Pricing Intelligence: Task-Based Learning and Labor Displacement in the AI Economy

Die große Lernkurve der KI

Stellen Sie sich die Wirtschaft als eine riesige, geschäftige Küche vor, in der Millionen von Menschen versuchen, das Abendessen vorzubereiten. Einige Aufgaben sind einfach, wie das Schneiden von Karotten oder das Kochen von Wasser; andere sind knifflig, wie die Entscheidung über die perfekte Gewürzmischung für ein neues Rezept oder der Umgang mit einem Kunden, der wütend über ein verbranntes Essen ist. Lange Zeit waren Menschen die einzigen Köche, die in der Lage waren, das Schwierige zu bewältigen, während Maschinen hauptsächlich gut im einfachen, repetitiven Hacken waren. Aber jetzt ist die Künstliche Intelligenz (KI) in die Küche eingetreten. Sie wird unglaublich schnell bei den einfachen Aufgaben, aber sie lernt noch immer, wie man die komplexen, urteilskraftintensiven Aufgaben bewältigt.

Die große Frage, die sich Ökonomen stellen, ist nicht nur: „Kann die KI den Job erledigen?“, sondern: „Wie schnell wird sie besser werden?“ Dies hängt von einem Konzept namens Learning-by-Doing (Lernen durch Tun) ab. Genau wie ein menschlicher Koch besser im Zerschneiden von Zwiebeln wird, je mehr Zwiebeln er schneidet, wird auch eine KI bei einer bestimmten Art von Aufgabe besser, je öfter sie diese Aufgabe ausführt. Wenn eine KI nur einfache Aufgaben erledigt, wird sie niemals lernen, wie man die komplexen Aufgaben bewältigt. Dieses Paper untersucht ein faszinierendes Spannungsfeld: Wer kauft eigentlich die KI? Wenn die KI nur an Menschen verkauft wird, die einfache Aufgaben erledigen müssen, wird die KI zwar schneller bei einfachen Aufgaben, bleibt aber bei komplexen Aufgaben unbeholfen. Aber wenn sie an Menschen mit komplexen Anforderungen verkauft wird, lernt sie schneller, aber diese Kunden sind vielleicht schwerer zu überzeugen, dafür zu bezahlen. Das Paper fragt: Wie verändern die Preise, die KI-Unternehmen verlangen, und der Wettbewerb zwischen ihnen die Geschwindigkeit, mit der die KI lernt, menschliche Arbeitsplätze zu übernehmen?

---

Der KI-Preis und die Lernfalle

In dieser Studie baut der Autor, Carl-Christian Groh, ein mathematisches Modell auf, um zu sehen, wie KI-Unternehmen (wie die Giganten, die wir heute kennen) entscheiden, wer ihre Technologie nutzen darf. Die Geschichte dreht sich um zwei Arten von Arbeitern: solche, die hauptsächlich Hilfe bei einfachen Aufgaben benötigen (wie dem Schreiben einer Standard-E-Mail), und solche, die Hilfe bei komplexen Aufgaben benötigen (wie dem Entwerfen eines juristischen Arguments für einen ungewöhnlichen neuen Fall).

Hier ist die Wendung: Im aktuellen „Low-Tech“-Zustand der KI ist sie ein Superstar bei einfachen Aufgaben, aber noch etwas unbeholfen bei komplexen Aufgaben. Aus diesem Grund wollen Arbeiter mit überwiegend komplexen Aufgaben nicht viel bezahlen – sie würden das schwierige Denken lieber selbst übernehmen. Arbeiter mit überwiegend einfachen Aufgaben hingegen sind sehr bereit zu zahlen, da die KI bereits großartig in dem ist, was sie brauchen.

Dies schafft eine schwierige Situation für das KI-Unternehmen. Wenn das Unternehmen jetzt den meisten Gewinn erzielen will, sollte es nur an die Menschen mit den einfachen Aufgaben verkaufen. Aber wenn es das tut, erhält die KI nie die Daten, die sie benötigt, um zu lernen, wie man die komplexen Aufgaben bewältigt. Es ist wie eine Kochschule, die nur Studenten aufnimmt, die lernen wollen, Wasser zu kochen; die Schule verdient Geld, aber die Studenten lernen nie, ein Gourmet-Essen zu kochen.

Das Paper stellt fest, dass dieses Spannungsverhältnis zu zwei sehr unterschiedlichen Zukünften für die Wirtschaft führt:

1. Der konvexe Aufstieg (Der glückliche Pfad): Wenn die KI sehr schnell aus komplexen Aufgaben lernt, erkennt das Unternehmen schließlich, dass es sich lohnt, die Preise zu senken, um die Arbeiter mit komplexen Aufgaben anzulocken. Da immer mehr dieser Arbeiter dazukommen, wird die KI bei komplexen Aufgaben sogar noch schneller besser, was wiederum noch mehr Arbeiter anzieht. Dies erzeugt eine „konvexe“ Kurve – ein langsamer Start, der dann plötzlich steil nach oben schießt, was zu einer raschen Verdrängung von Arbeitsplätzen führt, sobald die KI das Schwierige beherrscht.
2. Die Lernfalle (Der festgefahrene Pfad): Wenn die KI besser aus einfachen Aufgaben lernt oder wenn es nur sehr wenige Menschen mit komplexen Aufgaben gibt, wird das Unternehmen die Arbeiter mit komplexen Aufgaben weiterhin ignorieren, um kurzfristige Gewinne zu maximieren. Die KI wird zwar fantastisch darin, Wasser zu kochen, lernt aber nie, ein Gourmet-Essen zu kochen. Das Ergebnis? Die KI-Adoption bleibt langsam, und Menschen führen die komplexen Jobs noch lange Zeit weiter aus.

