Die Task-Economy – der nächste Billionen-Dollar-Markt, den Daten schaffen

• Wie Token, die die AI-Nutzung anzeigen, werden Tasks – Arbeitseinheiten von Daten, die die Fähigkeiten von Modellen verbessern – voraussichtlich einen riesigen Markt bilden, an dem sich AI-Investitionen messen lassen
• Da Internet-Trainingsdaten und einfache, allgemeine Fähigkeiten an Sättigung stoßen, werden hochwertige Daten, die das implizite Wissen von Expert:innen in realen Umgebungen vermitteln, zum Engpass für den Modellfortschritt
• Tasks liefern einen Anfangszustand und eine Arbeitsumgebung und bewerten Ergebnisse mit Belohnungssignalen oder Verifikatoren, sodass Modelle Arbeitsabläufe von Expert:innen lernen, die sich allein mit dem offenen Internet nur schwer reproduzieren lassen
• Die Datenausgaben von OpenAI und Anthropic steigen jährlich um das 10-Fache, und Mercor erreichte nach 1 Mrd. US-Dollar ARR im Februar innerhalb von 4 Monaten 2 Mrd. US-Dollar
• Da Recht, Medizin, Finanzen, Software und Wissenschaft jeweils eigene Datensätze, Evaluierungssysteme und Reinforcement-Learning-Umgebungen benötigen, dürfte sich der Wettbewerb um Dateninfrastruktur zwischen AI-Laboren, Anwendungsunternehmen und allgemeinen Unternehmen ausweiten

---

Die Token-Ökonomie als Maßstab für AI-Wachstum

• Inference-Token haben sich als zentrale Kennzahl etabliert, um das Wachstum des AI-Ökosystems zu verfolgen
  • Börsennotierte Unternehmen veröffentlichen monatlich verarbeitete Token, um ihre AI-Dynamik zu zeigen
  • Analyst:innen vergleichen die Token-Nutzung nach Modell, etwa über OpenRouter-Rankings
  • Führungskräfte messen mit der Token-Nutzung im Zeitverlauf den Stand von AI-Investitionen und Einführung
• Token abstrahieren komplexe Schlussfolgerungsprozesse zu einer einzigen Maßeinheit und fungieren so als gemeinsame Sprache, mit der sich die AI-Skalierung auch ohne technischen Hintergrund verstehen lässt
  • Mehr AI-Nutzer:innen, der Wechsel von Nicht-Inference-Modellen zu Inference-Modellen und der Übergang von Abfragen zu Agenten führen alle zu mehr Token
  • Auch Hintergrundagenten und Agenten für langfristige Aufgaben erhöhen den Token-Verbrauch
• Da sich breitere Einführung und höhere Token-Intensität pro Modell überlagern, steigt die Gesamtnutzung schnell, und Investitionen sowie neue Unternehmen strömen in den Inference-Markt
• Die hohe Sichtbarkeit des Inference-Markts kann jedoch auch andere Entwicklungen verdecken, die ähnlich groß werden könnten, aber schwerer zu verstehen sind

Das Entstehen der Task-Economy

• In den vergangenen 3 Jahren haben sich LLMs von grundlegenden Frage-Antwort-Systemen über komplexes Schlussfolgern hin zu Agenten entwickelt, die über längere Zeit echte Arbeit ausführen
• Frühe Modellverbesserungen stützten sich auf Internetdaten und mehr Rechenressourcen, doch durch die folgenden zwei Veränderungen werden zusätzliche hochwertige Daten zum Engpass
  • Neue Daten, die sich aus dem Internet lernen lassen, sind weitgehend ausgeschöpft
  • Einfache und allgemeine Fähigkeiten nähern sich zunehmend der Sättigung
• Die Task-Economy bezeichnet den Markt, der die für weitere Modellverbesserungen nötigen Daten erzeugt und bereitstellt

Tasks als Einheit der Modellverbesserung

• Im Reinforcement Learning ist ein Task die Einheit, an der ein Modell übt
  • Er liefert dem Modell einen Anfangszustand und eine Umgebung zum Handeln
  • Er bewertet das Verhalten des Modells mit Belohnungssignalen oder Verifikatoren
  • Er bündelt die Bewertungen vieler Tasks zu einem Lernsignal und justiert das Modell in Richtung der Verhaltensweisen mit hoher Punktzahl
• Streng genommen ist damit die Grundlage für das nachgelagerte Training per Reinforcement Learning gemeint, hier wird der Begriff jedoch als umfassende Einheit für jede datenbasierte Modellverbesserung verwendet
• Da die Branche fortlaufend neue Datenformate für Modellverbesserungen schafft, erweitert sich auch der Umfang von Tasks
• Klassisches Data Labeling erinnert an Bounding Boxes oder Daumen-hoch-/Daumen-runter-Bewertungen von LLM-Antworten, doch der heutige Markt entwickelt sich zu komplexeren und wertvolleren Arbeiten weiter

Wie das bei juristischer Arbeit funktioniert

• Mit dem offenen Internet trainierte AI kann die Grundlagen des Rechts und veröffentlichte Präzedenzfälle verstehen, aber die Daten, die nötig sind, um die tatsächliche Arbeit kompetenter Anwält:innen zu reproduzieren, sind im Internet nicht ausreichend vorhanden
• Um hochwertige juristische Arbeit zu trainieren, müssen die folgenden Elemente kombiniert werden
  • Prompts wie Vertragsprüfung oder das Ausarbeiten von Argumentationen
  • reale relevante Umgebungen wie juristische Datenräume
  • Ergebnisvalidierung nach Maßstäben wie dem Leaderboard für Corporate-Lawyer-Agenten
• Solche Tasks lehren das Modell nicht nur, was es tun soll, sondern auch, wie es die Aufgabe ausführen soll; je mehr hochwertige Tasks vorhanden sind, desto besser werden die Modellfähigkeiten

