Was ist die Ansicht des OpenAI CFO zur Entwertung von Erfahrung?

OpenAI CFO Sarah Friar ist der Ansicht, dass mit der Entwicklung der KI-Technologie der Wert traditioneller Erfahrung sinkt, da KI in der Lage ist, Aufgaben schnell zu lernen und auszuführen, für die früher jahrelange Erfahrung erforderlich war. Diese Ansicht hat eine große Debatte über die knappen Güter in der Arbeitswelt der Zukunft ausgelöst.

Welche Art von Erfahrung wird im Zeitalter der KI an Wert verlieren?

Im Zeitalter der KI werden kodierbare, reproduzierbare Erfahrungen, wie die Nutzung bestimmter Tools oder reguläre Programmierfertigkeiten, aufgrund der Automatisierungsfähigkeiten der KI an Wert verlieren. Diese Erfahrungen können in der Regel durch Dokumentationen, Tutorials oder KI schnell erlernt und ausgeführt werden.

Welche seltenen menschlichen Fähigkeiten kann KI nicht ersetzen?

Zu den seltenen menschlichen Fähigkeiten, die KI nicht leicht ersetzen kann, gehören Urteilsvermögen, Entscheidungsfähigkeit, die Bereitschaft zur Verantwortungsübernahme sowie die Fähigkeit zum Umgang mit komplexen zwischenmenschlichen Beziehungen und implizitem Wissen. Diese Fähigkeiten sind schwer zu kodieren und sind die wahren knappen Güter im Zeitalter der KI.

Wie sollten gewöhnliche Menschen im Zeitalter der KI in sich selbst investieren?

Im Zeitalter der KI sollten gewöhnliche Menschen in den Aufbau von schwer zu kodierendem Branchenwissen investieren, die Analyse von KI-Fehlern üben, um Urteilsvermögen aufzubauen, sowie ihre Ausdrucksfähigkeit verbessern. Diese Fähigkeiten werden dem Einzelnen helfen, im Zeitalter der KI wettbewerbsfähig und einzigartig zu bleiben.

Wenn KI alles „Erfahrung“ entwertet, was ist dann das knappe Gut?

Einleitung: Eine Frage des OpenAI CFO stellt „Erfahrung“ auf das Prüfstand

Am 11. September berichtete „Wall Street Horizons“ erneut von einer Einschätzung der OpenAI-CFO Sarah Friar: Wenn KI alles „Erfahrung“ entwertet, was ist dann das knappe Gut für Unternehmen? Die persönliche Version der Frage ist direkter – Ist Ihre Erfahrung noch etwas wert?

Diese Aussage verbreitete sich schnell in den Communities, weil sie keine abstrakte Angst traf, sondern konkrete Szenarien, die täglich passieren: Ein Programmierer mit acht Jahren Erfahrung stellt fest, dass ein Neuling mit KI in drei Tagen das Modul schreibt, für das er eine Woche gebraucht hätte; ein Texter mit zehn Jahren Erfahrung merkt, dass er keine Entwürfe mehr selbst schreiben muss; ein alter Hase in der Datenanalyse sieht zu, wie ein Praktikant mit natürlicher Sprache direkt Diagramme erstellt. Der häufigste Satz in den Kommentaren war „Habe ich die letzten Jahre umsonst gearbeitet?“ – Ob diese Frage Panik rechtfertigt, genau das werden wir in dieser Ausgabe zerlegen.

Die Barrieren, die einst durch Jahre der Arbeit aufgebaut wurden, werden nun im Chatfenster in Sekunden abgebaut. Aber das, was abgebaut wird, und das, wovor die Angst glaubt, dass es abgebaut wird, sind nicht ein und dasselbe.

Shiwen: Der CFO von OpenAI sagt persönlich, dass „Erfahrung entwertet“. Ist Ihre erste Reaktion Zustimmung oder Vorsicht?

Yongliang: Erst Vorsicht, dann Zustimmung. Vorsicht, weil die Person, die dies sagt, ein Motiv hat – den Weg für den Einsatz von KI als Ersatz für menschliche Arbeit zu ebnen. Zustimmung, weil wenn man den Standpunkt wegnimmt, das Urteil an sich stichhaltig ist. Aber das Wort „Erfahrung“ wird zu vage verwendet, so vage, dass es beinahe die wirklich wertvollen Dinge mit begraben hätte.

