Hinter der KI-Automatisierung: Alles, was quantifizierbar ist, bleibt nicht verschont.

Mit der raschen Entwicklung der KI wird fast jedes Arbeitsgebiet bedroht. Tätigkeiten wie kreative Arbeiten und Datenanalyse können, solange sie quantifiziert werden können, möglicherweise automatisiert werden. Für die Führungskräfte, die ihre Organisationen durch diese turbulente Transformation führen, ist die Lösung einfach. Unterstützen Sie riskante Wetten mit unklarer Rendite und belohnen Sie Teams, die Probleme neu definieren und sich mutig in das Unbekannte wagen. Machen Sie Freizeit für Mitarbeiter und fördern Sie den Austausch zwischen Teams, um zufällige Entdeckungen und kreative Neukombinationen anzuregen. Betrachten Sie diese bewusst bewahrten unklaren Bereiche als strategische Vermögenswerte, nicht als Belastung.

Die KI muss nicht wie in Science-Fiction-Werken aufrüsten, um die Wirtschaftsordnung zu durchkreuzen. Die gegenwärtigen Modelle und die noch billigeren und leistungsfähigeren Versionen, die derzeit in der Entwicklung sind, werden fast sicher alle Ecken des Arbeitsmarktes treffen. Ihre erstaunlichen Leistungen in den Bereichen Text, Bild und Video werden möglicherweise nicht nur die Arbeitsweisen kreativer Berufe wie Schriftsteller, Designer, Fotografen, Architekten, Animatoren und Markenwerbetreibende verändern, sondern auch die von Finanzanalysten, Beratern, Buchhaltern und Steuerberatern, die mit Tabellen arbeiten. Selbst Berufsfelder wie Recht, Medizin oder Wissenschaft sind nicht gefeit: Die KI kann riesige Datenmengen durchsuchen, maßgeschneiderte Beratungen oder Kurse zu einem Bruchteil der gegenwärtigen Kosten anbieten, und die Qualität verbessert sich rasch und ist inzwischen fast so gut wie die menschliche.

Es gibt immer noch viele offene Fragen darüber, wie stark die KI-Tools noch werden können und wie schnell dieser Prozess voranschreiten wird. Dario Amodei von Anthropic und Sam Altman von OpenAI behaupten, dass die allgemeine Künstliche Intelligenz (AGI) möglicherweise in ein bis zwei Jahren erreicht werden kann. Yann LeCun von Meta ist skeptischer und meint, dass die gegenwärtigen Modelle ein solides Verständnis der physischen Welt, ein dauerhaftes Gedächtnis, kohärente logische Fähigkeiten und strategische Voraussicht fehlen. Eine neue Studie von Apple zeigt ebenfalls, dass die heutigen Modelle nur innerhalb des Rahmens ihrer Trainingsdaten funktionieren. Doch sogar wenn die Entwicklung der KI morgen plötzlich stoppen würde, hat der Einfluss bereits begonnen.

Um sich in dieser neuen Situation zurechtzufinden, müssen Führungskräfte verstehen und planen, wie die Automatisierung ihre Geschäftstätigkeiten beeinflussen wird. Dies erfordert, dass sie klären, welche Aufgaben und Verantwortlichkeiten am wahrscheinlichsten unter Druck geraten werden, and dass sie eine Strategie entwickeln, um ihr Unternehmen in die höherwertigen Segmente der intelligenten Wertschöpfungskette zu führen, bevor die Zeit abläuft.

Was ist nicht von Automatisierung bedroht?

Wissenschaftler und Praktiker haben ausführlich diskutiert, welche Berufe und Aufgaben am anfälligsten für Automatisierung sind. Einige Bedrohungen sind offensichtlich: Selbstfahrende Autos könnten bald Millionen von Taxifahrern, Busfahrern und Lkw-Fahrern ersetzen. Gleichzeitig werden Aufgaben wie Übersetzung, kreatives Schreiben, Design und sogar alltägliche Programmierung zunehmend von KI übernommen.

