Wie ein Nobelpreisträger den KI-Hype entzaubert - und worauf er jetzt wirklich achtet

Die Prognose war so nüchtern wie unpopulär: Wenige Monate bevor er 2024 den Nobelpreis für Wirtschaftswissenschaften erhielt, veröffentlichte Daron Acemoglu eine Arbeit, die den großen Verheißungen der Tech-Konzerne widersprach. Statt einer Revolution, die alle Büroarbeit überflüssig macht, erwartete er nur einen geringen Produktivitätsschub durch Künstliche Intelligenz. Zwei Jahre später, so erklärt er im Gespräch mit MIT Technology Review, hat sich an seiner skeptischen Grundhaltung wenig geändert - auch wenn die Welt um ihn herum längst von einer drohenden KI-Jobapokalypse spricht.

Das Agenten-Dilemma: Mehr als nur ein Chatbot

Eine der größten technischen Weiterentwicklungen seit Acemoglus früher Arbeit ist der Aufstieg agentenbasierter KI. Diese Systeme sollen nicht nur antworten, sondern eigenständig Aufgaben erledigen und werden von Unternehmen zunehmend als direkter Ersatz für menschliche Arbeitskräfte vermarktet. Acemoglu hält das für ein fundamentales Missverständnis der Arbeitswelt. „Ich halte das für eine verlorene Wette“, sagt er. Sein Argument fußt auf der schieren Komplexität menschlicher Tätigkeiten, die er seit 2018 erforscht. Ein Röntgentechniker jongliert demnach mit rund 30 verschiedenen Aufgaben - von der Aufnahme der Patientengeschichte bis zur Archivierung von Mammographie-Bildern. Ein Mensch wechselt mühelos zwischen Formaten, Datenbanken und Arbeitsstilen. „Aber wie viele einzelne Werkzeuge oder Protokolle bräuchte eine KI, um dasselbe zu tun?“, fragt Acemoglu. Ob Agenten den Arbeitsmarkt also wirklich erschüttern, hängt nicht von ihrer Fähigkeit ab, lange autonom zu arbeiten, sondern davon, ob sie die fließende Orchestrierung zwischen verschiedenen Aufgaben beherrschen - genau jene Fähigkeit, die Menschen auf natürliche Weise mitbringt.

Die neue Einstellungswelle: Big Tech umwirbt die Ökonomie

Während die Debatte um Jobverluste an Fahrt aufnimmt, beobachtet Acemoglu eine andere, subtile Entwicklung mit Sorge: KI-Unternehmen bauen massiv eigene Wirtschaftsforschungsabteilungen auf. OpenAI verpflichtete 2024 Ronnie Chatterji von der Duke University als Chefökonom und kündigte eine Kooperation mit dem Harvard-Ökonomen Jason Furman an, um die Auswirkungen von KI auf Arbeit zu untersuchen. Anthropic versammelte eine Gruppe von zehn führenden Ökonomen. Und Google DeepMind gab jüngst die Einstellung von Alex Imas, einem Ökonomen der University of Chicago, als „Director of AGI Economics“ bekannt. Acemoglu registriert diesen Trend mit gemischten Gefühlen: „Es ergibt Sinn“, räumt er ein, denn die Konzerne spüren die wachsende öffentliche Skepsis gegenüber KI. Zugleich warnt er vor einem Interessenkonflikt: „Was ich nicht hoffe, ist, dass sie an Ökonomen nur interessiert sind, um ihre eigenen Standpunkte zu befeuern oder den Hype weiter anzuheizen.“ Dass die einflussreichste Forschung zu den ökonomischen Folgen von KI zunehmend von jenen Unternehmen finanziert wird, die am meisten von günstigen Ergebnissen profitieren, ist für ihn eine besorgniserregende Entwicklung.

Das fehlende PowerPoint der Künstlichen Intelligenz

Ein weiteres Puzzlestück, das den bisher ausbleibenden Beben auf dem Arbeitsmarkt erklärt, ist für Acemoglu die Nutzbarkeit der Technologie. Die meisten Menschen interagieren heute per Chatbot mit KI - was intuitiv erscheint, aber nicht mit jener Software-Revolution vergleichbar ist, die frühere Produktivitätssprünge antrieb. „Jeder konnte PowerPoint oder Word auf seinem Computer installieren und sie dazu bringen, das zu tun, was er von ihnen wollte“, erinnert Acemoglu. Diese Programme verbreiteten sich lawinenartig. „Wir haben keine Entwicklung von KI-basierten Apps gesehen, die eine ähnliche Benutzerfreundlichkeit aufweisen.“ Selbst wenn das Plaudern mit einem Modell einfach ist, brauche der durchschnittliche Angestellte lange, um praktischen und produktiven Nutzen daraus zu ziehen. Ohne ein breites Ökosystem an Anwendungen, die den Werkzeugcharakter der KI in den Vordergrund stellen und Spezialaufgaben ohne großen Einarbeitungsaufwand erledigen, bleibt die große Transformation aus. Ein Signal, auf das der Nobelpreisträger nun besonders achtet, ist daher die Entstehung genau solcher Apps.

