Im Nachhinein ist es leicht zu erkennen, warum Unternehmen wie Google und Amazon ihre beherrschende Stellung am Markt erreicht haben, aber zu der Zeit, als die Weichen dafür gestellt wurden, war das alles andere als klar.
Nachdem Serge Brin und Larry Page ihre Suchmaschine gestartet hatten, wollten sie das Unternehmen eigentlich an Excite für 1 Million Dollar verkaufen, die allerdings dankend ablehnten. Während Jeff Bezos einen dominierenden Einzelhändler aufbaute und gleichzeitig begann, Cloud Computing über Jahre zu dominieren, waren sich zahlreiche Analysten sicher, dass Amazon niemals profitabel sein könnte, selbst wenn sie alle Bücher der Welt verkaufen würden.
Niemand ist besonders gut darin, die Zukunft vorherzusagen oder eine Entwicklung samt ihrer Auswirkungen vollumfänglich zu begreifen. Das liegt vorwiegend daran, dass wir dazu neigen, zukünftige Ereignisse anhand des Verlaufs von vergangenen Ereignissen zu messen. Hierzulande überwiegt deshalb auch vor allem scheinbar die große Skepsis und das Narrative der KI‑Blase. Das hängt im Wesentlichen auch mit der schlechten Erfahrung der Dotcom-Blase und insbesondere der traumatischen Erfahrung der “Volksaktie” Telekom zusammen.
Verdrängt wird dabei, dass es eben auch diese Zeit war, in der Unternehmen wie Google und Amazon entstanden sind.
Wie lässt sich das aber nun in der aktuellen Entwicklung einordnen und welche grundlegenden Prinzipien helfen dabei?
Dies ist ein Versuch, genau diese Prinzipien zu identifizieren und auszuarbeiten. Eines dieser Prinzipien basiert auf der Arbeit des Nobelpreisträgers Kenneth J. Arrow und seinem Prinzip des Informationsparadox bzw. seiner Umkehrung, wie es der CEO von Microsoft, Satya Nadella, so treffend formuliert hat.
Für Wirtschaftsprüfer, Rechtsanwälte, Software-Entwickler und viele andere geht es darum, wie Unternehmen im Zeitalter der künstlichen Intelligenz ihre Kern-IP schützen können.
Hierbei beschreibt der Nobelpreisträger und Wirtschaftswissenschaftler Kenneth Arrow ein bekanntes Paradoxon auf dem Informationsmarkt:
Der Wert für den Käufer ist erst erkennbar, wenn er die Information besitzt. Doch dann hat er sie faktisch kostenlos erworben.
Wenn man es sich genau überlegt, ist es eben genau dieses Paradox, das auch hinter dem Erfolg eben vieler Informationstechnologiekonzerne wie Google steckt.
Sergey und Larry hatten wahrscheinlich überhaupt keine Idee von dem Potenzial der Informationen, die sie mit ihrer Suchmaschine einbringen würde. Doch, als sie diese Informationen hatten, konnten sie damit ein Unternehmen erschaffen, das ebenso wertvoll wurde wie Microsoft selbst.
Google ist die beste Suchmaschine weltweit, weil die meisten Menschen Google nutzen. Und die meisten Menschen nutzen Google, weil es die beste Suchmaschine ist.
Die Informationen, die wir als Nutzer der Suchmaschine zur Verfügung stellen, eben noch mehr, wenn wir Android oder Chrome nutzen, sind so wertvoll, um ein beherrschendes Unternehmen zu ermöglichen. Dabei sind es vor allem die Nutzerinformationen, die diese Stellung ermöglichen. Und auch hier bietet Arrow eine entscheidende Erklärung, indem er klarstellt, dass diejenigen, die die Informationen generieren, solange eine Monopolstellung inne haben, solange diese nicht geteilt werden.
KI heutzutage schafft das genau umgekehrte Problem.
Im KI-Zeitalter riskiert der Käufer, Wissen preiszugeben, nur um das Gekaufte nutzen zu können. Man bezahlt im Grunde doppelt für Intelligenz: einmal mit Geld und ein zweites Mal mit etwas noch Wertvollerem: dem firmeneigenen Wissen, das man offenlegen muss, um diese Intelligenz nutzbar zu machen. Je besser das Modell funktionieren soll, desto mehr von diesem Wissen muss man ihm zur Verfügung stellen! Mit der Zeit verschlimmert sich die Informationsasymmetrie immer weiter. Der Verkäufer erfährt immer mehr über das Unternehmen oder den Nutzer, während die Nutzer das gekaufte Produkt nutzen, während sie selbst kaum etwas darüber erfahren, was der Verkäufer im Gegenzug lernt.
Das bezeichnet Satya Nadella als das umgekehrte Informationsparadoxon.
Durch den Einsatz von Foundational Modellen wie Anthropic oder ChatGPT zahlen Unternehmen im Wesentlichen dafür, sich ihrer eigenen Monopolstellung bei ihrer Informationsgewinnung berauben zu lassen. Das mag dann auch die für viele überzogenen Bewertungen dieser KI‑Firmen erklären.
Nutzer werden an dieser Stelle gerne anführen, dass sie “private” Angebote nutzen, die Vereinbarungen getroffen haben, dass ihre Daten nicht für Trainingszwecke genutzt werden können, wobei sie eben nicht verstehen, dass Modelle eben auch aus „Erschöpfung“ – den Eingabeaufforderungen, die Nutzer verfassen, den von Agenten verwendeten Tools und insbesondere den Korrekturen, die Nutzer vornehmen, wenn das Modell fehlerhaft ist, – lernen.
