Warum Prognosen über AI-Fortschritt historisch so oft daneben lagen
Überzogene AI-Prognosen sind kein neues Phänomen. Der KI-Pionier Herbert Simon sagte 1965, Maschinen würden binnen zwanzig Jahren jede menschliche Arbeit verrichten können. Marvin Minsky erklärte 1970, in drei bis acht Jahren werde es eine Maschine mit durchschnittlicher menschlicher Intelligenz geben. Beide irrten um Jahrzehnte – nicht aus Inkompetenz, sondern weil das Abschätzen des Zeitpunkts eines Durchbruchs strukturell anders funktioniert als das Abschätzen seiner Richtung.
Ein hartes aktuelles Datenstück: die Forscher-Umfrage
AI Impacts befragt seit Jahren tausende aktive Machine-Learning-Forschende zum erwarteten Zeitpunkt „menschenähnlicher“ AI. 2022 lag die mittlere Schätzung bei 2060. Ein Jahr später, 2023, war sie auf 2047 gesprungen – 13 Jahre früher, innerhalb von zwölf Monaten. Der Erkenntniswert liegt nicht in der Zahl 2047, sondern in der Verschiebung selbst: Eine seriöse, auf echtem Wissen beruhende Schätzung sollte sich durch ein Jahr neuer Beobachtungen nicht derart verschieben.
Selbst die besten Prognostiker der Welt justieren ständig nach
Man könnte einwenden, Fachforschende seien befangen. Deshalb ist ein zweiter Befund interessanter: Turniere stellen AI-Fachleute direkt gegen geschulte „Superforecaster“ – Menschen ohne AI-Hintergrund, aber mit nachgewiesener, außergewöhnlicher Trefferquote bei allgemeinen Zukunftsfragen. Innerhalb weniger Monate verschoben beide Gruppen ihre Einschätzungen spürbar nach vorn, die Superforecaster sogar stärker als die Fachleute. Wenn selbst diese Gruppe keine stabile Antwort hat, ist ein einzelnes Zitat oder eine Keynote-Folie kein Ersatz dafür – es ist eine Geschichte mit einem Datum daran.
Was sich tatsächlich robust vorhersagen lässt: die Kostenkurve
Ein Datenstück verhält sich seit Jahren erstaunlich verlässlich: nicht die Fähigkeiten der Modelle, sondern ihre Kosten. Für ein festes Leistungsniveau sind die Kosten pro Anfrage seit Ende 2022 massiv gefallen, mit einer Halbierung etwa alle sechs bis acht Monate. Kostensenkung durch Effizienzgewinne und Konkurrenzdruck ist ein Ingenieurs-Prozess mit vielen kleinen, unabhängigen Beiträgen – kein einzelner Durchbruch, auf den man warten muss. Das macht sie zum verlässlicheren Fixpunkt für die eigene Planung als jedes Fähigkeits-Datum.
Der am meisten unterschätzte Befund: AI hebt nicht alle gleich an
Eine kontrollierte Studie mit Tausenden Kundenservice-Mitarbeitenden fand: AI-Unterstützung verbesserte die leistungsschwächsten und unerfahrensten Beschäftigten deutlich messbar, während die bereits stärksten Mitarbeitenden kaum profitierten. Dieser Ausgleichseffekt taucht in mehreren unabhängigen Studien wieder auf. Die praktische Konsequenz: AI macht nicht in erster Linie die eigenen Top-Leute noch besser – sie hebt den Boden an. Der größte Hebel liegt eher bei Einsteigenden und Standardaufgaben als bei Spitzenkräften.
Warum das für dich als Entscheider zählt
Mit Skepsis auf jedes feste Datum reagieren, statt auf einen „reifen“ Zeitpunkt zu warten – die Kostenkurve spricht für frühen, kleinen Einstieg zum Lernen. Und den größten Hebel dort suchen, wo heute die größte Qualitätsschwankung in den eigenen Prozessen liegt, nicht bei den ohnehin stärksten Mitarbeitenden. Die vollständige Recherche, weitere Belege und die ökonomische Einordnung stehen im Artikel „Die Zukunft der KI: Was sich seriös vorhersagen lässt – und was nicht“. Was diese Prinzipien konkret für dein Unternehmen bedeuten, bündelt „Was das für dein Unternehmen heißt: die AI-Roadmap für Entscheider“ am Ende dieses Kurses.