Arbeit & KI: Die 5 wichtigsten Studien (mit Elisabeth L`Orange)

00:00:02: Tech, KI und Schmetterlinge.

00:00:03: Ein Podcast von Sascha Lobo in Zusammenarbeit mit Schwarz-Digits.

00:00:07: Guten Tag und herzlich willkommen zu einer neuen Ausgabe von Tech, KI und Schmetterlinge, dem Podcast mit mir, Sascha Lobo, in Zusammenarbeit mit Schwarz-Digits, dem Digitalarm der Schwarzgruppe.

00:00:19: Das Thema, was wir uns heute vorgenommen haben, ist eines, dass wir in Ansätzen schon häufiger besprochen haben, weil es auch das offensichtlichste Thema rund um Tech, rund um künstliche Intelligenz und sogar ein bisschen um Schmetterlinge ist.

00:00:33: Bei mir ist Elisabeth Lorange.

00:00:36: Hallo Elisabeth und wir reden über die Arbeit der Zukunft und ganz spezifisch.

00:00:41: was die fünf wichtigsten Studien, vielleicht auch die fünf wichtigsten Erkenntnisse aus den letzten anderthalb Jahren sind rund um künstliche Intelligenz und die Welt der Arbeit.

00:00:52: Hallihallo Sascha.

00:00:53: Ja, Elisabeth, ich möchte mal ganz persönlich reingehen.

00:00:56: Mein Gefühl ist, dass durch künstliche Intelligenz, speziell generative künstliche Intelligenz, die meine Arbeit ziemlich deutlich verändert hat in den letzten ja inzwischen fast drei Jahren, dass dadurch Die Workload, die Intensität der Arbeit, alles andere als geringer geworden ist, sondern ich für die Arbeiten, für die ich früher drei Stunden eingeplant habe, die dann natürlich fünf gedauert haben, inzwischen einfach nur noch zwanzig Minuten einplanen.

00:01:25: Sie dauern aber immer noch eine Stunde.

00:01:27: Wie ist es bei dir?

00:01:29: Ich stelle fest, dass ich immer produktiver werde.

00:01:32: Das heißt, dass ich immer mehr mache, was natürlich auch nicht unbedingt von Vorteil ist.

00:01:36: Das heißt, es ist an einer einigen Stelle, an einer ganzen... der Überlastung.

00:01:40: Aber ich werde auf jeden Fall wesentlich produktiver.

00:01:43: Und für mich ist der größte Hebel die Recherche.

00:01:45: Ich unterhalte mich, wenn ich im Auto bin, mit Chat-TPTV, mit einem guten Bekannten, der Experte in der jeweiligen Domain ist, in der ich dann unterwegs bin.

00:01:55: Lass es meinwegen das Energie, die Energiebranche sein.

00:01:58: Und den löcher ich dann.

00:01:59: Und dem stelle ich so viele Fragen, dass er gar nicht weiß, wann er was er antworten soll.

00:02:05: Und für mich hat das einen ähnlichen Effekt, wie früher als ... ... man Freude und Bekannte gefragt hat, ... ... hat nach jemanden, der sich darin auskennt.

00:02:12: Weißt du, man hat das ja früher, ... ... hab ich immer überlegt so, ... ... hm, wen kenn ich der, ... ... wer der da Experte ist, ... ... wen kenn ich?

00:02:18: der, der das schon immer gemacht hat, ... ... und ... ... vielleicht habe ich irgendein Freund, ... ... denn Freund haltet der in dem Bereich Expertes, ... ... und den hab ich dann angerufen ... ... und gefragt.

00:02:26: Und danach war ich schlauer so.

00:02:27: Und über diese Aufgabe übernimmt jetzt ... ... für mich auf jeden Fall Chatty Pity, ... ... und das ist natürlich ... ... eine immense Effizienzsteigerung für mich.

00:02:35: Ja, das sehe ich ähnlich mit ... doch auch deutlichen Eintrübungen.

00:02:39: Ich habe diese große Magie, die man, glaube ich, das dürfte für die meisten auch bei den Zuhörerinnen gelten, diese große Magie, die man gespürt hat, im Prinzip von Anfang an, als man ChatGPT angefangen hat zu nutzen, da ist doch häufiger an die Stelle dieses Gefühls krass, das kann Technologie eine gewisse Ernüchterung getreten.

00:03:02: Eine ganz kurze Episode möchte ich dazu sagen, ist im Sommer dieses Jahres passiert etwas vor GPT-Five.

00:03:10: Also ich will sagen, das war kurz bevor der Qualitätssprung, der aus meiner Sicht tatsächlich in vielen Bereichen Qualitätssprung war, mit GPT-Five, also der aktuellen Software, das aktuelle große Sprachmodell hinter Chat GPT.

00:03:21: Da bin ich im Auto von Skandinavien zurück nach Berlin gefahren.

00:03:25: Der Hintergrund war, dass wir eine spektakuläre Dovi Idee hatten, nämlich mit der ganzen Familie in der Art Roadtrip zu machen, was mit drei sehr kleinen Kindern so mittelklever ist.

00:03:34: Dann haben wir in Stockholm auch gemerkt und haben gesagt, okay, dann teilen wir uns auf, ich fahr das Auto zurück.

00:03:38: Und ich dachte, das ist auch ein Teil der Problematik.

00:03:42: Auf dieser Rückfahrt.

00:03:43: Da, ich hab mir so einen heiligen Alt geschworen, ich werd nicht am Steuer irgendwie anfangen, mit dem Handy zu irgendwas zu machen.

00:03:50: Das ist, glaub ich, das ist so wie Trunkenheit, das geht bei mir einfach wirklich nicht klar.

00:03:55: Daran hab ich mich auch weitestgehend gehalten, bzw.

00:03:57: hab mich dran gehalten, hab dann aber versucht zu reden, weil ich diese Zeit der Unproduktivität, das sind zwanzig Stunden reine Fahrzeit, einfach nicht ausgehalten hab.

00:04:04: Turns out.

00:04:05: Mein Gespräch mit ChatGPT im Sommer zu mehreren ganz konkreten Themen, zum Beispiel habe ich eine Sendung für Quantum Computing vorbereitet, hat mehrere absurde Wendungen genommen und diese absurden Wendungen, die waren spürbar, dahingehend qualitätsverschlechternd, weil ChatGPT am Ende doch nicht der Gesprächspartner ist, der das behält, was man vor zehn Minuten gesagt hat, wie man es sich eigentlich gewünscht hatte.

00:04:34: Ganz konkret habe ich gesagt, macht doch mal eine fünfminütige Zusammenfassung zu dem Thema, wie photonisches Quantum Computing ganz präzise funktioniert, wo die Vorteile sind und die Nachteile gegenüber anderen Quantum Computing Technologien.

00:04:50: Dann kommt auch eine Antwort und die ist dreißig Sekunden lang.

00:04:53: Dann sage ich, Chatchi Pity, hey Moment, das waren jetzt wirklich nicht fünf Minuten.

00:04:57: Ich habe nicht auf die Uhr geguckt, aber das war keine Minute.

00:05:00: Und dann sagt Chatchi Pity, oh ja, tut mir wahnsinnig leid.

00:05:03: Jetzt mache ich das nochmal ausführlich an.

00:05:05: Und die nächste Zusammenfassung ist wieder dreißig Sekunden lang.

00:05:11: Ich habe das Spiel ja noch drei oder vier Mal gemacht, habe es anders formuliert, habe es mit Zwischenschritten und so weiter und so fort.

00:05:16: Ich bin nicht über, sage ich mal, anderthalb bis zwei Minuten hinausgekommen, was die Ausführlichkeit der Zusammenfassung von so einem technologischen Zusammenhang angeht.

00:05:26: Ich bin wirklich so gegen eine Mauer gelaufen, gegen eine Wand gelaufen, wo Chatchapity mich einfach irgendwann natürlich völliger quatscht.

00:05:34: Da hatte ich den Eindruck, nicht mehr verstehen wollte.

00:05:37: Ich glaube auch, dass das Abfragen relativ teuer ist.

00:05:40: Also diese synthetischen Stimmen oder das sind sicherlich deren eigene synthetische Stimmen.

00:05:43: Das heißt, die haben keine API-Calls zu irgendwelchen Stimmenprovidern.

00:05:47: Aber das Generieren von Stimme ist relativ teuer.

00:05:49: Deswegen gehe ich davon aus, dass das einer der Hauptgründe ist, warum die Antworten so kurz sind.

00:05:54: Und das ist weniger, dass das Modell nicht mehr kann.

00:05:56: Auf der einen Seite.

00:05:57: Auf der anderen Seite glaube ich auch, dass du bist relativ schlau.

00:06:00: Das heißt, ich glaube, dein, dass das Modell halt noch nicht in der Lage ist, das zu matchen.

00:06:05: Ich denke mal...

00:06:06: Also für gerade den Begriff relativ, den du hier eingebaut hast.

00:06:11: Nein, nein, nein, im Vergleich zur künstlichen Intelligenz meine ich.

00:06:14: Also das heißt, die hat natürlich einen unendlichen EQ, wenn du so willst.

00:06:17: Also man mapt die ja momentan, glaube ich, zwischen hundert, achtzig und zweihundert, je nachdem, welchen Domänen die unterwegs sind.

00:06:24: Das heißt, das ist für dich ein, ich will sagen, Gesprächspartner auf Augenhöhe.

00:06:27: Aber da kommt es an die Grenzen.

00:06:28: Ich glaube, das Thema, was du mit der künstlichen Intelligenz hast, versucht zu diskutieren, ist zu komplex gewesen.

00:06:34: Also ich würde versuchen, dass, ich glaube, wenn du es runter skalierst und die meinetwegen fragst, warum wären Stühle aus Holz gemacht?

00:06:40: Nein, keine Ahnung.

00:06:41: Irgendwas Simples, dass dann die Antworten zufriedenstellender werden, glaube ich wirklich.

00:06:47: Erinnerlich waren die Antworten okay, vor allem, weil ich immer nachgefragt habe, wie man das vereinfacht ausdrücken kann.

00:06:53: Aus einem einfachen Grund, weil das für eine Podcast-Vorbereitung natürlich hier für Tech-Iunitch-Metalinge den Quantum-Computing-Abschnitt war.

00:07:01: Ich glaube nicht, dass die Komplexität des Hindernis war, sondern so ganz tief in der generativen künstlichen Intelligenz im Jahr twenty-fünfundzwanzig immer hat noch vorhandene Schwierigkeiten.

00:07:12: Eine Schwierigkeit ist das ChatGPT und alle anderen, wir benutzen jetzt ChatGPT so ein bisschen als Pass pro Toto für diesen ganzen Bereich generative künstliche Intelligenz, das da noch bei ganz SIM Tasks überraschend schlechte Ergebnisse rauskommen, weil am Ende die KI dann doch nicht so gut versteht, wie man manchmal glaubt oder hoffen möchte.

00:07:32: Zählen zum Beispiel.

00:07:33: Die KI kann nicht gut zählen.

