In den letzten Jahren hat die Generative künstliche Intelligenz (Gen AI) war Zielscheibe übertriebener Erwartungen und Versprechungen einer weltverändernden industriellen Revolution. Seit der Einführung von ChatGPT wurde die Vorstellung, dass KI massive Veränderungen mit sich bringen und bis zum Verlust von 300 Millionen Arbeitsplätzen führen würde, weithin verbreitet. Doch 18 Monate nach dem Höhepunkt des Hypes sieht die Realität anders aus.
Der KI-Hype-Zyklus
Wie viele neue Technologien folgt auch die generative KI einem bekannten Weg, dem sogenannten Hype-Zyklus von Gartner. Dieses Modell beschreibt einen wiederkehrenden Prozess, bei dem der anfängliche Erfolg einer Technologie zu überhöhten Erwartungen der Öffentlichkeit führt, die sich letztendlich nicht erfüllen. Auf den „Gipfel der überhöhten Erwartungen“ folgt das „Tal der Ernüchterung“, gefolgt von einem „Hang der Erleuchtung“ und schließlich einem „Plateau der Produktivität“.
Ein im Juni 2024 veröffentlichter Gartner-Bericht wies darauf hin, dass die meisten generativen KI-Technologien noch immer die überzogenen Erwartungen erreichen oder sich diesem Punkt nähern. Die praktische Umsetzung dieser Technologien verlief weniger erfolgreich: Einer RAND-Studie zufolge scheiterten 80 % der KI-Projekte – eine mehr als doppelt so hohe Quote wie bei Nicht-KI-Projekten.
Die aktuellen Einschränkungen der generativen KI
Die Herausforderungen für die generative KI sind vielfältig und reichen von den hohen Investitionen in Daten und KI-Infrastruktur bis hin zum Mangel an qualifizierten Fachkräften. Die ungewöhnlichen Einschränkungen der Gen-KI stellen jedoch eine entscheidende Herausforderung dar.
Beispielsweise sind generative KI-Systeme in der Lage, komplexe Universitätstests zu lösen, scheitern aber an einfachen Aufgaben, wie der gescheiterte Versuch von McDonald's zeigt, Bestellungen im Drive-in zu automatisieren. Diese Diskrepanz erzeugt falsches Vertrauen bei den Nutzern, die die Modelle schließlich in ungeeigneten Situationen einsetzen.
Erfahrungen aus erfolgreichen Projekten zeigen, dass es schwierig ist, ein generatives Modell dazu zu bringen, Anweisungen genau zu befolgen. Khanmigo, das Tutorensystem der Khan Academy, ist ein Beispiel dafür: Es zeigt richtige Antworten an, selbst wenn man es nicht anweist.
Warum ist der Hype noch nicht vorbei?
Trotz der Herausforderungen verbessert sich die generative KI-Technologie rasant, vor allem aufgrund der zunehmenden Größe und Skalierung der Modelle. Untersuchungen zeigen, dass die Anzahl der Parameter, die Datenmenge und die für das Training benötigte Rechenleistung zur Modellleistung beitragen, während die Architektur des neuronalen Netzwerks nur minimale Auswirkungen hat.
Große Sprachmodelle weisen auch unerwartete emergente Fähigkeiten auf, wie etwa Analogieschlussfolgerungen und die Reproduktion optischer Täuschungen, die auftreten, wenn die Modelle eine kritische Größe erreichen. Die Ursachen für diese Fortschritte sind umstritten, es besteht jedoch Einigkeit darüber, dass die Modelle immer ausgefeilter werden.
KI-Unternehmen arbeiten weiterhin an größeren und teureren Modellen, während Unternehmen wie Microsoft und Apple auf die Rendite ihrer bestehenden Investitionen setzen. Schätzungen zufolge muss generative KI einen Jahresumsatz von 600 Milliarden US-Dollar generieren, um die aktuellen Investitionen zu rechtfertigen. In den kommenden Jahren könnte dieser auf eine Billion US-Dollar anwachsen.
Wie geht es weiter?
Während der KI-Hype langsam nachlässt und wir in eine Phase der Ernüchterung eintreten, sehen wir realistischere Adoptionsstrategien. Unternehmen nutzen KI, um Menschen zu unterstützen, anstatt sie zu ersetzen. Eine aktuelle Umfrage ergab, dass US-Unternehmen KI vor allem zur Effizienzsteigerung (49 %), zur Senkung der Arbeitskosten (47 %) und zur Verbesserung der Produktqualität (58 %) einsetzen.
Wir beobachten außerdem einen Anstieg kleinerer, kostengünstigerer generativer KI-Modelle, die anhand spezifischer Daten trainiert und lokal eingesetzt werden, um Kosten zu senken und die Effizienz zu optimieren. OpenAI hat beispielsweise das Modell GPT-4o Mini veröffentlicht, um Kosten zu senken und die Leistung zu verbessern.
Darüber hinaus rücken KI-Kompetenzen und die Schulung der Arbeitnehmer in Bezug auf die Funktionsweise von KI, ihre Möglichkeiten und Grenzen sowie Best Practices für den ethischen Einsatz von KI zunehmend in den Fokus. Wir werden in den kommenden Jahren den Umgang mit verschiedenen KI-Technologien immer wieder neu erlernen müssen.
Letztendlich wird die KI-Revolution wahrscheinlich eher eine Evolution sein, die im Laufe der Zeit allmählich wächst und menschliche Aktivitäten schrittweise verändert und transformiert. Was wohl weitaus besser ist, als sie zu ersetzen.