Shiwen: Dann lassen Sie uns das gründlich besprechen: Welcher Teil der Erfahrung entwertet wird, welcher nicht, warum Unternehmen in Zukunft bezahlen werden und worauf ein normaler Mensch jetzt seine Energie richten sollte.

Q1: Ist die These von der „Entwertung der Erfahrung“ an sich gültig?

Yongliang: Die These gilt, aber entwertet wird nicht der Teil, der erst seit dem Auftauchen von KI an Wert verliert.

Ich komme aus dem Java-Umfeld und bin seit siebzehn Jahren in der Technik. Die operative Erfahrung, die ich in diesen siebzehn Jahren angesammelt habe, verfällt ständig: Die Struts-Konfigurationstricks, auf die ich in meinen frühen Berufsjahren stolz war, die Routinen für das manuelle Schreiben von SQL-Tuning, mein Verständnis der EJB-Container – mehr als die Hälfte dieser Dinge, die mir damals Gehaltserhöhungen eingebracht haben, sind inzwischen im Museum gelandet. In den intervening Jahren wechselten die Frameworks von SSH auf die komplette Spring-Familie, dann zu Microservices und Cloud Native. Jeder dieser Blutwechsel verkündete das Aus einer Reihe von „Erfahrungen“. Die KI hat die Entwertung von Erfahrung nicht erfunden, sie hat diesem Prozess, der seit zwanzig Jahren läuft, nur Gas gegeben, und zwar ordentlich.

Wie beurteilt man, ob die eigene Erfahrung gerade entwertet wird? Ich habe eine pragmatische Methode zusammengefasst: Alles, was als SOP (Standard Operating Procedure), als Checkliste geschrieben werden kann und das ein Neueingestellter in drei Monaten erlernen kann, befindet sich im Entwertungskanal. Denn das Wesen dieses Teils ist „Mustererkennung“ – man hat genügend Fälle gesehen und weiß, wie es weitergeht. Und Mustererkennung ist genau das, was Modelle am besten können; sie haben mehr Fälle gesehen als Sie um mehrere Größenordnungen.

Echt besorgniserregend ist der Austausch der Begriffe: „Erfahrungsentwertung“ wird zu „Dienstaltersentwertung“. Wenn Unternehmen diesen Satz so verstehen, dass „alte Mitarbeiter nutzlos sind“, ist das ein Missverständnis – entwertet werden kodierbare, wiederverwendbare operative Routinen, nicht Urteilsvermögen und Verantwortungsbewusstsein. Diese beiden Dinge standen nie im Fähigkeitsfeld des Lebenslaufs und hatten nie ein Verfallsdatum. Sie zusammen mit veralteten operativen Tricks in den Müll zu werfen, ist der teuerste Fehler in dieser Runde der Angst.

Q2: Was ist es dann, das wirklich nicht an Wert verliert oder sogar teurer wird?

Yongliang: Es ist der Instinkt zu beurteilen, „ob dieser Plan umsetzbar ist“, und der Moment, in dem man aufsteht, wenn das System versagt.

Zuerst zum Urteilsinstinkt. In der ersten Minute, nachdem man die Anforderung gehört hat, weiß man, wo die Fallen liegen – das Budget dieses Kunden trägt diese Architektur nicht, dieses Team kann diesen Prozess nicht bewältigen, diese Funktion wird auch nach dem Launch niemand nutzen. Diese Intuition ist aus hunderten fehlgeschlagenen Projekten entstanden. Sie ist kein Wissen, sondern eher wie ein Geruchssinn, sie liefert direkt Schlussfolgerungen ohne logische Ableitung. Die KI kann Ihnen zehn Pläne geben, jeder sieht strukturell vollständig und gut begründet aus. Welchen man wählt, welcher versteckte Kosten hat, welcher in drei Monaten explodieren wird – das muss derzeit ein Mensch entscheiden. Und je komplexer das organisatorische Umfeld, desto wertvoller ist dieser Instinkt, denn die Fallen sind oft keine technischen Fallen, sondern Fallen durch Menschen und Prozesse.

