Wenn das „weiße Pferd“ kein Pferd ist

Warum Oberbegriffe in der Technischen Dokumentation zur Haftungsfalle werden

In der Technischen Dokumentation ist der Griff zum Oberbegriff („Motor“ statt „Schrittmotor“) ein riskanter Schritt. Er verwässert sicherheitsrelevante Merkmale, führt zu Übersetzungsfehlern und verwirrt KI-Systeme. Die Lösung liegt in maschinenlesbar aufbereiteter Terminologie mit strikten Verwendungsregeln.

Im China des 4. Jahrhunderts vor Christus stellte der Philosoph Gongsun Long eine verblüffende These auf: Ein weißes Pferd sei kein Pferd. Seine Begründung war streng logisch: „Pferd“ bezeichnet eine Form, „weiß“ eine Farbe. Wer eine Form anspricht, meint nicht automatisch die Farbe. Die Kombination beider Merkmale ergebe etwas Eigenständiges, das man nicht mit dem Oberbegriff gleichsetzen dürfe.

Für die Technische Dokumentation ist das kein akademisches Gedankenspiel. Es ist eine Warnung.

 

Die Mechanik des Irrtums

In der technischen Dokumentation lässt sich ein wiederkehrendes Muster beobachten: der vorschnelle Griff zum Oberbegriff. Der Oberbegriff ist sprachlich griffbereit, kurz und klingt für das ungeschulte Ohr ausreichend präzise. In der professionellen Kommunikation ist er es nicht.

• Ein Redakteur schreibt „Motor“, meint aber zwingend einen Schrittmotor.
• Eine Wartungsanleitung spricht von „Ventil“, obwohl ausschließlich das Sicherheitsventil gemeint ist.
• Im Lieferschein steht „Chemikalie“, wo der Gefahrgutcode eines spezifischen Stoffes stehen müsste.

In jedem dieser Fälle liegt dieselbe stille Fehlannahme vor: dass alle funktionalen, logischen und sicherheitsrelevanten Eigenschaften des Oberbegriffs vollständig auf den Unterbegriff übertragbar sind. Das ist selten der Fall.

 

Was Gongsun Long und DIN 2330 gemeinsam haben

Die Terminologielehre, u. a. in der DIN 2330 verankert, beschreibt die Beziehung zwischen Oberbegriff und Unterbegriff über zwei komplementäre Größen: den Begriffsinhalt (die Gesamtheit der definierenden Merkmale) und den Begriffsumfang (die Menge aller realen Gegenstände, auf die der Begriff zutrifft).

Daraus ergibt sich ein Gesetz, das Gongsun Long intuitiv formuliert hatte, lange bevor es als terminologisches Prinzip ausgearbeitet wurde: Je mehr spezifische Merkmale ein Begriff trägt, desto enger ist sein Anwendungsbereich. Der Unterbegriff erbt alle Merkmale des Oberbegriffs und fügt mindestens eines hinzu. Genau dieses zusätzliche Merkmal (die Farbe beim weißen Pferd, der definierte Schrittwinkel beim Schrittmotor, der geregelte Druckabfall beim Druckminderventil) ist der Kern des Unterschieds.

Merkmale des Oberbegriffs beschreiben nur die kleinste gemeinsame Schnittmenge. Ein Schrittmotor, ein Servomotor und ein Hydraulikmotor wandeln alle Energie um. Doch Steuerungsschnittstellen, Wartungsintervalle und Fehlerverhalten unterscheiden sich grundlegend. Diese Unterschiede sind in der Benennung „Motor“ unsichtbar. Und genau das ist das Problem. Wer den Unterbegriff durch den Oberbegriff ersetzt, löscht diese Abgrenzung aus dem Dokument.

