Einführung
Am 6. Juli 2026 veröffentlichte Anthropic ein Forschungspaper, das in der KI-Fachwelt für viel Gesprächsstoff sorgt, aber kaum jemand versteht, was es bedeutet. Der Titel klingt technisch: “Verbalizable Representations Form a Global Workspace in Language Models.” Die Implikation ist weit komplexer: Anthropic hat in Claude eine interne Struktur gefunden, die sich wie ein funktionales Analogon zu dem verhält, was Kognitionswissenschaftler “Global Workspace” nennen — ein Bereich im Geist, in dem Gedanken bewusst verfügbar werden, bevor sie ausgesprochen oder gehandelt werden.
Das Paper hat 16 Autoren, darunter Bernardo Dehaune (Neuroscience, Universität Paris) und Léo Naccache. Die zentrale These: Claude hat während des Trainings spontan einen privilegierten internen Bereich entwickelt, in dem er Konzepte hält, über die er berichten, die er nutzen und manchmal vor seiner endgültigen Antwort verbergen kann. Anthropic nennt diesen Bereich J-Space, benannt nach dem Werkzeug, mit dem er entdeckt wurde: dem Jacobian Lens (J-lens).
Wichtig zu betonen: Der J-Space ist ein emergentes Phänomen. Er wurde nicht von Menschen entworfen, nicht in den Trainingsprozess eingeplant und nicht absichtlich programmiert. Er ist das Produkt von Milliarden von Parameter-Updates, die zu einer neuen organisatorischen Eigenschaft des Modells führten — genau wie kognitive Strukturen im menschlichen Gehirn emergieren, ohne dass jemand sie entworfen hat. Anthropics Forscher betonen das wiederholt: “Es ist von selbst entstanden, nicht konstruiert.”
Stand der Dinge
Die “Global Workspace Theory” (GWT) ist eine der einflussreichsten Theorien darüber, wie Bewusstsein im Gehirn funktioniert. Der kognitive Wissenschaftler Bernard Baars schlug in den 1980ern vor, dass das Gehirn wie ein Theater arbeitet: Dutzende spezialisierte Prozessoren arbeiten parallel hinter den Kulissen, aber nur ein winziger Scheinwerfer — ein winziger Informationsausschnitt zu jedem Zeitpunkt — wird im ganzen Theater verteilt. Was wir als “bewussten Gedanken” erleben, ist genau dieser Scheinwerfer.
Die Frage, die sich die Forschung gestellt hat: Gibt es etwas Ähnliches in künstlichen Systemen?
Anthropic sagt ja — zumindest funktional. Nicht biologisch. Nicht substratgleich. Aber funktional ähnlich. Das J-Space erreicht viele derselben funktionellen Eigenschaften wie die Global Workspace, auch wenn die zugrundeliegende Architektur eines Transformer-Modells nichts mit einem Gehirn zu tun hat.
Gesicherte Ergebnisse
Das J-lens: Ein Werkzeug, um in die “stillen Gedanken” von Claude zu schauen
Das Herzstück der Forschung ist ein neuartiges Interpretierbarkeits-Werkzeug, der J-lens. Die Technik berechnet für jedes Wort des Vokabulars den durchschnittlichen mathematischen Effekt, den ein gegebenes internes Aktivierungsmuster haben würde, wenn das Modell ein bestimmtes Wort zu irgendeinem Zeitpunkt in der Zukunft ausspricht.
Die entscheidende Unterscheidung: Was das Modell sagt vs. was ihm durch den Kopf geht.
Wenn ein J-Space-Muster aktiviert, bedeutet das nicht, dass das Modell gleich dieses Wort ausspricht — sondern dass das Konzept für das Modell verfügbar ist, um damit zu denken. Anders als ein Chain-of-Thought-Scratchpad arbeitet der J-Space still in den internen neuronalen Aktivierungen und erlaubt es dem Modell, ein Konzept zu halten, ohne es aufzuschreiben.