00:07:35: Nee, und auch die Halluzinationsraten sind immer noch relativ hoch.

00:07:38: Deswegen ist auch das Einbauen von Agenten.

00:07:42: sehr schwer.

00:07:43: Also wenn du erwartest, dass die Agenten halt auf Länge und Tag für Tag immer sehr gut performen, dann ist es eine Holl der Erwartung sozusagen, weil das zu erreichen ist sehr schwer.

00:07:55: Du brauchst immer Supervisory-Agent, denen auch du überlegen, die die Ergebnisse falsifizieren, die die Ergebnisse challengeen, um sicherzustellen, dass das Ganze nicht in die falsche Richtung geht.

00:08:07: Also, ich denke auch, dass künstliche Intelligenz noch lange, lange, lange nicht da ist, wo sie sein könnte.

00:08:13: Und das Potenzial ist auch noch nicht ausgeschöpft.

00:08:15: Also, da ist noch ein weiter Weg vor uns am Ende.

00:08:17: Aber auch Opportunität.

00:08:18: Weißt du, es gibt ja immer wieder diese Ansichten, dass wir die Art und Weise, wie wir gerade künstliche Intelligenz weiterentwickeln, also LLMs, dass das nicht zielführend sei.

00:08:29: Das heißt, Jan LeCun von der Head of AI von Meta zum Beispiel, der sagt ja immer, wir brauchen Worldmodels, wir brauchen eine andere Art von... Mathematik am Ende, weil LLMs eben nicht zu AGI führen oder irgendwann nicht mehr skalierbar sind.

00:08:41: Aber ich glaube es noch nicht, weil solange die KI noch nicht wirklich immer befriedigende Ergebnisse rausspuckt, sind wir da noch nicht, finde

00:08:49: ich.

00:08:49: Über Worldmodels, wenn wir auf jeden Fall auch noch mal eine eigene Sendung machen bei Gelegenheit, da wird innerhalb diesen Jahres definitiv noch was rauskommen.

00:08:57: Vielleicht zur kurzen Verständnis-Ebene.

00:09:01: Worldmodels sind große Sprachmodelle klar, die versuchen, Sprache zu durchdringen oder zumindest stochastisch sich einem Sprachverständnis anzunähern.

00:09:10: Formulieren wir sie mal positiv.

00:09:11: Die Worldmodels versuchen, die Welt zu verstehen und das ganz besonders auch bei physischen, physikalischen und ähnlichen Prozessen so was wie... Pausalität herzustellen.

00:09:22: Wenn das passiert, dann passiert danach das.

00:09:25: Oder wenn hier diese Ursache vor sich geht, dann heißt das, dass in der Folge dieses und jenes geschieht.

00:09:32: Solche tiefen Verständnis-Ebene, die Menschen einfach so ein paar Song lernen, die irgendwie schon mit drin sind und wo ganz viel vorausgesetzt werden kann, was Menschen wissen können, auch wenn sie es nicht eigens gelernt haben.

00:09:42: Das fehlt der Technologie noch.

00:09:44: Das ist auch einer der Gründe, warum wir nur nicht da sind, wo wir sind.

00:09:48: Ich möchte aber den Bogenschlagen zu diesen fünf ganz konkreten Studien, weil, Elisabeth, in der Vorbereitung haben wir uns gesagt, okay, es gibt eine ganze Reihe von sehr offensichtlichen Vorteilen.

00:10:01: Wir haben über einige eben gerade geredet.

00:10:03: Aber es gibt auch etwas, was McKinsey im Sommer diesen Jahres, Untersuchung veröffentlicht, ein Artikel geschrieben, das Gen AI Paradox genannt hat.

00:10:12: Und das Gen AI Paradox.

00:10:13: Das habe ich mal versucht, ein bisschen zu vereinfachen und zu runterzubrechen.

00:10:16: Das besteht aus der einerseits Tatsache, dass sehr viele Unternehmen das ausprobieren.

00:10:21: Bis zu achtzig Prozent in bestimmten Branchen der Unternehmen probieren generative künstliche Intelligenz aus.

00:10:27: Und gleichzeitig, das ist die persönliche Sicht, weil sie da drauf, hat man so einen offensichtlichen Vorteil.

00:10:34: Also es gibt einen so offensichtlichen Nutzen von der Maschine, die etwas kann, was Maschinen bis dahin nicht konnten.

00:10:41: Das ist also auf der Habenseite.

00:10:42: Viele Leute probieren es aus und du spürst ganz genau, da ist etwas drin.

00:10:46: Und das Paradox besteht daraus, das überraschend wenige Unternehmen trotzdem es schaffen, irgendwie die Produktivität und den Return on Invest sinnvoll zu erhöhen.

00:10:57: Bei der Produktivität scheint es ein bisschen einfacher.

00:10:59: Das sagt auch die Studienlage.

00:11:00: Aber gerade so verdient ihr jetzt dadurch mehr Geld.

00:11:03: Habt ihr dadurch mehr Zeit?

00:11:05: Fragezeichen.

00:11:06: Das sind Fragen, die sich so leicht nicht beantworten lassen, sondern im Gegenteil.

00:11:10: Relativ viele Untersuchungen zeigen, wir setzen es ein, wir probieren es aus.

00:11:14: Wir machen dieses, wir machen jenes.

00:11:15: Der ganz große Durchbruch, der ganz große Vorteil ist noch nicht da.

00:11:19: Klar, aber wir befinden uns momentan auch in einer transformativen Phase.

00:11:23: Normalerweise diese ganzen... anderen großen Transformationen, die wir in den letzten hunderten von Jahren gesehen haben, haben hunderte von Jahren gedauert.

00:11:32: Also die industrielle Revolution hat über hundert Jahre gedauert.

00:11:35: Die landwirtschaftliche Revolution, wenn es so möchte, hat hundertfünfzig Jahre gedauert.

00:11:39: Und wir sind mit KI wirklich erst am Anfang.

00:11:41: Das heißt, ich finde dieser Anspruch, der momentan da ist, dass wir sofort einen ROI haben auf Investitionen in den IT, aus der IT, wie man ja in Deutschland sagt, der ist ein bisschen... Ich will sagen anmaßend, aber unrealistisch, ehrlich gesagt.

00:11:57: Woher soll es denn kommen?

00:11:57: Also es wird Jahre dauern, bis sich Mitarbeiter daran gewöhnen und ihr Verhalten ändern ist.

00:12:02: Am Ende bedarf es auch einer Verhaltensänderung.

00:12:05: Und ich meine, wir wissen ja alle, wie schwer es ist, dass bis Menschen ihr Verhalten tatsächlich ändern und ihre Arbeitsweisen ändern.

00:12:10: Und dann musst du auch Menschen davon... inhaltlich überzeugen, dass sie das überhaupt nutzen.

00:12:15: Und es gibt ja so viele Ressentiments, die Menschen gegen KI haben, dass sie z.B.

00:12:19: ersetzt werden dadurch, dass ihre Jobs irgendwie eliminiert und so weiter.

00:12:23: Das heißt, ich glaube, wir müssen dem Ganzen auf jeden Fall mehr Zeit geben.

00:12:27: Aber ich sehe das auch klar.

00:12:28: Top-Line-Growth haben die wenigsten gesehen, aber das hat verschiedenste Gründe.

00:12:32: Wir werden sicherlich noch auf die MIT-Studie später eingehen.

00:12:35: Aber ich glaube wirklich, der Hauptgrund ist momentan, dass gerade unternehmensseitig zu viel KI für in shiny Tools eingesetzt wird.

00:12:44: Das heißt, es werden ganz viele kleine Tools eingekauft von den verschiedenen Abteilungen, so ein bisschen unorchestriert und auch ohne viel Struktur oder Strategie dahinter.

00:12:54: Und es wird eben nicht da, wo KI wirklich Dinge heben kann im Backend oder in den ganzen Sales-Prozessen, After Sales.

00:13:02: Es gibt ganz viele Dinge, die man auch mit zum Beispiel maschinellem Lernen lösen kann.

00:13:06: Und das ist nicht fancy.

00:13:08: generative KI, mit der man bunte Bildchen machen kann und wie man vielleicht Marketing dann einsetzen kann.

00:13:12: Sondern es sind einfach so ganz super langweilige Basis Algorithmen, die im Hintergrund einfach Dinge schneller machen.

00:13:19: Das wird halt nicht gemacht und deswegen sind viele Halbmutter noch kein ROI.

00:13:23: Aber ich glaube, wir sind einfach in dieser ganzen Adoptionskurve sozusagen oder Adoptionskurve sind wir ganz am Anfang.

00:13:30: Es wird einfach noch Jahre dauern und es gibt keine Alternative, als sich mit KI als Unternehmen auseinanderzusetzen und uns zu implementieren.

00:13:36: Du kannst ja nicht dich dem Fortschritt irgendwie wehren oder entgegensetzen.

00:13:40: Du musst es machen.

00:13:42: Die Leute müssen damit sich beschäftigen und auch, also nicht nur damit die bessere Mitarbeiter fürs Unternehmen werden, sondern einfach auch sich als Mensch weiterentwickeln.

00:13:49: Weil jeder Mitarbeiter, der sich die Fähigkeiten aneignet mit KI, sagen wir mal, klarzukommen, macht das ja für sich selbst und nicht für seinen Arbeitgeber, weißt du?

00:13:58: Ja, ich glaube auch das kann man sogar im Zweifel differenziert betrachten, aber von der groben Richtung bin ich da voll auf deiner Spur.

00:14:04: MacKinsey übrigens um das jetzt abzuschließen und zur ersten Studie zu kommen, sagt das tatsächlich der Return on Invest, also dass es sich auch wirtschaftlich lohnt KI eingesetzt zu haben.

00:14:15: Das wird erst passieren, wenn Unternehmensinterne Prozesse den Fähigkeiten der KI angepasst werden, bisher seien sie Menschen angepasst.

00:14:23: In dem Kontext ist ganz interessant, dass im Silicon Valley gerade unter den KI-Milliardären so eine Wette läuft.

00:14:27: Wir haben auch schon mal drüber gesprochen.

00:14:29: Wann gibt es das erste Unicorn, also Start-up, was über eine Milliarde Dollar wert ist, dass nur einen einzigen Mitarbeitenden hat, nämlich den CEO und ansonsten nur aus AI Agents besteht?

00:14:39: Die Wetten sind, glaube ich, im Jahr im Jahr im Jahr im Jahr.

00:14:40: Also wir müssen nur noch ein paar Monate warten, dann gibt es vielleicht ein solches Start-up.

00:14:44: Aber ganz kurz, glaubst du daran wirklich, dass die unternehmensinterne Prozesse... den Fähigkeiten der KI angepasst werden müssen und nicht des Menschen.

00:14:52: Ich stimme dem nämlich nicht überein.

00:14:54: Also ich finde das ein bisschen

00:14:56: anders.

00:14:56: Ich habe das ja erstmal eine indirekte Rede von McKinsey transportiert.

