HSG AI-Konferenz 2026: Die Arbeitsweise hat sich komplett verändert.

„Ich kann mich nicht mehr daran erinnern, wann ich das letzte Mal die Ausgabe eines KI-Systems manuell geändert habe.“

Am Veranstaltungsort der Sequoia AI 2026 Konferenz sagte Andrej Karpathy diese Worte mit ruhiger Stimme. Ein Mann, der seit über einem Jahrzehnt Code schreibt, muss nun nicht mehr die Ausgabe seiner Tools korrigieren.

Im vergangenen Jahr sah die Mehrheit der Menschen die KI hauptsächlich als ein schnelleres Werkzeug an. Doch das Signal, das diese Konferenz sendet, ist nicht die Steigerung der Effizienz, sondern die Umgestaltung der Regeln.

Welche Regeln? Regeln darüber, wie man etwas macht, wer etwas macht und warum man etwas macht.

In den nächsten vier Jahren werden möglicherweise größere Veränderungen stattfinden als in den letzten zehn.

Abschnitt 1 | Die Arbeitsweise hat sich grundlegend geändert

In diesem Gespräch sagte Andrej Karpathy: Vor ein paar Jahren haben wir Code geschrieben, indem wir Zeile für Zeile festlegten, was die Maschine tun soll. Heute müssen wir oft nur das Ziel klar formulieren, und das Modell findet selbst den Weg dorthin.

Das zugrunde liegende Paradigma der Software hat sich verändert.

Früher war Software eine Sammlung von klar definierten Regeln, und die Menschen mussten jeden Schritt genau schreiben. Dann kam die Ära des maschinellen Lernens, in der die Menschen keine Regeln mehr manuell schrieben, sondern Modelle mit riesigen Datenmengen trainierten. Und jetzt macht das Large Language Model es möglich, ohne manuelle Eingriffe auszukommen: Man muss nur den Kontext und die Anweisungen geben, und ein allumfassender Interpreter erledigt die gesamte Arbeit.

Auf den ersten Blick scheint dies nur eine Beschleunigung der Effizienz zu sein. Aber der eigentliche Umbruch liegt darin, dass die Zwischenschicht wegfällt.

Er führte ein von ihm durchgeführtes Projekt als Beispiel an. Um es den Benutzern zu ermöglichen, ein Menü aufzunehmen und die Gerichte zu sehen, hat er einst eine vollständige App geschrieben: Zuerst wurden die Texte erkannt, dann wurde ein Bildmodell aufgerufen, und schließlich wurde das Ergebnis neu formatiert und angezeigt. Dies ist der typische Ansatz der Softwareentwicklung, bei dem ein komplexes Problem in mehrere Schritte zerlegt und dann nacheinander gelöst wird.

Aber später stellte er fest, dass er einfach das Foto an das neueste Modell schicken und eine Anweisung anhängen konnte, und es konnte direkt auf dem Originalbild das Ergebnis generieren. Es gab keine Zwischenapp und keinen langen Prozess.

Der traditionelle Ansatz der Softwareentwicklung sieht so aus: Ich habe einen Funktionsbedarf, also muss ich einen Implementierungsweg erstellen. Dieser Weg selbst ist die Schutzmauer eines Unternehmens. Die Benutzer zahlen für Ihr Produkt in hohem Maße, weil Sie diesen Weg reibungsloser, stabiler oder kostengünstiger gestaltet haben.

Aber wenn die Fähigkeiten des Modells stark genug sind, ist dieser Weg selbst nicht mehr rar. Die Benutzer wollen nie eine App für die Bildbeschriftung, sondern nur sehen, wie das Gericht aussieht. Sobald das Ergebnis direkt generiert werden kann, muss die Existenz der Produkte, die sich um die Implementierung drehen, neu überdacht werden.

Am stärksten betroffen sind die Tools, deren Kernwert in der Formatkonvertierung besteht. Verschiedene Dokumentenkonvertierungsdienste, Datenbereinigungstools und Formatadapterlagen haben in der Vergangenheit das Problem gelöst, dass das System die Originaldateien nicht verstehen konnte. Aber wenn das Modell den Originalinput direkt verstehen kann, werden diese Zwischenkonvertierungsschritte überflüssig.

Ähnlich wird auch ein Teil des Kernwerts von Low-Code-Plattformen neu definiert. Ihre ursprüngliche Mission war es, die Schwelle für die Schrittaufteilung zu senken. Aber wenn die zukünftige Arbeitsweise von der Schrittaufteilung zur Zielbeschreibung wird, müssen diese Plattformen entweder tiefer in die branchenspezifischen Bereiche einsteigen oder eine entscheidende Frage beantworten: Wenn die Generierungsfähigkeit fast kostenlos wird, was helfen Sie den Benutzern eigentlich zu lösen?