 

Drei Schadensfälle aus der Praxis

1. Entsorgungsfehler durch fehlende Stoffspezifikation.
   In Entsorgungsanweisungen reicht „Lösungsmittel“ nicht aus, wenn die vorgeschriebene Entsorgungsroute vom Flammpunkt oder der Wassergefährdungsklasse abhängt. Steht nur der Oberbegriff im Dokument, entscheidet der Entsorger auf Basis von Annahmen. Eine falsch deklarierte Entsorgung führt zu Bußgeldern und begründet eine direkte Haftung des Herstellers.
2. Übersetzungsfehler durch fehlende Merkmalsinformation.
   Übersetzer sind auf die Präzision des Ausgangstextes angewiesen. Verwendet der deutsche Quelltext das allgemeine Wort „Mutter“, wo eine Überwurfmutter gemeint ist, wird der Übersetzer dies im Englischen möglicherweise mit nut statt union nut übersetzen. Der Fehler liegt nicht im sprachlichen Können des Übersetzers, sondern in der unvollständigen Begriffsinformation des Quelltexts. Im fremdsprachigen Markt führt das direkt zu Montage- oder Wartungsfehlern.
3. Haftungsrisiko durch unspezifische Sicherheitshinweise.
   Ein besonders folgenreicher Sonderfall der Oberbegriffsproblematik sind Sicherheitshinweise, die über eine Vielzahl von Anleitungen hinweg standardisiert eingesetzt werden. Sicherheitshinweise haben die Aufgabe, vor Restrisiken zu warnen und Restrisiken sind per Definition maschinenspezifisch. Ein Hinweis wie „Vor Inbetriebnahme sicherstellen, dass alle beweglichen Teile gesichert sind“ ist als generische Formulierung für eine gesamte Produktlinie möglicherweise korrekt, aber für die konkrete Maschine nicht ausreichend präzise. Aus haftungsrechtlicher Sicht ist entscheidend, dass die Instruktionspflicht nicht nur das Vorhandensein eines Hinweises verlangt, sondern seine Eignung für den konkreten Anwendungsfall, eine Anforderung, die ein generischer Sicherheitshinweis strukturell nicht erfüllen kann.

 

Das Mehrsprachigkeitsproblem: Wenn der Oberbegriff die Sprache wechselt

In einsprachigen Kontexten ist der Schaden durch einen zu allgemein gewählten Oberbegriff oft noch reparierbar durch Rückfrage, durch Kontext, durch Erfahrung des Lesers. In mehrsprachigen Umgebungen ist dasselbe Problem schwieriger zu kontrollieren, weil ein zusätzlicher Fehlerkanal entsteht: die Nichtübereinstimmung der Begriffsgrenzen zwischen Sprachen.

Begriffsgrenzen sind keine universellen, sprachübergreifenden Konstanten, sondern kulturelle und fachliche Variablen. Das zeigt sich bereits an einem scheinbar einfachen Beispiel aus der Technik: Das deutsche Wort „Motor“ ist begrifflich breiter angelegt als seine englischen Entsprechungen. Im Englischen differenziert die Fachsprache zwischen engine (typischerweise Verbrennungsmotor) und motor (typischerweise Elektromotor). Wer im Deutschen den Oberbegriff wählt, zwingt den Übersetzer zu einer Entscheidung, die im Quelltext nicht getroffen wurde. In einer Terminologiedatenbank mit 20 oder 30 Sprachen potenziert sich dieses Problem. Die im Entwurf befindliche DIN 19460 zur mehrsprachigen Terminologiearbeit beschreibt dies als eine der zentralen Herausforderungen.

Hinzu kommen strukturelle Begriffslücken. Ein Begriff, der in einer Sprache existiert, hat in einer anderen möglicherweise kein direktes Äquivalent. In der technischen Kommunikation entstehen analoge Lücken bei Normbegriffen, die regional unterschiedlich definiert sind, und bei technischen Umsetzungen, die je nach Markt variieren: Ein Stecker in Japan ist konstruktiv kein Stecker in Deutschland, auch wenn beide Begriffe in einer Stückliste identisch definiert werden.

 

Warum KI das Problem verschärft

Ein verbreiteter Irrtum: Große Sprachmodelle (LLMs) lösen Begriffsprobleme durch semantisches Verständnis von selbst. Das stimmt unter einer Bedingung, die in der technischen Dokumentation häufig nicht erfüllt ist: ausreichend dichter Kontext im verarbeiteten Textsegment.

