Microsoft hat öffentlich einen Artikel befürwortet, der angibt, dass KI im Laufe eines Jahrzehnts nur zu einem Anstieg des BIP um 1,5 % beitragen kann.

Microsoft, der größte Geldgeber hinter OpenAI und einer der größten Nutznießer dieser aktuellen KI-Erzählung, hat in seiner eigenen Publikation einen Artikel veröffentlicht, der die KI-Branche in Frage stellt.

Und der Autor, der diese skeptische Haltung vertritt, ist kein Unbekannter: Daron Acemoglu, Wirtschaftsprofessor am MIT, Preisträger des Nobelpreises für Wirtschaftswissenschaften 2024 und einer der am häufigsten zitierten lebenden Ökonomen weltweit.

Seine zentrale These lässt sich zunächst grob in einem Satz zusammenfassen:

In den nächsten zehn Jahren wird KI das BIP-Wachstum voraussichtlich nur um 1,5 % steigern und maximal 5 % der Arbeitsplätze ersetzen.

Diese beiden Zahlen mögen Ihnen zunächst abstrakt erscheinen – nehmen wir als Vergleichswert eine Referenz.

Allein in diesem Jahr planen die vier Unternehmen Google, Microsoft, Meta und Amazon insgesamt rund 725 Milliarden US-Dollar in die KI-Infrastruktur zu investieren – und das nur innerhalb eines einzigen Jahres.

Bei einem BIP-Zuwachs von 1,5 % bezogen auf die Wirtschaftsleistung der USA verteilt sich dieser Betrag auf zehn Jahre, was jährlich etwa 40 bis 50 Milliarden US-Dollar entspricht.

Auf der einen Seite stehen jährliche Investitionen von über 700 Milliarden US-Dollar, auf der anderen Seite erwartete Renditen von nur mehreren hundert Milliarden jährlich. Natürlich ist diese Rechnung sehr vereinfacht, und so funktioniert Volkswirtschaftslehre in der Realität nicht.

I. Was ist passiert?

Die Sache an sich ist recht einfach.

Unter Microsoft gibt es eine Publikation namens The Humanist Review of AI, die einen sehr altmodischen Charakter hat. Für die erste Ausgabe wurden die Autoren mit handschriftlichen Unterschriften versehen, was einen Hauch von intellektueller Sturheit vermittelt.

Acemoglus Artikel wurde dort veröffentlicht, sein Titel lautet Will AI Replace Workers? Not If We Build It Right. – also übersetzt: Wird KI die Arbeitnehmer ersetzen? Nicht, wenn wir sie richtig gestalten.

Quelle: https://humanistreview.ai/issue-1/acemoglu-ai-replace-workers/

Das Datum auf der Artikelseite ist der 15. Juli, aber er erlangte erst am 6. Oktober breite Aufmerksamkeit, als die Medien darüber berichteten. Suleyman, der CEO von Microsofts KI-Abteilung, veröffentlichte noch am selben Abend einen langen Beitrag zur Empfehlung des Artikels, der schnell über 400.000 Aufrufe erzielte.

Wenn ein großer Geldgeber persönlich einen Artikel unterstützt, der die eigene Branche in Frage stellt, wirkt das fast widersprüchlich.

II. Zuerst zu diesem Kritiker

Der Name Acemoglu mag Ihnen unbekannt vorkommen, aber Sie haben mit großer Wahrscheinlichkeit schon von seinem Buch Warum Nationen scheitern gehört, einem berühmten populärwissenschaftlichen Werk zur Volkswirtschaftslehre. Den Nobelpreis für Wirtschaftswissenschaften 2024 erhielt er gemeinsam mit zwei weiteren Wissenschaftlern.

Er hat sein ganzes Leben der Forschung zu drei Themen gewidmet: Technik, Institutionen und Wachstum.