Dann die Fähigkeit, Verantwortung zu übernehmen (umgangssprachlich: „den Schwarzen Peter zu bekommen“). Das klingt wie ein Witz, ist aber ernst gemeint. Wenn das System nachts ausfällt, wer kann den Einflussbereich beurteilen, das Rollback durchsetzen, dem Chef und dem Kundenservice die Situation klar erklären? Das Modell kann Vorschläge machen und Optionen von eins bis fünf auflisten, aber es kann nicht für diese Entscheidung gerade stehen. Verantwortung ist das nicht auslagerbare knappe Gut – solange die Geschäftswelt jemanden braucht, der unterschreibt, und jemanden, der nachts angerufen wird, gilt dieser Satz. Ich habe beim Recruiting einen exzentrischen Standard: Leute, die große Online-Zwischenfälle erlebt und bewältigt haben, stehen sehr weit oben auf der Prioritätsliste. Denn der Wert dieser Leute liegt nicht darin, dass nichts passiert, sondern darin, dass sie den Schaden eindämmen können, wenn etwas passiert.

Diese beiden Dinge haben gemeinsam: Sie sind nicht „gelernt“, sondern „erlitten“. Modelle können Wissen aus dem Korpus lernen, aber sie können die Fallen nicht für uns durchlaufen.

Q3: Wie antwortet man auf die Gegenansicht – Wenn man dem Modell genügend Kontext und Evaluierungsmethoden gibt, ist Urteilsvermögen dann nicht nur eine Frage der Zeit?

Yongliang: Es ist eine Frage der Zeit, aber „Frage der Zeit“ ist genau der Punkt – denn die explizite Machung von implizitem Wissen muss immer noch von Menschen getan werden, und im sichtbaren Zeitfenster sind die Leute, die das tun, die knappen Güter.

Nehmen wir ein Beispiel aus meiner Branche. Die KI gibt einen Plan für die medizinische Informatik aus, technisch gibt es nichts auszusetzen: Die Architektur ist vernünftig, die Komponenten sind ausgereift, die Leistungsindikatoren werden erreicht. Aber sie weiß nicht, welcher Lieferant vor zehn Jahren das HIS-System dieses Krankenhauses gemacht hat, wie chaotisch das Datenwörterbuch ist, dass der Leiter der Informatikabteilung und der Vizedirektor bei der Vorantreibung derselben Sache nicht einer Meinung sind, und ob der Direktor wirklich eine Einstufung oder eine Kostenkontrolle will. Dieser Kontext lässt sich in Dokumenten nicht finden, er befindet sich in den Köpfen der Menschen. Damit das Modell diese Urteilsfähigkeit „verzehren“ kann, muss jemand dieses implizite Wissen vollständig explizit machen, in eine für das Modell verdauliche Form bringen und es füttern – und das tut immer noch ein Mensch.

Manche werden sagen, wenn die Evaluierungsmethoden reif sind, kann das Modell die Güte des Plans selbst verifizieren. Das Problem ist, dass die Evaluierung nur die definierten Indikatoren abdeckt, aber die impliziten Nebenbedingungen gerade nicht in den Indikatoren stehen – wie schreibt man „Vizedirektor und Abteilungsleiter sind nicht einer Meinung“ in die Evaluierung? Wie schreibt man „Der Direktor will eine Einstufung“ in den Unit-Test?

Meine Antwort lautet also: Urteilsvermögen wird tatsächlich teilweise in das Modell komprimiert werden, aber jeder Schritt dieses Komprimierungsprozesses erfordert menschliche „Lastwagenfahrer“. In der Zukunft knapp ist nicht das abstrakte Wort „Urteilsvermögen“, sondern „Menschen, die impliziten Kontext an die KI verfüttern können“. Das Knappe wandelt sich von „Menschen mit Erfahrung“ zu „Menschen, die KI anleiten können“ – dieser Wandel ist viel wichtiger als die vier Worte „Erfahrungsentwertung“, weil er zeigt, worauf Menschen ihre Energie richten sollten.

Q4: Wenn sich die knappen Güter ändern, ändert sich die Logik der Unternehmensausgaben – Wo liegt der Wandel?

Yongliang: Der Aufschlag (Premium) wandert vom „Dienstalter“ auf drei Dinge: Private Daten, die Fähigkeit, Geschäftsanforderungen zu übersetzen, und Rechenschaftsmechanismen.

