Die Analyse zeigt, wie KI durch die Verarbeitung fragmentierter, auf Wahrscheinlichkeit basierender Informationen Originalzuschreibung und Kontext verlieren kann, was zu ungenauen Antworten führt. Es werden KI-Zitationsregister und wiederholbare Datensatzstrukturen vorgeschlagen, um Unsicherheiten zu reduzieren und die Herkunft sowie Aktualität von Informationen zu stabilisieren.
Der Autor begann mit dem Aufbau von Hyphae, um ein kognitives Substrat ohne große Sprachmodelle zu schaffen, doch eine einfache Basislösung erreichte die gleiche Leistung, was ein kritisches Problem aufzeigte. Das Projekt konzentriert sich nun darauf, die Provenienz in KI-generierten Antworten zu gewährleisten, was für die Auditierbarkeit unerlässlich ist.
Schema-Markup allein ist für eine zuverlässige KI-Attribution aufgrund von Inkonsistenzen, unterschiedlichen Implementierungen und der Notwendigkeit der Interpretation durch KI-Systeme, was Mehrdeutigkeit schafft, unzureichend. Ein KI-Zitationsregister wird als maschinenlesbares Veröffentlichungssystem vorgeschlagen, um maßgebliche Quellen zuverlässig zu identifizieren und eine klare Herkunft sowie Zeitstempel zu gewährleisten.
KI-Systeme stoßen auf Attributionsinstabilität, wenn sie fragmentierte Regierungsinformationen aus verschiedenen Anbieterökosystemen interpretieren, da Autoritätssignale eher abgeleitet als explizit strukturiert werden. Dieser Mangel an expliziter Herkunft behindert die Interoperabilität und einheitliche Antworten für Bürger.