00:15:00: Ich glaube, dass die Wahrheit schon auch in der Mitte liegen kann.

00:15:04: Ich habe relativ viele Prozesse in Unternehmen kennengelernt.

00:15:07: Du ja auch, du berätstregelmäßig Unternehmen.

00:15:10: Wenn man ein bisschen mit Konzernen zu tun hat, dann sieht man sehr schnell, warum zum Beispiel Konzern X oder mittelständisches Unternehmen Y ist beim besten Willen nicht schaffen, schneller als fünf Jahre bei der Produktentwicklung für Neuprodukte zu sein.

00:15:25: Man kriegt einen ganz guten Eindruck.

00:15:27: Und das hängt halt an ganz vielen auch sehr, sehr persönlichen Situationen von Menschen, Blickweisen.

00:15:33: Strategien, Sicherheitsnetzen, Bürokratie im Unternehmen und so weiter.

00:15:37: Ich glaube schon, dass was Effizienz angeht in bestimmten Bereichen KI super viel schneller sein kann.

00:15:44: Und wenn das automatisierbar ist, dann sehe ich eigentlich keinen Grund, warum man das nicht zumindest ausprobiert.

00:15:50: Man kann sich dann ja immer noch entscheiden und sagen, wir haben hier eine andere Blickweise, wir möchten das nicht oder nicht so.

00:15:57: Am Ende ist aber selten die Entscheidung allein vom Unternehmen, sondern eben auch vom Markt.

00:16:00: Und wenn dein Produkt plötzlich ein Konkurrenzprodukt hat, was nur noch halb so viel kostet, weil der entscheidende Prozess automatisiert werden kann mit KI, dann kann man noch so lange darauf pochen, dass das bei einem aber alles ganz toll sei, dann wird früher oder später ein Druck entstehen.

00:16:15: Das ist eine Perspektive, die man zumindest einnehmen muss, weil anderswo auf der Welt würde ich sagen, sieht es für mich jetzt nicht so aus, als würde besonders viel Rücksicht genommen.

00:16:25: Und wir sehen heute schon, dass bestimmte Pflogenheiten in Deutschland, die man sehr schätzen kann, die zum Sozialstaat gehören, die zu einer sozialen Marktwirtschaft gehören, dass die durch KI zumindest angegriffen werden könnten.

00:16:38: Vielleicht nicht abgeschafft, aber zumindest angegriffen oder rundgeschliffen werden könnten.

00:16:42: Ich stimme mir völlig überein, aber die grundsätzliche Hypothese, dass sich der Mensch der KI anpassen sollte, das finde ich eben schwierig.

00:16:50: Und was vor allen Dingen, wenn man sich die aktuelle Entwicklung anschaut, ist das schwierig, weil man sieht momentan tatsächlich, dass... Menschen immer mehr auch die Worte, die in Modellen verwendet werden, dass die die in den menschlichen Wortschatz aufnehmen.

00:17:06: Ein dummes Beispiel dabei ist das Wort DELF auf Englisch, also Eintauchen.

00:17:11: Und dieses Wort von vorher gar nicht statt, also im menschlichen Vokabular war es kaum verwendet.

00:17:17: Und seit twenty-zweiundzwanzig hat man festgestellt, dass es einen exponentiellen Anstieg in wissenschaftlichen Ausarbeitung von dem gibt.

00:17:23: Das heißt, das Wort DELF wird auf einmal in jedem Paper verwendet, ob man es will oder nicht.

00:17:27: Das liegt daran, dass irgendwie achtzig Prozent der Papermontan mit KI mitgeschrieben werden, sagen wir mal so.

00:17:33: Aber das ist das eine.

00:17:34: Nur das Zweite ist, dass man auf einmal festgestellt hat, dass das Wort DELF auch in den... mündlichen Wortschatz der Menschen einzugefunden hat.

00:17:41: Das heißt, wir fangen an, uns den Maschinen anzupassen.

00:17:45: Und ich finde diese Entwicklung, finde ich halt sehr kritisch und ich finde grundsätzlich so auf einer philosophischen Ebene sind SKI dazu da, den Menschen das Leben zu erleichtern, dass wir damit besser werden, höher, schneller, weiter, aber auf keinen Fall, dass wir uns irgendwann den Maschinen unterwerfen.

00:18:00: Also ich würde jetzt noch nicht von Unterwerfung sprechen.

00:18:02: Ich habe interessante Untersuchungen zur Veränderung des Wortschatzes durch soziale Medien gesehen.

00:18:07: Auch mal selber was drüber geschrieben.

00:18:09: Ich finde es jetzt nicht so mega schlimm und nicht gleich eine Maschinenunterwerfung, wenn im Alltagssprachgebrauch auch mal von Liken die Rede ist, was relativ normal ist.

00:18:17: Ich glaube, mit der KI geht es in eine ähnliche Richtung.

00:18:20: Aber ich würde wahnsinnig gerne diesen Fokus auf die Arbeit, den du ja gerade aus einem wissenschaftlichen Kontext so rausgezogen hast, in die aus meiner Sicht... Wichtigste Studie, was generative künstliche Intelligenz bei der Arbeit angeht, aus dem Jahr twenty-fünfundzwanzig Lenken.

00:18:38: Tatsächlich geht es um eine Studie, die heißt Generative AI at Work von Brünnenjolfsson, Lee und Raymond, veröffentlicht im Quarterly Journal of Economics, ist unfassbar häufig zitiert worden, ist auch relativ gefällig aufgebaut, also eine vierstellige Zahl von Zitaten, was für so eine junge Studie vergleichsweise viel ist.

00:18:56: wurde auch breit in vielen Wirtschaftsmedien, Tech-Medien überall referenziert.

00:19:01: Und die haben rausgefunden, dass tatsächlich der Kunden-Support ziemlich deutlich profitieren kann in dem Moment, wo künstliche Intelligenz als Assistenz arbeitet von einer Person im Kunden-Support.

00:19:17: Steigt die Produktivität um fünfzehn Prozent.

00:19:20: Gleichzeitig gibt es eine höhere Kundenzufriedenheit und höhere Mitarbeiterbindung.

00:19:24: Die ist deswegen aus meiner Sicht die wichtigste Studie, weil sie sich zum Teil übertragen lässt in andere Situationen und vor allem, weil wir hier einen Grundmuster erkennen, nämlich überall dort, wo heute schon Menschen und Maschinen zusammenarbeiten und Kunden Support ist sowieso schon Software basiert seit sehr langer Zeit.

00:19:40: Überall dort kann sehr schnell relativ viel positive Strecke gemacht werden und nun hört sich fünfzehn Prozent im Durchschnitt an Protektivität nicht so viel an, ist aber tatsächlich gar nicht so wenig und vor allem Und das ist für mich der krasseste Erkenntnismoment dieses Jahres, schon in den Jahr- und Jahrzehnten, so ein paar Studien durchscheinend gewesen.

00:20:03: Wer hat den größten Nutzen vom Einsatz von generativer künstlicher Intelligenz?

00:20:08: Das sind die Leute, die Anfängerinnen sind.

00:20:11: Das sind die Leute, deren Skill-Level, deren Ausbildungs-Level, deren Kenntnis-Level noch ganz am Anfang ist.

00:20:17: Und das... ist, wenn man es anfängt zu durchdenken, eine ziemlich krasse Erkenntnis.

00:20:22: Das heißt nämlich, dass ein Teil der menschlichen Arbeitsintelligenz in die Maschine wandern kann und trotzdem hast du ausreichend gute Ergebnisse.

00:20:33: Das ist aus meiner Sicht eine gesellschaftlich ziemlich krasse Erkenntnis.

00:20:39: Du brauchst mit KI in manchen Bereichen offenbar nicht mehr so gut ausgebildete Menschen, um trotzdem einigermaßen gute Ergebnisse zu erzielen.

00:20:47: Also Low Skill haben die das in dieser Studie genannt, also Leute, die nicht gut so ausgebildet sind.

00:20:52: Deren Produktivität steigert sich um dreißig bis vierzig Prozent im Schnitt.

00:20:58: Das sind wirklich unfassbare Werte, das kann man nicht anders sagen.

00:21:03: Auf der anderen Seite frage ich mich dann, wie wir uns erklären, dass die Arbeitslosigkeit in den Einstiegsrollen... ... so viel größer ist.

00:21:12: In Amerika liegt die Arbeitslosigkeit ... ... für die Entry-Level-Jobs bei ... ... fünf Komma fünf Prozent ... ... und die Durchschnittsarbeitslosigkeit ... ... liegt bei vier Prozent.

00:21:20: Das heißt ... ... in so einem Markt vielleicht ... ... eins Komma fünf Prozent nicht viel klingen, ... ... aber ich finde relativ, es ist schon sehr viel ... ... und die Frage, die ich mir dann stelle ist, warum.

00:21:29: Weißt du, wenn die ganzen ... ... jungen Menschen quasi mit KI ... ... plötzlich zum mittleren Management werden ... ... können, ohne dass sie eben die ... ... zehn Jahre Arbeitserfahrung haben, ... ... aber stattdessen KI haben, ... ... diese werden die dann nicht eingestellt.

00:21:40: Das ist eine gute Frage, die wird übrigens intensiv diskutiert, vor allem lustigerweise auf dem Profil.

00:21:46: Das möchte ich jetzt hier noch mal empfehlen, habe ich schon mal gemacht.

00:21:48: Da schuhe ich einfach noch mal von Ethan Molyk.

00:21:51: Ethan Molyk gehört für mich zu denen, nicht nur Autor von Cointelligence, ein sehr fantastischer Buch zum Thema Künstlich-Digins und Arbeit, sondern gehört für mich zu den Leuten, die wissenschaftlich und trotzdem sehr gut nachvollziehbar auf LinkedIn am besten erklären, wie dieser Wandel gerade funktioniert.

00:22:09: Der hat regelmäßig gesprochen über mehrere Untersuchungen, die seit Ende zweitausendzwanzig zeigen, dass die Einstellungszahlen von jungen Menschen abstürzen.

00:22:20: Ja, je jünger, desto mehr stürzen sie ab und wir reden hier von Reduktionen von zwanzig Prozent vorher, was so ein relativ linearer Prozess ist, geht nach oben.

00:22:28: Es werden immer mehr Leute angestellt, wir brauchen mehr Leute und das stürzt ab, während die Zahlen von älteren Menschen weiter mehr oder weniger linear steigen, wenn man sich das mal als Graf vorstellt.

00:22:38: Und tatsächlich.

00:22:39: Ich glaube, das hat nicht in erster Linie mit generativer künstlicher Intelligenz zu tun.

00:22:44: Ich paraphrasier jetzt hier Ethan Molek.

00:22:46: Nämlich, wir haben eigentlich seit Ende zweiundzwanzig Anfang dreiundzwanzig auch befeuert durch künstliche Intelligenz, aber nicht nur eine verdeckte Rezession in den Vereinigten Staaten.

00:22:59: Denn faktisch würde man um Tech und KI bereinigen, die Wirtschaft der USA, denn hätten wir eine echte solide Rezession.

