New Yorker: Die Gewinnproblematik der künstlichen Intelligenz und historische Lektionen Autor: John Cassidy Im Jahr 1987 kommentierte der Nobelpreisträger für Wirtschaftswissenschaften Robert Solow vom Massachusetts Institute of Technology (M.I.T.) in einem Artikel für die Times Literary Supplement: „Die Computerära ist überall zu sehen, nur nicht in den Statistiken zur Produktivität.“ Obwohl die Rechenleistung damals rasant zunahm und Personal Computer immer verbreiteter wurden, zeigten Regierungsdaten, dass der entscheidende Indikator für Löhne und Lebensstandard – die durchschnittliche Gesamtproduktion pro Arbeiter – über ein Jahrzehnt stagnierte. Dies wurde später als das berühmte „Produktivitätsparadoxon“ (productivity paradox) bekannt. Dieses Paradoxon hielt bis in die 1990er Jahre und sogar länger an und führte zu einer Vielzahl von widersprüchlichen akademischen Studien. Einige Ökonomen schoben es auf ein schlechtes Management neuer Technologien; andere argumentierten, dass Computer im Vergleich zu frühen Erfindungen wie der Dampfmaschine und Elektrizität wirtschaftlich weniger bedeutend seien; wieder andere machten fehlerhafte Datenstatistiken verantwortlich und glaubten, dass das Paradoxon verschwinden würde, wenn die Daten korrigiert würden. Fast 40 Jahre nach der Veröffentlichung von Solows Artikel und fast drei Jahre nach der Veröffentlichung des Chatbots ChatGPT von OpenAI stehen wir möglicherweise vor einem neuen wirtschaftlichen Paradoxon, diesmal mit dem Fokus auf generative künstliche Intelligenz (generative artificial intelligence). Laut einer kürzlich durchgeführten Umfrage von Ökonomen der Stanford University, der Clemson University und der Weltbank nutzen im Juni und Juli dieses Jahres fast die Hälfte der Arbeitnehmer (genauer gesagt 45,6%) KI-Tools. Eine neue Studie eines Teams des M.I.T. Media Lab berichtet jedoch von einem erstaunlichen Ergebnis: „Obwohl Unternehmen 30 bis 40 Milliarden Dollar in generative KI investiert haben, zeigt dieser Bericht, dass 95% der Organisationen keinen Ertrag erzielen.“ Die Autoren der Studie überprüften über 300 öffentliche KI-Projekte und -Ankündigungen und interviewten mehr als 50 Unternehmensleiter. Ihre Definition von „erfolgreichen KI-Investitionen“ ist: Sie haben die Pilotphase (pilot phase) überschritten und wurden tatsächlich implementiert, und sie haben nach sechs Monaten messbare finanzielle Rückflüsse oder signifikante Produktivitätssteigerungen erzeugt. Sie schrieben: „Nur 5% der erfolgreich integrierten KI-Pilotprojekte schaffen Millionenwerte, während die überwiegende Mehrheit der Projekte stagniert und keinen messbaren Einfluss auf die P&L (d.h. die Gewinn- und Verlustrechnung, profit-and-loss) hat.“ Die Umfrageinterviews führten zu einer Reihe von Reaktionen, von denen einige skeptisch waren. „Auf LinkedIn wird alles hochgejubelt, als ob sich alles geändert hätte, aber in unserem tatsächlichen Betrieb hat sich nichts Grundlegendes verändert“, sagte der COO eines mittelständischen Herstellers den Forschern. „Wir bearbeiten Verträge etwas schneller, aber das war's auch schon.“ Ein anderer Befragter kommentierte: „Wir haben in diesem Jahr Dutzende von Präsentationen gesehen. Vielleicht sind ein oder zwei wirklich nützlich. Die anderen sind entweder ‚Wrapper‘ (d.h. sie verpacken nur bestehende Technologien ohne wesentliche Innovation) oder ‚Wissenschaftsprojekte‘ (d.h. Technologien, die noch weit von einer praktischen kommerziellen Anwendung entfernt sind).