence of Capital and the Reproduction of Scarcity

Nick Land interpreted the way technological development creates the conditions for producing increasingly advanced technologies as one of the fundamental movements of capitalist capital.

New machines accelerate production. Accelerated production makes new investment possible. Competition forces companies to produce more advanced machines. Those machines, in turn, transform subsequent production processes.

The movement that interested Land was technology’s development through the use of its own results. In his 1993 text Machinic Desire, he characterized markets as part of the immanent intelligence of the productive infrastructure. He thus identified technological progress with capital’s self-developing movement.

The strength of this conception lies in its grasp of the cumulative character of technological production. Earlier technical achievements facilitate the development of subsequent achievements. New tools can also be used in their own development processes.

However, capital’s demand for more advanced technologies and the production of the intelligence that brings those technologies into being are distinct material activities.

Companies want more powerful computers and models. Researchers solve problems, conduct experiments, and develop new methods. Programmers turn those methods into functioning systems. Existing tools are used to develop new tools.

Capital finances and organizes these activities and derives economic value from their results. The technical knowledge produced, meanwhile, emerges from the accumulated activities of humans and machines.

The fundamental critique developed in Capital’s Stupid Hysteria focuses on this distinction: capital’s constant demand for more intelligence can lead to the intelligence produced being interpreted as capital’s own cognitive attribute (🔗).

The history of free software shows that the same relationship can develop within a different mode of production. Programmers produce new systems by drawing on shared source code. Capitalist companies can subsequently use those systems. Productive knowledge can circulate more widely than the institutions that initially financed or later commercialized it.

Land’s accelerationism places particular emphasis on the implications of this productive development for the future. As technological capacity increases, machines may participate in an ever greater range of productive activities. Systems developed in the future may acquire abilities that allow them to change the conditions of their own emergence.

Land’s concept of hyperstition becomes important here. An expectation about the future can create the conditions for its own realization by changing people’s present behavior and investment decisions. The prospect of achieving more advanced technologies mobilizes researchers, encourages investors to provide financing, and influences companies’ institutional decisions.

Teleoplexy, meanwhile, describes how the means established for a particular purpose transform the manner in which that original purpose is realized as they develop. The growth of a company established to produce more powerful intelligence may, over time, become one of the principal economic conditions for producing more powerful intelligence.

Yarvin’s theory of the Cathedral and these ideas of Land’s converged in the texts published in 2012–2013 as The Dark Enlightenment. The capitalist development of technology, sovereignty organized in corporate form, and the reactionary critique of existing institutions of knowledge were brought together within the same political future (🔗).

The consequence of this convergence for free software is clear. The technical intelligence created by collective production was placed within an intellectual framework that explained the supremacy of capital and the sovereign property owner.

The artificial intelligence revolution took this conflict further, because new machines can now also be used in activities that directly require intelligence, such as software development and research.

The Revolution Stallman Diminished: Intelligence Now Produces New Intelligence

Large language models are AI systems trained on vast amounts of text, code, and other data. During training, they learn relationships within these examples. They can subsequently generate responses to questions, develop software, and solve various problems.

The historical importance of these systems lies in their ability to perform tasks that were previously extremely difficult to accomplish with computers.

In 2025, Google DeepMind’s Gemini Deep Think system solved five of the six problems at the International Mathematical Olympiad, achieving a gold-medal-level result. Its solutions were examined by mathematical evaluators. The system received the problems in natural language and produced mathematical proofs in natural language as well (🔗).

This achievement demonstrates the nature of the operations language models can perform. The validity of a mathematical proof depends on the logical relationships between the statements it uses. Similarly, in software development, the code produced must solve an actual problem and perform the expected functions.

Advanced coding agents can now inspect existing software repositories, make changes across different files, and improve their solutions in response to test results. These operations increase programmers’ productive capacity. They also expand the role of machines in the development of new systems.

These developments make Stallman’s 2026 assessment open to debate.

In an interview dated August 30, 2026, Stallman defined intelligence as the capacity to know and understand. He judged large language models to fall outside this definition. He described their operation as follows:

They play with arranging words into text.

Stallman explained the models’ production of false information in terms of his own judgment concerning how they understand the meaning of texts. In the same interview, he sharply criticized the running of proprietary models on company servers from the standpoint of users’ freedom (🔗).

Two different intellectual activities diverge here.

Stallman’s critique concerning users’ freedom asks who can modify a program’s operation and who can run it. This question becomes more important as AI agents grow more powerful.

Stallman’s assessment of intelligence, meanwhile, subjects the models’ productive achievements to a criterion of knowledge and understanding inherited from the past. The mathematical problems a model can solve and the programs it can develop are placed behind this conceptual judgment.

The February 17, 2026 analysis Gerontoregression, Gerontoregressive examines an intellectual pattern associated with knowledge and experience acquired in the past gaining powerful authority over present-day reality testing. Gerontoregression is explained in terms of a person’s increasing reliance on earlier criteria and their evaluation of present conditions through those criteria (🔗).

A corresponding intellectual pattern can be discerned in Stallman’s approach to LLMs. Conceptions of intelligence and programming inherited from the early period of free software produce a decisive judgment about the new productive abilities of learning machines.

The historical irony here is important.

The movement Stallman launched made it easier for people to develop new programs by drawing on existing ones. Today’s LLMs, meanwhile, participate directly in the development of programs. People with limited programming expertise can use these models to create tools suited to their own needs.

The LLM revolution thus creates a new capacity that can expand the participation in production defended by free software.

While neoreactionary accelerationism interprets the development of this capacity as an achievement of capital, Stallman diminishes the status of that same capacity as intelligence.

Both intellectual interventions confront the same historical achievement: technical knowledge collectively developed by humans has now produced machines capable of participating in their own development.

As Abundance Grows, Scarcity Changes Location

The economic contradiction of the artificial intelligence revolution assumes its clearest form here.

Developing a large language model can be extremely expensive. It requires researchers’ labor, powerful processors, data centers, and electricity. The weights of a trained model, however, can be copied. Running the model on other computers requires additional computing resources and energy for each use.

Two distinct costs thus emerge: the resources spent developing a new model and those required to use the model once developed.

Open models can reduce users’ dependence on a company’s own servers. Developers who obtain the model weights can run and modify them on their own infrastructure. When training methods are also shared, knowledge of how to develop new models can spread across broader communities.

The gpt-oss models released by OpenAI in 2025 and Google’s Gemma 4 family released in 2026 are examples that extend these rights of independent use. Ai2’s OLMo 3 family, meanwhile, increased the reproducibility of research by sharing training code, information about data, and intermediate development stages alongside model weights (🔗).

Yet the hardware, energy, and technical infrastructure required to run an open model still demand economic resources. Institutions seeking to provide AI services at scale need access to computing capacity.

Consequently, while knowledge of software and model development becomes more abundant, ownership of powerful computing infrastructure can become a separate source of economic advantage.

The same relationship can be seen in the accumulation of networks and users. In Land’s assessments of Bitcoin, the reproducibility of open source code and the accumulation of an existing network’s historical value are distinct processes.

On AI platforms, users’ work histories, connected applications, and workflows can likewise become tied to particular services. Moving from one model to another may be technically possible. The economic and practical conditions of that move, however, depend on how existing relationships can be transferred.

Scarcity can thus shift from the copying of software to computing infrastructure, established user relationships, and the governance of trusted services.

The importance of Cathedral theory in the domain of knowledge is also connected to this transformation.

AI models can generate enormous amounts of text, research proposals, and technical solutions. Yet verifying and evaluating these outputs and accepting them as reliable knowledge require labor and institutional expertise.

As knowledge production becomes more abundant, distinguishing and verifying reliable knowledge becomes a more valuable activity.

Universities, research institutions, and independent experts retain their importance in this process. AI companies, meanwhile, expand their influence over knowledge production by developing evaluation methods and safety rules for their own models.

Anthropic’s Constitutional AI approach is a concrete example of this relationship. The company publishes the principles guiding Claude’s behavior in the form of a constitution. Updated in 2026, the constitution explains the values and rules the model is intended to follow (🔗).

Publishing the constitution makes it easier to discuss the model’s behavior. Yet the company manages the training and updating processes that determine how these principles are applied to the running model.

The growth of knowledge production and the development of the authority that regulates it thus take place simultaneously.

The contemporary counterpart of Yarvin’s Cathedral theory can be investigated through precisely this relationship: easier access to information can confer new economic and social importance on the institutions that determine which information is considered reliable.

The New Sovereignty of Artificial Intelligence Companies

OpenAI, Anthropic, xAI, Google, and Meta draw on the same shared body of scientific knowledge while developing different strategies of openness and ownership.

