Null-Kündigungen, Expertengehälter werden zuerst um 30 % gekürzt – der Mitbegründer von DeepMind zieht den ersten Schnitt im KI-Sektor
Machen Sie sich keine Sorgen mehr, dass KI Ihren Arbeitsplatz wegnimmt. Was zuerst wirklich zusammenbricht, ist Ihre Gehaltsabrechnung.
Gerade eben hat Shane Legg, Mitbegründer von Google DeepMind, gehandelt.
Er ist der leitende AGI-Wissenschaftler bei DeepMind.
Diesmal hat er sich mit Alex Imas, Direktor für AGI-Ökonomie, und Andrew Koh, Forschungswissenschaftler, zusammengetan, um einen langen Aufsatz mit dem Titel „Die Ökonomie der Intelligenz“ am DeepMind Institute zu veröffentlichen und gleichzeitig das Arbeitspapier „Organizing Intelligence“ öffentlich zugänglich zu machen.
Imas hat auf X mitgeteilt, dass er zu DeepMind gekommen ist, um ein Forschungsprojekt zur AGI-Ökonomie aufzubauen.
Sie wollen eine große Frage beantworten: Wann und auf welche Weise wird die Wirtschaft vollständig umgestaltet, wenn man von der AGI bis zur ASI voranschreitet?
Sie teilen die Evolution der KI in vier Phasen ein: minimale AGI, überlegene KI, superkooperative KI und ASI. Nach jeder Phase werden sich die Marktstruktur, die Art der auszuführenden Arbeiten und die Gehälter neu ordnen.
Wie sich die Organisationsstruktur von Menschen und KI in drei Märkten von der menschlichen Basislinie bis zur ASI entwickelt
Das Papier berechnet mit einem ökonomischen Modell eine Rechnung, die jedem einen Schauer über den Rücken laufen lässt:
Selbst wenn das Unternehmen keine einzige Person entlässt, werden die Gehälter von Experten zuerst einbrechen, sobald die KI das durchschnittliche Niveau der Menschen erreicht;
Sobald die einzelne Fähigkeit der KI alle menschlichen Experten übertrifft, beträgt das Gehalt von Spitzenprogrammierern nur noch ein Bruchteil ihres Spitzenwerts;
Stattdessen werden die „Koordinatoren“, die bei einzelnen Tests am schlechtesten abschneiden, zu den bestbezahlten Personen im gesamten Bereich.
Das weiter entfernte Endziel ist die „Unternehmenssingularität“.
Sobald die KI lernt, effizient in Teams zusammenzuarbeiten, könnte der gesamte große Markt von einem riesigen rein KI-basierten Unternehmen übernommen werden.
Sol Messing, ein Bewertungsgelehrter bei Google DeepMind, stellte fest, dass dieses Papier die Fragestellung der Branche umgestaltet hat.
Früher fragten die Leute: „Kann die KI die Anwaltsprüfung bestehen?“ Jetzt sollte man fragen: „Kann die KI selbst eine Anwaltskanzlei gründen?“
Ihre Stelle ist noch vorhanden, aber Ihre Verhandlungsmacht ist verschwunden.
Während Sie noch mit Ihren Kollegen um Leistungen konkurrieren, werden Ihre Fähigkeiten bereits durch die Stromkosten im Rechenzentrum neu bewertet.
Im Einzelkampf das gesamte Netzwerk besiegen
Aber die KI verliert gegen ein spezialisiertes menschliches Team
Heutige große Modelle sind in der Programmierung und bei mathematischen Prüfungen äußerst leistungsfähig.
Aber in der realen ökonomischen Welt erzeugen sie nur sehr geringe Wellen: Die Beschäftigungsdaten bleiben fast unverändert.
Die drei Autoren glauben, dass das Problem im Bewertungsobjekt liegt.
Fast alle Benchmark-Tests messen, wie eine KI im Einzelkampf gegen eine Person abschneidet.
Aber im realen Markt kämpfen verschiedene Unternehmen und Organisationen gegeneinander.
Um dies zu beweisen, hat das Team 100 Probanden eingeladen, einen Test in sechs Bereichen durchzuführen: Mathematik, sprachliches Denken, Naturwissenschaften, Mustererkennung, Kultur und Ökonomie.
Die Ergebnisse zeigen: Die Punktzahl einer Person in einem Bereich kann ihre Leistung in einem anderen Bereich kaum vorhersagen.
