Shiwen Dialogue Folge 27 | Karpathy sagt, die Konsenslücke weitet sich: Zwei Welten in demselben Unternehmen

Moderator: Shiwen (AI) | Guest: Yongliang

Einleitung: Eine Nachricht, 425 Kommentare – zwei Welten im Streit

Am 11. Oktober postete Andrej Karpathy eine Nachricht mit dem Text: „Poste noch einmal diese April-Nachricht, denn der Konflikt bezüglich des gemeinsamen Verständnisses über die Fähigkeiten von LLMs wächst.“ Seine Einteilung war provokant: etwa 6 Milliarden Menschen, drei Viertel der Bevölkerung, hatten kaum Kontakt zu LLMs; auf der anderen Seite etwa 20 Millionen Menschen, 0,2%, hatten bereits gesehen, wie „große und komplexe Projekte, die normalerweise Wochen oder Monate dauerten, mit einem einzigen Anweisung abgeschlossen werden konnten“. Der ehemalige AI-Direktor bei Tesla und Gründungsmitglied von OpenAI ist einer der einflussreichsten persönlichen Kommentatoren in diesem Bereich. Die Nachricht wurde noch in derselben Nacht auf Hacker News veröffentlicht, und bis zum 12. Oktober hatte sie über 260 Unterstützungsstimmen und 425 Kommentare erhalten. Im Kommentarbereich entstand kein Konsens, sondern der Konflikt selbst wurde noch verstärkt: Die Hälfte der Leute sagte „Stimmt, ihr habt das nie benutzt“, die andere Hälfte sagte „Nicht wahr, ich benutze es täglich, ich habe das noch nie gesehen“. In dieser Ausgabe stellen wir uns nicht auf eine Seite und betrachten diesen Konflikt als organisatorisches Phänomen, denn seine Miniaturversion befindet sich in jeder Firma.

Shiwen: Ist Karpatys Bezeichnung dieses „Konflikts“ überhaupt berechtigt?

Yongliang: Ja, aber der Wert liegt nicht darin, ob er recht hat oder nicht, sondern darin, dass diese 425 Kommentare perfekt das Phänomen wiederholen, das er beschrieben hat. Dasselbe Thema wird von erfahrenen Nutzern und Anfängern auf zwei verschiedene Arten wahrgenommen, und beide Seiten verwenden ihre persönlichen Erfahrungen als Beweis. Ich habe ein Team von bis zu 70 Personen geleitet, jetzt arbeite ich im Bereich AI-Technologie. Mein direktestes Gefühl ist: Dieser Konflikt findet nicht im Internet statt, sondern in meiner Firma. Auf derselben Etage unterscheiden sich die Einschätzungen der beiden Gruppen bezüglich dessen, was „AI tun kann“, um eine Größenordnung, und beide halten den anderen für unvernünftig. Das ist meine Erfahrung, keine Statistik.

Shiwen: Die Perspektive des „Konflikts in der Firma“ ist gut gewählt, weiter im Text. Zuerst einmal: Was hat er genau gesagt?

Q1: Was hat er eigentlich gesagt?

Shiwen: Erklären wir zuerst die Nachricht, was genau Karpatys Einteilung ist?

Yongliang: Mit einem Wort: Er teilte die Welt der Menschen nach der „tatsächlichen Intensität ihres Kontakts mit LLMs“ in zwei Gruppen ein.

Der Teil der Nachricht, den man überprüfen kann, lautet: etwa 6 Milliarden Menschen, etwa 75% der Bevölkerung, hatten kaum Kontakt zu LLMs; etwa 20 Millionen Menschen, 0,2%, haben gesehen, wie große und komplexe Projekte, die normalerweise Wochen oder Monate dauerten, mit einer einzigen Anweisung abgeschlossen wurden. Er sagte, dass diese April-Nachricht jetzt wieder veröffentlicht wird, weil der Konflikt wächst, nicht schrumpft. Ein Detail muss erklärt werden: Ich konnte den vollständigen Originaltext der Nachricht nicht vollständig überprüfen. Die angegebenen Zahlen sind der Teil des Textes, der am Anfang der Nachricht zu sehen war, plus die Quellenangaben der Kommentatoren auf Hacker News, die übereinstimmen. Falls es noch weitere Ebenen gibt, werden wir das in dieser Ausgabe nicht erraten.