“ Fairerweise weist der Bericht auch darauf hin, dass einige Unternehmen tatsächlich erfolgreiche KI-Investitionen getätigt haben. Beispielsweise hebt der Bericht die Effizienz hervor, die durch maßgeschneiderte Tools für Back-Office-Operationen (back-office operations) geschaffen wurde, und stellt fest: „Diese frühen Ergebnisse zeigen, dass lernfähige Systeme, wenn sie auf spezifische Prozesse ausgerichtet sind, tatsächlich echten Wert schaffen können, ohne dass erhebliche organisatorische Umstrukturierungen erforderlich sind.“ Die Umfrage erwähnte auch einige Unternehmen, die berichteten, dass sie „durch die Automatisierung von Outreach und intelligenten Follow-up-Systemen die Kundenbindung und die Verkaufsumwandlungsraten erhöht haben“, was darauf hindeutet, dass KI-Systeme im Marketing nützlich sein könnten. Die Ansicht, dass „viele Unternehmen Schwierigkeiten haben, substanzielle Rückflüsse zu erzielen“, deckt sich mit einer anderen aktuellen Umfrage des multinationalen Beratungsunternehmens Akkodis. Das Unternehmen kontaktierte über 2000 Unternehmensleiter und stellte fest, dass der Anteil der CEOs, die „sehr zuversichtlich“ in die KI-Implementierungsstrategie ihres Unternehmens sind, von 82% im Jahr 2024 auf 49% in diesem Jahr gefallen ist. Auch das Vertrauen der CTOs (Chief Technology Officers) ist gesunken, wenn auch nicht so stark. Die Akkodis-Umfrage besagt, dass diese Veränderungen „möglicherweise die enttäuschenden Ergebnisse früherer Digitalisierungs- oder KI-Projekte, Verzögerungen oder Misserfolge bei der Implementierung sowie Bedenken hinsichtlich der Skalierbarkeit (scalability) widerspiegeln.“ In der vergangenen Woche fiel die Berichterstattung über die Studie des M.I.T. Media Lab mit dem Rückgang hoch bewerteter KI-Aktien von Nvidia, Meta und Palantir zusammen. Natürlich bedeutet Korrelation nicht Kausalität, und die jüngsten Äußerungen von OpenAI-CEO Sam Altman könnten eine wichtigere Rolle bei diesem Verkaufsdruck gespielt haben (angesichts der jüngsten Preisanstiege war ein Verkaufsdruck unvermeidlich). Laut CNBC sagte Altman bei einem Abendessen mit Journalisten, dass die aktuellen Bewertungen „wahnsinnig hoch“ (insane) seien und verwendete das Wort „Blase“ (bubble) dreimal innerhalb von 15 Sekunden. Dennoch hat die Studie des M.I.T. viel Aufmerksamkeit auf sich gezogen. Nach der ersten Runde von Berichten gab es Berichte, dass das Media Lab, das mit vielen Technologieunternehmen in Verbindung steht, heimlich den Zugang zu diesem Bericht einschränkt. Die Nachrichten, die ich an die PR-Abteilung der Organisation und zwei der Autoren des Berichts hinterlassen habe, blieben unbeantwortet. Obwohl dieser Bericht subtiler ist, als einige Berichte es darstellen, stellt er zweifellos die große wirtschaftliche Erzählung in Frage, die den Technologieboom seit der Veröffentlichung von ChatGPT durch OpenAI im November 2022 unterstützt. Die Kurzfassung dieser Erzählung lautet: Die weit verbreitete Verbreitung von generativer KI ist nachteilig für die Arbeiter (insbesondere für Wissensarbeiter), aber äußerst vorteilhaft für Unternehmen und deren Aktionäre, da sie einen enormen Produktivitätssprung mit sich bringt und somit hohe Gewinne erzielt. Warum scheint dieses Szenario noch nicht eingetreten