KI löst das falsche Problem

Von Momar Lissa Ndiaye („MLN"), Gründer & CEO, weyoga Inc.

KI hat die Information gelöst. Das Erkennen hat sie noch nicht gelöst.

Dieser Satz könnte einen der teuersten Kategorienfehler der Technikgeschichte beschreiben — nicht weil die Branche an ihrem Vorhaben scheitert, sondern weil ihr Vorhaben nur die Hälfte des menschlichen Problems ist.

Zunächst zu den Begriffen, denn der Rest dieser Serie hängt an ihnen. Mit Erkennen meine ich nicht das Speichern von Fakten über eine Person. Ich meine etwas Strengeres: die Fähigkeit, wiederkehrende Verhaltensmuster über die Zeit hinweg zu identifizieren und sie der Person zu spiegeln, bevor sie das nächste Ergebnis hervorbringen. Gedächtnis speichert Ereignisse. Erkennen entdeckt Wiederkehr. Das sind grundverschiedene Fähigkeiten — und deshalb löst, wie sich zeigen wird, kein Kontextfenster dieser Welt das Problem von allein, so lang es auch sein mag.

Betrachten wir nun, was die letzten vier Jahre tatsächlich geliefert haben, und würdigen wir es voll. Jeder Mensch mit einem Telefon kann heute Antworten auf Expertenniveau zu praktisch jedem Thema abrufen: Medizin, Recht, Code, Geschichte, Verhandlung, Ernährung. Die Grenzkosten einer guten Antwort sind gegen null gefallen. Das ist eine echte zivilisatorische Leistung, brillant ausgeführt. Die Labore lösen nicht das falsche Problem schlecht. Sie lösen das richtige Problem außerordentlich gut — und es ist die eine Hälfte des Problems.

Denn dieselben vier Jahre haben, in planetarem Maßstab, auch etwas anderes gezeigt: Menschen mit unbegrenztem Zugang zu den besten Antworten der Welt treffen ungefähr dieselben Entscheidungen wie zuvor. Dieselben Beziehungen enden auf dieselbe Weise. Dieselben Vorsätze werden im selben Monat aufgegeben. Dieselben finanziellen Muster wiederholen sich mit neuen Zahlen. Die informierteste Generation der Geschichte ist keine erkennbar weisere.

Die stillschweigende Erklärung der Branche lautet: Die Antworten sind noch nicht gut genug — die Lücke schließt sich mit mehr Parametern, mehr Reasoning, mehr Fähigkeit. Daher das Rennen: größere Modelle, längere Kontexte, bessere Benchmarks. Doch diese Erklärung unterstellt unausgesprochen, der begrenzende Faktor menschlicher Entscheidungen sei die Qualität der verfügbaren Intelligenz. Ein Jahrhundert Verhaltensforschung zeigt: Diese Annahme ist falsch. Menschen wiederholen schlechte Entscheidungen nicht aus Mangel an Wissen. Sie wiederholen sie, weil sie die Muster nicht erkennen, die diese Entscheidungen hervorbringen. Der Raucher kennt die Statistik. Die Gründerin, die alle achtzehn Monate ausbrennt, hat die Essays über Burn-out gelesen. Wer in die dritte identische Beziehung geht, kann mit klinischer Präzision beschreiben, was in den ersten beiden schiefging — bei den anderen. Nicht das Wissen ist der Engpass. Das Erkennen ist es.

Erkennen stellt andere Anforderungen als Information. Information ist allgemein; Erkennen ist besonders. Information lässt sich in einem einzigen Austausch liefern; Erkennen verlangt Kontinuität — einen ununterbrochenen architektonischen Faden durch die Interaktionen eines Menschen über die Zeit, ohne den Wiederkehr schlicht unsichtbar bleibt. Menschen erhalten Erkennen, wenn überhaupt, aus langen Ehen, alten Freundschaften, guten Therapien, gelegentlich von einem Mentor über Jahrzehnte. Es ist die knappste Ressource eines Lebens, und sie ließ sich nie herstellen.