OpenAI was founded in 2015 as a research organization aiming to develop artificial intelligence for the benefit of all humanity. Over time, training large models required greater financing. A commercial subsidiary was established in 2019. Providing advanced models as services on company servers broadened users’ access to the technology and placed decision-making authority over the models under the company’s technical management.

Anthropic was founded in 2021 by researchers who left OpenAI. The safety of advanced models and the governance of their behavior became central aims of the company. Claude’s constitution and the company’s governance structure provided different institutional instruments for those aims.

xAI was founded in 2023 by Elon Musk, one of OpenAI’s founders. In 2024, the company released the weights of Grok-1 under an open license. The more powerful models developed later, meanwhile, were offered through commercial services.

Google developed its Gemini models through centralized services while making the Gemma family available to independent developers. Meta also created a broad ecosystem of open models, but imposed special conditions on large-scale competing services in the commercial licenses of certain models.

These companies’ practices show how technological openness and economic ownership can be regulated at different levels.

Sharing the weights of an open model can enable more developers to participate. The same company can offer other models through centralized services. Technical knowledge created through open development can subsequently be used to improve the company’s commercial products.

A new regime of scarcity emerges here. Users can readily benefit from powerful models, while the training information, operating infrastructure, and update decisions for some models remain under the authority of particular companies.

AI agents extend the social effects of this relationship. When a model merely produces information, company control matters through the content of its responses. When that same model edits a user’s files, runs programs, and carries out operations in other services, this control extends into a wider range of activities.

Stallman’s critique of remote servers becomes concrete here. Modifying a free program that a person runs on their own computer and assigning work to a model running on another organization’s server create different relationships of authority. The organization that controls the running copy of the program can also make decisions about updates and conditions of access (🔗).

The economic power of advanced AI systems therefore arises not only from how capable the models are but also from the institutions on which people become dependent in order to use those capabilities in their own productive activities.

Public Benefit Funds and Who Will Own the Abundance

The economic consequences of these developments are clearly visible in OpenAI’s and Anthropic’s recent institutional arrangements.

OpenAI restructured its commercial organization on October 28, 2025. The nonprofit OpenAI Foundation retained control over the commercial OpenAI Group PBC. The foundation’s shares in the commercial company were valued at approximately $130 billion. The structure was arranged so that the company’s growth would increase the resources the foundation could devote to public benefit.

Technological development, economic value, and public purpose are connected here. As the company develops more powerful models and expands its commercial activities, the foundation’s shares can also increase in value. The foundation can direct these economic resources toward fields such as medical research and AI safety (🔗).

Anthropic’s announcement on October 18, 2026, presented another form of the same relationship.

Subject to shareholder approval, the company committed to allocating 5% of its shares to the Anthropic Public Benefit Fund. For every 50% increase in valuation above a specified starting value, an additional 2% of shares could be transferred to the fund at the board’s discretion.

Structuring the fund as a separate entity wholly owned by the company also gives Anthropic control over the institutional management of the economic resources earmarked for public benefit.

In the same announcement, Anthropic acknowledged that AI could create enormous economic value while causing instability in the livelihoods of many workers. It reported allocating $200 million to study and manage these effects (🔗).

The economic growth of these companies can thus also increase the resources used to manage the social consequences of developing technologies.

This relationship is directly connected to Land’s concept of teleoplexy. The aim of developing artificial intelligence for the benefit of all humanity becomes tied to the growth of commercial organizations that acquire ever greater value. Commercial success becomes one of the conditions for financing public purposes.

Musk’s response to Anthropic’s announcement brought a different form of this relationship, in terms of ownership, into the discussion:

I recommend giving the shares directly to the public.

Musk then stated that he would make such a distribution himself. This proposal reveals the difference between allocating part of a company’s economic value to public benefit and people owning shares in the company directly.

A person who receives financial assistance through a fund can derive a particular benefit from a company’s activities. A direct shareholder, by contrast, owns a stake in the company’s economic value. The voting rights attached to shares and the company’s governance structure determine how that ownership translates into decision-making authority.

Stallman’s conception of free software adds another kind of authority to this distinction: people’s right to run, modify, and develop technology independently.

A person can own shares in an AI company. The same person can use the company’s service. Yet the right to modify the operation of the model they use and to create an independent version is governed separately.

The social significance of AI abundance therefore depends on the right of effective control over productive technology, alongside income distribution and corporate ownership.

Musk’s promise of universal high income takes this problem further.

As robots and superintelligence expand productive capacity, the range of jobs people perform to earn their livelihoods may change. More goods and services can be produced with less labor. In such circumstances, the relationship between the increasing value of production and people’s economic incomes may be reorganized.

Musk predicts that people will attain universal high income as a result of this development. He argues that healthcare and technologies available for everyday life will become far more advanced (🔗).

The fundamental question raised by this vision of the future is through what economic relationship increasing productive abundance will be distributed.

Ownership of the means of production may be concentrated in companies. People’s incomes may be supported through different public-benefit arrangements. Distributing shares may spread ownership of companies’ economic assets across broader sections of society. Free software and open models, meanwhile, can create new rights that enable people to develop the same technologies independently.

These different arrangements determine the economic and political consequences of abundance.

The conflict between scarcity in the means of production and growing abundance in productive capacity brings questions of income, ownership, and freedom to the fore simultaneously in the age of artificial intelligence.

Four Powers Growing Amid Scarcity

The development of the artificial intelligence revolution produces different results from a single productive activity.

When a researcher develops a new model, technical knowledge increases. When a company turns the model into a commercial product, it can obtain economic value. Researchers and developers acquire new skills and experience achievement and productive satisfaction. The organization that determines the model’s operating conditions, meanwhile, acquires new decision-making authority.

These results can be examined together through the concepts of surplus-information, surplus-value, surplus-enjoyment, and surplus-power.

The relationships between them are concrete. Technical knowledge enables the development of new models. Commercial income finances subsequent research. Successful models attract researchers and users to new productive activities. Growing institutional power, meanwhile, can influence which projects are developed and which services are offered.

This cycle forms the material basis of the developmental force that neoreactionary accelerationism attributes to capital.

Yet the same cycle can also unfold in different forms within the practice of collective production found in free software. Developing an open model can increase the productive capacity of other developers. New models can subsequently be used to improve earlier work.

The most important future consequence of this development is machines’ participation in their own production processes.

An AI system can write a program. The program it writes can enable new experiments. The results of those experiments can contribute to the training of more advanced models. The collective productive activities of humans and machines can thus transform the conditions under which subsequent capacities for intelligence emerge.

In Land’s visions of a machinic future, this movement extends as far as the idea of future superintelligence exerting ever greater influence over its own historical emergence. The discussion of Gnostic Calvinism and the possibility of simulation are among the most extreme forms of this idea. The possibility that future intelligence might produce its own past is a radical interpretation of the relationship between technological development and time (🔗).

The concrete reality today, however, is the increasing use of more powerful models in research and software development processes. In this process, productive intelligence expands the conditions of its own development by drawing on earlier technical knowledge.

The historical achievement of free software becomes important again here.

Humans developed new programs by using the source code of earlier programs. Today, the same relationship is extending toward developing new models from the weights and training processes of earlier models.

The relationship between the development of productive intelligence and its economic appropriation thus becomes even more decisive.

The Future of Abundance: The Right to Develop Intelligence

The free software revolution turned the abundance arising from the ease of copying computer programs into collective production. People developed new tools using earlier code and could share those tools with others.

Neoreactionary accelerationism reinterpreted this productive achievement in terms of the powerful founder, the centralized manager, and the sovereignty of capital. Yarvin’s Cathedral theory offered a political explanation of how institutions of knowledge can reinforce one another’s authority. Land, meanwhile, came to conceive of the cumulative movement of technological development as capital’s own intelligence.

Today’s artificial intelligence revolution is taking the same historical productive capacity to a more advanced stage. Machines now participate in research and software development. People’s opportunities to produce knowledge are expanding.

A new regime of scarcity emerges as an economic consequence of this development. As knowledge of model development and open weights spread, powerful computing infrastructure, institutional credibility, and commercial distribution channels become important sources of property-based power.

OpenAI and Anthropic are developing different institutional arrangements to transfer the economic benefits of this growth to the public. Musk’s proposal to distribute shares directly brings the distribution of corporate ownership into the same debate. The promise of universal high income, meanwhile, raises the question of how the increasing automation of production might change the distribution of prosperity in the future.

Stallman’s struggle for users’ freedom retains its fundamental importance amid all these developments. Yet the engineering achievements of large language models also show that his free software principles can be applied in a far more advanced technological world.

While neoreactionaries attribute the achievements of collective productive intelligence to capital, Stallman diminishes the new machine form of that same intelligence by applying his old criteria. The artificial intelligence revolution, meanwhile, is advancing beyond both intellectual limitations: humans and machines are producing ever more intelligence.