Im Februar dieses Jahres veröffentlichte Anthropic eine aufschlussreiche Benutzerstudie: Obwohl die Chat-Funktion natürlich zu einer Zusammenarbeit zwischen Menschen und Maschinen führt, sind bereits etwa 43 % der Interaktionen eine Art von Automatisierung, d. h. die Benutzer bitten die KI, Aufgaben direkt auszuführen, anstatt sich von ihr bei der Problemlösung unterstützen zu lassen. Mit der Einführung modularer KI-Agenten in den Arbeitsplatz und der Datenausgabe und Aufgabenkoordination über Protokolle wie MCP wird dieser Anteil weiter steigen. Bereiche, die weitgehend quantifiziert oder standardisiert sind, seien es durch Gesetze, Steuergesetze, Compliance-Abkommen oder Sensordatenströme, sind kurzfristig am wahrscheinlichsten von Maschinenersatz bedroht.

2018 argumentierten die KI-Pioniere Ajay Agrawal, Joshua Gans und Avi Goldfarb, dass mit der Entwicklung der KI die letzte Stärke der Menschen in ihrer Urteilsfähigkeit liegen wird, d. h. in der Fähigkeit, unter Unsicherheit zwischen verschiedenen Optionen zu wählen und Entscheidungen zu treffen. Doch diese Sichtweise wirft die Frage auf, was genau in einem bestimmten Moment als Urteilsfähigkeit gilt.

Aufgaben, die derzeit menschliche Urteilsfähigkeit erfordern, wie die Auswahl eines Therapieplans, die Prüfung eines Rechtsvertrags oder das Schreiben eines zeitgemäßen Drehbuchs, könnten schnell von KI übernommen werden, wenn die Modelle auf umfangreichere Daten und stärkere Rechenleistung zugreifen können. Neuere Studien zeigen auch, dass wir nicht davon ausgehen können, dass Menschen immer lieber menschliche Therapeuten, Berater oder Vermittler wählen. Die entsprechende KI kann rund um die Uhr arbeiten, kostet nur einen Bruchteil des menschlichen Personals und bietet möglicherweise eine stabilere Qualität als alle außer den besten menschlichen Experten.

Wie unterscheiden wir also zwischen Aufgaben, die die KI schnell automatisieren kann, und denen, die erst nach neuen technologischen Durchbrüchen automatisierbar werden? Um diese Frage zu beantworten, müssen wir uns an die Grundlagen erinnern und uns an den Anfang dieser Entwicklung zurückversetzen.

Von der Laborkonkurrenz zur industriellen Revolution

Um die Jahrtausendwende stieß die Computerwissenschaftlerin Fei-Fei Li auf eine Schwierigkeit in der Computer Vision, einem Bereich, der sich mit dem "Sehen" und der Interpretation von Bildern durch Computer befasst: Die Algorithmen hatten zu wenig Pixel-Daten und somit zu wenig visuelles Input, um menschliche Leistung zu erreichen. Ihre Lösung war einfach, aber effektiv: Sie gründete ImageNet, eine riesige, sorgfältig annotierte Bilddatenbank, die mit Hilfe der Amazon Mechanical Turk-Plattform gesammelt wurde. Ihr echter Geniestreich war jedoch 2010, als sie auf dieser Datenbank einen globalen Ranglistenwettbewerb einführte und die Bilderkennung zu einem harten Wettlauf zwischen Forschern machte.

In den ersten zwei Jahren ging der Fortschritt in den jährlichen Ranglisten nur langsam voran.

Im Jahr 2012 jedoch übertrumpften Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton alle anderen Wettbewerber. Das dreiköpfige Team aus Toronto trainierte in nur wenigen Tagen ein bahnbrechendes Convolutional Neural Network (CNN) mit zwei handelsüblichen NVIDIA GTX 580 Grafikkarten. Diese bahnbrechende Methode bewies, dass man auch mit einem eher bescheidenen Budget die Geschichte der Computer Vision neu schreiben kann.

Dieser Moment beendete die Jahrzehnte lange KI-Winterzeit, brachte die neuronalen Netzwerke in den Mittelpunkt des technologischen Fortschritts und enthüllte ein Erfolgsmuster, das das Feld bis heute prägt. Zunächst sammelt man relevante Daten - im Fall von ImageNet etwa 14 Millionen annotierte Bilder. Dann setzt man auf Metriken, um den Fortschritt zu quantifizieren und voranzutreiben. Schließlich gibt man dem Modell so viele Daten und so viel GPU-Rechenleistung, bis es lernt. Dieses Muster hat die KI von der Objekterkennung bis hin zum flüssigen Schreiben von Texten und schließlich zur Fähigkeit, in neuen "Denksystemen" zu planen, zu schließen und externe Werkzeuge einzusetzen, gebracht.

