Als leidenschaftlicher Podcaster spielte ich immer wieder mit dem Gedanken, einen neuen Podcast aufzunehmen. Mein Lieblingsthema ist natürlich Künstliche Intelligenz. Doch bislang hat mich der immense Zeitaufwand abgeschreckt. Aufnahme, Schnitt, Audiobearbeitung, Upload, Metadatenpflege, Hosting und Shownotes erforderten den Einsatz zahlreicher Tools und kosteten mich unzählige Stunden. Vor Kurzem habe ich Podcastle entdeckt und sah zum ersten Mal eine echte Chance, wieder selbst zu podcasten!

Nach drei Monaten intensiver Nutzung von Podcastle für meinen Podcast „Synapsensprung“ muss ich jedoch eine ernüchternde Bilanz ziehen…

Was ist Podcastle?

Podcastle bewirbt sich als All-in-One-Lösung, die den Zugang zum Podcasting durch KI-gestützte Tools vereinfachen soll. Die Realität sieht leider anders aus.

Die Produkte

Die Produkte und ihre Schwächen:

1. Aufnahmestudio

Das Aufnahmestudio von Podcastle ist eine echte Bereicherung für Podcaster. Es verspricht Studioqualität von überall aus, sowohl für Audio- als auch Videoaufnahmen.

• Audioaufnahmen: Unkomprimierte 48kHz WAV-Audio für jeden Gast sorgt für kristallklare Tonqualität. Bis zu 10 Gäste können über den Chrome-Browser oder die iOS-App eingeladen und aufgenommen werden, was das Remote-Podcasting erleichtert.
• Bearbeitung und Verbesserung: Separate Audio- und Videospuren für jeden Gast ermöglichen präzise Bearbeitung. Hintergrundgeräusche können mit einem Klick entfernt werden, was stundenlange Nachbearbeitung erspart. Lokale Aufnahmen bis zu 4K sorgen für Studioqualität, die sicher in der Cloud gespeichert wird.
• Bildschirmfreigabe: Ideal für Videopodcasts, Webinare oder Tutorials, um den Inhalt ansprechender und interaktiver zu gestalten.

Die Realität: Grundlegende Aufnahmefunktionen funktionieren, aber die Audioqualität lässt zu wünschen übrig.

2. Audio Editor

Der Audio Editor von Podcastle ist ein einfach zu bedienendes, aber leistungsstarkes Tool zur Verbesserung von Audioinhalten.

• Teilen/Schneiden: Audiofiles können präzise geteilt und geschnitten werden, was glatte Übergänge und professionelle Segmente gewährleistet.
• Ein-/Ausblenden: Professionelle Ein- und Ausblendungen sorgen für einen polierten Klang.
• Geschwindigkeitsanpassung und Trimmen: Die Geschwindigkeit von Audiodateien kann angepasst und die Dateien einfach getrimmt werden, um den gewünschten Fluss und die Länge zu erreichen.
• Soundeffekte und Musik: Zugriff auf eine hochwertige, gebührenfreie Musikbibliothek zur Verbesserung der Klanglandschaft des Podcasts.

Aber: Der stark beworbene „Magic Dust“ AI Filter erweist sich als unbrauchbar. Er macht unsere Aufnahmen teilweise unbenutzbar, denn er verstärkt und verzerrt Nebengeräusche wie Atmen extrem und verschlechtert insgesamt die Audioqualität, statt sie zu verbessern!

3. Video Editor

Der Video Editor ist auf Einfachheit und Effizienz ausgelegt und ermöglicht die nahtlose Erstellung und Bearbeitung von Videoinhalten.

• Aufnehmen und Bearbeiten in einem Studio: Direkt nach der Aufnahme kann im Browser bearbeitet werden, was Zeit und Mühe spart.
• Markenpräsentation: Logos, benutzerdefinierte Hintergründe und Bauchbinden können hinzugefügt werden, um Videos zu personalisieren.
• Sofortige Highlights: Highlights können während der Aufnahme markiert werden, um kurze Clips für soziale Medien mühelos zu erstellen.

4. Technische Probleme

Während meiner dreimonatigen Nutzung, habe ich insgesamt 8 Podcast-Folgen aufgenommen, geschnitten, bearbeitet und veröffentlicht, bzw. die Veröffentlichung geplant. Dabei ist es immer wieder zu sehr ärgerlichen Problemen gekommen, beispielsweise verschiebt die Export-Funktion Tracks willkürlich und so kommt es zu Timing-Probleme zwischen Editor und exportierter MP3 und sogar fehlerhaften Schnitte in veröffentlichten Episoden!

Das Tool soll eigentlich Zeit sparen – Wenn ich am Ende jede Folge nochmal komplett hören muss, um solche technischen Fehler zu entdecken, kostet mich das mehr Zeit, als es spart!

5. Podcast Hosting

Das Hosting deines Podcasts mit Podcastle ist einfach und effizient, aber nicht DSGVO-konform.

• Veröffentlichung überall: Der Podcast kann mit einem einzigen Link auf den großen Plattformen wie Apple und Spotify veröffentlicht werden.
• Integrierter Workflow: Erstellen, Bearbeiten und Veröffentlichen erfolgt auf einer Plattform, ohne dass Dateien zwischen verschiedenen Tools übertragen werden müssen.
• Eigene Hosting-Seite: Die eigene Seite für die Show auf der Podcastle-Website erleichtert zwar das Teilen und Einbetten, liegt aber auf der Domain von podcastle.

6. Schlechter Kundenservice

Nach den ersten schlechten Erfahrungen mit dem Magic Dust Filter, habe ich mich an podcastle gewendet, doch ich musste mehr als zwei Wochen auf eine Antwort warten. Dabei ging der Support nicht adäquat auf meine Fehlermeldungen ein, ignorierte kritisches Feedback und bot keine Lösungen für die gemeldeten Probleme an.

Preise

Podcastle bietet verschiedene Preispläne an, die auf unterschiedliche Bedürfnisse zugeschnitten sind:

Die Preise erscheinen zunächst attraktiv, jedoch rechtfertigt die mangelhafte Qualität der Software nicht einmal den günstigsten bezahlten Tarif.

Fazit

Nach dreimonatiger Erfahrung mit Podcastle rate ich dringend von der Nutzung ab! Die Software verspricht viel, hält aber wenig. Die KI-Funktionen sind unausgereift, technische Probleme häufen sich, und der Support lässt zu wünschen übrig. Wer ernsthaft podcasten möchte, sollte sich nach verlässlicheren Alternativen umsehen.

Eine neue Forschungsarbeit des MIT hat kürzlich demonstriert, wie große Sprachmodelle durch eine besondere Trainingsmethode deutlich bessere Ergebnisse bei komplexen Denkaufgaben erzielen können. Die Methode nennt sich „Test-Time Training“ (TTT) und funktioniert ähnlich wie ein Mensch, der sich kurz vor einer Aufgabe nochmal intensiv mit ähnlichen Beispielen beschäftigt. Das Besondere dabei: Für jede neue Aufgabe wird ein spezieller „Adapter“ trainiert, der das Grundmodell temporär erweitert und optimiert.

Für viele KI-Enthusiasten dürfte die Verwendung von LoRA-Adaptern nicht ganz neu sein: Die Technik hat sich in der Bild-KI-Community bereits als leistungsfähige Methode etabliert, um bestehende Bildgenerierungsmodelle wie Stable Diffusion an spezifische Stile oder Personen anzupassen. Mit nur etwa 10 bis 15 Fotos einer Person lässt sich beispielsweise ein personalisierter LoRA-Adapter trainieren, der dann in der Lage ist, neue, künstliche Bilder dieser Person in verschiedensten Situationen und Stilen zu generieren. Der Adapter speichert dabei die charakteristischen Merkmale der Person, während das Grundmodell sein allgemeines „Verständnis“ von Menschen, Posen und Umgebungen beisteuert.

Was die MIT-Forscher nun zeigen, ist quasi eine Übertragung dieses Prinzips auf abstrakte Denk- und Mustererkennung: Statt visueller Merkmale einer Person lernt der Adapter hier die spezifischen Transformationsregeln einer Aufgabe. Diese Parallele macht deutlich, wie vielseitig einsetzbar das Konzept der adaptiven Feinabstimmung in verschiedenen Bereichen der KI ist.

Die Forscher testeten ihren Ansatz am „Abstraction and Reasoning Corpus“ (ARC), einer Sammlung besonders kniffliger visueller Rätsel. Bei diesen Aufgaben müssen aus wenigen Beispielen komplexe Muster erkannt und auf neue Situationen übertragen werden – eine Fähigkeit, die bisherigen KI-Systemen oft schwerfällt. Durch die Kombination von initialem Training, aufgabenspezifischen Lora-Adaptern und cleverer Erweiterung der Trainingsdaten durch geometrische Transformationen (wie Drehungen und Spiegelungen der Aufgaben) verbesserte sich die Genauigkeit insgesamt um das Sechsfache. Das verwendete 8-Milliarden-Parameter-Modell erreichte eine Genauigkeit von 53% und in Kombination mit programmatischen Ansätzen sogar 61,9% – vergleichbar mit durchschnittlicher menschlicher Leistung.

Was bedeutet das nun für die Praxis?

Die Methode zeigt enormes Potenzial für spezialisierte Anwendungen. In der wissenschaftlichen Forschung könnten komplexe Messdaten analysiert werden, in der medizinischen Diagnostik könnten seltene Krankheitsmuster erkannt werden, und in der industriellen Qualitätskontrolle könnten subtile Abweichungen aufgespürt werden. Die Stärke liegt besonders dort, wo nur wenige Beispiele verfügbar sind, aber sehr präzise Ergebnisse benötigt werden.

Allerdings gibt es auch deutliche praktische Einschränkungen: Die Methode benötigt erhebliche Rechenleistung – für 100 Aufgaben waren zwölf Stunden auf einer NVIDIA A100, einem Hochleistungs-GPU, nötig. Das macht sie ungeeignet für Echtzeit-Anwendungen. Für jeden Task muss ein eigener Adapter trainiert werden, was sowohl zeit- als auch ressourcenintensiv ist. Die Forscher verwendeten dabei zwar bereits eine relativ effiziente Technik (Low-Rank Adaptation) mit einem Rang von 128, insgesamt benötigt dies aber immer noch erhebliche Ressourcen.

Der Wert dieser Forschung liegt ganz klar in Anwendungen, wo Genauigkeit wichtiger ist als Geschwindigkeit.

Ein Beispiel: Bei der Analyse wissenschaftlicher Experimente könnte das System zunächst anhand weniger bekannter Beispiele lernen, welche spezifischen Muster relevant sind, und dann diese Erkenntnisse auf neue Daten übertragen – auch wenn dieser Prozess einige Stunden dauert. Das System ist dabei flexibler als fest trainierte Modelle, da es sich durch das Test-Time Training an neue Varianten einer Aufgabe anpassen kann.

Bemerkenswert ist auch, dass die Forscher zeigen konnten, dass rein neuronale Ansätze mit TTT ähnlich gut funktionieren können wie Systeme mit expliziten symbolischen Komponenten. Das widerspricht der häufigen Annahme, dass für abstraktes Denken unbedingt symbolische Verarbeitung zwingen nötig sei.

Die Arbeit zeigt damit einen wichtigen Trend in der KI-Entwicklung: die Möglichkeit, bestehende Modelle durch clevere Anpassungsmechanismen zu verbessern, statt immer größere Modelle zu entwickeln. Sie macht aber auch deutlich, dass der Einsatz solcher Technologien sorgfältig abgewogen werden muss – zwischen dem Gewinn an Genauigkeit und dem erheblichen Ressourcenaufwand.

Es war mir eine große Freude, zum zweiten Mal bei Rolf im OMR Education Podcast zu Gast zu sein. Nach unserem ersten Gespräch vor über einem Jahr, damals anlässlich meines ersten Buches, widmeten wir uns diesmal einem Thema, das die digitale Transformation fundamental prägt: Effektives Prompt Engineering.

Prompt Engineering ist weit mehr als nur eine Technik – es ist die zentrale Kompetenz, die darüber entscheidet, ob KI-Tools wie ChatGPT zu wertvollen Partnern oder zu schwerfälligen „Praktikanten“ werden. Als Online-Marketing-Veteran und KI-Experte hatte ich die Gelegenheit, tiefe Einblicke in die Kunst des Prompting zu geben.

Die wichtigsten Erkenntnisse aus dem Podcast:

• Grundlagen des erfolgreichen Promptings
  • Was macht einen effektiven Prompt aus?
  • Warum ist präzise Kommunikation mit KI-Modellen entscheidend?
  • Wie formuliert man Anweisungen, die zu optimalen Ergebnissen führen?
• Best Practices für maximale KI-Performance
  • Strukturierte Herangehensweise an Prompt-Entwicklung
  • Techniken zur Optimierung von KI-Outputs
  • Praktische Beispiele aus dem Marketing-Alltag
• Domänen-Expertise als Schlüsselfaktor
  • Warum Sie nichts mit KI tun sollten, was Sie nicht auch ohne KI verstehen
  • Die Bedeutung von Fachkenntnissen beim Prompt Engineering
  • Wie Sie das Skilllevel verschiedener KI-Modelle richtig einschätzen
• Grenzen und Chancen im Blick behalten
  • Realistische Einschätzung der KI-Möglichkeiten
  • Identifikation der optimalen Einsatzszenarien
  • Bewusstsein für ethische und praktische Limitationen

Ein besonders spannender Teil unseres Gesprächs widmete sich den neuesten Entwicklungen in der generativen KI. Wir diskutierten:

• Autonome Agenten und ihre Einsatzmöglichkeiten
• Das Potenzial von Multiagenten-Teams
• „Head-of“-Modelle als zukünftige Strategie-Entwickler
• Die Transformation von Marketing-Teams durch KI-Integration

Ein Highlight des Podcasts war Rolfs ehrliche Reflexion über seine eigenen Erfahrungen mit Prompt Engineering. Seine Erkenntnisse über die Herausforderungen überfüllter Prompts und die anschließende Verbesserung durch strukturierte Best Practices zeigen eindrucksvoll, wie wichtig methodisches Vorgehen beim Prompt Engineering ist.

Der richtige Umgang mit KI entwickelt sich zunehmend zur Schlüsselkompetenz in der digitalen Transformation, effektives Prompt Engineering ist eine der Grundlagen, die es hierfür braucht. Der Podcast bietet einen umfassenden Einblick in die Techniken und Strategien, die für eine erfolgreiche Zusammenarbeit mit KI-Tools unerlässlich sind.

Bonus: Best Practice Checkliste

Im Podcast stelle ich eine praktische Checkliste für erfolgreiches Prompt Engineering vor. Diese hilft Ihnen dabei:

• Prompts strukturiert zu entwickeln
• Häufige Fehler zu vermeiden
• Die Qualität Ihrer KI-Outputs zu optimieren

Sie möchten mehr über Prompt Engineering lernen? Hören Sie sich die vollständige Episode an und lassen Sie sich von den praktischen Tipps und Erkenntnissen inspirieren.

Hier geht es direkt zum Podcast auf den unterschiedlichen Plattformen

Teil 1 meiner Serie über KI-Agenten und ihre Entwicklung

Die Entwicklung der Künstlichen Intelligenz hat in den letzten Jahren mit dem Aufkommen von großen Sprachmodellen einen bemerkenswerten Sprung gemacht. Besonders interessant ist derzeit die Entwicklung und Entstehung von KI-Agenten, die als (teil-)autonome Softwaresysteme zunehmend komplexe Aufgaben bewältigen können. Doch was verbirgt sich eigentlich hinter diesem Begriff und was können KI-Agenten eigentlich wirklich leisten?

Die digitale Transformation kennt keine Verschnaufpausen. Gerade erst haben wir uns an ChatGPT und seine erstaunlichen Fähigkeiten gewöhnt, da kündigt sich bereits die nächste Revolution an: Autonome KI-Agenten. Was zunächst nach Science-Fiction klingt, hat in der Softwareindustrie bereits konkrete Formen angenommen, und die großen Technologieunternehmen überbieten sich gegenseitig mit ambitionierten Ankündigungen. Salesforce plant nicht weniger als eine Milliarde KI-Agenten bis Ende 2025, während Microsoft stolz verkündet, dass bereits 60 Prozent der Fortune-500-Unternehmen ihren Copilot nutzen.

Die Vision ist verlockend: Eine virtuelle Belegschaft, die rund um die Uhr arbeitet, Routineaufgaben übernimmt und dabei kontinuierlich dazulernt. Die ersten Erfolgsmeldungen aus der Praxis klingen vielversprechend. Lumen Technologies rechnet mit jährlichen Einsparungen von 50 Millionen Dollar, während Honeywell von Produktivitätssteigerungen berichtet, die der Leistung von 187 Vollzeitmitarbeitern entsprechen. Bei Finastra ist die Produktionszeit für kreative Inhalte von sieben Monaten auf sieben Wochen geschrumpft. Besonders beeindruckend sind auch die Erfolge bei Pets at Home in Großbritannien, wo ein einzelner Agent jährliche Einsparungen in siebenstelliger Höhe ermöglicht, während McKinsey von 90% schnelleren Onboarding-Prozessen berichtet.

Das Timing dieser Entwicklung könnte kaum besser sein. In den kommenden Jahren werden Millionen von Baby-Boomern in den Ruhestand gehen. KI-Agenten versprechen hier nicht nur eine Lösung für den drohenden Fachkräftemangel, sondern auch die Möglichkeit, das wertvolle Wissen dieser Generation zu bewahren und weiterzugeben.

Doch fangen wir mal von vorne an…

Was sind KI-Agenten eigentlich?

Interessanterweise gibt es keine einheitliche Definition für KI-Agenten, was die Dynamik und Komplexität dieses Feldes widerspiegelt. Im Kern bezeichnet der Begriff autonome Softwaresysteme, die in ihrer Umgebung wahrnehmen, lernen, planen und handeln können, um vorgegebene Ziele zu erreichen. Diese Systeme kombinieren verschiedene KI-Technologien und können sowohl selbstständig als auch in Zusammenarbeit mit Menschen arbeiten.

Der aktuelle Stand der Technik ist dabei sowohl beeindruckend als auch ernüchternd. Streng genommen haben wir es heute noch nicht mit „echten“ KI-Agenten zu tun, da die aktuellen Systeme nicht im klassischen Sinne lernfähig sind. Sie können lediglich „In-Context Learning“ einsetzen, etwa durch RAG (Retrieval-Augmented Generation), bei dem sie wie eine Suchmaschine Informationen finden und auswerten oder Informationen aus ihrem eigenen Output wieder im Input verwenden.

Dennoch sind die Möglichkeiten von KI-Agenten auf Basis aktueller Technologien bereits beachtlich.