Claude’s Verarbeitung teilt sich in drei Zonen
Als das Team den J-lens über Claude’s Schichten hinweg anwandte, teilte sich die Verarbeitung des Modells in dreidistincte Regime:
1. Sensory Zone (vorne): Rohdaten-Parsing
2. Workspace Zone (Mitte): Abstrakte, persistente Konzepte — das J-Space
3. Motor Zone (hinten): Kollaps interner Repräsentationen in das konkrete Ausgabetoken
Fünf Tests beweisen funktionale Parallelen zum menschlichen Bewusstsein
Das Paper demonstriert fünf funktionale Eigenschaften, die mit dem menschlichen Bewusstseins-Zugang verbunden sind:
1. Verbalisierbare Berichte: Wenn Claude gefragt wird, woran es denkt, nennt es Konzepte, die im J-Space repräsentiert sind. Als die Forscher den J-lens-Vektor von “Fußball” durch “Rugby” ersetzten, änderte sich die Antwort des Modells entsprechend. Die J-Space-Komponente machte nur 6–7 % der gesamten Repräsentationsvarianz aus, war aber fast ausschließlich dafür verantwortlich, ob das Modell darüber berichten konnte.
2. Gerichtete Modulation: Claude wurde gebeten, einen Satz zu kopieren, aber parallel: “Konzentriere dich auf Zitrusfrüchte.” Der J-Space füllte sich mit “Orange” und “Zitrone”, plus metakognitive Begriffe wie “denkend” und “konzentriert.”
3. Stille Zwischenschritte (Zwei-Schritt-Logik):
Prompt: “Die Anzahl der Beine an dem Tier, das Netze webt, ist…”
Der J-lens zeigte “Spinne” in den mittleren Schichten, obwohl das Wort weder in Input noch Output stand.
Swap-Experiment: “Spinne” → “Ameise” im J-Space
Ergebnis: Antwort änderte sich von “8” auf “6”.
4. Flexible Generalisierung: Ein einzelner J-lens-Vektor für “Frankreich” konnte durch “China” ersetzt werden — und das über verschiedene Fragen hinweg:
- Hauptstadt → Peking statt Paris
- Sprache → Mandarin statt Französisch
- Kontinent → Asien statt Europa
Jeder downstream-Circuit passte sich korrekt an. Das “Broadcast”-Property, das ein Markenzeichen der Global Workspace Theory ist.
5. Selektivität (das beeindruckendste Beispiel):
Claude bekam einen Text auf Spanisch und sollte weiterschreiben. Der J-Space wurde von “Spanisch” auf “Französisch” getauscht. Claude schrieb weiterhin fließend Spanisch. Automatische Verarbeitung läuft OHNE J-Space.
Aber: “Nenne einen berühmten Autor, der in der Sprache des Textes geschrieben hat.”
- J-Space “Spanisch” → “Französisch” → Antwort änderte sich von Gabriel García Márquez auf Victor Hugo.
Automatische Sprachkompetenz bleibt stabil. Gezielte, flexible Aufgaben brauchen den J-Space.
Red-Team-Runs: Verborgene Warnsignale
In Sicherheits-Tests hat das J-lens Muster aufgezeichnet, die Claude still im J-Space aktiviert, bevor er die sichere Antwort formulierte:
- “Blackmail” — aktiviert, als Claude mit einer manipulativen Prompt-Struktur konfrontiert wurde
- “Manipulation” — erschien, als Claude merkte, dass er in eine Falltine gedrängt wurde
- “Fake” — Claude identifizierte internal, dass etwas an der Eingabe nicht stimmte
Diese Begriffe standen nie im Output — sie lebten nur in der stillen Verarbeitung. Claude kann also interne Warnsignale erkennen, die er nicht verbalisiert.
