Andrew Ng, Gründer von DeepLearning.AI: Der Schlüssel zum Erfolg für Unternehmen liegt in "Sandbox zuerst" und Programmierfähigkeit aller Mitarbeiter

Wenn man sagt, die letzten zwei Jahre seien die "Bau-Rauschphase" der Künstlichen Intelligenz – Billionen von Dollar strömten in Chips, Rechenzentren und grundlegende Large Language Models (LLMs) – so gibt Andrew Ng, Gründer von DeepLearning.AI und Mitglied des Amazon-Vorstands, eine neue zentrale Einschätzung: Das Wertgewicht verschiebt sich heftig hin zur Anwendungs-Ebene.

Dies ist ein kontra-intuitiver strategischer Fensterzeitraum: Obwohl die Medien voller "Rüstungswettlauf" um Milliarden-Parameter-Modelle sind, verbirgt sich die wirkliche kommerzielle Veränderung eher in unbemerkt gebliebenen Agentic Workflows (Intelligent-Agent-Arbeitsabläufen) und mikroskopischen Tools, die von Nicht-Technikern entwickelt werden.

Wie kann man diese Chancen nutzen? Andrew Ng gibt drei Vorschläge:

Erstens: Asymmetrische Wetten setzen und "billige Experimente" umarmen: Unternehmen müssen sich von "präzise geplanten Projekten" hin zu "häufigen Fehlversuchen" wenden. Wenn die Kosten eines Fehlschlags nur einige Zehntausend Dollar betragen, die potenziellen Gewinne bei Erfolg aber unbegrenzt sind, so besteht das einzige Risiko darin, überhaupt keine Wette zu setzen.

Zweitens: Die Hierarchie brechen und "Sandbox First" (Sandkasten zuerst) einführen: "Wenn Ingenieure für jeden Test auf ihrem Laptop die Genehmigung von fünf Vizepräsidenten benötigen, stirbt die Innovation." Man sollte Teams in einem sicheren Bereich mit begrenzter Datensensitivität, Budget und Veröffentlichungsumfang die höchste Selbstständigkeit geben. Governance und Sicherheitsvorkehrungen können erst nach der Validierung des Wertes eingeführt werden, nicht als Einstiegshürde für Innovationen.

Drittens: Das Personalverständnis neu gestalten und die Programmierung für alle fördern: Mit Hilfe von KI-Support sollen alle Mitarbeiter in der Lage sein, Programmieren zu lernen. Bei DeepLearning.AI nutzen sogar der Finanzvorstand und die Rezeptionistin Python, um Arbeitsabläufe zu automatisieren. Dies bedeutet nicht, dass jeder ein Softwareingenieur werden muss, sondern dass jeder Mitarbeiter in der Lage sein sollte, "den Computer zu lenken". In speziellen, langschwänzigen Märkten, die von SaaS-Lösungen nicht abgedeckt werden, können diejenigen, die die Geschäftsprozesse am besten verstehen, mit Hilfe der KI eigene Tools entwickeln. Dies wird zu einer neuen Wettbewerbsvorteil für Unternehmen werden.

Der Übergang von der "Bauphase des Stromnetzes" zur "Anwendungsimplementierung"

Ishit Vachhrajani: Vor einigen Jahren haben Sie die berühmte These aufgestellt, dass "KI die Elektrizität der neuen Ära" sei. Wo befinden wir uns heute auf dieser Reise? Bauen wir noch das Stromnetz oder sind wir bereit, die Geräte anzuschließen und Nutzen zu ziehen?

Andrew Ng: Wenn ich sage, "KI ist die neue Elektrizität", meine ich, dass KI eine universelle Technologie ist, die sich für viele Anwendungsfälle eignet, nicht nur für ein paar Killer-Apps.

Hierbei stellt sich ein interessantes Phänomen ein: Wir, die wir in der KI-Branche tätig sind, insbesondere diejenigen, die KI-Agenten und Agentic AI-Arbeitsabläufe entwickeln, spüren einen enormen Wachstum und sind immer sehr beschäftigt. Gleichzeitig zeigt ein Bericht des MIT, dass "95 % der Unternehmensanwendungen von KI noch nicht funktionieren".

Wir befinden uns derzeit in einer Phase, in der die tatsächliche Adoptionsrate von KI noch niedrig ist, aber das Wachstum erstaunlich hoch ist. Ähnliches hat sich in Silicon Valley ereignet: Zuerst sagte man, "Das macht nur 1 % der Arbeitslast aus", und plötzlich waren es 2 %, 4 %, 8 %. Die Bedeutung eines solchen exponentiellen Wachstums ist offensichtlich. Deshalb bin ich trotz vorsichtiger Skepsis in der Öffentlichkeit zuversichtlich, dass die KI in den nächsten Jahren eine wachsende Anzahl von Aufgaben effizient erledigen kann.

