Der Curiosity Graph: Eine Karte dessen, was Menschen für erinnerungswürdig halten

Drei Karten der menschlichen Aufmerksamkeit

Seit etwa dreißig Jahren produziert das Internet leise Karten dessen, worauf wir achten. Keine geographischen Karten, sondern Karten menschlichen Interesses. Sie laufen unentwegt im Hintergrund jedes Tastenanschlags, jedes Scrollens, jedes Tippens. Die meisten Menschen sehen sie nie als Karten. Wir nennen sie einfach "den Algorithmus" oder "den Feed" und gehen weiter.

Drei davon sind wirklich von Bedeutung, und sie sind kategorisch unterschiedlich.

Die erste ist Google, eine Karte der Nachfrage. Jede Suchanfrage ist ein Mensch, irgendwo, der die Hand hebt und eine Frage stellt. Multipliziert über Milliarden Sitzungen pro Tag zeigt die Karte, was die Menschheit wissen möchte, geordnet nach Häufigkeit, Zeit und Ort. Suchtrends sind die sauberste aggregierte Nachfragekurve, die wir je für menschliche Neugier im Allgemeinen hatten.

Die zweite ist Social Media, eine Karte der Viralität. Likes, Shares, Antworten, Sehzeit, Retweets, Verweildauer. Die Karte zeigt, was sich verbreitet, was zündet, was provoziert. Plattformen speisen die Spitze dieser Karte dann zurück in mehr Nutzer-Feeds, wodurch sie geschärft wird, was sie wiederum nährt. Die Karte ist von Natur aus rekursiv.

Die dritte ist jene, über die fast niemand als Karte spricht. Es ist das Korpus der Highlights: die Passagen, die Menschen beim Lesen persönlich als bedeutsam markiert haben. Auf Papier waren das einst Marginalien, Unterstreichungen, eingeknickte Ecken. Online wurde daraus der Textmarker. Auf Plattformen wie Glasp wurde es öffentlich, sozial und aggregiert. Dies ist eine Karte der Intentionalität, dessen, was Menschen für bewahrenswert hielten.

Drei Karten. Drei kategorisch unterschiedliche Signale. Im Jahr 2026 funktioniert nur eine davon noch so, wie sie konzipiert wurde.

Was jede Karte tatsächlich aufzeichnet

Es ist verlockend, all dies als "Daten, die das Internet über uns sammelt" in einen Topf zu werfen, doch die zugrunde liegenden Handlungen unterscheiden sich auf entscheidende Weise.

Eine Suche ist eine Frage, die unter Unsicherheit gestellt wird. Die Nutzerin kennt das Gesuchte noch nicht. Die Suche zeichnet das Verlangen nach Wissen auf, eines der wahrhaftigsten menschlichen Verhaltensweisen. Die Verzerrung ist groß, aber zutiefst menschlich: Wir suchen, was wir nicht haben. Deshalb korrelieren Google-Trends mit allem, von Grippeausbrüchen bis hin zur Wahlbeteiligung. Die Karte misst die Lücke zwischen dem, was wir haben, und dem, was wir als Nächstes wissen wollen.

Ein Like oder Share ist eine Reaktion auf bereits präsentierte Inhalte. Die Nutzerin hat etwas von einem System vorgesetzt bekommen, und der Klick ist ein Votum über die Wahl des Systems. Engagement ist niemals rohes menschliches Interesse. Es ist menschliche Reaktion auf Inhalte, die die Plattform anzuzeigen entschieden hat, geordnet nach dem, was die Plattform für reaktionsauslösend hielt. Die Karte misst Reaktionsbereitschaft innerhalb einer technisch konstruierten Umgebung.

Ein Highlight ist wiederum etwas anderes. Die Leserin hat die Quelle gewählt, geöffnet und über die markierte Passage hinaus gelesen, um die Entscheidung zu treffen, sie zu markieren. Drei Handlungen: Quelle auswählen, Text aufmerksam lesen, ein Fragment für die Zukunft markieren. Jede Handlung ist freiwillig, bewusst und in ihrem Aufwand asymmetrisch. Sie können eine Stunde lang einen Feed durchscrollen, ohne einen einzigen Satz zu markieren. Tatsächlich tun das die meisten Menschen nie.