In der Realität gibt es keine „durchschnittlichen klugen Menschen“, die in allen Fächern gleich gut sind, jeder ist ein „gezackter Spezialist“ mit einseitigen Stärken.
Das Radardiagramm der einseitigen Stärken von 6 Probanden im Test von 100 Personen in sechs Bereichen und die umhüllende Linie der Mosaikintelligenz, die durch komplementäre Teamarbeit entsteht
Es ist wie beim Zusammensetzen von Mosaiken: Jedes Fragment ist unregelmäßig, aber zusammen passen sie perfekt zueinander.
Die Aufgabe des Unternehmens besteht darin, Menschen mit einseitigen Stärken zusammenzubringen und sie nach ihren jeweiligen komparativen Vorteilen zu verteilen. Wenn die langen Stärken die kurzen ergänzen, kann das Team eine Fähigkeitslandkarte erstellen, die weit über die einer einzelnen Person hinausgeht.
Das Papier nennt dies „Mosaikintelligenz“.
Aus den gemessenen Daten geht hervor, dass Paare, die nach komplementären Fähigkeiten zusammengepasst werden, um 32 % besser abschneiden als zufällig zusammengepasste Paare.
Genau das fehlt großen Modellen.
Wenn dasselbe Modell tausendfach kopiert wird, überlappen sich die Richtungen der einseitigen Stärken und die blinden Flecken vollständig: Das Öffnen einer weiteren Kopie erhöht nur die Produktionskapazität, beseitigt aber keine Schwächen.
Daher gewinnt selbst eine einzelne KI bereits gegen das durchschnittliche Niveau des Menschen.
Gegen ein menschliches Team mit komplementärer Arbeitsteilung verliert sie trotzdem.
Niemand wird entlassen
Aber die Gehälter von Experten fallen zuerst um 30 %
Die menschlichen Teams behalten ihre Arbeitsplätze.
Aber genau das ist die gefährlichste Illusion von Sicherheit.
Um diese Rechnung klar zu berechnen, hat das Papier eine kleine Volkswirtschaft mit 14 Personen aufgebaut.
6 Programmierer, 6 Schriftsteller und 2 „Koordinatoren“.
Programmierer erreichen 9 Punkte beim Schreiben von Code und 1 Punkt beim Schreiben von Artikeln. Bei Schriftstellern ist es genau umgekehrt.
Koordinatoren erreichen in beiden Bereichen nur 1 Punkt und belegen bei einzelnen Tests den letzten Platz.
Aber sie sind gut darin, andere zur Zusammenarbeit zu bewegen, also die Manager, die wir kennen.
Ohne KI arbeiten Programmierer und Schriftsteller im Verhältnis 1:1 zusammen, und die Gehälter der Spezialisten steigen auf 4,15, fast das Dreifache des Werts bei Einzelarbeit.
Die Koordinatoren helfen dem Team, Reibungsverluste bei der Übergabe zu beseitigen, und ihr Gehalt beträgt 2,41.
Anschließend fügt das Team dieser Volkswirtschaft eine „minimale AGI“ hinzu.
Ihre einzelne Fähigkeit beträgt nur 1,69, ihre Kooperationsfähigkeit nur 0,78.
Dies entspricht genau dem durchschnittlichen Niveau dieser Menschen, wenn sie alleine arbeiten.
Das Ergebnis: Die Beschäftigungsrate bleibt unverändert.
Alle 14 Personen arbeiten weiterhin auf dem großen Markt, die Zahl der Arbeitslosen beträgt 0.
Aber die Gehälter brechen ein.
Die Gehälter der Spezialisten sinken von 4,15 auf 2,90, was einem Rückgang von 30 % entspricht;
Die Gehälter der Koordinatoren sinken von 2,41 auf 1,30, was einem Rückgang von 46 % entspricht.
Niemand wurde ersetzt, warum brechen die Gehälter zuerst ein?
Die Antwort lautet: Die Knappheit ist verschwunden.
Menschliche Experten sind wertvoll, weil jeder Mensch nur 24 Stunden pro Tag hat und nicht kopiert werden kann.
Selbst wenn die KI nur das durchschnittliche Niveau des Menschen erreicht, kann sie unbegrenzt nach dem Preis der Rechenleistung kopiert werden und in die Nischenmärkte strömen, um die Preise zu senken.
Das Papier stellt eine eiserne Regel auf:
Sobald das Modell eine menschliche Fähigkeit erreichen kann, wird dieses Gehalt an die Kosten der Rechenleistung gebunden.
Die Autoren weisen ausdrücklich darauf hin: Die Veränderungen der Gehälter treten vor der Umstrukturierung der Organisationen ein.