00:23:08: Und gleichzeitig funktioniert Tech und KI gerade am Anfang ein bisschen anders als, dass man sagt, wow, wir brauchen fünfzehn Millionen neue Leute.

00:23:14: Im Gegenteil, Mark Zuckerberg wirbt einzelne Menschen für einst Komma fünf Milliarden Dollar Antrittsprämie ab.

00:23:19: Absurd.

00:23:20: Absurd.

00:23:21: Einzelne Personen.

00:23:21: Das ist tatsächlich faktisch nachgewiesen, dass das zumindest versucht hat.

00:23:26: Und gleichzeitig werden aber Milliarden in Technologie investiert.

00:23:30: Das heißt aber auch, dass es sehr wenige extrem gute bezahlte Jobs gibt.

00:23:35: aber vielleicht nicht ganz so viele, die in der Breite funktionieren.

00:23:38: Da gibt es dann sogar weniger.

00:23:40: Und wenn es weniger Jobs gibt, dann werden eher erfahrene Leute eingestellt.

00:23:43: Das ist so ungefähr die Quintessenz, die ich daraus ziehen will.

00:23:46: Das kann sein.

00:23:47: Man sagt, dass das Wachstum gerade bei nur Komma eins Prozent liegt, bereinigt nach Tech.

00:23:52: Das ist dann fast so viel oder wenig wie bei uns.

00:23:54: Also das heißt, Tech ist natürlich der treibende Faktor.

00:23:57: Das kann sein.

00:23:58: Ich bin mir trotzdem nur nicht sicher, dass das eine Rezension bedeutet, dass die entry-level Jobs, die ja... eigentlich die günstigere Variante sind, dass die wegfallen.

00:24:06: Aber wir werden es sehen.

00:24:08: Also die Zukunft wird es zeigen.

00:24:10: Ich glaube auch, dass es, wenn vor schnell war, ich denke nach wie vor, dass das Jobs nicht wegfallen in der Masse, wie wir es erwarten.

00:24:16: Ich glaube nach wie vor, dass wir einfach effizienter werden und dass die Produktivität gesteigert wird.

00:24:21: Ich denke nicht, dass wir in Massenarbeitslosigkeiten sehen werden, wie es verschiedene Doomsday-Szenarien irgendwie vorher sagen.

00:24:28: Aber wir sehen ja, Es gibt halt, wir haben ein paar, sagen wir mal Schluckäufe.

00:24:33: Wie sagt man Schluckäufe?

00:24:34: Wie sagt man Schluckäufe?

00:24:36: Schluckäufe finde ich ein super Plural.

00:24:39: Wir haben auf jeden Fall, wir haben so ein paar Probleme auf dem Weg dahin.

00:24:44: Die aufmerksamen Hörerinnen unter euch wissen bereits, dass die digitale Souveränität eines der Kernthemen nicht nur dieses Podcast, sondern insbesondere auch von Schwarz-Digits, der Digital-Sparte der Schwarzgruppe ist.

00:24:57: Heute stellen wir euch eine der Marken von Schwarz-Digits vor.

00:25:01: Den souveränen Cloud-Anbieter Stackit.

00:25:03: Entstanden ist das Unternehmen Stackit aus der Idee heraus, eine eigene Cloud für die Nutzung der Unternehmen innerhalb der Schwarzgruppe aufzubauen.

00:25:12: Etablierte Hyperscaler konnten nicht den Grad an Souveränität bieten, wie er für die kritischen Geschäftsbereiche der Unternehmen der Schwarzgruppe nötig ist.

00:25:21: Ihr fragt jetzt vielleicht, warum ein Einzelhändler kritische Geschäftsprozesse hat.

00:25:26: Das ist ganz einfach.

00:25:27: Jeder Lebensmittel-Einzerhändler und frische Discounter gehört zur sogenannten kritischen Infrastruktur.

00:25:34: Lebensmittelgeschäfte sind unerlässlich für die Versorgung der Bevölkerung und damit besonders schützenswert.

00:25:40: Da Schwarz-Sidgets durch die Stack-It-Cloud extrem souverän agieren kann und die Cloud in einer Organisation eingesetzt wird, in der mehr als fünfhunderttausend Menschen arbeiten, hat sich der zukünftige europäische Hyperscaler auch bei anderen externen Unternehmen und Organisationen etabliert.

00:25:58: Für Stackeld ist digitale Souveränität kein Schlagwort, sondern ein klarer Anspruch.

00:26:03: Die Cloud-Infrastrukturen bieten jederzeit volle Kontrolle darüber, wo die Daten liegen, wer sie speichert, verarbeitet oder löscht und wie sie geschützt werden.

00:26:12: Stack-It ist nicht nur DSGVO-konform, sondern bietet zudem ein hohes Maß an zusätzlicher Transparenz und Sicherheit, beispielsweise durch BSI-C-V testierte und ISO-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C-C.

00:26:36: Insbesondere für den öffentlichen Sektor, aber auch für Unternehmen mit hohen Compliance-Anforderungen, zeichnet sich hier ein riesiger Mehrwert ab.

00:26:44: Der Fokus von Stackit liegt auf der ganzheitlichen Betrachtung von Souveränität – technologisch, politisch und wirtschaftlich.

00:26:52: Mit der weit über den Marktstandard hinausgehenden digitalen Souveränität verfolgt das Unternehmen eine starke Vision – ein unabhängiges Europa, digital, führend.

00:27:03: Wer mehr zu Stackit erfahren möchte, findet Infos unter stackit.de oder in einem unserer nächsten Podcasts.

00:27:11: Denke, ein Problem zum Beispiel ist, was wir im Montag sehen, ist, dass wir ganz viel die Amerikaner nennens KI-generierte Workslop nennen.

00:27:19: Ja,

00:27:20: da haben wir auch noch eine Studie zu.

00:27:23: Ich würde die Studie einfach gleich ins Feld führen.

00:27:26: Nämlich, na ja ein Studie ist vielleicht ein bisschen übertrieben gesagt, aber es ist ein sehr einflussreicher Artikel, erschienen vor wenigen Tagen tatsächlich am zwanzigsten September, zwanzigfünfundzwanzig, Harvard Business Review.

00:27:39: Und das, was du gerade beschrieben hast, wird dort als, um jetzt mal einen wunderbaren Anglizismus zu verwenden, als Term gecoint.

00:27:48: Der Artikel heißt AI Generated Workslop is Destroying Productivity.

00:27:54: Workslop könnte man grob übersetzen mit so Arbeitsmüll, Arbeitsunrat.

00:28:00: Da gibt es eine ganze Reihe von Übersetzungen.

00:28:02: Die meisten beziehen sich eher auf Personen, was Slop angeht.

00:28:05: Aber klar ist, es geht hier um Verständnis Trash.

00:28:11: In diesem Artikel gibt es ein Zitat, was Workslop definiert.

00:28:16: Nämlich, we define Workslop as AI-generated work content that masquerates as good work, but lacks the substance to meaningfully advance a given task.

00:28:26: Will sagen, man hat eine hohle Phrasen einer Neinanderreihung, die sich gut anfühlt, mit der man gut in irgendeiner Präsentation operieren kann, die aber faktisch null, null weiterbringt.

00:28:38: Ja, wir kennen das übrigens von einem Bestseller Anfang des Jahrtausends oder was um die Jahrtausendwende.

00:28:45: Nämlich on Bullshit.

00:28:47: On Bullshit von Harry Frankfurt, glaube ich, wo er festgestellt hat, es gibt gerade im Businessbereich Dinge, die sind, das hat der Bullshit genannt, so falsch, dass noch nicht mal das Gegenteil wahr ist.

00:29:01: Also, kompletter Unfug.

00:29:03: irgendwo zwischen Marketing und so Business Slang und irgendwelchen Beratungshülsen.

00:29:10: Das heißt, ich glaube, Workslop ist einfach die KI-Version von OnBullshit, die wir schon in den Neunzigern gesehen haben.

00:29:20: Ja, und ich meine, wir sehen das ja auch im Arbeitsneben ohne KI sehen wir viel Workslop, aber ich glaube, dass KI dem Ganzen eben noch die Krone aufsetzt.

00:29:29: Das heißt, dass das Problem ist, dass Also mit KI halt sehr viel Content, also vor allen Dingen Text, weil BOSA Content generiert werden kann.

00:29:39: Und das sagt natürlich dafür, dass irgendwer muss den ganzen Kram natürlich korrigieren.

00:29:44: Und dann hast du auf einmal das Problem, dass die Unternehmen haben das Problem, dass sie neue Rollen schaffen müssen, um diesen Output in Bahnen zu lenken.

00:29:55: Und das ist relativ schockiert, weil die... festgestellt haben, dass große Unternehmen mehrere Millionen, also die ganz große Unternehmen haben acht bis neun Millionen Verluste bzw.

00:30:06: müssen acht bis neun Millionen wieder reinstecken, um eben den Output der KI zu korrigieren.

00:30:11: Auf der einen Seite ist es natürlich ein finanzieller Schaden, der von ziemlich großem Ausmaß ist, aber... Dazu ist es natürlich auch wahnsinnig vertrauenschädigendes, reputationsschädigendes, es hindert die Kreativität und so weiter.

00:30:23: Und grundsätzlich wird da auch das Können der Kollegen natürlich im großen Stil angezweifelt.

00:30:29: Also das ist etwas, was dringend irgendwie unter Kontrolle gebracht werden muss, glaube ich.

00:30:35: Ja, in diesem Artikel versuchen sich auch auseinanderzusetzen mit den Hintergründen von Workslop.

00:30:40: der Hauptgrundschein zu sein, dass KI oft viel zu unreflektiert eingesetzt wird, dass einfach nur so ein paar komische Halbsätze hinwirft und erwartest, dass dann ein perfektes Ergebnis rauskommt.

00:30:50: Und tatsächlich hat KI in vielen Bereichen die Eigenschaft, das ist auch das von dir vorher erwähnte Halluzinationsphänomen, dass wenn KI irgendwas nicht weiß oder irgendwas nicht sinnvoll raten kann, dass sich dann etwas irgendwie vom Grundton als Muster in die Lücke rein passendes ausgedacht wird.

00:31:10: Das ist dann eher so, wie man eine Mauer hat und da ist ein Loch drin und man macht da den Putz rüber, ohne das Loch wirklich zu stopfen.

00:31:19: Das bedeutet, irgendwie wird dann die Relevanz der Oberfläche höher gewichtet, als dass man tatsächlich Substanz hat, was auch damit zu tun hat, dass KI heute, das ist, glaube ich, eine der Hauptgründe für Workslop, dass KI heute nur ganz selten sagen kann, oh, das weiß ich nicht, kann ich auch nicht recherchieren.

00:31:36: Offenes Nichtwissen ist extrem selten.

00:31:38: Es gibt da Forschungsarbeiten, die genau in diese Richtung arbeiten, aber in dem Moment.

00:31:42: wo man gar nicht die Möglichkeit hat, als KI zu sagen, das sind Bereiche, da kann ich mich nicht so gut aus.