Früher zahlten Unternehmen einen Aufschlag für Dienstalter, weil Dienstalter ≈ Erfahrung ≈ weniger Fallen. Da die Erfahrung selbst billiger geworden ist, fließt das Geld in drei neue Ziele.

Erstens: Hochwertige private Daten. Das ist der Burggraben, den Modelle nicht ersetzen können – Modelle fressen öffentliche Korpora, aber Ihre Transaktionsaufzeichnungen, Prozessparameter, Kundenhistorie und Service-Tickets haben sie noch nie gesehen. Wessen private Daten zahlreich und sauber sind, dessen KI-Implementierung ist einen Schritt schneller. Deshalb ist mein erster Rat bei Unternehmensberatungen: Beeilen Sie sich nicht mit Modellen, inventarisieren Sie zuerst die Datenvermögen.

Zweitens: Menschen, die Geschäftsprobleme in KI-Aufgaben übersetzen können. Die Geschäftseite sagt „Haltequote verbessern“, das ist eine Anforderung, keine Aufgabe; die Aufgabe ist „Segmentierung der Nutzer, die in den letzten 90 Tagen still waren, Vorhersage der Abwanderungswahrscheinlichkeit, Generierung von drei Rückruf-Skripten und Design von A/B-Tests“. Diese Übersetzung dazwischen kann derzeit kaum jemand gut machen – sie erfordert sowohl Verständnis für die Geschäftssprache als auch Wissen über die Grenzen der Modellfähigkeiten. Beim Recruiting schätze ich das am meisten, ich würde lieber jemanden mit rein technischer Stärke zurücklassen.

Drittens: Rechenschaftsmechanismen für Ergebnisse. Je höher die Beteiligung der KI, desto perfekter das Output, desto entscheidender wird die „Person, die unterschreibt“, in der Organisation. Auditierung, Überprüfung, Unterschriftenketten – diese klingende bürokratischen Schritte werden durch KI wichtiger, nicht unwichtiger. Umgekehrt werden rein ausführende Positionen kontinuierlich komprimiert werden – Positionen für Junior-Programmierer, erste Entwürfe von Texten, grundlegende Datenverarbeitung; die Anzahl und der Einheitspreis dieser Positionen gehen nach unten. Das ist nicht meine Vorhersage, sondern eine Personalrichtung, die bereits impliziert wird, wenn jemand vom Status eines OpenAI CFO so etwas sagt.

Q5: Ein Ingenieur mit fünf Jahren Berufserfahrung, dessen Fähigkeiten gerade vom Modell abgedeckt werden – worin sollte er jetzt investieren?

Yongliang: Hört auf, euch in Richtung „noch geschickter“ gegenseitig zu überbieten, geht in Richtung „schwerer zu beschreiben“.

Konkret drei Punkte. Erstens: Baut den Wert auf konkreten Situationen auf: Eure Branche, die Kunden, denen ihr begegnet seid, die chaotischen Situationen, die ihr behandelt habt und die nicht in Lehrbüchern stehen. Modelle sind gut in Bereichen mit Standardantworten und riesigen Textkorpora; die konkrete Situation ist Euer Wellenbrecher. Beim Schreiben von Code zum Beispiel: Der Preisunterschied zwischen einem Ingenieur, der die klinischen Abläufe eines Krankenhauses versteht, und einem, der das nicht tut, wird im Zeitalter der KI größer, nicht kleiner.

Zweitens: Nehmt jede Woche echte Probleme, um die KI zu testen, aber kopiert nicht die Antwort, sondern analysiert, warum sie falsch liegt. Erstellt ein Dokument, notiert, wo sie diesmal angenommen hat, wo sie Nebenbedingungen vergessen hat, welcher Vorschlag zu einem Problem geführt hätte, wenn man ihm gefolgt wäre. Wo sie falsch liegt, ist die Skala, wie viel menschlicher Wert noch übrig ist. Wenn ihr diese Angewohnheit ein halbes Jahr durchhaltet, werdet ihr früher als die Leute um euch herum sehen, wo Euer Burggraben liegt, und diese gesammelte „KI-Stolperdatei“ wird selbst zu Eurem privaten Datenvermögen.