Hier ist der Vergleich, auf den der Rest dieses Essays immer wieder zurückkommt:

Diese Tabelle ist das Rückgrat. Jeder folgende Abschnitt ist ein Argument zu einer ihrer Zeilen.

Warum zwei der Karten verfallen

Karten verfallen, wenn das Territorium, das sie beschreiben, nicht mehr dem entspricht, was sie aufzeichnen. Genau das geschieht mit Google und mit dem sozialen Engagement, aus unterschiedlichen, aber verwandten Gründen.

Googles Territorium ist der Text im offenen Web. Dieses Territorium wird überflutet. Generative Modelle können glaubwürdig klingende Absätze zu nahezu null Grenzkosten produzieren. Auf Werbeumsätze optimierte Seiten haben das bemerkt. SEO-Farmen haben es bemerkt. Affiliate-Netzwerke haben es bemerkt. Das Ergebnis ist eine Kategorie von Inhalten, die erfahrene Beobachter wie Charlie Warzel und Casey Newton "AI slop" zu nennen begonnen haben: Prosa, die grammatikalisch korrekt, generisch und fast völlig leer von originellem Signal ist. Sie existiert, um indexiert zu werden, nicht um gelesen zu werden.

Schlimmer noch: Diese Inhalte fließen zurück in die Trainingsdaten. Die 2024 in Nature erschienene Arbeit "The Curse of Recursion: Training on Generated Data Makes Models Forget" von Ilia Shumailov und Kollegen hat formal bestätigt, was viele vermutet hatten: Wenn Modelle auf den Ausgaben früherer Modelle trainiert werden, kollabieren die Ränder der Verteilung. Seltene Ideen, Grenzfälle und Minderheitsperspektiven verschwinden zuerst. Veselovsky et al. (2023) hatten bereits gezeigt, dass Crowdworker-Datensätze, lange als Goldstandard menschlicher Eingabe behandelt, bereits stillschweigend mit ChatGPT-Ausgaben vervollständigt wurden. Die Karten, aus denen die Modelle gezeichnet werden, werden von anderen Karten ausgefüllt.

Dies ist nicht nur ein Problem des KI-Trainings. Es ist ein Suchproblem. Googles Index war stets ein Index dessen, was Menschen geschrieben haben. Er ist nun teilweise ein Index dessen, was Modelle darüber geschrieben haben, was Menschen wollen könnten. Das Signal-Rausch-Verhältnis von Klicks, Verweildauer und Rückkehrklicks sinkt. Die Karte wird weiterhin gezeichnet, doch das darunterliegende Territorium mutiert.

Das Territorium von Social Media ist Engagement, und Engagement war nie dasselbe wie Interesse. Cory Doctorows "enshittification"-Essay (2023) liefert die klarste Rahmung. Plattformen beginnen damit, Nutzern zu dienen, schwenken dann zu Werbetreibenden, und schließlich zu sich selbst. Bei jedem Schritt verschieben sich die Metriken zugunsten dessen, was den meisten Wert zu den niedrigsten Kosten extrahiert. Aufmerksamkeitsfarmen entstehen. Engagement-Köder-Formate dominieren. Bots skalieren, weil Bots billig sind. KI-geschriebene Antworten, KI-generierte Reaktionsvideos und KI-geklonte Creator verstärken den Trend zusätzlich.

Je stärker eine Umgebung konstruiert ist, desto schlechter funktioniert Engagement als Stellvertreter für menschliches Interesse. Ein Like aus dem Jahr 2009 stammte vermutlich von einer Person, die den Beitrag gelesen hatte. Ein Like aus dem Jahr 2025 könnte ein Bot sein, ein gelangweilter Daumen, ein bezahlter Pod oder ein KI-Agent, der ein Konto im Auftrag einer Marke betreibt. Das Territorium wurde simuliert, und die Karte hat es nicht bemerkt.

So bleiben uns zwei der drei großen öffentlichen Signale menschlicher Aufmerksamkeit, die gleichzeitig still an Genauigkeit verlieren. Dies ist kein Angriff auf eine der beiden Plattformen. Es ist die Beschreibung eines entropischen Prozesses, dem jedes aufmerksamkeitsmonetarisierende System unterliegt, sobald die Inhaltsproduktion zu billig wird.

