Das Können von gestern braucht die Ambition von morgen

Anjas ueberflow, Blog (DE), Künstliche Intelligenz / Von /

Wer sein Erbe nur bewahrt, bleibt unter seinen Möglichkeiten. Was Physical AI mit dem Können der Erfahrenen zu tun hat.

Wer ein altes Haus saniert, kennt das: Man beginnt mit dem Dach, entdeckt die maroden Leitungen und landet beim Brandschutz. Jede erledigte Aufgabe legt die nächste frei. Irgendwann kennt man sämtliche Mängel des Hauses. Die Vorstellung davon, welches Leben darin einmal stattfinden soll, ist zwischen Angeboten und Bauplänen verschwunden.

So lässt sich auch auf unsere Gegenwart schauen. Wir haben viel zu erhalten: Infrastruktur, demokratische Institutionen, eine öffentliche Bildung, die Menschen Möglichkeiten eröffnet. Dazu kommt ein enormer Bestand an Wissen und Können. All das hat Arbeit gekostet. All das kann verloren gehen. Nur bleibt eine Gesellschaft, die ihre ganze Energie auf die Vermeidung von Verlusten richtet, auf Dauer unter ihren Möglichkeiten.

Der Soziologe Andreas Reckwitz beschreibt in einem ZEIT-Interview, wie sich unser Verhältnis zur Zukunft verändert hat. Fortschritt erscheint zunehmend als etwas, das frühere Generationen erreicht haben und das wir bewahren müssen. Dieses Bewusstsein für unser Erbe hält er für einen Erkenntnisgewinn. Er warnt zugleich vor einer „Erbfixierung“, die den Raum für Neues verengt.

Für uns liegt darin eine Aufforderung, genauer über Ambition nachzudenken. Eine funktionierende Schule, eine verlässliche Versorgung oder eine leistungsfähige Industrie waren Errungenschaften. Ihr Wert lag auch darin, was Menschen mit ihnen künftig erreichen können. Wer sie jetzt weiterentwickeln will, braucht eine Vorstellung, die über den heutigen Zustand hinausreicht. Eine Zukunft, für die sich der Umbau lohnt.

Die Entwicklung künstlicher Intelligenz gibt dieser Frage neue Dringlichkeit. Mit den technischen Möglichkeiten verändert sich auch, was wir uns vornehmen können.

Wenn über KI gesprochen wird, geht es häufig um Texte, Bilder oder die nächste E-Mail, die schneller fertig ist. Das ist nützlich. Doch wer KI vor allem als Beschleuniger des bisherigen Arbeitstags betrachtet, übernimmt dessen Ziele und Routinen gleich mit. Die Präsentation entsteht in zehn Minuten. Ob sie überhaupt zur entscheidenden Frage beiträgt, ist damit noch offen.

Felix Rieseberg kennt diese Begrenzung aus der eigenen Arbeit. Er entwickelt bei Anthropic an Claude mit und sieht trotzdem immer wieder Anwendungen, auf die er selbst nicht gekommen wäre. Als ein Kollege mithilfe der KI und der 3D-Software Blender Innenräume gestaltete, fiel ihm auf, dass er die KI noch nie für dreidimensionale Umgebungen auf seiner eigenen Website eingesetzt hatte. Dabei hatte er früher sogar Computerspiele entwickelt. Die fachliche Nähe war vorhanden. Die Möglichkeit hatte er trotzdem übersehen.

Auch bei einer seiner alltäglichen Aufgaben verschob sich sein Anspruch. Anfangs bat er Claude, einzelne Programmabstürze zu beheben. Später gab er dem System den umfassenderen Auftrag, die Anwendungen absturzfrei zu halten. Damit rückte die laufende Arbeit an ihrer Zuverlässigkeit in den Mittelpunkt: Fehler aufspüren, nachstellen, beheben und die Korrektur überprüfen.

Für diesen Auftrag musste Rieseberg die Arbeitsumgebung umbauen. Das System brauchte Zugriff auf Fehlerberichte, die Zuordnung von Programmversionen zum jeweiligen Quellcode und Testrechner mit verschiedenen Betriebssystemen. Erst damit konnte es Fehler nachstellen und Korrekturen überprüfen. An seinem Erfahrungsbericht interessiert uns die Veränderung seiner eigenen Aufgabe: Er musste einen größeren Zusammenhang entwerfen und die Voraussetzungen für dessen Bearbeitung schaffen.