Daten, Belohnungen, Rechenleistung

Das Framework, das den Durchbruch in der Bilderkennung ermöglichte, ist viel universeller als die meisten Menschen denken. Es funktioniert, wenn folgende Bedingungen erfüllt sind:

Erstens, definieren Sie die Aufgabenumgebung und sammeln Sie die dazugehörigen Daten, seien es Textkorpora, Bilder- und Videodatenbanken, aufgezeichnete Fahrstrecken oder Datenströme von Robotersensoren;

Zweitens, definieren Sie die Zielbelohnung, sei es explizit (z. B. "Hat das Modell das nächste Wort vorhergesagt?") oder implizit (durch Beobachtung menschlichen Verhaltens abgeleitet);

Drittens, stellen Sie die Rechenleistung zur Verfügung, damit das System sich ständig verbessern kann.

Mit diesen drei Elementen haben Sie einen universellen Automatisierungsmotor. Zwei Daten-Trends beschleunigen diesen Prozess. Erstens können Modelle unendlich viele synthetische Beispiele generieren, z. B. virtuelle "Fahrstrecken" mit allen möglichen Extrem-Szenarien, ohne auf reale Fahrer-Daten angewiesen zu sein. Zweitens wird die KI immer häufiger in verschiedenen Geräten und Sensoren eingesetzt, wie in Mobiltelefonen und Autos, wo sie als kostengünstiger Monitor fungiert und reale Signale erfasst und quantifiziert, die früher zu teuer oder unpraktikabel zu messen waren.

Solange Sie ein Phänomen in Daten umwandeln können, kann die KI es lernen und in großem Maßstab reproduzieren. Und diese Technologie senkt ständig die Kosten für diese Umwandlung, macht Messungen billiger und schneller und integriert sich nahtlos in alles, was uns umgibt. Je mehr Dinge quantifizierbar werden, desto stärker wird dieser Zyklus und desto weiter entwickelt sich das Modell. Das bedeutet, dass theoretisch jede quantifizierbare Aufgabe automatisiert werden kann.

Günstige Messkosten, allgegenwärtige Anwendung

Die bahnbrechende Studie des Ökonomen Zvi Griliches über die Einführung von Hybridmais 1957 zeigt uns, wohin die Zukunft geht. Anfänglich pflanzten die Bauern diesen teuren Saatgut nur auf den besten Böden an, wo die Ertragssteigerung die zusätzlichen Kosten und den Lernaufwand für das neue Produkt leicht ausgleichen konnte. Mit der Verbesserung der Hybrid-Saatgut-Sorten und der guten Rufuhr breiteten sich die Saatgut-Sorten auch auf weniger ertragreichen Böden aus, wo der Kostennutzen auch hier bald positiv wurde. Ähnlich verhält es sich mit der Investition in die Messung von Dingen durch KI: Wenn die Kosten für die Umwandlung der Realität in Daten hoch sind, investieren Unternehmen nur in einige Schlüsselbereiche, wie die Erkennung von Kreditkartenbetrug, algorithmisches Marktmachen oder die Vorhersage von Jet-Triebwerksausfällen.

Aber heute hat die KI die Kosten für genaue Messungen drastisch gesenkt, sodass kontinuierliche, fein abgestufte Wahrnehmung zur Norm geworden ist. Leichtgewichtige Modelle arbeiten mit Sensoren zusammen, um Bandbreite und Latenzzeit zu reduzieren, und synthetische Daten füllen die Lücken, wenn die Erfassung von realen Daten langsam oder schwierig ist. Jede zusätzliche Dezimalstelle bringt schnell Gewinne: In Millionen von KI-gesteuerten Entscheidungen summieren sich kleine Fehlerreduzierungen schnell auf. Mit sinkenden Kosten für genaue Messungen werden auch Bereiche mit geringen Gewinnen rentabel, und Aufgaben, die zuvor als zu unbedeutend galten, werden zunehmend automatisiert.

Wir werden nicht nur bald billige, fast kostenlose KI haben, sondern auch mehr Dinge messen, um die Anwendung dieser KI zu erweitern und zu verbessern. Wir befinden uns bereits in der Ära der "Künstlichen Mess-Intelligenz", und alles, was wir quantifizieren können, wird schnell in die Automatisierungsliste aufgenommen.