Kai Spriestersbach

Ein spannendes Beispiel für einen KI-Agenten ist Sakanas AI Scientist, der zeigt, was mit aktuellen Methoden bereits möglich ist. Dieses vollautomatisierte System zur wissenschaftlichen Entdeckung generiert eigenständig Forschungsideen, führt Experimente durch, analysiert Ergebnisse und verfasst wissenschaftliche Artikel. Der gesamte Forschungsprozess wird iterativ verfeinert, ähnlich wie in der menschlichen Wissenschaftsgemeinschaft.

In veröffentlichten Tests wurde das System für die Forschung im Bereich des maschinelles Lernens eingesetzt und entdeckte dabei neue Ansätze in Bereichen wie Diffusionsmodelle und Transformer. Trotz beeindruckender Fortschritte gibt es noch Herausforderungen bei der Genauigkeit und der Automatisierung visueller Aufgaben.

Die ersten KI-Agenten

Die ersten praktischen Implementierungen von KI-Agenten zeigten sich bereits 2023 in verschiedenen Ausprägungen: Vollständig autonome Agenten wie „AutoGPT“ nutzen Chain-of-Thought-Prompting, um komplexe Aufgaben in Teilschritte zu zerlegen und diese systematisch abzuarbeiten.

Dabei überprüfen sie ihre eigenen Ergebnisse durch Self-Validation und nehmen bei Bedarf Korrektungen vor. Eine spannende Entwicklung sind auch Multi-Agent-Systeme, bei denen verschiedene, jeweils auf bestimmte Aufgaben spezialisierte Agenten als Team zusammenarbeiten. Diese können entweder zentral gesteuert werden oder eigenständig entscheiden, welche anderen Agenten sie zur Problemlösung hinzuziehen.

Agenten auch in ChatGPT

Ein pragmatischer Ansatz ist auch mit ChatGPT möglich, bei dem der sicherere „Human-in-the-Loop“-Ansatz beibehalten wird, bei dem Menschen aktiv in den Prozess eingebunden bleiben.

In ChatGPT können beispielsweise Custom GPTs erstellt werden, die über APIs Zugriff auf verschiedene Tools erhalten. In einem System-Prompt werden dem GPT Anweisungen für seine Vorgehensweise gegeben, wodurch komplexe Aufgaben bewältigt werden können. Verschiedene spezialisierte GPTs können dann in einem zentralen Chat mittels Ansprache per @-Zeichen koordiniert und deren Ergebnisse kombiniert und weiterverarbeitet werden.

Wie sieht die Architektur eines KI-Agenten aus?

Die Architektur moderner KI-Agenten ist dabei hochkomplex. Im Zentrum steht eine Kernarchitektur, die als zentrale Verarbeitungseinheit fungiert und alle Teilsysteme koordiniert. Wahrnehmungsmodule verarbeiten verschiedene Arten von Eingabedaten, sei es Text, Bild, Audio oder Video, und ermöglichen so ein umfassendes Kontextverständnis.

Ein ausgeklügeltes Planungsmodul analysiert Probleme strategisch und entwickelt Handlungspläne, wobei häufig „Chain-of-Thought“ oder Tree-of-Thought Prompting zum Einsatz kommt. Eine spannende Neuentwicklung ist hier OpenAIs o1 a.k.a. Strawberry das eine Art „Silent Tree-of-Thought“ mit interner Bewertung der Planungen/Gedanken als Optimierungsziel verwendet.

Eine besondere Herausforderung derzeit ist das Gedächtnissystem der Agenten. Sie verfügen quasi über ein Kurzzeit- und ein simuliertes Langzeitgedächtnis, wobei letzteres meist nur innerhalb des Context Windows funktioniert. Ein echtes erfahrungsbasiertes Lernen ist in der Regel nicht implementiert.

Bei ChatGPT beispielsweise funktioniert die Erinnerungsfunktion über einen cleveren Prompt-Mechanismus: Der Agent fragt sich selbst, welche Informationen aus der Konversation wichtig genug sein könnten, um sie sich dauerhaft für diesen Benutzer zu merken. Diese werden dann in eine Liste von „Erinnerungen“ aufgenommen und beim nächsten Prompt automatisch eingefügt.

Stärken von KI-Agenten

Die Stärken aktueller KI-Agenten liegen vor allem in der systematischen Analyse von Problemen, der Entwicklung strukturierter Lösungsansätze und der parallelen Bearbeitung mehrerer Aufgaben. Durch die Integration verschiedener Tools und die Automatisierung von Prozessen können sie Ressourcen effizient nutzen.

Allerdings gibt es auch deutliche Einschränkungen: Die Systeme können sich nur begrenzt an neue Situationen anpassen, verfügen über keine echte Lernfähigkeit und ihre kontinuierliche Verbesserung erfordert erheblichen Aufwand.

Auch ethische Grenzen sind zu beachten! Die moralische Urteilsfähigkeit der Agenten ist begrenzt, sie sind von programmierten Werten abhängig und können potenzielle Voreingenommenheiten aufweisen.

Technische Limitationen zeigen sich in der Abhängigkeit von der Datenqualität, einer begrenzten Transferfähigkeit und Schwierigkeiten bei unstrukturierten Problemen. Wirklich zuverlässige Ergebnisse liefern die Systeme nur in ihrem jeweiligen, eng begrenzten Aufgabenfeld.

Der aktuelle Stand in Sachen AI-Agents

In einem Interview der MIT Technology Review gewährten OpenAIs Produktchef Olivier Godement und der Leiter der Entwicklererfahrung Romain Huet tiefe Einblicke in ihre Vision. „In ein paar Jahren wird jeder Mensch auf der Erde, jedes Unternehmen einen Agenten haben“, prognostiziert Godement. Er beschreibt einen digitalen Assistenten, der nicht nur Zugriff auf unsere E-Mails, Apps und Kalender hat, sondern diese auch wirklich versteht und wie ein persönlicher Stabschef agiert.

Doch bevor diese Vision Realität werden kann, müssen zwei zentrale Herausforderungen gemeistert werden:

• Zum einen das „Reasoning“ – also die Fähigkeit der KI, wirklich logisch zu denken und komplexe Aufgaben zuverlässig zu lösen.
• Zum anderen die nahtlose Integration verschiedener Tools und Datenquellen. Die KI muss nicht nur im Internet surfen können, sondern auch aktiv mit der realen Welt interagieren.

Und ja, natürlich arbeitet OpenAI  bereits intensiv an beiden Fronten:

1. Mit dem neuen o1-Modell wurde eine erweiterte „Chain-of-Thought“-Technik eingeführt, die dem System mehr Zeit zum „Nachdenken“ gibt. Dies ermöglicht es der KI, Fehler zu erkennen, Probleme in kleinere Einheiten aufzuteilen und verschiedene Lösungsansätze auszuprobieren.
2. Parallel dazu wurde ChatGPT mit Suchfunktionen ausgestattet, während die neue Realtime API Entwicklern ermöglicht, fortschrittliche Sprachfunktionen in ihre Anwendungen zu integrieren.

Vorsicht: Es ist nicht alles Gold was glänzt

Doch eine aktuelle Studie aus dem Hause Apple mahnt zur Vorsicht – und das aus gutem Grund. Die Forscher:innen haben sich die viel beworbenen Reasoning-Fähigkeiten genauer angeschaut und dabei ernüchternde Erkenntnisse gewonnen: Was auf den ersten Blick wie echtes logisches Denken erscheint, entpuppt sich bei näherer Betrachtung als hochentwickeltes Musterabgleichen.

Ein simples Beispiel macht das deutlich: Wenn man in einer Textaufgabe über das Sammeln von Früchten plötzlich irrelevante Details über deren Größe einstreut, weicht das Ergebnis um bis zu 10 Prozent ab. In manchen Fällen wurden sogar Abweichungen von 65 Prozent beobachtet!

Dies zeigt sich besonders deutlich am Beispiel eines klassischen Logikrätsels wie der Flussüberquerung. Das Original-Rätsel ist mittlerweile so bekannt, dass es vermutlich in unzähligen Varianten in den Trainingsdaten steckt. Kein Wunder also, dass moderne KI-Systeme hier brillieren.

Ein Mann will mit einem Wolf, einer Ziege und einem Kohlkopf über einen Fluss. 
Das Problem: Das Boot ist klein und kann neben dem Mann nur eine weitere Sache transportieren.

Dabei muss der Mann aufpassen:
1. Der Wolf darf nicht alleine mit der Ziege bleiben, sonst frisst er sie.
2. Die Ziege darf nicht alleine mit dem Kohl bleiben, sonst frisst sie ihn.

Deine Aufgabe ist es, einen Plan zu finden, wie der Mann alle sicher über den Fluss bringt 
– mit so wenigen Fahrten wie möglich.

Doch fügt man nur eine kleine Variable hinzu – in diesem Fall einen Strick zum Festbinden – gerät das System ins Schleudern.

Er hat einen Strick dabei und könnte damit ein Tier festbinden oder ihm das Maul zubinden.

Statt die simple Originallösung beizubehalten, verstrickt sich die KI in teils aberwitzige Konstruktionen mit gefesselten Tieren, ohne zu erkennen, dass der Strick die grundlegende Problemstellung gar nicht verändert.

Das Problem der Halluzinationen besteht nach wie vor

Noch bedenklicher im Hinblick auf autonome Agenten sind die sogenannten „KI-Halluzinationen“. In amerikanischen Krankenhäusern wird beispielsweise bereits eine KI-Software eingesetzt, die auf OpenAI Whisper-Modell basiert, und mit deren Hilfe Arzt-Patienten-Gespräche automatisch in Text umgewandelt werden. Eine neue Studie mit über 13.000 Audio-Transkriptionen offenbart dabei ein erschreckendes Problem: In etwa einem Prozent der Fälle „halluziniert“ die KI und erfindet Inhalte, die nie gesagt wurden. Aus einer harmlosen Aussage wie „jemand musste die Feuerwehr rufen, um den Vater und die Katze zu retten“ macht das System plötzlich eine dramatische Szene mit einem „blutgetränkten Kinderwagen“.

Die Reaktionen der Branche auf solche Vorfälle folgen einem bekannten Muster: Software-Anbieter wie das Unternehmen Nabla, das Whisper in Krankenhäusern einsetzt, versprechen schnelle technische Lösungen – etwa durch spezialisiertes Training oder die Verknüpfung mit Faktendatenbanken zur Gegenkontrolle.

Doch wie wenig verlässlich solche Sicherheitssysteme sind, zeigt eine aktuelle Studie von Meta: Selbst KI-Systeme mit Datenbankanbindung produzieren in einem Drittel der Fälle noch frei erfundene Inhalte.

Besonders aufschlussreich ist die Reaktion von OpenAI selbst: Das Unternehmen verweist darauf, dass Whisper laut „Beipackzettel“ gar nicht für kritische Anwendungen wie im Gesundheitswesen gedacht sei – eine erstaunliche Position für ein Unternehmen, dessen CEO Sam Altman regelmäßig verkündet, KI werde alle Lebensbereiche revolutionieren. Aber so kann sich das angeblich so offene KI-Unternehmen – zumindest vorerst – aus der Verantwortung stehlen.

Wie sieht es bei der Konkurrenz aus?

Während OpenAI seinen ambitionierten AGI-Fahrplan präsentiert, führt der Konkurrent Anthropic mit der „Computer Use“-Funktion eine Technologie ein, die KI-Systeme viel stärker in Richtung Agenten bringt: Anthropics Flaggschiff-Modell Claude 3.5 Sonnet wurde im neuesten Update beigebracht, Computer wie Menschen zu bedienen – mit Mausklicks, Tastatureingaben und Bildschirmnavigation. Eine bemerkenswerte Entwicklung, die allerdings auch ihre Tücken hat, wie sich bei einer Vorführung zeigte: Statt den vorgesehenen Code zu schreiben, „entschied“ sich das System plötzlich, Fotos des Yellowstone Nationalparks zu durchstöbern.

Zur Info: Das Modell wurde bei diesem Release grundlegend überarbeitet und zeigt vor allem im Bereich Software-Engineering deutliche Fortschritte. Bei SWE-bench Verified, einem wichtigen Benchmark für Programmieraufgaben, verbesserte sich die Erfolgsquote von 33,4% auf 49,0% – damit übertrifft Sonnet sogar spezialisierte Coding-Systeme und OpenAIs o1. GitLab bestätigt diese Verbesserung und berichtet von bis zu 10% besseren Ergebnissen bei DevSecOps-Aufgaben.

Auch Google arbeitet an Agenten

Google verfolgt unter dem Codenamen „Project Jarvis“ einen fokussierteren Ansatz: Der Konzern entwickelt einen KI-Agenten, der sich auf die Kontrolle des Chrome-Browsers spezialisiert. Die Technologie soll alltägliche Online-Aufgaben wie Produktrecherchen, Einkäufe oder Reisebuchungen selbstständig ausführen können.

Der technische Ansatz ist dabei bemerkenswert pragmatisch: Jarvis erstellt kontinuierlich Screenshots des Browsers, analysiert diese in Echtzeit und leitet daraus die nächsten Aktionen ab.

Apple und Microsoft natürlich ebenso

Microsoft mit OmniParser ein Open-Source-Tool veröffentlicht, das Bildschirminhalte in strukturierte Daten umwandeln kann. Apple wiederum arbeitet mit CAMPHOR sowohl an einem Framework für kollaborative Agenten, das verschiedene Spezialisten unter der Führung eines übergeordneten „Reasoning-Agenten“ koordiniert, als auch an einem System zur KI-gesteuerten Bedienung von Benutzeroberflächen mit Namen Ferret-UI 2.

Die Besonderheit: Anders als die Konkurrenz zielt Apple auf eine plattformübergreifende Lösung, die sowohl auf iPhones, iPads, Android-Geräten als auch im Web und auf Apple TV funktionieren soll.

Die Leistungsdaten sind dabei durchaus bemerkenswert: Bei der Erkennung und Interpretation von UI-Elementen erreicht Ferret-UI 2 einen Score von bis zu 89,73 – deutlich mehr als GPT-4o mit 77,73.

Stellt man sich allerdings einen autonomen KI-Agenten vor, der bei jedem 10. Schritt am Computer einen Fehler macht, relativiert sich das Ganze jedoch schnell.

Fazit und Ausblick

Die Integration von KI-Agenten in bestehende Systeme mag für spezifische, klar definierte Aufgaben durchaus sinnvoll sein. Aber der Weg zur wahren AGI ist noch sehr weit – und vielleicht sollten wir uns mehr darauf konzentrieren, die aktuellen Systeme zuverlässiger und sicherer zu machen, statt von Science-Fiction-Szenarien zu träumen.

Die unterschiedlichen Ansätze der Tech-Giganten zeigen: Der Weg zu wahrhaft autonomen KI-Assistenten ist noch nicht festgelegt. Was sich jedoch abzeichnet: Die Systeme werden immer besser darin, unsere Intentionen zu verstehen und entsprechend zu handeln – auch wenn der Weg zur fehlerfreien Ausführung noch weit ist.

Trotz dieser Einschränkungen sind die Zukunftsperspektiven vielversprechend. Die Integration von KI-Agenten in bestehende Systeme wird weiter zunehmen, wobei der Fokus auf einer verantwortungsvollen Entwicklung liegen muss. Kontrolle und Transparenz werden dabei eine zentrale Rolle spielen.

Die große Herausforderung wird sein, die richtige Balance zwischen Automatisierung und menschlicher Kontrolle zu finden.

Dabei gilt es, sowohl die Chancen als auch die Risiken im Blick zu behalten. Die Effizienzsteigerung in komplexen Prozessen und die Unterstützung menschlicher Entscheidungsfindung bieten enormes Potenzial. Gleichzeitig müssen wir uns der möglichen Schäden durch Fehler, rechtlicher Herausforderungen wie Haftungsfragen und Datenschutzbedenken bewusst sein. Auch die zunehmende Abhängigkeit von KI-Systemen und deren Auswirkungen auf den Arbeitsmarkt werden uns als Gesellschaft beschäftigen.

Für Unternehmen stellt sich bereits heute die Frage, ob sie KI-Agenten-Systeme in ihre Geschäftsprozesse implementieren sollten, oder besser nicht…

Kai Spriestersbach

Autonome KI-Agenten haben das Potenzial, zahlreiche Arbeitsbereiche zu transformieren, indem sie repetitive Aufgaben übernehmen und datengetriebene Prozesse beschleunigen. Doch ihr Einsatz ist stark von der Anwendungsumgebung und den möglichen Konsequenzen von Fehlern abhängig. Eine fundierte Analyse der Einsatzfelder hilft dabei, KI-Agenten mit Bedacht und an den richtigen Stellen zu integrieren – heute und in Zukunft.

Wo und wann autonome KI-Agenten sinnvoll sind

Autonome KI-Agenten sind eine faszinierende Technologie, die zahlreiche Bereiche transformieren kann. Doch ihr Einsatz ist nicht überall sinnvoll. Eine Analyse anhand der Dimensionen Risiko und Vorhersehbarkeit der Inputs hilft dabei, zu erkennen, wo KI-Agenten heute bereits zuverlässig arbeiten können und wo ihr Einsatz Risiken birgt.

Eine Einteilung in vier Kategorien zeigt, in welchen Bereichen autonome KI-Agenten bereits effizient eingesetzt werden und wo Vorsicht geboten ist:

1. Gut geeignet: Niedriges Risiko & Hohe Standardisierung
   Hier können KI-Agenten einfach implementiert werden, da die Aufgaben klar definiert und das Risiko bei Fehlern gering ist. Typische Einsatzbereiche umfassen Lagerautomatisierung, Rechnungsverarbeitung, und Datenmanagement, wo repetitive, strukturierte Aufgaben dominieren.
2. Experimentell geeignet: Niedriges Risiko & Niedrige Standardisierung
   In Bereichen mit weniger vorhersehbaren Inputs, jedoch überschaubarem Risiko, haben KI-Agenten Raum für Innovation und Experimente. Sie werden z. B. im Marketing zur Mustererkennung oder in der Unterhaltung eingesetzt, etwa in Form interaktiver Chatbots in Spielen.
3. Möglich mit Vorsicht: Hohes Risiko & Hohe Standardisierung
   Hier bietet sich der Einsatz an, wenn KI-Agenten in eng definierten Rahmenbedingungen arbeiten und Fehler mit angemessenen Sicherheitsvorkehrungen minimiert werden können. Typische Einsatzgebiete sind Medizinische Bildanalyse und Finanztransaktionen, bei denen KI-Agenten bereits wertvolle Unterstützung leisten können.
4. Nicht geeignet: Hohes Risiko & Niedrige Standardisierung
   In dynamischen, schwer vorhersehbaren Szenarien, wo Fehler gravierende Folgen haben könnten, sind autonome KI-Agenten derzeit ungeeignet. Das betrifft beispielsweise Notfallmedizin oder militärische Entscheidungsfindung, wo die Reaktionsfähigkeit und die ethische Verantwortung von Menschen entscheidend sind.