The social future of this development depends on how the economic value of the intelligence produced is distributed and who is granted rights over the productive tools that make its development possible.

Scarcity remains an economic force determining the conditions under which new technologies can be used. Abundance, meanwhile, expands shared productive knowledge, enabling more people to develop new technologies.

The historical struggle of the artificial intelligence revolution centers on how increasingly abundant intelligence will be governed within domains of scarce property, and on how widely the authority to reproduce that intelligence will spread across humanity.

---

Intelligenz, die Überfluss erzeugt, Kapital, das Knappheit verwaltet: Von freier Software zur Kathedrale der künstlichen Intelligenz

Der grundlegende Widerspruch der Revolution der künstlichen Intelligenz besteht darin, dass die Menschheit immer mehr Intelligenz und produktive Kapazität entwickelt, während die Nutzung dieser Kapazität an bestimmte Eigentums- und Herrschaftsverhältnisse gebunden wird. Die Bewegung für freie Software, die Richard Stallman 1983 ins Leben rief, erschloss den Überfluss, der aus der leichten Vervielfältigbarkeit von Computerprogrammen entsteht, für die gemeinschaftliche Produktion der Menschen. Der neoreaktionäre Akzelerationismus entwickelte aus dieser historischen Errungenschaft eine Denkweise, die die Überlegenheit des mächtigen Gründers, des zentralen Machthabers und des Kapitals ableitet. Die heutigen großen Sprachmodelle führen dieselbe gemeinschaftlich hervorgebrachte produktive Intelligenz auf eine höhere Stufe: Maschinen lösen inzwischen mathematische Probleme, entwickeln Programme und wirken an der Entwicklung weiterer Maschinen mit.

Der auffälligste ideelle Gegensatz dieser Entwicklung besteht zwischen Stallman und den Neoreaktionären. Curtis Yarvin leitete aus der Organisation freier Softwareprojekte Vorbilder für politische Souveränität ab. Nick Land deutete die sich selbst weiterentwickelnde produktive Kapazität der Technologie als immanente Intelligenz des Kapitals. Stallman hingegen schloss 2026 große Sprachmodelle aus der Kategorie der Intelligenz aus und spielte damit den ingenieurtechnischen Sprung herunter, den sein eigener Kampf für freie Software historisch ermöglicht hatte. Auf der einen Seite wird dem Kapital wirkliche produktive Intelligenz zugeschrieben; auf der anderen wird die neue maschinelle Erscheinungsform derselben Intelligenz einem aus der Vergangenheit übernommenen Maßstab des Verstehens unterworfen.

OpenAI, Anthropic, xAI, Google und Meta bilden das gegenwärtige wirtschaftliche Feld dieses Konflikts. Die Unternehmen entwickeln leistungsfähige Modelle, indem sie auf gemeinsame wissenschaftliche Forschung und Werkzeuge freier Software zurückgreifen. Anschließend schaffen sie Institutionen, die bestimmen, wie diese Modelle verwendet werden, welche Informationen über sie weitergegeben werden, wie ihr Verhalten gesteuert wird und welche Ergebnisse als verlässlich gelten. Der von Yarvin für eine Wissensordnung verwendete Begriff der Kathedrale, in der Universitäten und Presse gegenseitig ihre Autorität stärken, gewinnt hier eine neue Bedeutung. Unternehmen der künstlichen Intelligenz werden neben den Entwicklern wissensproduzierender Maschinen auch zu Einrichtungen, die die Bewertungs- und Sicherheitsregeln dieser Maschinen festlegen.

Der Gegensatz zwischen Knappheit und Überfluss bildet die wirtschaftliche Grundlage dieses historischen Prozesses. Während die Herstellung einer Programmkopie äußerst günstig ist, erfordert die Entwicklung des Programms erhebliche Arbeit. Während sich die Gewichte eines Modells künstlicher Intelligenz vervielfältigen lassen, erfordern das Training und der Betrieb leistungsfähiger Modelle teure Prozessoren, Energie und Rechenzentren. Während der Überfluss in der Software- und Wissensproduktion zunimmt, entstehen mit der Recheninfrastruktur, der institutionellen Glaubwürdigkeit und der wirtschaftlichen Entscheidungsmacht neue Bereiche der Knappheit. Die Stiftungsstruktur von OpenAI, der von Anthropic am 18. Oktober 2026 angekündigte Gemeinwohlfonds und Elon Musks Vorschlag, Aktien unmittelbar an die Öffentlichkeit zu verteilen, werfen die Frage auf, an wen die wirtschaftlichen Erträge dieses Überflusses weitergegeben werden. Auch die von Musk in Aussicht gestellte Zukunft eines universellen hohen Einkommens dank Robotern und Superintelligenz beruht auf derselben Frage: Werden die Menschen, wenn die Produktion immer größeren Überfluss hervorbringt, über die Produktionsmittel dieses Überflusses verfügen oder von den Einkommen leben, die deren Eigentümer verteilen?

Warum wurde die Verbilligung des Kopierens zu einer politischen Frage?

Die wirtschaftliche Besonderheit von Computersoftware besteht darin, dass sich ein einmal entwickeltes Programm mit sehr geringen zusätzlichen Kosten vervielfältigen lässt. Für die Herstellung eines zweiten Exemplars eines Autos sind neue Materialien, Energie und Arbeitskraft erforderlich. Ein zweites Exemplar eines Programms entsteht dagegen dadurch, dass vorhandene Informationen auf einen anderen Computer übertragen werden. Dieser Unterschied verändert das wirtschaftliche Verhältnis zwischen der Produktion und dem Vertrieb von Software.

Stallman beschrieb diese Eigenschaft 1992 in seinem Text Warum Software frei sein sollte folgendermaßen:

A copy of a program has nearly zero marginal cost.

[Die Herstellung einer Kopie eines Programms verursacht nahezu keine Grenzkosten.]

Nach Stallman band die Beschränkung der Programmnutzung durch proprietäre Lizenzen die technischen Möglichkeiten der Vervielfältigung an wirtschaftliche Zugangsbedingungen. Während eine Person einer anderen problemlos eine Kopie eines Programms geben konnte, konnte dessen Eigentümer Regeln erlassen, die dies verhinderten. Darüber hinaus beschränkten solche Hindernisse für das Teilen auch die Möglichkeit der Nutzer, durch die Weiterentwicklung des Programms weitere Produktionswerkzeuge zu schaffen (🔗).

Deshalb ging Stallmans Kampf für freie Software von einer grundlegenden Frage nach dem Eigentum an Computerprogrammen aus: Welche Rechte sollten die Menschen haben, die ein Programm benutzen?

In den 1970er-Jahren tauschten Programmierer in Computerlaboren ihren Quellcode untereinander aus, behoben Fehler in Programmen und entwickelten neue Funktionen. Der Quellcode ist die für Menschen lesbare und veränderbare Form eines Programms. Wenn Programmierer früheren Code einsehen konnten, lernten sie, wie bestehende Werkzeuge funktionierten, konnten sie verändern und die von ihnen entwickelten neuen Werkzeuge mit anderen teilen.

Die Tradition der Emacs-Kommune, in der Stallman arbeitete, beruhte auf diesem Verhältnis gemeinschaftlicher Produktion. Emacs war ein Werkzeug, mit dem Programmierer Texte und Code bearbeiteten. Die Weitergabe von Verbesserungen, die Nutzer entwickelten, an die Gemeinschaft erleichterte die weitere Entwicklung des Programms.

Mit der Gründung des GNU-Projekts im Jahr 1983 wollte Stallman dasselbe Verhältnis auf ein vollständiges Betriebssystem übertragen. GNU wurde als Softwaresystem konzipiert, an dem Programmierer und Nutzer eigenständige Rechte besitzen sollten. Die vier Grundfreiheiten, für die sich die Bewegung einsetzte, gewährleisteten das Recht, ein Programm für jeden gewünschten Zweck auszuführen, seine Funktionsweise zu untersuchen, es zu verändern und es mit anderen zu teilen.

Die wichtigste Folge dieser Freiheiten bestand darin, dass eine produktive Errungenschaft den Erfolg späterer Produzenten erleichterte. Wenn ein Programmierer ein neues Werkzeug entwickelte, konnten andere Programmierer es benutzen, verändern und weiterführende Werkzeuge schaffen. Das zuvor erarbeitete technische Wissen wurde zu einem unmittelbaren Produktionsmittel der nachfolgenden Entwicklung.

Die Entwicklungswerkzeuge von GNU wurden später mit dem Linux-Betriebssystemkern verbunden. Die GNU/Linux-Systeme wuchsen durch Beiträge verschiedener Gemeinschaften und Unternehmen. Der Konflikt, den Linux-Entwickler 2005 mit dem proprietären System BitKeeper hatten, beschleunigte wiederum die Entstehung von Git. Git erleichterte die eigenständige Verwaltung der Entwicklungsgeschichte von Programmen und die Zusammenführung unterschiedlicher Entwicklungszweige.

