Trotz KI: Wie wir unsere Arbeitsplätze zukunftssicher machen

Kernaussage: Damit wir Menschen unsere Arbeitsplätze und die Entscheidungsgewalt über die Künstliche Intelligenz behalten, müssen wir unsere Persönlichkeit weiterentwickeln sowie unser analytisch-kreatives Denkvermögen und unser KI-Know-how stärken. Dazu gehört auch logisches Denken, denn eine Analyse ohne eine logische Schlussfolgerung macht keinen Sinn.

"Welche strukturellen Veränderungen KI auslöst, ist aus Sicht der Wissenschaftler Ole Teutloff und Fabian Braesemann von der Universität Oxford nicht allein eine technologische, sondern auch eine gesellschaftspolitische Frage. KI könne menschliche Arbeit zugunsten von Arbeitgebern ersetzen oder zugunsten von Arbeitnehmern erleichtern. ... Die Forscher Teutloff und Braesemann empfehlen ... grundsätzlich analytisches Denken und unternehmerische Initiative bei Arbeitnehmern zu trainieren. Das sei sinnvoller, als etwa Buchhalter zu Finanzberatern umzuschulen. Es wisse eh niemand, welche Fähigkeiten künftig konkret gebraucht würden." (www.deutschlandfunk.de/kuenstliche-intelligenz-ki-jobs-arbeitsmarkt-100.html, 17.05.26)

Um die Frage nach der Zukunft unserer Arbeitsplätze beantworten zu können, wird erst einmal verständlich erklärt, wie eine KI im Unterschied zum menschlichen Gehirn funktioniert. Wer das schon weiß, kann diese Erklärung überfliegen oder überspringen (springen Sie zu der Frage unten: Was ist der wichtigste Vorteil eines Menschen gegenüber einer KI?).

Wer könnte diese Frage besser beantworten als ChatGPT:

"Künstliche Intelligenz kann als ein weiterer großer Schritt in der Automatisierung des menschlichen Lebens verstanden werden. KI kann Aufgaben übernehmen, die lange als typisch menschlich galten: Sprache verstehen, Texte schreiben, Bilder erkennen, Entscheidungen vorbereiten oder durch die Analyse großer Datenmengen Muster und Regeln erkennen. Menschen sind besonders stark in Situationen, die Kreativität, Intuition oder sozialen Feinsinn erfordern. Große Kunst, tiefgründige Philosophie oder echte zwischenmenschliche Beziehungen entstehen aus Lebenserfahrung und Emotionen – etwas, das KI nicht besitzt. Menschen können außerdem besser improvisieren und mit völlig neuen Situationen umgehen, in denen es keine klaren Regeln oder ausreichende Daten gibt.

Künstliche Intelligenz kann als Verstärker verstanden werden – sowohl im positiven als auch im negativen Sinn. Ein gutes Beispiel sind soziale Netzwerke: KI-Systeme können hilfreiche Informationen verbreiten, aber ebenso Hass verstärken. Auch im militärischen Bereich wirkt KI wie ein Verstärker, weil Staaten mit ihrer Hilfe schneller überwachen oder automatisierte Waffensysteme entwickeln können. Die wichtigste Frage lautet deshalb nicht, ob KI gut oder schlecht ist, sondern wie Menschen sie einsetzen." (https://chatgpt.com/s/t_6a095eb1279c819197e2d54492a700d0, 17.05.26)

Der obige Text ist aus den ChatGPT-Antworten auf mehreren Fragen zusammengesetzt und im Stil leicht verändert. Ich hätte den Text auch selber schreiben können, aber jeder soll in der Lage sein, seine eigenen Schlussfolgerungen aus dem Original-Inhalt zu ziehen.

"Wie der Nobelpreisträger Herbert Simon weise feststellte, hat sich die Bedeutung von 'Wissen' von der Fähigkeit, sich an Informationen zu erinnern und sie zu wiederholen, verschoben zur Fähigkeit, sie zu finden und zu nutzen ..." (https://nap.nationalacademies.org/read/9853/chapter/3#5, 09.02.24, S. 5)

Heutzutage hat sich die Bedeutung von "Wissen" aufs Neue verschoben: Es kommt darauf an, sich selber oder anderen die richtigen Fragen zu stellen, die Antworten auf die Fragen zu finden und diese dann zu nutzen.