Fest steht jedoch: Die Entwicklung von KI-Agenten steht noch am Anfang, aber sie wird unsere Art zu arbeiten und zu leben nachhaltig verändern. Der Schlüssel zum Erfolg wird sein, diese mächtige Technologie verantwortungsvoll und zum Nutzen aller einzusetzen. Dabei wird es entscheidend sein, die richtige Balance zwischen technologischem Fortschritt und menschlicher Kontrolle zu finden.

In Teil zwei habe die unterschiedlichen Ansätze für die Zusammenarbeit mehrerer KI-Agenten in sogenannten Multi-Agent-Systemen genauer unter die Lupe genommen.

Die VG WORT hat kürzlich wichtige Änderungen am Wahrnehmungsvertrag beschlossen, die vor allem im Zusammenhang mit der Nutzung von urheberrechtlich geschützten Werken in Künstlicher Intelligenz (KI) stehen.

Als Autor:innen haben wir bis zum 29. November 2024 die Möglichkeit, diesen Änderungen zu widersprechen. Doch was bedeuten diese Anpassungen konkret für uns und welche Chancen oder Risiken bringen sie mit sich?

Die Neuerungen im Überblick

Eine der zentralen Änderungen betrifft die Erweiterung des Wahrnehmungsvertrags um die Nutzung unserer Werke für KI-Anwendungen in Unternehmen und Behörden. Genauer gesagt, erlaubt die neue Regelung, dass Werke im internen Gebrauch für KI-Systeme verwendet werden können – sei es, um Inhalte zu speichern, zu indexieren oder sogar als Trainingsdaten für KI-Modelle zu dienen. Dies umfasst generative KI-Anwendungen, bei denen Inhalte weiterverarbeitet und Outputs auf Grundlage unserer Werke erzeugt werden.

Wichtig: Diese Nutzung ist ausschließlich auf interne Zwecke beschränkt!

Es gibt keine Erlaubnis, die erzeugten Outputs kommerziell oder gegenüber Kunden zu verwenden!

Die Rechteinhaber:innen – also die Autor:innen – behalten zudem das Recht, weiterhin eigene Lizenzen für unsere Werke zu vergeben.

Gerne! Hier sind einige konkrete Beispiele, was mit den Daten und dem Output eines KI-Modells im Rahmen des VG WORT-Vertrags erlaubt ist und was nicht:

Was ist erlaubt?

1. Interne Nutzung des KI-Modells:
   Dieses Modell darf nur intern innerhalb deines Unternehmens oder deiner Behörde verwendet werden. Zum Beispiel könntest du das Modell nutzen, um Dokumente oder Texte für interne Berichte automatisch zu analysieren oder zusammenzufassen.
   Du darfst damit ein KI-Modell trainieren, das auf urheberrechtlich geschützten Werken basiert, die durch die VG WORT lizenziert wurden.
2. Speichern und Indexieren von Inhalten:
   Die Werke, die du zum Trainieren des KI-Modells verwendest, dürfen in einem gesicherten elektronischen Netzwerk gespeichert und einem abgegrenzten Personenkreis (z.B. Mitarbeitende) zugänglich gemacht werden.
   Du darfst also die Werke und Metadaten indexieren und in andere maschinenlesbare Formate umwandeln, um sie für das KI-Training besser nutzbar zu machen.
3. Output des KI-Modells intern verwenden
   Die durch das KI-Modell generierten Ergebnisse (Output) dürfen ebenfalls in deinem Unternehmen oder deiner Behörde verwendet werden. Zum Beispiel könntest du Berichte, Analysen oder automatisierte Zusammenfassungen erstellen und im internen Netzwerk speichern oder mit den Mitarbeitenden teilen.
4. Fortführung nach Vertragsende:
   Wenn der Lizenzvertrag endet, darfst du das KI-System weiterhin intern nutzen, solange es bereits während der Vertragslaufzeit trainiert wurde. Auch die Outputs, die bereits generiert wurden, dürfen weiter genutzt werden.

Was ist nicht erlaubt?

1. Externe kommerzielle Nutzung des Outputs:
   Du darfst den Output des KI-Modells nicht kommerziell verwerten oder externen Kunden zur Verfügung stellen. Zum Beispiel wäre es nicht erlaubt, die durch das Modell erzeugten Texte, Zusammenfassungen oder Analysen an Dritte zu verkaufen oder für externe Dienstleistungen zu nutzen.
2. Verkauf oder Lizenzierung des KI-Modells:
   Du darfst das KI-Modell, das mit den lizenzierten Daten trainiert wurde, nicht an andere Unternehmen verkaufen oder lizenzieren. Die Nutzung ist streng auf den internen Gebrauch beschränkt.
3. Nutzung des Outputs für externe Projekte:
   Der Output des KI-Modells darf nicht für Projekte oder Dienstleistungen verwendet werden, die außerhalb deines Unternehmens oder deiner Behörde angeboten werden. Zum Beispiel könntest du keine mit der KI erstellten Inhalte in einem öffentlichen Blog veröffentlichen oder an Kunden liefern.
4. Verwendung durch Drittanbieter-KI-Systeme:
   Es ist nicht erlaubt, das Modell oder die Daten in KI-Dienstleistungen zu integrieren, die für externe Dritte wie andere Unternehmen oder Verbraucher bereitgestellt werden. Solche Anwendungen wären von der Lizenz ausgenommen und müssten direkt vom Rechteinhaber genehmigt werden.

Zusammenfassung

Erlaubt	Nicht erlaubt
Internes Training von KI-Modellen	Kommerzielle Nutzung des Outputs
Interne Speicherung und Verbreitung der Outputs	Verkauf oder Lizenzierung des KI-Modells
Fortführung der Nutzung nach Vertragsende	Veröffentlichung der KI-generierten Inhalte
Indexieren und Konvertieren von Daten	Nutzung durch Drittanbieter für externe Dienste

Potenzielle Auswirkungen auf Lizenzeinnahmen

Eine naheliegende Frage ist: Führt diese Änderung zu zusätzlichen Lizenzeinnahmen?

Die Antwort lautet: potenziell ja. Da Unternehmen und Behörden zukünftig für die interne Nutzung von urheberrechtlich geschützten Inhalten im Rahmen ihrer KI-Anwendungen Lizenzen benötigen, eröffnet sich für uns eine neue Einnahmequelle. Die VG WORT könnte uns Tantiemen aus diesen neuen Lizenzen auszahlen, ähnlich wie bei bisherigen Lizenzierungsmodellen für digitale Vervielfältigungen.

Allerdings sind diese Einnahmen wahrscheinlich begrenzter als bei kommerziellen Lizenzen, da die Nutzung nur für interne Zwecke erlaubt ist. Es bleibt abzuwarten, wie stark die Nachfrage nach solchen Lizenzen tatsächlich sein wird. Besonders spannend ist hierbei, dass wir trotz der Rechteübertragung an die VG WORT weiterhin die Möglichkeit haben, eigenständig Lizenzen zu vergeben. Dies bietet uns die Flexibilität, zusätzliche Einnahmen zu erzielen, wenn wir unsere Werke für externe Anwendungen lizenzieren wollen.

Haftungsverzicht bei unerlaubter KI-Nutzung

Ein weiterer Punkt, der bedacht werden sollte, ist der Haftungsverzicht. Falls du der Änderung zustimmst, verzichtest du auf mögliche urheberrechtliche Ansprüche gegenüber Unternehmen, die KI-Systeme von Drittanbietern nutzen, die ohne deine Zustimmung mit deinen Werken trainiert wurden. Dies könnte potenziell ein Risiko darstellen, insbesondere in Fällen, in denen deine Werke unerlaubt verwendet wurden.

Handlungsoptionen: Zustimmung oder Widerspruch?

Die VG WORT verlangt keine explizite Zustimmung zu den neuen Vertragsbedingungen – Schweigen wird als Zustimmung gewertet. Wenn du nicht bis zum 29. November 2024 widersprichst, werden die Änderungen automatisch Bestandteil deines Wahrnehmungsvertrags. Es ist also wichtig, dir die neuen Regelungen genau anzusehen und abzuwägen, ob du von den neuen Lizenzierungsmöglichkeiten profitieren möchtest oder nicht.

Falls du die Kontrolle über die Nutzung deiner Werke im KI-Kontext behalten möchtest oder Bedenken bezüglich des Haftungsverzichts hast, könnte ein Widerspruch sinnvoll sein. Umgekehrt könnte eine Zustimmung interessante neue Einnahmequellen eröffnen.

Fazit: Chancen und Risiken abwägen

Die Änderungen des Wahrnehmungsvertrags der VG WORT eröffnen uns als Autor:innen die Möglichkeit, unsere Werke für interne KI-Anwendungen lizenzieren zu lassen, was neue Einnahmequellen erschließen könnte. Gleichzeitig sind diese Nutzungen stark eingeschränkt, und der Verzicht auf Haftungsansprüche gegenüber unbefugten KI-Nutzungen sollte nicht unbeachtet bleiben. Letztlich hängt die Entscheidung, ob du widersprichst oder zustimmst, von deinen individuellen Prioritäten und deinem Interesse an diesen neuen Nutzungsmöglichkeiten ab.

Die vollständige Fassung des neuen Wahrnehmungsvertrags findest Du hier.

Nutze die Gelegenheit, dich bis zum 29. November 2024 zu informieren und eine fundierte Entscheidung zu treffen!

Während sich unzählige KI-Expert:innen und Autor:innen darauf gestürzt haben, OpenAIs neuestes Modell zu verstehen und zu erklären, habe ich den freien Kopf im Urlaub dafür genutzt, die darin verwendeten Ideen und Konzepte einen Schritt weiter zu denken und bin dabei auf einen spannenden Ansatz für bessere Modellbildung in LLMs gestoßen.Wenn über die Entwicklung von Large Language Models (LLMs) und ihren potenziellen Weg zu einer allgemeinen künstlichen Intelligenz (AGI) diskutiert wird, kommt häufig das Argument auf, dass diese Modelle keine echten Weltmodelle besitzen.

Wieso uns LLMs womöglich nicht zu allgemeiner künstlicher Intelligenz führen?

Es gibt Diskussionen darüber, ob LLMs nur durch das Training mit großen Mengen an Text (also unstrukturierte Daten) in der Lage sind, ein tiefes Verständnis der Welt zu entwickeln. Viele Forscher:innen zweifeln daran, dass dies ohne eine „Verankerung“ in der realen Welt möglich ist.

Der KI-Forscher Yann LeCun argumentiert, dass „World Models“ mehrere Ebenen der Abstraktion und Zeit umfassen sollten. Das bedeutet, dass diese Modelle nicht nur in der Lage sein sollten, aktuelle Situationen zu verstehen, sondern auch langfristig planen, zukünftige Ereignisse vorhersagen und auf Basis dieser Informationen logische Schlüsse ziehen.

Forscher:innen wie Liu et al. (2022) schlagen vor, LLMs in die physische Welt einzubetten, indem sie das Modell über Ergebnisse von Simulationen in der realen Welt nachdenken lassen. Das bedeutet, dass das Modell durch Simulationen lernt, wie die Welt funktioniert, um so sein internes Modell zu verbessern.

Kritiker bemängeln, dass LLMs lediglich Wahrscheinlichkeiten für Textvorhersagen berechnen und dadurch keine tiefere „Verständnisstruktur“ entwickeln können. Doch wie aktuelle Forschung und Experimente zeigen, ist diese Sichtweise zu eindimensional.

Doch Studien wie die von Hao et al. (2023) nutzen LLMs als „World Models“, indem sie das Modell dazu bringen, künftige Zustände vorherzusagen, basierend auf vordefinierten Handlungen und Aufgaben. Das Modell kann dann durch Simulationen erlernen, wie die Welt sich aufgrund von Aktionen verändert.

Mehrere Forschungen untersuchen, wie LLMs interne Repräsentationen der Welt bilden. Zum Beispiel zeigen Studien, dass LLMs durch „In-Context-Learning“ (wo sie aus dem Kontext eines gegebenen Problems lernen) Farb- und Raumstrukturen lernen können. Das bedeutet, dass sie in der Lage sind, abstrakte Informationen aus der realen Welt zu verstehen und zu nutzen.

Neuere Studien haben entdeckt, dass speziell trainierte LLMs „lineare Repräsentationen“ von Raum, Zeit und Spielzuständen entwickeln. Das ist besonders wichtig, weil diese Strukturen helfen, dynamische und kausale Zusammenhänge in der realen Welt zu verstehen – was eine Grundlage für fortgeschrittene Weltmodelle sein könnte.

Ein faszinierendes Beispiel aus dem Paper Sparks of Artificial General Intelligence zeigt, dass LLMs sehr wohl in der Lage sind, implizite Modelle aus ihren Trainingsdaten zu erstellen. So hat eine frühe Version von GPT-4 auf die Anfrage, ein Einhorn in der Vektorgrafik-Sprache TikZ zu zeichnen, überraschend präzise Ergebnisse geliefert – obwohl das Modell nie ein Bild eines Einhorns „gesehen“ hat. Es hat quasi selbst die Modalitäten überbrückt.

Im Paper sind drei anschauliche Beispiele hierfür enthalten:

Diese Fähigkeit zur impliziten Modellbildung legt aus meiner Sicht nahe, dass LLMs potenziell weit mehr leisten können, als nur Textbausteine zu generieren.

OpenAIs Strawberry-Modell: Ein Weg in die Zukunft?

Bisher konzentrierte sich der Fortschritt bei Large Language Models (LLMs) hauptsächlich auf sprachbasierte Aufgaben wie Textgenerierung und -bearbeitung. Doch mit dem neuen „o1“-Modell betritt OpenAI Neuland: Es ist speziell für mehrstufige Reasoning-Aufgaben ausgelegt und zeigt beeindruckende Fortschritte in Bereichen wie Mathematik, Codierung und Wissenschaft. Im Gegensatz zu früheren Modellen nutzt o1 eine Art Chain-of-Thought-Technik, die es dem Modell ermöglicht, Fehler zu erkennen und alternative Lösungswege auszuprobieren.

In Tests erzielte o1 herausragende Ergebnisse: Es gehört zu den besten 500 Teilnehmern der USA Math Olympiad und übertrifft in PhD-Fragen sogar menschliche Experten. Dies ist ein wichtiger Schritt, da LLMs bisher häufig an komplexen, logischen Fragestellungen scheiterten. Auch wenn das Modell kostenintensiv ist und nicht für alle Aufgaben geeignet, markiert es den Beginn einer Ära, in der LLMs echten Mehrwert für anspruchsvolle wissenschaftliche und technische Aufgaben liefern können.

Nach allem, was derzeit bekannt ist, verfügt das Modell offenbar über einen internen, impliziten Tree-of-Thought-Mechanismus, der es ermöglicht, vor der Antwortverarbeitung verschiedene mögliche Gedankengänge durchzuspielen. Ähnlich wie beim menschlichen Denken werden dabei potenzielle Lösungswege verzweigt und in einem Baum strukturiert. Diese Fähigkeit wird über ein eigenes Reward-Modell optimiert, das die „Gedankengänge“ in Bezug auf ihre Relevanz und Korrektheit bewertet und verstärkt.

Dieser Ansatz, der auf den bereits existierenden Chain-of-Thought- und Tree-Of-Thought-Prompts basiert, zeigt eindrucksvoll, wie LLMs über die bloße Textvorhersage hinauswachsen können: Sie „denken“ nun vor einer Antwort über das Problem nach, indem sie alternative Lösungswege simulieren und dann die beste Option wählen. Damit sind sie deutlich näher an einer Form von bewusster Problemlösung, als es zuvor der Fall war.

Forced-Model: Ein realistischer Ansatz?

Genau diese Idee des Tree-of-Thought-Mechanismus könnte der Schlüssel sein, um das Problem fehlender expliziter Weltmodelle bei LLMs zu lösen. Was wäre, wenn wir diesen Mechanismus nutzen, um LLMs zu „zwingen“, vor der Lösung komplexer Aufgaben zunächst ein Modell der Situation, also eine Art „Forced-Model“ zu erstellen?

Ich stelle mir das ähnlich wie beim Tree-of-Thought vor, nur dass das Modell hier zunächst eine serialisierte Repäsentation erstellt, die als eine Art mentales Model genutzt wird, um dieses Schritt für Schritt zu einer universalen Repräsentation der gegebenen Umgebung oder Aufgabe vervollständigt, die es dann zur Lösung nutzt.

Ein Beispiel:

Derzeitige LLMs scheitern beispielsweise an üblichen Intelligenztest, bei dem das Modell zunächst eine Reihe von Beschreibungen zu einem Gebäude erhält und anschließend Fragen dazu beantworten soll.

Zwar sind sie in der Lage, einen potentiellen Dieb dabei in den falschen Raum zu schicken, damit dieser den Tresor nicht findet, schaffen es aber nicht, die beschriebenen Räume so zu organisieren, dass es den kürzesten Weg von Raum X nach Raum Y finden kann.

Was wenn wir es, analog zum Tree-Of-Thought, zunächst dazu zwingen, ein Modell des Gebäudes zu erstellen?

Wenn das LLM mit einer detaillierten Raumbeschreibung konfrontiert wird, könnte es angewiesen werden, zunächst eine interne Struktur (zum Beispiel in Form eines JSON-Objekts oder eines Graphen) zu erstellen, in der die Räume und ihre Verbindungen erfasst werden.

Dieses Modell könnte dann verwendet werden, um Fragen zu beantworten, wie etwa den kürzesten Weg von Raum A nach Raum B zu finden. Analog zum Tree-of-Thought in OpenAIs Strawberry könnte auch dieser Modellbildungsansatz über ein Reward-Modell optimiert werden, um genauere und effizientere Modellstrukturen zu fördern.

Mögliche Implementierungen

Natürlich stehen wir dabei vor der Frage, welche Art von Repräsentation sich für solch ein internes Modell am besten eignet. Für räumliche Strukturen könnten Graphen gut geeignet sein, während für andere Aufgaben, wie logische Schlussfolgerungen oder Entscheidungsbäume, JSON oder XML als flexible und universelle Datenformate in Frage kommen.

Die Herausforderung besteht darin, eine universelle Repräsentation zu finden, die auf eine Vielzahl von Aufgaben angewendet werden kann.

Verknüpfung symbolischer KI mit Sprachmodellen?

Die Lösung könnte in der Kombination von neuronalen Netzen und Techniken der symbolischen Künstlichen Intelligenz liegen. Durch diese Integration können wir beide Welten vereinen: die Flexibilität und Mustererkennung der neuronalen Modelle und das präzise, regelbasierte Denken der symbolischen KI.

