DeepSeek’s R1: Eine nützliche Erinnerung

Als Hochschullehrer und ehemaliger IT-Branchen-Veteran finde ich, dass die Hype um Chinas DeepSeek-R1-Modell eine nützliche Erinnerung an drei Dinge ist.

Erstens ist generative KI nicht mehr nur darum, große Mengen an Inhalten zu verarbeiten, um relevante Antworten auf Anfragen zu generieren; es geht auch um kognitive Argumentation (das “R” in R1).

Das Versprechen von großen Sprachmodellen (LLM’s) ist, dass massive Wissensabruf- und kognitive Verarbeitungsfähigkeiten – einst das exklusive Reich von Genies mit Supercomputern – jetzt in den Händen fast jedes Menschen liegen. Dank einer neuen Generation von Effizienzsteigerungstechniken gibt es Modelle, die klein genug sind, um auf einem herkömmlichen Laptop zu laufen, und die multiple intelligente Agenten unterstützen können, die komplexe, interaktive Aufgaben autonom ausführen können.

Zweitens ist die generative KI-Revolution vor allem eine Frage von Innovation und Kreativität – es geht nicht nur um den Wettbewerb um die leistungsstärkste Hardware, die Größe der Trainingsdatensätze oder die Anzahl der Modellparameter. Die erfolgreiche Einführung dieser Technologien wird nicht von den großen Tech-Unternehmen mit massiven, energieverschlingenden Supercomputern bestimmt, die milliardenenschwere Modelle trainieren – sondern von Ländern und Organisationen, die in Humankapital investieren, um sie auf diese neue Welle vorzubereiten.

Drittens und aufbauend auf dem letzten Punkt, scheint Amerika nicht besonders gut auf die dramatischen Veränderungen vorbereitet zu sein, die unsere Wirtschaft und Gesellschaft erwarten. Ich werde zwei Beispiele nennen: Hochschulbildung und Corporate America.

Hochschulbildung

In den meisten Einrichtungen der Hochschulbildung ist die erste große Entscheidung eines Studenten, ob er einen Bachelor of Arts (BA) oder einen Bachelor of Science (BS) absolvieren soll. Der BA ist mit einer breiteren, interdisziplinäreren Ausbildung verbunden, während der BS mehr auf die Entwicklung von Fähigkeiten und praktischen Erfahrungen in bestimmten Bereichen ausgerichtet ist.

Im Zeitalter der KI ist diese Dichotomie hoffnungslos veraltet, da beide Disziplinen im Arbeitsleben essentiell werden.

Fakt ist, dass die meisten Erstsemester nicht annähernd die Kenntnisse oder Einsicht haben, was es bedeutet, in verschiedenen Arten von Jobs zu arbeiten, oder sogar die relativen Stärken und Schwächen ihrer eigenen Fähigkeiten, Talente, Fähigkeiten und Neigungen. Und dennoch müssen die meisten Erstsemester ein Hauptfach wählen, was nur für den kleinen Prozentsatz, der (zum Besseren oder Schlechteren) weiß (oder zumindest denkt, zu wissen), welches Feld er verfolgen will – Ingenieurwesen, Naturwissenschaften, Medizin, Jura usw. – eine einfache Entscheidung sein wird.

Wir benötigen einen viel unterschiedlicheren, berufsorientierten, interdisziplinären Ansatz in der Hochschulbildung, der anerkennt, dass der erste Vollzeitjob eines Hochschulabsolventen möglicherweise nichts mit dem Abschluss oder dem Hauptfach zu tun hat; dass die Hochschulerfahrung nur die erste Stufe in einer lebenslangen Reise des kontinuierlichen Lernens – des Aufbaus von Fähigkeiten, der Zertifizierung, der Neuerfindung, des Berufswechsels – für Rollen darstellt, die wir uns noch nicht vorstellen können.

Außerdem müssen wir als Lehrer neue Strategien entwickeln, um KI-Plagiate zu bewältigen und die Gefahren von Chatbots als intellektuelle Abkürzungen oder “kognitive Auslagerung” – die Neigung, auf externe Werkzeuge zu vertrauen, anstatt interne Fähigkeiten zu entwickeln – zu meistern.

In einer Zeit, in der Wissen von Verständnis getrennt ist, gibt es einfach zu viel Versuchung, KI einfach nach einer sofortigen Antwort oder Lösung zu fragen, anstatt sich mit einem Konzept auseinanderzusetzen oder ein Problem zu lösen.