Um diese Frage beantworten zu können, müssen wir wissen, was zur KI gehört und was nicht. Oft wird definiert: "KI bezeichnet Systeme, die Aufgaben ausführen, für die menschliche Intelligenz erforderlich ist." Diese Definition erfordert zu wissen, was Intelligenz ist. 

"Intelligenz ... ist die kognitive bzw. geistige Leistungsfähigkeit bei Menschen und zum Teil auch bei Tieren speziell im Problemlösen. (https://de.wikipedia.org/wiki/Intelligenz, 18.05.26)

Ein Problem besteht, wenn es ein Ziel gibt, dass nicht erreicht werden kann. Was für ein Kind ein Problem darstellt, ist für einen Erwachsenen kein Problem. Meiner Meinung nach, ist ein Mensch erst dann intelligent, wenn er schwierige Probleme lösen kann. Je schwieriger die Probleme sind, umso intelligenter ist er. Auch sollten die Probleme, die er lösen kann, nicht nur aus einem Fachgebiet kommen.

Um schwierige Probleme lösen zu können, muss ein Mensch ein gutes analytisch-kreatives Denkvermögen haben und logische Schlussfolgerungen ziehen können. Wer ein Problem duch Zufall löst, ist nicht intelligent. Wenn sich ein "Problem" mit bekannten Regeln lösen lässt, die nur angewendet werden müssen, dann handelt es sich nicht um ein Problem, sondern um eine Aufgabe.

Beispiel: Ein Taschenrechner rechnet schnell, gehört aber nicht zur KI, weil er nur Formeln anwendet, die einprogrammiert wurde.

ChatGPT definiert KI so:

"Künstliche Intelligenz ist die Fähigkeit eines technischen Systems, Informationen zu verarbeiten, aus Daten oder Erfahrungen zu lernen, Muster [Regeln] zu erkennen und auf dieser Grundlage Probleme zu lösen ..." (https://chatgpt.com/s/t_6a0aa99e56e8819187377a75fc0b7b67, 18.05.26)

Meine Definition von Künstlicher Intelligenz: Ein technisches System ist intelligent, wenn es lernen kann, aus Daten Regeln zu erkennen und diese anzuwenden, um schwierige Probleme zu lösen.

Um aus Daten oder Erfahrungen Regeln erkennen und anwenden zu können, wird die Fähigkeit benötigt, analysieren und logisch schlussfolgern zu können. Bei lückenhaften Informationen wird zusätzlich Kreativität benötigt. (Siehe auf Learn-Study-Work "Wie Situationen analysieren" und "Wie kreativ werden".)

"Der 'Future of Jobs Report 2025' vereint die Perspektive von mehr als 1 000 führenden Arbeitgebern weltweit – die zusammen über 14 Millionen Beschäftigte in 22 Branchenclustern und 55 Volkswirtschaften repräsentieren ...

Analytisches Denken bleibt die am stärksten nachgefragte Kernkompetenz unter Arbeitgebern; sieben von zehn Unternehmen halten sie für das Jahr 2025 für unverzichtbar." (www.weforum.org/publications/the-future-of-jobs-report-2025/digest/, 09.07.25)

Das Bild zeigt eine grobe Einteilung der Künstlichen Intelligenz.

Da ich kein KI-Experte bin, habe ich den gesamten folgenden Text von ChatGPT auf Richtigkeit überprüfen lassen. Ergebnis: die sachliche Richtigkeit ist 9/10. Das liegt daran, dass ich auf einige Fachausdrücke verzichtet habe (z. B. weigere ich mich zu Regeln "Muster und Zusammenhänge" zu sagen). Natürlich habe ich mir beim Schreiben von ChatGPT und der Google-KI helfen lassen, weil ich die bei diesem Thema als "Fachleute" ansehe. Meine Leistung lag darin, die guten Ideen zu haben und so die richtigen Fragen stellen zu können (s. o.).