Wissensgraphen und Ontologien: Strukturierte Repräsentation

Wissensgraphen und Ontologien sind leistungsstarke Werkzeuge, um Entitäten und deren Beziehungen zueinander zu organisieren. Die Idee ist simpel: Das Sprachmodell extrahiert aus einem Text relevante Informationen und formt daraus einen Graphen. Dies ermöglicht es, Wissen explizit darzustellen und zu erweitern – sei es durch Verknüpfungen mit externen Wissensdatenbanken oder durch eigene Schlussfolgerungen.

So könnte beispielsweise ein Gebäudebeschreibungsmodell Räume als Knoten und Türen oder Flure als Verbindungen darstellen. Besonders in komplexen Abfragen oder Planungsaufgaben zeigt sich der Vorteil: Die KI kann logische Schlüsse ziehen und fundierte Antworten liefern. Allerdings ist fraglich, ob diese Art der Repräsentation für alle Szenarien geeignet ist.

Semantisches Parsen: Von Text zu Logik

Semantisches Parsen geht noch einen Schritt weiter. Hier wird natürliche Sprache in formale logische Repräsentationen übersetzt, die von symbolischen Reasonern verarbeitet werden können. Nehmen wir das Beispiel: „Der Konferenzraum befindet sich neben dem Empfangsbereich.“ Ein semantisch parsierendes System würde daraus eine logische Aussage formulieren: Neben(Konferenzraum, Empfangsbereich). Diese präzise Darstellung ermöglicht es, komplexe Fragen zu beantworten oder Zusammenhänge logisch zu erklären.

Optimierungsprobleme und Constraint Satisfaction

Die Modellierung von Problemen als Constraint Satisfaction Problems (CSP) könnte die Möglichkeiten der Sprachmodelle zusätzlich erweitern. Aufgabe ist es dabei, einen Zustand (d. h. Belegungen von Variablen) zu finden, der alle aufgestellten Bedingungen (Constraints) erfüllt.

Eine KI, die diese Technik nutzt, kann beispielsweise den optimalen Weg durch ein Gebäude unter Berücksichtigung aller Verbindungen und Hindernisse berechnen. Solche Optimierungsaufgaben sind vor allem in der Robotik oder bei Navigationslösungen von unschätzbarem Wert.

Die Herausforderung hierbei ist es jedoch, die ursprüngliche Aufgabenstellung in ein CSP zu transformieren und die Funktionen, Variablen und Bedingungen korrekt aufzustellen.

Logikprogrammierung: Fakten, Regeln und Schlussfolgerungen

Logikprogrammierung, etwa mit Prolog, könnte Sprachmodellen die Möglichkeit eröffnet, durch logische Regeln und Fakten Antworten zu finden. Das Modell erstellt auf Basis eines Prompts ein Programm, das durch symbolische Reasoner ausgeführt wird.

Ein Programm in Prolog ist eine Menge von Fakten und Regeln. Die Anwendung eines Programms besteht in der Beantwortung von Fragen. Antworten sind entweder nur Ja/Nein oder bestehen darin, dass Platzhalter (Variable) der Frage mit einem möglichen Inhalt belegt werden. Prolog-Programme können somit als logische Aussage interpretiert werden und beschreiben einen programmierten Ablauf des Interpreters.

In einem Gebäude-Szenario könnten Fakten wie „adjacent(a, b)“ und „adjacent(b, c)“ verwendet werden, um den besten Weg von Raum A zu Raum C zu berechnen.

Herausforderungen

Natürlich gibt es auch Herausforderungen bei der Integration symbolischer Techniken. Die Ambiguität der natürlichen Sprache ist eine davon. Hier können Disambiguierungstechniken und Rückfragen helfen. Ebenso stellt die Skalierbarkeit neuronaler und symbolischer Systeme ein Problem dar, das jedoch durch clevere Optimierungen, Heuristiken und Approximationsmethoden überwunden werden kann.

Die Verschmelzung symbolischer KI mit neuronalen Modellen könnte den entscheidenden Schritt in Richtung Artificial General Intelligence (AGI) sein. Die Fähigkeit, nicht nur Texte zu verarbeiten, sondern auch logische Schlüsse zu ziehen, eröffnet neue Möglichkeiten in der Robotik, bei Entscheidungsunterstützungssystemen und in kognitiven Anwendungen.

Ein weiteres Problem ist die Kontextgröße. Je größer und komplexer das erstellte Modell wird, desto mehr Daten muss das LLM gleichzeitig verarbeiten. Hier könnten Ansätze wie externe Speichermodule oder Memory-Management-Techniken helfen, um die Leistungsfähigkeit zu erhalten.

Auf dem Weg zur AGI?

Die neural-symbolische Integration kombiniert die Stärken neuronaler Netze und symbolischer Systeme, was besonders interessant ist, um Modelle interpretierbarer und nachvollziehbarer zu machen. Ein Sprachmodell könnte zunächst die Informationen extrahieren und in einer symbolischen Repräsentation organisieren, bevor es durch logische Schlüsse zur gewünschten Antwort gelangt. Diese wird dann in natürliche Sprache zurückübersetzt. Das Ergebnis? Modelle, die nicht nur Wahrscheinlichkeiten manipulieren, sondern logisch denken können.

Auch wenn LLMs noch nicht die ultimative Lösung für eine echte allgemeine Intelligenz darstellen, könnten Ansätze wie „Strawberry“ und die Idee eines Forced-Model-Mechanismus in die richtige Richtung führen.

LLMs könnten bald in der Lage sein, nicht nur logisch zu denken, sondern auch strukturelle Modelle zu entwickeln, die ihnen helfen, komplexe Aufgaben besser zu bewältigen. Die Frage ist nicht mehr, ob LLMs Weltmodelle entwickeln können, sondern wie wir sie dazu bringen, diese Modelle effizient zu erstellen und anschließend gezielt zu nutzen.

Die Diskussion über diese neuen Ansätze ist eröffnet – wer hat Ideen, wie eine universelle Repräsentation für solche Modelle aussehen könnte?

Update: Forced-Model: Neue Erkenntnisse durch den Ansatz der „Visualization-of-Thought“

Nachdem ich das Konzept des „Forced-Model“ entwickelt habe, das LLMs zwingt, vor der Lösung komplexer Aufgaben ein internes Modell zu erstellen, hat sich ein neues Paper aus der Forschung als besonders relevant erwiesen: „Mind’s Eye of LLMs: Visualization-of-Thought Elicits Spatial Reasoning in Large Language Models“ von Wenshan Wu et al. Dieses Paper stellt einen vielversprechenden Ansatz vor, der mein ursprüngliches Konzept entscheidend erweitern könnte.

„Mind’s Eye“ und der Visualization-of-Thought-Ansatz

Das Paper führt den „Visualization-of-Thought“ (VoT)-Mechanismus ein, der darauf abzielt, LLMs zur Erzeugung visueller Darstellungen ihrer Denkprozesse anzuregen. Während herkömmliche LLMs bei der Bearbeitung von Aufgaben wie Navigation oder räumlichem Denken stark auf verbale oder numerische Repräsentationen angewiesen sind, fordert VoT das Modell auf, explizite mentale Bilder zu erzeugen. Diese Visualisierungen, ähnlich einem „inneren Auge“ des Modells, unterstützen das LLM dabei, sich bei jeder Phase einer komplexen Aufgabe an räumlichen Strukturen zu orientieren und bessere Entscheidungen zu treffen.

Interessanterweise ähnelt der VoT-Ansatz meinem Forced-Model-Konzept, bei dem ich vorschlage, dass LLMs gezwungen werden sollten, ein internes Modell einer gegebenen Umgebung zu erstellen, um Probleme Schritt für Schritt besser zu lösen. Doch VoT geht darüber hinaus, indem es das Modell dazu anleitet, seine mentalen Modelle in visuelle Darstellungen umzuwandeln. Dieser visuelle Ansatz könnte nicht nur zur Lösung von Navigationsproblemen beitragen, sondern auch bei der Bearbeitung anderer Aufgaben wie räumlicher Planung und logischer Schlussfolgerungen nützlich sein.

Erweiterung meines Forced-Model-Konzepts

Der VoT-Ansatz bietet eine wertvolle Erweiterung meines ursprünglichen Gedankens. Während ich ein Modell favorisiere, das auf symbolischen Darstellungen wie Graphen oder JSON-Objekten basiert, zeigt das Paper, dass visuelle Darstellungen die kognitiven Fähigkeiten der LLMs erheblich steigern können. In meinen bisherigen Überlegungen ging es hauptsächlich darum, LLMs zu zwingen, eine serialisierte und symbolische Repräsentation zu erstellen, bevor sie die Aufgabe angehen. Der VoT-Ansatz legt jedoch nahe, dass LLMs durch die visuelle Darstellung ihrer „Gedanken“ ein klareres Verständnis komplexer Aufgaben entwickeln können.

Das Potenzial der Visualisierung in LLMs

Die Forscher_innen stellten fest, dass der VoT-Ansatz insbesondere bei räumlichen Aufgaben wie der Navigation in einem 2D-Gitter oder der Lösung von visuellen Puzzles, bei denen geometrische Figuren in eine vorgegebene Struktur eingefügt werden müssen, signifikante Verbesserungen brachte. Diese Aufgaben lassen sich gut mit meinem Beispiel zur Navigation in einem Gebäude vergleichen. Indem das Forced-Model dazu gebracht wird, das Gebäude visuell zu modellieren, anstatt es nur symbolisch zu erfassen, könnte das Modell effizienter und genauer den kürzesten Weg von Raum A nach Raum B finden.

Integration von Visualisierung und symbolischer KI

Eine wichtige Erkenntnis aus dem Paper ist die Möglichkeit, visuelle und symbolische KI zu kombinieren. Mein ursprünglicher Vorschlag war, Techniken der symbolischen KI mit neuronalen Netzen zu kombinieren, um die Präzision und Logik von symbolischen Systemen mit der Flexibilität neuronaler Netze zu verbinden.

Das Paper schlägt jedoch vor, dass die visuelle Darstellung von Gedanken eine weitere wichtige Komponente in dieser Kombination sein könnte. Die Erzeugung und Nutzung von mentalen Bildern könnte symbolische und visuelle Repräsentationen eng miteinander verknüpfen, was zu einer weitaus stärkeren kognitiven Leistung führt.

Implementierung und Herausforderungen

Der VoT-Ansatz könnte direkt in mein Forced-Model-Konzept integriert werden, indem das Modell dazu angehalten wird, nach jeder Denkoperation visuelle Darstellungen seiner internen Zustände zu erstellen. Diese Darstellungen könnten in Form von Graphen, Karten oder anderen visuellen Modellen erfolgen und würden die symbolische Modellierung ergänzen. Besonders interessant ist die Möglichkeit, diese Visualisierungen durch ein Belohnungsmodell zu optimieren, um präzisere und effizientere Darstellungen zu fördern – ein Vorschlag, den ich bereits für die symbolischen Repräsentationen gemacht habe.

Es gibt jedoch auch Herausforderungen, wie im Paper beschrieben. Zum einen ist die Genauigkeit der Visualisierungen noch nicht perfekt. Auch bei der Nutzung des VoT-Ansatzes können fehlerhafte oder ungenaue Darstellungen entstehen, was die Gesamtleistung des Modells beeinträchtigt. Darüber hinaus könnte die Integration von symbolischen und visuellen Repräsentationen skalierbare Lösungen erfordern, um die kognitive Belastung des Modells zu minimieren.

Fazit: Auf dem Weg zur Artificial General Intelligence (AGI)

Die Erkenntnisse aus dem „Mind’s Eye of LLMs“-Paper bieten neue Impulse für die Weiterentwicklung des Forced-Model-Konzepts. Die Kombination aus symbolischer und visueller Modellbildung könnte der Schlüssel sein, um den nächsten Schritt in Richtung Artificial General Intelligence (AGI) zu gehen.

Indem LLMs nicht nur gezwungen werden, komplexe Probleme zu modellieren, sondern diese Modelle auch visuell zu nutzen, könnte ein neues Maß an kognitiver Flexibilität erreicht werden – besonders in Bereichen wie Robotik, Entscheidungsunterstützungssystemen und kognitiven Anwendungen.

Kürzlich hatte ich die Gelegenheit, auf der SparksCon, Deutschlands größter Digital
Experience Conference, einen Vortrag zum Thema „KI im Unternehmensalltag“ zu halten. Für alle, die nicht dabei sein konnten oder die Inhalte noch einmal vertiefen möchten, habe ich die Aufzeichnung nun samt Folien online gestellt:

In diesem Blogbeitrag möchte ich euch einen Einblick in die Kernthemen meines Vortrags geben.

Eine Reise durch die Welt der KI

In meinem Vortrag nahm ich das Publikum mit auf eine Reise durch die Entwicklung der künstlichen Intelligenz, von den Anfängen bis zum aktuellen Hype um generative KI. Dabei betonte ich, dass KI keineswegs ein neues Phänomen ist. Schon 1956 wurde der Begriff geprägt, ursprünglich als Mittel, um Forschungsgelder zu akquirieren. Seitdem hat sich viel getan, und wir befinden uns nun auf dem Höhepunkt des Hypes um generative KI.

Ich erläuterte den „Hype Cycle“ von Gartner, der die Entwicklung neuer Technologien beschreibt. Generative KI befindet sich derzeit auf dem „Gipfel der überzogenen Erwartungen“. Das bedeutet, dass wir in der nächsten Phase wahrscheinlich eine gewisse Ernüchterung erleben werden, bevor die Technologie wirklich produktiv eingesetzt werden kann.

Technische Grundlagen und Herausforderungen

Ein wichtiger Teil meines Vortrags widmete sich den technischen Grundlagen der modernen KI-Modelle. Ich erklärte das Konzept der Transformer, die einen Durchbruch in der Verarbeitung natürlicher Sprache ermöglicht haben. Diese Architektur erlaubt es KI-Modellen, den Kontext von Wörtern in einem Satz besser zu verstehen und dadurch präzisere Vorhersagen zu treffen.

Trotz dieser Fortschritte betonte ich, dass KI-Modelle auf statistischen Wahrscheinlichkeiten basieren und kein echtes Verständnis haben. Sie können beeindruckende Ergebnisse liefern, aber auch schwerwiegende Fehler machen, insbesondere wenn es um Fakten geht. Ich illustrierte dies mit Beispielen von KI-generierten Texten, die zwar überzeugend klingen, aber oft falsche Informationen enthalten.

Praxisbeispiel: KI im Kundenservice

Um die praktische Anwendung von KI zu verdeutlichen, teilte ich ein Beispiel aus meiner eigenen Erfahrung. Ich berichtete von einem Projekt für einen Trapezblech-Händler, bei dem wir KI einsetzten, um den potenziellen Auftragswert von Kundenanfragen zu schätzen. Dies half dem Unternehmen, effizienter zu entscheiden, welche Anfragen eine persönliche Bearbeitung erfordern und welche automatisch beantwortet werden können.

Dieses Beispiel zeigte auch die Herausforderungen bei der Implementierung von KI-Lösungen. Wir mussten uns mit Fragen des Datenschutzes, der Modellauswahl und der Integration in bestehende Systeme auseinandersetzen. Besonders wichtig war es, ein System zu entwickeln, das transparent und nachvollziehbar arbeitet.

Die Bedeutung menschlicher Expertise

Ein zentraler Punkt meines Vortrags war die anhaltende Notwendigkeit menschlicher Expertise bei der Arbeit mit KI. Ich betonte, dass KI derzeit am besten als Unterstützung für menschliche Experten funktioniert, nicht als deren Ersatz. KI kann beeindruckende Ergebnisse liefern, aber es braucht immer noch Menschen mit Fachwissen, um diese Ergebnisse zu interpretieren, zu validieren und in den richtigen Kontext zu setzen.

Ich warnte auch vor den Gefahren des blinden Vertrauens in KI-generierte Inhalte. Es ist wichtig, sich bewusst zu sein, dass KI-Modelle Voreingenommenheiten aus ihren Trainingsdaten übernehmen können und dass sie keine echte Unterscheidung zwischen Wahrheit und Fiktion treffen können.

Verantwortungsvoller Umgang mit KI

Zum Abschluss meines Vortrags betonte ich die Wichtigkeit eines verantwortungsvollen Umgangs mit KI. Ich ermutigte das Publikum, KI als leistungsfähiges Werkzeug zu betrachten, aber auch ihre Grenzen zu respektieren. Es ist entscheidend, dass wir kritisch hinterfragen, wo und wie wir KI einsetzen, und dass wir uns der ethischen Implikationen bewusst sind.

Ich schloss mit dem Rat, dass Unternehmen, die KI einsetzen wollen, sorgfältig planen, testen und überwachen sollten. KI kann enorme Vorteile bringen, aber nur wenn sie mit Bedacht und Expertise eingesetzt wird.

Für alle, die tiefer in das Thema KI eintauchen möchten: Ich lade euch herzlich ein, meinen Newsletter zu abonnieren. Dort teile ich regelmäßig die neuesten Entwicklungen und Erkenntnisse aus der Welt der KI.

In der heutigen digitalen Welt, in der Inhalte eine entscheidende Rolle für den Erfolg eines Unternehmens spielen, suchen Marketingstrategen ständig nach Wegen, um ihre Content-Strategien zu verbessern. Insbesondere mit Blick auf KI-basierte Suchmaschinen wie Perplexity und KI-Zusammenfassungen bei traditionellen Suchmaschinen wie Google, bing und Co. stellen sich viele Content-Marketer und SEOs zu Recht die Frage, welche Inhalte überhaupt noch dafür sorgen, dass man die hart erarbeitete Sichtbarkeit halten oder im besten Falle sogar noch zulegen kann.

Auf die Einführung von KI-generierten Zusammenfassungen auf der Suchergebnisseite mit KI-generierten Inhalten zu reagieren, die im schlimmsten Falle auf ein paar simplen Prompts basieren, kann jedenfalls nicht die Antwort sein. Selbst „ausgetüftelte“ AI-Writer, die Informationen aus den rankenden Dokumenten der Konkurrenz einbeziehen, liefern bestenfalls etwas, das in den Top 10 „mithalten“ kann.

Diese Strategie führt langfristig zu einer Gleichförmigkeit der Ergebnisse, was aus Sicht der Suchmaschine wenig wünschenswert ist. Diese reagieren daher, durch Features wie „Perspectives“ oder Core Updates mit immer mehr Diversität innerhalb der vordersten Treffer.

Ein Konzept, das in diesem Zusammenhang zunehmend an Bedeutung gewinnt, ist der sogenannte „Information Gain“, auf den ich daher in diesem Artikel einmal näher eingehen möchte.

Einführung in Information Gain

Der Information Gain bezeichnet den zusätzlichen Nutzen oder Mehrwert, den ein Inhalt bietet, indem er neue Daten, Einsichten oder Perspektiven zu einem bestehenden Thema hinzufügt. Man kann es auch als diejenigen Inhalte verstehen, die nicht nur bestehende Informationen wiederholen, sondern dem Nutzer etwas wirklich Neues und Wertvolles bieten.