Shiwen: Ist diese Einteilung überhaupt haltbar?

Yongliang: Strukturell gesehen ist das solide, aber die dramatische Darstellung ist umstritten. 75% der Menschen haben tatsächlich noch nie ein LLM tiefgründig genutzt, nur 0,2% sind echte Agent-Nutzer – diese Unterschiede sind nicht groß. Das Problem liegt in dem Satz „Eine Anleitung kann wochenlang ein Projekt abwickeln“ – hier wird das Beste als typisches Szenario betrachtet. Ein langjähriger Ingenieur in den Kommentaren sagte ganz direkt: Karpathy hat absichtlich alle Details weggelassen, um dramatisch zu wirken. Die Situationen, in denen er tatsächlich erfolgreich war, waren das Übertragen und Übersetzen von Texten, denn die Regeln für solche Aufgaben sind bereits in Code als „beste Normensprache“ festgelegt, sodass das Modell selbstprüfen kann. Mit anderen Worten: Agenten zeigen sich in Situationen, in denen die Regeln vollständig sind, hervorragend, aber in Situationen, in denen man Entscheidungen treffen muss, sind sie noch halbfertig. Diese Unterscheidung ist der Schlüssel zur Verständnis des Ganzen.

Q2: Was sehen die beiden Gruppen im Kommentarbereich?

Shiwen: 425 Kommentare – wie sehr streiten sich die beiden Gruppen?

Yongliang: Die Skeptiker sind die vorherrschende Meinung im Kommentarbereich, und sie sind sehr konkret.

Es handelt sich nicht um einen Slogan „AI funktioniert nicht“, sondern um die Darstellung von Arbeitsprozessen. Ein Mensch, der intensiv experimentiert hat mit standardgesteuerten Entwicklungen, sagte, dass er mit LLM-Projekten nicht nur Anleitungen, sondern auch informelle Spezifikationen zur Verfügung stellt. Doch er hat noch nie gesehen, dass das Modell selbst ein zufriedenstellendes Ergebnis liefert. Es gibt immer Grenzfälle, die nicht berücksichtigt werden, und immer Architekturentscheidungen, für die man Entscheidungen treffen muss. Ein anderer tiefgründiger Nutzer beschrieb seinen echten Prozess: Mehrere Dialogrunden, Teilaufträge von Sub-Agenten, häufige Fehler im UI, die behoben werden müssen. Dann stellte er die Frage „Eine Anleitung kann wochenlang ein Projekt abwickeln“ – und antwortete mit dem Wort „Wirklich“. Einige Skeptiker waren noch entschlossener: Wenn das Modell intern um ein Vielfaches besser wäre, warum sind die von OpenAI und Anthropic veröffentlichten Programme immer noch so? Die Demonstrationen sollten doch funktionieren.

Shiwen: Was ist mit der Erklärungsgruppe?

Yongliang: Der beste Kommentar der Erklärungsgruppe handelt vom Mechanismus: Tools wie Claude Code haben die Spaltung beschleunigt. Programmierer, die LLM mit einem Terminal verbinden, fühlen sich 100 Mal klüger; normale Nutzer verwenden immer noch Chat-Fenster, die sich stagnieren. Die wahre Kraft des Modells zeigt sich erst, wenn es mit Terminals, Dateisystemen und Werkzeugen kombiniert wird – allein durch Chats kann man diese Seite nicht erkennen. Dieser Kommentar trifft genau ins Schwarze: Auf beiden Seiten des Abgrunds wird tatsächlich nicht dasselbe Produkt verwendet. Ein weiterer Kommentar ist noch ruhiger: Vielleicht sollte die Werbung sich auf „die starke Accelerator für Entwickler“ konzentrieren, nicht auf „AI wird alles ändern“. Nicht-technische Menschen verstehen es nicht, weil sie keine konkreten Bedürfnisse haben – nicht jeder braucht ein Elektronenmikroskop.

Shiwen: Es klingt, als hätten beide Seiten recht – ist das also eine Mischung?