Wichtig ist: Er hat nichts mit den extremen KI-Pessimisten zu tun. Er hält KI weder für eine Blase, noch glaubt er, dass KI die Menschheit zerstören wird. Was ihn stört, ist etwas anderes: Zu viele Menschen rufen blind nach AGI, aber nur wenige machen sich die Mühe, die Rechnungen ernsthaft durchzugehen.

Und das ist keine spontane Idee von ihm. Bereits 2024 veröffentlichte er ein Arbeitspapier mit dem Titel The Simple Macroeconomics of AI, in dem er schätzte, dass das durch KI in zehn Jahren erzeugte BIP-Wachstum zwischen 1,1 % und 1,6 % liegen wird.

Die 1,5 % aus seinem aktuellen Artikel liegen genau in diesem Bereich.

Das bedeutet: In zwei Jahren, in denen sich die Modelle von GPT-4 zu GPT-6 rasant weiterentwickelt haben und die gesamte Branche sich verändert hat, hat sich seine Prognose kaum verändert.

Allein das ist Grund genug, sich seine Überlegungen genauer anzusehen.

III. Wie kommt man auf die Zahl von 5 %?

Seine Berechnung umfasst nur zwei Schritte.

Erster Schritt: Abschätzen, was KI leisten kann. Er geht davon aus, dass bis zum Ende der 2020er Jahre KI zuverlässig hauptsächlich einfache kognitive Büroaufgaben automatisieren kann, die etwa 20 % aller Arbeitsplätze in der US-Wirtschaft ausmachen. Komplexe Tätigkeiten, die Urteilskraft, mehrdimensionale Schlussfolgerungen und soziale Fähigkeiten erfordern, sind für KI noch lange nicht zu bewältigen – und die Gesellschaft wird es kaum zulassen, dass KI Flugkontrolltürme steuert, Psychotherapie durchführt oder Unternehmen leitet. Tätigkeiten, die mit der physischen Welt interagieren, müssen noch länger warten, denn flexible Roboter sind noch nicht in Sicht.

Zweiter Schritt: Abschätzen der Verbreitungsgeschwindigkeit. Unter Bezugnahme auf die Verbreitungsregeln früherer Technologien wie Elektrizität und Computer geht er davon aus, dass von den automatisierbaren Tätigkeiten innerhalb von zehn Jahren nur etwa ein Viertel tatsächlich automatisiert wird.

20 % multipliziert mit einem Viertel ergibt 5 %.

Er gibt selbst zu, dass dies eine „Guesstimate“ ist – also eine wissenschaftlich fundierte Schätzung, die auf groben Annahmen beruht.

Aber er nennt zwei überzeugende Gründe, warum die Umsetzung höchstwahrscheinlich nicht schnell voranschreiten wird.

Erster Grund: Das berühmte Solow-Paradoxon. 1987 äußerte der Ökonom Robert Solow einen berühmten Satz: „Computer sind überall, nur nicht in den Produktivitätsstatistiken.“ Die heutige KI befindet sich in einer ähnlichen Situation: In Labors schreibt sie Code und wertet Bilder mit überwältigender Geschwindigkeit aus, aber in Unternehmen verbringen Ingenieure viel Zeit damit, Fehler in dem von KI generierten Code zu beheben. Bei radiologischen Ärzten führt die KI-Unterstützung teilweise sogar zu schlechteren Ergebnissen.

Zweiter Grund: Die Geschichte der Elektrizität. 1881 gab es in New York und London bereits zentrale Kraftwerke, und viele Menschen glaubten damals, dass die Fertigungsindustrie bald vollständig verändert werden würde. Aber was passierte? Bis in die 1920er Jahre, also fast vier Jahrzehnte später, nutzten nur etwa die Hälfte aller Fabriken und Haushalte Strom.