Warum Highlighten ehrlich bleibt

Die dritte Karte hält stand, weil sie auf eine besondere Weise entsteht.

Ein Highlight verlangt drei aufeinanderfolgende Filter. Zuerst entscheidet sich eine Person, ein Stück Text lange genug zu lesen, um auf die Passage zu treffen. Zweitens muss die Passage etwas auslösen: Sie muss sich wichtig, wahr, nützlich, schön, gefährlich oder anderweitig erinnerungswürdig anfühlen. Drittens muss die Person dem Gefühl folgen und es markieren. Jeder Schritt hat seine Kosten.

Das Artefakt eines Highlights flüssig zu erzeugen, ist trivial: Es ist nur eine Textspanne und ein Zeitstempel. Das Signal zu erzeugen, das ein Highlight kodieren soll, ist schwierig, denn das Signal lautet: "Ein Mensch hat dies aufmerksam wahrgenommen und es ausgewählt." Um das im großen Maßstab zu fälschen, braucht es nicht nur synthetischen Text. Es braucht synthetische Leserinnen, die synthetisch aufmerksam waren, auf realen Quell-URLs, mit konsistentem Geschmack, vor einer Bevölkerungsbasis, die Anomalieerkennung nicht herauspicken kann. Jede Schicht der Fälschung lässt einen der Filter zusammenbrechen und das Signal zerbricht.

Dies ist ein anderes Argument als "KI kann nicht schreiben". KI kann schreiben. Der Punkt ist, dass Highlighten in erster Linie keine Schreibtätigkeit ist. Es ist eine Lese- und Auswahltätigkeit, und Lesen in menschlichem Tempo gehört zu den wenigen Dingen, die synthetische Agenten ökonomisch immer noch wirklich schlecht fälschen können. Sie können tausend KI-Konten hochfahren, die Beiträge posten; tausend KI-Konten hochzufahren, die Bücher lesen, Jahr für Jahr, mit stabilen Vorlieben, die einem realen intellektuellen Leben entsprechen, ist ein deutlich schwierigeres Problem. Und in dem Moment, in dem Sie es versuchen, haben Sie etwas gebaut, das einer Person so nahekommt, dass die Unterscheidung aufhört, eine Rolle zu spielen.

Es gibt hier auch einen tieferen, älteren Gedanken. Mortimer Adler (1940/1972) argumentierte in How to Read a Book, dass Marginalien jener Akt sind, der Lesen aus passivem Konsum in ein Gespräch mit dem Autor verwandelt. Das Highlight ist der moderne Nachfahre seiner Marginalien. Es ist der sichtbare Niederschlag des denkenden Lesers. Diesen Niederschlag bekommt man nicht ohne das Denken. Das Artefakt ist billig. Die Kognition dahinter ist es nicht.

Von Markierungen zur Karte: Der Curiosity Graph

Ein einzelnes Highlight ist ein privater Moment. Eine Million Highlights, öffentlich, mit Zeitstempeln versehen und mit Identitäten und Texten verknüpft, sind etwas anderes. Sie sind ein Graph.

Stellen Sie sich eine bipartite Struktur vor: auf der einen Seite Quellen (Bücher, Essays, Aufsätze, Videos, Transkripte). Auf der anderen Seite Leserinnen und Leser. Die Kanten dazwischen sind Highlights, gewichtet danach, wie viele unterschiedliche Leser dieselbe Passage gewählt haben, wann sie sie gewählt haben, was sie sonst noch in der Umgebung markiert haben und was sie in ihren eigenen Anmerkungen geschrieben haben. Aggregieren Sie dies über Jahre und Sie erhalten den Curiosity Graph: eine fortlaufend aktualisierte Karte dessen, welche Fragmente welcher Texte für bewahrenswert befunden wurden, von wem und in welchen intellektuellen Nachbarschaften.

Drei Eigenschaften machen diesen Graph ungewöhnlich gutartig.