Der Fokus auf diesen Informationsvorsprung hilft nicht nur dabei, die Relevanz eines Inhalts für Suchmaschinen zu erhöhen, sondern trägt auch dazu bei, dass der Content für die Zielgruppe interessanter und nützlicher wird!

Warum Information Gain wichtig ist

Im digitalen Raum, wo Unternehmen ständig um die Aufmerksamkeit der Nutzer kämpfen, kann Information Gain ein entscheidender Faktor sein, um sich von der Konkurrenz abzuheben. Viele Webseiten bieten ähnliche Inhalte an, die oft generisch und wenig innovativ sind.

Dies führt zu einer hohen „Serp-Ähnlichkeit“, bei der viele Suchergebnisse im Grunde die gleichen Informationen liefern. Nur Inhalte mit hohem Informationsgewinn sind in der Lage diese Serp-Ähnlichkeit zu durchbrechen und sich so eine bessere Position in den Suchergebnissen sichern können.

Ein weiterer wichtiger Punkt ist die sogenannte „Topical Authority“ – die Autorität einer Webseite in Bezug auf ein bestimmtes Thema. Indem Unternehmen Inhalte schaffen, die durch Information Gain angereichert sind, können sie sich als führende Experten in ihrer Nische etablieren. Dies stärkt nicht nur die Sichtbarkeit in den Suchmaschinen, sondern auch das Vertrauen und die Bindung der Zielgruppe.

Integration von Information Gain in die Content-Erstellung

Amanda Johnson, Senior Marketing Managerin bei Clearscope, hat in ihrem Vortrag ausführlich erklärt, warum es so wichtig ist, Information Gain in den Content-Entwicklungsprozess zu integrieren und wie dies auf großem Maßstab umgesetzt werden kann.

Amanda führt darin das Konzept mit einem spannenden Beispiel ein, ihrer persönlichen Suche nach Informationen über eine Pflanze namens „Creeping Phlox“. Sie erläutert, wie Google ihre Suchanfragen zunächst mit allgemeinen Informationen beantwortete, später jedoch Inhalte vorschlug, die spezifisch auf ihre Suchhistorie und Interessen abgestimmt waren. Dies veranschaulicht, wie Google Inhalte priorisiert, die einen hohen Informationsgehalt bieten und auf den spezifischen Bedarf des Nutzers abgestimmt sind.

Die Integration von Information Gain in den Content-Erstellungsprozess erfordert eine strategische Herangehensweise und die Bereitschaft, bestehende Inhalte kritisch zu überprüfen und zu optimieren. Amanda schlägt vor, mit einem Audit der vorhandenen Inhalte zu beginnen, um Bereiche zu identifizieren, die aktualisiert oder erweitert werden könnten. Hierbei sollte der Fokus darauf liegen, neue Informationen, Daten oder Perspektiven einzufügen, die den bestehenden Inhalt bereichern und für den Leser wertvoller machen.

Ein praktisches Beispiel aus Amandas Arbeit zeigt, wie ein Artikel über ein saisonales Thema – der anfänglich kaum Suchvolumen hatte – durch die Integration von Information Gain zu einem der erfolgreichsten Inhalte einer Webseite wurde. Dieser Artikel, der zunächst nur als Ressource für das Vertriebsteam gedacht war, entwickelte sich durch gezielte Optimierungen zu einem Top-Performer mit tausenden von organischen Klicks pro Monat. Dies verdeutlicht, wie wichtig es ist, Inhalte zu schaffen, die auf den spezifischen Informationsbedarf der Zielgruppe eingehen, auch wenn diese Themen zunächst wenig Suchvolumen aufweisen.

Praktische Tipps zur Umsetzung

Amanda gibt zahlreiche praktische Tipps, wie Unternehmen Information Gain effektiv in ihre Inhalte integrieren können:

1. Entwickeln Sie entitätsreiche Inhalte: Diese sollten nicht nur die Suchintention genau treffen, sondern auch neue Daten und Perspektiven bieten, die für die Zielgruppe relevant sind. KI-basierte SEO- und Content-Tools können dabei helfen, die richtigen Entitäten und Themen zu identifizieren, die in einem Inhalt abgedeckt werden sollten.
2. Erfahrungen und Expertise demonstrieren: Inhalte sollten echte Geschichten, frische Perspektiven und aktuelle Daten beinhalten, um ihre Glaubwürdigkeit und Relevanz zu erhöhen. Dies kann durch die Einbindung von Fallstudien, Experteninterviews und originalen Forschungsergebnissen erreicht werden.
3. Autorität aufbauen durch neue Themen: Selbst Inhalte zu sogenannten „Zero-Volume-Keywords“ – also Suchanfragen mit geringem oder keinem Suchvolumen – können dazu beitragen, Autorität in einem bestimmten Themenbereich aufzubauen. Diese Themen sind oft Vorreiter für aufkommende Trends und können langfristig eine hohe Sichtbarkeit erzielen.
4. Organisieren Sie Ihre Daten: Beginnen Sie mit der Erstellung eines „Information Gain Swipe Files“, in dem alle relevanten Informationen gesammelt und strukturiert aufbewahrt werden. Dies erleichtert die spätere Integration in neue oder bestehende Inhalte und stellt sicher, dass die Informationen konsistent und effektiv genutzt werden.

Langfristige Implementierung und Erfolgskontrolle

Die erfolgreiche Integration von Information Gain erfordert nicht nur initiale Anstrengungen, sondern auch eine kontinuierliche Überwachung und Anpassung. Amanda rät dazu, regelmäßige Überprüfungen der Inhalte durchzuführen, um deren Leistung zu messen und gegebenenfalls weitere Optimierungen vorzunehmen. Dies kann durch die Analyse von Metriken wie organischem Traffic, Rankings und Engagement-Raten erfolgen.

Ein strukturierter Ansatz, bei dem Informationen systematisch gesammelt und regelmäßig in die Content-Strategie integriert werden, ist entscheidend für den langfristigen Erfolg. Durch die kontinuierliche Optimierung und das Einfügen neuer Informationen können Unternehmen sicherstellen, dass ihre Inhalte immer relevant, aktuell und wertvoll für die Zielgruppe bleiben.

Fazit: Fokussierung auf den Information Gain lohnt sich!

Die Integration von Information Gain in die Content-Strategie ist kein einfacher Prozess, aber einer, der sich langfristig auszahlt. In einer Welt, in der Inhalte zunehmend von Künstlicher Intelligenz generiert werden können, ist es wichtiger denn je, Inhalte zu schaffen, die durch Originalität und Mehrwert hervorstechen. Der Fokus auf den Information Gain ist nicht nur ein kurzfristiger SEO-Trick, sondern ein grundlegendes Prinzip für die Schaffung von Inhalten, die sowohl für Suchmaschinen als auch für Leser von Bedeutung sind.

Durch die Fokussierung auf relevante, frische und wertvolle Informationen können Unternehmen nicht nur ihre Sichtbarkeit in den Suchergebnissen erhöhen, sondern auch eine starke und nachhaltige Beziehung zu ihrer Zielgruppe aufbauen. Dies ist letztlich der Schlüssel, um in der heutigen digitalen Landschaft erfolgreich zu sein.

Als ich kürzlich von Astrid Kramer zum Digital Strategy Talk Podcast eingeladen wurde, bot sich mir die Gelegenheit, über ein Thema zu sprechen, das mich seit Jahren fasziniert: Künstliche Intelligenz und ihre Auswirkungen auf die digitale Landschaft.

Mein Weg von SEO zur KI

In den letzten Jahren hat sich die künstliche Intelligenz rasant weiterentwickelt und dabei viele Bereiche unseres Lebens und Arbeitens verändert. Meine eigene Reise in die Welt der KI begann früh durch meine Leidenschaft für Science-Fiction, insbesondere in den Bereichen Zeitreisen und künstliche Intelligenz. Für mich war KI lange Zeit eher ein Konzept aus Filmen wie „Terminator“, „Matrix“ oder „Ex Machina“ – faszinierend, aber weit entfernt von der Realität. Das änderte sich schlagartig, als ChatGPT veröffentlicht wurde und erstmals das Gefühl aufkam, tatsächlich mit einer „echten“ KI zu interagieren.

Bevor ich mich intensiv mit KI beschäftigte, war ich als Experte für Suchmaschinenoptimierung (SEO) tätig. Seit fast 20 Jahren arbeite ich in diesem Bereich und habe miterlebt, wie Google sich durch technologische Innovationen ständig weiterentwickelte. Ein entscheidender Wendepunkt war die Einführung von RankBrain im Jahr 2015 und insbesondere die Einführung von BERT (Bidirectional Encoder Representations from Transformers), die die Verarbeitung natürlicher Sprache (NLP) revolutionierte. Vor BERT gab es spezialisierte Modelle für jede einzelne Aufgabe im NLP, doch BERT ermöglichte es, nahezu jede NLP-Anwendung mit einem einzigen Modell auf höchstem Niveau durchzuführen. OpenAI setzte auf diese Technologie auf und entwickelte GPT-3, das durch größere Datenmengen und mehr Rechenleistung beeindruckende Ergebnisse erzielte.

Bereits 2020 erhielt ich frühen Zugang zur API von GPT-3. Als jemand, der aus dem SEO-Bereich kommt, war ich sofort fasziniert von den Möglichkeiten, die dieses Modell bot. Die Fähigkeit von GPT-3, Texte zu vervollständigen und zu generieren, ging weit über das hinaus, was ich bis dahin gesehen hatte. Während frühere textgenerierende Tools oft mühsam und wenig überzeugend waren, bot GPT-3 eine Textkomplettierung, die eine völlig neue Ebene der Textgenerierung darstellte. Der Fortschritt war so schnell, dass ich alle kommerziellen Tools, die auf GPT-3 basierten, wie Frase oder Jasper, intensiv testete, um ihre Möglichkeiten und Grenzen auszuloten.

Die Herausforderungen bei der Implementierung von KI

Als ich begann, Unternehmen bei der Implementierung von KI zu unterstützen, wurde mir schnell klar, dass es viele Missverständnisse über die Fähigkeiten und Grenzen von KI gibt. Oft übersehen Entscheidungsträger_innen, insbesondere im C-Level-Bereich, die tatsächlichen technischen Grundlagen der KI. Sie hören von den Möglichkeiten, die KI bietet, haben aber oft keine praktischen Erfahrungen und setzen deshalb unrealistische Erwartungen an die Technologie. Ein häufiges Missverständnis ist, dass KI alle Mitarbeiter_innen ersetzen könnte oder dass sie für nahezu jede Aufgabe die perfekte Lösung sei.

Um diese Missverständnisse zu klären, lege ich in meinen Workshops großen Wert darauf, den Teilnehmer_innen ein grundlegendes Verständnis der Technologie zu vermitteln. Es ist wichtig zu begreifen, dass alles, was von ChatGPT generiert wird, streng genommen Halluzinationen sind. Einige dieser Halluzinationen ergeben für uns Menschen Sinn, andere nicht. GPT-Modelle „wissen“ nichts im herkömmlichen Sinne. Sie haben kein tiefes Verständnis der Welt; sie sind vielmehr Wahrscheinlichkeitsrechner, die auf Basis der Trainingsdaten das nächste Wort vorhersagen.

Um dieses Verständnis zu vertiefen, lasse ich die Teilnehmer_innen in meinen Workshops praktische Erfahrungen sammeln. Ich stelle einfache Aufgaben, die die Grenzen der Technologie aufzeigen. Diese „Aha“-Momente sind entscheidend, um zu verstehen, warum KI manchmal nicht das gewünschte Ergebnis liefert. Beispielsweise lasse ich die Teilnehmer_innen ChatGPT Aufgaben stellen, wie die Generierung von Wörtern mit einer bestimmten Anzahl von Zeichen, was oft zu Fehlern führt. Diese praktischen Übungen ermöglichen es, die technischen Details wie Tokens und deren Verarbeitung besser zu verstehen.

Nachdem die Grundlagen gelegt sind, zeige ich Beispiele für erfolgreiche KI-Implementierungen und diskutiere mit den Teilnehmer_innen mögliche Anwendungsfälle in ihrem Unternehmen. Ein wichtiger Teil dieser Workshops ist es, die Limitationen der KI zu erkennen und zu lernen, wie man diese umgehen kann. Hierbei spielt beispielsweise die Technik der „Retrieval-Augmented Generation“ (RAG) eine wichtige Rolle, bei der ein Modell auf traditionelle Suchmaschinen zugreift, um relevante Dokumente zu finden und darauf basierend Antworten zu generieren.

In meiner Arbeit mit Unternehmen habe ich insbesondere diese Erkenntnisse gewonnen:

1. Bildung ist entscheidend: Das Verständnis der Technologie ist der erste Schritt zu einer erfolgreichen KI-Implementierung. In meinen Workshops lege ich großen Wert auf praktische Erfahrungen und erkläre die zugrunde liegende Technologie.
2. Häufige Missverständnisse: Oft gibt es eine Kluft zwischen den Erwartungen auf C-Level und den tatsächlichen Fähigkeiten der KI. Während einige die Fähigkeiten der KI überschätzen, unterschätzen andere ihr Potenzial aufgrund begrenzter Experimente.
3. Praktische Anwendungen: KI kann die Effizienz in verschiedenen Geschäftsprozessen erheblich steigern, von der Inhaltserstellung bis zur Datenanalyse.
4. Ethische Überlegungen: Voreingenommenheit in KI-Modellen ist ein erhebliches Problem. Ich betone immer wieder, wie wichtig es ist, diese Voreingenommenheit und die Grenzen der KI zu verstehen, um sie verantwortungsvoll einzusetzen.

Die Zukunft der KI: Wo stehen wir in fünf Jahren?

Ein Blick in die Zukunft der KI zeigt, dass wir auf eine weitgehende Kommoditisierung zusteuern. KI wird in allen Produkten, Softwarelösungen und Systemen integriert sein, ähnlich wie heute ein Taschenrechner. Schon jetzt sehen wir, dass KI in Tools wie Zoom integriert wird, um beispielsweise Übersetzungen, Transkriptionen oder Zusammenfassungen zu automatisieren. Diese grundlegenden Technologien wie Text-zu-Sprache, Sprache-zu-Text und Zusammenfassungen, die heute bereits funktionieren, werden in naher Zukunft völlig normal sein – vergleichbar mit der alltäglichen Nutzung eines Taschenrechners in der Schule.

Ein besonders spannender Bereich ist die Robotik, die durch KI stark vorangetrieben wird. Kürzlich wurde beispielsweise ein humanoider Roboter angekündigt, der für etwa 16.000 US-Dollar erhältlich sein soll und Aufgaben im Haushalt übernehmen kann. Diese Roboter basieren auf ähnlichen unüberwachten Lernansätzen wie die großen Sprachmodelle und lernen durch Beobachtung, wie Menschen Aufgaben ausführen. Die Geschwindigkeit, mit der sich diese Technologie entwickelt, ist atemberaubend.

Auch in meiner eigenen Arbeit habe ich die rasanten Fortschritte der KI-Technologie hautnah erlebt. Allein in den letzten 14 Monaten habe ich meine Arbeitsmethoden in meiner AI-Masterclass viermal umgestellt, um den neuen Entwicklungen Rechnung zu tragen. Von GPT-3 über GPT-4 hin zu den neuesten Sprachmodellen – die Entwicklungen sind so schnell, dass man ständig am Ball bleiben muss.

In den nächsten fünf Jahren werden wir vermutlich keine künstliche Superintelligenz (AGI) erleben, aber wir werden deutlich effizientere und kleinere Modelle sehen, die auf Geräten direkt laufen und damit auch datenschutzfreundlicher sind. Ein weiterer wichtiger Aspekt wird die Energieeffizienz sein. Die derzeitigen Modelle verbrauchen enorme Mengen an Rechenleistung und Energie, was erhebliche Auswirkungen auf den CO2-Fußabdruck hat. Microsoft und Google haben bereits erklärt, dass sie ihre CO2-Ziele aufgrund des hohen Energieverbrauchs durch KI nicht erreichen werden. Daher wird es in Zukunft entscheidend sein, kleinere, effizientere Modelle zu entwickeln, die weniger Energie verbrauchen.

Für Unternehmen wird es immer wichtiger, die Technologie zu verstehen, um die damit verbundenen Risiken managen zu können. KI birgt nicht nur Chancen, sondern auch Herausforderungen wie Verzerrungen und unvorhergesehene Ergebnisse, die es zu kontrollieren gilt. Wenn Unternehmen beispielsweise Prozessautomatisierungen ohne menschliche Überwachung einsetzen, besteht die Gefahr, dass Fehler unbemerkt bleiben und Schaden anrichten. Deshalb ist es entscheidend, die Technologie zu verstehen und verantwortungsvoll einzusetzen.

Die Zukunft der Suchmaschinen im Zeitalter der KI

Ein weiteres spannendes Feld ist die Zukunft der Suchmaschinen im Zeitalter der KI. Die Einführung von SearchGPT hat gezeigt, dass wir uns auf eine echte semantische Suche zubewegen. Statt lediglich die relevantesten Dokumente zu einem Suchbegriff zu liefern, analysiert die KI die tatsächliche Intention hinter einer Suchanfrage und liefert Antworten, die auf den besten verfügbaren Informationen basieren. Dabei stützt sich die KI auf echte Dokumente und nicht nur auf Wahrscheinlichkeitsverteilungen.

Meine ersten Tests mit SearchGPT waren überraschend positiv. Besonders beeindruckend war, wie gut die KI Quellen auswählte, die qualitativ hochwertige und vertrauenswürdige Informationen lieferten. Bei Anfragen zu Gesundheitsthemen stützte sich Search GPT auf Informationen von renommierten Institutionen wie Regierungsorganisationen und großen Gesundheitsportalen. Doch auch kleinere Blogs und weniger optimierte Webseiten wurden herangezogen, wenn sie relevante und nützliche Inhalte boten. Dies zeigt, dass die KI nicht nur auf SEO-optimierte Seiten setzt, sondern tatsächlich nach den besten Inhalten sucht.

Die Zukunft der Suche und SEO

Für die Zukunft von SEO bedeutet dies, dass es wichtiger denn je sein wird, Inhalte zu erstellen, die wirklich die Fragen der Nutzer_innen beantworten. Die besten Dokumente sind diejenigen, die Antworten liefern – und genau diese wird eine semantische Suchmaschine bevorzugen. SEO wird sich also zunehmend darauf konzentrieren müssen, Inhalte zu erstellen, die auf die tatsächlichen Bedürfnisse und Fragen der Nutzer_innen eingehen.