Der Wettbewerbseffekt: Mehr Rivalen, schnelleres Lernen?

Das Paper fragt dann: Was passiert, wenn es nicht nur ein KI-Unternehmen gibt, sondern zwei oder mehr, die um Kunden kämpfen?

Man könnte denken, dass die Aufteilung der Kunden auf zwei Unternehmen die Entwicklung verlangsamt, weil jedes Unternehmen weniger Daten zum Lernen erhält. Und in einigen Fällen ist das auch richtig. Wenn der Wettbewerb schwach ist (wie bei zwei Unternehmen, die nicht wirklich hart über den Preis kämpfen), verlangen beide weiterhin hohe Preise. Dies hält die Arbeiter mit komplexen Aufgaben fern, und das Lernen bleibt langsam.

Das Paper zeigt jedoch, dass sich die Geschichte ändert, wenn der Wettbewerb intensiv ist – das heißt, wenn die Unternehmen hart darum kämpfen, die Preise zu senken. Niedrigere Preise machen es für die Arbeiter mit komplexen Aufgaben erschwinglich, einzusteigen. Selbst wenn jedes Unternehmen insgesamt weniger Daten erhält, ändert sich die Art der Daten, die sie erhalten. Sie erhalten einen viel höheren Anteil an Daten aus komplexen Aufgaben. Dieser „Aufgaben-Zusammensetzungs-Effekt“ (task-composition effect) kann tatsächlich dazu führen, dass die KI schneller lernt als bei einem Monopol. Der erbitterte Preiskampf zwingt die Unternehmen dazu, genau jene Nutzer zu bedienen, die am wertvollsten sind, um der KI beizubringen, wie man die schwierigen Dinge erledigt.

Der Spezialisierungstrick

Schließlich untersucht das Paper, was passiert, wenn die zwei konkurrierenden Unternehmen mit unterschiedlichen Stärken starten. Stellen Sie sich vor, Unternehmen A ist von Natur aus besser in einfachen Aufgaben und Unternehmen B ist von Natur aus besser in komplexen Aufgaben.

Das Modell legt nahe, dass diese kleinen anfänglichen Unterschiede zu einer massiven Kluft heranwachsen können. Da Unternehmen B von Natur aus etwas besser in komplexen Aufgaben ist, zieht es die Arbeiter mit komplexen Aufgaben an. Während es diese bedient, wird es in komplexen Aufgaben noch besser, was wiederum noch mehr dieser Arbeiter anzieht. Dies wird als endogene Spezialisierung bezeichnet. Es ist eine sich selbst verstärkende Schleife, in der das Unternehmen, das mit einem winzigen Vorsprung bei den „schwierigen Dingen“ startet, am Ende den gesamten Markt dominiert, unglaublich schnell lernt und die Verdrängung menschlicher Arbeit in diesen komplexen Feldern beschleunigt.

Das Fazit

Dieses Paper sagt nicht einfach nur: „KI wird Arbeitsplätze übernehmen.“ Es legt nahe, dass die Geschwindigkeit und die Richtung dieser Übernahme stark von geschäftlichen Entscheidungen abhängen.

• Monopol vs. Wettbewerb: Ein einzelnes KI-Unternehmen könnte in eine „Lernfalle“ geraten, wenn es zu gierig ist und komplexe Aufgaben ignoriert, um Gewinne mit einfachen Aufgaben zu erzielen. Aber wenn der Wettbewerb intensiv ist, kann dies die Unternehmen dazu bringen, die Nutzer mit komplexen Aufgaben zu bedienen, was die Evolution der KI beschleunigt.
• Die Lernfalle: Wenn die KI nur langsam aus komplexen Aufgaben lernt oder wenn der Markt von Nutzern mit einfachen Aufgaben dominiert wird, wird die KI vielleicht nie lernen, die schwierigen Aufgaben zu erledigen, wodurch Menschen noch lange Zeit die anspruchsvollsten Arbeiten behalten.

Der Autor nutzt Simulationen, um diese Pfade aufzuzeigen. Die Ergebnisse sind keine Garantie für die Zukunft, aber sie verdeutlichen ein kritisches Spannungsverhältnis: Das Streben nach heutigem Gewinn kann manchmal das Lernen verlangsamen, das die KI morgen für die schwierigsten Probleme nützlich machen würde. Ob wir einen schnellen, konvexen Aufstieg oder eine langsame, festgefahrene Lernfalle erleben, hängt davon ab, wie der Markt strukturiert ist und wie gut die KI aus den schwierigen Aufgaben lernt, denen sie gegenübersteht.