Chamäleon im Datenstrom: Warum das Gehirn effizienter bleibt

Interessanterweise spiegeln auch aktuelle Erkenntnisse der Neurowissenschaften Acemoglus Plädoyer für die unersetzliche Flexibilität biologischer Systeme. In einer Nature-Studie zeigten Forscher, dass die makroskopische Koordination im Mäusegehirn auf einem einfachen Prinzip beruht: großen Bevölkerungen von Neuronen, die über eine kritisch normalisierte, zufällig-symmetrische Matrix interagieren. Aus kurzlebigen, mikroskopischen Interaktionen entstehen so hochdimensionale, globale Aktivitätsmuster, die weit über die biophysikalischen Zeitskalen einzelner Neuronen hinaus bestehen bleiben. Eine Ausnahme bildet der Hippocampus, dessen Aktivität eher einem effizienten, unkorrelierten neuronalen Code ähnelt - optimiert für Informationsspeicherung. Das Entscheidende: Künstliche Netzwerke, die nach diesem Prinzip konstruiert wurden, zeigten ähnliche anhaltende Dynamiken und waren nützlich für zeitabhängige Aufgaben, etwa ein Arbeitsgedächtnis ohne vorheriges Training. Das Gehirn jongliert also nicht zwischen starren Protokollen, sondern erzeugt beständig flexible Zustände aus einem chaotisch anmutenden, aber kritisch justierten Hintergrundrauschen.

• Hippocampus-Effizienz: Der CA1-Bereich im Hippocampus arbeitet mit einem unkorrelierten Code, der für maximale Informationsspeicherung optimiert ist - ein Vorbild für effiziente KI-Architekturen.
• Kritische Normalisierung: Erst die richtige Skalierung zufälliger Verbindungen erzeugt langlebige, globale Aktivitätsmuster in neuronalen Netzen.
• Zero-Shot-Arbeitsgedächtnis: Künstliche Netze mit diesen Eigenschaften lösen Gedächtnisaufgaben ohne spezifisches Training - ein Hinweis auf die Kraft generativer Dynamik.

Acemoglus Perspektive deckt sich an dieser Stelle verblüffend mit den Befunden: Nicht die schiere Rechenleistung oder ein einzelner, monomaner Agent ist das Maß aller Dinge, sondern die Fähigkeit eines Systems, Zustände kontextsensitiv und fließend zu wechseln. Die große Stärke menschlicher Arbeit liegt genau in dieser Orchestrierung. Die enorme Unsicherheit, die er konstatiert, spiegelt sich in der Gleichzeitigkeit widersprüchlicher Signale: Anekdoten über schlechtere Jobaussichten für Hochschulabsolventen, aber keine messbaren Effekte der KI auf die Produktivität. Das vielleicht Aufschlussreichste am gegenwärtigen KI-Diskurs ist für Acemoglu denn auch die Kluft zwischen der vollmundigen Rhetorik der Industrie und der Fragilität sämtlicher Prognosen. „Es gibt eine enorme Unsicherheit“, sagt er. Nüchternheit bleibt, so zeigt sich, nicht nur in der neuronalen Dynamik, sondern auch im ökonomischen Denken eine unterschätzte Tugend.

Quellen:

• A critical initialization for biological neural networks (Nature - News)
• What Parameter Golf taught us about AI-assisted research (OpenAI Blog)
• Three things in AI to watch, according to a Nobel-winning economist (MIT Technology Review - AI)
• Gemini for Science: AI experiments and tools for a new era of discovery (DeepMind Blog)
• Helping ChatGPT better recognize context in sensitive conversations (OpenAI Blog)
• Gemini 3.1 Flash-Lite: Built for intelligence at scale (DeepMind Blog)

// weiterlesenEin Thorium-Kern tickt jetzt wirklich - und jagt die dunkle MaterieWeltraumWie prüft man, ob eine KI wirklich vergisst? Die Mathematik hinter dem digitalen GedächtnislöschenAlgorithmenllms.txt: Lesen KI-Bots die Datei wirklich?Magazin

Kinetyra