Große Sprachmodelle arbeiten nicht mit Ober- und Unterbegriffen im terminologischen Sinne. Sie bilden statistische, vektorbasierte Repräsentationen von Benennungen und ihrem Verwendungsumfeld. Wenn der Kontext eines Textsegments dicht und eindeutig ist, kann ein LLM die richtige Bedeutung zuverlässig ableiten, wie im Satz „Sobald der Behälter leer ist, stoppt der Brühvorgang„, wo das Modell „Behälter“ korrekt als Wassertank einer Kaffeemaschine verarbeitet.

Moderne Redaktionssysteme arbeiten mit wiederverwendbaren Modulen. Ein Sicherheitshinweis, ein Schnittstellentext oder ein Verfahrensschritt wird aus einem zentralen Pool in viele verschiedene Anleitungen eingespielt ohne den Dokumentkontext, in dem er letztlich erscheint. Translation-Memory-Systeme gehen noch einen Schritt weiter: Sie speichern und verarbeiten Übersetzungen auf Segmentebene, also Satz für Satz, vollständig kontextfrei.

Trifft ein LLM in diesem Umfeld auf den Begriff „Ventil“ ohne Angabe zur Baugruppe, Norm oder Einsatzbereich, kann es nicht bestimmen, welches der zehn im System vorhandenen Ventile gemeint ist. Es trifft eine Entscheidung auf Basis statistischer Wahrscheinlichkeit, ohne Warnung, ohne Zuverlössigkeitsangabe.

Die Lösung liegt nicht im Vertrauen auf die Kontextintelligenz der KI, sondern in der strukturierten Merkmalsinformation, die dem System explizit übergeben wird. Ontologieartige Relationen wie „Teil_von“, „Verwendet_in“, „Abgrenzung_zu“ liefern dem Modell einen prototypischen Verwendungsrahmen, der auch bei schwachem Textkontext greift.

Ein LLM, das den Terminologieeintrag „Schrittmotor“ mit Relationen zu übergeordneter Baugruppe, Normreferenz und Abgrenzungsbegriffen erhält, verarbeitet die Benennung zuverlässiger, als wenn es nur die Benennung „Motor“ ohne weitere Kontextinformation kennt.

Terminologie wird damit zur Leitplanke für KI-Systeme, nicht als nachgelagerte Qualitätssicherung, sondern als strukturelle Voraussetzung für korrekte maschinelle Verarbeitung.

 

Was LSPs und Auftraggeber jetzt tun können

Die Vermeidung dieser Fallstricke erfordert konkrete, messbare Vorgaben:

1. Verwendungsregeln nach Dokumenttyp verankern

Ein Begriff ist nicht global gültig oder ungültig, sondern seine Verwendung hängt vom Dokumenttyp, der Zielgruppe oder der Sprachkombination ab. „Fahrzeug“ mag im Marketingprospekt legitim sein. In einer Betriebsanleitung muss der Begriff als verboten markiert werden, sobald spezifische Fahrzeugmodelle beschrieben werden. Moderne TMS-Systeme unterstützen solche Verwendungshinweise. Sie müssen nur konsequent befüllt werden.

LSPs können gemeinsam mit dem Auftraggeber feste Regeln für den Umgang mit Terminologieeinschränkungen definieren. Weichen Dokumente im Einzelfall von diesen Grundregeln ab, wird dies systematisch als Anmerkung in der Terminologiedatenbank hinterlegt.

2. Distinktive Merkmale maschinenlesbar machen

Es reicht nicht, Benennungen zu erfassen. Die Abgrenzungsmerkmale zwischen Ober- und Unterbegriffen müssen explizit im System hinterlegt werden. Da generative KI unstrukturierten Freitext nicht verlässlich auswerten kann, müssen diese Daten als diskrete, maschinenlesbare Metadaten vorliegen.