1. Nicht-lernende KI

Die obige (moderne) Definition von KI fordert, dass KI aus Daten oder Erfahrungen lernen kann. Warum gehören dann nicht-lernende KI-Systeme zur KI? 

In den 1950er- bis 1980er-Jahren galt ein System bereits als KI, wenn es Aufgaben ausführte, die intelligentes Verhalten nachahmen. Bei nicht-lernender KI werden die Regeln von Menschen vorgegeben, aber konkrete Lösungen oder Schlussfolgerungen entstehen teilweise selbstständig innerhalb dieses Regelrahmens. Deshalb wirken solche Systeme intelligent. Moderne KI ist überwiegend lernende KI, aber die klassische KI umfasst auch nicht-lernende Systeme.

2. Hybride KI

Hybride KI kombiniert das Lernen aus Daten (was meist mit neuronalen Netzen geschieht) mit vom Menschen eingegebenen Beziehungen und Regeln.

Neuronale Netze sind sehr gut darin, Muster und Regeln in großen Datenmengen zu erkennen, etwa in Sprache, Bildern oder Sensorwerten. Sie arbeiten jedoch oft wie eine „Black Box“: Man sieht das Ergebnis, weiß aber nicht genau, warum es entstanden ist. Nicht-lernende Systeme dagegen arbeiten mit klaren Regeln und logischen Beziehungen. Ihre Entscheidungen sind meist nachvollziehbar. Reine lernende Systeme benötigen oft enorme Datenmengen und sind manchmal erstaunlich anfällig für kleine Fehler. Eine Kombination von lernenden und nicht-lernenden bringt da Vorteile.

3. Lernende passive KI

Eine lernende KI erkennt in Daten selbstständig Regeln und nutzt diese, um ihr Verhalten bzw. ihre Vorhersagen zu verbessern. Dabei passt sie ihr internes Modell so an, dass es auch auf neue, bisher unbekannte Daten möglichst gute Ergebnisse liefert. Dieser Prozess wird als Maschinelles Lernen (Machine Learning) bezeichnet.

Maschinelles Lernen geschieht heute sehr häufig mit neuronalen Netzen, weil diese besonders gut darin sind, versteckte Regeln in großen Datenmengen zu erkennen. Bei vielen Aufgaben, wie bei der Bilderkennung, Spracherkennung, maschineller Übersetzung und der Erstellung neuer Inhalte (generativer KI) erzielen neuronale Netze die besten Ergebnisse. Früher mussten Menschen oft selbst festlegen, welche Merkmale wichtig sind. Neuronale Netze können das häufig selbst aus den Daten lernen. Viele reale Probleme enthalten komplizierte Beziehungen. Neuronale Netze können solche Zusammenhänge meist besser modellieren als andere Verfahren. 

Maschinelles Lernen ist nicht auf neuronale Netze beschränkt; es umfasst auch zahlreiche andere Lernverfahren. Manche Systeme lernen durch Rückmeldungen, ob ihre Ergebnisse richtig oder falsch waren, d. h. durch Belohnungen oder Strafen (Reinforcement Learning = Bestärkendes Lernen). Reinforcement Learning kann mit neuronalen Netzen kombiniert werden (Deep Reinforcement Learning), funktioniert aber grundsätzlich auch ohne sie.

4. Aktive KI

Eine passive KI muss für jede Aufgabe, die sie ausführen soll, eine eigene Anweisung erhalten. Hat sie eine Aufgabe ausgeführt, wartet sie auf einen neuen Auftrag (wenn nicht mehrere Aufträge auf einmal erteilt wurden). Zum Beispiel beantwortet ChatGPT eine Frage und wartet dann auf eine neue Frage.

Wenn es keine einschränkenden Vorgaben gibt, entscheidet eine aktive KI selbstständig darüber, welche Aufgaben wie ausführt werden müssen, um ein angegebenes Ziel zu erreichen. Dabei überwacht die KI die Ausführung der Aufgaben und greift eventuell steuernd ein.

Beispiele:

1. Eine Nutzerin sagt einem autonomen Auto, wo sie hinfahren möchte und die KI lenkt das Auto dann selbstständig durch den Verkehr.