Im Unbekannten gedeihen

Der Mensch ist ein evolutionärer Alleskönner, der von Natur aus in der Lage ist, mit unvollständigen Informationen zurechtzukommen. Wir können nicht nur im Unbekannten überleben, sondern auch gedeihen, und diese Anpassungsfähigkeit ist unser entscheidender Vorteil. Über viele Generationen hinweg haben wir unsere Stimmbänder und unser soziales Gehirn so optimiert, dass schließlich die Sprache entstand, was uns die Möglichkeit gab, Wissen zu sammeln, abstrakt zu denken und mit Symbolen zu arbeiten. Seitdem haben wir unsere biologischen Grenzen überwunden, Werkzeuge gebaut, unsere Wahrnehmung erweitert, unser Gedächtnis verbessert und unsere Fähigkeiten gesteigert.

Der Grund für unseren Vorteil liegt in der hochflexiblen, eng vernetzten Präfrontalen Kortikalis. Dieses neuronale Zentrum ermöglicht es uns, unzählige "Was-wäre-wenn"-Szenarien zu entwickeln, verschiedene mögliche Zukunftsszenarien zu simulieren und unsere Strategie sofort anzupassen, wenn sich die Bedingungen ändern. Selbst ein Quantencomputer wird es schwierig haben, unsere Begabung für offene, interdisziplinäre, kontrafaktische Planung zu erreichen, es sei denn, es wird wirklich ein Singularitätsevent erreicht.

Mit der beschleunigten Entwicklung der KI entstehen neue Unbekanntheiten, und unsere kognitive Landschaft wird ständig neu gezeichnet. Gleichzeitig wird der vorhersagbare Teil standardisiert, ähnlich wie die mechanisierte Landwirtschaft uns von der autarken Existenz befreite und uns mehr Zeit für kontrafaktisches Denken gab.

Die KI hat Schwierigkeiten in Bereichen, die fast unmöglich zu messen sind. Beispielsweise hat das Event Horizon Telescope zehn Jahre lang und auf der ganzen Welt hinweg gearbeitet, um ein Bild eines Schwarzen Lochs aufzunehmen. Es gibt immer noch ungelöste Probleme in der Erforschung der Physik auf extremen Skalen, des Erdinneren und des Tiefsees sowie in der Untersuchung der Interaktion von lebenden Zellen im menschlichen Gehirn. In Bereichen, die aus Gründen des Datenschutzes, der Ethik oder der Regulierung schwierig zu messen sind, in denen die Gesellschaft Transparenz in der Entscheidungsfindung erwartet (zumindest solange die Interpretierbarkeit der Modelle nicht verbessert wird), oder in denen Menschen lieber von Menschen betreut werden, entwickelt sich die KI langsamer. Aber wie bei der Einführung des Hybridmais wird die nächste Generation die Kosten-Nutzen-Relation in diesen Bereichen neu bewerten und möglicherweise andere Schlussfolgerungen ziehen als wir.

Aber es gibt eine wichtige Ausnahme in den messbaren Bereichen, die entscheidend sein könnte: Aufgaben, die aufgrund der grundsätzlich unbestimmten Wahrscheinlichkeit ihrer Ergebnisse schwer zu quantifizieren sind, also Bereiche der Knightschen Unsicherheit. In diesen Bereichen können Sie keine Wahrscheinlichkeiten festlegen, weil das Risiko selbst nicht definiert ist. Beispiele sind die Gründung eines Start-ups, die Investition von Kapital oder Personal in hoch unsichere Projekte, die Bekämpfung neuer Krankheitserreger, die Formulierung von Zentralbankpolitik bei der Umstellung des Finanzsystems, die Erstellung von Ethikrichtlinien für KI, die Erfindung eines neuen künstlerischen Mediums, die Initiierung einer neuen Modeerscheinung oder die Produktion eines neuen, grenzüberschreitenden Blockbusters. Einige kreative Handlungen und Entdeckungen sind nur geschickte Neukombinationen von bekannten Dingen, aber echte bahnbrechende Ergebnisse beruhen auf unserer einzigartigen Fähigkeit, völlig neue, komplexe kontrafaktische Welten zu entwickeln.

Diese Liste ist nicht statisch. Sobald Aufgaben messbar werden, fallen sie von der Liste weg, und neue Aufgaben treten schnell an ihre Stelle. Jede Veränderung bringt schmerzhafte wirtschaftliche und soziale Anpassungen mit sich und führt zu einer Konzentration der Arbeitsplätze in einem Superstar-Wirtschaftssystem, in dem die großen Gewinne auf die Spitzen der Kreativität, des Talents und des Kapitals