Als ehemaliger SEO-Experte sehe ich, wie KI die Suchlandschaft neu gestaltet:

1. Search GPT: Meine Erfahrungen mit Search GPT sind beeindruckend. Die Geschwindigkeit und Fähigkeit, relevante Quellen auszuwählen, oft mit Bevorzugung autoritativer Seiten für sensible Themen, ist bemerkenswert.
2. Semantische Suche: KI-gestützte Suchmaschinen bewegen sich in Richtung einer echten semantischen Suche, die die Benutzerabsicht über das reine Keyword-Matching hinaus versteht.
3. Auswirkungen auf SEO: Traditionelle SEO-Taktiken könnten weniger effektiv werden, da KI-gestützte Suchen mehr Wert auf Inhaltsrelevanz und Autorität legen.
4. Googles Position: Trotz anfänglicher Bedenken hinsichtlich des Einflusses von ChatGPT auf Google bin ich der Meinung, dass Google mit Gemini und anderen KI-Integrationen gut für die Zukunft gerüstet ist.

Praktische KI-Tools für Einzelpersonen und Unternehmen

Basierend auf meinen Erfahrungen empfehle ich folgende KI-Tools:

1. ChatGPT und Claude: Für Textgenerierung und -analyse, wobei Claude einen eher journalistischen Schreibstil bietet.
2. MidJourney: Meiner Meinung nach immer noch das Beste für allgemeine Bildgenerierung.
3. FIux: Eine Open-Source-Alternative für Bildgenerierung, mit unterschiedlichen Ebenen des kostenlosen Zugangs.

KI-Ethik und gesellschaftliche Auswirkungen

Ein Thema, das mir besonders am Herzen liegt, sind die ethischen Überlegungen rund um KI:

1. Voreingenommenheit in KI-Modellen: Historische Daten können zu verzerrten KI-Modellen führen. Ein Beispiel dafür ist Amazons KI-Rekrutierungstool, das unbeabsichtigt Frauen benachteiligte.
2. EU-KI-Gesetz: Die Bedeutung von Regulierung bei KI-Anwendungen mit hohem Risiko, wie z.B. in HR-Prozessen, kann nicht genug betont werden.
3. Datenschutzbedenken: Das Potenzial zur De-Anonymisierung von Daten mittels KI-Techniken ist ein wichtiges Thema, das wir im Auge behalten müssen.
4. Balance zwischen Autorität und Vielfalt: Es ist eine Herausforderung, autoritative Informationen bereitzustellen und gleichzeitig vielfältige Perspektiven in Suchergebnissen zu berücksichtigen.

Die Bedeutung des Verständnisses von KI

Die rasante Entwicklung der KI bietet enorme Chancen, stellt uns aber auch vor große Herausforderungen. Es ist unerlässlich, neugierig zu bleiben und die zugrunde liegende Technologie zu verstehen. Nur so kann man KI verantwortungsvoll und effektiv einsetzen. KI ist kein Allheilmittel, sondern ein Werkzeug, das in bestimmten Bereichen außergewöhnlich gut funktioniert, in anderen jedoch an seine Grenzen stößt. Der Schlüssel liegt darin, die Technologie zu verstehen, ihre Stärken zu nutzen und ihre Schwächen zu erkennen. Nur wer die Technologie wirklich begreift, kann ihre Potenziale voll ausschöpfen und gleichzeitig die Risiken minimieren.

Abschließend möchte ich betonen: Bleiben Sie neugierig und bemühen Sie sich, KI-Technologie zu verstehen. Nur wenn wir verstehen, wie KI funktioniert, können wir sie sicher, verantwortungsvoll und optimal einsetzen. In einer Zeit, in der KI zunehmend in unser tägliches Leben und in Geschäftsabläufe integriert wird, ist dieses Verständnis der Schlüssel zur Navigation durch die sich ständig weiterentwickelnde technologische Landschaft.

Die rasante Entwicklung im Bereich der künstlichen Intelligenz fasziniert mich jeden Tag aufs Neue. Ich bin gespannt, welche Innovationen und Herausforderungen die Zukunft für uns bereithält, und freue mich darauf, weiterhin an der Spitze dieser spannenden Entwicklung zu stehen.

In der heutigen Welt, in der KI-Systeme und Sprachmodelle wie GPT eine immer größere Rolle spielen, wird es zunehmend wichtiger, präzise und durchdachte Eingaben (Prompts) zu formulieren. Genau hier setzt mein Cheatsheet an: Es bietet dir einen kompakten Überblick über die besten Techniken, Strategien und Frameworks, um das volle Potenzial dieser KI-Modelle auszuschöpfen.

Was beinhaltet mein Cheatsheet?

Mein Cheatsheet deckt eine breite Palette von Themen und Techniken ab, darunter:

1. Frameworks für strukturiertes Prompting
   • RTF (Role, Task, Format)
   • RODES (Role, Objective, Details, Example, Sense Check)
   • RISEN (Role, Instructions, Steps, Endgoal, Narrowing
2. Fortgeschrittene Techniken
   • Chain of Thought (Gedankenkette)
   • Tree of Thought (Gedankenbaum)
   • Prompt Chaining (Verkettung von Prompts)
3. Best Practices und Tipps
   • Kombination verschiedener Techniken für beste Ergebnisse
   • Formatierungsanweisungen für klare Ausgaben
   • Wichtige Überlegungen bei der Arbeit mit KI-Modellen
   • Beispiele für KI-Rollen wie Journalist:in, Interviewer:in, Englisch-Lehrer:in, Werbetexter:in, SEO-Expert:in und mehr.
   • Mögliche Ausgabeformate wie Artikel, Gliederungen, Aufzählungen, Tabellen, Code, Podcast-Skripte und mehr.

Für wen ist das Cheatsheet geeignet?

Egal, ob du gerade erst in die Welt des Prompt Engineerings eintauchst oder schon erfahren bist – mein Cheatsheet bietet dir wertvolle Einblicke und sofort anwendbare Techniken. Es ist ideal für Content Creator, Programmierer:innen, Marketer:innen und alle, die ihre Arbeit durch den gezielten Einsatz von KI verbessern möchten.

Warum dieses Cheatsheet wichtig ist

Da sich KI-Sprachmodelle ständig weiterentwickeln und verbessern, ist es entscheidend, mit den neuesten Prompt-Engineering-Techniken Schritt zu halten. Mein Cheatsheet bietet dir einen prägnanten, aber umfassenden Überblick über die effektivsten Strategien und hilft dir dabei:

• Die Qualität und Relevanz KI-generierter Inhalte zu verbessern
• Deinen Workflow bei der Arbeit mit KI-Tools zu optimieren
• Die Grenzen und potenziellen Risiken von KI-Sprachmodellen zu verstehen
• Neue und kreative Wege zu erkunden, um KI in deinen Projekten einzusetzen

Ich habe das Cheatsheet so gestaltet, dass du es als schnelle Referenz bei deiner Arbeit nutzen kannst. Komplexe Techniken werden auf das Wesentliche reduziert und in einem klaren und übersichtlichen Format präsentiert. Außerdem findest du Tipps, die dir helfen, typische Fehler zu vermeiden und bessere Ergebnisse zu erzielen.

Hol dir dein Exemplar noch heute!

Das Cheatsheet steht dir ab sofort kostenlos zur Verfügung. Du kannst es einfach herunterladen und sofort mit dem Optimieren deiner Prompts loslegen. Ich hoffe, dass es dir genauso viel Spaß macht, damit zu arbeiten, wie mir beim Erstellen!

Falls du noch Fragen hast oder Feedback geben möchtest, hinterlasse gerne einen Kommentar oder schreib mir direkt. Ich würde gerne hören, wie es dir bei deinen KI-Projekten hilft!

Viel Erfolg beim Prompt Engineering!

In seinem aktuellen Newsletter analysiert Sayash Kapoor, Doktorand in Informatik am Center for Information Technology Policy der Princeton University, die aktuellen Entwicklungen und Herausforderungen im Bereich generativer KI. Kapoor, dessen Forschung den gesellschaftlichen Einfluss von KI untersucht, bringt umfangreiche Erfahrungen aus der Industrie und der Wissenschaft mit, unter anderem durch seine Tätigkeiten bei Facebook, der Columbia University und der EPFL in der Schweiz. Er wurde mehrfach ausgezeichnet, unter anderem mit dem Best Paper Award bei ACM FAccT und einem Impact Recognition Award bei ACM CSCW, und zählt laut TIME zu den 100 einflussreichsten Personen im Bereich KI. In diesem Beitrag beschreibt Kapoor die strategischen Fehler führender KI-Unternehmen und erläutert die fünf großen Hürden, die noch überwunden werden müssen, um generative KI zu kommerziell erfolgreichen Produkten weiterzuentwickeln.

Fehlender Product-Market-Fit

Zu Beginn des Hypes um ChatGPT entdeckten Nutzer:innen zahlreiche unerwartete Anwendungen für KI-Modelle. Das führte zu einer Überbewertung der Technologie und dem Irrglauben, dass die Vielseitigkeit dieser Modelle eine umfassende Produktentwicklung ersetzen könnte. Unternehmen wie OpenAI und Anthropic setzten daher zunächst auf die Entwicklung immer leistungsfähigerer Modelle, ohne sich um die Umsetzung in benutzerfreundliche Produkte zu kümmern.

Das Ergebnis: Trotz milliardenschwerer Investitionen dauerte es Monate, bis einfache Anwendungen wie ChatGPT-Apps für iOS und Android verfügbar waren. Gleichzeitig integrierten Google und Microsoft KI nahezu hektisch in eine Vielzahl von Produkten, oft ohne Rücksicht darauf, ob diese Integration wirklich sinnvoll war. Die Folge waren halbherzig umgesetzte Funktionen, die oft mehr störten als nutzten.

Ein Beispiel hierfür ist Microsofts „Sydney“-Chatbot, der aufgrund unzureichender Tests negative Schlagzeilen machte. Auch Googles Bildgenerator „Gemini“ verursachte durch fehlerhafte Ergebnisse Frustration bei den Nutzer:innen. Diese Fehltritte trugen dazu bei, dass sich das öffentliche Bild von generativer KI verschlechterte.

Inzwischen beginnen die Unternehmen, ihre Ansätze zu überdenken. OpenAI wandelt sich von einem forschungsorientierten Labor hin zu einem Produktunternehmen, während Anthropic weiterhin stark auf die Erforschung allgemeiner künstlicher Intelligenz (AGI) fokussiert bleibt, aber ebenfalls den Druck spürt, marktfähige Produkte zu entwickeln.

Google und Microsoft scheinen noch langsamer zu reagieren, könnten jedoch durch den technologisch vorsichtigeren Ansatz von Apple gezwungen werden, ihre Strategie zu überarbeiten. Apple, das zunächst als „AI-Nachzügler“ galt, verfolgt einen bedächtigeren Ansatz, wie auf der Entwicklerkonferenz WWDC gezeigt wurde. Dies könnte langfristig besser bei den Nutzer:innen ankommen.

Die fünf großen Herausforderungen für KI-basierte Produkte

Kapoor und Narayanan nennen fünf zentrale Hürden, die Entwickler:innen überwinden müssen, um generative KI in erfolgreiche Konsumprodukte zu verwandeln:

1. Kosten: Obwohl die Kosten für die Nutzung von KI-Modellen in den letzten 18 Monaten drastisch gesunken sind – um den Faktor 100 – bleibt dies ein entscheidender Faktor. In Anwendungen wie Chatbots bestimmen die Kosten, wie viel Konversation ein Modell sinnvoll verarbeiten kann. Günstigere Modelle ermöglichen es, Aufgaben häufiger zu wiederholen und so durch Versuch und Irrtum die Erfolgsrate zu steigern. Obwohl einige Unternehmen behaupten, dass KI bald „zu günstig zum Messen“ sein wird, bleiben Zweifel bestehen, insbesondere da genauere Modelle oft teurer sind.
2. Zuverlässigkeit: Ein häufig unterschätztes Problem ist die mangelnde Zuverlässigkeit generativer KI. Systeme, die nur 90 % der Aufgaben korrekt erledigen, gelten zwar als fähig, erfüllen aber nicht die Erwartungen der Nutzer:innen an verlässliche Software. Das ist besonders kritisch in sensiblen Anwendungen wie Reisebuchungen oder anderen Bereichen, in denen Fehler gravierende Folgen haben können. Aktuell bleibt unklar, ob es möglich ist, deterministische Systeme aus den grundlegend stochastischen LLMs zu entwickeln.
3. Datenschutz: Obwohl LLMs überwiegend mit öffentlichen Daten trainiert wurden, gewinnen Datenschutzbedenken wieder an Bedeutung, insbesondere bei KI-Assistenten, die auf persönliche Daten zugreifen müssen. Ein Beispiel ist Microsofts geplanter „CoPilot“, der durch regelmäßige Screenshots die Aktivitäten der Nutzer:innen verfolgen sollte, um bessere Kontexte zu schaffen. Diese Idee stieß auf heftige Kritik, und Microsoft musste zurückrudern. Unternehmen müssen hier den Spagat zwischen nützlichen Funktionen und der Wahrung der Privatsphäre meistern.
4. Sicherheit: Kapoor betont, dass unabsichtliche Fehler wie Verzerrungen in Bildgeneratoren oder Missbrauch von KI für Deepfakes und Stimmklonungen ernsthafte Probleme darstellen. Besonders alarmierend ist jedoch das Risiko von Hacks. Angriffe wie „Prompt Injection“ könnten dazu führen, dass KI-Systeme manipuliert und für schädliche Zwecke missbraucht werden. Während Unternehmen hier bisher größtenteils improvisierte Abwehrmaßnahmen ergriffen haben, bleibt die Gefahr schwerwiegenderer Angriffe bestehen.
5. Benutzeroberfläche: Eine der größten Herausforderungen bei der Entwicklung benutzerfreundlicher KI-Produkte liegt in der Gestaltung der Schnittstellen. Bei vielen Anwendungen müssen Nutzer:innen die Möglichkeit haben, einzugreifen, wenn die KI Fehler macht. Das ist bei Textschnittstellen noch vergleichsweise einfach, wird aber in komplexeren Szenarien, wie Sprachassistenten, deutlich schwieriger. Die Vision einer unsichtbaren, ständig präsenten KI – zum Beispiel in einer Brille, die automatisch hilft, ohne aktiv gefragt zu werden – bleibt zwar faszinierend, aber die Grenzen aktueller Benutzeroberflächen machen sie noch schwer erreichbar.

Fazit

Kapoor und Narayanan stellen klar, dass die vielbeschworenen Revolutionen durch generative KI wohl langsamer kommen werden als von vielen erhofft. Selbst wenn die technischen Fähigkeiten weiter rasch zunehmen, bleiben die beschriebenen Herausforderungen, die nicht nur technischer, sondern auch gesellschaftlicher Natur sind. Der Weg zu breiter Akzeptanz und wirklicher Nützlichkeit von KI wird daher eher ein langfristiger sein. Entwickler:innen müssen lernen, KI so in bestehende Produkte und Arbeitsabläufe zu integrieren, dass sie wirklich wertschöpfend ist, ohne gleichzeitig die beschriebenen Risiken zu ignorieren.

Buchempfehlung

Gemeinsam mit Arvind Narayanan arbeitet Kapoor an dem Buch AI Snake Oil, das kritisch beleuchtet, was KI wirklich leisten kann – und was nicht. Viele ihrer Ideen teilen die beiden bereits über Substack mit einem breiteren Publikum.

In dieser Woche hat ein Projekt namens „The AI Scientist“ in der internationalen Forschungsgemeinschaft für Aufsehen gesorgt. Entwickelt von Sakana AI in Zusammenarbeit mit Forschern der Universität Oxford und der University of British Columbia, verspricht dieses System nichts Geringeres als die weitgehende Automatisierung des gesamten wissenschaftlichen Forschungsprozesses. Der AI Scientist, der am 13. August 2024 vorgestellt wurde, ist das Ergebnis jahrelanger Forschung und baut auf früheren Erfolgen von Sakana AI auf, wie der automatischen Verschmelzung des Wissens mehrerer großer Sprachmodelle (LLMs) und der Entdeckung neuer Zielfunktionen für das Finetuning von LLMs.

Das System ist tatsächlich ziemlich bemerkenswert in seiner Fähigkeit, den gesamten Forschungszyklus zu automatisieren. Es beginnt mit der Ideengenerierung, bei der der AI Scientist eigenständig neue Forschungsrichtungen vorschlägt und deren Neuartigkeit bewertet.

Anschließend führt er experimentelle Iterationen durch, wobei er sogar eigenständig Experimente plant, durchführt und die Ergebnisse analysiert. Das geht natürlich nur für Experimente, die auch innerhalb eines Computers mittels Programmcode durchgeführt werden können, beispielsweise im Bereich Data Science oder Machine Learning.

Ein besonders beeindruckendes Feature ist die Fähigkeit des Systems, vollständige wissenschaftliche Manuskripte zu verfassen, einschließlich der Erstellung von Visualisierungen und der Einbindung relevanter Zitate!

Darüber hinaus verfügt der AI Scientist über einen automatisierten Peer-Review-Prozess mittels eigener KI-Agenten. Diese bewerten die generierten Arbeiten, geben Feedback und helfen so bei der kontinuierlichen Verbesserung der Forschungsansätze.

In ersten Tests hat das System bereits beeindruckende Ergebnisse geliefert, indem es neue Beiträge in komplexen Bereichen wie Diffusionsmodellen, Transformerarchitekturen und dem Phänomen des „Grokkings“ generierte.

Interessant sind auch die Angaben zu den Kosten des Systems: Laut den Entwicklern kann jede Idee für etwa 15 Dollar in ein vollständiges wissenschaftliches Paper umgesetzt werden. Dies eröffnet potenziell neue Möglichkeiten für die Demokratisierung der Forschung und könnte den wissenschaftlichen Fortschritt erheblich beschleunigen.

Wieso nicht gleich ein „AI Journalist“?

Doch die Implikationen dieses ehrgeizigen Projekts reichen weit über die Grenzen der Wissenschaft hinaus und werfen wichtige Fragen zur Zukunft anderer wissensbasierter Bereiche auf, insbesondere des Journalismus. Die Fähigkeiten des AI Scientist lassen sich auf den journalistischen Prozess übertragen. Ein hypothetischer „AI Journalist“ könnte Aufgaben wie Themenfindung, Recherche, Artikelerstellung und sogar die Produktion multimedialer Inhalte übernehmen.

Stellen wir uns vor, ein solches System würde auf den Journalismus angewendet: Es könnte automatisch Nachrichtenquellen und soziale Medien überwachen, um aufkommende Themen und Trends zu identifizieren. Es könnte große Datenmengen durchsuchen und analysieren, um tiefgreifende Recherchen durchzuführen.