Corporate IT

Die meisten Unternehmen scheinen auch nicht zu realisieren, welche organisatorischen Auswirkungen diese neuen Technologien haben.

Die aktuellen IT-Rollen und -Strukturen spiegeln die organisatorischen Anforderungen der vorherigen, digitalen Revolution wider. Diese Funktionen entstanden aus der spezialisierten Expertise, die erforderlich war, damit Menschen mit Computern arbeiten und interagieren konnten – Programmierung, Datenengineering, Computerarchitektur, Netzwerkadministration, Informationssicherheit usw.

Im Gegensatz dazu geht es bei generativer KI (und dem gesamten Bereich der natürlichen Sprachverarbeitung, der ihr vorausging) darum, Computer so zu entwerfen und zu trainieren, dass sie mit Menschen interagieren können.

Als Ergebnis erfinden einfache Mitarbeiter brillante (und manchmal gefährliche) Wege, um diese Technologien zu nutzen. Unternehmen kämpfen darum, funktionierende Richtlinien, Verfahren und Kontrollen zu entwickeln, um die potenziellen Produktivitätsvorteile zu maximieren und die Risiken zu minimieren.

Ein Schlüsselproblem ist, dass in den meisten Unternehmen Datenwissenschaftsexpertise tendenziell in IT-Abteilungen konzentriert ist, die meisten davon noch als geheime Zünfte mit ihrer eigenen geheimnisvollen Sprache und Praktiken operieren, die organisatorisch und funktional von den Kerngeschäftseinheiten isoliert sind. Ich glaube, dass die kommende Produktivitätsrevolution neue Arten von organisatorischen Rollen und Strukturen erfordert, in denen Datenexpertise nicht in einer spezialisierten Funktion angesiedelt ist, sondern mit fast jedem Aspekt des Betriebs vernetzt ist.

Und es gibt auch die Datenherausforderung. In den meisten Organisationen geht es bei der Einführung von KI darum, LLM’s zu individualisieren, um spezielle Anwendungsfälle mit proprietären Daten auszuführen. Während die Benutzer der Daten in den Geschäftsbereichen vollständig genaue, saubere und gut verwaltete Daten wünschen, haben die individuellen Eigentümer der Daten in der IT nicht das Budget, die finanziellen Anreize oder die organisatorische Autorität, um diesen Level an Qualität und Transparenz zu gewährleisten.

Als Ergebnis werden interne Datensätze nicht gut über das Unternehmen hinweg verwaltet und entdeckt. Typischerweise werden verschiedene Arten von Daten an verschiedenen Orten gespeichert. Als Reaktion auf Anfragen von Geschäftsanwendern stellt die IT unterschiedliche Ansichten der Daten bereit, erstellt verschiedene Kopien (und Kopien von Kopien) der Daten und schafft Expositionen und Abstraktionen der Daten aus verschiedenen Gründen… Zu diesem Zeitpunkt weiß niemand, welche Versionen veraltet, unvollständig, dupliziert, ungenau oder in ihrem Kontext sind.

Schlussfolgerung

​Generative KI hat das Potenzial, alle Arten von Wissensarbeit zu verändern. Im Kern geht es bei dieser Technologie um die Demokratisierung von Expertise (für Gutes und Schlechtes) – die Vermittlung von Spezialisten wie Codern, Videografen, Illustratoren, Schriftstellern, Redakteuren und fast jeder Art von Wissensarbeiter oder “Experten”. Nie zuvor haben Menschen mit einer Technologie zu tun gehabt, die ihre eigenen kognitiven Verarbeitungs- und Argumentationsfähigkeiten rivalisierte – nur ihre physische Stärke, Ausdauer, Präzision der Geschicklichkeit und Fähigkeit, große Mengen an Daten zu verarbeiten und zu verarbeiten.

Diese aufregende neue Produktivitätsrevolution erfordert neue Fähigkeiten, Fähigkeiten und organisatorische Strukturen, in denen Datenexpertise integraler Bestandteil fast jedes Geschäftsprozesses ist.

Die Ironie ist, dass, wenn Maschinen größere analytische Fähigkeiten erlangen, der Status und der Wert eines Mitarbeiters in einer organisatorischen Hierarchie weniger eine Funktion von spezialisierter Expertise, Erfahrung und Qualifikationen und mehr von seinen kreativen, multidisziplinären und interpersonellen Fähigkeiten werden kann.

Die Zeit, um diese Fähigkeiten zu entwickeln und zu investieren, ist jetzt.