Seit ChatGPT im November 2022 öffentlich wurde, hat Noam Chomsky mehrfach Stellung bezogen — am schärfsten in einem Beitrag, den er im März 2023 gemeinsam mit Ian Roberts und Jeffrey Watumull in der New York Times veröffentlichte. Der Text trägt den Titel „The False Promise of ChatGPT" und formuliert drei Anklagen: Sprachmodelle lernen falsch, sie erklären nichts, und sie verwischen die Grenze zwischen Wissen und Daten-Imitation. Was wie kulturkritische Skepsis klingt, ist ein technischer Einwand mit Konsequenzen — und ein umstrittener.

Das Lernproblem

Chomskys Linguistik ruht auf einer Beobachtung, die er seit „Syntactic Structures" (1957) immer wieder erneuert hat: Kinder erwerben Sprache mit erstaunlich wenigen Beispielen, machen dabei charakteristische Fehler — aber nie die „falschen" Fehler. Ein Kind sagt „Ich gehe nicht" und nie „Nicht ich gehe" als verneinten Hauptsatz, obwohl es den zweiten Satz genauso oft gehört haben dürfte. Daraus schließt Chomsky auf eine angeborene grammatische Struktur, eine Universalgrammatik, die den Suchraum möglicher Sprachen von Anfang an begrenzt.

Sprachmodelle arbeiten anders. Sie werden auf Milliarden Textzeichen trainiert, lernen statistische Übergänge zwischen Token und sind dann in der Lage, hochwahrscheinliche Fortsetzungen zu erzeugen — ohne, so Chomsky, je eine Regel im eigentlichen Sinn erworben zu haben. Im New-York-Times-Text heißt es: Das menschliche Sprachvermögen erkläre nicht nur, was gesagt wurde, sondern auch, was nicht gesagt werden kann. Sprachmodelle hingegen könnten das nicht leisten, weil ihr Wissen vollständig aus dem besteht, was vorkommt — nicht aus dem, was grammatisch möglich, aber faktisch selten ist.

Der Prüfstein dieser These ist die „unmögliche Sprache". Chomskys Theorie sagt voraus, dass bestimmte grammatische Strukturen nie in natürlichen Sprachen vorkommen — nicht weil niemand auf sie gekommen ist, sondern weil sie gegen die Universalgrammatik verstoßen. Könnten Sprachmodelle solche Strukturen lernen, wäre das ein Befund gegen Chomsky. Tatsächlich haben mehrere Forschergruppen genau das getestet. Eine ArXiv-Publikation aus dem Jahr 2024 zeigt, dass bestimmte Modelle Schwierigkeiten mit unmöglichen Sprachen haben, was Chomskys Vorhersage stützt — andere Experimente liefern gemischte Ergebnisse. Der Befund ist noch nicht stabil genug für eine Entscheidung.

Das Erklärungsproblem

Chomskys zweiter Einwand ist philosophischer Natur. Er unterscheidet zwischen Ingenieurskunst und Wissenschaft: Ein Modell, das korrekte Sätze erzeugt, hat die menschliche Sprache nicht erklärt — es hat sie nachgebaut. Der Vergleich, den er zieht: Eine Uhr erklärt nicht die Zeit, sie misst sie. ChatGPT erkläre nicht, wie Sprache funktioniert; es simuliere ihren Output.

Kritiker halten dagegen, dass diese Unterscheidung auf nichts in der Biologie zielt. Steven Piantadosi von der University of California, Berkeley, hat argumentiert, dass der Erfolg großer Sprachmodelle, sprachlich kohärente und kontextsensitive Ausgaben ohne explizite Grammatikregeln zu produzieren, selbst ein wissenschaftlicher Befund ist — nämlich dass Sprache stärker durch statistische Struktur organisiert ist, als Chomskys Theorie annimmt. Kurz: Wenn das Modell es kann, ist das eine Frage an die Theorie, nicht nur an die Technik.

Hier liegt eine genuine wissenschaftliche Spannung. Chomskys generative Grammatik war jahrzehntelang das dominierende Paradigma der Spracherwerbsforschung. Sprachmodelle zeigen, dass ein alternatives Erklärungsmodell — emergente Kompetenz aus statistischer Exposition — ernsthaft konkurriert. Das löst Chomskys Einwand nicht auf, verschiebt aber, wer erklärungspflichtig ist.

Das Wissensproblem

Schärfer formuliert Chomsky den dritten Einwand: Sprachmodelle wissen nicht, was sie sagen. Sie können keine Aussage als falsch markieren, weil ihnen der Begriff der Wahrheit fehlt. Was sie optimieren, ist nicht Korrektheit, sondern Plausibilität. Für wissenschaftliche oder bildungsbezogene Anwendungen sei das ein strukturelles Problem — ein System, das zwischen belegter Aussage und überzeugend klingender Fiktion nicht unterscheiden kann, hat keinen Wahrheitsbegriff im epistemischen Sinn.

Diese Kritik trifft eine reale Eigenschaft der Modelle: Sprachmodelle halluzinieren. Sie produzieren konfident falsche Behauptungen, wenn die Trainingsgrundlage lückenhaft ist oder wenn statistische Plausibilität und faktische Korrektheit auseinanderfallen. Der Vorwurf, Chomsky nenne dies „Plagiatsoftware", vereinfacht seine Position — was er tatsächlich kritisiert, ist die Verwechslung von Sprachfähigkeit mit Erkenntnisfähigkeit. Das ist ein kategorialer Einwand, kein bloßer Qualitätseinwand.

Die stärkste Gegenposition lautet: Auch Menschen sind schlechte Wahrheitsmaschinen. Gedächtnis, Überzeugungsbildung und Konsens basieren auf Mechanismen, die Wahrheit nicht zuverlässig von Plausibilität trennen. Wenn das der Maßstab ist, an dem Chomsky Sprachmodelle scheitern lässt, wäre die Messlatte empirisch zu kalibrieren — nicht normativ zu setzen.

Was bleibt

Chomskys Argumente sind keine bloße Abwehr des Neuen. Sie benennen drei reale Fragen: ob statistische Muster Grammatik ersetzen oder nur simulieren können; ob ein System, das Sprache produziert, Sprache versteht; und was es bedeutet, dass ein Werkzeug zwischen wahr und plausibel nicht unterscheidet. Keine dieser Fragen ist 2026 entschieden.

Woran man erkennen wird, ob Chomskys Kernthese trägt: Wenn Sprachmodelle der nächsten Generation systematisch unter Bedingungen versagen, die unmögliche grammatische Strukturen testen — und Menschen dabei nicht —, stützt das seine Position. Wenn die Fehlerprofile sich angleichen, wäre das ein Befund gegen die Universalgrammatik als KI-relevanten Unterschied. Die experimentellen Daten dazu werden in den kommenden Jahren dichter. Die Debatte ist keine kulturelle — sie ist eine über den Gegenstand der Sprachwissenschaft selbst.