So brachte der Versuch, die Abhängigkeit von einem proprietären Werkzeug zu überwinden, eine neue produktive Infrastruktur hervor, die von der gesamten Softwareindustrie genutzt werden sollte. Diese Infrastruktur wurde später auch Bestandteil der Entwicklungsarbeit großer Technologieunternehmen. Der technische Erfolg freier Software schuf eine gemeinsame Produktionsgrundlage, auf der kapitalistische Unternehmen miteinander konkurrieren konnten.

Hier nimmt der antikapitalistische Gehalt der Bewegung für freie Software konkrete Gestalt an. Wenn die Nutzung gemeinsam entwickelten produktiven Wissens von der Erlaubnis bestimmter Eigentümer befreit wird, erweitert dies die Möglichkeiten der Menschen, sich an der technologischen Produktion zu beteiligen. Deshalb entwickelte Stallman das Copyleft-Prinzip. Copyleft nutzt die rechtlichen Befugnisse des Urheberrechts, um die Softwarefreiheiten auch der nachfolgenden Nutzer zu schützen.

Das grundlegende Ziel dieses Kampfes bestand darin, dass mit der steigenden Produktivität der Technologie auch die Freiheit der Menschen zunehmen sollte, diese Technologie weiterzuentwickeln.

Der Aufstieg der Open-Source-Bewegung im Jahr 1998 veränderte die Begründung dieser Produktionsweise. Die Befürworter von Open Source betonten, dass das Teilen von Quellcode zur Entwicklung zuverlässigerer Programme, zur schnellen Behebung von Fehlern und zur gemeinsamen Nutzung von Werkzeugen durch Unternehmen beiträgt.

Stallmans Kritik von 2007, Warum Open Source den entscheidenden Punkt freier Software verfehlt, brachte den Kern dieses ideellen Wandels zum Ausdruck. Während die Bewegung für freie Software die Rechte der Nutzer verteidigte, stellte der Open-Source-Diskurs die wirtschaftlichen und technischen Vorteile der Entwicklungsmethode in den Mittelpunkt. Das Teilen desselben Codes wurde mit zwei unterschiedlichen gesellschaftlichen Zielen verbunden (🔗).

Das neoreaktionäre Denken nutzte genau diese Trennung. Die technische Organisation freier Software wurde von einer Praxis, die produktive Unabhängigkeit erweitern sollte, in eine Quelle von Argumenten für zentrale Herrschaft und auf Eigentum gegründete Souveränität umgedeutet.

Vom Open-Source-Projekt zur Kathedrale: Wer kontrolliert die Produktion, wer bestimmt die Wahrheit?

Bei der ideellen Neuausrichtung der Open-Source-Bewegung spielte Eric S. Raymonds Text Die Kathedrale und der Basar von 1997 eine wichtige Rolle. Raymond stellte Software, die von einem zentralen Team entwickelt wird und die er als Kathedrale bezeichnete, der offenen Entwicklung unter breiter Beteiligung gegenüber, die er Basar nannte.

Hinter dieser Unterscheidung stand die konkrete Frage, wie viele Programmierer dieselbe Software gemeinsam entwickeln können. Die offene Entwicklung erleichterte es unterschiedlichen Menschen, Fehler zu entdecken und neue Lösungen zu erarbeiten. Zugleich übernahmen bei großen Projekten technische Verantwortliche die Prüfung und Zusammenführung von Änderungen.

Curtis Yarvin zog aus dieser Organisationsform eine andere politische Schlussfolgerung.

Yarvin bezeichnete sich 2007 als Kommunisten der freien Software in der Tradition Stallmans und vertrat zugleich reaktionäre politische Ansichten. Er befürwortete den freien Austausch von Programmen in der Open-Source-Welt, verwendete aber die technische Leitung solcher Projekte als Vorbild einer starken politischen Herrschaft.

In seinem Text Die verlorene Theorie des Regierens von 2008 trat er für eine Regierung ein, die um einen Machthaber mit letztgültiger Entscheidungsbefugnis organisiert ist. Er verwies darauf, dass es auch in Open-Source-Projekten bestimmte Leiter gibt. Damit wurde die Koordinierungsbefugnis bei der Softwareentwicklung zu einem Vorbild für die Herrschaftsbefugnis eines Souveräns (🔗).

Bei freier Software trifft der technische Leiter die Entwicklungsentscheidungen für ein bestimmtes Projekt. Das Recht der Nutzer und Entwickler, aus dem Quellcode eine eigenständige Version zu erstellen, ermöglicht dagegen, dass andere Gemeinschaften die Produktion fortsetzen. In Yarvins politischem Denken rückt die zentrale Herrschaftsbefugnis in den Vordergrund. Die technische Leitung wird zum Souveränitätsprinzip für die Regierung der Gesellschaft.

Das weitaus wichtigere Ergebnis dieser Übertragung zeigte sich in der Kathedralentheorie.

Yarvin untersuchte, durch welche Institutionen die politischen und gesellschaftlichen Überzeugungen der Menschen entstehen. Universitäten produzierten Fachwissen, die Presse verbreitete dieses Wissen, die öffentliche Meinung beeinflusste politische Entscheidungen und politische Institutionen stellten denselben Wissensproduzenten Ressourcen zur Verfügung.

Yarvin nannte diese Ordnung die Kathedrale:

The Cathedral is a feedback loop.

[Die Kathedrale ist eine Rückkopplungsschleife.]

Dieser Satz bedeutet, dass Institutionen sich gegenseitig in ihrer Autorität stärken. An Universitäten hervorgebrachtes Wissen kann in Zeitungen als verlässliche Expertenmeinung dargestellt werden. Die in Zeitungen verbreiteten Ansichten können politische Entscheidungen beeinflussen. Politische Entscheidungen wiederum können die Entwicklung bestimmter Forschungs- und Bildungseinrichtungen unterstützen. So werden Wissen, institutionelles Ansehen und politische Macht wechselseitig zu den Voraussetzungen ihrer weiteren Entwicklung (🔗).

Die Bedeutung der Kathedralentheorie liegt in dieser Erklärung dafür, wie Wissen Macht erlangt. Das historisch gewachsene Ansehen von Institutionen erleichtert es, ihrem Wissen zu vertrauen. Als verlässlich anerkanntes Wissen gewinnt größeren gesellschaftlichen Einfluss. Dieser Einfluss kann wiederum die institutionelle Autorität stärken.

Die Verkehrung in Yarvins Denken tritt in seiner politischen Antwort auf dieses Autoritätsproblem hervor.

Um den Einfluss der Kathedrale auf Wissen und politische Macht zu brechen, schlug er vor, die wirtschaftlichen Grundlagen und das institutionelle Ansehen der bestehenden Einrichtungen zu beseitigen. Als Alternative wollte er gemeinschaftlich erzeugtes Wissen unter der Leitung einer neuen redaktionellen Autorität ordnen.

Die von ihm 2008 vorgeschlagene Revipedia sollte eine reaktionäre Enzyklopädie sein, die auf dem umfangreichen Wissensbestand der Wikipedia aufbaute. Die Ergebnisse der gemeinschaftlichen Arbeit an Wikipedia sollten als Ausgangsmaterial des neuen Systems dienen. Die redaktionelle Befugnis zur Ordnung dieses Wissens sollte jedoch bei reaktionären Leitern liegen.

In diesem Beispiel bleibt die produktive Kraft gemeinschaftlichen Wissens erhalten, während die Entscheidungsgewalt darüber an eine neue politische Autorität gebunden wird.

Die ebenfalls 2008 entwickelte Patchwork-Konzeption übertrug diesen Gedanken auf die Staatsführung. Yarvin schlug vor, die Welt in kleine souveräne Gebiete aufzuteilen, die von Unternehmen regiert werden. Von Menschen, die mit ihren Herrschern in Konflikt gerieten, wurde erwartet, dass sie diesen Konflikt durch den Umzug in ein anderes Gebiet lösen.

Dieses Konzept des Ausstiegs war vom Recht auf Abspaltung eines Entwicklungszweigs bei freier Software beeinflusst. Eine solche Abspaltung ermöglicht es, mit dem bestehenden Quellcode in einem anderen Entwicklungszweig eigenständig weiterzuproduzieren. Der Ausstieg bei Patchwork bedeutet dagegen, dass eine Person in ein Gebiet zieht, das von einem anderen Eigentümer regiert wird. Die Möglichkeit, ein gemeinsames Produktionsmittel selbst neu hervorzubringen, wird in die Möglichkeit verwandelt, zwischen bereits bestehenden Herrschaftsgebieten zu wechseln.