Nur so können vorgeschaltete Filter- und Regelsysteme in RAG-Architekturen (Retrieval-Augmented Generation) in KI-gestützten Übersetzungsworkflows dem Sprachmodell die exakten Leitplanken vorgeben, die es für fehlerfreie Textgenerierung benötigt.

LSPs können ihre Termbase-Einträge um Felder (evtl. Pflichtfelder) erweitern für:

• Oberbegriff (mit Verweis)
• Abgrenzungsmerkmale zum Oberbegriff
• Verwendungsverbot für Dokumenttypen 

3. Quelltext-Qualität als Projektparameter behandeln

Die Kosten eines generischen Oberbegriffs im Quelltext multiplizieren sich mit jeder Zielsprache. Ein einzelner Begriffsfehler in 25 Sprachen erzeugt 25 potenzielle Fehlerstellen plus die Kosten für nachträgliche Korrektur, Klärungsrunden und mögliche Reklamationen.

Deswegen lohnt es sich für LSPs, eine Terminologieprüfung vor Beginn der Übersetzung als Standardworkflow-Schritt zu implementieren. So fallen unpassende generische Begriffe vor Übersetzungsbeginn auf.

 

Ein Praxisbeispiel

Ein Blick in ein reales Translation Memory zeigt das Problem wie unter einem Brennglas. Da TM-Systeme Texte segmentweise verarbeiten, wird die logische Einheit eines zusammenhängenden Warnhinweises komplett aufgebrochen. Betrachten wir zwei isolierte Sätze (Segmente) aus demselben Warnhinweis:

1. „Fehlende Standfestigkeit der Maschine und/oder einzelner Maschinenteile“
2. „Bei Bedarf entsprechende Teile gegen Kippen sichern“

Während Satz 1 den präzisen Begriff nutzt, weicht Satz 2 auf das vage Wort „Teile“ aus. Die Folge im TM ist eine sofortige Inkonsistenz in der Übersetzung: „Maschinenteile“ wird ins Französische mit composants übersetzt, das einfache „Teile“ dagegen mit pièces.

 

Die Lösung via RAG-Pipeline:

Anstatt dass die KI nun zwischen pièces und composants raten muss, greifen hier die zuvor beschriebenen diskreten Metadaten:

• Das System erkennt die Hierarchie: In der Termbase ist hinterlegt, dass „Teile“ der Oberbegriff ist, der für Warnhinweise ein Verwendungsverbot besitzt.
• Die KI wird korrigiert: Die RAG-Pipeline füttert das LLM im Prompt mit dem erlaubten Unterbegriff (composants) und dem passenden Abgrenzungsmerkmal.

Abbildung: Fiktiver Terminologieeintrag zum Beispiel

Fazit: Der ungenaue Quelltext wird durch die maschinenlesbare Begriffsabgrenzung automatisch abgefangen, noch bevor das LLM eine inkonsistente Übersetzung generieren kann.

 

Fazit

Gongsun Longs These vom weißen Pferd war keine bloße Spielerei. Sie zeigte, dass Sprache kein transparentes Fenster zur Realität ist, sondern ein Werkzeug, das die Welt je nach Perspektive unterschiedlich aufteilt. Die Begriffe, die wir verwenden, sind Konstrukte und ihre Grenzen sind gemacht, nicht naturgegeben.

Für die Technische Dokumentation bedeutet das: Die unbedachte Gleichsetzung eines spezifischen Begriffs mit seinem Oberbegriff führt zu Fehlschlüssen — in der Wartungsanleitung ebenso wie im Übersetzungsspeicher.

Die entscheidende Frage beim Verfassen technischer Dokumentation lautet nicht: „Ist dieser Begriff verständlich?“

Sie lautet: „Ist dieser Begriff präzise genug für den Kontext, in dem er verwendet wird – und für die Systeme, die ihn verarbeiten werden?“

Wenn die Antwort nicht eindeutig „ja“ ist, greifen Sie nicht zum Oberbegriff. Denn ein weißes Pferd ist eben doch kein Pferd.