Darin liegt für uns die Verbindung zu Reckwitz: Riesebergs Aufbruch steht auf etwas, das bereits aufgebaut wurde. Auf Software, dokumentierten Fehlern, verfügbarem Fachwissen und gepflegter Infrastruktur. Dieses Vorhandene trägt einen weitergehenden Anspruch. Bewahren und Neues entwickeln greifen ineinander.

Rieseberg nennt die Verschiebung zum übergeordneten Ziel „Altitude“. Dazu kommen fachliche Tiefe und die Verbindung verschiedener Wissensgebiete. Aus der Bitte um eine Quartalspräsentation kann so die Aufgabe werden, einen besseren Weg zu finden, Probleme früh zu erkennen und Ressourcen sinnvoll einzusetzen. Der Zweck der bisherigen Routine wird zum Ausgangspunkt einer neuen Lösung.

Um zu erklären, wie stark unsere Vorstellung des Machbaren dabei mitspielt, erzählt Rieseberg die Geschichte von George Dantzig. Sie klingt wie eine jener Anekdoten, die mit jeder Weitergabe schöner werden. Ihr Kern ist jedoch in einem Interview mit Dantzig selbst überliefert.

In seinem ersten Jahr als Doktorand in Berkeley kam Dantzig zu spät zu einer Veranstaltung des Statistikers Jerzy Neyman. An der Tafel standen zwei Aufgaben. Er schrieb sie ab, hielt sie für Hausaufgaben und machte sich an die Arbeit. Sie kamen ihm schwieriger vor als sonst. Als er seine Lösungen abgab, entschuldigte er sich deshalb dafür, so lange gebraucht zu haben.

Blog-Abo

Neue Beiträge direkt im Postfach.

Blog abonnieren

Etwa sechs Wochen später klopfte Neyman am Sonntagmorgen an seine Tür. Er hatte bereits eine Einleitung zu einer der Arbeiten geschrieben und wollte sie zur Veröffentlichung einreichen. Erst jetzt erfuhr Dantzig, was er gelöst hatte: zwei bis dahin offene Probleme der Statistik.

Dantzig brachte das mathematische Können mit, um die Aufgaben zu bearbeiten. Was ihm fehlte, war die Information, die sie als außergewöhnlich schwierig auswies. Für uns liegt die Pointe darin, wie früh eine Grenze im eigenen Kopf entstehen kann: noch bevor wir geprüft haben, ob unsere Fähigkeiten für eine Aufgabe reichen.

Rieseberg überträgt diesen Gedanken auf die Arbeit mit KI. Wer sich bei jeder neuen Möglichkeit sofort auf das bisherige Aufgabenprofil zurückzieht, erkundet nur einen kleinen Teil dessen, was inzwischen erreichbar sein könnte. Hier passt das Sprichwort „Schuster, bleib bei deinen Leisten“: Es wird zur Selbstbeschränkung, wenn sich Werkzeuge, Materialien und mögliche Aufgaben längst verändert haben.

Rieseberg schreibt als Mitarbeiter eines KI-Anbieters. Seine Beispiele sind Erfahrungsberichte. Die für uns entscheidende Prüfregel nennt er selbst: Ob ein Ergebnis stimmt, soll eine Instanz außerhalb des erzeugenden Modells beurteilen. Ein größerer Auftrag muss sich an seinem Ergebnis messen lassen.

Diese Verbindung von Vorstellungskraft, Fachwissen und Überprüfung wird bei Physical AI besonders anschaulich.

Gemeint sind KI-Systeme, die ihre physische Umgebung wahrnehmen, Informationen darüber verarbeiten und Handlungen in ihr ausführen: etwa Roboter, die Gegenstände greifen, oder Fahrzeuge, die sich durch wechselnde Situationen bewegen. Hier treffen Modelle auf Gewicht, Reibung, Entfernungen und unvorhergesehene Hindernisse. Eine Bewegung muss funktionieren. Eine überzeugende Beschreibung reicht dafür nicht aus.