zu sein? Ein möglicher Grund erinnert an eine Sichtweise aus den 80er und 90er Jahren, dass Managementfehler die Produktivitätsgewinne, die Computer bringen könnten, einschränkten. Die Studie des Media Lab fand heraus, dass einige der erfolgreichsten KI-Investitionen von Startups getätigt wurden, die hochgradig maßgeschneiderte Tools in engen Arbeitsabläufen verwendeten. Auf der anderen Seite der „Generative AI-Kluft“ (GenAI Divide) versuchen weniger erfolgreiche Startups „entweder, allgemeine Tools zu entwickeln oder interne Fähigkeiten aufzubauen“. Der Bericht weist allgemeiner darauf hin, dass der Unterschied zwischen Erfolg und Misserfolg „scheinbar nicht durch die Modellqualität oder Regulierung bestimmt wird, sondern durch die (Implementierungs-)Methoden.“ Es ist vorstellbar, dass die Neuheit und Komplexität von generativer KI einige Unternehmen abschrecken könnte. Eine aktuelle Studie von Gartner ergab, dass weniger als die Hälfte der CEOs glaubt, dass ihre Chief Information Officers „in KI bewandert“ sind. Aber für die enttäuschenden Ergebnisse, die im Bericht des Media Lab hervorgehoben werden, gibt es eine andere mögliche Erklärung: Für viele etablierte Unternehmen ist generative KI (zumindest in ihrer aktuellen Form) nicht so beeindruckend, wie sie angepriesen wird. „Es ist großartig beim Brainstorming und beim Schreiben von Entwürfen, aber es kann sich nicht an die Vorlieben der Kunden erinnern und lernt nicht aus früheren Bearbeitungen“, sagte ein Befragter der Media Lab-Umfrage. „Es macht immer wieder die gleichen Fehler und benötigt bei jeder Sitzung eine Menge Kontext (context). Für risikobehaftete Arbeiten benötige ich ein System, das Wissen ansammeln und kontinuierlich verbessern kann.“ Natürlich gibt es viele Menschen, die KI als nützlich empfinden, und es gibt akademische Beweise, die dies unterstützen: Im Jahr 2023 fanden zwei Ökonomen des M.I.T. in einem zufälligen Experiment heraus, dass Teilnehmer, die mit ChatGPT in Kontakt kamen, „professionelle Schreibaufgaben“ schneller erledigen konnten und die Schreibqualität sich verbesserte. Im selben Jahr fanden andere Forschungsteams heraus, dass Programmierer, die GitHub Copilot (ein KI-Programmierassistent) verwendeten, sowie Kundenservicemitarbeiter, die proprietäre KI-Tools verwendeten, Produktivitätsgewinne erzielten. Die Forscher des Media Lab fanden heraus, dass viele Mitarbeiter ihre persönlichen Tools wie GPT oder Claude bei der Arbeit verwenden; der Bericht bezeichnete dieses Phänomen als „Schatten-KI-Wirtschaft“ (shadow AI economy) und kommentierte, dass „die damit verbundene Kapitalrendite (ROI)“ oft besser ist als die von Arbeitgebern initiierten Projekte. Aber die Fragen bleiben bestehen, und das ist sicherlich eine Frage, die Unternehmensleiter häufiger stellen werden: Warum sehen nicht mehr Unternehmen diese Vorteile in den endgültigen (Unternehmens-)Gewinnen? Ein Teil des Problems könnte darin liegen, dass generative KI zwar auffällig ist, aber in vielen Bereichen der Wirtschaft nur begrenzt anwendbar ist. Die Freizeit- und Hotelbranche, der Einzelhandel, das Bauwesen, die Immobilienbranche und die Pflegebranche (Betreuung von Kindern, älteren Menschen oder Menschen mit Behinderungen) – diese Branchen beschäftigen insgesamt etwa 50 Millionen Amerikaner, scheinen aber keine direkten Kandidaten für eine KI-Transformation zu sein. ...