Selbst eine Technologie von der Bedeutung der Elektrizität brauchte vier Jahrzehnte, bis sie sich durchsetzte. Bei KI gibt es noch viel mehr anzupassen: Aufgaben müssen neu verteilt, Mitarbeiter neu geschult werden, und das Management muss von Grund auf lernen, mit KI zusammenzuarbeiten. Organisatorische Veränderungen laufen meist viel langsamer ab als technische.

Deshalb wird seit fast zehn Jahren behauptet, dass radiologische Ärzte bald überflüssig werden – aber in der Realität stellen Krankenhäuser immer mehr radiologische Ärzte ein.

IV. Eine alte Geschichte über Spracherkennung

Der folgende Teil ist mein persönlicher Lieblingsabschnitt im gesamten Artikel, eine fast vergessene Geschichte.

In den 1980er Jahren gründeten das Ehepaar James und Janet Baker in den USA die Firma Dragon Systems, die sich ausschließlich der Spracherkennung widmete. Ihr Ansatz war damals sehr unkonventionell: Sie ignorierten Grammatik und Semantik und verwendeten direkt maschinelles Lernen, um Sprache auf die am besten passenden Wörter abzubilden – eine reine Vorhersage.

1997 veröffentlichten sie Dragon NaturallySpeaking, die erste Software zur Erkennung zusammenhängender natürlicher Sprache mit einer Genauigkeit von fast 95 %.

Warum kennt sich Acemoglu so gut mit dieser Geschichte aus? Weil er einer der ersten Nutzer war. 1997 litten seine beiden Arme unter Überlastung, sodass er nicht tippen konnte – er war auf diese Software angewiesen. Seine eigenen Worte lauten: Selbst als die Prozessoren noch extrem langsam waren, wirkte das Programm wie Magie.

Nach dem üblichen Szenario hätte die Technik danach rasante Fortschritte machen und die Spracherkennung die Welt erobern müssen.

Aber 2000 wurde Dragon von der belgischen Firma Lernout & Hauspie übernommen. Einige Monate später ging diese Firma bankrott, und die Mitbegründer wurden später wegen Unternehmensbetrugs verurteilt. Anschließend kaufte ScanSoft die Firma zu einem niedrigen Preis, benannte sie in Nuance um, vernachlässigte die Verbraucherprodukte und konzentrierte sich auf das Gesundheitswesen und das Unternehmensgeschäft. 2022 erwarb Microsoft Nuance und verfolgte denselben Kurs weiter.

Das Endergebnis lautet: Die Spracherkennung auf PCs heute ist nur geringfügig besser als im Jahr 2000.

Obwohl die zugrundeliegende Technik rasant Fortschritte machte, warteten die Verbraucher mehr als zwanzig Jahre lang vergeblich auf die erwarteten Verbesserungen.

In dieser Geschichte stecken zwei weitere Erkenntnisse: Erstens braucht es zu technologischen Durchbrüchen auch passende Anwendungen und geeignete Vertriebskanäle, die damals noch nicht vorhanden waren. Zweitens behauptete Dragon bei der Veröffentlichung der Version 16 eine Genauigkeit von 99 % – aber das galt nur unter idealen Bedingungen. Die verbleibenden 1 % reichen aus, um die Bedeutung eines ganzen Satzes zu verändern, sodass Sie jede E-Mail von Anfang bis Ende durchlesen müssen, um versteckte Akzente und Tippfehler zu korrigieren.

99 % klingt nach einer sehr hohen Genauigkeit. Aber wenn es um die letzte Meile in der realen Welt geht, reicht das oft nicht aus.

Diese Logik lässt sich auch auf die KI-Automatisierung übertragen. Vollautomatisierung bedeutet, dass KI jede einzelne Aufgabe eines Berufs übernimmt, einschließlich risikoreicher Entscheidungen und zwischenmenschlicher Interaktionen. Die heutige KI ist von diesem Zustand noch weit entfernt.