Halten wir dem nun entgegen, was wir gebaut haben. Wir haben die leistungsfähigsten Antwortmaschinen der Geschichte konstruiert — und sie strukturell amnestisch gemacht. Jedes Gespräch beginnt bei null. Das Modell, das das Staatsexamen besteht, kann nicht bemerken, dass Sie gerade denselben Streit führen wie im März, denn für das Modell hat es den März nie gegeben. Wir haben Intelligenz optimiert und Kontinuität — das Substrat, aus dem Erkennen wächst — wie einen Feature-Wunsch behandelt.

Die unbequeme Fassung dieser Kritik zielt darauf, wie das Feld sich selbst misst. Die Benchmark-Kultur belohnt genau eine Art von Fähigkeit. Wir fragen seit Jahren: Kann das Modell diese Frage beantworten? Fast niemand fragt: Wird dieses System bei diesem Menschen in sechs Monaten dasselbe Muster wiedererkennen? Dafür gibt es kein Leaderboard. Keine Evaluation. Und was eine Branche nicht messen kann, das baut sie nicht. Die tiefste Begrenzung heutiger KI liegt nicht in den Modellen. Sie liegt in der Frage, auf die der gesamte Bewertungsapparat zugeschnitten wurde.

Nun das stärkste Argument für die gegenwärtige Richtung, denn es verdient eines. Es gibt ganze Bereiche — Wissenschaft, Ingenieurwesen, Medizin —, in denen ein klügeres Modell schlicht ein besseres Modell ist und die Erträge roher Intelligenz gewaltig bleiben. Wer Krankheiten heilen oder Theoreme beweisen will, sollte die Frontier wollen. Nichts in diesem Essay bestreitet das. Doch das sind institutionelle Probleme. Das ungelöste persönliche Problem — jenes, in dem jeder Einzelne tatsächlich lebt — ist nicht, dass seine KI zu wenig brillant wäre. Es ist, dass sie ihn nicht kennt. Ein bloß kompetentes System, das Ihre letzten zwei Jahre wirklich miterlebt hat, wird mehr Ihrer Entscheidungen verändern als ein geniales System, das Ihnen zum ersten Mal begegnet. Prüfen Sie es am eigenen Leben: Der beste Rat, den Sie je erhalten haben, war mit ziemlicher Sicherheit nicht der klügste verfügbare Rat. Es war der Rat von jemandem, der Sie kannte.

Womit wir dort ankommen, wohin all dies von Anfang an führte: beim Kapital. Heute fließt nahezu die gesamte KI-Investition in Intelligenz — in die Schicht, deren Preis alle ein bis zwei Jahre um eine Größenordnung fällt, während Fähigkeit diffundiert und zur Massenware wird. Wenn das obige Argument stimmt, war der knappe Vermögenswert der KI nie die Intelligenz. Es ist akkumuliertes Erkennen: Kontinuität mit bestimmten Menschen, die sich über die Zeit aufzinst und sich zu keinem Preis, auf keinem beschleunigten Zeitplan replizieren lässt. Die eine Schicht wertet ab. Die andere zinst sich auf. Der Markt bepreist derzeit nur eine von beiden.

Irgendwann wird jemand bemerken, dass der knappe Vermögenswert nie die Antwort war. Wenn das geschieht, wird sich die Frage, die die nächste Ära der KI definiert, leise verschieben — von „Wie intelligent ist Ihr Modell?" zu „Wie gut kennt Ihr System den Menschen, dem es dient?"

Das sind verschiedene Probleme. Wir haben bisher nur eines von beiden gelöst.

Teil von The Recognition Layer →

Momar Lissa Ndiaye („MLN") ist Gründer & CEO von weyoga Inc., einer Delaware-Gesellschaft. — weyoga.ai · mln@weyoga.ai