Wenn Ihr Wert darin besteht, komplexe Dinge in einzelne Schritte aufzuteilen, wird diese Aufgabe immer weniger rar. Aber wenn Ihr Wert darin besteht, den Benutzern zu helfen, zu beurteilen, was ein richtiges Ergebnis ist, wird diese Aufgabe umso wichtiger.

Früher ging es darum, die Schritte klar zu definieren; heute geht es darum, das Ziel klar zu formulieren.

Abschnitt 2 | Die Arbeitsteilung zwischen Mensch und Maschine wird neu strukturiert

Was die Popularität von Intelligent Agents wie OpenClaw angeht, hat Andrej Karpathy folgende Meinung:

„Die heutigen Intelligent Agents sind wie Praktikanten.“

Sie können einen großen Teil der Arbeit unabhängig erledigen, sind in einigen Bereichen stabil, aber können auch in Details überraschende Fehler machen.

Karpathy glaubt, dass in Zukunft ein Kernkriterium bestimmt, welche Aufgaben von Maschinen vollständig übernommen werden: die Verifizierbarkeit.

Wenn das Ergebnis einer Aufgabe klar als richtig oder falsch beurteilt werden kann, wie z.B. ob ein Code funktioniert oder ob Daten dem Format entsprechen, ist es leicht zu automatisieren. Umgekehrt, wenn eine Aufgabe eine Abwägung zwischen verschiedenen Möglichkeiten erfordert und es kein eindeutiges Kriterium gibt, ist es für das Modell schwierig, sie allein zu erledigen.

Aber das bedeutet nicht, dass die Aufgaben, die Maschinen erledigen können, feststehen. Denn der Bereich der Verifizierbarkeit erweitert sich ständig, und die Maschinen können immer mehr Aufgaben erledigen.

Früher wurde angenommen, dass das Schreiben von Code Kreativität erfordert und nicht verifizierbar ist. Aber wenn man es in die Implementierung einer bestimmten Funktion zerlegt, gibt es plötzlich ein Verifizierungskriterium: ob die Tests bestehen. Ebenso scheint das Gestalten von Benutzeroberflächen sehr subjektiv, aber wenn das Verifizierungskriterium darauf abzielt, ob es den visuellen Standards der Marke entspricht, wird es auch verifizierbar.

Um zu beurteilen, ob eine Position von der Automatisierung betroffen sein wird, darf man nicht nur den Berufsnamen betrachten, sondern auch, wie viel Prozent der Arbeit in Aufgaben mit eindeutigen Verifizierungskriterien zerlegt werden kann.

Ein hochspezialisierter Designer verbringt möglicherweise 80 % seiner Zeit mit verifizierbaren Ausführungsaufgaben und nur 20 % mit echten kreativen Entscheidungen. Diese 20 % sind sicher, aber die 80 % werden schnell an die Maschinen übertragen.

Dieselbe Logik gilt auch für Buchhalter, Juristen und Kundendienstmitarbeiter. Viele Regelnprüfungen, Dokumentenüberprüfungen und Standardfragen werden automatisiert. Aber die endgültige Verantwortung für die Unterschrift, die Risikobeurteilung und die Behandlung komplexer Streitigkeiten müssen immer noch von Menschen übernommen werden.

So wird eine neue Arbeitsteilung klar: Die Modelle übernehmen die Ausführung, und die Menschen legen die Grenzen und die Richtung fest.

Die Menschen müssen nicht mehr jeden Detailaspekt überwachen oder komplizierte Bedienungsschritte auswendig lernen, aber sie müssen sich eines zentralen Dings bewusst sein: Wie sollte diese Aufgabe definiert werden, und was ist ein richtiges Ergebnis?

Der Ausführungsteil wird an die Maschinen übergeben, der Definitionsteil bleibt bei den Menschen.

Aber wie lange wird diese Arbeitsteilung andauern?

Abschnitt 3 | Vorbereitung auf die AGI

Die Antwort auf diese Frage gibt Demis Hassabis. In einem anschließenden Gespräch gab er ein klares Zeitfenster an: 2030.

Dies ist seine Vorhersage für die Realisierung der AGI (Künstliche Allgemeinintelligenz). Von jetzt an sind es nur noch vier Jahre.

Wenn Sie heute mit einem Startup beginnen, dauert es normalerweise 5 - 8 Jahre, um Erfolg zu haben. Und die AGI wird in der Mitte dieser 10 Jahre auftauchen.