V. Wer soll eigentlich wem ähneln: Mensch oder Maschine?

Nach dieser Geschichte stellt Acemoglu die wichtigste These des gesamten Artikels vor: Der aktuelle Kurs der Branche ist möglicherweise von Grund auf falsch. Denn wir tun etwas, das KI zwingt, die menschliche Intelligenz nachzuahmen.

Und diese beiden Arten von Intelligenz unterscheiden sich so stark voneinander, als gehörten sie zu zwei verschiedenen Spezies.

Wie lernen Menschen? Wir sehen einige Beispiele, bilden eine Hypothese, simulieren verschiedene Möglichkeiten im Kopf und testen sie dann in der realen Welt. So lernen fast alle Kinder. Dieses Lernen ist von Natur aus sozial geprägt: Sie beobachten Menschen, von denen Sie glauben, dass sie mehr wissen, und sehen sich an, wie diese vorgehen. Der Mensch kann sogar mit seinem gesamten Körper denken: Gehirn, Nerven, Sinne und sogar der Magen-Darm-Trakt sind am Denkprozess beteiligt.

Am interessantesten ist seine Neubewertung des „Halluzinations“-Phänomens: Die Halluzinationen des Menschen sind seiner Ansicht nach fast eine Begabung: Wir erfinden eine Menge nicht existierender Welten, filtern schnell die unzuverlässigen heraus und behalten diejenigen, die es wert sind, verfolgt zu werden.

Bei KI ist es fast genau umgekehrt: Sie lernt aus riesigen Datenmengen, ist gut darin, Muster in großen Textkorpora zu erkennen, und kann einmal gelernte Schlussfolgerungen sowohl in abstrakten als auch in konkreten Szenarien anwenden. Aber ihr fehlt das soziale Lernen in Echtzeit, und wenn sie halluziniert, führt das meist zu Katastrophen, weil sie nicht über den menschlichen Filter zur Überprüfung von Ergebnissen verfügt.

Seiner Meinung nach ist es also ein dummer Weg, zwei so unterschiedliche Dinge zwingen zu wollen, sich gegenseitig nachzuahmen.

Er nennt ein schönes Beispiel: Steve Jobs und Steve Wozniak. Wenn Jobs jeden Tag versucht hätte, die Ingenieurskompetenz von Wozniak zu ersetzen, und Wozniak das Design- und Marketingtalent von Jobs verachtet hätte, gäbe es wahrscheinlich nie den späteren Mac. Die beiden erreichten ihre Erfolge, indem sie zwei völlig unterschiedliche Fähigkeiten miteinander kombinierten. Genau so sollte die Beziehung zwischen Mensch und KI aussehen.

Dieser Weg wurde bereits vor 65 Jahren aufgezeigt. 1960 schrieb „der Großvater des Internets“ Licklider einen Satz: „Menschliche Gehirne und Computer werden eng miteinander verbunden sein. Diese Partnerschaft wird auf eine Weise denken, wie es das menschliche Gehirn nie zuvor getan hat, und Informationen auf eine Weise verarbeiten, wie es heutige Maschinen nie tun.“

Der Fahrplan war schon lange festgelegt, aber die Branche hat einen Umweg von 60 Jahren gemacht.

Acemoglu nennt seine vorgeschlagene Richtung „Pro-Worker-KI“ – also KI, die Arbeitnehmer unterstützt, anstatt sie zu ersetzen. Statt auf vollständige Automatisierung zu setzen, sollten wir Werkzeuge entwickeln, die die Fähigkeiten der Arbeitnehmer stärken.

Er nennt ein Beispiel aus dem Bildungsbereich: Heutige Bildungs-KI versucht meist, die Arbeit der Lehrer zu übernehmen. Aber eine vollautomatische Bildung ist in weiter Ferne. Wenn man den Ansatz ändert, eröffnet sich ein breites Feld: KI kann erkennen, bei welchen Wissenspunkten einzelne Schüler Schwierigkeiten haben, und den Lehrern vorschlagen, die Klasse in kleine Gruppen auf