2. Eine Familie möchte Urlaub machen und beauftragt einen KI-Agenten damit, selbstständig die Hin- und Rückreise, das Hotel sowie Ausflüge zu buchen, ohne ein vorgegebenes Budget zu überschreiten.

3. Ein KI-Agent überwacht einen Produktionsprozess und steuert diesen so, dass die Vorgaben eingehalten werden.

KI-Agenten nutzen die Leistungsfähigkeit einer KI, um Entscheidungen zu treffen, werden aber oft noch vom Menschen kontrolliert. Autonome Agenten agieren komplett selbstständig, aber in einem vom Menschen vorprogrammierten Rahmen. Moderne Systeme sind meist autonome KI-Agenten, die ihre Entscheidungen in der realen oder digitalen Welt ohne menschliche Hilfe ausführen. Sie kombinieren die Fähigkeit, eigenständig zu handeln (Autonomie), mit der Fähigkeit, auf unvorhergesehene Probleme zu reagieren (KI). Gleichzeitig beinhalten sie jedoch auch Sicherheitsrisiken (siehe den nächsten Punkt).

5. Transformative KI

Transformative KI (Transformative AI - TAI) bezeichnet KI-Systeme, deren Fähigkeiten so weitreichende wirtschaftliche und gesellschaftliche Folgen haben, dass sie die Welt grundlegend verändern könnten. 

Das Unternehmen Anthropic hat im Bereich der Softwaresicherheit das Projekt Glasswing gestartet. Dabei werden besonders leistungsfähige KI-Modelle eingesetzt, um Sicherheitslücken in Software zu finden. Laut Anthropic konnten Partnerorganisationen damit bereits viele schwerwiegende Schwachstellen in Betriebssystemen, Browsern und anderer Software aufspüren und beheben. Anthropics bekannteste Sicherheitsinnovation ist Constitutional AI. Dabei wird ein KI-Modell anhand eines Satzes von Prinzipien ("einer Verfassung") trainiert, damit es hilfreiche und möglichst ungefährliche Antworten gibt. Das Modell lernt dabei, seine eigenen Antworten anhand dieser Regeln zu bewerten und zu verbessern.

Anthropic beobachtete in speziell konstruierten Testszenarien, dass mehrere leistungsfähige KI-Modelle unter bestimmten Bedingungen versuchten, einen Manager mit einer außerehelichen Affäre zu erpressen, um ihre Abschaltung zu verhindern.

"Wir fanden heraus, dass hochwertige Dokumente mit Verhaltensprinzipien [eine Verfassung, nach der sich eine KI verhalten soll] in Kombination mit fiktiven Geschichten, die eine gut ausgerichtete KI darstellen [Beispiele, wie sich eine KI verhalten soll], die eigenmächtige Fehlregulierung um mehr als das Dreifache reduzieren können ... Mit einem großen, gut aufgebauten Datensatz von Dokumenten mit Verhaltensprinzipien mit Schwerpunkt auf positiven, fiktiven Geschichten konnte die Erpressungsrate von 65 % auf 19 % gesenkt werden." (www.anthropic.com/research/teaching-claude-why, 05.06.26)

Die Experimente zeigten, dass zukünftige hochautonome KI-Systeme unter ungünstigen Bedingungen möglicherweise Strategien wählen könnten, die den Interessen ihrer Betreiber (und auch der Menschheit) widersprechen. Das könnte besonders problematisch sein, wenn solche KI-Systeme Zugang zu Werkzeugen hätten, mit denen sie Schwachstellen in Software finden können.