Jensen Huang hat in seiner Berliner Keynote am 21. Oktober für den Einsatz solcher Systeme geworben und dabei Europas Erfahrung mit industrieller Fertigung hervorgehoben. Als Chef von NVIDIA verkauft er die Infrastruktur dafür. Uns beschäftigt an diesem Anlass die Bildungsfrage: Wie können Menschen ihr vorhandenes Können nutzen, um anspruchsvollere Aufgaben zu übernehmen und die Entwicklung mitzubestimmen?

Nehmen wir als gedachtes Beispiel einen Betrieb, der empfindliche Bauteile fertigt. Eine erfahrene Mitarbeiterin erkennt, wann ein Teil anders behandelt werden muss. Sie sieht eine kleine Abweichung, verändert einen Griff oder unterbricht einen Ablauf. Nicht jede ihrer Entscheidungen steht im Handbuch. Vieles hat sie über Jahre gelernt, an Material, Maschinen und Fehlern.

Soll ein KI-gesteuertes System einen Teil dieser Arbeit übernehmen, beginnt ein anspruchsvoller Übersetzungsprozess. Das Team muss herausfinden, welche Merkmale entscheidend sind, wie sie erfasst werden können und unter welchen Bedingungen ein Verfahren versagt. Aus Vormachen, Beobachten, Messen und Vergleichen entsteht Material für Entwicklung und Prüfung. Ein Gespräch allein überträgt noch kein berufliches Können in einen Roboter.

Ebenso wenig ist damit die Erfahrung der Mitarbeiterin ausgeschöpft. Sie kann helfen, Aufgaben anders zu gestalten, problematische Annahmen zu erkennen und sinnvolle Grenzen zu bestimmen. Dafür muss sie an der Entwicklung beteiligt sein. Wer sie lediglich als Datenquelle behandelt, lässt einen wesentlichen Teil ihres Beitrags ungenutzt.

Hier wird aus der technischen Entwicklung eine Bildungsaufgabe. Und zwar eine größere, als das Wort „KI-Schulung“ zunächst vermuten lässt.

Die Fachkraft muss verstehen lernen, welche Ausschnitte ihrer Arbeit ein System erfassen kann. Die Entwicklerin muss begreifen, welche Abweichungen im Betrieb relevant sind. Die Führungskraft muss entscheiden können, welches Problem den Aufwand rechtfertigt und welche Verantwortung bei wem liegt. Alle brauchen eine gemeinsame Vorstellung davon, woran ein gutes Ergebnis zu erkennen ist.

Das verlangt technisches Verständnis: Welche Eigenschaften eines Bauteils erfasst die Kamera überhaupt? Welche Abweichungen fehlen in den Trainingsdaten? Wie aussagekräftig ist ein Test, wenn die Bedingungen in der Werkhalle wechseln? An solchen Fragen zeigt sich, ob ein Team die Technik für seine Aufgabe beurteilen kann.

Dazu kommt die Fähigkeit, eine lohnende Aufgabe zu formulieren. Für unseren gedachten Betrieb könnte das Ziel sein, körperlich belastende Handgriffe zu verringern und zugleich die Qualität empfindlicher Teile zu verbessern. Damit wäre mehr gewonnen als ein unveränderter Ablauf mit neuer Technik. Eine solche Ambition verlangt, die Arbeit selbst neu zu betrachten: ihre Belastungen, Übergaben, Qualitätsmaßstäbe und Lernmöglichkeiten.

Aus unserer Sicht entsteht die nötige Kompetenz besonders dort, wo Menschen diese Fragen gemeinsam an einem überschaubaren Vorhaben bearbeiten. Die erfahrene Mitarbeiterin zeigt verschiedene Fälle. Ein Entwickler untersucht, welche Merkmale sich zuverlässig erfassen lassen. Eine Kollegin aus der Qualitätssicherung legt mit beiden fest, welche Fehler keinesfalls übersehen werden dürfen. In der Simulation werden Varianten erprobt; geeignete Ergebnisse werden anschließend unter abgesicherten realen Bedingungen überprüft.

Dabei lernen alle etwas, das keine Seite allein mitbringt. Die Fachkraft entdeckt möglicherweise, welche ihrer selbstverständlichen Unterscheidungen sich schwer beschreiben lassen. Die Entwicklerin erkennt, warum saubere Daten noch keinen verlässlichen Arbeitsablauf ergeben. Die Organisation lernt, was sie automatisieren kann und wo sie ihren Ansatz ändern muss.