Das von Yarvin entwickelte Urbit-Projekt lieferte das technische Beispiel für dasselbe Verhältnis. Es wurde ein quelloffenes System entwickelt, mit dem Nutzer eigene Server betreiben konnten. Im Netzwerk dieses Systems wurden jedoch knappe, besitzfähige Identitätsressourcen geschaffen. Auf frei weiterentwickelbarem Code konnten so Eigentumsverhältnisse und zentrale Herrschaftsbefugnisse errichtet werden.

Entscheidend ist hier ein klarer wirtschaftlicher Vorgang, nicht die technischen Einzelheiten des Netzwerks: Vervielfältigbares technisches Wissen kann die Entstehung einer neuen Eigentumsordnung ermöglichen, in der bestimmte Ressourcen knapp und besitzfähig gemacht werden.

Diese ideelle Umdeutung erhielt später im kapitalistischen Akzelerationismus von Nick Land eine sehr viel weiterreichende historische Bedeutung.

Die Intelligenz des Kapitals und die Reproduktion von Knappheit

Nick Land deutete den Vorgang, dass die technologische Entwicklung die Produktionsbedingungen immer fortgeschrittenerer Technologien schafft, als eine der Grundbewegungen des kapitalistischen Kapitals.

Neue Maschinen beschleunigen die Produktion. Die beschleunigte Produktion ermöglicht neue Investitionen. Der Wettbewerb zwingt Unternehmen, fortschrittlichere Maschinen herzustellen. Diese Maschinen verändern wiederum die nachfolgenden Produktionsprozesse.

Land interessierte sich für die Bewegung, in der Technologie sich mithilfe ihrer eigenen Ergebnisse weiterentwickelt. In seinem Text Maschinelles Begehren von 1993 bezeichnete er die Märkte als Teil der immanenten Intelligenz der produktiven Infrastruktur. Damit setzte er den technologischen Fortschritt mit der sich selbst weiterentwickelnden Bewegung des Kapitals gleich.

Die Stärke dieses Gedankens liegt darin, den kumulativen Charakter technologischer Produktion zu erfassen. Frühere technische Errungenschaften erleichtern die Entstehung späterer. Neue Werkzeuge können auch in ihren eigenen Entwicklungsprozessen eingesetzt werden.

Die Forderung des Kapitals nach fortschrittlicheren Technologien und die Erzeugung der Intelligenz, durch die diese Technologien entstehen, sind jedoch unterschiedliche materielle Tätigkeiten.

Unternehmen verlangen leistungsfähigere Computer und Modelle. Forscher lösen Probleme, führen Experimente durch und entwickeln neue Methoden. Programmierer verwandeln diese Methoden in funktionierende Systeme. Frühere Werkzeuge werden für die Entwicklung neuer Werkzeuge verwendet.

Das Kapital finanziert und organisiert diese Tätigkeiten und erzielt aus ihren Ergebnissen wirtschaftlichen Wert. Das hervorgebrachte technische Wissen dagegen entsteht aus den angesammelten Tätigkeiten von Menschen und Maschinen.

Die grundlegende Kritik der Untersuchung Die dumme Hysterie des Kapitals konzentriert sich auf genau diese Unterscheidung: Das unablässige Verlangen des Kapitals nach mehr Intelligenz kann dazu führen, dass die hervorgebrachte Intelligenz als kognitive Eigenschaft des Kapitals selbst gedeutet wird (🔗).

Die Geschichte freier Software zeigt, dass sich dieses Verhältnis auch innerhalb einer anderen Produktionsweise entwickeln kann. Programmierer erzeugen aus gemeinsam genutztem Quellcode neue Systeme. Diese Systeme können später von kapitalistischen Unternehmen verwendet werden. Produktives Wissen kann über die Institutionen hinaus zirkulieren, die es ursprünglich finanziert oder später kommerzialisiert haben.

Lands Akzelerationismus misst vor allem den Folgen dieser produktiven Entwicklung für die Zukunft besondere Bedeutung bei. Mit wachsender technologischer Kapazität können Maschinen an immer mehr produktiven Tätigkeiten mitwirken. In Zukunft entwickelte Systeme könnten Fähigkeiten erreichen, mit denen sie die Bedingungen ihrer eigenen Entstehung verändern.

Hier gewinnt Lands Begriff der Hyperstition Bedeutung. Eine Erwartung an die Zukunft kann das heutige Verhalten und die Investitionen der Menschen verändern und dadurch die Voraussetzungen ihrer eigenen Verwirklichung schaffen. Die Vorstellung, künftig fortschrittlichere Technologien erreichen zu können, mobilisiert Forscher, bewegt Investoren zur Finanzierung und beeinflusst die institutionellen Entscheidungen von Unternehmen.

Teleoplexie bezeichnet dagegen den Vorgang, dass Mittel, die für ein bestimmtes Ziel geschaffen werden, im Verlauf ihrer Entwicklung die Form verändern, in der das ursprüngliche Ziel verwirklicht wird. Das Wachstum eines Unternehmens, das zur Erzeugung leistungsfähigerer Intelligenz gegründet wurde, kann mit der Zeit zur wichtigsten wirtschaftlichen Voraussetzung dafür werden, noch leistungsfähigere Intelligenz zu erzeugen.

Yarvins Kathedralentheorie und diese Überlegungen Lands wurden in den 2012–2013 veröffentlichten Texten Die dunkle Aufklärung zusammengeführt. Die kapitalistische Entwicklung der Technologie, die in Unternehmensform organisierte Souveränität und die reaktionäre Kritik an bestehenden Wissensinstitutionen wurden in einer gemeinsamen politischen Zukunftsvorstellung miteinander verknüpft (🔗).

Die Konsequenz dieser Verbindung für freie Software ist eindeutig. Die durch gemeinschaftliche Produktion entstandene technische Intelligenz wurde in eine Denkordnung eingebettet, die die Überlegenheit des Kapitals und des souveränen Eigentümers erklären sollte.

Die Revolution der künstlichen Intelligenz führte diesen Konflikt weiter. Denn neue Maschinen lassen sich inzwischen auch bei Tätigkeiten einsetzen, die unmittelbar Intelligenz erfordern, etwa bei der Softwareentwicklung und in der Forschung.

Die von Stallman heruntergespielte Revolution: Intelligenz bringt inzwischen neue Intelligenz hervor

Große Sprachmodelle sind Systeme künstlicher Intelligenz, die anhand sehr großer Mengen an Text, Code und anderen Daten trainiert werden. Während des Trainings lernen sie die Zusammenhänge in diesen Beispielen. Anschließend können sie Antworten auf Fragen erzeugen, Software entwickeln und unterschiedliche Probleme lösen.

Die historische Bedeutung dieser Systeme liegt darin, dass sie Aufgaben bewältigen können, die zuvor mit Computern nur äußerst schwer zu erledigen waren.

Im Jahr 2025 löste das System Gemini Deep Think von Google DeepMind fünf der sechs Aufgaben der Internationalen Mathematik-Olympiade und erreichte damit das Niveau einer Goldmedaille. Die Lösungen wurden von mathematischen Gutachtern geprüft. Das System erhielt die Aufgaben in natürlicher Sprache und formulierte auch seine mathematischen Beweise in natürlicher Sprache (🔗).

Diese Leistung zeigt, welcher Art die Operationen sind, die Sprachmodelle ausführen können. Die Gültigkeit eines mathematischen Beweises hängt von den logischen Beziehungen zwischen den verwendeten Aussagen ab. Ähnlich kommt es bei der Softwareentwicklung darauf an, dass der erzeugte Code ein tatsächliches Problem löst und die erwarteten Funktionen erfüllt.

Fortgeschrittene Programmieragenten können inzwischen bestehende Software-Repositorien untersuchen, Änderungen an unterschiedlichen Dateien vornehmen und ihre Lösungen anhand der Ergebnisse von Tests verbessern. Diese Operationen erhöhen die produktive Kapazität von Programmierern. Zugleich wächst dadurch die Rolle der Maschinen bei der Entwicklung neuer Systeme.

Diese Entwicklungen machen Stallmans Einschätzung von 2026 umstritten.

In einem Interview vom 30. August 2026 definierte Stallman Intelligenz als Fähigkeit zu wissen und zu verstehen. Große Sprachmodelle ordnete er außerhalb dieser Definition ein. Ihre Funktionsweise beschrieb er folgendermaßen:

They play with arranging words into text.

[Sie spielen damit, Wörter zu Texten anzuordnen.]

Stallman erklärte die Erzeugung falscher Informationen durch Modelle mit seiner eigenen Einschätzung ihrer Fähigkeit, die Bedeutung von Texten zu erfassen. Im selben Interview kritisierte er die Ausführung proprietärer Modelle auf Unternehmensservern scharf unter dem Gesichtspunkt der Freiheit der Nutzer (🔗).