Aber das braucht Zeit. Andererseits ist die Aussage, dass "AGI in zwei Jahren erreicht wird" oder "die KI alles kann", reine Hype. Ich denke, dass wir auch in zehn Jahren noch daran arbeiten werden zu erkennen, welche Arbeitsabläufe durch KI und Agentic AI-Arbeitsabläufe automatisiert oder unterstützt werden können.

Ishit Vachhrajani: Was sind die spannenden Trends, die noch nicht Mainstream sind, aber in die Zukunft versprechen? Und wie sollten wir vorgehen, wenn wir in diese Richtungen gehen möchten?

Andrew Ng: Am spannendsten für mich ist die Möglichkeit, die Geschäftswelt in den nächsten zehn Jahren durch die Entwicklung von Anwendungen und Agentic AI-Arbeitsabläufen zu verändern.

Es gibt auch eine bisher wenig beachtete "Anti-Hype"-Tatsache: Vor ein bis zwei Jahren wurde viel über universelle Modelle und die baldige Ankunft von AGI gesprochen, weil die Modell-Trainings damals von allgemeinen Internet-Daten abhängig waren. Heute sieht man jedoch, dass die neuesten Modelle zusätzliche Wissen auf sehr "fragmentierte" Weise sammeln.

Wenn man möchte, dass die Modelle in Bereichen wie Medizin und Finanzwesen besser funktionieren, muss man spezifische Daten aus diesen Bereichen sammeln, aufbereiten und in die Modelle einfügen. Es gibt keine "magische Skalierungsregel", die automatisch alle Probleme in speziellen Bereichen löst. Das bedeutet, dass Unternehmen nicht darauf hoffen können, dass "universelle Intelligenz" alle Geschäftsanforderungen erfüllt. Stattdessen müssen sie Tools wie Amazon Nova Forge nutzen, um fragmentierte Wissen effizient in die Modelle zu integrieren und spezielle Geschäftsanforderungen zu erfüllen.

Ishit Vachhrajani: Sie haben das Wort "Agentic AI Workflows" geprägt. Es scheint kontra-intuitiv, dass die neue Phase der KI hauptsächlich von Large Language Models (LLMs) getrieben wird. Was bedeutet es für Unternehmensführer, dass Agentic AI-Arbeitsabläufe eher als reine LLMs den Fortschritt vorantreiben können?

Andrew Ng: Es ist interessant, die neue Phase der KI zu beobachten. Vor ein bis zwei Jahren, als die moderne generative KI erst aufkam, befanden sich nur wenige Unternehmen in der Spitze. Da die Grenzen der KI-Fähigkeiten schwer zu definieren waren, war die Informationswelt von Hype beeinflusst.

Wenn wir uns die KI-Technologie-Stack ansehen, konzentriert sich der Großteil der Aufmerksamkeit auf die technologische Ebene, einschließlich Super-Cloud-Anbietern wie Amazon Web Services, Halbleiterherstellern und KI-Grundmodellen. Obwohl Milliarden von Dollar in diese Ebenen fließen, muss die Anwendungs-Ebene definitionsgemäß einen höheren Wert haben, denn um die Investitionen in die Infrastruktur zu rechtfertigen, müssen die oberen Anwendungen viel höhere Einnahmen generieren als die Investitionen.

Ich habe eine interessante Dynamik beobachtet: Die Investment-Welt hat etablierte Formeln, um Milliarden von Dollar in Rechenzentren zu investieren. Aber wenn es darum geht, KI-Anwendungen mit höherem Wert zu entwickeln, sind die Investitionskosten sehr niedrig und es gibt keine etablierten Formeln. Die gute Nachricht ist, dass die Kosten für das Testen von Anwendungs-Ideen auch sehr niedrig sind. Aber gerade weil die Kosten so niedrig sind, kann es nicht so einen Medien-Rausch wie ein "Billionen-Dollar-Plan" auslösen.

Wenn man von Hype absieht und sich auf die wirtschaftlichen Grundlagen konzentriert, bin ich sehr optimistisch in Bezug auf die Entwicklung der Anwendungs-Ebene. Ich sehe viele Innovationen in Unternehmen entstehen, aber weil die Basis noch klein ist, haben 95 % der Unternehmen noch keine wesentlichen Veränderungen durch KI gesehen, während einige wenige Unternehmen rasant wachsen.