00:31:46: Hier kann ich nur grob raten, aber bitte mit Vorsicht.

00:31:49: Oder in diesen Bereichen müsste ich noch mal extra recherchieren, aber du hast ein viel zu kleines Paket gekauft, weil du eine geizige Wurst bist, du Knalltüte.

00:31:56: Also solche Ansagen müsste die KI eigentlich machen.

00:31:59: Stattdessen denkst du dich entweder irgendwas aus oder zieht irgendwelche absurden Zirkelschlüsse oder formuliert etwas so, dass es sich sinnvoll anhört, aber irgendwie nicht sinnvoll ist.

00:32:09: Und in dem Artikel steht dann, dass da nicht nur die eben von dir erwähnte Schaden daraus besteht, sondern dass natürlich die Leute, die so einen Workslop rausballern, was viele Menschen erkennen, dass die sofort auch einen Unternehmensintern Schaden davon tragen.

00:32:24: Die werden wahrgenommen als Zitat weniger kreativ, weniger fähig, weniger verlässlich, weniger intelligent und weniger vertrauenswürdig.

00:32:31: ist jetzt eine riesen Überraschung, hätte jetzt dafür keine Studie gebraucht.

00:32:34: Wenn mir jemand irgendwie so Trash schickt, dann hätte ich das auch grob so erspürt.

00:32:38: Aber interessant ist ja, dass das so krass Eingang findet in die Arbeitsprozesse.

00:32:43: Klar, aber ich meine, Menschen oder das menschliche Gehirn ist Quarnatur erstmal faul.

00:32:47: Das heißt, dass man natürlich versucht, Arbeit zu vermeiden.

00:32:50: Also ich kann das durchaus verstehen, dass Leute erstmal Kram generieren und denen dann raus schicken.

00:32:55: Das Problem dabei ist auch, dass Menschen, die KI nutzen und wo das so... Offensichtlich ist durch lange Spiegelstriche, durch diese gewisse, diese typische Satzbau und so weiter, dass die von ihren Kollegen eben als weniger kompetent wahrgenommen werden.

00:33:09: Und ich glaube, ehrlich gesagt, dass das der größte Schaden ist.

00:33:11: Das heißt, der Schaden ist nicht nur auf Unternehmensseite, sondern auf Individuumsseite.

00:33:14: Das heißt, dass die Mitarbeiter, die halt in der Form KE nutzen bekommen, weniger bezahlt.

00:33:19: Die werden weniger schnell befördert.

00:33:20: Die werden, wenn du noch gleich im Unternehmen bist und offensichtlich ist, dass du KE zum Beispiel für deine Anschreiben, okay, die ließ ihr keiner mehr, aber für deinen Lebenslauf und so weiter genutzt hast, dann wirst du gar nicht erst eingestellt.

00:33:31: Also das Ganze wird pulnalisiert zu einem großen Maße, weil eben Menschen das irgendwie ablehnen.

00:33:37: Das heißt die Angst vor dem Ungewissen, die Angst vor dem AI-Slop, also dass es einfach qualitativ schlecht ist, dass man sich damit noch befassen muss und so weiter.

00:33:44: Also ich denke persönlich aber, dass das die Wachstumsschmerzen der künstlichen Intelligenz sind.

00:33:50: Also das heißt... Was die Eingang sagt, ich glaube, diese ganze transformative Phase wird wesentlich länger dauern, als wir erwarten.

00:33:57: Das wird wahrscheinlich eine Generation dauern, bis die Menschen das wirklich in ihrem Alltag integriert haben.

00:34:02: Aber... Wir sollten uns halt damit auseinandersetzen und das versuchen zu korrigieren zumindest, also die Haltung zu korrigieren und dann B-Mechanismen zu implementieren, die dafür sorgen, dass eben keine schlechten Arbeitsergebnisse einfach irgendwem auf den Tisch geknallt werden und damit wie so eine heiße Kartoffel das Problem an den Nächsten geben wird.

00:34:19: Das muss eine gewisse Qualitätskontrolle stattfinden.

00:34:22: Es ist einfach sonst asozial, finde

00:34:24: ich.

00:34:25: Das ist die perfekte Überleitung zu dem dritten Studienpunkt.

00:34:30: Auch hier ist es jetzt wie eben nicht eine einhundert Prozent klinisch reine wissenschaftliche Studie, sondern so genannt Working Paper, also ein wissenschaftliches Working Paper von verschiedenen Autorinnen und Autoren, geschrieben von Leuten von Harvard und aus dem Umfeld von Wharton.

00:34:46: Allerdings muss man dazu sagen, zwei Personen arbeiten im Microsoft-Universum, die das mitgeschrieben haben, entweder direkt bei Microsoft oder bei GitHub, was seit einiger Zeit zum Microsoft gehört und auch intensivst KI einsetzt.

00:34:58: Im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April, im April.

00:35:26: Es gibt inzwischen so dieses Working Paper, einen Aufgaben-Mix, wo es vorher relativ eindimensional, zumindest über den bestimmten Zeitraum war.

00:35:36: Das heißt, man hat als Aufgaben mehr Koordination, mehr Qualitätskontrollen und die Art und Weise, wie Kollaboration entsteht.

00:35:45: Das verschiebt sich.

00:35:47: Und gleichzeitig wird sehr viel wichtiger die sogenannten komplementären Human Skills, komplementäre Human-Fähigkeiten, also von Menschen.

00:35:59: Da sind die Beispiele in diesem Working-Paper vor allem Domänenwissen, sich also in dem Bereich, in dem das Unternehmen tätig ist oder in dem man selbst arbeitet, auch im Detail gut auszukennen, das Urteilsvermögen und vor allem die Kommunikation, die deutlich wichtiger werden.

00:36:15: Ja, also natürlich, was wir eingangs sagten, ist diese... Künstliche Intelligenz ist nicht nur ein Tool.

00:36:21: Das heißt, unser gesamtes Leben wird sich damit verändern, auch die Art, wie wir arbeiten, die Art, wie wir Sachen ausdrücken.

00:36:28: Es wird zu einer, also es gibt ja diese... ... transhumanistischen Ideen, dass wir mit der Maschine irgendwann verschmelzen.

00:36:34: Also so extrem würde ich es nicht sehen, ... ... aber es wird alles verändern.

00:36:39: Also den Effekt, den wir mit dem Taschenrechner hatten, ... ... in nineteen sieben und sechzig als er kam, ... ... dass wir aufgehört haben, auf einmal rechnen zu können.

00:36:46: Das Ganze wird im großen Stil analog jetzt auch passieren.

00:36:50: Das heißt ... Es überrascht mich überhaupt nicht, dass sich die gesamte Art und Weise, wie wir arbeiten, in eine komplett andere Richtung drehen wird, um eben das Potenzial der künstlichen Intelligenz maximal auszunutzen.

00:37:02: Ich möchte an dieser Stelle ein leider sehr gut passendes Geständnis anbringen, gerade rund um das Thema Veränderung der Arbeit, Workslop und auch eigene Workload.

00:37:12: hier gut verborgen, so mitten im Podcast und natürlich muss ich ganz ehrlich dazu sagen, bezieht sich das überhaupt nicht, in keiner Weise, in keiner Sekunde auf die Arbeit mit und in diesem Podcast.

00:37:21: um Gottes Willen.

00:37:22: Das würde ich dort nie tun, aber was ich bei mir beobachtet habe, ist, dass Wo ich früher gesagt hätte, Leute, ich brauche noch bis morgen.

00:37:32: Die Deadline war heute um fünfzehn Uhr.

00:37:34: Aber durch ein X, Y und Z und ein ABC kriege ich erst morgen um neun hin.

00:37:38: Das habe ich ein paar mal schon in meinem Leben sagen müssen.

00:37:40: In verschiedenen Situationen ist vielleicht der einen oder dem anderen auch bekannt.

00:37:45: Was ich inzwischen tue, ist halt eine Viertelstunde vorher mit KI versuchen, das irgendwie doch noch so halb hinzukriegen.

00:37:54: Das ist... eine Form von Ausweichen.

00:37:56: Es ist eine Form von vielleicht doch noch Erfüllen, die ich bei mir beobachtet habe.

00:37:59: Natürlich nur extrem selten.

00:38:00: Meine Qualität der Arbeit ist sensationell in allen Bereichen.

00:38:03: Das möchte ich noch mal hervorheben.

00:38:04: Aber ich habe es bei mir beobachtet.

00:38:08: Ich könnte mir also vorstellen, dass ein ganz wesentlicher Punkt dieses Lernprozesses, den du gerade gesagt hast, das in dem Working Paper auch zumindest an diskutiert wird.

00:38:18: Ein ganz wesentlicher Punkt.

00:38:20: ist es realistischer, mit dem umzugehen, was man mit KI machen kann und was nicht.

00:38:26: Und vor allem die eigenen Schwächen nicht mit KI verdecken zu wollen.

00:38:32: Denn das sagen die Autoren auch mehrfach in diesem, was wir vor dem Working Paper besprochen haben, nämlich zum Thema Workslop, der Artikel.

00:38:43: Bisher wird KI zu häufig eingesetzt, entweder zur Vermeidung von Arbeit.

00:38:50: oder zu schaffen, wofür man eigentlich Zeit braucht in viel kürzerer Zeit, das, was ich gerade von mir selber beschrieben habe.

00:38:56: Das heißt, die Antwort wäre, wir brauchen KI als Werkzeug zur gemeinsamen Verbesserung nicht, um so ein bisschen zu tun, als würde man das gerade eben doch noch hinbekommen.

00:39:07: Naja, ich weiß nicht, ob du es tust oder ob du es tatsächlich einfach hinbekommst, weil diese Viertelstunde du jetzt sehr komprimiertes Wissen bekommst.

00:39:13: ... als Recherche vor deinen jeweiligen Aufgaben, ... ... also ich denke eben, ... ... wofür man früher halt lange gebraucht hat, ... ... Sachen zu googeln ... ... oder Sachen zu recherchieren ... ... oder was sich Eingang sagt, ... ... jemanden anzurufen, ... ... der vermeintliche Experte in dem Feld ist, ... ... das kannst du ja jetzt ... ... innerhalb von fünfzehn Minuten tatsächlich machen.

00:39:28: Also ich glaube nicht, ... ... dass es dafür sorgt, ... ... dass die Qualität der Arbeit ... ... unbedingt notwendigerweise schlechter wird, ... ... es ist einfach ein Verschieben des Mediums.

00:39:37: Und darüber hinaus ist es auch, ... ... glaube ich, macht es Leute wesentlich produktiver, ... ... die ... Sonst immer abhängig waren, Dinge zu lesen.

00:39:44: Es gibt ja verschiedene Lerntypen und es gibt Menschen, die sind sehr auditiv.

00:39:48: Die lassen sich Podcast machen aus Papers.

00:39:49: Es gibt Menschen, die sehen lieber Videos.

00:39:52: Ich meine, es gibt jeden Lerntyp.

