KI ersetzt keine Jobs, sondern fungiert als effizienter Assistent

KI ersetzt keine Jobs, sondern fungiert als effizienter Assistent

Seit Monaten kursiert in Tech-Kreisen die These, dass KI unaufhaltsam sei und Arbeitsplätze vernichten werde. Doch bei genauerem Hinsehen zeigt sich ein anderes Bild. Ein Nutzer fasst es mit einem im Sektor verbreiteten Bild zusammen: Was große Sprachmodelle bisher geschaffen haben, ist vorerst „ein sehr effizienter Sekretär“, kein Ersatz für Berufe, die greifbare Ergebnisse produzieren. Diese Aussage, die die Debatte auslöste, hat durch praktische Beispiele zunehmend Nuancen gewonnen.

Das Muster wiederholt sich in jedem Sektor. Im Grafikdesign beschreibt ein Experte es unumwunden: Das Tool kann keine gerade Linie zeichnen und taugt nur für Aufträge geringer Qualität, nicht für Endkunden. In der Programmierung räumt ein anderer ein, dass ihm das Tool ermöglichte, ein Python-Programm mit 3D-Ansichten und mathematischen Berechnungen ohne Vorkenntnisse zu erstellen, betont aber, dass der Erfolg demjenigen gehört, der weiß, wie man die richtigen Befehle gibt. Die naheliegende Schlussfolgerung: KI beschleunigt denjenigen, der bereits Expertise besitzt, sie ersetzt nicht den Laien.

Das Problem der erfundenen Fehler

Bei der Zuverlässigkeit stimmen die Analysen am meisten überein. Ein Nutzer mit direkter Erfahrung berichtet so: Anfangs scheint es fantastisch, doch kratzt man an der Oberfläche, erkennt man einen Suchmaschine mit Chat-Funktion, die Daten erfindet und letztlich sagt, was man hören will. Ein anderer fügt hinzu, dass sich das System zwar entschuldigt und den Text neu erstellt, wenn man auf den Fehler hinweist, aber das Grundproblem bleibt: Das System unterscheidet nicht zwischen Wissen und Erfindung.

Deshalb ersetzt natürliche Sprache keine Programmiersprache. Eine spezifische Sprache dient der exakten Definition algorithmischer Aufgaben; menschliche Sprache ist von Natur aus mehrdeutig und unbestimmt. Die Übersetzung vager Anweisungen in ausführbaren Code ist genau dort, wo das Modell am häufigsten scheitert.

Warum der Transformer eine Grenze hat

Die technisch interessanteste Diskussion betrifft die Architektur. Aktuelle Modelle basieren auf Feed-Forward-Netzen: Sie verarbeiten die gesamte Sequenz auf einmal, ohne Möglichkeit, zu einem Zwischenschritt zurückzukehren. Ein Teilnehmer erklärt dies klar: Wenn sie einen Fehler erkennen, beginnen sie ab der ersten Zeile neu, statt nur den betroffenen Teil zu korrigieren. Das menschliche Gehirn hingegen korrigiert laufend mit minimalen Kosten.

Daher sehen einige rekurrente Schichten oder hierarchische Modelle als möglichen qualitativen Sprung. Ein Nutzer zitiert einen wissenschaftlichen Artikel über ein neuronales Netz, das auf verschiedenen Frequenzen operiert, und warnt: Wenn dies funktioniert, erleben wir erneut etwas Ähnliches wie die aktuelle Hype-Welle, mit ungewissem Ausgang. Ein anderer reagiert skeptisch: Die bisher vorgestellten HRM (Hierarchical Reasoning Models) seien Vaporware, trainiert für Sudoku-Lösungen, ohne echte Beweise für komplexe Planungsfähigkeiten.

Das Geschäft, das die Blase stützt

Jenseits der Technik gibt es eine wirtschaftliche Lesart, die die gesamte Debatte durchzieht. Ein Teilnehmer argumentiert, dass der Boom durch die Geldpolitik induziert sei: Unternehmen geben Millionen für Projekte aus, die dem Kunden keinen Mehrwert bieten, und wenn der Kreditzyklus endet, bleibt die Chance für jene, die durchgehalten haben. In seiner eigenen Firma, so sagt er, wurden wichtige Kundenprojekte gestrichen, weil das Management besessen davon sei, KI überall einzusetzen.

Andere weisen darauf hin, dass die Infrastruktur nicht auf LLMs beschränkt ist: Rechenzentren können mit den jeweils passenden Algorithmen aktualisiert werden, und die theoretische Forschung schreitet parallel voran. Die Frage ist nicht, ob die Technologie besser wird, sondern wann und zu welchen Kosten. Nvidias Ankündigung, bis zu 100 Milliarden Dollar in OpenAI zu investieren und 10 GW Systeme bereitzustellen, zeigt die Dimension des Einsatzes: Der erste Gigawatt soll in der zweiten Hälfte 2026 betriebsbereit sein.

Sektoren, die bereits betroffen sind

Nicht alles ist Skepsis. Einige behaupten, dass KI bereits ganze Branchen verschlingt und in zwei Jahren weitere treffen wird. Grafikdesigner, Videobearbeiter, Fotografen und Übersetzer wären die ersten, die es merken. Autonomes Fahren, fügen sie hinzu, funktioniere bereits zuverlässig in einigen Märkten, und seine Verallgemeinerung würde zweistellige Prozentanteile des weltweiten BIP kosten. Die Frage sei nicht technologisch, sondern politisch: Werden Regierungen in der Lage sein, verdrängte Arbeitnehmer umzuschulen, oder werden sie lieber Stimmen verteidigen?

Demgegenüber steht die häufigste Antwort: Automatisierung eliminiert Arbeit nicht, sie transformiert sie. Ein Nutzer fasst es schonungslos zusammen: Die meisten Jobs sind bloße Beschäftigungstherapie, und KI wird sie unter menschlicher Aufsicht genauso gut erledigen. Ein anderer erinnert daran, dass das Land, das Steuern senkt und diese Arbeiten in produktive Bereiche lenkt, einen Vorteil haben wird; wer es nicht tut, wird im Vergleich zur Dritten Welt.

---

Was, wenn die richtige Frage nicht lautet, wann AGI kommt, sondern wer solange die Party bezahlt?