Die Erstellung von Artikeln in verschiedenen Stilen und Formaten, angepasst an unterschiedliche Zielgruppen, ist ebenso möglich wie die automatische Generierung passender Bilder, Infografiken und Videos. Sogar die Personalisierung von Inhalten basierend auf individuellen Leserinteressen und -verhalten könnte durch ein solches System realisiert werden.

Bitte keine Automatisierung!

Die Vorstellung von KI-gesteuerten Nachrichtenredaktionen, die rund um die Uhr personalisierte Inhalte produzieren, mag zunächst verlockend erscheinen. Die potenziellen Vorteile in Bezug auf Effizienz, Skalierbarkeit und Kosteneinsparungen sind offensichtlich. Doch während die technologischen Möglichkeiten faszinierend sind, ist es entscheidend, die damit verbundenen Risiken und ethischen Implikationen gründlich zu betrachten.

Trotz des unbestreitbaren Potenzials der KI in der Informationsverarbeitung und Textproduktion, gibt es zwingende Gründe, warum der menschliche Faktor insbesondere im Journalismus Bereich unverzichtbar bleibt:

1. KI-Systeme mögen beeindruckende Fähigkeiten in der Datenverarbeitung und Texterstellung haben, doch sie stoßen an ihre Grenzen, wenn es um das tiefe Verständnis komplexer gesellschaftlicher Zusammenhänge geht. Menschliche Journalisten bringen lebensweltliche Erfahrungen, Intuition und die Fähigkeit zum kritischen Denken mit – Qualitäten, die für eine fundierte und nuancierte Berichterstattung unerlässlich sind.
2. Die journalistische Ethik stellt eine weitere Herausforderung für KI-Systeme dar. Oft erfordert die Arbeit eines Journalisten komplexe ethische Abwägungen, sei es beim Schutz von Quellen oder bei der Entscheidung, welche Informationen im öffentlichen Interesse veröffentlicht werden sollten. Diese Art von Urteilsvermögen, die auf einem tiefen Verständnis menschlicher Werte und gesellschaftlicher Normen basiert, liegt derzeit jenseits der Fähigkeiten künstlicher Intelligenz.
3. Zudem zeichnet sich herausragender Journalismus oft durch Kreativität und originelles Denken aus. Bahnbrechende investigative Arbeiten erfordern häufig unkonventionelle Ansätze und die Fähigkeit, Verbindungen herzustellen, die auf den ersten Blick nicht offensichtlich sind. KI-Systeme, so fortschrittlich sie auch sein mögen, sind letztlich auf vorhandene Daten und programmierte Algorithmen beschränkt. Sie können Muster erkennen und Inhalte generieren, aber echte Kreativität und Innovation bleiben eine Domäne des menschlichen Geistes.

Eine unkritische Anwendung von KI im Journalismus birgt erhebliche Risiken

Ohne sorgfältige menschliche Überwachung könnten KI-Systeme zur Verbreitung von Fehlinformationen beitragen, indem sie falsche oder irreführende Informationen verstärken. Es besteht die Gefahr, dass die journalistische Integrität untergraben wird, wenn Nachrichten primär auf Basis von Algorithmen optimiert werden, die auf Engagement und Klickzahlen ausgerichtet sind, statt auf fundierte Berichterstattung.

Angesichts dieser Herausforderungen erweist sich der „Human-in-the-Loop“-Ansatz als vielversprechendster Weg für die Zukunft des Journalismus. Dieser Ansatz sieht vor, dass KI als leistungsfähiges Unterstützungswerkzeug eingesetzt wird, während Menschen die Kontrolle über den redaktionellen Prozess behalten.

Kai Spriestersbach

KI kann ohne Frage bei der Recherche, Datenanalyse und der Erstellung erster Textentwürfe wertvolle Dienste leisten. Die endgültige inhaltliche Gestaltung, die kritische Bewertung und die Entscheidung über die Veröffentlichung sollten jedoch in den Händen erfahrener Journalisten bleiben!

Um diesen Ansatz erfolgreich umzusetzen, sind kontinuierliche Schulungen sowohl für KI-Systeme als auch für menschliche Journalisten unerlässlich. Die KI-Tools müssen regelmäßig überprüft und angepasst werden, um ihre Leistung und Zuverlässigkeit zu gewährleisten. Gleichzeitig müssen Journalisten im effektiven Umgang mit diesen neuen Technologien geschult werden, um ihr volles Potenzial auszuschöpfen, ohne dabei die Grundprinzipien des Journalismus aus den Augen zu verlieren.

Transparenz gegenüber dem Publikum spielt eine entscheidende Rolle in diesem Prozess

Nachrichtenorganisationen sollten offen kommunizieren, wenn KI bei der Erstellung von Inhalten beteiligt war, und die verwendeten Methoden sowie deren Grenzen offenlegen. Dies fördert das Vertrauen der Öffentlichkeit und ermöglicht es den Lesern, die Quellen und Prozesse hinter den Nachrichten, die sie konsumieren, besser zu verstehen.

Letztendlich wird der Journalismus der Zukunft wahrscheinlich eine sorgfältig austarierte Symbiose zwischen menschlicher Expertise und KI-Unterstützung sein. Die größte Herausforderung wird darin bestehen, die Vorteile der KI zu nutzen, ohne die Grundprinzipien des Journalismus zu kompromittieren. Nur durch einen verantwortungsvollen, ethischen und menschenzentrierten Ansatz können wir sicherstellen, dass der Journalismus auch im KI-Zeitalter seine wichtige Rolle als vierte Gewalt in der Demokratie erfüllt.

Kai Spriestersbach

Der AI Scientist zeigt uns das enorme Potenzial von KI in komplexen intellektuellen Prozessen. Im Journalismus könnte ähnliche Technologie zu einer Effizienzsteigerung und Erweiterung der Berichterstattung führen. Doch es ist von entscheidender Bedeutung, dass wir die Grenzen und Risiken dieser Technologien erkennen und den menschlichen Faktor nicht aus den Augen verlieren. Nur so können wir eine Zukunft gestalten, in der Technologie den Journalismus bereichert, ohne dessen Kern – die menschliche Perspektive, Ethik und kritisches Denken – zu ersetzen.

KI-Automatisierung in anderen Bereichen

Während die vollständige Automatisierung des investigativen Journalismus noch in weiter Ferne liegt, eröffnen sich in anderen Bereichen der Textproduktion bereits heute vielversprechende Möglichkeiten für den Einsatz von KI. Es lohnt sich, einen differenzierten Blick auf verschiedene Textformate zu werfen und zu untersuchen, wo eine Automatisierung sinnvoll und machbar ist.

Besonders im Bereich der Produkt- und Gebrauchstexte zeigt sich ein erhebliches Potenzial für KI-gestützte Automatisierung. Diese Textsorten, zu denen beispielsweise Produktbeschreibungen, technische Dokumentationen oder FAQ-Seiten gehören, folgen oft standardisierten Strukturen und basieren auf klar definierten Informationen. Hier können KI-Systeme ihre Stärken in der Verarbeitung großer Datenmengen und der konsistenten Anwendung vorgegebener Muster voll ausspielen.

Ein Beispiel hierfür ist die Erstellung von Produktbeschreibungen für Online-Shops. E-Commerce-Plattformen wie Amazon oder Zalando müssen täglich tausende neue Produkte mit aussagekräftigen Beschreibungen versehen. KI-Systeme können dabei helfen, aus technischen Spezifikationen, Herstellerinformationen und Kundenbewertungen automatisch ansprechende und informative Produkttexte zu generieren. Dies spart nicht nur Zeit und Ressourcen, sondern gewährleistet auch eine konsistente Qualität und Struktur über das gesamte Produktsortiment hinweg.

Auch im Bereich der technischen Dokumentation eröffnen sich interessante Möglichkeiten. KI-Systeme können aus technischen Daten, Bedienungsanleitungen und Fehlerbehebungsprotokollen strukturierte und leicht verständliche Anleitungen erstellen. Sie können sogar verschiedene Versionen für unterschiedliche Zielgruppen generieren, von detaillierten technischen Handbüchern für Experten bis hin zu vereinfachten Kurzanleitungen für Endverbraucher.

Im Finanzsektor werden bereits KI-Systeme eingesetzt, um aus komplexen Finanzdaten automatisch Marktberichte und Analysen zu erstellen. Diese Texte folgen oft einem standardisierten Format und basieren auf quantitativen Daten, was sie für eine KI-gestützte Erstellung prädestiniert. Große Nachrichtenagenturen wie Bloomberg und Reuters nutzen solche Systeme bereits erfolgreich, um die Geschwindigkeit und den Umfang ihrer Finanzberichterstattung zu erhöhen.

Auch im Sportjournalismus, insbesondere bei der Berichterstattung über Sportereignisse mit klaren statistischen Daten, können KI-Systeme wertvolle Unterstützung leisten. Sie können aus Spielstatistiken, historischen Daten und aktuellen Entwicklungen automatisch Spielberichte generieren, die die wichtigsten Ereignisse und Leistungen zusammenfassen.

Es ist jedoch wichtig zu betonen, dass selbst in diesen Bereichen, wo die Anforderungen an Kreativität und kritisches Denken möglicherweise geringer sind, die menschliche Überwachung und Kontrolle unerlässlich bleibt. Die Technologie hat ihre Grenzen und Schwächen, die es zu verstehen und zu managen gilt.

Kai Spriestersbach

Eine der Hauptherausforderungen besteht darin, die KI-Systeme mit ausreichend hochwertigen und relevanten Daten zu füttern. Nur so können sie akkurate und nützliche Texte produzieren. Es bedarf einer sorgfältigen Kuratierung der Eingabedaten und einer kontinuierlichen Überprüfung der Ausgaben, um Fehler oder unbeabsichtigte Verzerrungen zu vermeiden.

Ein weiterer kritischer Punkt ist die Anpassungsfähigkeit der Systeme an sich ändernde Anforderungen und Kontexte. Produktbeschreibungen müssen beispielsweise an neue Markttrends oder gesetzliche Vorgaben angepasst werden, technische Dokumentationen müssen mit Produktaktualisierungen Schritt halten. Hier ist menschliches Urteilsvermögen gefragt, um die KI-Systeme entsprechend zu justieren und ihre Ausgaben zu validieren.

Darüber hinaus gibt es ethische und rechtliche Überlegungen zu berücksichtigen. Auch wenn es sich um scheinbar unkritische Textsorten handelt, können unbedachte Formulierungen oder versteckte Vorurteile in automatisch generierten Texten problematische Auswirkungen haben. Eine menschliche Prüfung auf Angemessenheit und potenzielle negative Implikationen bleibt daher unerlässlich.

Die Zukunft der Textproduktion liegt in einer hybriden Herangehensweise

KI-Systeme können die Grundlagen schaffen, indem sie Rohtexte generieren, Daten zusammenfassen und konsistente Strukturen vorgeben. Menschliche Redakteure und Experten übernehmen dann die Rolle der Kuratoren, Editoren und Qualitätsprüfer. Sie verfeinern die Texte, fügen nuancierte Einsichten hinzu und stellen sicher, dass die endgültigen Produkte den gewünschten Qualitätsstandards entsprechen.

Diese Zusammenarbeit zwischen Mensch und Maschine ermöglicht es, die Effizienz und Skalierbarkeit der KI-Systeme zu nutzen, ohne dabei auf die unverzichtbaren menschlichen Qualitäten wie Urteilsvermögen, Kreativität und ethisches Bewusstsein zu verzichten. So können Unternehmen und Organisationen von den Vorteilen der Automatisierung profitieren, während sie gleichzeitig die Qualität und Integrität ihrer Texte wahren.

Letztendlich zeigt diese differenzierte Betrachtung, dass die KI-gestützte Textautomatisierung kein Alles-oder-Nichts-Szenario ist. Es gibt ein breites Spektrum von Anwendungsmöglichkeiten, die je nach Textsorte, Zielgruppe und Anforderungen variieren. Der Schlüssel zum Erfolg liegt darin, die Stärken der KI gezielt dort einzusetzen, wo sie den größten Mehrwert bieten, und gleichzeitig die menschliche Expertise dort zu bewahren, wo sie unverzichtbar ist. Nur so kann eine ausgewogene und effektive Integration von KI in die Textproduktion gelingen, die sowohl die Effizienz steigert als auch die Qualität und Integrität der Inhalte gewährleistet.

Andrej Karpathy, ehemaliger OpenAI-Forscher und KI-Pionier, hat in einem Tweet kürzlich auf ein grundlegendes Problem in der KI-Entwicklung hingewiesen, über das aus meiner Sicht viel zu wenig gesprochen wird: Die Schwächen des Reinforcement Learning from Human Feedback (RLHF). Damit bringt er das Dilemma in der KI-Forschung hoffentlich wieder ins Rampenlicht.

Wie können wir Systeme entwickeln, die nicht nur menschenähnliche Texte produzieren, sondern echtes Verständnis und Problemlösungsfähigkeiten demonstrieren? Und wie können wir diese Fähigkeiten objektiv und zuverlässig messen?

Diese Fragen zu beantworten, wird entscheidend sein für die nächste Generation von KI-Systemen – Systeme, die nicht nur imitieren, sondern wirklich verstehen und denken können.

Das RLHF-Dilemma

RLHF, oft als Schlüssel zum Erfolg von Chatbots wie ChatGPT gepriesen, steht schon länger in der Kritik von KI-Forschern. Das Problem: Es fehlt an wirklich objektiven Kriterien und einem generalisierbaren Trainingsziel.

Zum Hintergrund: RLHF steht für Reinforcement Learning from Human Feedback und beschreibt eine Trainingsmethode für KI-Modelle, insbesondere für große Sprachmodelle (LLMs), die menschliches Feedback nutzt, um das Verhalten des Modells zu verbessern.

Das Grundprinzip hinter RLHF ist ziemlich einfach: Das Modell wird belohnt, wenn es Antworten generiert, die Menschen als gut bewerten und im Gegenzug wird es „bestraft“, wenn seine Ausgaben als unerwünscht eingestuft werden.

Auf Basis menschlicher Bewertung wird in der Regel ein separates Belohnungsmodell trainiert, das menschliche Präferenzen vorhersagen soll. Anschließend kann das ursprüngliche LLM wird mit Hilfe des Belohnungsmodells optimiert werden.

Das hat durchaus seine Vorteile, beispielsweise ermöglicht es die Anpassung von KI-Verhalten an menschliche Präferenzen und kann unerwünschtes Verhalten reduzieren (z.B. Toxizität, Voreingenommenheit, etc. aber es basiert letztlich auf subjektiven menschlichen Urteilen Einzelner, die voreingenommen sein können.

Zudem werden unglaublich große Mengen an menschlichem Feedback benötigt, was in der Praxis zum Einsatz des Reward-Modells führt, welches die tiefe menschliche Erfahrung nur unzureichend vorhersagen kann. Zudem kommt es schnell zu einer Überanspassung und das LLM kann lernen, das Belohnungssystem „auszutricksen“, statt wirklich besser zu werden

Karpathy vergleicht in seinem Tweet RLHF mit dem Training von DeepMinds AlphaGo, um das Problem verständlicher zu erklären:

AlphaGo lernte durch echtes Reinforcement Learning Spiele zu gewinnen, also dadurch, automatisiert, immer wieder „gegen sich selbst“ zu spielen und dabei ein klares Trainingsziel zu verfolgen, nämlich zu gewinnen.

Dies ist bei RLHF nie möglich, denn hier optimiert man auf subjektiven menschlichen Bewertungen, also mehr einen Vibe anstatt objektiver Kriterien und bräuchte zudem eine schier unendliche Schar an menschlichen Feedback-Geber:innen.

Neue Ansätze für besseres KI-Training

Es wäre doch mal eine Idee, das Basismodell mit einem Datensatz zu trainieren, der ausschließlich faktisch korrekte Aussagen enthält. Dies könnte die Grundlage für zuverlässigere und weniger halluzinierende Modelle schaffen.

Ich frage mich schon länger, ob sauberere Trainingsdaten die Grundmodelle nicht schon besser machen würden.

Außerdem müssen wir objektivere Methoden zur Bewertung von KI-Leistungen entwickeln, statt sich auf menschliche Bewertungen zu verlassen!

Aber um Dinge wie Faktenüberprüfung zu automatisieren, brächten wir erstmal zuverlässige, automatisierte Systeme zur Verifizierung von Modellantworten gegen verifizierte Datenbanken. Hier kommen dann wieder fehleranfällige LLMs zum Einsatz und damit beißt sich die Katze in den Schwanz!

Ebenso wenig lässt sich die Logische Konsistenz einfach Berechnen. Wie könnte eine Bewertung der internen Kohärenz von Antworten über mehrere verwandte Fragen hinweg aussehen, in der weder Menschen, noch LLMs zum Einsatz kommen?

Noch komplexer wird es dann bei der Beurteilung echter Problemlösungsfähigkeit. Bei der Messung der Fähigkeit, komplexe Aufgaben in mehreren Schritten zu lösen, könnte man sicherlich Benchmarks mit einigen Tests erstellen, die aber dann schnell als Teil der Trainingsdaten in die Modelle einfließen und keine Aussagekraft über echte Generalisierung des Modells erlauben.

Self-Exploration als Weg aus den lokalen Maxima

In einem aktuellen Paper beschreiben Forscher:innen der Northwestern University und Microsoft einen Ansatz, den sie Self-Exploring Language Models nennen, einen interessanten neuen Ansatz zur Verbesserung des RLHF-Prozesses für große Sprachmodelle.

Das Paper löst also nicht das Grundproblem von RLHF, aber adressiert ein wichtiges Problem von RLHF: Die effiziente Erkundung des riesigen Raums möglicher Sprachausgaben. Also unabhängig davon, wer oder wie wir die Ergebnisse bewerten, stellt sich immernoch die Frage: „Wie können wir sicherstellen, dass Modelle systematisch den gesamten möglichen Ausgaberaum erkunden, um das bestmögliche Ergebnis zu finden?“

Es baut dabei auf bestehenden Methoden wie DPO (Direct Preference Optimization) auf und versucht, deren Schwächen zu überwinden. Die Autoren führen hierfür einen neuen Algorithmus namens SELM (Self-Exploring Language Models) ein. SELM verwendet ein zweistufiges Optimierungsziel, das „optimistisch“ auf potenziell hochwertige Antworten ausgerichtet ist. Dies soll eine aktivere Erkundung von Bereichen außerhalb der Trainingsverteilung ermöglichen und es ermöglichen, lokale Maxima zu überwinden.

SELM eliminiert dabei die Notwendigkeit eines separaten Reward Models (RM) und reduziert die undifferenzierte Bevorzugung ungesehener Extrapolationen, ein bekanntes Problem bei DPO. Der Ansatz verspricht also eine effizientere Erkundung des Antwort-Raums. SELM verwendet dazu ein bilevel (zweistufiges) Optimierungsproblem. Die Grundidee ist, nicht nur die Belohnung zu maximieren, sondern auch aktiv nach potenziell hohen Belohnungen in unerforschten Bereichen zu suchen. Der Algorithmus fügt einen „Optimismus-Term“ zur Zielfunktion hinzu. Dieser Term bevorzugt Antworten, die möglicherweise hohe Belohnungen in bisher unerforschten Bereichen erzielen könnten.

