00:00:00 Kurze Zusammenfassung des Forschungspapiers von Harvard
00:00:32 ChatGPT-4-Studie mit BCG-Beratern
00:01:31 Untersuchung von KIs Einfluss auf die Produktivität
00:02:31 KI’s Verdrängungspotenzial und Kritik
00:03:47 Die umfassenderen Auswirkungen von KI auf die Beschäftigung
Zusammenfassung
Conor Doherty von Lokad überprüft eine Harvard-Studie über die Auswirkungen von KI auf White-Collar-Jobs und zeigt dabei differenzierte Effekte auf. Die Untersuchung, an der 758 Berater beteiligt waren, bewertet die Rolle der KI bei der Steigerung der Produktivität, insbesondere im supply chain management. Sie stellt fest, dass KI die Leistung in bestimmten Aufgaben, insbesondere mit Training, verbessert, aber in komplexen Szenarien ins Stocken geraten kann. Doherty kritisiert die enge Betrachtung der Studie, die KI lediglich als Ergänzung zur menschlichen Arbeit sieht, und argumentiert für ihr Potenzial, Aufgaben vollständig zu automatisieren, wodurch die Produktivität revolutioniert und die White-Collar-Arbeit neu definiert wird. Er warnt vor übermäßigem Vertrauen in die Arbeitsplatzsicherheit, da das volle Potenzial der KI die Beschäftigungslandschaft dramatisch verändern könnte.
Vollständiges Transkript
Conor Doherty: Auf dem schroffen technologischen Terrain navigierend, zielt ein von der Harvard Business School veröffentlichtes Forschungspapier darauf ab, Einblicke in die Auswirkungen von KI sowohl auf die Produktivität als auch letztlich auf die Beschäftigung zu geben.
Heute werde ich drei Dinge betrachten: erstens, die Hypothese und Methodik des Papiers; zweitens, die wichtigsten Ergebnisse und Schlussfolgerungen des Papiers; und drittens, Lokads Einschätzung. Los geht’s.
Das Papier untersucht die Implikationen von KI auf komplexe, realistische und wissensintensive Aufgaben. Die KI war ChatGPT-4, ein großes Sprachmodell.
Die implizite Hypothese lautete, dass die Einführung von KI in die Workflows hochqualifizierter Fachkräfte zu Produktivitätssteigerungen führen wird. Die 758 Teilnehmenden waren Berater der Boston Consulting Group (BCG).
Die Forschenden teilten die Teilnehmenden in zwei Gruppen ein, wobei jede Gruppe eine einzigartige Aufgabe erhielt. Eine Aufgabe konzentrierte sich auf analytische Fähigkeiten, kreatives Schreiben, Überzeugungskraft und Schreibkompetenz, während die andere sich auf Problemlösung durch die Kombination von quantitativen und qualitativen Daten fokussierte.
Alle Teilnehmenden absolvierten zunächst eine Ausgangsaufgabe ohne KI. Anschließend wurden sie in drei Gruppen unterteilt: eine Kontrollgruppe ohne KI, eine Gruppe mit KI und eine dritte Gruppe, die sowohl KI als auch Schulung hinsichtlich des optimalen Einsatzes erhielt.
Die Teilnehmenden hatten zwischen 30 und 90 Minuten Zeit, ihre Aufgaben zu erledigen, die so gestaltet waren, dass sie denen in hochkarätigen Beratungsunternehmen ähneln.
Obwohl die Aufgaben so konzipiert waren, dass sie einen ähnlichen Schwierigkeitsgrad aufwiesen, waren die Effekte der KI sehr unterschiedlich, was zu dem führte, was die Forschenden als eine gezackte technologische Grenze bezeichneten.
Dies bezieht sich auf die Fähigkeit der KI, die menschliche Leistung bei einigen Aufgaben, denjenigen innerhalb der Grenze, signifikant zu verbessern, während sie bei anderen, denjenigen außerhalb der Grenze, die menschliche Leistung verschlechtert.
Bei den Aufgaben innerhalb der Grenze führte der Einsatz von KI zu erheblichen Produktivitätssteigerungen. Beide KI-Gruppen übertrafen die Kontrollgruppe, und die Gruppe, die zusätzlich KI-Schulung erhielt, erzielte insgesamt die besten Ergebnisse.
Der Produktivitätsschub war besonders ausgeprägt bei Personen, die im unteren Bereich der Ausgangsaufgabe abschnitten, was darauf hindeutet, dass KI insbesondere für geringqualifizierte Arbeitskräfte von Vorteil sein könnte.
Für Aufgaben außerhalb der Grenze, wie etwa die Kombination von quantitativer und qualitativer Analyse, schnitt die Gruppe, die sowohl KI als auch Schulung erhielt, am schlechtesten ab. Tatsächlich übertraf die Kontrollgruppe beide KI-Gruppen, wobei ein signifikanter Unterschied zwischen der Kontrollgruppe und der Gruppe, die sowohl KI als auch Schulung erhielt, festgestellt wurde.
Die Autoren schlagen vor, dass KI bei Aufgaben innerhalb der Grenze sowohl die Produktivität als auch die Qualität drastisch verbessern und möglicherweise sogar den Menschen ersetzen kann. Bei Aufgaben, die als außerhalb der Grenze angesehen werden, kann KI jedoch weitaus weniger effektiv sein.
Obwohl das Papier sehr verständlich geschrieben ist, beruht es auf einem schwerwiegenden methodologischen Fehler. Es untersuchte nicht die durch KI-Automatisierung erzielte Produktivitätssteigerung. Stattdessen behandelte es die KI als eine Art Co-Pilot, der von Menschen gesteuert wird.
Dies ist zutiefst fehlerhaft, da es die Fähigkeiten der KI künstlich einschränkt, insbesondere in Verbindung mit anderen Techniken wie der retrieval-augmented generation.
KI kann automatisch Eingabeaufforderungen mit allen notwendigen Informationen erstellen, die aus einer Datenbank abgerufen werden, wie sie in hochkarätigen Beratungsfirmen geführt werden. Dies würde die Leistung einer einzelnen Person bei weitem übertreffen und wäre bei großflächiger Anwendung weitaus profitabler.
Selbst wenn die Qualität der Antworten nur so gut wäre wie die der Kontrollgruppe, wären sie aufgrund der sehr niedrigen Kosten großer Sprachmodelle (LLMs) im Vergleich zum sechsstelligen Gehalt eines einzelnen Harvard-Absolventen dennoch dramatisch günstiger.
Dies ist der eigentliche Effekt von KI sowohl auf supply chain als auch auf die Beschäftigung: die beispiellosen Produktivitätssteigerungen durch Automatisierung quantitativer und qualitativer Aufgaben im großen Maßstab. Dies würde in Bezug auf Qualität mit hoher Wahrscheinlichkeit die menschliche Leistung übertreffen und garantiert auch in Bezug auf die Kapitalrendite.
Indem dieser offensichtliche Anwendungsfall ignoriert wird, vermittelt das Papier ein falsches und, wenn auch umstritten, gefährliches Gefühl der Sicherheit für Menschen, die bereits um die potenziellen Auswirkungen von KI auf supply chain und andere analytische Jobs besorgt sind.
