- AI senkt auf der Lernkurve die Einstiegshürden für Anfänger und Fortgeschrittene und ermöglicht maßgeschneiderte Unterstützung passend zum individuellen Niveau
- Das Erreichen von Meisterschaft auf Expertenniveau ist weiterhin schwierig, und bei tiefgehenden Themen oder kontroversen Bereichen stößt AI an Grenzen
- Wenn AI nur als Werkzeug für schnelle Antworten genutzt wird, kann der Nebeneffekt entstehen, dass man ohne echtes Wachstum an den Grenzen der AI stehen bleibt
- In Bereichen wie Programmierung, kreativer Arbeit und der Nutzung alltäglicher Apps zeigt sich der Einfluss von AI unterschiedlich; besonders in Feldern, in denen neue Ideen und Innovationskraft entscheidend sind, ist die Wirkung von AI begrenzt
- AI hat zwar die Untergrenze des Wandels angehoben, aber nicht in allen Bereichen große Veränderungen bewirkt; der Nutzen wird je nach Bedarf und Kontext unterschiedlich bewertet
Zusammenfassung: Die von AI veränderte Lernkurve
- Vor dem Aufkommen von AI wurden Lernmaterialien jeweils für eine bestimmte Zielgruppe erstellt, wodurch die Vorkenntnisse der Lernenden oft nicht angemessen berücksichtigt wurden
- Häufige Probleme waren zum Beispiel, in einem vertrauten Fachgebiet über Verknüpfungen ein neues Thema zu lernen, gar nicht zu wissen, dass bestimmtes Vorwissen nötig ist, oder auf mittlerem Niveau keine passenden Materialien zu finden
- Bisher war individualisierte Unterstützung beim Erlernen technischer Fähigkeiten schwer umzusetzen
- AI verändert die Lernkurve, indem sie Fragen direkt auf das Verständnisniveau einzelner Lernender abgestimmt beantwortet oder repetitive Aufgaben übernimmt
- Durch AI-gestützte Lernerfahrungen steigt nun auf jedem Niveau der Boden (das Mindestniveau) als Ausgangspunkt, den AI bereitstellt
Grenzen auf dem Weg zum Master-Niveau
- Fachexperten blicken kritisch auf die Wirksamkeit von AI
- Die von AI gelieferten Informationen sind bei populären und grundlegenden Inhalten stark, haben jedoch deutliche Grenzen bei vertieftem Fachwissen oder kontroversen Themen
- Die Trainingsdaten von AI liefern umso bessere Ergebnisse, je allgemeiner die Inhalte sind; bei schwierigem oder fortgeschrittenem Wissen fehlen jedoch oft Trainingsdaten oder es gibt widersprüchliche Informationen, sodass präzise und tiefgehende Antworten schwer bereitzustellen sind
Nebenwirkungen des Lernens mit AI: Cheating
- Funktionen wie der OpenAI Study Mode, die sofort nur nach der richtigen Antwort verlangen, können das Lernplateau der Nutzer noch verstärken
- Wer AI-Antworten nur als einfaches Mittel nutzt, stößt an die Grenze, darüber hinaus nicht weiter zu wachsen
- Langfristig ist diese Vorgehensweise nachteilig für nachhaltiges Wachstum
Die tatsächlichen Auswirkungen der veränderten Lernkurve
- Technologischer Wandel führt zu Veränderungen im gesamten Ökosystem
- Die Wirkung von AI hängt davon ab, wie viel Meisterschaft (Können) für ein Produkt oder Ergebnis tatsächlich erforderlich ist
-
Softwareentwicklung: gut für Manager, bei großen Codebasen nur begrenzt hilfreich
- Engineering-Manager hatten oft Verständnis für Prinzipien und Qualitätsbeurteilung, aber zu wenig Erfahrung mit bestimmten Frameworks, um selbst Anwendungen zu bauen
- Durch AI-Tools gibt es mehr Fälle, in denen sie schnell bei den Grundlagen aufholen und mit ihrer vorhandenen Erfahrung rasch funktionierende Apps fertigstellen
- Gleichzeitig sind bei großen und komplexen Codebasen die Grenzen der Hilfe durch AI deutlich
- Weil das Verständnis für den Kontext bestehender Systeme oder spezielle Anforderungen fehlt, ist AI bei realer Arbeit oft keine große Hilfe