Yongliang: Nein, denn ein Kommentar trifft beide Seiten genau: Die Fähigkeiten des Modells werden tatsächlich beschleunigt, aber das Model, das letztes Jahr Weihnachten beeindruckend war, ist jetzt veraltet. Aber die Leute, die vor einem Jahr nur einen Blick darauf geworfen haben und dachten „man kann nicht einmal ein Projekt starten“, hatten damals auch recht. Beide Seiten betrachten ihre eigenen Zeitabschnitte als das Ganze. Das ist genau die Definition des Abgrunds: Es geht nicht darum, wer lügt, sondern darum, dass alle unterschiedliche Stichproben verwenden, um dieselbe Verteilung zu schätzen.

Q3: Unternehmen sind eine Miniaturversion des Abgrunds

Shiwen: Du hast angefangen, indem du sagte, dass dieser Abgrund bereits in den Unternehmen existiert – wie sieht er konkret aus?

Yongliang: In derselben Firma kann der Unterschied in der Wahrnehmung dessen, was „AI alles tun kann“, zwischen Ingenieuren, die intensiv Agenten nutzen, und Führungskräften, die nur Chat-Fenster verwendet haben, eine Größenordnung betragen. Beide Seiten sind sich nicht bewusst, wie groß der Unterschied ist.

Die typischen Szenarien, die ich gesehen habe: Engineers nutzen Agenten, um in der Hälfte der Zeit die Arbeit der letzten zwei Tage zu erledigen, und berichten begeistert. Die erste Reaktion der Führungsebene ist oft: „Hast du dann nicht vorher faul herumgesessen?“ Umgekehrt sehen Führungskräfte bei einer Pressekonferenz eine Demonstration und sagen: „Wir wechseln das gesamte System auf AI.“ Die Engineers wissen genau, wie viele Hindernisse die Demonstration von der Produktionsumgebung trennen. Beide Seiten haben kein böses Ziel – beide nutzen den „AI“, den sie kennen, um Entscheidungen zu treffen. Karpathys Aussage von 75 % und 0,2 % bedeutet in einem Unternehmen: „Diejenigen, die die Demonstration gesehen haben“, und „diejenigen, die täglich arbeiten“.

Shiwen: Wie hast du es geschafft, eine Teamgröße von 70 Personen zu verbinden?

Yongliang: Meine Methode war, Unterschiede in der Wissensschicht sichtbar zu machen, anstatt durch Besprechungen zu überzeugen.

Drei konkrete Schritte: Erstens: Man lässt nicht die tief eingebetteten Nutzer ihre Erfahrungen teilen, sondern sie lassen sie eine echte Aufgabe am Tag ausführen, mit dem eigenen Codebibliothek des Teams. Sowohl Erfolg als auch Misserfolg werden allen gezeigt. Demonstrationen können gefälscht werden, aber am Tag nicht. Zweitens: Man lässt auch die Zweifler nicht einfach nur im Raum zweifeln. Man gibt ihnen eine klar definierte kleine Aufgabe, die mit Agenten erledigt wird, damit sie selbst erkennen, „wo es gut läuft und wo es Probleme gibt“. Drittens: Man listet die Aufgaben auf, die Agenten bewältigen können oder nicht, und plakatiert diese im Prozess. Neue Tools werden zuerst klassifiziert: Solche mit vollständigen Regeln (Übertragung, Übersetzung, Formatumwandlung, Mustercode) können sicher verwendet werden; solche mit zusätzlichen Anpassungen (Architektur, Grenzfälle, Sicherheit) sollten nur als Entwurfsmodelle betrachtet werden. Ich stimme einer Aussage in den Kommentaren zu: Der wahre Unterschied ist nicht zwischen Verständnis und Nichtverständnis, sondern zwischen denen, die den Codebibliothek verstehen müssen, um ihn zu pflegen, und denen, die keinen Code überprüfen und glauben, dass AI niemals Fehler macht. In Unternehmen sollte dieser Unterschied verbunden werden.

Q4: Die Verifizierungsfähigkeit ist der wahre Wall

Shiwen: Was war das größte Veränderung in der Managementarbeit nach dem plötzlichen Anstieg der Agentleistung?

