Der übertriebene Hype um Generative KI: Ein Interview mit Dr. Eric Siegel
Wir werden ständig mit Visionen von superintelligenter KI bombardiert, die die Welt übernimmt – aber ist das realistisch?
In diesem Interview argumentiert Dr. Eric Siegel, ehemaliger Professor an der Columbia University, führender ML-Berater und Autor von Das KI-Handbuch: Die seltene Kunst der Implementierung von maschinellem Lernen meistern, dass prädiktive KI – auch bekannt als unternehmensweites maschinelles Lernen – einen konkreten Wert bietet, den generative KI bislang noch nicht bewiesen hat.
Wir werden ergründen, warum viele ML-Projekte scheitern und wie man die Kluft zwischen Geschäfts- und Datenteams überbrücken kann. Entdecken Sie, wie Unternehmen ML nutzen, um reale Herausforderungen zu bewältigen und sich einen Wettbewerbsvorteil zu verschaffen.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Warum glauben Menschen fälschlicherweise, dass KI so fähig wie der Mensch werden könnte – oder sogar eine tödliche Gefahr für die Menschheit darstellen könnte?
Die Wunscherfüllung, die die starke künstliche Intelligenz (AGI) – eine Software, die jede geistige Aufgabe bewältigt, zu der Menschen fähig sind – verspricht, ist so verlockend, dass sie nahezu unwiderstehlich bleibt. Durch die Schaffung der ultimativen Macht erleben wir als Wissenschaftler:innen und Futurist:innen die ultimative Ego-Befriedigung.
Indem wir ein System bauen, das sich selbst Ziele setzt und diese eigenständig so effektiv verfolgt wie ein Mensch, externalisieren wir unseren proaktiven Willen und übertragen ihn auf einen neuen besten Freund der Menschheit, den wir höchst schätzen und mit dem wir möglicherweise mitfühlen können. Indem wir eine neue Lebensform erschaffen, realisieren wir das noch nicht ausgeschöpfte Potenzial unserer Allzweckmaschinen, die wir Computer nennen. Indem wir uns selbst nachbilden, erlangen wir Unsterblichkeit.
Indem wir eine universelle Lösung für alle Probleme schaffen, übertreffen wir jede finanzielle Belohnung und erlangen unendlichen Reichtum. ML-Vordenker und Geschäftsführer Richard Heimann nennt dies den Single-Solution-Irrtum. Anstatt die vielen Weltprobleme einzeln zu lösen, beseitigen wir sie alle auf einen Schlag mit der ultimativen Patentlösung.
Wir brauchen uns dann nicht mehr um globale Herausforderungen wie Klimawandel, politische Instabilität, Armut oder Gesundheitskrisen sorgen. Stattdessen wird, sobald ein künstlicher Mensch existiert, dieser sich selbst weiterentwickeln, um zu einem genauso guten Problemlöser zu werden wie die Menschheit es je sein könnte.
Was ist eine gute Strategie, um die Kluft zwischen Geschäftsleuten und Datenprofis zu überbrücken, die regelmäßig den Erfolg von ML verhindert?
Hier liegt das Problem: ML ist die leistungsstärkste und am breitesten einsetzbare Technologie der Welt. Allerdings kann ML groß angelegte Geschäftsprozesse nur durch deren Veränderung verbessern. Ein ML-Projekt sollte also nicht als „Technologieprojekt“ betrachtet werden. Vielmehr muss es, um Wirkung zu erzielen, als Geschäftsprojekt neu gedacht werden, das die operative Leistung verbessern soll – mit ML als nur einer Komponente, die notwendig, aber nicht hinreichend ist.
Da sich das Augenmerk fast ausschließlich auf den technischen Teil und dessen Umsetzung richtet, hat die Branche es versäumt, eine etablierte Businesspraxis für die Durchführung des restlichen, ebenso wichtigen Anteils eines erfolgreichen ML-Projekts zu entwickeln. Deshalb scheitern neue ML-Initiativen regelmäßig daran, in den Praxiseinsatz zu gelangen.
Meine Lösung hierfür ist bizML, eine sechsstufige Disziplin zur Durchführung eines ML-Projekts, damit es erfolgreich implementiert wird. Mehr darüber können Sie in meinem neuesten Buch lesen.
Wie erklären Sie sich, dass die meisten unternehmensweiten ML-Projekte nicht umgesetzt werden, während wenige andere hoch erfolgreich sind?
Die Hauptursache für das Scheitern der meisten ML-Projekte ist eine mangelnde, konsequente Planung der Umsetzung – also der operativen Änderung, die durch die Integration eines Vorhersagemodells in Gang gesetzt würde. Da ML-Projekte gemeinhin als technische Projekte mit anspruchsvoller Zahlenverarbeitung betrachtet werden, geht man fälschlicherweise davon aus, das technische Projekt liefere bereits den Wert. Das ist ein schwerwiegender Irrtum.
Der Wert wird erst realisiert, indem man groß angelegte Abläufe *verändert* – und so verbessert – wie von den Vorhersagen eines ML-Modells gesteuert.
Haben Sie eine konträre Einschätzung zum überzogenen Hype rund um künstliche Intelligenz und warum kaum jemand fragt – oder misst – wie gut KI-Technologie wirklich ist?
Das sind zwei verschiedene Punkte. Zum Hype: Das populäre Narrativ besagt, wir befänden uns auf dem Weg zu AGI. Das ist ein Mythos. Es ist der Roman, den Mary Shelley geschrieben hätte, hätte sie Algorithmen gekannt.
Was die fehlende Messung betrifft – wie *gut* KI ist, wie gut sie quantitativ abschneidet und welchen Geschäftsnutzen sie je nach Einsatz liefern kann – hier liegt der Fokus verkehrt.
Wie setzen Organisationen ML aktiv ein, um Geschäftsabläufe zu optimieren und in verschiedensten Branchen Wettbewerbsvorteile zu schaffen?
ML sorgt auf eine direkte, wenn auch umwälzende Weise für Innovationen. Lassen Sie sich nicht vom Glanz dieser schillernden Technologie von ihrer einfachen, grundlegenden Aufgabe ablenken: Für die meisten Geschäftsanwendungen besteht der Zweck von ML darin, umsetzbare Vorhersagen zu erstellen – weshalb es teilweise auch als prädiktive Analytik oder prädiktive KI bezeichnet wird.
Auch wenn das Lernen aus Daten, um ein Vorhersagemodell zu generieren, genauso viel „Wow“-Bewunderung wie jede andere wissenschaftliche oder ingenieurtechnische Leistung verdient, übersetzt sich diese Fähigkeit auf unkomplizierte Weise in greifbaren Wert: Das Modell liefert Vorhersagewerte, die wiederum Millionen operative Entscheidungen steuern.
So hilft ML dabei, unsere größten Risiken zu bekämpfen – von Waldbränden, Klimawandel und Pandemien bis hin zu Kindesmissbrauch. Es steigert den Umsatz, senkt Kosten, verhindert Betrug, optimiert die Fertigung und stärkt das Gesundheitswesen.
Weitere spannende Interviews finden Sie im Newsletter des CTO Clubs.