-
Kreative Bereiche: starker Wettbewerb, daher begrenzter Einfluss
- In kreativen Feldern ist der Wettbewerb extrem hart, und echte Originalität ist entscheidend
- Auch wenn sich mit AI leicht Bilder erzeugen lassen, wird die Einstiegshürde der „Neuheit“ als eigentlichem Schlüssel kreativen Erfolgs nicht gesenkt
- Menschen erkennen Ableitungen und Nachahmungen leicht, weshalb das Interesse nach kurzfristigen Trends schnell wieder abflacht
- Es gibt zwar punktuelle Beispiele wie den Trend zu Avataren im Studio-Ghibli-Stil, doch auf kulturelle Stellung oder breite Popularität hat AI nur geringen Einfluss
-
Bereich bestehender Apps: minimale Auswirkungen
- E-Mail, Essensbestellungen und Ähnliches werden bereits von spezialisierten Apps gut abgedeckt
- Selbst wenn es AI-basierte Zusammenfassungsfunktionen gibt, ist Spam-Bereinigung bereits automatisiert, und wichtige E-Mails direkt selbst zu prüfen ist verlässlicher
- Auch bei Essensbestellungen gibt es bereits sorgfältig gestaltete UX, sodass AI hier kaum noch wirksamer etwas verändern kann
Unterschiede bei der AI-Einführung und die Zukunft
- AI hat die Untergrenze der Wissensarbeit angehoben, wirkt sich aber nicht auf alle Menschen gleichermaßen aus
- Je nach technischem Niveau, Rolle und Umfeld gibt es große Unterschiede in der subjektiv wahrgenommenen Wirkung von AI
- Einige erleben durch AI Innovation, andere spüren kaum einen Effekt oder empfinden eher Unsicherheit und Verwirrung
- AI ist noch nicht in jeder Arbeitsweise und jedem Bereich „unersetzlich“, aber sie ist eine starke Technologie mit genug Potenzial, um damit zu experimentieren
- Wenn AI individuell betrachtet bedeutungslos erscheint, dann bedeutet das, dass sie in Ihrer Situation keine große praktische Veränderung bewirkt
2 Kommentare
Hacker-News-Kommentare
Es wird betont, dass der Blogpost zwar mit mehreren Diagrammen objektiv und rigoros wirkt, in Wirklichkeit aber nur auf Gefühl und Spekulation beruht. Jüngere empirische Studien zeigen vielmehr, dass AI Ungleichheit eher verschärft. Das lässt sich in dieser Grafik des Economist und diesem Artikel nachlesen
Ich halte es für offensichtlich, dass AI Ungleichheit verstärkt. AI automatisiert die unteren Stufen der Leiter, über die Menschen Erfahrung sammeln und aufsteigen, sodass künftigen Experten das Sprungbrett fehlt, während diejenigen, die bereits an der Spitze sind, investieren und diese Leiter noch schneller erklimmen
Das Diagramm macht viel zu große Annahmen, die sich nur im Kopf von AI-Eiferern wirklich getragen anfühlen. Besonders beim Thema „Side Projects“ bleibt es vage, und ich glaube nicht, dass AI schon in der Lage ist, mit Input von Anfängern „gut genug“-Ergebnisse zu erzeugen
Ich kann der Kernaussage des Textes bis zu einem gewissen Grad zustimmen. Er tarnt sich zwar mit laborkittelartiger Wissenschaftlichkeit, drückt aber letztlich nur Beziehungen dazu aus, wie die Autoren die Welt sehen. Wenn man im Diagramm jedoch klar kennzeichnet, dass es sich um eine „Hypothese“ handelt, oder visuell etwa mit Wellenlinien an den Achsenenden deutlich macht, dass es spekulativ ist, dann hat das als Kommunikationsmittel durchaus Wert. Auch die Annahme einer Abflachung der Kurve, also eines Kompetenzplateaus, ist keineswegs sicher. Ich finde, der Autor hat sogar wohlwollender geschrieben als die verlinkten Ökonomen. Ideal wäre für mich, wenn Menschen ihre ehrliche Meinung offenlegen und, falls Daten vorhanden sind, auch gleich die Überprüfung der Hypothese zeigen
