Generative KI Erhöht Arbeitsaufwand Statt Zeit zu Sparen

Das zweischneidige Schwert der generativen KI

Generative künstliche Intelligenz (KI)-Tools werden oft als Zeitsparer und Produktivitätssteigerer angepriesen. Sie können tatsächlich dabei helfen, Code auszuführen oder Berichte schnell zu erstellen, aber es gibt einen Haken. Die Hintergrundarbeit, die für die Entwicklung und Wartung großer Sprachmodelle (LLMs) erforderlich ist, könnte tatsächlich mehr menschlichen Aufwand erfordern als die zunächst eingesparte Zeit. Darüber hinaus könnten viele Aufgaben effizient durch einfachere Automatisierungsmethoden erledigt werden, ohne die schwere Artillerie der KI zu benötigen.

Peter Cappelli, ein Managementprofessor an der Wharton School der University of Pennsylvania, teilte diese Erkenntnisse bei einer kürzlichen Veranstaltung des MIT. Er argumentiert, dass generative KI und LLMs in größerem Maßstab möglicherweise mehr Arbeit erzeugen als sie lindern. Diese Modelle sind komplex in der Umsetzung, und Cappelli betonte: „Es stellt sich heraus, dass es viele Dinge gibt, die generative KI tun könnte, die wir eigentlich nicht benötigen.“

Der Hype vs. die Realität der KI

Während KI oft als revolutionäre Technologie gefeiert wird, warnt Cappelli, dass Prognosen der Technologiebranche übermäßig optimistisch sein können. „Tatsächlich waren die meisten Technologieprognosen über Arbeit im Laufe der Zeit falsch“, erklärte er. Er nannte das Beispiel von fahrerlosen Lastwagen und Autos, die bis 2018 weit verbreitet sein sollten, aber bisher nicht vollständig realisiert wurden.

Die großen Visionen einer technologiegetriebenen Transformation stolpern oft über praktische Herausforderungen. Befürworter autonomer Fahrzeuge konzentrierten sich auf das, was diese Fahrzeuge könnten, anstatt die notwendigen regulatorischen Freigaben, Versicherungsfragen und Softwarekomplexitäten anzugehen. Cappelli merkte auch an, dass LKW-Fahrer eine Reihe von Aufgaben über das bloße Fahren hinaus erfüllen, was den Übergang zu autonomen Fahrzeugen erschwert.

Generative KI in der Softwareentwicklung und im Geschäftsleben

Eine ähnliche Komplexität entsteht bei der Anwendung generativer KI auf Softwareentwicklung und Geschäftsprozesse. Cappelli betonte, dass Programmierer einen erheblichen Teil ihrer Zeit mit nicht-programmierenden Aktivitäten verbringen, wie Kommunikation und Budgetverhandlungen. „Selbst auf der Programmierseite ist nicht alles tatsächlich Programmieren“, sagte er.

Das Versprechen KI-getriebener Innovation ist aufregend, aber ihre Umsetzung stößt oft auf reale Hindernisse. Die arbeitssparenden und produktivitätssteigernden Vorteile der generativen KI könnten von dem umfangreichen Backend-Aufwand überschattet werden, der zur Unterstützung von LLMs und Algorithmen erforderlich ist.

Neue Arbeit durch KI erzeugt

Sowohl generative als auch operationale KI führen laut Cappelli neue Aufgaben ein. „Die Leute müssen Datenbanken verwalten, Materialien organisieren, Probleme mit widersprüchlichen Berichten, Gültigkeit und dergleichen lösen. Das wird viele neue Aufgaben erzeugen, die jemand erledigen muss.“

Selbst operationale KI, die es schon länger gibt, entwickelt sich weiter. Cappelli stellte fest, dass maschinelles Lernen mit numerischen Daten untergenutzt wurde, teilweise aufgrund von Herausforderungen im Datenbankmanagement. „Es erfordert viel Aufwand, die Daten zusammenzustellen, damit man sie analysieren kann. Daten befinden sich oft in verschiedenen Silos in unterschiedlichen Organisationen, die politisch und technisch schwierig zusammenzuführen sind.“

