Vor weniger als zwei Jahren löste der Start von ChatGPT einen Rausch in der generativen KI aus. Einige sagten, die Technologie würde eine vierte industrielle Revolution auslösen und die Welt komplett umgestalten. Im März 2023 prognostizierte Goldman Sachs, dass aufgrund von KI 300 Millionen Arbeitsplätze verloren gehen oder degradiert werden würden. Ein großer Wandel schien im Gange zu sein. Achtzehn Monate später transformiert generative KI das Geschäft nicht. Viele Projekte, die die Technologie verwenden, werden abgebrochen, wie der Versuch von McDonald’s, die Bestellung am Drive-through zu automatisieren, der auf TikTok viral ging, nachdem komische Fehler auftraten. Regierungsinitiativen zur Erstellung von Systemen zur Zusammenfassung öffentlicher Einreichungen und zur Berechnung von Sozialleistungen haben dasselbe Schicksal erlitten.
Wie viele neue Technologien folgt auch die generative KI dem sogenannten Gartner-Hype-Zyklus, der erstmals vom amerikanischen Tech-Forschungsunternehmen Gartner beschrieben wurde. Dieses weit verbreitete Modell beschreibt einen sich wiederholenden Prozess, bei dem der anfängliche Erfolg einer Technologie zu überhöhten öffentlichen Erwartungen führt, die letztendlich nicht erfüllt werden. Nach dem frühen “Peak der überhöhten Erwartungen” kommt ein “Tal der Desillusionierung”, gefolgt von einem “Pfad der Erleuchtung”, der letztendlich ein “Plateau der Produktivität” erreicht. Ein im Juni veröffentlichter Gartner-Bericht listete die meisten generativen KI-Technologien entweder am Peak der überhöhten Erwartungen oder steigend auf. Der Bericht argumentierte, dass die meisten dieser Technologien noch zwei bis fünf Jahre davon entfernt seien, vollständig produktiv zu werden.
Ein kürzlich veröffentlichter Bericht der Denkfabrik RAND zeigte, dass 80% der KI-Projekte scheitern, mehr als doppelt so viele wie Nicht-KI-Projekte. Die RAND-Studie listet viele Schwierigkeiten mit generativer KI auf, von hohen Investitionsanforderungen in Daten und KI-Infrastruktur bis hin zu einem Mangel an benötigtem Personal. Die besonderen Einschränkungen der GenAI stellen jedoch eine kritische Herausforderung dar. Generative KI-Systeme können beispielsweise einige sehr komplexe Tests für die Zulassung an Universitäten lösen, scheitern jedoch an sehr einfachen Aufgaben. Dies erschwert es sehr, das Potenzial dieser Technologien richtig einzuschätzen, was zu falschem Vertrauen führt.
Generative KI-Technologie, trotz ihrer Herausforderungen, verbessert sich rapide, wobei Skalierung und Größe die Haupttreiber für die Verbesserung sind. Studien zeigen, dass die Größe von Sprachmodellen (Anzahl der Parameter) sowie die Menge an Daten und Rechenleistung, die für das Training verwendet werden, alle zu einer verbesserten Modellleistung beitragen. Große Sprachmodelle zeigen auch sogenannte emergente Fähigkeiten, unerwartete Fähigkeiten in Aufgaben, für die sie nicht trainiert wurden. Forscher haben berichtet, dass neue Fähigkeiten “entstehen”, wenn Modelle eine bestimmte kritische “Durchbruchsgröße” erreichen. AI-Unternehmen arbeiten immer noch an größeren und teureren Modellen, und Technologieunternehmen wie Microsoft und Apple setzen auf Renditen aus ihren bestehenden Investitionen in generative KI. Derzeit, der größte Gewinner vom generativen KI-Boom ist Nvidia, der größte Hersteller von Chips, die den Wettlauf der generativen KI antreiben.
Als die sprichwörtlichen Schaufelmacher im Goldrausch wurde Nvidia kürzlich das wertvollste öffentliche Unternehmen in der Geschichte und verdreifachte seinen Aktienkurs innerhalb eines Jahres, um im Juni eine Bewertung von 3 Billionen US-Dollar zu erreichen. Während der AI-Hype beginnt abzuebben und wir durch die Phase der Desillusionierung gehen, sehen wir auch realistischere AI-Adoptionsstrategien. AI wird verwendet, um Menschen zu unterstützen, anstatt sie zu ersetzen. Kleinere und günstigere generative KI-Modelle, die auf spezifischen Daten trainiert und lokal bereitgestellt wurden, werden häufiger. Es gibt auch einen starken Fokus auf die Schulung von AI-Kenntnissen und die Schulung der Belegschaft darüber, wie AI funktioniert, ihre Potenziale und Grenzen sowie bewährte Verfahren für den ethischen Einsatz von AI. Die AI-Revolution wird letztendlich wie eine Evolution aussehen. Ihre Verwendung wird im Laufe der Zeit allmählich wachsen und menschliche Aktivitäten wenig