Er ist über die Zeit hinweg stabil. Stark markierte Passagen aus Büchern von 1990 werden auch heute noch markiert. Die meistmarkierten Sätze in Selbstbetrachtungen, in Über die Entstehung der Arten, in Schnelles Denken, langsames Denken zappeln nicht, wie Social-Media-Trends zappeln. Der Graph trägt wochenalte Aktivität auf jahrzehntealter Form. Diese Stabilität ist ein Vorteil: Sie bedeutet, dass die Karte etwas Dauerhafteres misst als das, was gerade populär ist.

Er ist verteilt über Sprachen und Kontexte hinweg. Eine Leserin in São Paulo, die denselben Absatz aus einem Essay von 2014 markiert, den auch eine Leserin in Seoul markiert, drei Jahre später, reagiert nicht auf einen Feed oder ein Trendthema. Beide begegnen unabhängig voneinander dem Text und markieren ihn. Wenn sich dieses Muster im großen Maßstab wiederholt, ist dies ein Beleg dafür, dass die Passage etwas Reales bewirkt.

Er ist interpretierbar. Anders als bei Klicks oder Sehzeit ist bei Highlights der eigentliche Text dabei. Sie können die Karte direkt lesen. Sie müssen nicht modellieren, was Nutzer gemeint haben; die markierte Spanne ist die Bedeutung. Das ist bei Aufmerksamkeitsdaten selten und macht den Graph als öffentliches Archiv wie auch als Forschungsgrundlage ungewöhnlich nützlich.

Um die Beständigkeit greifbar zu machen:

Beachten Sie, was dies nicht ist: keine Liste von Trending Posts, keine Bestenliste viraler Threads, kein "Engagement-Diagramm". Es ist eine Karte stabiler menschlicher Bedeutung, langsam gezeichnet, von einzelnen Lesern, eine Passage nach der anderen. Im Geist näher an dem, wie wir kollektive Intelligenz beschrieben haben, als an irgendetwas, das in einem Feed lebt.

Der Curiosity Graph im KI-Zeitalter

Im Jahr 2026 prallen zwei Tatsachen aufeinander.

Erste Tatsache: Trainingsdaten für große Modelle sind kontaminiert. Modelle, die aus dem offenen Web lernen, lernen zunehmend aus den Rückständen anderer Modelle. Shumailovs Rekursionsergebnis ist kein Worst-Case-Szenario; es ist eine Asymptote.

Zweite Tatsache: Das wertvollste Signal für jedes KI-System, das Menschen nützlich sein will, lautet "was Menschen tatsächlich für bedeutsam halten". Dieses Signal lässt sich nicht zuverlässig allein aus dem Seitentext ableiten, weil der Seitentext teilweise synthetisch ist. Es lässt sich nicht aus Klicks ableiten, weil Klicks manipulierbar sind. Aus Highlights lässt es sich recht gut ableiten, denn Highlights sind der seltene Datentyp, bei dem Menschen ausdrücklich gesagt haben: dieser Teil, nicht der Rest.

Ein Korpus öffentlicher Highlights besitzt Eigenschaften, die KI-Produkte dringend benötigen:

• Hochwertige Salienz-Labels. Jedes Highlight ist ein vom Menschen validiertes "das ist wichtig"-Tag auf einer bestimmten Textspanne.
• An eine Quelle geknüpfte Provenienz. Highlights sind mit URLs und Büchern verbunden, sodass die Karte in realem, zuordenbarem Text verankert ist.
• Kontinuität der Leseridentität. Im Lauf der Zeit bildet die Highlight-Historie einer einzelnen Leserin eine kohärente intellektuelle Signatur, die teuer zu fälschen ist.
• Quellenübergreifende Verknüpfung. Leser, die Passage A in einem Buch und Passage B in einem anderen Buch markieren, schaffen implizite semantische Verbindungen, die kein einzelner Text ausdrücken könnte.

Vergleichen Sie das mit einem Scrape des offenen Webs im Jahr 2026. Der Scrape ist größer. Das Highlight-Korpus ist ehrlich. Für Training, für Retrieval, für Ground-Truth-Alignment gewinnt Ehrlichkeit ab einer bestimmten Schwelle gegen Größe. Wir haben dieses Argument an anderer Stelle dazu vorgebracht, warum Glasp im Zeitalter der KI als kollektive Intelligenz wichtig ist; der Curiosity Graph ist die strukturelle Form dieses Arguments.