00:39:53: Und das kannst du mit KI halt wunderbar lösen, das Problem, dass du eben nicht derjenige bist, dass sich gerne zwei Hundert Seiten in kürzester Zeit reinzieht.

00:40:02: Ja, in dem Kontext auch spannend ist, dass... Ich sehr lange sehr intensiv.

00:40:08: Es gehört, glaube ich, zu den Sachen, an denen ich einen intensivsten bei mir in so einem Skillset beruflicher Natur gearbeitet habe, nämlich googeln.

00:40:16: Also ich war eine Zeit lang sehr, sehr gut im googeln.

00:40:19: für meinen ganz spezifischen Anwendungszweck und konnte Sachen einfach durch ein gewisses Gespür, welche Begriffe muss man wie, in welchen Kontext setzen, welche, da gibt es ja irgendwie so ein halbes Dutzend wichtiger Tricks, wie man bei Google irgendwie Begriffe ausschließt oder auf bestimmten Seiten und diese ganzen Kramen, Zeiträume, die uns auch kombiniert.

00:40:35: Und da habe ich mir wahnsinnig lange, wahnsinnig intensiv viel angeeignet und ich habe gemerkt, das ist ein... nicht eine ganz trote Fähigkeit, aber die ist nicht mehr so wichtig.

00:40:44: So ein bisschen wie die Schreibmaschine schreiben mit so einer Tastatur.

00:40:47: Okay, das kann man jetzt noch beim Laptop benutzen.

00:40:49: Nee, was soll ich?

00:40:50: Es ist so ein bisschen wie Handschrift.

00:40:52: Also googeln, googeln ist die neue Handschrift.

00:40:55: Natürlich ist es noch ganz cool, wenn du so cross-checken kannst und bei Google so ein paar Sachen weißt, aber ganz ehrlich, ich war sehr, sehr stolz, auch im Familien- und Freundeskreis.

00:41:05: Kein Abend, wo ich mehr als drei Rieslinge getrunken habe, wo ich nicht angefangen habe, anzugeben mit meinen Wahnsinn.

00:41:10: Das Google-Fähigkeiten ist

00:41:11: so ein bisschen

00:41:12: ober.

00:41:13: Es ist so ein bisschen wie Schaltwagen.

00:41:15: Ich kann Schaltwagen fahren, herzlichen Glückwunsch.

00:41:18: Du kommst bestimmt auch mit der Dagerotopie um die Ecke.

00:41:24: Ja wirklich, ich hab das tatsächlich, ich hab mich damit noch nie auseinandergesetzt, ob man verschiedene Seiten ausschließen muss oder nicht.

00:41:30: Google mal so summarized ja ohnehin momentan alle Seiten, das heißt ich glaube auch die... Das wird ohnehin irgendwann aussterben in der Zukunft.

00:41:39: Das heißt, obwohl die Zahlen, ich muss dazu sagen, wenn man sich die Zahlen anschaut, dann hat Google immer noch wächst.

00:41:44: der Traffic bei Google und Chat, TPD und Co.

00:41:46: haben noch lange, lange nicht das Search-Volume ersetzt.

00:41:50: Das heißt, diese Hypothese teile ich noch nicht so ganz.

00:41:53: Aber ich denke, dass ich auch, dass die Suche bei Google natürlich immer... natürlicher wird.

00:41:58: Das heißt, sie wird immer eher dem initialen Gedanken quasi angepasst werden, durch welche Fähigkeiten oder algorithmischen Veränderungen auch immer.

00:42:06: Ja, wobei man dazu sagen muss, die Google-Suche hat sich ja im März diesen Jahres am April teilweise dramatisch verändert.

00:42:13: Jetzt kommt die KI-Zusammenfassung und die führt einfach dazu, dass sehr viele Leute nicht mehr klicken.

00:42:17: Wir haben Traffic-Einbrüche je nach Bereich.

00:42:20: von bis zu achtzig Prozent wird berichtet in manchen Bereichen.

00:42:23: Was ich wahnsinnig krass finde, das heißt eigentlich ist inzwischen das, was früher Googlen war, ist jetzt, man gibt bei Google was ein und die Frage wird von der KI beantwortet.

00:42:31: Die meisten Leute reichen das, niemand klickt mehr.

00:42:33: Ich habe gelesen, dass bei Google das Verhältnis von Klicken zu nicht mehr klicken wegen KI-Zusammenfassung eins zu acht ist, dass es in anderen Bereichen noch krasser ist bei Chatchity, eins zu ein Tausend Fünfhundert und bei Claude sogar nur eins zu sechzig Tausend, will sagen.

00:42:53: Claude liefert sechzigtausendmal irgendeinen Link aus zu irgendeiner Quelle und eine Person davon klickt.

00:43:01: Das ist trafikseitig.

00:43:02: Wie gesagt, die Zahlen konnte ich nicht final verifizieren.

00:43:05: Die sind transportiert worden von Leuten, die im Großbrech Marketing unterwegs sind.

00:43:08: Kann man mein Ding ein bisschen mit Vorsicht genießen, aber als Anhaltspunkt finde ich es trotzdem interessant und relevant.

00:43:14: Ich glaube, diesen richtig krassen Veränderungsdrive, der das Internet massiv dabei ist zu verändern und schon verhindert hat, Auch darüber werden wir mal sprechen, mal sprechen müssen.

00:43:26: Aber jetzt ist genau da richtige Zeitpunkt, um erst einmal das natürlich perfekt passende KI-Tool der Woche von Markus Schwarze zu genießen.

00:43:38: Das KI-Tool der Woche ist diesmal die Wolf-Schneider-KI.

00:43:42: Damit kann jeder aus mittelgutend Texten bessere machen und aus nicht so guten Mittelgute.

00:43:48: Die Wolf-Schneider-KI ist unter wski.app nutzbar.

00:43:53: Sie ist nach Wolf Schneider benannt, einem Journalisten- und Buchautor, der in den Jahren die Jahr- und Jahrzehnte gestorben ist.

00:44:00: Wolf Schneider verfasste Bücher über gutes Deutsch.

00:44:03: Die Bücher dienten vielen Journalistinnen und Journalisten als Lehrmaterial in ihrem Volontariat und darüber hinaus.

00:44:11: Schneider empfahre bestimmte Regeln.

00:44:13: Zum Beispiel ist es besser, Einselbwörter zu verwenden.

00:44:17: Statt von einem Paradigmenwechsel sollte man etwa von einem Wandel oder Schwenk sprechen.

00:44:24: Das ist verständlicher, kraftvoller und angenehmer.

00:44:27: Oder die überflüssigen Attribute.

00:44:30: Statt viele Adjektive zu benutzen, sollte man lieber Relativsätze oder präzise Formulierungen wählen.

00:44:37: Nicht so gutes Deutsch ist zum Beispiel der folgende Satz.

00:44:40: Der große, ehrwürdige alte Mann mit dem ausgeprägten Faltengesicht saß im hinteren, schummerigen Teil des kleinen engen Raumes.

00:44:49: T. Wolf-Schneider-KI macht daraus, der Mann mit dem faltigen Gesicht saß hinten im dunklen Raum.

00:44:55: Einige Attribute wurden also weggelassen, der Satz wirkt ruhiger und lesbarer.

00:45:01: So gibt es eine ganze Reihe an Regeln.

00:45:04: Aktive Verben klingen besser als passive.

00:45:07: Hauptsätze wirken klarer als Nebensätze.

00:45:10: Wenn Nebensätze dann möglichst ans Ende, nach dem Hauptsatz.

00:45:14: Floskeln sind doof.

00:45:15: Was sprachlich zusammengehört, soll innerhalb von drei Sekunden lesbar sein.

00:45:21: Und noch mehr.

00:45:22: Die Wolfschneider KI nimmt den Text entgegen und verbessert ihn.

00:45:26: Dafür stehen unterschiedliche Textgattungen zur Auswahl.

00:45:29: Zum Beispiel für eine Nachricht, einen Kommentar, eine Rezension oder eine E-Mail.

00:45:35: Auch für Bewerbungsschreiben, eine Rede oder eine Pressemitteilung kennt die WSKI die nötigen Formate.

00:45:42: Bei den umgearbeiteten Sätzen lassen sich zudem Satz Alternativen einblenden und zusätzlich kann man sich für seinen Text eine Analyse laden lassen.

00:45:51: Dann untersucht die KI den Beitrag weiter und beurteilt zum Beispiel den Satz aus diesem Podcast.

00:45:57: Floskeln sind doof, selbst als floskel und als zu umgangssprachlich.

00:46:02: Floskeln schwächen den Text empfiehlt die KI stattdessen.

00:46:06: Kostenlos ist die WSKI allerdings nicht.

00:46:09: Man bezahlt fünf Euro für ein Paket von Texten mit hunderttausend Zeichen.

00:46:14: Das sind ungefähr vier vier Seiten.

00:46:18: Danke, Markus Schwarze für das KI-Tool der Woche.

00:46:21: Wir können nicht über Studien reden, um ohne eine der Studien zu adressieren und zu erwähnen, die mit am intensivsten diskutiert worden ist, die allerdings auch ein bisschen methodisch fragwürdigen Hintergrund hat.

00:46:31: Konkret gab es im Juli, zwei tausendfünfundzwanzig vom MIT eine Untersuchung.

00:46:36: überschrieben mit gen ai divide state of ai in business two thousand and twenty five project.

00:46:43: nanda hängt damit direkt zusammen.

00:46:46: das wurde deswegen viel diskutiert weil sie in ihren Fragestellungen vergleichsweise wenige Leute gefragt haben.

00:46:53: Sie haben also sehr großsprüge Schlüsse daraus gezogen, allerdings haben sie nur zweiundfünfzig Interviews wirklich als begrenzte Sprichprobe verwendet, hundertdreienfünfzig befragte.

00:47:03: Der Fokus war sehr auf US Firmen und auf techzentrierte Konferenzen, wo das hergestellt wurde.

00:47:10: Das war wirklich nicht repräsentativ.

00:47:12: Und es gab sehr viele selbst berichtete Daten und Datenpunkte.

00:47:16: Ja, zum Beispiel solche Begriffe wie Erfolg oder ROI, also Return on Invest beruhten auf subjektiver Einschätzung.

00:47:22: Es gab keine extern validierten Finanzdaten.

00:47:25: Und dazu kam ein extrem kurzer Beobachtungszeitraum, nämlich nur sechs Monate, die betrachtet worden sind.

00:47:30: Das alles sind also die negativen Punkte.

00:47:33: Das Ergebnis war, Ninzig Prozent der Unternehmen, die in KI investieren, erzielen keinen messbaren Return on Invest.

00:47:40: Ninzig Prozent bezeichnen es sogar als ein Fehlschlag.

00:47:44: das KI-Projekt, was sie intern angestoßen haben.

00:47:47: Aber, und das ist der entspringende Punkt in dem Ganzen, du musst sehen, dass es sich um Pilotprojekte handelt.