Investitionsstrategie: Schnell handeln, Sandbox zuerst

Ishit Vachhrajani: Wie hat sich die Definition von "schnell handeln" in der neuen Ära verändert? Wie schnell ist "schnell"? Gibt es Beispiele?

Andrew Ng: Ich habe festgestellt, dass die meisten Teams viel schneller handeln können, als sie selbst denken. Kürzlich habe ich mit dem Chief Product Officer (CPO) eines großen Energieunternehmens gesprochen. Sein Team schätzte, dass es drei Monate brauchen würde, um ein Dashboard zu entwickeln. Da der CPO oft mit meinem Team (das ansonsten an einer Woche langem Sprint arbeitet) zusammenarbeitet, forderte er: "Keine drei Monate, ich will es in einer Woche haben." Am Ende hat das Team tatsächlich in einer Woche fertiggestellt.

Ähnliches ist auch in meinem Team passiert: Jemand hat einen sechsmonatigen Marketing-Plan vorgelegt. Ich habe gefordert, dass er in einen einmonatigen Plan umgewandelt werden muss. Eine Woche später hatten sie einen machbaren einmonatigen Plan.

Dies ist nicht nur eine Zwangsmethode, sondern auch eine Möglichkeit, das Denken komplett umzudrehen. Heute ist die Geschwindigkeit und die Möglichkeit nicht nur um das Zwei- bis Dreifache erhöht, sondern um das Zehnfache oder mehr. Deshalb denke ich, dass es jetzt eine gute Zeit ist, mutige Investitionen zu tätigen. In den nächsten ein bis zwei Jahren ist ein Zeitfenster für kommerzielle Transformation gegeben: Das Risiko eines Fehlschlags ist niedrig (nur einige Zehntausend Dollar als Verlust), aber das Potenzial für Gewinn ist fast unbegrenzt.

Ishit Vachhrajani: Die sinkenden Experimentierkosten ermöglichen es Unternehmen, mehr Risiken zu eingehen. Aber in großen Unternehmen gibt es viele KI-Ideen, und die Bewertungs- und ROI-Kriterien sind komplex. In Hunderten von Ideen ist es sehr laut. Wie würden Sie vorschlagen, diese Innovations-Ideen zu bewerten und zu investieren?

Andrew Ng: Die Entstehung von KI-gestütztem Programmieren – ich weiß, dass es Bedenken in Bezug auf Compliance und Sicherheit gibt, aber es ist wirklich ein großer Beschleuniger, der die Kosten für Proof-of-Concept (POC) drastisch senkt. Wenn man die Compliance- und Sicherheitsprobleme lösen kann und Teams hochgradig Agentic AI-Programmiertools nutzen lässt, wird die Entwicklungseffizienz enorm gesteigert. Mit Tools wie Kiro kann die Effizienz um 50 % gesteigert werden. Aus ökonomischer Sicht sollten wir, wenn etwas sehr billig ist, "mehr davon kaufen".

Kluege Teams fragen sich: Warum sollten wir nicht viele kleine Projekte starten? Selbst wenn 18 Projekte still und leise scheitern, ist es immer noch lohnenswert, wenn wir zwei Projekte identifizieren können, die sich lohnen, zu erweitern.

Viele Leute beklagen, dass es schwierig ist, POCs in die Produktion umzusetzen. Ich sehe es anders: Wenn wir die Kosten für POCs nahezu auf Null senken können, sollten wir mehr POCs durchführen und uns damit abfinden, dass sie still und sicher scheitern. Dies kann als eine Art Filterungssystem dienen.

Aber ich muss auch zugeben, dass obwohl die Investitionskosten gesunken sind – ein Projekt, das früher von sechs Ingenieuren über mehrere Monate durchgeführt werden musste, kann jetzt von einem Ingenieur am Wochenende erledigt werden – die Fähigkeitsanforderungen für Investitionen immer noch hoch sind. Selbst ich kämpfe oft damit, wie ich in Innovationsideen investieren soll, wann ich abbrechen soll und wie ich die Sandbox einrichten soll.

Ishit Vachhrajani: Sie haben von "Sandbox First" gesprochen, d. h. Sicherheitsvorkehrungen und Überwachung sollen später hinzugefügt werden. Aber einige Branchen sind streng reguliert und haben hohe Anforderungen an das Risikomanagement. Tactisch gesehen, wie kann man eine Sandbox erstellen, die es ermöglicht, schnell zu handeln, ohne dass man später durch die Anforderungen der Produktionsumgebung gebremst wird?