Es gibt einen Effekt zweiter Ordnung. Während KI-Produkte darum wettrennen, sich persönlich anzufühlen, brauchen sie nutzerspezifische Signale dazu, was jede einzelne Nutzerin als bedeutsam empfindet. Highlights sind im Grunde das sauberste solche Signal, das eine Nutzerin freiwillig erzeugen kann. Eine Leserin, die in zwei Jahren fünfhundert Passagen markiert hat, hat einem KI-System einen präzisen, dichten, eigensinnigen Index ihres intellektuellen Lebens überreicht. Wir nennen das Personal Context Management: die Praxis, jene Eingabeschicht aufzubauen, die KI in unserem Auftrag arbeiten lässt. Der Curiosity Graph ist sein öffentliches Pendant.

Glasp als öffentliche Infrastruktur für menschliche Bedeutung

Die meisten Notiz-Apps behandeln Highlights als persönliches Artefakt. Sie markieren in Notion, in Obsidian, in Apple Notes, in Readwise. Das Highlight wandert in Ihren privaten Speicher. Es taucht vielleicht in Ihrer täglichen Wiederholung auf. Vielleicht sieht es nie ein anderer Mensch.

Dieses Modell ist für persönliches Wissensmanagement in Ordnung. Für den Curiosity Graph ist es falsch.

Der Graph existiert nur, wenn Highlights standardmäßig öffentlich sind. Ein privates Highlight ist ein geschlossener Punkt auf einer Karte, die niemand lesen kann. Ein öffentliches Highlight ist eine Koordinate. Die architektonische Entscheidung, Highlights standardmäßig sozial, an Identitäten geknüpft, durchsuchbar und über Leser hinweg aggregiert zu gestalten, ist es, die die Praxis von privater Lesefähigkeit in öffentliche Infrastruktur verwandelt. Wir haben für diese Entwicklung argumentiert, vom zweiten Gehirn zum geteilten Gehirn: die Verschiebung von der Optimierung persönlichen Erinnerns hin zum Beitrag an einem kollektiven Archiv.

Das ist es, was Glasps Web-Highlighter qualitativ von einem privaten Highlight-Werkzeug unterscheidet. Dieselbe Geste wird, wenn sie öffentlich ist, zu etwas anderem. Sie markieren einen Satz in einem Essay von Paul Graham. Das Highlight wandert in Ihr Leserprofil. Es schließt sich auch dem Cluster aller anderen Leser an, die diesen Satz je markiert haben. Es verstärkt zudem die abgeleitete Salienz dieser Spanne über den Index hinweg. Und es wird zu einem Knoten in einem Netzwerk, das jede Leserin verbindet, die je in dieser intellektuellen Nachbarschaft markiert hat. Nichts davon geschieht in einem privaten Notizbuch.

Dieselbe Logik erstreckt sich über alle Formate. YouTube Summary erlaubt es Lesern, Segmente von Videos zu markieren. Kindle-Highlights bringen Buch-Anmerkungen in denselben Graph. Die Community-Schicht ist der Ort, an dem der Graph lesbar wird: Hier sehen Sie, was andere lesen, was sie markieren und welche Passagen sich um die Fragen häufen, denen Sie nachgehen.

Öffentliches Highlighten ist in diesem Sinne ein Akt kleiner bürgerlicher Großzügigkeit. Sie tragen eine beschriftete Koordinate zu einer Karte bei, die mit jeder weiteren Koordinate wertvoller wird. Das ist das strukturelle Argument dafür, warum wir Glasp bauen, und der strukturelle Grund, weshalb "öffentlich by default" kein Feature, sondern das Fundament ist.

Was das für unser Menschsein heute bedeutet

Herbert Simon (1971) lieferte den Satz, der das Internet bis heute prägt: "What information consumes is rather obvious: it consumes the attention of its recipients. Hence a wealth of information creates a poverty of attention." Während der letzten fünfzig Jahre war Aufmerksamkeit die knappe Ressource und Information die reichliche.