Dies ist keine vernachlässigbare Variable. Sie müssen etwas tun, das auch nach der Ankunft der AGI einen unverzichtbaren Wert hat.

Demis sagte:

„Er beobachtet die Entwicklung von Intelligent Agents. Wir stehen erst am Anfang. Erst in den letzten Monaten haben die Menschen wirklich wertvolle Anwendungsfälle gefunden. In den nächsten 6 bis 12 Monaten wird es noch größere Fortschritte geben.“

Was sollten dann die Unternehmer tun?

Sein Rat ist: Kombinieren Sie KI mit Deep Tech. Gehen Sie in die Materialwissenschaft, die Medizin, in die wirklich schwierigen physikalischen Bereiche. Diese Bereiche haben gemeinsam, dass sie die reale Welt der Atome betreffen und es keine Abkürzungen zum Erfolg gibt. Mit anderen Worten, sie werden nicht so leicht von der nächsten Welle der Aktualisierung der Basis-Modelle umgeworfen.

Im Bereich der reinen Software ändert sich alles zu schnell. Das, was Sie heute als Zwischenschicht aufbauen, kann morgen von der verbesserten Fähigkeit des Modells selbst ersetzt werden. Aber wenn Sie ein Problem lösen, das ein tiefes Verständnis der physikalischen Welt, der biologischen Systeme oder der Materialeigenschaften erfordert, ist Ihre Schutzmauer viel tiefer.

Unternehmen müssen nach einer Schutzmauer suchen, und das Gleiche gilt für Einzelpersonen.

An dieser Konferenz sagte Andrej Karpathy: Sie können den Denkprozess an die KI übergeben, aber Sie können das Verständnis nicht an die KI abgeben.

Was ist Verständnis?

Wissen, wo genau das Problem liegt,

Wissen, warum diese Aufgabe wertvoll ist,

Wissen, wie das Ziel genau definiert werden sollte.

Andrej hat festgestellt, dass er jetzt selbst zum Engpass im gesamten Arbeitsablauf geworden ist. Der Engpass liegt darin, herauszufinden, was genau getan werden soll und warum es wertvoll ist. Das LLM kann unendlich generieren und effizient ausführen, aber es kann Ihnen nicht helfen, zu verstehen, warum eine Sache für die Menschen wichtig ist.

Was wird also wichtiger?

Das Merken von API-Parametern ist nicht mehr wichtig, auch das Beherrschen von Prompting-Techniken ist nicht das Kernstück. Wichtig ist es, ein tieferes Verständnis zu entwickeln. Verstehen Sie die zugrunde liegende Logik einer Branche, die echten Bedürfnisse der Benutzer und wo der geschäftliche Wert herkommt.

Sie können der KI sagen, wie etwas zu tun ist, aber Sie können nicht der KI überlassen, zu wissen, warum es getan werden sollte.

In vier Jahren, wenn die AGI wirklich hereinkommt, wird der Wert dieses Verständnisses ungeheuerlich klar werden.

Denn bis dahin werden es unzählige automatisch ausführbare Aktionen und unzählige mit einem Klick generierbare Lösungen geben. Aber es wird immer noch jemand brauchen, der definiert, was wirklich wertvoll ist, was getan und generiert werden sollte.

Die KI kann unzählige Dinge tun, aber nur die Menschen wissen, welches Ding es wert ist, getan zu werden.

Abschluss | Die letzte Schutzmauer

Früher haben die Menschen die Arbeit um die Werkzeuge herum organisiert.

Jetzt beginnen die Werkzeuge, tief in die Arbeit einzusteigen.

In Zukunft werden die Menschen nur noch die Richtung bestimmen und die Umsetzung vollständig an die Maschinen übergeben.

Sie können den Denkprozess an das Modell übergeben und es Ihnen helfen, zu generieren und auszuführen. Aber es gibt eine Sache, die Sie niemals abgeben dürfen: Wissen, was richtig ist und was wirklich wertvoll ist, getan zu werden.

Dies ist der Anfang von 2026 und das Thema der nächsten vier Jahre.

Quellenangaben:

https://www.youtube.com/watch?v=96jN2OCOfLs&t=461s

https://www.youtube.com/watch?v=AFpeWo1GTeg&t=1s

https://www.youtube.com/watch?v=JNyuX1zoOgU

Quelle: Offizielle Medien / Online-Nachrichten

Dieser Artikel stammt aus dem WeChat-Account „AI Deep Researcher“, Autor: AI Deep Researcher, Redakteur: Deep Thought, veröffentlicht von 36Kr mit Genehmigung.