Im Diagramm werden 4 Studien erwähnt, die zunehmende Ungleichheit zeigen, und 6, die abnehmende Ungleichheit zeigen
Als pensionierter Mathematiker bin ich 2025 völlig in AI eingetaucht und nutze den Claude-Max-Tarif, um Claude Code Opus 4 ohne Begrenzung zu verwenden. Wenn ich mit parallelen Sessions riesige Legacy-Codebasen überprüfe, erreiche ich trotzdem gelegentlich das Nutzungslimit. Eine Zeit lang habe ich jede Kommunikation über AI gemieden, aber in letzter Zeit sehe ich auf HN wieder interessante Diskussionen und habe deshalb mein Interesse erneuert. Meiner Ansicht nach sind neurodivergente Menschen oft erfolgreicher im Umgang mit AI, weil AI eine riesige Assoziationsmaschine ist. Ich habe Lineare Algebra studiert, daher passt die assoziative Struktur von AI gut zu meiner eigenwilligen Denkweise. Für mich hebt AI am Ende also eher die Decke als den Boden an
Das ist eine ähnliche Einsicht wie in Andrew Ngs jüngster Präsentation über AI-Startups. Sein neuer Rat an Gründer lautet derzeit: Wenn ihr pivotiert, werft den Prototyp weg und baut von Grund auf neu. Das hängt auch mit dem Inhalt des Textes zusammen. Die Entwicklung von Prototypen werde um bis zu das Zehnfache verbessert, bestehende Codebasen hingegen nur um etwa 30–50 %. Diese Veränderung erinnert an die frühere Metapher beim Wechsel von VMs zu Containern: „Pets vs. Cattle“. Vielleicht leben wir in einer Zeit, in der man Code nicht mehr als liebevoll gepflegtes „Pet“, sondern als effizient behandeltes „Cattle“ betrachten muss. In diesem Vortrag kann man dazu bei Minute 10:30 nachsehen
Meiner Ansicht nach konzentriert sich die Metapher „Pets vs. Cattle“ zu sehr auf den Code und übersieht leicht, dass der eigentliche Wert im Kopf des Entwicklers liegt. AI kann beim Verwalten von Code helfen, aber der wahre Wert steckt im Verständnis und im mentalen Modell des Entwicklers
Guter Punkt, aber ich habe die Formulierung „Cattle“ häufiger gehört als die Übersetzung mit „Vieh“. Vielleicht ist das ein geografischer Unterschied
Danke für den Verweis auf diese Metapher. Künftig muss man generierten Code womöglich ähnlich behandeln wie großskalige Cloud-Infrastruktur. Auf langjährig genutzten Legacy-Code trifft das eventuell weniger zu. Mich würde interessieren, ob du diese Einsicht einmal in einem Blogbeitrag festgehalten hast; ich habe nach stillpointlab.com und dem Twitter-Account @stillpointlab gesucht, aber dort kaum etwas gefunden
Ich finde, die Metapher „Pets vs. Cattle“ passt viel besser als die Debatte „Handwerker vs. Pfuscher“. Auch mit LLMs wird das Ergebnis nicht entwertet; es geht eher um einen Perspektivwechsel weg von emotionaler Bindung an Code hin zu einem pragmatischen Umgang damit
Es gibt noch etliche Dinge, die man mit LLMs nicht machen kann. Wenn man zum Beispiel zusammen Schach spielt, beginnen sie nach etwa 5 bis 10 Zügen illegale Züge zu machen, und selbst im besten Fall waren ungefähr 18 Züge die Grenze. Falsche Züge des Gegenübers korrigieren sie ebenfalls nicht, was zu falschem Lernen führen kann. Letztlich können sie komplexe Probleme also nicht wirklich modellieren, weshalb es sehr wichtig ist, dass der Nutzer erkennt, was er überhaupt fragen muss. Ein LLM kann dir sagen, wie der Springer zieht oder welche bekannten Eröffnungen es gibt, aber es ist nicht in der Lage, eine ganze Schachnotation korrekt zu verfolgen oder aus der aktuellen Brettstellung den besten Zug zu nennen. Viele Nutzer wissen vermutlich gar nicht, wie falsch die Antworten sein können, und glauben die selbstsicher vorgetragenen Aussagen einfach. Es wirkt oberflächlich stabil, ist aber in Wahrheit wie ein Gang über unsichtbare Gletscherspalten