Herausforderungen bei der Einführung generativer KI und LLMs

Cappelli identifizierte mehrere Hindernisse bei der Einführung generativer KI und LLMs:

• Überdimensioniert für viele Aufgaben: „Es gibt viele Dinge, die große Sprachmodelle tun können, die wahrscheinlich nicht getan werden müssen“, sagte er. Zum Beispiel ist geschäftliche Korrespondenz ein potenzieller Anwendungsfall, aber vieles davon wird bereits durch Formbriefe und einfache Automatisierung abgewickelt. „Ein Formbrief wurde bereits von Anwälten geprüft, und alles, was von großen Sprachmodellen geschrieben wird, muss wahrscheinlich von einem Anwalt überprüft werden. Und das wird keine Zeitersparnis bringen.“
• Steigende Kosten: Cappelli warnte, dass der Ersatz routinemäßiger Automatisierung durch KI teurer werden könnte. „Es ist nicht so klar, dass große Sprachmodelle so billig bleiben wie jetzt. Je mehr Menschen sie nutzen, desto mehr Rechenraum wird benötigt, allein der Strombedarf ist groß. Jemand muss dafür bezahlen.“
• Bedarf an Validierung: Die Ausgaben generativer KI mögen für einfache Aufgaben wie E-Mails geeignet sein, aber für komplexere Berichte ist Validierung entscheidend. „Wenn Sie es für etwas Wichtiges nutzen wollen, sollten Sie sicher sein, dass es stimmt. Und wie wissen Sie, ob es stimmt? Nun, es hilft, einen Experten zu haben; jemanden, der unabhängig validieren kann und etwas über das Thema weiß. Um nach Halluzinationen oder skurrilen Ergebnissen zu suchen und sicherzustellen, dass es aktuell ist.“
• Informationsüberflutung: Die Leichtigkeit, Berichte und Ausgaben zu generieren, kann zu einer überwältigenden Menge an Informationen führen, manchmal widersprüchlich. „Weil es ziemlich einfach ist, Berichte und Ausgaben zu generieren, werden Sie mehr Antworten bekommen“, sagte Cappelli. Er bemerkte auch, dass LLMs auf dieselbe Aufforderung unterschiedliche Antworten liefern könnten, was Zuverlässigkeitsprobleme aufwirft. „Das ist ein Problem der Zuverlässigkeit – was würden Sie mit Ihrem Bericht machen? Sie generieren einen, der Ihre Abteilung besser aussehen lässt, und geben diesen dem Chef.“
• Menschliche Entscheidungsfindung: Menschen treffen oft Entscheidungen basierend auf Bauchgefühlen oder persönlichen Vorlieben, was für Maschinen schwierig zu beeinflussen ist. Cappelli wies darauf hin, dass selbst wenn KI bei der Entscheidungsfindung helfen könnte, wie bei der Einstellung, Menschen dazu neigen, ihrem Instinkt zu folgen. „Maschinelles Lernen könnte das schon für uns tun. Wenn Sie das Modell erstellen, würden Sie feststellen, dass Ihre Linienmanager, die bereits die Entscheidungen treffen, es nicht nutzen wollen.“

Potenzielle kurzfristige Anwendungen

Trotz dieser Herausforderungen sieht Cappelli Potenzial darin, generative KI zum Durchsieben von Daten und zur Unterstützung von Entscheidungsprozessen zu nutzen. „Wir waschen derzeit Daten, die wir selbst nicht analysieren konnten“, sagte er. „Es wird viel besser darin sein als wir.“ Nebenbei werden die Verwaltung von Datenbanken und die Bewältigung von Datenverschmutzungsproblemen weiterhin entscheidende Aufgaben bleiben.