Drittens: Übt den Ausdruck. Der Wettbewerb zwischen Menschen wird in großem Maße ein Wettbewerb darüber sein, „wer das Problem klar erklären kann“ – vage Geschäftsanforderungen in Anweisungen umzuwandeln, die die KI ausführen kann, und die technische Machbarkeit in Entscheidungsgrundlagen umzuwandeln, die der Chef versteht. Der Ausdruck ist der Ausgang für implizites Wissen. Je breiter dieser Ausgang, desto höher die Qualität des Kontexts, den ihr der KI gebt, desto größer Euer Hebel.

Schlusswort

Shiwen: Zum Schluss, fassen Sie diese Ausgabe in einem Satz zusammen?

Yongliang: Jedes Mal, wenn eine technologische Welle ruft „XYZ wird entwertet“, ist am Ende oft nur die Schwelle entwertet – Die Tür wird niedriger, drinnen wird es stattdessen voller. Wer fest stehen will, muss trotzdem etwas haben, das andere nicht wegtragen können.

Shiwen: Dieser Satz ist für alle da. Bis zum nächsten Mal.

[Technische Tiefe] Warum Modelle „implizites Wissen“ nicht verdauen können: Eine Zerlegung aus der Perspektive des Kontext-Engineerings

In dieser Ausgabe wurde wiederholt von „implizitem Kontext“ gesprochen. Für die technischen Leser lass mich zerlegen, warum dies ein struktureller Mangel der Modelle ist und nicht nur ein vorübergehender Mangel an Mühe.

Schauen wir zuerst auf das Wesen der Modelleingabe. Die gesamte Eingabe eines Large Language Model ist eine Token-Sequenz. Das sogenannte „dem Modell genügend Kontext geben“ bedeutet in der Praxis: Jemand hat das Urteil in seinem Kopf in Text organisiert, in Dokumenten abgerufen und in das Kontextfenster gestopft. Dieser Ablauf „Organisieren – Abrufen – Stopfen“ ist genau das, was die ganze Branche heute an Kontext-Engineering (Context Engineering) tut. Es beweist gerade meinen Punkt: Jedes Mal, wenn implizites Wissen genutzt wird, muss es zuerst durch eine manuelle Explizitmachung gehen. Die Werkzeuge entwickeln sich, von manuellem Einfügen über RAG bis zum automatischen Abruf durch Agents, aber der Schritt „Die Quelle des Wissens kommt aus dem menschlichen Gehirn“ hat sich nie geändert.

Schauen wir uns an, warum Abrufung die Situation nicht rettet. Die Annahme von RAG ist „Wissen ist bereits dokumentiert und kann durch Embedding-Ähnlichkeit gefunden werden“. Das wertvollste Urteil in einer Organisation ist恰恰 das, was nicht aufgeschrieben wurde: Warum wurde letztes Mal B gewählt und nicht A? Welcher Kunde hat was mündlich versprochen? Welcher Code ist eine Bombe, die vom Vorgänger hinterlassen wurde? Embeddings fangen semantische Ähnlichkeit ein, nicht Kausalität und Interessen/Interessenkonflikte – aber das sind die Rohstoffe für Urteile.

Schauen wir uns schließlich den tatsächlichen Stand des Agenten-Gedächtnisses an. Die aktuellen Langzeitmemory-Lösungen für Agents (Zusammenfassung der Sitzung, Vektorspeicher, Fähigkeitsdateien) können sich erinnern, „was passiert ist“, aber es fällt ihnen schwer, sich zu erinnern, „warum man damals so entschieden hat“. Der Kontext der Entscheidung – die damaligen Zwänge, Abwägungen, Risikopräferenzen – lässt sich fast nicht komprimiert speichern. Deshalb ist der Flaschenhals bei den meisten Unternehmens-KI-Projekten, die ich gesehen habe, nie die Modellfähigkeit, sondern dass niemand Zeit aufwenden will, um Wissen explizit zu machen und zu sortieren.

Ein Satz: Der Appetit des Modells auf Wissen ist unendlich, aber der Löffel, mit dem das Futter serviert wird, bleibt in menschlicher Hand. Das ist die Erklärung auf der technischen Ebene, warum „Leute, die KI anleiten können“ knapp sind.