KI & ML
KI und maschinelles Lernen
AI & Machine Learning
Künstliche Intelligenz und maschinelles Lernen sind Computersysteme, die eine Aufgabe aus Beispielen lernen, statt Regeln zu befolgen, die ein Mensch aufgeschrieben hat. Zeigt man einem solchen System Millionen Fotos, lernt es, eine Katze zu erkennen. Ein Chatbot gewann in zwei Monaten 100 Millionen Nutzer, doch nur etwa jedes zehnte US-Unternehmen nutzt KI, um herzustellen, was es verkauft. KI macht Aufgaben, die wir nur vorführen, aber nicht erklären können, für Maschinen lösbar.
Reife
Wo dieser Enabler wirkt
Wo Ihnen das schon begegnet ist
ChatGPT erreichte in zwei Monaten 100 Millionen Nutzer. Im September 2025 setzte etwa jedes zehnte US-Unternehmen KI ein, um herzustellen, was es verkauft. Das Modell war so weit, das Organigramm nicht.
Wenn er reifer wird
Würde sich die Leistungsfähigkeit der KI verdoppeln, würde sich kein Megatrend auf dieser Karte bewegen. Automatisierung geistiger Arbeit, die Umsetzungslücke und Präzision überall werden vom Vertrauen der Belegschaft und von der Managementkompetenz bei 2 gehalten. Der nächste Fortschritt muss von dort kommen.
Worauf Sie achten sollten
Wie viele Unternehmen KI einsetzen, zeigt die Unternehmensumfrage des US Census Bureau; wichtig ist vor allem der Bereich außerhalb der Informationsbranche. Aufschlussreich ist auch die Produktivitätsstatistik der Branchen, die KI am stärksten nutzen: Dort müsste sich eine echte Wirkung zuerst zeigen.
Nicht zu verwechseln mit
Automatisierung. Automatisierung führt Schritte aus, die jemand aufgeschrieben hat; maschinelles Lernen leitet die Schritte aus Beispielen ab. Beide werden gemeinsam vermarktet und scheitern auf unterschiedliche Weise.
Worum es geht
Systeme, die bei einer Aufgabe besser werden, weil sie aus Daten lernen, nicht weil man ihnen jeden Schritt ausdrücklich vorschreibt. Unter diesen Oberbegriff fällt der größte Teil der aktuellen Welle.
So funktioniert es
- 01Daten werden zu ZahlenTexte, Bilder oder Code werden in kleine Einheiten zerlegt und in Zahlen übersetzt, die ein Modell verarbeiten kann.
- 02Das Training findet MusterDas Modell passt Milliarden interner Parameter an, um anhand riesiger Datenmengen das nächste Wort oder die richtige Kategorie vorherzusagen.
- 03Die Feinabstimmung formt das VerhaltenDas trainierte Modell wird mit menschlichem Feedback und Beispielen guter Antworten nachgeschärft, damit es Anweisungen befolgt.
- 04Die Inferenz liefert eine AntwortDie Eingabe eines Nutzers läuft durch das fertige Modell, und es gibt die wahrscheinlichste Ausgabe zurück. Jede Antwort ist eine Wahrscheinlichkeit, kein nachgeschlagener Eintrag.
- 05Quellenbindung und Leitplanken begrenzen den SchadenDie Systeme rufen geprüfte Dokumente ab, um ihre Antworten darauf zu stützen, und filtern, was herauskommt. Hier wird Verlässlichkeit erkauft, und deshalb kostet sie Geld.
Aktueller Stand
- KI übertraf die menschliche Leistung in mehreren Benchmarks, darunter Bildklassifikation, visuelles Schlussfolgern und englisches Textverständnis. Bei Mathematik auf Wettbewerbsniveau, visuellem Alltagsverständnis und Planung blieb sie zurück (Stanford HAI, AI Index 2024, Apr. 2024).
- Der Anteil der US-Unternehmen, die KI zur Herstellung von Waren oder Dienstleistungen nutzen, stieg von 4,6 % Anfang 2024 auf 10 % im September 2025 (Auswertung der EIG auf Basis des Business Trends and Outlook Survey des Census Bureau, 19. Dez. 2025).
- Auf die Frage nach KI in irgendeinem Unternehmensbereich gaben von Dezember 2025 bis Mai 2026 zwischen 17 % und 20 % der US-Unternehmen an, sie zu nutzen (US Census Bureau, 26. Mai 2026).
- Von den US-Unternehmen, die KI nutzen, nannten 58,0 % sie für ihre Prozesse oder Methoden nur „einigermaßen wichtig“ (US Census Bureau, Annual Business Survey 2023, 17. Sept. 2025).
- Zwischen 2022 und Anfang 2025 stieg die Arbeitslosigkeit bei dem Fünftel der US-Beschäftigten, das der KI am stärksten ausgesetzt ist, um 0,30 Prozentpunkte, bei dem am wenigsten ausgesetzten Fünftel um 0,94 Punkte (Auswertung der EIG auf Basis des Current Population Survey, 10. Aug. 2025).