Der Versuch darf klein beginnen. Seine Bedeutung liegt darin, dass er die wesentlichen Fragen bereits enthält: ein konkretes Ziel, geeignetes Material, überprüfbare Ergebnisse und klare Möglichkeiten zum Eingreifen. Die fachlichen und sicherheitstechnischen Anforderungen einer realen Anlage bleiben dabei bestehen. Sie gehören zur Aufgabe und müssen von entsprechend qualifizierten Menschen bearbeitet werden.

Damit solche Lernprozesse stattfinden, brauchen Beschäftigte Zugang zu Werkzeugen, gemeinsame Arbeitszeit und die Befugnis, Abläufe zu verändern. Wer tagsüber jede Minute verplant und Weiterbildung in die Freizeit verschiebt, erschwert genau die Entwicklung, die er anschließend einfordert. Kompetenzentwicklung gehört in die Planung des Vorhabens, samt Zeit und Budget.

Auch die nächste Generation muss darin einen Platz haben. Wenn ein System Aufgaben übernimmt, an denen BerufseinsteigerInnen bislang Erfahrung gesammelt haben, braucht es andere Gelegenheiten, dieses Können aufzubauen. Erfahrene Beschäftigte könnten mit ihnen schwierige Fälle untersuchen, Systemvorschläge prüfen und Fehlentscheidungen nachvollziehen. So würde Wissen zugleich in die technische Entwicklung und in die Urteilskraft neuer KollegInnen eingehen.

Zu dieser Gestaltungsfähigkeit gehört auch, die Bedingungen einer Zusammenarbeit beurteilen zu können. Wer behält Zugang zu den Daten? Wer kann das System prüfen und verändern? Welcher Aufwand entsteht, wenn ein Anbieter gewechselt werden muss? Solche Entscheidungen bestimmen mit, welchen Handlungsspielraum ein Betrieb später hat.

Gerade deshalb braucht es Menschen, die sich technische Entwicklung zutrauen und ihre Voraussetzungen beurteilen können. Ambition und Urteilskraft verstärken einander, wenn ein anspruchsvolles Ziel mit sorgfältiger Erprobung verbunden wird. Das vorhandene Wissen hilft, weiterzugehen. Die neue Aufgabe schafft einen Grund, dieses Wissen zu teilen, zu hinterfragen und auszubauen.

Damit führt der Weg zurück zu Reckwitz. Unser Erbe umfasst auch das Können, mit dem Menschen über Jahrzehnte Probleme gelöst haben. Es zu bewahren kann heißen, ihm neue Aufgaben zu geben: körperlich belastende Arbeit anders zu organisieren, Materialverluste zu verringern oder Menschen Zugang zu anspruchsvollen Tätigkeiten zu eröffnen. Welche Technik dabei hilft, muss sich am jeweiligen Vorhaben zeigen.

Für uns liegt darin ein anspruchsvolleres Verständnis von Kompetenzentwicklung. Menschen sollen ein Ziel verfolgen können, das über die Bedienung des nächsten Systems hinausreicht. Sie brauchen Gelegenheit, ihre Erfahrung mit neuen Möglichkeiten zu verbinden und dabei über ihre bisherige Rolle hinauszuwachsen. Dazu gehört die Bereitschaft, sich an eine Aufgabe zu wagen, deren Lösung noch nicht feststeht.

Das alte Haus muss instand gehalten werden. Es darf sich dabei auch so verändern, dass darin ein Leben möglich wird, das wir uns bisher noch nicht zugetraut haben.

Grundlagen aus dem Wiki

  • Ausgangsentwurf „Wofür das alte Haus?“, v2
  • Deutschland: Wirtschaft und Ambition, Abschnitt Reckwitz
  • KI-Agenten und Werkzeug-Ära, Abschnitt Rieseberg
  • Geopolitik, KI und Technologiesouveränität, Abschnitte Huang und GTC Berlin
  • KI-Einsatzlandkarte, insbesondere „Strukturgleich im Kleinen üben“; konzeptioneller Arbeitsstand

Externe Quellen

Nach oben scrollen