1984 gründeten drei Wissenschaftler — George Cowan, Murray Gell-Mann und Kenneth Arrow — gemeinsam das Santa Fe Institute im nördlichen New Mexico, in der Annahme, dass bestimmte Phänomene (Ökosysteme, Volkswirtschaften, Immunsysteme, das Gehirn, Ameisenstaaten, das Internet) eine Struktur teilen, für die keine etablierte Disziplin allein gerüstet war. Sie nannten diese komplexe adaptive Systeme: viele Akteure, die lokalen Regeln folgen, sich an Rückkopplung anpassen und ein Verhalten im Ganzen hervorbringen, das aus keinem einzelnen Akteur ablesbar ist. Das Santa Fe Institute wurde zur intellektuellen Heimat der Komplexitätswissenschaft, einem Feld zwischen Physik, Biologie, Wirtschaft und Informatik. CAS gehört heute zum nützlichsten Vokabular für die unordentlichen Phänomene der realen Welt.
Die Holland-Gell-Mann-Checkliste zählt fünf wiederkehrende Elemente auf: viele heterogene Akteure, die lokal miteinander interagieren statt über eine zentrale Stelle; die Akteure passen sich durch Lernen oder Evolution an; das Verhalten im Ganzen ist emergent und qualitativ verschieden von dem jedes einzelnen Akteurs; und das System ist offen und fern vom Gleichgewicht, mit Energie, Materie oder Information, die hindurchströmen. Die kanonischen Beispiele zeigen dieselbe Struktur quer durch die Substrate: Ameisenstaaten verteilen Nahrungssuche und Arbeit über Pheromonregeln ohne zentrale Steuerung; das Immunsystem lernt neue Erreger über Wechselwirkungen auf Zellebene zu erkennen; Märkte bündeln verstreute Information in Preisen, indem Käufer und Verkäufer lokal handeln (Hayeks Faden von 1945); Ökosysteme bleiben über Zeitskalen hinweg stabil und kippen dann gelegentlich in einen anderen stabilen Zustand; das Internet entwickelt sich auf Nachfrage und Angriff hin ohne zentrale Koordination weiter. Die methodische Schwierigkeit liegt darin, dass sich CAS der gewohnten reduktionistischen Strategie entziehen — man kann CAS-Verhalten im Allgemeinen nicht aus den Akteursregeln vorhersagen, auch wenn diese einfach und vollständig bekannt sind. Agentenbasierte Modelle (Schellings Segregationsmodell von 1971, Reynolds' Boids, moderne epidemiologische Simulatoren) simulieren die Akteure und beobachten das Aggregat, doch Prognose im starken Sinn bleibt oft unerreichbar. Der Beitrag des Rahmens liegt mehr im Eröffnen von Möglichkeiten und im Aufbau von Intuition als im Vorhersagen; wo er trägt, dann qualitativ, nicht quantitativ. Die ehrliche Lesart ist diagnostisch, nicht prädiktiv — und genau diese Unterscheidung ist die zentrale methodische Lehre.
Die meisten wichtigen Probleme dieses Jahrhunderts sind CAS-Probleme. Das Weltklima ist ein komplexes adaptives System, in dem Atmosphären- und Ozeanströmungen, Biosphären-Rückkopplungen, Eisschilddynamiken und menschliche Emissionen zusammenspielen; die verbleibende Vorhersage-Unsicherheit kommt aus Rückkopplungen und Kipppunkten. Die Pandemiebekämpfung hat dasselbe Profil: COVID-19 war ein CAS-Problem, in dem die Übertragung am Verhalten hing, das Verhalten an der Politik, die Politik an den beobachteten Fällen, und die Fälle wieder an der Übertragung. KI-Alignment fügt eine neue Instanz hinzu — ob sich ein KI-System in einer Umgebung menschlicher Nutzer verlässlich verhält, die ihren Umgang anpassen, vom System beeinflusst werden und Schutzmechanismen umgehen, ist eine CAS-Frage, und das System samt seinen Nutzern und seinem Trainingsprozess bildet ein Ganzes, dessen Dynamik nicht restlos verstanden ist. Die richtige Haltung heißt: Demut bei der Prognose, Sorgfalt bei der Frage, welche Mechanismen gerade greifen.