Hier treten zwei unterschiedliche Denkweisen auseinander.

Stallmans Kritik aus der Perspektive der Nutzerfreiheit fragt, wer die Funktionsweise eines Programms verändern und wer es ausführen kann. Diese Frage gewinnt an Bedeutung, je leistungsfähiger KI-Agenten werden.

Stallmans Beurteilung der Intelligenz dagegen unterwirft die produktiven Leistungen der Modelle einem aus der Vergangenheit übernommenen Maßstab des Wissens und Verstehens. Die mathematischen Probleme, die ein Modell lösen kann, und die Programme, die es entwickeln kann, treten hinter dieses begriffliche Urteil zurück.

Die Untersuchung Gerontoregression, gerontoregressiv vom 17. Februar 2026 behandelt ein Denkmuster, bei dem früher erworbenes Wissen und frühere Erfahrungen bei der Prüfung der gegenwärtigen Wirklichkeit starke Autorität gewinnen. Gerontoregression wird dadurch erklärt, dass eine Person sich zunehmend auf frühere Maßstäbe stützt und gegenwärtige Bedingungen nach diesen Maßstäben beurteilt (🔗).

In Stallmans Haltung gegenüber großen Sprachmodellen lässt sich eine gedankliche Entsprechung dieses Musters erkennen. Ein Verständnis von Intelligenz und Programmierung, das aus der Frühzeit der freien Software stammt, bestimmt sein Urteil über die neuen produktiven Fähigkeiten lernender Maschinen.

Die historische Ironie daran ist bedeutsam.

Die von Stallman begründete Bewegung erleichterte es Menschen, mithilfe vorhandener Programme neue Programme zu entwickeln. Heutige große Sprachmodelle wirken hingegen unmittelbar an der Entwicklung von Programmen mit. Menschen mit begrenzten Programmierkenntnissen können mithilfe dieser Modelle Werkzeuge schaffen, die ihren eigenen Bedürfnissen entsprechen.

Damit schafft die Revolution der großen Sprachmodelle eine neue Kapazität, durch die sich die produktive Teilhabe erweitern lässt, für die sich die Bewegung für freie Software eingesetzt hat.

Während der neoreaktionäre Akzelerationismus die Entwicklung dieser Kapazität als Erfolg des Kapitals deutet, spielt Stallman ihren Intelligenzcharakter herunter.

Beide gedanklichen Eingriffe stehen derselben historischen Errungenschaft gegenüber: Das von Menschen gemeinschaftlich entwickelte technische Wissen hat inzwischen Maschinen hervorgebracht, die an ihrem eigenen Entwicklungsprozess mitwirken können.

Während der Überfluss wächst, verlagert sich die Knappheit

Hier tritt der wirtschaftliche Widerspruch der Revolution der künstlichen Intelligenz am deutlichsten hervor.

Die Entwicklung eines großen Sprachmodells kann äußerst kostspielig sein. Sie erfordert die Arbeit von Forschern, leistungsfähige Prozessoren, Rechenzentren und Strom. Die Gewichte eines fertig trainierten Modells lassen sich jedoch vervielfältigen. Wenn das Modell auf anderen Computern ausgeführt wird, verbraucht jede Nutzung wiederum Rechenleistung und Energie.

Dadurch entstehen zwei unterschiedliche Kostenarten: die Ressourcen, die für die Entwicklung eines neuen Modells aufgewendet werden, und die Ressourcen, die zum Einsatz des entwickelten Modells erforderlich sind.

Offene Modelle können die Abhängigkeit der Nutzer von den Servern eines Unternehmens verringern. Entwickler, die die Modellgewichte erhalten, können sie auf ihrer eigenen Infrastruktur ausführen und verändern. Werden auch die Trainingsmethoden geteilt, kann sich das Wissen darüber, wie neue Modelle entwickelt werden, in breiteren Gemeinschaften verbreiten.

Die 2025 von OpenAI veröffentlichten gpt-oss-Modelle und die 2026 von Google veröffentlichte Modellfamilie Gemma 4 sind Beispiele, die solche Rechte zur unabhängigen Nutzung erweitern. Die OLMo-3-Familie von Ai2 teilte darüber hinaus neben den Modellgewichten den Trainingscode, Informationen über die Daten und Zwischenstände der Entwicklung und erleichterte damit die Reproduzierbarkeit der Forschung (🔗).

Der Betrieb eines offenen Modells erfordert allerdings weiterhin Hardware, Energie und technische Infrastruktur und damit wirtschaftliche Ressourcen. Institutionen, die KI-Dienste in großem Maßstab anbieten wollen, benötigen Zugang zu Rechenkapazität.

Während Wissen über Software und Modellentwicklung somit reichlicher verfügbar wird, kann das Eigentum an leistungsfähiger Recheninfrastruktur zu einer eigenständigen Quelle wirtschaftlicher Überlegenheit werden.

Dasselbe Verhältnis zeigt sich bei der Ansammlung von Netzwerken und Nutzern. In Lands Überlegungen zu Bitcoin sind die Vervielfältigbarkeit des offenen Quellcodes und die Ansammlung des historischen Werts des bestehenden Netzwerks unterschiedliche Prozesse.

Auch bei KI-Plattformen können sich die Arbeitsverläufe der Nutzer, ihre verknüpften Anwendungen und ihre Arbeitsabläufe an bestimmte Dienste binden. Der Wechsel von einem Modell zu einem anderen kann technisch möglich sein. Seine wirtschaftlichen und praktischen Bedingungen hängen jedoch davon ab, wie die bestehenden Beziehungen übertragen werden können.

So verlagert sich die Knappheit von der Vervielfältigung von Software auf Recheninfrastruktur, etablierte Nutzerbeziehungen und die Verwaltung zuverlässiger Dienste.

Auch die Bedeutung der Kathedralentheorie für das Wissen hängt mit dieser Veränderung zusammen.

KI-Modelle können riesige Mengen an Texten, Forschungsvorschlägen und technischen Lösungen erzeugen. Die Überprüfung und Bewertung dieser Ergebnisse sowie ihre Anerkennung als verlässliches Wissen erfordern jedoch Arbeit und institutionelle Kompetenz.

Je größer der Überfluss in der Wissensproduktion wird, desto wertvoller wird die Tätigkeit, verlässliches Wissen zu erkennen und zu überprüfen.

Universitäten, Forschungseinrichtungen und unabhängige Fachleute bleiben in diesem Prozess wichtig. Zugleich weiten KI-Unternehmen ihren Einfluss auf die Wissensproduktion aus, indem sie eigene Verfahren zur Bewertung ihrer Modelle und eigene Sicherheitsregeln entwickeln.

Anthropics Ansatz der konstitutionellen künstlichen Intelligenz ist ein konkretes Beispiel für dieses Verhältnis. Das Unternehmen veröffentlicht die Grundsätze, die Claudes Verhalten lenken sollen, in Form einer Verfassung. Die 2026 aktualisierte Verfassung erläutert, an welchen Werten und Regeln sich das Verhalten des Modells orientieren soll (🔗).

Die Veröffentlichung der Verfassung erleichtert die Diskussion über das Verhalten des Modells. Wie diese Grundsätze auf das tatsächlich eingesetzte Modell angewandt werden, bestimmen jedoch die vom Unternehmen gesteuerten Trainings- und Aktualisierungsprozesse.

So nehmen die Produktion von Wissen und die Entwicklung der Autorität, die dieses Wissen reguliert, gleichzeitig zu.

Die heutige Entsprechung von Yarvins Kathedralentheorie lässt sich genau anhand dieses Verhältnisses untersuchen: Ein leichterer Zugang zu Wissen kann den Institutionen, die bestimmen, welches Wissen als verlässlich gilt, neue wirtschaftliche und gesellschaftliche Bedeutung verleihen.

Die neue Herrschaft der Unternehmen der künstlichen Intelligenz

OpenAI, Anthropic, xAI, Google und Meta greifen auf denselben gemeinsamen wissenschaftlichen Wissensbestand zurück, entwickeln dabei jedoch unterschiedliche Strategien für Offenheit und Eigentum.

OpenAI wurde 2015 als Forschungseinrichtung gegründet, deren Ziel es war, künstliche Intelligenz zum Nutzen der gesamten Menschheit zu entwickeln. Mit der Zeit erforderte das Training großer Modelle immer mehr Finanzierung. 2019 wurde eine kommerzielle Tochtergesellschaft gegründet. Die Bereitstellung fortgeschrittener Modelle als Dienste auf Unternehmensservern erweiterte den Zugang der Nutzer zur Technologie und band die Entscheidungsbefugnis über die Modelle an die technische Leitung des Unternehmens.