00:47:54: Also das heißt, der Sprung, es ging dabei immer um den Sprung vom Pilotprojekten zur Wertschöpfung, ja, also zur ROI.

00:48:04: Und das ist grundsätzlich immer ein schweres Unterfangen, ja, also das heißt, Du musst ja diese POCs, also die Pilotprojekte, oder auch manchmal sind es, nennen sie es MVPs, das heißt Minimalibel Products, die musst du ja in bestehende Arbeitsabläufe integrieren in irgendeiner Form.

00:48:24: Und das ist das, was gescheitert ist.

00:48:27: Und das heißt, dass es nicht an der künstlichen Intelligenz liegt, es liegt nicht an der Technologie, es liegt am Change Management, es liegt an den Mitarbeitern, an den Teams, an der Strategie.

00:48:39: Dass die das nicht geschafft haben, diese Projekte oder diese kleinen Speedboats, wie sie auch genannt werden, dass man daraus dann Kapital geschlagen hat.

00:48:48: Aber

00:48:49: ich finde, auch da in dem Kontext ist halt der Anspruch ein bisschen zu hoch für meine Empfinden.

00:48:55: Also ich sehe, dass die Unternehmen beschwören sich alle, unisono, dass sie zu viel Geld für IT ausgeben.

00:49:00: Und jedes Jahr müssen sie die Budgetierung nach oben korrigieren.

00:49:04: Jedes Jahr müssen sie mehr für Cloud ausgeben.

00:49:06: Jedes Jahr müssen sie irgendwie mehr für Ressourcen grundsätzlich, viele Stellen tief AI-Office ein und so weiter.

00:49:11: Das ist alles wahnsinnig teuer.

00:49:12: Und die sehen halt bottom-line und top-line wenig, was da rausputzelt.

00:49:17: Nur... Ich denke eben, dass da so viele Learnings sind, die getätigt werden müssen.

00:49:22: Da fehlt halt das holistische Denken und die Integration.

00:49:26: Und das ist Nummer eins.

00:49:26: Und das zweite, was in der Studie wirklich kritisiert wurde, war, was ich auch eingangs sagte, dass die halt zu viele, oder der Fokus war zu viel, auf diesen shiny Tools, so auf diesen kleinen, bildgenerierenden Tools, auf den kleinen, auf den... Chat-TPTs, auf den Chats dieser Welt und so weiter.

00:49:42: Natürlich haben die noch keinen measurable Impact.

00:49:45: Das wird dauern.

00:49:46: Aber das ist der eigentliche Wandel oder Impact.

00:49:51: ist auf Unternehmensseite nicht bei den Mitarbeitern, die dann irgendwie drei E-Mails schneller schreiben.

00:49:55: Der wirkliche Impact ist, wird immer im Backend sein.

00:49:59: Da wird immer sein auf der Produktionsseite, auf den, das schaffen von digitalen Zwillingen, um gewisse Prozesse irgendwie vorherzusagen, die Lieferketten, die optimiert werden.

00:50:09: Der Sales after Sales, wie gesagt.

00:50:11: Also das heißt, die oder auch in der IT, das heißt die richtigen in Production, der Code, der optimiert wird und beschleunigt wird.

00:50:19: Das sind alles Stellschrauben, an denen man drehen kann und wo es Hebel gibt.

00:50:25: Das, was die Studie halt sagte, das ist irgendwie kleine shiny Tools, die implementiert wurden, dass die nichts gebracht haben.

00:50:31: Ich finde, das ist wenig überraschend.

00:50:32: Also das auf der einen Seite, wenn man das Ergebnis so... Für das nimmt, was es ist, dann ist es wenig überraschend.

00:50:38: darüber hinaus, ist natürlich auch die Wissenschaftlichkeit und das Handwerk des Studie so ein bisschen in Frage zu stellen.

00:50:44: Aber selbst wenn es so ist, dann ist es natürlich ein Wake-up-Call.

00:50:47: Ich glaube, das Problem der Studie war tatsächlich und nicht der Studie, aber das Problem dieser Pressemitteilung und alles drumherum war, dass natürlich die gesamten Märkte... Darauf oder auch das Wachstum in den USA, was wir gesagt haben, S&P verhandelt und so weiter.

00:51:01: Das liegt alles an der Hypothese, Grundhypothese, dass KI ein wahnsinniges Wachstum schaffen wird in allen Bereichen.

00:51:09: Und alle sind bis über den Kopf rein investiert.

00:51:12: Und zwar auch an der gesamte öffentliche Sektor, der private Sektor, alle.

00:51:16: Das heißt, die gesamte Weltwirtschaft hängt letztlich an der künstlichen Intelligenz.

00:51:23: Und wenn dann eine Studie dazu rauskommt.

00:51:25: Die sagt so hoch, aber können damit aber nicht anfangen.

00:51:29: Dann ist das natürlich ein bisschen schwierig.

00:51:31: Aber ich denke eben, wie gesagt, wir sind in den Kinderschuhen.

00:51:35: Ich denke, dass dieses Studium handwerklich nicht ganz sauber war.

00:51:38: Ich glaube, dass tatsächlich stellenweise falsch, strategisch falsch investiert wird, also in falsche Tools und so weiter und nicht falsche KI, aber es wird, wenn ich die richtigen Schwerpunkte gesetzt.

00:51:49: Deswegen, ich glaube, das ist einfach eine Frage der Zeit und dann werden wir es... Dann würde es anders werden.

00:51:55: Da gibt es übrigens eine interessante kleine Geschichte.

00:51:56: Vielleicht ist jemand unter den Zuhörenden, der oder die da was zu beitragen kann.

00:52:01: Dann würden wir uns sehr freuen, wenn ihr in verschiedenen sozialen Medien darüber und dazu diskutiert, ob das jetzt LinkedIn ist oder TikTok, Instagram, Mindwing auch unter YouTube Shorts.

00:52:11: Egal, da zu diskutieren.

00:52:13: Diese Geschichte bezieht sich auf die Jahre Jahrzehnte und folgende, als Facebook eine ziemlich große Umstellung gemacht hat, weg vom Geschäftsmodell, das eher so in Richtung appbasierte Geldverdienmaschine von Anfang an so in Richtung Plattform gedacht war von Max Hackerberg, hin mehr zu Werbung.

00:52:31: Und diese Werbefixierung, die am Anfang nicht so erkennbar war, die ist so Jahrzehnte und Jahrzehnte zwölf aufgesetzt worden, hat relativ schnell, relativ großen Erfolg gehabt, weil es in den Markt gepresst wurde.

00:52:43: Es gibt bis heute Anzeichen, dass die ersten zwei oder drei Jahre bei Facebook die Werbung genau gar nicht funktioniert hat.

00:52:53: Also wirklich gar nicht.

00:52:55: Warum?

00:52:56: Die Maschine war einfach noch nicht so weit.

00:52:57: Das bedeutet die Ziegruppenaussteuerung.

00:52:59: Die Leute haben einfach nicht geklickt.

00:53:01: Die Werbeformate waren noch nicht da, wo sie sein sollten.

00:53:03: Und trotzdem gab es in dieser Zeit unfassbare Wachstumsgeschichten.

00:53:07: Alle wollten unbedingt diese Werbung machen, weil so nah liegt, dass es irgendwann genau richtig gut funktioniert und haben sich dann die Ergebnisse dreimal und fünfmal schön geredet.

00:53:14: Facebook soll angeblich, ich darf das jetzt muss es wasserdich zitieren, soll angeblich overdelivert haben.

00:53:20: Was bedeutet das?

00:53:21: Die sagen, hey, wir haben dieses Benna tausendmal ausgeliefert, das haben zwei Leute drauf geklickt.

00:53:25: In Wirklichkeit haben sie es fünf Millionen mal ausgeliefert und das haben zwei Leute drauf geklickt.

00:53:28: Also solche Sachen, das sind jedenfalls die Gerüchte.

00:53:31: Es gibt dieses Fake it till you make it in der Technologie Szene immer wieder.

00:53:35: Kann ich sagen, ob es bei Facebook wirklich so war oder das nur Gerüchte sind, aber es kann tatsächlich sein, dass wir in so einer Übergangsphase sind, wo KI so hoch gelobt wird, dass es ein Erfolg sein muss, bis es dann wirklich ein Erfolg wird.

00:53:51: Das möchte ich mal so rausziehen.

00:53:52: In diesem MIT-Artikel, interessanterweise wurde etwas... Ja, vorgehoben als Hauptgrund für dieses Scheitern, diese fünfundneinzig Prozent Fehlschläge, der sogar eine Learning-Gap, das einerseits nicht mit den richtigen Daten gelernt wird.

00:54:05: Ja, also die Daten geben einfach nicht das her, was man ein Ergebnis haben muss, weil die dann im Unternehmen relativ spezifisch sind.

00:54:12: Und auch der Learning-Gap mit den Leuten, die diese KI noch nicht richtig anwenden.

00:54:15: Das sind so die beiden Aspekte, die da drin stecken.

00:54:18: Klar, und was mit Text sage ich, ist sehr wahr, es betrifft nicht nur Software, auch Hardware.

00:54:22: Also Steve Jobs hat ja dieses ... sehr bekannte Zitat gesagt in zwei tausend, wann war das zehn, glaube ich.

00:54:30: People don't know what they want until you show it to them.

00:54:33: Das heißt, Menschen wissen nicht, was sie wollen, bis es ihnen zeigt.

00:54:37: Natürlich sind disruptive Technologien auf hart und softwareseitig.

00:54:42: Wir müssen erstmal Eingang in die Gesellschaft finden, weil sie auch die wiederum das Verhalten der Menschen ändern.

00:54:48: Und das dauert eben lange.

00:54:49: Und deswegen bin ich gar nicht überrascht, dass es solche Studien gibt und dass es solche Ergebnisse gibt, die wir werden einfach mit der KI daran wachsen, denke ich.

00:54:58: Elisabeth, abschließend möchte ich mit dir eine, ja, das ist vom International Monetary Fund, also vom Weltwährungsfonds ausgegangen.

00:55:07: Schon im Jahr zwanzig an zwanzig, zwanzig vierundzwanzig möchte ich gerne eine Staff Discussion Note mit dir besprechen.

00:55:15: Staff Discussion Note, was ist das?

00:55:17: Das ist mehr oder weniger der Währungsfonds.

00:55:20: der versucht, Debatten anzustößen aus seiner wirtschaftlichen und wehrungsorientierten Perspektive.

00:55:29: Und diese Diskussion, die dort aufgemacht worden ist, die hatte sehr, sehr großes Echo.

00:55:34: Es ist schon von im Jahr zwanzig, sogar Anfang vierundzwanzig, nicht mehr ganz in unsere anderthalb Jahres wäre, aber so groß von der Diskussion und so zukünftig von der Diskussion, dass ich das gerne abschließend mit dir besprechen würde.

00:55:44: Und zwar sagen die dort, was ich gut abvollziehen kann, dass vierzig Prozent aller Jobs weltweit in irgendeiner Form von generativer künstlicher Intelligenz betroffen sind, und zwar entweder als ergänzende Technologie oder sogar als substituierende Technologie.