Statt ein separates Reward Model (RM) zu verwenden, wird die Belohnungsfunktion direkt durch das Sprachmodell selbst parametrisiert. Dies eliminiert die Notwendigkeit eines externen RMs.

SELM aktualisiert das Modell iterativ. In jeder Iteration:
a) Generiert das Modell Antworten auf Prompts.
b) Diese Antworten werden bewertet (durch Menschen oder ein AI-System).
c) Das Modell wird basierend auf diesem Feedback und dem optimistischen Explorationsziel aktualisiert.

Anders als bei zufälligem Sampling wird das Modell ermutigt, Antworten zu generieren, die möglicherweise hohe Belohnungen in bisher wenig erforschten Bereichen des Antwortspektrums erzielen könnten.

Der Ansatz zielt darauf ab, die übermäßige Bevorzugung von ungesehenen, aber möglicherweise irrelevanten Extrapolationen zu reduzieren – ein bekanntes Problem bei DPO. Durch die gezielte Exploration kann SELM effizienter diverse und hochwertige Antworten generieren, was den Trainingsprozess beschleunigt und verbessert.

Konkret läuft der Prozess etwa so ab:

1. Das Modell generiert eine Antwort auf einen Prompt.
2. Statt nur die erwartete Belohnung zu maximieren, wird auch berücksichtigt, wie „neuartig“ oder „unerforschte“ diese Antwort ist.
3. Die generierte Antwort wird bewertet.
4. Das Modell wird aktualisiert, wobei sowohl die erhaltene Bewertung als auch das Potenzial für zukünftige hohe Belohnungen in ähnlichen, bisher unerforschten Antwortbereichen berücksichtigt werden.
5. Dieser Prozess wird wiederholt, wobei das Modell kontinuierlich ermutigt wird, den Antwort-Raum breiter zu erkunden, anstatt sich nur auf bekannte „sichere“ Antworten zu verlassen.

Dieser Ansatz ermöglicht es dem Modell, aktiv neue Arten von Antworten zu erkunden und zu lernen, während es gleichzeitig die Qualität der Antworten basierend auf dem erhaltenen Feedback verbessert. Es ist ein Balanceakt zwischen Exploration (Erkundung neuer Möglichkeiten) und Exploitation (Nutzung des bereits Gelernten).

In ersten Tests konnten bereits signifikante Leistungssteigerungen bei Instruction-Following-Benchmarks wie MT-Bench und AlpacaEval 2.0 erzielt werden, sowie Verbesserungen bei verschiedenen akademischen Benchmarks.

Wenn sich die Methode bewährt, könnte sie zu besser ausgerichteten und vielseitigeren LLMs führen. Der Ansatz könnte auch die Effizienz des Trainingsprozesses verbessern, was angesichts der hohen Kosten für das Training großer Modelle bedeutsam ist.

Allerdings ist noch unklar, wie gut dieser Ansatz auf noch größere Modelle skaliert und wie sich die Methode in Bezug auf ethische Überlegungen und Sicherheitsaspekte verhält.

Insgesamt scheint dieses Paper einen vielversprechenden neuen Ansatz zur Verbesserung von RLHF zu präsentieren, der einige der Hauptherausforderungen im Bereich des Alignments von LLMs adressiert. Es wird interessant sein zu sehen, wie sich diese Methode in der breiteren Forschungsgemeinschaft bewährt und ob sie in der Praxis bei der Entwicklung zukünftiger LLMs Anwendung findet.

LLM-Evaluation: Ein Schritt vorwärts, aber noch nicht am Ziel

Hugging Faces CTO Philipp Schmids Ansatz zur LLM-Evaluation, wie er ihn in seinem Blogpost beschreibt, bietet einige clevere und praktische Lösungen für die Herausforderungen bei der Bewertung von Sprachmodellen. Dennoch zeigt er auch, wie tief verwurzelt die Probleme sind.

Der Fokus auf eine unkomplizierte Evaluationsmethode macht sie leicht implementierbar und skalierbar. Die Verwendung von additiven Scores und vordefinierten Evaluationsschritten bietet eine gewisse Konsistenz und die Einbeziehung von Beispielen kann die Bewertung besser an menschliche Präferenzen anpassen.

Aber die Schwächen von RLHF, insbesondere die Subjektivität bleibt erhalten, denn auch wenn ein LLM als „Richter“ eingesetzt wird, basiert dessen Urteil letztlich auf subjektiven Kriterien, die von Menschen definiert wurden. Wir verwenden ein LLM, um ein anderes LLM zu bewerten, was zu einer Art „Echokammer“ führen kann, in der die Schwächen und Verzerrungen des bewertenden Modells die Evaluation beeinflussen. Die Bewertung basiert immer noch auf oberflächlichen Merkmalen und „Vibes“ statt auf einem tiefgreifenden Verständnis des Inhalts!

Leider keine Lösung für das Grundproblem

Der Ansatz umgeht das zentrale Problem, das wir diskutiert haben – den Mangel an wirklich objektiven Kriterien für die Leistung von LLMs in offenen Domänen. Schmids Methode ist vielleicht ein Schritt in Richtung praktischer, skalierbarer Evaluationen und kann durchaus nützlich sein für schnelle, iterative Verbesserungen von LLM-Anwendungen, eine konsistente Qualitätskontrolle in produktiven Umgebungen und Vergleiche zwischen verschiedenen Modellversionen oder -konfigurationen.

Allerdings müssen wir weiterhin nach Lösungen für die grundlegenderen Herausforderungen suchen!

Das Problem der Skalierbarkeit des menschlichen Feedbacks wird derzeit in der Regel durch „Gespräche mit sich selbst“ gelöst, also das Modell soll seine eigenen Ausgaben analysieren und verbessern oder verschiedene Instanzen des Modells überprüfen gegenseitig ihre Antworten.

Theoretisch wäre sogar eine Art evolutionäres Training möglich, welches Modellvarianten für weiteres Training bevorzugt, die konsistentere und korrektere Antworten geben.

Dafür braucht es jedoch zunächst wirklich objektive Kriterien, beispielsweise für:

1. Informationsgehalt: Quantifizierung des tatsächlichen Informationsgehalts in Modellantworten.
2. Anwendbarkeit: Messung, wie gut Menschen die Antworten des Modells in realen Situationen umsetzen können.
3. Kreative Problemlösung: Bewertung der Fähigkeit, neuartige Lösungen für unbekannte Probleme zu generieren.
4. Ethische Konsistenz: Überprüfung der Einhaltung ethischer Richtlinien über verschiedene Szenarien hinweg.
5. Metakognitive Fähigkeiten: Beurteilung der Fähigkeit des Modells, die Grenzen seines eigenen Wissens zu erkennen und zu kommunizieren.

Diese Kritik an RLHF ist nicht neu, aber sie unterstreicht die Notwendigkeit innovativer Ansätze im KI-Training. Die Kombination aus saubereren Trainingsdaten, objektiveren Bewertungsmethoden und fortgeschrittenen Self-Training-Techniken könnte der Schlüssel zu einer neuen Generation von KI-Systemen sein. Diese Systeme wären nicht nur leistungsfähiger, sondern auch zuverlässiger und ethisch vertretbarer. Die Herausforderung bleibt groß, aber die potenziellen Belohnungen sind es wert.

Fazit und Ausblick

Wir brauchen Bewertungskriterien, die weniger auf subjektiven menschlichen Urteilen und mehr auf messbaren, reproduzierbaren Ergebnissen basieren. Evaluation sollte stärker auf spezifisches Fachwissen in verschiedenen Bereichen zurückgreifen, um die Korrektheit und Nützlichkeit von Antworten besser beurteilen zu können. Statt einer einzelnen Punktzahl sollten wir multiple Dimensionen der Leistung betrachten – von faktischer Korrektheit über logische Konsistenz bis hin zu ethischen Aspekten.

Wir brauchen Methoden, die nicht nur bewerten, sondern auch deterministisch erklären können, warum eine bestimmte Ausgabe als gut oder schlecht eingestuft wird. Zudem brauchen wir vollkommen neue Tests, die nicht nur Textgenerierung, sondern echtes Problemlösen und Reasoning bewerten.

In einem kürzlich veröffentlichten Artikel präsentiert Bernard Huang, Mitbegründer von Clearscope, ein faszinierendes Konzept namens „Ranch-Style SEO“. Huangs Beitrag ist zweifellos eine tiefgründige Analyse der aktuellen SEO-Landschaft und bietet wertvolle Einblicke in die Zukunft der Content-Erstellung. Doch wirft seine Darstellung auch die Frage auf: Brauchen wir wirklich einen neuen Begriff? Was unterscheidet Ranch-Style SEO denn vom aktuellen Stand der etablierten SEO-Strategien?

Die Kernpunkte von Ranch-Style SEO

Huang argumentiert überzeugend, dass die Ära der keywordlastigen, technischen SEO vorbei ist. Stattdessen plädiert er für einen Ansatz, der sich auf folgende Aspekte konzentriert:

1. Fokus auf Disaggregation statt Aggregation: Im Gegensatz zur „Skyscraper-Technik“, in Deutschland eher als „holistische Landingpages“ bekannt, die massive, umfassende Inhalte erstellt, legt Ranch Style SEO Wert darauf, Themen in kleinere, gezieltere Stücke zu zerlegen, die eng mit der Suchreise des Nutzers übereinstimmen.
2. Themenzentrierung statt Keywordzentrierung: Es verschiebt sich weg von der starken Abhängigkeit von Keywords und konzentriert sich stattdessen darauf, Themen gründlich aus mehreren Blickwinkeln und Perspektiven abzudecken.
3. Betonung des Informationsgewinns: Ranch Style SEO zielt darauf ab, neue, einzigartige Erkenntnisse zum Knowledge Graph von Google beizutragen, anstatt nur bestehende Informationen neu zu verpacken. Dies hilft Inhalten, sich in einer Ära der KI-generierten Inhaltssättigung abzuheben.
4. Priorisierung von Erfahrung aus erster Hand und Expertise: Es orientiert sich an Googles verstärktem Fokus auf E-E-A-T (Erfahrung, Expertise, Autorität, Vertrauenswürdigkeit), indem es echte Fachkompetenz demonstriert und wertvolle, relevante Informationen liefert.
5. Qualität vor Quantität: Anstatt zu versuchen, massive Mengen an Inhalten zu produzieren, konzentriert sich Ranch Style SEO darauf, hochwertige, gezielte Stücke zu erstellen, die eng mit der Suchintention des Nutzers übereinstimmen.
6. Anpassungsfähigkeit an sich entwickelnde Themen: Durch die Konzentration auf die Abdeckung von Themen aus mehreren Blickwinkeln hält dieser Ansatz Inhalte relevant, während sich Suchtrends und Nutzerbedürfnisse im Laufe der Zeit ändern.
7. Nutzerzentrierter Ansatz: Die Strategie zielt darauf ab, die Suchintention des Nutzers effektiver zu befriedigen, indem sie präzise, verdauliche Inhaltsstücke liefert, die auf verschiedene Stadien der Nutzerreise zugeschnitten sind.

Dieser Ansatz wird als eine „zukunftssichere“ Strategie positioniert, die sich an Änderungen in Googles Algorithmen und die Herausforderungen durch KI-generierte Inhalte anpasst.

Die Argumentation hinter Ranch-Style SEO

Huangs Argumentation für diesen Ansatz ist stichhaltig:

1. Entwicklung der Google-Algorithmen: Er zeichnet die Evolution von Google’s Algorithmen nach, von Hummingbird bis zu den jüngsten Helpful Content Updates, die alle eine Verschiebung hin zu qualitativ hochwertigen, nutzerzentrierten Inhalten zeigen.
2. Herausforderung durch KI: Huang erkennt die Herausforderungen, die durch KI-generierte Inhalte entstehen, und argumentiert, dass menschliche Expertise und einzigartige Einsichten wichtiger denn je sind.
3. Verändertes Nutzerverhalten: Er weist auf die zunehmende Skepsis gegenüber Suchmaschinenergebnissen hin und betont die Notwendigkeit, vertrauenswürdige, erfahrungsbasierte Inhalte zu liefern.

Neuer Ansatz oder bewährte Praxis?

Während Huangs Analyse zweifellos wertvoll ist, stellt sich die Frage: Beschreibt „Ranch-Style SEO“ wirklich einen neuen Ansatz, oder fasst es lediglich Best Practices zusammen, die echte Experten bereits seit Jahren anwenden?

• Die Fokussierung auf Nutzerintention und hochwertige Inhalte ist seit langem ein Mantra.
• Die Bedeutung von E-A-T (jetzt E-E-A-T) wird von Google seit Jahren betont.
• Content-Strategien, die auf ganzheitliche Themenabdeckung setzen, sind nicht neu.

Dennoch liegt der Wert von Huangs Beitrag in der klaren Artikulation und Zusammenfassung dieser Prinzipien sowie in der Betonung ihrer zunehmenden Wichtigkeit im Zeitalter der KI-generierten Inhalte.

Fazit

Bernard Huangs „Ranch-Style SEO“ bietet aus meiner Sicht durchaus eine wertvolle Perspektive auf die Zukunft der Content-Erstellung und SEO. Ob wir diesen Ansatz nun als revolutionär oder als Evolution bewährter Praktiken betrachten – die zugrundeliegenden Prinzipien sind zweifellos von entscheidender Bedeutung für den SEO-Erfolg in der sich ständig wandelnden digitalen Landschaft.

Unabhängig von der Nomenklatur erinnert uns Huangs Beitrag daran, dass im Kern erfolgreicher SEO-Strategien immer die Erstellung von hochwertigen, relevanten und einzigartigen Inhalten steht, die einen echten Mehrwert für die Nutzer bieten.

Insbesondere mit Blick auf Phrase-Based Indexing und die Beschränkungen aktueller Embedding-Modell im LLMO, GenAIO, GEO oder wie auch immer man die Antwort-Optimierung von KI-basierten Suchen nennen will, rate ich ebenfalls zu kürzeren Inhalten, die auf den Punkt kommen anstatt ausschweifend zu langweilen.

Den Fokus auf einen Informationsgewinn und echte Erfahrung aus erster Hand und Expertise zu legen, halte ich in Zeiten von KI-generierter Texte für den wichtigsten Punkt, den man garnicht überbetonen kann!

Als langjähriger Beobachter und Kommentator der digitalen Suchlandschaft habe ich seit Jahren auf diesen Moment gewartet: Am 29. Juli 2024 hat die KI-basierte Suchmaschine Perplexity ihr bahnbrechendes „Publishers‘ Program“ vorgestellt. Dieses Programm könnte endlich die dringend benötigte Brücke zwischen KI-Technologie und Qualitätsjournalismus schlagen – ein Schritt, der in Zeiten von KI-generierten Suchantworten überfällig war.

Ist das der lang erwartete Paradigmenwechsel?

Seit Google und andere Suchmaschinen begonnen haben, mittels KI direkte Antworten in den Suchergebnissen zu präsentieren (die sogenannten „AI Overviews“), hat sich die Dynamik zwischen Suchmaschinen und Content-Erstellern dramatisch verändert.

Nutzer werden nicht mehr auf die Webseiten der Inhaltsanbieter weitergeleitet, was die traditionellen Geschäftsmodelle der Verlage erheblich unter Druck setzt.

In diesem Kontext ist Perplexity’s Initiative nicht nur innovativ, sondern geradezu revolutionär!

Das Herzstück: Faire Einnahmenteilung

Der Kern des Programms ist ein Modell zur Einnahmenteilung, das in den kommenden Monaten eingeführt werden soll. Wenn die Inhalte eines Verlags in einer Antwort zitiert werden, die zu Werbeeinnahmen führt, wird der Verlag daran beteiligt.

Dies ist genau der neue „Deal“, auf den die Branche gewartet hat – eine faire Kompensation für die Nutzung hochwertiger Inhalte in KI-generierten Antworten.

Namhafte Partner von Beginn an: Es ist ermutigend zu sehen, dass sich bereits renommierte Publikationen wie TIME, Der Spiegel, Fortune und Entrepreneur dem Programm angeschlossen haben. Auch die Beteiligung kleinerer, aber einflussreicher Medien wie The Texas Tribune unterstreicht das Potenzial dieses Ansatzes, die gesamte Medienlandschaft zu transformieren.

Mehr als nur Geld: Technologie-Sharing und Analytics

Besonders beeindruckend finde ich, dass Perplexity über die bloße Einnahmenteilung hinausgeht. Der Zugang zu den Online-LLM-APIs und die Entwicklerunterstützung ermöglichen es Verlagen, die KI-Technologie für ihre eigenen Zwecke zu nutzen.

Die Zusammenarbeit mit ScalePost.ai für detaillierte Analytik ist ein weiterer kluger Schritt, der Verlagen wertvolle Einblicke in die Nutzung ihrer Inhalte gibt.

Ein Modell für die Zukunft: Aufruf an die Tech-Giganten

Perplexity-CEO Aravind Srinivas‘ Vision eines Systems, „von dem das gesamte Internet profitiert“, klingt vielversprechend. Die Offenheit für weitere Kooperationsformen, wie etwa gebündelte Abonnements, zeigt, dass hier langfristig und ganzheitlich gedacht wird.

Nun liegt der Ball im Feld der großen Technologieunternehmen. Es ist höchste Zeit, dass Google, Bing und andere diesem Beispiel folgen und skalierbare Systeme zur Inhaltslizenzierung entwickeln, anstatt sich auf Einzeldeals mit den ganz Großen der Branche zu beschränken.

Nur so kann ein nachhaltiges Ökosystem entstehen, das Qualitätsjournalismus im Zeitalter der KI-gestützten Informationsverbreitung fördert und erhält.

Ein Hoffnungsschimmer für die digitale Medienzukunft

Das Perplexity Publishers‘ Program ist mehr als nur eine Neuerung – es ist ein Hoffnungsschimmer für eine ausgewogenere und fairere digitale Medienlandschaft.

Es zeigt, dass es möglich ist, die Interessen von KI-Technologie und Qualitätsjournalismus in Einklang zu bringen.

Als jemand, der die Entwicklungen in diesem Bereich seit Jahren verfolgt, kann ich nur sagen:
Es wurde Zeit!

Jetzt liegt es an der restlichen Industrie, nachzuziehen und diesen vielversprechenden Ansatz weiterzuentwickeln. Nur so können wir sicherstellen, dass hochwertiger, vertrauenswürdiger Content auch in Zukunft das Rückgrat unserer digitalen Informationslandschaft bleibt.