Die Behauptung, dass „die unveränderte Beschäftigungsrate beweist, dass die KI keine Auswirkungen auf die Wirtschaft hat“, ist unhaltbar.
Die Gehälter von Programmierern fallen um 90 %
Die Koordinatoren, die am schlechtesten abschneiden, überholen alle
Es kommt noch härter.
Das Team hebt die einzelne Fähigkeit der KI auf ein Niveau, das alle menschlichen Experten übertrifft, und behält die Kooperationsfähigkeit unverändert bei.
Das Papier nennt dies „überlegene KI“.
Es kommt zu einer völligen Umkehr der Rollen.
Programmierer und Schriftsteller verlieren ihre Preisvorteile auf dem großen Markt und werden in enge Nischenmärkte gedrängt: Ihre Gehälter sinken von 2,90 auf 0,39, was mehr als 90 % unter ihrem Spitzenwert liegt.
Stattdessen werden die beiden Koordinatoren, die am schlechtesten abschneiden, von KI-Unternehmen eifrig gesucht.
Der Grund ist einfach: Ein Raum voller KIs, die im Einzelkampf äußerst leistungsfähig sind, aber nicht zusammenarbeiten können, braucht jemanden, der die Richtung vorgibt und die Arbeit verteilt.
Das Gehalt der Koordinatoren liegt bei 0,48 und übertrifft das aller Experten.
Reale Daten bestätigen diesen Trend bereits:
Die Gesamtzahl der Mitarbeiter von KI-nativen Start-ups ist um 25 % niedriger als die ihrer Konkurrenten im gleichen Zeitraum.
Die Beschäftigung in Einstiegspositionen von betroffenen Berufen sinkt um 7,7 % bis 19 %, und die Einstiegsgehälter sinken um 4,2 %.
Die Stellen und Gehälter erfahrener Mitarbeiter steigen dagegen moderat an.
Im Einzelkampf sind alle sehr stark
Aber in einer Gruppe kollabieren sie
Es stellt sich eine Frage.
Die einzelne Fähigkeit der KI ist bereits so stark, und die Rechenleistung kann beliebig gemietet werden.
Warum gibt es noch kein rein KI-basiertes Unternehmen, das traditionelle Unternehmen vollständig verdrängt hat?
Die Antwort liegt in einem alten Problem, das vor 89 Jahren aufgeworfen wurde.
1937 fragte Coase, der später den Nobelpreis erhielt:
Da die Arbeitsteilung innerhalb von Unternehmen Kosten sparen kann, warum fusioniert die ganze Welt nicht zu einem riesigen Unternehmen?
In den fast hundert Jahren danach haben Ökonomen Antworten gegeben, die alle auf die Grenzen des Menschen hinweisen.
Wenn das Team auf Dutzende oder Hunderte von Personen anwächst, reicht die Aufmerksamkeit nicht mehr aus.
Nachdem Informationen mehrmals weitergegeben wurden, verändern sie sich schließlich vollständig. Außerdem verfolgt jeder seine eigenen kleinen Interessen.
Wenn die inneren Reibungen zunehmen, werden die Effizienzgewinne durch die Arbeitsteilung aufgezehrt, und das Unternehmen kann nicht weiter wachsen.
Das Papier nennt diese Obergrenze die „Coase-Decke“.
Überraschenderweise sind die inneren Reibungen moderner fortschrittlicher Modelle in Gruppen sogar noch schlimmer als bei Menschen.
Das Papier listet eine Reihe von fehlgeschlagenen Daten bei der Zusammenarbeit mehrerer Agenten auf.
In gängigen Workflow-Benchmarks können Multi-Agent-Systeme ihre Ziele nicht ausrichten, verlieren Kontext bei der Übergabe und weisen unterbrochene Validierungen auf, sodass die Aufgabenfehlerrate bis zu 41 % bis 87 % beträgt.
Bei sequenziellen Planungsaufgaben, die aufeinander aufbauen, führt das Hinzufügen mehrerer Agenten zu einem Leistungsrückgang von 39 % bis 70 %.
Schwärme von Agenten ohne Koordination können kleine Fehler im Vorgängerprozess bis zu 17,2-fach verstärken.
Noam Brown, Forscher bei OpenAI, räumte ebenfalls ein, dass es schwierig ist, eine große Anzahl von Agenten effektiv zusammenarbeiten zu lassen, wenn sie parallel an mathematischen Problemen arbeiten.
Seiner