00:55:58: Trauen sich also auch auszusprechen, ja, es werden Jobs ersetzt werden.

00:56:01: In fortgeschritteneren Volkswirtschaften sogar noch deutlich mehr als vierzig Prozent.

00:56:05: Das ist also ein extrem breiter Ansatzpunkt für die Wirkung.

00:56:10: Und jetzt.

00:56:11: gibt es eine Folgedebatte aus diesem Artikel, nämlich, dass man anfangen muss, KI zu besteuern.

00:56:19: Das ist eine direkte Folge.

00:56:21: Es gab so ja eine Zeit lang auch so übergewinnten Debatten, wo er sehr fraglich ist, was das überhaupt sein soll.

00:56:26: Aber was vollkommen klar ist, gerade Brokern, sehr viele extrem reiche Tech-Unternehmen darauf, dass sie menschliche Arbeit automatisieren können.

00:56:37: Arbeit wird umfangreichst und intensivst und von allen Seiten und Ecken und Enden entweder besteuert oder in Deutschland auch noch mit verschiedenen Versicherungskontexten und Sozialversicherungskontexten versehen.

00:56:47: Wenn wir das nicht mehr haben, und das ist halt aus dieser Staff Discussion Note entstanden, diese Diskussion, wenn wir das nicht mehr haben, dann fehlt der Gesellschaft ja etwas.

00:56:58: Glaubst du, dass wir eine Art KI-Steuer brauchen, brauchen wir etwas, wo diese Gewinne, die dann ohne Menschen erzielt werden, dass die irgendwie der Gesellschaft wieder zugutekommen?

00:57:14: Ich glaube, die Frage oder die Antwort auf die Frage ist wie immer, es hängt davon ab.

00:57:17: Das heißt, wir sind, glaube ich, als Gesellschaft sehr gut darin, das Bepreisen von Externalitäten zu verpassen.

00:57:24: Das Gleiche gilt auch zum Beispiel für die ganze Carbon-Discussion.

00:57:29: Das heißt, dass wir grundsätzlich Sachen aus China bestellen oder aus Asien für kaum Geld, die dann für ein paar Cent rübergeflogen werden.

00:57:38: Und das neue T-Shirt kostet dann irgendwie drei Dollar.

00:57:41: Und der CO-Zwei-Ausstoß, der in dem Kontext passiert und der Welt dann eben nicht unbedingt weiterhilft, der wird eben nicht bepreist.

00:57:48: Das heißt, die Kosten werden auf die Gesamtgesellschaft der Welt am Ende umgelegt.

00:57:54: Und im ersten Schritt wird darunter die südliche Weltkugel leiden und dann erst im zweiten Schritt wir, meines Erachtens, aber das Gleiche findet natürlich bei KI statt.

00:58:03: Und das Gleiche gilt übrigens auch für die gesamten großen digitalen Unternehmen, die in Europa wahnsinnig wenig Steuern zahlen.

00:58:11: ohne jetzt zu sehr Namen zu nennen, sind natürlich haben die verschiedene Steuerspar-Modelle, früher gab es dieses Double Irish Sandwich, das heißt, dass inzwischen Irland und Holland verschiedene Finanzflüsse produziert wurden, die dann dafür gesorgt haben, dass minimal Steuern gezahlt wurden.

00:58:27: Also ein absolute Bruchteil von dem, was sie verdienen.

00:58:31: Und man muss mal sehen, ... die großen Social Media Konzerne zum Beispiel verdienen ... ... hundred-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und-und.

00:58:58: Das muss in irgendeiner Weise relativ schnell geändert werden.

00:59:01: Das ist das eine.

00:59:02: Und das Gleiche gilt für mich für die digitalen Arbeiter auch, weil es gibt ja auch Bestrebungen, dass man diese ganzen Agenten zum Beispiel, dass die von HA gemanagt werden müssen.

00:59:13: Das heißt, natürlich der Output muss in irgendeiner Form besteuert werden.

00:59:17: Wohin soll es dann führen?

00:59:19: Am Ende ist es so, dass die großen Tech-Konzerne an den Technologien immer weiter verdienen und das Output aber nicht in Deutschland oder Europa bleibt.

00:59:30: Also das heißt, ich bin auf jeden Fall dafür, dass man das in irgendeiner Form besteuern wird.

00:59:33: Es gibt immer wieder Maschinendiskussionen, die eigentlich mit der Digitalisierung schon groß geworden sind oder größer geworden sind, dann wieder abgeflacht sind jetzt mit KI.

00:59:43: Und gerade im Zusammenhang mit Arbeit, glaube ich, kann man nochmal eine neue Debatte darum starten.

00:59:49: Es ist überhaupt nicht so, dass ich dann eine völlig festgelegte Meinung habe aus meiner ganz persönlichen Sicht.

00:59:53: Es wurde in diesem Diskussionspapier vom Währungsfonds auch nicht ganz zentral gefordert, obwohl da Empfehlungen für die Politik drin waren.

01:00:03: Aber die Entwicklung, die dorthin skizziert ist, die mündet halt so offensichtlich früher oder später in einem gigantischen Problem.

01:00:11: In dem Moment, wo eine Maschine, eine Arbeit erledigt, die vorher einen Mensch gemacht hat, gibt es eine ganze Reihe von Verschiebungen.

01:00:17: Und eine von den Verschiebungen ist eben, dass die Arbeit, die einen Mehrwert erzeugt, um jetzt mal so, sagen wir mal, zumindest ökonomisch marxistisch zu argumentieren, dass dieser Mehrwert weitestgehend überführt wird in Unternehmens- Kapital und gar nicht mehr von denjenigen Leuten, die diesen Mehrwert mit Händen oder Köpfen oder irgendwelche anderen Formen von Arbeit hergestellt haben, sich irgendwie auszahlt.

01:00:42: Und da gibt es eine strukturelle Verschiebung.

01:00:45: Und diese strukturelle Verschiebung geht einher mit dem, was wir in der ersten Studie gesehen haben, nämlich das ganz offensichtlich, für mit einer KI eine Person weniger gut ausgebildet sein kann und trotzdem einigermaßen gute Ergebnisse erzielen kann.

01:00:59: Das sind alles Punkte, wo ich sage, Die großen gesellschaftlichen Debatten rund um Arbeit und KI, die stehen uns noch bevor.

01:01:06: Und ich glaube, dass wir uns überlegen müssen in dem Moment, wo ein AI-Agent genauso gut, genauso intensiv und vielleicht sogar noch schneller und noch besser und noch präziser und noch skalierbarer arbeitet wie eine Person.

01:01:18: Müssen wir uns überlegen, was bedeutet das für den Faktor, der heute die meisten westlichen Gesellschaften finanziert, nämlich Arbeit?

01:01:27: Was bedeutet das für den Faktor, der nicht nur Identifikationen ausmacht von sehr vielen Menschen, sondern auch der als Vorteil in westlichen Volkswirtschaften betrachtet wird, unsere Arbeitskultur, das, was wir so wahnsinnig gut können.

01:01:40: Das ist so ein bisschen, ich möchte gar nicht sagen, negativ ausklang.

01:01:43: Ich glaube, die Vorteile überwiegen.

01:01:47: Aber damit die zur Geltung kommen aus meiner Perspektive, müssen wir sehr rechtzeitig, also jetzt über die Nachteile reden.

01:01:53: Und das ist so eine der großen Leerstellen für mich bis jetzt in dieser Debatte.

01:01:58: Wie sieht es bei dir auch so als Schlussakord, als Schlusserkenntnis?

01:02:02: Absolut, ich denke grundsätzlich, dass Transparenz immer der entscheidende oder der richtige Weg ist.

01:02:07: Also der Brandeis, das war ein famoser Richter aus den USA vom Supreme Court, sagte immer, dass Sonnenlicht das beste Desinfektionsmittel ist und dem stimme ich zu.

01:02:20: Ich glaube, wir müssen Dinge transparent machen, damit alle Menschen sie verstehen und dann... Menschen damit dann Entscheidungen treffen und sich ihres Verstandes bedienen können.

01:02:28: Das, glaube ich, sollte der immer der Ansatz sein.

01:02:31: Ja, das ist ein fantastisches Schlusswort, inklusive der Erwähnung von Louis Brandeis, der ja im Prinzip einer der Entwickler des Rechts auf Privatsphäre war.

01:02:40: Er galt als die Person, die das institutionell und juristisch zuerst gefasst hat.

01:02:45: Übrigens natürlich im Zusammenhang mit Technologie.

01:02:48: Damals ging es eher um Presse, so Druckmaschinen und Fotografie, die das Recht auf Privatheit hatte, da noch nicht noch einen anderen Klang als heute.

01:02:56: Vielen Dank, Elisabeth, für diesen Schlussakord.

01:03:00: Ich bin wahnsinnig gespannt, was passieren wird in den nächsten sechs Monaten, denn es ist relativ klar, dass die vielen Agents, die jetzt gerade überall drin sind, dass die noch eher sind wir mal unter den Bereich fake it till you make it fallen in vielen Fällen.

01:03:16: Ich glaube, dass wir aber schon die ersten Punkte erkennen, wo wirklich ganz klar menschliche Arbeit sich transformiert, transformieren lässt und auch transformierbar wird durch maschinelle Arbeit, in maschinelle Arbeit.

01:03:28: Lass uns weiter drüber nachdenken.

01:03:30: Da draußen an kurzem Anruf ans Publikum.

01:03:34: Bitte diskutiert darüber mit Ich glaube jetzt nicht nur auf unseren Kanälen von TechKI und Schmetterlinge, zum Beispiel auf LinkedIn, sondern auch in den Bereichen, in denen ihr unterwegs seid.

01:03:47: Es ist etwas, wo Debatten wirklich... Wirkung zeigen können.

01:03:51: Das wird von vielen Leuten unterschätzt, aber Debatten haben eine Wirkung, wenn ihr euch einmischt, wenn ihr daran teilhabt, wenn ihr das qualifiziert und sinnvoll und möglichst ohne Rumhäten versucht, woran davor anzutreiben.

01:04:01: Das kann früher oder später und das wird früher oder später Folgen haben.

01:04:05: Wir müssen das diskutieren, wir müssen demokratisch versuchen zu fassen und dann eine Lösung dafür finden, dass wir nicht irgendwann in einen Bereich reinkommen, wo diese ganze Doomsayer-Tum, die KI schlecht reden wollen und die diese KI-Revolutionen, in der wir sind, versuchen irgendwie abzubiegen oder irgendwie gar zu stoppen, dass diese Leute nicht irgendwann recht bekommen.

01:04:27: Also ich glaube, wenn man optimistisch darauf gucken will, dann hat man eigentlich gar keine andere Chance als genau jetzt anzufangen, über Arbeit und KI und die Zukunft der Gesellschaft zu diskutieren.

01:04:37: Vielen Dank für's Zuhören und bis zum nächsten Mal.

01:04:40: Danke dir und bis bald, bye bye.