2026 treten wir in ein neues Regime ein. Information ist nicht nur reichlich vorhanden; sie wird zu null Grenzkosten produziert, oft ganz ohne menschlichen Autor. Die Ausgabe generativer Modelle wird rasch größer als das gesamte von Menschen verfasste Korpus, das ihr vorausging. In diesem Regime ist "Information" nicht mehr die bedeutsame Einheit. Die bedeutsame Einheit lautet: "was einem Menschen wichtig war, mit Absicht, und was er bereit war zu markieren".

Walter Benjamin (1935) sorgte sich, dass die mechanische Reproduktion die "Aura" des originalen Kunstwerks tilgen würde. Er hatte halb recht und halb nicht. Reproduktion hat die bildenden Künste in der von ihm vorhergesagten Weise eingeebnet. Sie hat aber auch eine neue Art Aura geschaffen, gebunden an Provenienz: signierte Drucke, verifizierte Originale, beglaubigte Artefakte. Dieselbe Dynamik spielt sich nun beim Text ab. Generative Reproduktion ebnet das Feld ein. Die neue Aura erhält die verifizierte menschliche Geste: die markierte Passage, die persönliche Notiz, das öffentliche Bekenntnis "das ist der Teil, der mir wichtig war".

Ein Highlight ist in diesem Licht ein kleiner Anspruch auf Anwesenheit. Ich habe das gelesen. Ich war hier. Dieser Satz war es wert, festgehalten zu werden. Multipliziert über hundert Millionen Lesesitzungen entsteht etwas wie ein öffentliches Archiv menschlicher Bedeutung, langsam gezeichnet, das Zeitalter überdauernd. Wir nannten das in einem anderen Stück das größte Vermächtnis für künftige Generationen: nicht die Bücher, sondern das Erbe, sie gelesen zu haben, so strukturiert, dass die nächste Leserin findet, was wichtig war.

Wenn KI Text flüssig produzieren kann, wird "was Menschen wichtig war" zum seltenen Signal. Der Curiosity Graph ist die Form, die dieses Signal annimmt, wenn man die Karte zeichnet.

Häufig gestellte Fragen

Ist das nicht überzogen? Highlights sind doch nur eine persönliche Notizpraxis.

Auf der Ebene einer einzelnen Leserin, ja. Das Argument bezieht sich auf die Aggregation. Eine Million private Notizbücher sind eine Million private Notizbücher. Eine Million öffentliche Highlights, an Identitäten und Quellen geknüpft, sind ein Netzwerk. Die These lautet nicht, dass irgendein einzelnes Highlight tiefgründig ist. Sie lautet, dass das Netzwerk der aggregierten Highlights Eigenschaften besitzt (Intentionalität, Beständigkeit, Provenienz), die kein anderer öffentlicher Aufmerksamkeitsdatensatz hat, und dass diese Eigenschaften wertvoller werden, je stärker andere Datensätze verfallen.

Tun Goodreads, Pocket oder Readwise das nicht schon?

Jeder Dienst erfasst einen Ausschnitt. Goodreads verfolgt, was Sie lesen, nicht das, was Sie darin markiert haben. Pocket archivierte Links zum späteren Lesen, meist ohne granulare Daten auf Passagenebene. Readwise ist hervorragend im privaten Highlight-Management und Import, doch sein Designschwerpunkt liegt auf persönlicher Erinnerung, nicht auf öffentlicher Aggregation. Der Curiosity Graph verlangt standardmäßig öffentliche Highlights mit Passagengranularität, an Identitäten geknüpft, über Quellen hinweg. Genau diese Kombination ist das, worum Glasp gebaut ist. Der Unterschied liegt nicht in den Features; er liegt darin, ob die Daten überhaupt einen Graphen bilden.

Kann KI Highlights fälschen?

Sie kann das Artefakt fälschen. Ein Bot kann eine Spanne auf einer Seite markieren und das ein Highlight nennen. Was sehr viel schwerer zu fälschen ist, ist das zugrunde liegende Verhalten: eine anhaltende Lesegeschichte mit konsistentem Geschmack, auf realen Quellen, in menschlichem Tempo, mit stabiler Identität und Mustern, die einem realen intellektuellen Leben entsprechen. Das Signal ist nicht das Highlight für sich allein. Es ist der Platz des Highlights in einem langen Verhaltensmuster. Das Artefakt zu fälschen ist billig; die Kognition hinter einem mehrjährigen Leseleben zu fälschen ist derzeit prohibitiv teuer. Genau diese Asymmetrie ist der Punkt.