Jede Korrektur wird zu institutionellem Know-how destilliert. Es ist die Art von Wissen, die ein Konkurrent niemals kaufen könnte und die fast unmerklich durchsickert: Spur für Spur, Korrektur für Korrektur, Bewertung für Bewertung.
Wieder auf Google bezogen wurde die Suchmaschine besser dadurch, welche Ergebnisse zu welchen Suchanfragen angeklickt wurden. Allein zu wissen, wonach gesucht wird, war ein schier unermesslicher Schatz. All diese Informationen der “Erschöpfung” fließen unweigerlich in die Verbesserung von Modellen. Dies erfordert mehr als Datenschutz.
Patente lösen eben nur einen Aspekt von Arrows Paradoxon. Sie ermöglichen es einem Erfinder, eine Idee offenzulegen, ohne sie einfach preiszugeben. Das umgekehrte Informationsparadoxon benötigt ein Äquivalent.
Indem Nutzer Informationen konsumieren, schaffen Sie selbst Informationen. Und was sie schaffen, sollte Ihnen gehören. Dies ist ihre besondere Intelligenz im Sinne Hayeks: das Wissen über Zeit, Ort und Umstände, das niemand sonst besitzen kann.
Es weiß, was du denkst, was dir wichtig ist und wie du Erfolg misst. Die großartige Innovation, die sich aus dem Recht der Modellanbieter auf faire Nutzung öffentlicher Daten für das Training von Modellen ergibt, ist zwar notwendig, doch hält es Satya für ironisch, dass der Status quo darin besteht, die Datenextraktion einzuschränken und sich das Recht vorzubehalten, aus Kundennutzungs- und Interaktionsdaten zu lernen.
Wenn Lernen nur in eine Richtung fließt, konzentriert sich der wirtschaftliche Wert eher bei den Besitzern der Lerninfrastruktur als bei den Schöpfern des Wissens selbst. Daher hält er es für unerlässlich, dass wir die Lerninfrastruktur jedem Unternehmen zugänglich machen, damit es seinen eigenen Lernprozess steuern kann.
Wie Alex Karp es ausdrückte: „Technische Kunden wollen die Kontrolle über ihre Rechenleistung, ihre Modelle, ihren Daten-Stack und ihr Alpha. Sie wollen wissen, dass sie die Produktionsmittel besitzen und diese nicht an jemand anderen übertragen werden.“
Das aktuelle System bewirkt genau die Übertragung, die Karp und Unternehmen befürchten. Deshalb benötigen Unternehmen eine echte Vertrauensbasis, damit sich ihr Humankapital und ihr Token-Kapital vermehren können. Hier sammeln und verbessern sich die Daten, Protokolle, Auswertungen, angepassten Gewichtungen und das Wissen einer Organisation.
Es handelt sich um eine strikte Grenze, die ohne Zustimmung nicht überschritten werden darf – nicht einmal die gesammelten Informationen. Unternehmen werden das Recht einfordern, Modellausgaben zur Feinabstimmung und/oder zum Training ihrer eigenen Modelle zu nutzen. Satya sieht darin das Recht jedes Unternehmens, seine Modelle an seinen Rechenschaftspflichten auszurichten.
Im Cloud-Zeitalter sammelten Unternehmen Daten.
Im KI-Zeitalter sammeln sie Lernerfahrungen. Die Vertrauensgrenze muss sich entsprechend weiterentwickeln: vom Schutz von Informationen hin zum Schutz der Mechanismen, durch die Organisationen lernen, sich anpassen und Wissen aufbauen.
Jedes Unternehmen muss nach Satya einige Maßnahmen ergreifen, um dies zu gewährleisten:
Kontrolle
Erstellen Sie Ihre eigenen Auswertungen, denn diese definieren, was innerhalb der Organisation als „gut“ gilt. Behalten Sie außerdem die Kontrolle über das Wissen, die Protokolle, das Feedback, die Entscheidungen und den institutionellen Kontext Ihrer Organisation sowie die Möglichkeit, Modellausgaben für Ihre eigenen Aufgaben und Abfragen zu nutzen.Fähigkeit
Erstellen Sie innerhalb der Mandantengrenzen Ihre eigenen, proprietären Lernumgebungen, um Modelle zu trainieren oder zu optimieren. Die Modelle lernen dabei anhand realer Arbeitsabläufe, ohne das Unternehmenswissen preiszugeben.Wahlfreiheit
Stellen Sie sicher, dass die Orchestrierungsschicht von jedem einzelnen Modell entkoppelt ist. Fragen Sie sich: Können Sie Ihre Evaluierungen weiterhin mit anderen Modellen durchführen und optimieren, wenn eines Ihrer Modelle wegfällt? Bleibt Ihre Unternehmenskompetenz erhalten, selbst wenn ein bestimmtes Standardmodell wegfällt?Kosten
Durch die Entkopplung der Orchestrierungsschicht können Sie Kontext, Modelle und Aufgaben auf effizienteste und kostengünstigste Weise zusammenführen, ohne Kompromisse bei der Qualität einzugehen.
Kombiniert man diese vier Aspekte, entsteht ein kontinuierlicher Lernkreislauf (quasi eine Art Bergsteigermaschine), der es ermöglicht, dass deine KI-Investitionen den Wert Ihres Unternehmens exponentiell steigern.
Anders ausgedrückt: Ein Unternehmen sollte ein Modell nutzen können, ohne dabei das Wissen aufzugeben, das es einzigartig macht. Dies ist das umgekehrte Informationsparadoxon, dem wir uns stellen müssen.
Kombinieren Sie diese vier Aspekte, und Sie schaffen einen kontinuierlichen Lernkreislauf (eine Art „Hill Climbing Machine“), der den Wert Ihrer KI-Investitionen exponentiell steigert.