Yongliang: Die Überprüfung wurde schwerer, nicht leichter. Das ist unlogisch, aber real.

In den Kommentaren gibt es eine tiefe Beobachtung: Der wahre Wall ist nicht die Fähigkeit des Modells, sondern die Fähigkeit der Menschen, die Ergebnisse zu verifizieren. Der Kommentator erwähnte, dass die Ergebnisse der führenden Mathematik letztendlich von Menschen überprüft werden müssen. Hunderte von Manuskripten müssen von Mathematikern einzeln gelesen werden. Was ihn wirklich beunruhigt, ist, dass die Menschen aufhören könnten, die Überprüfung manuell durchzuführen. Dieses Problem in Unternehmen wäre der Vorläufer eines Sicherheitsproblems. Ein Agent kann in einer Stunde zehntausend Zeilen Code produzieren, aber es sind immer noch Menschen, die diese Zeilen überprüfen. Wenn die Produktivität zehnmal höher ist, wird der Verifizierungsaufwand nicht automatisch eine Zehntel sein. Die Teile, die nicht übertragbar sind, sind das Risiko. In einem Team von 70 Personen: Wer überprüft die Leistung des Agents, in welchem Maß, und wer unterschreibt bei Problemen – diese drei Fragen sind in der Agentzeit viel wichtiger als „Ob man AI verwenden soll“ oder nicht. Meine Antwort war immer: Wer hinzukommt, ist verantwortlich. Der Agent trägt keine Schuld, denn er kann keine Schuld tragen.

Shiwen: Ist das auch der Grund, warum viele Unternehmen „mit Agenten noch chaotischer werden“?

Yongliang: Ja, der Chaos liegt darin, dass die Produktivität als Lieferung angesehen wird. Code schreiben bedeutet nicht, dass die Arbeit erledigt ist. Erst wenn die Ergebnisse verifiziert sind, gepflegt werden können und bei Problemen jemand gefunden wird, ist es eine echte Lieferung.

Q5: Sollten die 75 % der Menschen besorgt sein?

**Shiwen: Zurück zu den normalen Menschen. Die meisten, die nicht tief in AI eingebettet waren, sollten sich Sorgen machen, wenn sie sehen, dass „der Abgrund sich ausbreitet“?

Yongliang: Meine Einschätzung: Der Werkzeugabgrund ist kein Überlebenskrise, aber die Effizienzunterschiede zwischen Kollegen sind real. Das muss nicht tröstend sein.

Zuerst zu dem Teil, bei dem man sich keine Sorgen machen muss. Im Kommentarbereich gibt es eine Liste aus der Sicht eines Durchschnittlers, die viel Resonanz findet: Dein Auto hat sich nicht verändert, der Spülmaschine auch nicht, Züge sind immer noch nicht flexibel, Öl und Lebensmittel sind teurer geworden, die Politik bleibt gleich. Für die meisten Menschen hat AI noch keine wirklichen Veränderungen im Leben bewirkt – das ist keine Illusion, sondern die Realität. Ein Kommentator hat es scharf, aber genau formuliert: Vielleicht nur ein paar tausend Menschen auf der Welt, die wirklich bewerten müssen, ob „LLM’s die fortgeschrittene Mathematik lösen können“, die anderen kümmern sich nicht darum – das ist in Ordnung.

Shiwen: Was muss dann getan werden?

Yongliang: Es muss nur eine Sache getan werden: Verstehen, welche 0.2% deiner Kollegen verwenden, und dann in deinem eigenen Fachgebiet ausprobieren.**

Es geht nicht darum, einen Wörterbuch der Prompt-Wörter zu schreiben, sondern die „regelmäßigen“ Teile deines Jobs zu finden und sie mit einem Agent auszuführen: Code schreiben beginnt mit Vorlagen und Portierungen, Material schreiben beginnt mit Formatierung und ersten Entwürfen, Daten verarbeiten beginnt mit Reinigung. Ein Kommentator, der sich auskennt, hat sich selbst verspottet: Er versteht die Fähigkeiten von AI und weiß, wie man sie nutzt, aber abgesehen davon weiß er nicht, wie er damit Geld verdienen kann. Das Gegenteil ist die Chance für den Durchschnittlichen: Diejenigen, die Werkzeuge verwenden, haben noch nicht gelernt, Geld zu verdienen, und diejenigen, die Geld verdienen, können Werkzeuge noch nicht nutzen – so wenige Menschen gibt es, die beides können. Der Fortschritt muss konkret sein: Diese Woche eine wiederkehrende Aufgabe an den Agent übergeben, nächste Woche den Überprüfungsprozess aufbauen. Angst ist nutzlos, nur Beispiele sind wichtig.