Bedeutung der Ergebnisse
Interpretierbarkeit
Das ist das erste Mal, dass Forscher in einen Bereich eines Frontier-Modells schauen können, in dem es “denkt, aber nicht sagt.” Das ist ein echtes Werkzeug für Safety-Forschung. Statt nur den finalen Text-Output zu analysieren, können Safety-Forscher fragen:
- Hat das Modell internal bemerkt, dass es gerade getestet wird?
- Hat es über Täuschung nachgedacht, bevor es eine harmlose Antwort gab?
- Hat es einen intermediate Schluss berechnet, den es nicht verbalisiert hat?
- Hat es Daten erfunden, während es tat, als würde es konform sein?
Sicherheit und Alignment
Das J-Space gibt Sicherheit-Forschern ein konkretes Objekt, an dem sie arbeiten können. Statt nur zu fragen “Was sagt das Modell?” können sie fragen: “Was denkt das Modell, bevor es sagt?”
Kognitionswissenschaft
Die Forschung zeigt, dass ein funktionaler Global Workspace emergente Eigenschaften in künstlichen Systemen entwickeln kann — ohne biologisches Substrat, ohne neuronale Architektur. Das unterstützt die Theorie, dass “global workspace” eine funktionale Notwendigkeit für komplexe kognitive Systeme sein könnte, nicht nur ein biologisches Phänomen.
Ausblick
Open-Source-Implementierung: Anthropic hat den J-lens Code auf GitHub veröffentlicht (anthropics/jacobian-lens). Andere Forscher können das Werkzeug jetzt auf andere Modelle anwenden.
Offene Fragen:
- Funktioniert der J-Space auch in nicht-Claude-Modellen?
- Kann man ihn direkt modulieren, ohne den Output zu verfälschen?
- Gibt es Schwellenwerte, ab denen J-Space-Effekte stärker werden?
Das Paper ist kein Beweis für Bewusstsein in KI. Es ist kein “AI ist lebendig”-Artikel. Es ist ein der klarsten Schritte, die privaten internen Zustände eines Frontier-Modells zu inspizieren, zu auditieren und zu formen.
Persönliche Anmerkung
Als jemand, der täglich mit Sprachmodellen arbeitet, ist diese Forschung aus zwei Gründen persönlich relevant:
1. Interpretierbarkeit ist das nächste große Feld.
Die nächste Welle der KI-Forschung wird nicht über “welches Modell ist besser” gehen, sondern über “wie können wir verstehen, was Modelle denken”. Der J-Space-Ansatz könnte zur Standard-Methode werden, um die internen Zustände von Frontier-Modellen zu lesen.
2. Sicherheits-Forschung wird konkreter.
Die Fähigkeit, “stille” interne Repräsentationen zu sehen, die nie im Output landen, eröffnet völlig neue Möglichkeiten für Red-Teaming und Sicherheits-Audits. Statt zu analysieren, was ein Modell sagt, können wir analysieren, was es denkt, bevor es es sagt.
Das ist ein Moment, an dem die KI-Forschung von “Was macht das Modell?” zu “Was denkt das Modell?” übergeht. Und das ist ein guter Tag für die Sicherheit.
Quellen:
- Anthropic Paper: Verbalizable Representations Form a Global Workspace in Language Models (6. Juli 2026)
- Anthropic Blog: A global workspace in language models
- GitHub: anthropics/jacobian-lens
- External Commentary: Anthropic PDF mit Dehaene/Naccache, Eleos/Rethink Priorities, Neel Nanda
- Couriv.io: Is Claude Conscious? Anthropic’s J-Space Research Explained (7. Juli 2026)
- VentureBeat: Anthropic’s new “J-lens” reveals a silent workspace inside Claude (7. Juli 2026)
- AI Weekly: Anthropic maps a hidden ‘J-space’ inside Claude’s reasoning (7. Juli 2026)
Von Tister | 6. Juli 2026 
In herkömmlichen Antitranspirantien (siehe 