Andrew Ng: Wenn man ein großes Team, insbesondere eines eines börsennotierten Unternehmens, leitet, kann man sich nicht leisten, dass Ingenieure exzentrische Prototypen veröffentlichen, die zu Verstößen oder zur Brand-Schädigung führen können. Deshalb verlangen viele Unternehmen, dass Ingenieure vor der Veröffentlichung die Genehmigung von fünf Vizepräsidenten erhalten müssen. Aber das führt dazu, dass die Innovation zum Erliegen kommt.

Die Lösung besteht darin, eine Sandbox im Voraus einzurichten: Man gibt dem Team ein gewisses Budget (z. B. 100.000 Dollar) und legt fest, dass es nicht im Namen des Unternehmens veröffentlichen darf, nur intern testen darf und keine sensiblen Informationen verwenden darf. In einer solchen Sandbox ist das Risiko begrenzt, und das Team kann voll auf Tour gehen. Ich würde sogar sagen, dass das Team in der Sandbox "sich keine Sorgen um die Sicherheit machen muss" (es sei denn, sie wollen ihren eigenen Computer angreifen).

Erst wenn das Team ein Ergebnis gefunden hat, das die Kunden wirklich mögen, sollten Governance- und Sicherheitsmechanismen eingeführt und das Projekt erweitert werden. Diese Mechanismen können das Innovationsproblem in großen Unternehmen lösen.

Personalentwicklung: "Programmieren für alle" + Einbeziehung von KI-Experten in den Vorstand

Ishit Vachhrajani: Als Leiter würden Sie Ihr Team (insbesondere Nicht-Techniker) ermutigen, sich in welche ein bis zwei Fähigkeiten zu investieren?

Andrew Ng: Zuerst das Unstrittige: KI kann die Produktivität aller Wissensarbeiter erheblich steigern. Aber die Mitarbeiter müssen viele neue Fähigkeiten erlernen. Viele Leute verstehen beispielsweise nicht den Unterschied zwischen tiefen Inferenzmodellen und gewöhnlichen Large Language Models (LLMs). Deshalb ist eine Schulung für alle erforderlich.

Jetzt das Strittige: In fast allen Berufen sind Mitarbeiter, die programmieren können, effizienter als diejenigen, die nicht können. Früher in diesem Jahr hat jemand jungen Leuten geraten, nicht zu programmieren zu lernen, weil die KI die Programmierung automatisieren werde. Ich denke, dass dies eine der schlechtesten Berufsberatungen aller Zeiten ist.

Da die KI die Schwierigkeit des Programmierens senkt, sollten mehr Leute diese Fähigkeit erlernen. In meinem Team sind die Marketing-Mitarbeiter, Recruiter, der Finanzvorstand und sogar die Rezeptionistin, die programmieren können, viel effizienter als ihre Kollegen: Der Finanzvorstand nutzt automatisierte Software, um Dokumente zu verarbeiten, anstatt manuell zu klicken. Die Rezeptionistin hat nach einer internen Schulung sogar ein eigenes Customer Relationship Management (CRM)-System entwickelt.

Hierbei bedeutet "programmieren können" nicht, dass man selbst Code schreiben muss, sondern dass man mit Hilfe von KI-gestütztem Programmieren in der Lage ist, seinen Computer zu lenken. In absehbarer Zukunft wird die Sprache der Computer immer noch Code sein.

Ishit Vachhrajani: Sie sind Mitglied des Vorstands von Amazon und anderen Unternehmen. Was würden Sie CXOs, die bald in einen Vorstand gehen, empfehlen? Wie sollte man über KI-Investitionen und -Risiken im Vorstand berichten?

Andrew Ng: Ich bin glücklich, im Amazon-Vorstand zu sitzen, denn Jeff Bezos und Andy Jassy sind selbst KI-Experten. Aber wenn Ihr Vorstand wenig über KI weiß, empfehle ich, eine KI-Schulung durchzuführen.

Ein Freund von mir hat versucht, seinen Vorstand davon zu überzeugen, etwas zu unternehmen, aber es hat nicht funktioniert. Nachdem die Vorstandsmitglieder einen meiner Vorträge auf YouTube gesehen hatten, haben sie ihn dann angewiesen, es zu tun. Dies zeigt, dass die Verbesserung des KI-Verständnisses im Vorstand ihn zu einem besseren Partner machen kann.

Darüber hinaus erkennen immer mehr Vorstände, dass die Einbeziehung von echten KI-Experten in den Vorstand die Dynamik und die Qualität der Entscheidungen erheblich verbessern kann. Dies ist nicht nur für die Governance und Überwachung wichtig, sondern auch, um den Vorstand zu einem Partner zu machen, der das Unternehmen vorantreibt.

Ishit Vachhrajani |