Gemeinsame Wachstumsstruktur von Token und Tasks

• Wenn Token die Grundeinheit für Inference und Modellnutzung sind, können Tasks als Grundeinheit der Modellverbesserung verstanden werden
• Mit wachsender AI-Einführung und steigenden Datenanforderungen führender Modelle nimmt die Nachfrage nach Tasks zu
  • der Wechsel von einfachen Präferenzlabels zu Arbeiten auf Basis von Bewertungsrastern erfahrener Fachleute
  • das Auftreten domänenspezifischer Agenten auf Expertenniveau
  • Agenten übernehmen Aufgaben über längere Zeithorizonte
  • Unternehmen führen Evaluierungssysteme in großem Maßstab ein
• Diese Faktoren überlagern sich ähnlich wie im Markt für Inference-Token und treiben das schnelle Wachstum der Task-Economy an

Datenausgaben und Signale für Marktwachstum

• OpenAI und Anthropic verzehnfachen ihre Datenausgaben pro Jahr, indem sie Expert:innen mobilisieren, um Daten und Trainingsmaterial für Agenten zu erstellen
• Einige führende AI-Anwendungsunternehmen und allgemeine Unternehmen erhöhen Ausgaben für einzelne Task-bezogene Vorhaben innerhalb kurzer Zeit auf mehr als 100 Mio. US-Dollar
  • dahinter steht die Einschätzung, dass Applied AI mit einer differenzierten Datenstrategie bessere Ergebnisse liefern kann als allgemeine Standardmodelle
• Die Task-Economy-Plattform Mercor erreichte im Februar 1 Mrd. US-Dollar ARR und kam 4 Monate später auf 2 Mrd. US-Dollar ARR
• Agenten, die Arbeit in anspruchsvollen Fachgebieten reproduzieren, befinden sich noch in einer frühen Phase, und die Ausweitung der Datenausgaben in Unternehmen hat gerade erst begonnen
• Unter der Annahme, dass 99 % des menschlichen Wissens in den Köpfen der Menschen steckt, dürfte sich der Kreis von Teilnehmenden und Käufern ausweiten, wenn AI-Labore, Anwendungsunternehmen und allgemeine Unternehmen implizites Wissen in Modelle und Agenten überführen

Warum der Task-Markt schwer sichtbar ist

• Ein erster Grund, warum online weniger über Tasks als über Token gesprochen wird, ist, dass sich die Ausgaben bislang auf äußerst verschlossene führende AI-Labore konzentriert haben
  • Labore legen ihre Strategien zur Modellverbesserung sowie ihre Ausgaben für Daten und Tasks kaum offen
  • Die Lage verändert sich, weil AI-Anwendungsunternehmen und allgemeine Unternehmen an der Task-Economy teilnehmen, um sich von Standardmodellen abzuheben
  • Diese Akteure werden ihre eigenen Datenaktivitäten eher vermarkten und damit die Sichtbarkeit des Task-Markts erhöhen
• Ein zweiter Grund ist, dass es bislang keine gemeinsame Einheit gab, die den Wert so einfach abstrahiert wie Token im Inference-Markt
• Wenn Tasks als standardisierte Werteinheit genutzt werden, können auch Menschen ohne technisches Wissen einschätzen, wie stark die Branche in die Verbesserung von AI-Fähigkeiten investiert
• Derzeit gibt es noch keinen Dienst wie ein „OpenRouter für Tasks“, der Größe und Wachstum des Task-Markts in Echtzeit zeigt
  • Quartalsdaten von Mercor zu von Expert:innen geleisteten Arbeitsstunden dienen als indirekter Indikator für das Marktwachstum

Aufbau von Daten für die gesamte Wirtschaftstätigkeit

• Um jede Arbeit, die auf einem Laptop ausgeführt wird, mit Agenten zu automatisieren, müssen Anwendungen, Umgebungen und Task-Verteilungen der gesamten Wirtschaft abgedeckt werden
• Dafür ist ein groß angelegter Datenaufbau über Fachberufe, wissenschaftliche Disziplinen und Consumer-Anwendungsfälle hinweg nötig
  • Recht, Medizin, Finanzen, Software und Wissenschaft benötigen jeweils von Expert:innen erstellte Datensätze
  • Auch domänenspezifische Evaluierungssysteme und Reinforcement-Learning-Umgebungen müssen separat aufgebaut werden
• AI-Labore, Anwendungsunternehmen und allgemeine Unternehmen werden konkurrieren, indem sie ihre Dateninfrastruktur über wirtschaftlich nützliche Arbeit aller Art ausbauen
• Organisationen, die beim Aufbau von Dateninfrastruktur erfolgreich sind, können führende Fähigkeiten kontinuierlich verbessern und Marktanteile gewinnen
• Wenn sich die Task-Economy verbreitet und sichtbarer wird, dürfte die AI-Branche neben Token auch den Task-Umfang als wichtigen Wachstumsindikator verfolgen

Verbesserungen von Algorithmen und Umfang der Diskussion

• Allgemeine AI-Fähigkeiten können sich nicht nur durch Daten, sondern auch durch Verbesserungen von Algorithmen erhöhen
• Dass algorithmische Verbesserungen hier ausgeklammert werden, soll künftige Möglichkeiten nicht bestreiten, sondern den Fokus der Diskussion auf Daten und die Task-Economy legen