Acemoglu-KI-Prognose: Nur 1,5 % mehr BIP in zehn Jahren

Microsoft hat auf einem seiner eigenen Blogs einer Prognose Raum gegeben, die deutlich unter dem üblichen Optimismus der Branche liegt. Daron Acemoglu, Ökonom und Nobelpreisträger, erwartet, dass künstliche Intelligenz das BIP über einen Zeitraum von zehn Jahren um etwa 1,5 Prozent steigert. Außerdem rechnet er damit, dass KI höchstens fünf Prozent der Arbeitsplätze ersetzt.

Beide Zahlen liegen weit unter dem, was einige KI-Labore vorhergesagt haben. Acemoglu macht eine Einschränkung: Das Tempo der KI-Entwicklung ist schwer vorherzusagen, und seine Zahlen hängen von dieser Unsicherheit ab.

Eine bewusst bescheidene Zahl

Die zentrale Zahl lautet nicht 1,5 Prozent pro Jahr. Es sind 1,5 Prozent insgesamt über ein Jahrzehnt. Für eine Branche, die KI oft als Kraft beschreibt, die die Weltwirtschaft binnen weniger Jahre umkrempeln wird, ist das eine nüchterne Schätzung.

Die Zahl zu den Arbeitsplätzen ist ebenso zurückhaltend. Höchstens fünf Prozent ersetzte Jobs sind ein echter Effekt, passen aber nicht zu den Szenarien massenhafter Verdrängung, die einen Großteil der öffentlichen Debatte geprägt haben.

Acemoglu argumentiert nicht, dass die Technologie schwach sei. Sein Argument dreht sich darum, wie langsam Organisationen sie aufnehmen.

Der Engpass sind Menschen, nicht Modelle

Laut Acemoglu ist die größte Bremse für KI-getriebenes Wachstum die menschliche Natur. Bevor sich Produktivitätsgewinne zeigen, müssen Unternehmen drei schwierige Dinge erledigen:

1. Aufgaben neu verteilen. Die Arbeit muss zwischen Menschen und Software neu aufgeteilt werden.
2. Beschäftigte weiterbilden. Mitarbeiter brauchen neue Fähigkeiten, um die Werkzeuge gut zu nutzen.
3. Umstrukturieren. Organisationen müssen ändern, wie sie aufgebaut sind und wie sie arbeiten.

Er warnt, dass dieser Prozess länger dauern könnte als die Elektrifizierung. Dieser historische Vergleich ist wichtig. Elektrizität war eine Basistechnologie, deren wirtschaftlicher Ertrag sich erst einstellte, nachdem Fabriken und Arbeitsabläufe um sie herum neu gestaltet worden waren.

Zur Frage der Größe ist er deutlich: Größere Modelle werden das nicht lösen. Mehr Parameter und bessere Benchmark-Ergebnisse organisieren kein Unternehmen um. Was fehlt, sind seiner Ansicht nach Anwendungen, die sich leicht einführen lassen und tatsächlich verändern, wie Waren und Dienstleistungen hergestellt werden.

Das passt zu einem Muster, das sich auch anderswo zeigt. Daten zur KI-Nutzung in Unternehmen deuten darauf hin, dass Verbreitung und echte wirtschaftliche Wirkung nicht immer Hand in Hand gehen.

Ergänzung statt Automatisierung

Der zweite Teil von Acemoglus Argumentation betrifft die Frage, welche Art von KI sich auszahlt. Er argumentiert, dass KI, die menschliche Fähigkeiten erweitert, mehr Produktivität bringt als vollständige Automatisierung.

Seine Begründung ist praktisch. Selbst 99 Prozent Genauigkeit reichen oft nicht aus, wenn man die Probleme auf der letzten Meile und die tatsächlichen Bedürfnisse der Nutzer berücksichtigt. Bei vielen realen Aufgaben steckt in dem verbleibenden einen Prozent der Kostenpunkt, das Risiko oder die Kundenbeschwerde. Ein System, das für dieses letzte Stück an einen Menschen übergibt, kann nützlicher sein als eines, das versucht, alles allein zu erledigen, und gelegentlich scheitert.

Diese Sicht deckt sich mit einer breiteren Strömung in der Debatte. Google DeepMind etwa hat sich für ein symbiotisches Modell von Mensch und KI ausgesprochen, statt für eine Übernahme im Stil der Singularität.

Warum Microsoft ein passender Gastgeber ist

Der Ort der Veröffentlichung ist bemerkenswert. Der Beitrag erschien in "The Humanist Review of AI", einem ungewöhnlichen Firmenblog von Microsoft, auf dem die Autoren ihre Artikel von Hand signieren.

Die These passt auch zu Microsofts Geschäft. Wenn Ergänzung die Automatisierung schlägt, ist es eine solide Strategie, bestehenden Produkten KI-Funktionen hinzuzufügen. Microsoft kann KI weiter in Software einbauen, die Menschen ohnehin nutzen, ohne auf die großflächige Automatisierung ganzer Berufsgruppen setzen zu müssen.

Das macht Acemoglus Argument nicht falsch. Es bedeutet aber, dass Leser im Blick behalten sollten, dass der Herausgeber von der Schlussfolgerung profitiert.

Das große Ganze

Für CyrioX-Leser ist an dieser Prognose nicht die Zahl von 1,5 Prozent selbst am nützlichsten. Es ist die Aussage darüber, wo die Reibung liegt. Wenn Acemoglu recht hat, begrenzt nicht die Leistungsfähigkeit der Modelle die wirtschaftliche Wirkung von KI, sondern der organisatorische Wandel. Das lenkt den Blick weg vom Wettrennen um Benchmarks hin zu langsameren Fragen: Wer gestaltet die Arbeitsabläufe neu, wer schult die Belegschaft, und wer baut die einfachen, leicht einsetzbaren Anwendungen, die laut ihm fehlen?

Daraus ergibt sich eine leise Spannung mit der aktuellen Richtung der Branche. Viele Labore setzen massiv auf autonome Agenten, die ganze Aufgaben von Anfang bis Ende erledigen sollen. Acemoglus Argument der letzten Meile legt nahe, dass diese Agenten in vielen Anwendungen länger einen Menschen in der Schleife brauchen werden, als ihr Marketing vermuten lässt. Berichte, wonach Unternehmen wie Microsoft die interne Nutzung einiger KI-Werkzeuge zurückfahren, zeigen, dass die Einführung in großen Organisationen selten geradlinig verläuft.

Auch die Einordnung sollte man im Hinterkopf behalten. Dass ein großer KI-Anbieter eine vorsichtige Prognose veröffentlicht, ist ungewöhnlich, doch die Schlussfolgerung stützt seine Strategie, bestehende Produkte um KI zu ergänzen. Prognosen von Laboren, die Automatisierung verkaufen, und von Anbietern, die Ergänzung verkaufen, sollte man gleichermaßen mit Blick auf ihr Geschäftsmodell lesen.

Worauf als Nächstes zu achten ist: ob andere Ökonomen oder Labore mit konkurrierenden Schätzungen antworten, ob Produktivitätsdaten allmählich die langsame, stufenweise Einführung zeigen, die Acemoglu beschreibt, und ob "leicht einsetzbare" Anwendungen statt größerer Modelle zum wichtigsten Verkaufsargument für KI in Unternehmen werden. Acemoglu räumt selbst ein, dass sich das Tempo der KI schwer vorhersagen lässt. Seine Zahlen sind daher am besten als begründeter Ausgangswert zu verstehen, nicht als endgültige Antwort.