Was ist mit dem Datenschutz?

Öffentliche Highlights sind freiwillig. Leser können privat highlighten, gezielt teilen oder vollständig zum öffentlichen Graph beitragen. Das Argument des Curiosity Graph dreht sich um das, was passiert, wenn Leser sich entscheiden, ihre Highlights öffentlich zu machen. Es ist keine These, dass privates Highlighten wertlos sei; es ist eine These, dass öffentliches Highlighten ein kategorisch anderes Artefakt erzeugt, und dass dieses Artefakt jenes ist, das zur Infrastruktur wird.

Zählt mein einzelnes Highlight überhaupt?

In demselben Sinn, in dem eine einzelne Stimme zählt. Einzeln betrachtet ist das marginale Signal klein. Kollektiv existiert der Graph nur, weil Millionen kleiner Signale sich addieren. Wenn Sie einen Absatz markieren, den niemand sonst markiert hat, haben Sie eine neue Kante geschaffen. Wenn Sie einen Absatz markieren, den zehntausend andere markiert haben, haben Sie eine bestehende verstärkt. Beides ist nützlich. Den Graphen interessieren keine großen Gesten; ihn interessieren echte.

Ist das nicht nur eine elegante Umschreibung von "Nutzerdaten sind wertvoll"?

Es ist das Gegenteil. Die meisten Plattformen behandeln Nutzerverhalten als privates Abgas, das es zu monetarisieren gilt. Der Curiosity Graph behandelt öffentliche, freiwillige intellektuelle Gesten als gemeinsame Ressource, die zugunsten aller Lesenden aggregiert wird. Das Modell ist nicht Extraktion. Es ist eine öffentliche Allmende, deren Wert daraus erwächst, dass sie für alle Beteiligten lesbar ist. Auch deshalb haben wir Glasp als Teil eines umfassenderen Learning OS eingerahmt: einer offenen Schicht dafür, wie Menschen lesen, markieren und Verständnis teilen.

Fazit

Drei Karten der menschlichen Aufmerksamkeit. Eine zeichnet Nachfrage auf. Eine zeichnet Viralität auf. Eine zeichnet Intentionalität auf. Die ersten beiden verfallen unter dem Druck billiger synthetischer Inhalte und konstruierten Engagements. Die dritte hält stand, weil sie auf etwas angewiesen ist, das synthetische Inhalte ökonomisch nicht reproduzieren können: tatsächlich zu lesen, Bedeutung zu finden und sich zu entscheiden, sie zu bewahren.

Aggregiert formen diese Entscheidungen den Curiosity Graph. Er ist eine langsame, beständige, interpretierbare Karte dessen, was Menschen über Jahrzehnte des Lesens hinweg für erinnerungswürdig hielten. Während KI-Eloquenz jeden Kanal überschwemmt, wird diese Karte wertvoller, nicht weniger wertvoll, weil sie die authentischste verbleibende Ground Truth des intellektuellen Lebens der Menschen ist.

Jedes öffentliche Highlight, das Sie setzen, fügt dieser Karte einen Punkt hinzu. Eine Koordinate, geknüpft an eine reale Leserin, auf einer realen Quelle, ein reales Bedeutungsfragment markierend. Multiplizieren Sie das über das nächste Jahrzehnt des Lesens, und das Ergebnis ist etwas, das diese Epoche wirklich braucht: ein öffentliches Archiv menschlicher Aufmerksamkeit, das die synthetische Flut überdauert.

Wenn das ein Vorhaben ist, an dem Sie teilhaben möchten, ist die Geste klein. Wählen Sie etwas, das es wert ist, gelesen zu werden. Markieren Sie die Passage, die etwas in Ihnen auslöst. Machen Sie sie öffentlich. Öffnen Sie Glasps Web-Highlighter und tragen Sie eine Koordinate bei. Durchstöbern Sie die Community und folgen Sie den Lesenden, deren Karten sich mit Ihrer überschneiden. Der Graph wächst, eine ehrliche Markierung nach der anderen. Anders kann er gar nicht wachsen.