Warum das wichtig ist
Sie macht Aufgaben, die sich nur durch Beispiele beschreiben ließen, für Maschinen ausführbar. Das ist eine wirklich neue Art von Leistungsfähigkeit, und deshalb erhöht dieser Enabler die Steigung von mehr Megatrends als jeder andere im Kompendium.
- Er speist mehr Megatrends als fast jeder andere Enabler und ist bei keinem davon der Engpass. Jeden dieser Megatrends hält etwas Menschliches oder Strukturelles weiter unten.
- Kein anderer Fall im Buch zeigt so deutlich, wie Leistungsfähigkeit mit tatsächlicher Verbreitung verwechselt wird. Eine 5 im Labor und eine 3 im Unternehmen stimmen beide. Die Megatrends, die er speist, stehen bei 2.
- Die Erzählung vom massenhaften Jobverlust zeigt sich in den Daten noch nicht: Bei den Beschäftigten, die der KI am stärksten ausgesetzt sind, stieg die Arbeitslosigkeit weniger als bei den am wenigsten ausgesetzten.
Was ihn bremst
Verlässlichkeit in seltenen Fällen
Ein System, das meistens richtig liegt, braucht für die übrigen Fälle trotzdem einen Menschen, und dieser Mensch ist der Kostenfaktor.
Organisatorischer Wandel
KI gut zu nutzen heißt, die Arbeit neu zu gestalten, statt bloß ein Werkzeug hinzuzufügen. Das ist Managementkompetenz, und sie erhält eine 2.
Gefühlte Relevanz
Die meisten der kleinsten Unternehmen sagen, KI betreffe sie nicht.
Begriffe
- Modell
- Das trainierte System selbst: eine sehr große Menge von Zahlen, die eine Eingabe in eine Ausgabe verwandelt.
- Training
- Die teure Phase, in der ein Modell Muster aus Daten lernt.
- Inferenz
- Das Ausführen eines trainierten Modells, um eine Antwort zu erhalten. Jede Frage ist eine Inferenz.
- Großes Sprachmodell (LLM)
- Ein Modell, das mit sehr großen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen.
- Retrieval-Augmented Generation (RAG)
- Ein Verfahren, das einem Modell beim Stellen der Frage passende Dokumente mitgibt, damit sich seine Antwort darauf stützt.
- Fine-Tuning
- Das Weitertrainieren eines bestehenden Modells mit Spezialdaten für eine bestimmte Art von Aufgabe.
Treibt diese Megatrends an
| Megatrend | Gewicht | Rolle |
|---|---|---|
| Automatisierung geistiger Arbeit | groß | |
| Die Umsetzungslücke | groß | |
| Präzision überall | groß | |
| Synthetische Medien und das Ende der Überprüfbarkeit | groß | |
| Die Bewertungslücke | mittel |
Die Steigung verhält sich wie ein zähes Gummiband: Der schwächste Enabler zieht sie am stärksten zu sich. Nachrangige Verbindungen werden gezeigt, ziehen aber nicht mit.
Eine Stufe höher: was sich ändert
Berechnet aus der Karte in ihrem jetzigen Stand: dieser Wert von 3 auf 4 angehoben, alle anderen Werte unverändert. Eine reine Rechnung, keine Vorhersage.
Hebt man nur ihn um eine Stufe an, löst er bei keinem Megatrend den Engpass; die Steigungen, in die er einfließt, steigen höchstens leicht.
Steiler wird es bei
- Automatisierung geistiger Arbeit2,7/5 , 2,7/5
- Die Bewertungslücke2,6/5 , 2,7/5
- Die Umsetzungslücke2,8/5 , 2,9/5
- Präzision überall2,7/5 , 2,8/5
- Synthetische Medien und das Ende der Überprüfbarkeit2,8/5 , 2,9/5
Was die Steigung verändern würde
Ein Gedankenspiel, keine Prognose. Keine Zeitpunkte, keine Wahrscheinlichkeiten.
- 01Inferenzkosten, die so weit sinken, dass zusätzliche Nutzung praktisch kostenlos wird
- 02Verlässlichkeit in seltenen Fällen, denn an ihr scheitert der Einsatz ohne Aufsicht
- 03Nichts auf der Seite der Leistungsfähigkeit: Die Engpässe seiner Megatrends sind menschlich und strukturell
Verbreiteter Irrtum
Dass Leistungsfähigkeit schon Einsatz bedeutet. Die Leistungsfähigkeit der Modelle gehört zu den reifsten Enablern dieses Buches. Die Megatrends, die sie berührt, werden aber vom Vertrauen der Belegschaft, von der Managementkompetenz und von der Regulierung gebremst, und alle drei schneiden schwächer ab.
Talin, B. (2026). KI und maschinelles Lernen. The Future Explorer, dataset v0.4.0 (16. November 2026). https://explorer.talin.digital/e/ai-ml/