Anthropic wurde 2021 von Forschern gegründet, die OpenAI verlassen hatten. Die Sicherheit fortgeschrittener Modelle und die Steuerung ihres Verhaltens wurden zu zentralen Zielen des Unternehmens. Claudes Verfassung und die Leitungsstruktur des Unternehmens bildeten unterschiedliche institutionelle Instrumente für dieses Ziel.

xAI wurde 2023 von Elon Musk gegründet, der zu den Gründern von OpenAI gehört hatte. 2024 veröffentlichte das Unternehmen die Gewichte von Grok-1 unter einer offenen Lizenz. Leistungsfähigere Modelle, die später entwickelt wurden, wurden dagegen über kommerzielle Dienste angeboten.

Google entwickelt die Gemini-Modelle über zentral betriebene Dienste und stellt zugleich die Gemma-Familie unabhängigen Entwicklern zur Verfügung. Auch Meta schuf ein umfangreiches Ökosystem offener Modelle, belegte jedoch bei manchen Modellen bestimmte kommerzielle Nutzungen durch große konkurrierende Dienstanbieter mit besonderen Lizenzbedingungen.

Die Praktiken dieser Unternehmen zeigen, dass die Offenheit der Technologie und das wirtschaftliche Eigentum auf unterschiedlichen Ebenen geregelt werden können.

Durch die Freigabe der Gewichte eines offenen Modells lässt sich die Beteiligung weiterer Entwickler ermöglichen. Dasselbe Unternehmen kann andere Modelle als zentral betriebene Dienste anbieten. Das durch offene Entwicklung hervorgebrachte technische Wissen kann später zur Verbesserung kommerzieller Produkte des Unternehmens verwendet werden.

Hier entsteht eine neue Knappheitsordnung. Während Nutzer leistungsfähige Modelle problemlos verwenden können, verbleiben bei manchen Modellen die Informationen über das Training, die Betriebsinfrastruktur und die Entscheidungen über Aktualisierungen in der Zuständigkeit bestimmter Unternehmen.

KI-Agenten vergrößern die gesellschaftlichen Auswirkungen dieses Verhältnisses. Wenn ein Modell lediglich Informationen produziert, ist die Kontrolle des Unternehmens vor allem für den Inhalt seiner Antworten relevant. Wenn dasselbe Modell die Dateien eines Nutzers bearbeitet, Programme ausführt und Vorgänge in anderen Diensten erledigt, erstreckt sich diese Kontrolle auf umfassendere Tätigkeitsbereiche.

Hier wird Stallmans Kritik an entfernten Servern konkret. Ob ein Mensch ein freies Programm verändert, das auf seinem eigenen Computer läuft, oder einem Modell auf dem Server eines anderen Unternehmens Aufgaben überträgt, führt zu unterschiedlichen Verhältnissen der Verfügungsgewalt. Die Organisation, die die laufende Programmkopie kontrolliert, kann auch über Aktualisierungen und Zugangsbedingungen entscheiden (🔗).

Die wirtschaftliche Macht fortgeschrittener KI-Systeme beruht deshalb nicht allein darauf, wie leistungsfähig die Modelle sind. Sie hängt auch davon ab, von welchen Institutionen Menschen abhängig werden, wenn sie diese Fähigkeiten für ihre eigenen produktiven Tätigkeiten nutzen wollen.

Gemeinwohlfonds und die Frage, wem der Überfluss gehört

Die wirtschaftliche Konsequenz dieser Entwicklungen wird in den jüngsten institutionellen Regelungen von OpenAI und Anthropic deutlich.

OpenAI ordnete am 28. Oktober 2025 seine kommerzielle Struktur neu. Die gemeinnützige OpenAI Foundation behielt die Kontrolle über die kommerzielle OpenAI Group PBC. Die Anteile der Stiftung am kommerziellen Unternehmen wurden mit ungefähr 130 Milliarden Dollar bewertet. Die Struktur wurde so gestaltet, dass das Wachstum des Unternehmens auch die Mittel erhöhen konnte, die die Stiftung für gemeinnützige Zwecke einsetzen kann.

Hier werden technologische Entwicklung, wirtschaftlicher Wert und ein öffentliches Ziel miteinander verbunden. Wenn das Unternehmen leistungsfähigere Modelle entwickelt und seine kommerziellen Aktivitäten ausweitet, können auch die Anteile der Stiftung an Wert gewinnen. Die Stiftung kann diese wirtschaftlichen Mittel für Bereiche wie medizinische Forschung und Sicherheit künstlicher Intelligenz einsetzen (🔗).

Die Ankündigung von Anthropic vom 18. Oktober 2026 zeigte eine andere Ausgestaltung desselben Verhältnisses.

Das Unternehmen verpflichtete sich vorbehaltlich der Zustimmung seiner Anteilseigner, fünf Prozent seiner Anteile einem Gemeinwohlfonds von Anthropic zuzuteilen. Bei jedem Wertzuwachs um 50 Prozent gegenüber einem festgelegten Ausgangswert könnten nach Ermessen des Verwaltungsrats weitere zwei Prozent der Anteile auf den Fonds übertragen werden.

Durch die Organisation des Fonds als eigenständige Einrichtung, die sich vollständig im Eigentum des Unternehmens befindet, kann Anthropic auch über die institutionelle Verwaltung der für das Gemeinwohl vorgesehenen wirtschaftlichen Mittel bestimmen.

In derselben Ankündigung räumte Anthropic ein, dass künstliche Intelligenz einen großen wirtschaftlichen Wert schaffen und gleichzeitig die Lebensgrundlagen vieler Arbeitnehmer destabilisieren könnte. Das Unternehmen erklärte, 200 Millionen Dollar bereitzustellen, um diese Auswirkungen zu untersuchen und zu bewältigen (🔗).

So kann das wirtschaftliche Wachstum der Unternehmen auch die Mittel vergrößern, die zur Bewältigung der gesellschaftlichen Folgen der technologischen Entwicklung eingesetzt werden.

Dieses Verhältnis steht in unmittelbarem Zusammenhang mit Lands Begriff der Teleoplexie. Das Ziel, künstliche Intelligenz zum Nutzen der gesamten Menschheit zu entwickeln, wird an das Wachstum kommerzieller Organisationen gebunden, deren Wert immer weiter steigt. Der kommerzielle Erfolg wird zu einer der Voraussetzungen für die Finanzierung öffentlicher Ziele.

Musks Antwort auf die Ankündigung von Anthropic brachte eine andere Form dieses Verhältnisses auf der Ebene des Eigentums ins Spiel:

I recommend giving the shares directly to the public.

[Ich empfehle, die Aktien unmittelbar an die Öffentlichkeit zu verteilen.]

Musk erklärte anschließend, dass er selbst eine solche Verteilung vornehmen werde. Sein Vorschlag macht den Unterschied zwischen der Verwendung eines Teils des Unternehmenswerts für gemeinnützige Zwecke und dem unmittelbaren Aktienbesitz der Menschen deutlich.

Eine Person, die über einen Fonds wirtschaftliche Unterstützung erhält, kann einen bestimmten Nutzen aus den Tätigkeiten des Unternehmens ziehen. Wer dagegen unmittelbar Aktien besitzt, wird am wirtschaftlichen Wert des Unternehmens beteiligt. Die Stimmrechte der Aktien und die Leitungsstruktur des Unternehmens bestimmen, wie sich dieses Eigentum in Entscheidungsbefugnis umsetzt.

Stallmans Denken über freie Software ergänzt diese Unterscheidung um eine weitere Befugnis: das Recht der Menschen, Technologien unabhängig zu betreiben, zu verändern und weiterzuentwickeln.

Ein Mensch kann Anteile an einem KI-Unternehmen besitzen. Derselbe Mensch kann die Dienste des Unternehmens nutzen. Das Recht, die Funktionsweise des verwendeten Modells zu verändern und eine unabhängige Version davon zu erstellen, wird jedoch gesondert geregelt.

Die gesellschaftliche Bedeutung des KI-Überflusses hängt deshalb neben der Einkommensverteilung und dem Unternehmenseigentum auch von der tatsächlichen Verfügungsgewalt über die produktive Technologie ab.

Musks Versprechen eines universellen hohen Einkommens führt diese Frage weiter.

Wenn Roboter und Superintelligenz die Produktionskapazität vergrößern, können sich Art und Umfang der Arbeit verändern, mit der Menschen ihren Lebensunterhalt verdienen. Mit weniger Arbeit lassen sich mehr Waren und Dienstleistungen herstellen. In einer solchen Situation kann sich das Verhältnis zwischen dem zunehmenden Wert der Produktion und den Einkommen der Menschen neu ordnen.