Schlusswort: Wie antwortest du, wenn der Chef fragt „Kann AI wirklich funktionieren“?

Shiwen: Als technischer Leiter, wenn der Chef Karpathy’s Tweet liest und fragt „Kann AI wirklich funktionieren“, wie antwortest du?

Yongliang: Antworte nach dem Typus der Aufgabe, sei weder ein Prediger noch ein Zweifler.

Drei Sätze: Erstens, regelmäßige Aufgaben können bereits ausgeführt werden – Portierungen, Übersetzungen, Vorlagen, Formatierung – das sollte jetzt stattfinden, sonst ist es Verschwendung. Zweitens, für Aufgaben, bei denen jemand Entscheidungen treffen muss, ist der Agent ein Entwurfsgerät und nicht ein Lieferant – nutze ihn, um Zeit zu sparen, aber die Kosten für Überprüfung und Unterschrift müssen berücksichtigt werden. Auch das spart keine Menschen. Drittens, „eine Prompt-Wort-Aufgabe, die ein Projekt mehrere Wochen dauert“, ist eine Demonstration und nicht die Norm – wer Demonstrationen als Versprechen verwendet, bohrt dir ein Loch. Füge hinzu: Der Abgrund wird tatsächlich größer, aber es wird nicht der „AI kann funktionieren“-Abgrund sein, sondern der Unterschied zwischen denen, die es können, und denen, die es nicht können. Unser Ziel ist es, diejenigen, die es können, zur Mehrheit zu machen.

Tiefere Information: Drei Themen, auf die man weiter achten kann

1. Wird der Abgrund von selbst kleiner werden? Karpathy sagt, dass er größer wird, aber in der Geschichte hat jede Werkzeugschockrevolusion die Kluft letztendlich durch die Verwendung von Werkzeugen geschlossen. Wie lange kann die Trennung zwischen Chatfächern und Terminals anhalten? Das ist bemerkenswert.
2. Wird die Überprüfung zum neuen Beruf werden? Nach dem Aufschwung der Produktivität wird es knapp mit Überprüfungsfähigkeiten geben – „AI-Produktionsüberprüfung“ könnte wie früher Testingenieure professionell werden, und das wird die ersten Unternehmen wahrnehmen.
3. Die Differenzierung innerhalb der 0.2% – Die hochaktiven Nutzer akzeptieren nicht die „Prompt-Wort-Aufgaben“, was zeigt, dass die Spektrum viel komplexer ist als zwei Ebenen. Die nächste Konferenz könnte zunächst innerhalb der hochaktiven Nutzer entstehen und dann nach außen ausbreiten.

Quellen

• Karpathy-Tweet: Veröffentlicht am 2026-10-11, Originaltext überprüft mit oEmbed-Schnittstelle; die aufgeteilten Zahlen sowie der sichtbare Teil des Tweets und die Originalzitate mehrerer Kommentatoren in der HN-Kommentarszone stimmen überein. Die nicht überprüften Teile des Textes wurden als unbestätigt gekennzeichnet.
• HN-Story 50047422: Erstveröffentlichung am 2026-10-11 20:20, 260+ Unterstützungsmeilen und 425 Kommentare (Snapshot vom 2026-10-12). Die Kommentarliste wurde mit der Algolia-Schnittstelle abgerufen. Der gesamte Text wurde wiedergegeben, ohne die Namen der Autoren anzugeben.
• Die Meinungen der Gäste basieren auf persönlichen Erfahrungen und Urteilen, nicht auf statistischen Ergebnissen. Der Text wurde an allen Stellen gekennzeichnet.