Ich halte die Schwäche von LLMs im Schach nicht für ein großes Problem. Spezialisierte Schachmodelle können ganz ordentlich spielen und nur legale Züge machen, mit einem durchaus respektablen ELO. Post-Training kann die Schachfähigkeit verschlechtern, und bei OpenAI und ähnlichen Firmen scheint das auch keine große Priorität zu haben. Man kann mit LLMs durchaus gut Schach spielen. Siehe dazu dieses Paper und dieses Evaluierungsbeispiel
Ich sehe auch oft, dass Menschen mit PhD oder Ärzte in meinem Umfeld sich überhaupt nicht vorstellen können, dass LLMs Fehler machen. Weil die Sätze fantastisch, logisch und selbstsicher klingen, entsteht vielleicht so eine Art Halo-Effekt, durch den man sie für vollwertige Experten hält
Wenn man mit einem LLM im Code-Agent-Modus arbeitet, sieht man oft, wie es anfangs gut läuft und dann langsam in völlig seltsame Richtungen abdriftet oder plötzlich irrelevante Code-Einrückungen zu ändern versucht
Beim Schach ist interessant, dass spezialisierte AI Menschen weit überlegen ist, während allgemeine LLMs schon Schwierigkeiten haben, überhaupt legale Züge zu machen. Die Decke von AI liegt deutlich höher als die von LLMs
Zu „es ist schwer, mehr als 10 Züge zu verfolgen“: Im Schach ist der aktuelle Brettzustand wichtiger als die vergangenen Züge. LLMs sind schlecht darin, irrelevante Informationen auszufiltern; deshalb werden sie sogar besser, wenn man nur den Brettzustand eingibt. Siehe diese ausführlichere Diskussion
Wenn Agenten nur für Greenfield-Projekte gut sind, dann müsste man auch bestehende Codebasen so vorbereiten, dass jede neue Funktion praktisch wie ein neues Greenfield-Projekt behandelt werden kann, sodass ein Praktikant nur noch den Stecker einstecken muss. Für den Rest braucht es menschliche Hände, sonst reißt der Praktikant womöglich die ganze Wand heraus
Das halte ich für Unsinn. Wenn ich das npm-Projekt Y aus GitHub in WebStorm lade und Junie frage, bekomme ich unter Umständen sofort eine Antwort, und sogar Datenstrukturen, die ich nicht verstehe, werden mit Beispielen dokumentiert. Vielleicht entsteht nicht sofort ein PR, aber als Pair-Programmer ist das absolut brauchbar. Tatsächlich schreibe ich dadurch mehr Tests und achte stärker auf Fehlerbehandlung, was am Ende zu besseren Ergebnissen führt
Agenten können manches sehr gut und anderes sehr schlecht. Je mehr man sie benutzt, desto unklarer wird fast schon, was genau sie besser können
Ich denke eher, dass Agenten für komplett neue Projekte gar nicht so gut sind, für kleine bis mittlere Projekte dagegen sehr gut, und dass ihre Effizienz mit wachsender Größe allmählich abnimmt. Bei völlig neuen Projekten kommt oft viel „Beispielcode“ heraus, der in der Praxis nicht wirklich verwendbar ist
Die Ein-Zeilen-Zusammenfassung lautet: AI ist ein gutes Werkzeug für Interpolation, aber nicht für Extrapolation
Dem größten Teil des Textes stimme ich zu, aber bei „Die Kompetenzentwicklung stoppt dort, wo AI liefern kann“ stimme ich nicht zu. Meiner Erfahrung nach braucht man für guten Einsatz von AI kein „fixed mindset“, sondern ein „growth mindset“: Ich spiele gewissermaßen den Manager der AI und verbessere die Ausgaben immer weiter. Es gibt gewisse Grenzen, aber auch ohne die jeweilige Fähigkeit selbst zu lernen konnte ich die Qualität der Ergebnisse stark steigern, indem ich mich auf die Ränder des Problems konzentriert habe. Mit der Zeit habe ich das Gefühl, zu einem besseren Manager dieses Fachgebiets zu werden, ohne selbst zum Fachexperten zu werden