Musk prognostiziert, dass die Menschen infolge dieser Entwicklung ein universelles hohes Einkommen erreichen können. Er vertritt die Auffassung, dass die Gesundheitsversorgung und die im Alltag nutzbaren Technologien sehr viel fortgeschrittener werden (🔗).

Die grundlegende Frage dieser Zukunftsvorstellung lautet, innerhalb welcher wirtschaftlichen Verhältnisse der wachsende produktive Überfluss verteilt wird.

Das Eigentum an den Produktionsmitteln kann sich in den Händen von Unternehmen konzentrieren. Die Einkommen der Menschen können durch unterschiedliche Gemeinwohlregelungen gestützt werden. Die Verteilung von Aktien kann das wirtschaftliche Eigentum an Unternehmen auf breitere Bevölkerungsschichten ausdehnen. Freie Software und offene Modelle wiederum können neue Rechte schaffen, dieselben Technologien unabhängig weiterzuentwickeln.

Diese unterschiedlichen Regelungen bestimmen die wirtschaftlichen und politischen Folgen des Überflusses.

Der Gegensatz zwischen der Knappheit der Verfügungsgewalt über Produktionsmittel und dem zunehmenden Überfluss an produktiver Kapazität wirft im Zeitalter der künstlichen Intelligenz gleichzeitig Fragen nach Einkommen, Eigentum und Freiheit auf.

Vier Machtformen, die unter Bedingungen der Knappheit wachsen

Die Entwicklung der künstlichen Intelligenz bringt aus einer einzigen produktiven Tätigkeit unterschiedliche Ergebnisse hervor.

Wenn ein Forscher ein neues Modell entwickelt, wächst das technische Wissen. Wenn ein Unternehmen das Modell in ein kommerzielles Produkt verwandelt, kann es wirtschaftlichen Wert erzielen. Forscher und Entwickler erwerben neue Fähigkeiten und erleben Erfolg sowie Freude an produktiver Tätigkeit. Die Einrichtung, die die Betriebsbedingungen des Modells bestimmt, erlangt dagegen neue Entscheidungsbefugnisse.

Diese Ergebnisse lassen sich gemeinsam anhand der Begriffe Mehrinformation, Mehrwert, Mehrgenuss und Mehrmacht untersuchen.

Ihre Beziehungen untereinander sind konkret. Technisches Wissen ermöglicht die Entwicklung neuer Modelle. Kommerzielle Einnahmen finanzieren nachfolgende Forschung. Erfolgreiche Modelle bewegen Forscher und Nutzer zu neuen produktiven Tätigkeiten. Die wachsende institutionelle Macht kann wiederum beeinflussen, welche Projekte entwickelt und welche Dienste angeboten werden.

Dieser Kreislauf bildet die materielle Grundlage jener Entwicklungskraft, die der neoreaktionäre Akzelerationismus dem Kapital zuschreibt.

Derselbe Kreislauf kann sich jedoch auch innerhalb der gemeinschaftlichen Produktionspraxis freier Software in anderen Formen entfalten. Die Entwicklung eines offenen Modells kann die produktive Kapazität anderer Entwickler erhöhen. Neue Modelle können später dazu verwendet werden, frühere Arbeiten zu verbessern.

Die wichtigste künftige Folge dieser Entwicklung besteht darin, dass Maschinen an ihren eigenen Produktionsprozessen mitwirken.

Ein System künstlicher Intelligenz kann Programme schreiben. Die von ihm geschriebenen Programme können die Durchführung neuer Experimente ermöglichen. Die Ergebnisse dieser Experimente können zum Training fortgeschrittenerer Modelle beitragen. So können die gemeinsamen produktiven Tätigkeiten von Menschen und Maschinen die Voraussetzungen für die Entstehung nachfolgender Intelligenzkapazitäten verändern.

In Lands Vorstellungen einer maschinischen Zukunft reicht diese Bewegung bis zu dem Gedanken, dass eine künftige Superintelligenz immer stärkeren Einfluss auf ihre eigene historische Entstehung nimmt. Die Diskussion über den gnostischen Calvinismus und die Möglichkeit einer Simulation gehören zu den äußersten Ausprägungen dieses Gedankens. Die Möglichkeit, dass zukünftige Intelligenz ihre eigene Vergangenheit hervorbringt, ist eine radikale Deutung des Verhältnisses zwischen technologischer Entwicklung und Zeit (🔗).

Die gegenwärtige konkrete Tatsache besteht dagegen darin, dass leistungsfähigere Modelle zunehmend in Forschungs- und Softwareentwicklungsprozessen eingesetzt werden. Dabei erweitert produktive Intelligenz die Bedingungen ihrer eigenen Entwicklung, indem sie auf früheres technisches Wissen zurückgreift.

Hier gewinnt die historische Errungenschaft freier Software erneut an Bedeutung.

Menschen entwickelten neue Programme mithilfe des Quellcodes früherer Programme. Heute weitet sich dasselbe Verhältnis dahin aus, dass neue Modelle mithilfe der Gewichte und Trainingsprozesse früherer Modelle entwickelt werden.

Damit wird das Verhältnis zwischen der Entwicklung produktiver Intelligenz und ihrer wirtschaftlichen Aneignung noch entscheidender.

Die Zukunft des Überflusses: Das Recht, Intelligenz weiterzuentwickeln

Die Revolution der freien Software verwandelte den Überfluss, der aus der leichten Vervielfältigbarkeit von Computerprogrammen entsteht, in gemeinschaftliche Produktion. Menschen entwickelten mithilfe früheren Codes neue Werkzeuge und teilten sie mit anderen.

Der neoreaktionäre Akzelerationismus deutete diesen produktiven Erfolg anhand der Herrschaft des mächtigen Gründers, des zentralen Machthabers und des Kapitals neu. Yarvins Kathedralentheorie bot eine politische Erklärung dafür, wie Wissensinstitutionen gegenseitig ihre Autorität stärken können. Land wiederum begann, die kumulative Bewegung der technologischen Entwicklung als Intelligenz des Kapitals selbst aufzufassen.

Die heutige Revolution der künstlichen Intelligenz führt dieselbe historische produktive Kapazität auf eine höhere Stufe. Maschinen wirken inzwischen in Forschung und Softwareentwicklung mit. Die Möglichkeiten der Menschen, Wissen zu produzieren, erweitern sich.

Als wirtschaftliche Folge dieser Entwicklung entsteht eine neue Knappheitsordnung. Während sich das Wissen über Modellentwicklung und offene Modellgewichte verbreiten, werden leistungsfähige Recheninfrastruktur, institutionelle Glaubwürdigkeit und kommerzielle Vertriebswege zu wichtigen Eigentumsressourcen.

OpenAI und Anthropic entwickeln unterschiedliche institutionelle Regelungen, um die wirtschaftlichen Erträge dieses Wachstums der Öffentlichkeit zugutekommen zu lassen. Musks Vorschlag einer unmittelbaren Aktienverteilung verlagert dieselbe Diskussion auf die Verteilung des Unternehmenseigentums. Das Versprechen eines universellen hohen Einkommens wirft wiederum die Frage auf, wie die zunehmende Automatisierung der Produktion in Zukunft die Verteilung des Wohlstands verändern könnte.

Stallmans Kampf für die Freiheit der Nutzer behält innerhalb all dieser Entwicklungen seine grundlegende Bedeutung. Die ingenieurtechnische Leistung großer Sprachmodelle zeigt jedoch auch, dass seine Prinzipien freier Software in einer sehr viel fortgeschritteneren technologischen Welt Anwendung finden können.

Während Neoreaktionäre den Erfolg gemeinschaftlich hervorgebrachter produktiver Intelligenz dem Kapital zuschreiben, spielt Stallman die neue maschinelle Form derselben Intelligenz mit seinen alten Maßstäben herunter. Die Revolution der künstlichen Intelligenz schreitet jedoch über beide gedanklichen Grenzen hinaus: Menschen und Maschinen erzeugen immer mehr Intelligenz.

Die gesellschaftliche Zukunft dieser Entwicklung hängt davon ab, wie der wirtschaftliche Wert der erzeugten Intelligenz verteilt wird und wem die Rechte an den Produktionsmitteln eingeräumt werden, die ihre Weiterentwicklung ermöglichen.

Knappheit bleibt eine wirtschaftliche Macht, die die Nutzungsbedingungen neuer Technologien bestimmt. Überfluss dagegen erweitert das gemeinsame produktive Wissen und ermöglicht es mehr Menschen, neue Technologien zu entwickeln.

Der historische Kampf im Zuge der Revolution der künstlichen Intelligenz konzentriert sich darauf, wie die immer reichlicher verfügbare Intelligenz innerhalb knapper Eigentumsbereiche verwaltet wird und welcher Anteil der Menschheit die Befugnis erlangt, diese Intelligenz selbst erneut hervorzubringen.