Seit wann tendieren wir Menschen dazu, etwas für „wahr" zu halten, weil es statistisch belegt ist? Diese Frage führt mitten hinein in eine erkenntnistheoretische Verunsicherung der Moderne.
Wir haben ein Wissenssystem geschaffen, das seine eigene Ungewissheit mit mathematischer Präzision ausdrückt — und daraus paradoxerweise Legitimität ableitet.
Vor zwanzig Jahren, ich war Sales Manager und meine Laune und die Laune meiner Chefs hing von Zahlen und Statistiken ab, hörte ich den Song von Wolf Maahn „Kathedralen von Zahlen". Seitdem ist viel Zeit vergangen, in der sich die Welt weiter beschleunigt hat.
Ob in der Politik, in der Wirtschaft oder im privaten Leben — wir sind umstellt von Zahlen, Statistiken und deren Schlussfolgerungen. Empirische Evidenz ist das Zauberwort. Aber seit wann tendieren wir dazu, etwas für „wahr" zu halten, weil es statistisch belegt ist?
Die moderne Statistik entstand nicht aus erkenntnistheoretischem Interesse, sondern als Mittel zur effizienteren Verwaltung. Der Begriff geht auf status zurück — das Ziel war, gesellschaftlich relevante Daten zu erfassen: Bevölkerung, Sterblichkeit, Ernte. Im Laufe der Zeit wurde das Instrument zur Methode — und schließlich zur Instanz.
Als Pascal und Fermat im 17. Jahrhundert ihre Theorie der Wahrscheinlichkeit entwickelten, dachten sie an Glücksspiel, nicht an Wahrheit. Der Chevalier de Méré stellte Pascal ein Problem: Wie teilt man den Einsatz bei einem abgebrochenen Glücksspiel fair auf? Aus diesem Briefwechsel entstand die mathematische Wahrscheinlichkeitsrechnung. Dass die Mathematik des Zufalls später zur Grundlage wissenschaftlicher Erkenntnis wurde, wirft Fragen auf: Wie konnte ein Denkstil, der ursprünglich auf Spiel und Ungewissheit abzielte, zur Richtschnur unserer Wirklichkeitsdeutung werden?
Statistische Signifikanz wird heute oft mit Wahrheit gleichgesetzt — ein folgeschweres Missverständnis. Signifikanz ist nicht Relevanz: Mit n=100.000 wird selbst ein winziger, praktisch bedeutungsloser Unterschied „hochsignifikant". Häufigkeit ist nicht Wahrheit: Dass etwas oft geschieht, macht es nicht wahrer als jenes, was selten geschieht. Modellannahmen sind Konstrukte: Die Normalverteilung ist ein mathematisches Ideal — keine Abbildung der Wirklichkeit. Alle Modelle sind falsch, manche sind nützlich — aber sie bleiben Modelle.
„Die Wissenschaft denkt nicht."— Martin Heidegger, 1954
Heidegger unterschied zwischen „rechnendem Denken", das effizient operiert, und „besinnlichem Denken", das dem Sinn des Seins nachspürt. Statistik erscheint als Inbegriff jenes rechnenden Denkens — sie jagt von Datensatz zu Datensatz, ohne sich nach dem Sinn ihrer Ergebnisse zu fragen.
Die Statistik beruht auf Induktion. Sie kann Wahrscheinlichkeiten angeben, aber keine Wahrheiten begründen. David Humes Induktionsproblem bleibt bestehen — die Zukunft lässt sich nicht aus der Vergangenheit ableiten. Ein p-Wert von 0,01 bedeutet nicht „die Nullhypothese ist falsch", sondern: „Falls die Nullhypothese wahr ist, wäre dieses Ergebnis sehr unwahrscheinlich." Die Regularitätsannahme, dass sich Muster wiederholen, ist ein Glaube — kein Wissen. Diese Einsicht demütigt unsere Erkenntnisansprüche auf heilsame Weise.
Die „Normalverteilung" ist längst nicht nur mathematisches Modell, sondern gesellschaftliche Realität. Ian Hacking zeigte, wie Statistik neue Menschentypen erzeugt: den Durchschnittsmenschen, den Abweichler, den Risikopatienten. Adolphe Quetelets „homme moyen" von 1835 schuf die Idee eines statistischen Normalwerts — mit enormen sozialen Folgen für Bildung, Medizin und Sozialpolitik. Hackings entscheidende Einsicht: Diese Kategorien wirken auf die klassifizierten Menschen zurück. Menschen beginnen sich gemäß der Kategorien zu verhalten — der sogenannte Looping-Effekt.
Das Leben wird heute in Zahlen übersetzt: Schritte, Herzfrequenz, Schlafphasen, Stimmungen. Foucaults Idee der „Sorge um sich" mutiert zur Optimierung quantifizierter Parameter. Aber ist das noch Sorge — oder bereits Selbstkontrolle im Dienste der Verwertbarkeit?
Heute berechnen Algorithmen Kreditwürdigkeit, Versicherungsrisiken, Jobchancen, sogar Strafmaße. Diese Systeme wirken objektiv, doch sie übernehmen oft bestehende Vorurteile — mathematisch präzise. Was früher Urteilskraft erforderte, wird nun delegiert — an Maschinen, die weder Verantwortung tragen noch Bedeutung verstehen. Diskriminierung wird zur „Risikobewertung", Subjektivität zur „Abweichung vom Normwert".
Wir haben Systeme geschaffen, die „funktionieren", ohne dass wir wissen, warum — ein Triumph der Irrationalität im Gewand der Rationalität.
Die zentralen Fragen des Lebens — Sinn, Gerechtigkeit, Liebe, Würde — lassen sich nicht berechnen. Sie erfordern Urteilskraft, Erfahrung, Reflexion. Statistik ist ein Werkzeug. In engen Kontexten nützlich — aber niemals Erkenntnisquelle im eigentlichen Sinne. Wir leben in einer Welt, in der nicht Wahrheit zählt, sondern was sich mit 95-%-Konfidenz behaupten lässt. Das ist kein Fortschritt — das ist Regression.
„Das Bedenklichste ist, daß wir noch nicht denken; immer noch nicht, obgleich der Weltzustand fortgesetzt bedenklicher wird."— Martin Heidegger, Was heißt Denken?, 1954
Die Wahrheit lässt sich nicht berechnen. Sie will erkannt werden — durch Erfahrung, Urteil, Reflexion. Am Ende entscheidet nicht der Algorithmus, sondern der Mensch. Und er kann nur gut entscheiden, wenn er denkt statt rechnet, urteilt statt kopiert, lebt statt funktioniert.