Wenn man nicht weiß, „wie“ es geht, woran erkennt man dann, dass die Qualität tatsächlich ausreichend gestiegen ist? Am Ende ist das doch nur eine relative Verbesserung gegenüber der Ausgangsqualität, und solange man selbst zufrieden ist, scheint es egal zu sein, ob die Qualität objektiv wirklich besser ist
Ich würde diese Vorgehensweise nicht als „Cheating“ bezeichnen
Auf der Lernkurve wird es so sein, dass AI zwar beim Lernen hilft, man in der Nähe des Gipfels aber eher besser ohne AI lernt. Höchste Meisterschaft ist nur durch langsames, selbstgesteuertes Lernen über längere Zeit erreichbar
Der größte Vorteil von LLMs ist für mich, dass man genaue Antworten in einem einheitlichen Format bekommt, ohne von Werbung oder Social Media abgelenkt zu werden. Das ist das genaue Gegenteil davon, Antworten auf reddit, insta oder tvtropes zu suchen. Ich hoffe, dass bald ein OS entsteht, das vollständige Konzentration als Denkwerkzeug ermöglicht und Kindern hilft, nicht in Content-Fallen zu geraten. Ich mag es wirklich, einfach schnell die nötigen Dokumente und Informationen zu bekommen, ohne durch Ad-hoc-UIs gestört zu werden
Ich halte AI-Antworten nicht für genau; oft empfinde ich sie sogar als gefährlich unzuverlässig. In Communities kann man meist recht gut einschätzen, wer Experte ist, und am Ende die richtige Antwort finden. AI hat dieselben Daten eingesammelt und trägt daher dasselbe Risiko falscher Antworten. Ich glaube auch nicht, dass die werbefreie Umgebung lange hält. AI-Firmen machen enorme Verluste, daher werden bald Werbung und soziale Elemente überhandnehmen; die heutigen Gratisvorteile sind letztlich nur eine Verluststrategie zur Kundengewinnung
Die Formulierung „genau“ wird hier ironisch als subjektiv aufgezogen
Auch in dem AI-Bereich, den ich besser kenne, passt das zu diesem Muster. Selbst Menschen unter dem Durchschnitt können mit AI Ergebnisse erzielen, die näher am Durchschnitt liegen
Das passt auch zu einer anderen Zusammenfassung: Wer mehr Wissen hat, profitiert von LLMs stärker
Auch Menschen über dem Durchschnitt können mit AI mittelmäßige Ergebnisse produzieren. Bei vielen Aufgaben liegt die Schwelle für „gut genug“ ohnehin sehr niedrig
Der Scherz wäre also, dass die Leute hier AI ablehnen, weil sie alle über dem Durchschnitt sind
Wenn Menschen unter dem Durchschnitt mit AI durchschnittliche Ergebnisse erzielen, steigt dadurch natürlich auch der Gesamtdurchschnitt
Man könnte es wohl so zusammenfassen: „AI ist gut fürs Prototyping, aber nicht gut für Engineering.“ AI-Tools sind schnell, aber ihnen fehlen breadth und depth. Für schnelle PoCs oder das Lösen einzelner Teilprobleme sind sie nützlich, aber es fehlt der Gesamtzusammenhang und die Tiefe, und echtes Engineering verlangt weit mehr als nur Implementierung: Kontext, Ausnahmen, Fehlermodi, tiefes Verständnis und mehr. Selbst ein hervorragender Programmierer ist nicht zwangsläufig ein Engineer, und selbst der beste Leetcoder muss einem Team nicht praktisch helfen. Für echte Meisterschaft braucht es Erfahrung, und dazu gehört auch das Verständnis für subtile, nicht intuitive Aspekte. Eine Ära, in der Manager per Knopfdruck ein Produkt engineeren, wird nicht kommen. Die aktuellen AI-Codegeneratoren gingen von vornherein von der Illusion „Automatisierung für Manager“ aus; besser funktionieren meiner Meinung nach Werkzeuge, die auf Basis der Erklärungen praktizierender Engineers arbeiten. Dijkstras Kommentar zur „Torheit des Programmierens in natürlicher Sprache“ ist weiterhin relevant. Originaltext hier
Bei Meta tun sie so, als wäre Superintelligenz schon fast fertig, lol hahaha