Trotz ihrer zufriedenstellenden Spracherkennungsfähigkeiten fehlt es aktuellen Sprachassistenten immer noch an geeigneten automatischen semantischen Analysefähigkeiten und der nützlichen Darstellung von pragmatischem Weltwissen. Stattdessen verlangen die aktuellen Technologien von den Nutzerinnen das Erlernen von Schlüsselwörtern, die für eine effektive Bedienung und Zusammenarbeit mit der Maschine notwendig sind. Ein solcher maschinenzentrierter Ansatz kann für die Nutzerin frustrierend sein. Allerdings gibt es einen grundlegenden Unterschied zwischen der Semiotik von Menschen und Maschinen, welcher die Möglichkeit bietet, dieses Manko zu überwinden: Für eine Maschine ist die Bedeutung einer (menschlichen) Äußerung lediglich durch ihren eigenen Handlungsspielraum definiert. Maschinen müssen also weder die Bedeutungen einzelner Wörter noch die Bedeutung von Phrasen- und Satzsemantiken verstehen, um einzelne Wortbedeutungen mit zusätzlichem implizitem Weltwissen verbinden zu können. Für sprachunterstützende Geräte sollte das Erlernen von maschinenspezifischen Bedeutungen menschlicher Äußerungen durch bloßes Trial-and-Error ausreichen. Am Beispiel eines kognitiven Heizungsinterface zeigen wir, dass dieser Prozess auf der Grundlage der dynamischen Semantik als Lernen von Äußerungs-Bedeutungspaaren (sog. UMP = Utterance Meaning Pairs) formalisiert werden kann. Abschließend erfolgt eine detaillierte semiotische Kontextualisierung der vorgeschlagenen Maschinensemiotik. Anzumerken ist, dass sich der vorliegende Beitrag einerseits als Work in Progress versteht und laufend (auch mit wechselnden Autorinnen) weiterentwickelt wird, andererseits, dass er sich als Grundlagenforschung und experimentell versteht, d. h., dass er gerade nicht versucht, die aktuell dominierende Big-Data-Forschung innersystemisch voranzubringen, sondern durch einen Rückbezug auf semiotische Ideen bei minimaler Datenausgangslage eine mögliche Ergänzung aufzuzeigen.