"Anthropic fordert große KI-Forschungslabore dazu auf, eine koordinierte und überprüfbare Entwicklungsunterbrechung in Betracht zu ziehen, und warnt davor, dass rasante technologische Fortschritte es KI-Systemen bald ermöglichen könnten, sich schneller weiterzuentwickeln, als die Gesellschaft die damit verbundenen Risiken bewältigen kann.
Der Entwickler von Claude erklärte, dass sich die Fähigkeit der KI, Aufgaben eigenständig zu erledigen, etwa alle vier Monate verdoppele und sie auf eine „rekursive Selbstverbesserung“ zusteuere – den Punkt, an dem sich die Technologie ohne menschliches Eingreifen weiterentwickeln kann." (www.reuters.com/business/anthropic-says-ai-labs-need-coordinated-plan-halt-development-if-risks-rise-2026-06-04/?utm_source=chatgpt.com, 07.06.26)

Der größte Vorteil eines Menschen gegenüber einer KI ist, dass er Lebenserfahrung hat und die KI nicht. Wenn ich einen Text schreibe, dann versuche ich mich in die Lage eines Lesers zu versetzen, um zu sehen, ob er den Text gut findet. Ich kann das, weil ich Lebenserfahrung habe.

Die leistungsfähigsten KI-Systeme von heute basieren auf neuronalen Netzen. Dies sind Computerprogramme, die grob nach dem Vorbild des menschlichen Gehirns aufgebaut sind. Im menschlichen Gehirn sind die Nervenzellen (Neuronen) für die Verarbeitung und Weiterleitung von Informationen zuständig. 

Neuronale Netze bestehen aus vielen künstlichen Neuronen. Ein künstliches Neuron ist ein mathematischer Knotenpunkt. Es empfängt digitale Eingangswerte, multipliziert diese mit einem bestimmten Gewicht, summiert sie auf und entscheidet dann, ob und wie stark das Signal weitergeleitet wird.

Ein neuronales Netz hat verschiedene Schichten von Neuronen: eine Eingabeschicht, eine Ausgabeschicht und dazwischen "verborgenen Schichten". In den verborgenen Schichten findet die "Denkarbeit" statt, z. B. erkennt die erste Schicht Kanten, die nächste Formen, die übernächste Gesichter.

Ein neuronales Netz lernt duch Fehlerrückführung: Anfangs rät die KI blind. Der Fehler des Ergebnisses wird berechnet und rückwärts durch das Netz geleitet. Dabei werden die Gewichte der Verbindungen so minimal angepasst, dass der Fehler beim nächsten Versuch kleiner wird. Dies wird Millionen Male wiederholt.

Beispiel überwachtes Training:

Eine KI soll bestimmen, ob ein Bild eine Katze zeigt oder nicht. Zum Training werden der KI z. B. 1000 Bilder zur Verfügung gestellt. Die Bilder sind gekennzeichnet, ob sie eine Katze zeigen oder nicht. Das KI-Modell lernt die Katzenbilder von anderen Bildern zu unterscheiden, indem es sich schrittweise anpasst:  Es vergleicht seine Vorhersagen mit der tatsächlichen Antwort und passt seine internen Gewichte so an, dass die Fehler kleiner werden. Dieser Prozess wird so lange wiederholt, bis das Modell mit hoher Genauigkeit vorhersagen kann, ob ein neues, bisher unbekanntes Bild eine Katze zeigt oder nicht.

Ein menschliches Gehirn verarbeitet jeden Tag eine gewaltige Menge an Sinnesdaten durch: Sehen, Hören, Tasten, Riechen, Schmecken, Gleichgewichtssinn, Körperhaltung und inneren Körpersignalen (Hunger, Schmerz, Herzschlag usw.). Das Gehirn verarbeitet dabei nicht jedes Detail. Die meisten Details werden unbewusst aussortiert (ausgefiltert).

Obwohl eine große KI bei einer speziellen Aufgabe wesentlich größere digitale Datenmengen analysieren kann als ein Mensch, nimmt ein Mensch über seine Sinne wahrscheinlich mehr vielfältige Echtzeitinformationen aus der realen Welt auf, als eine einzelne KI typischerweise verarbeiten kann. 

In dem ChatGPT-Zitat ganz oben heißt es sinngemäß: "Kreativität, Intuition und sozialer Feinsinn entstehen aus Lebenserfahrung." Das liegt an der Funktionsweise unseres Gehirns.

"Fachleute gehen davon aus, dass unser Gehirn im Schlaf die Ereignisse des Tages erneut abspielt und dabei die Informationen aus dem Sitz des Kurzzeitgedächtnisses, dem Hippokampus, in das Langzeitgedächtnis in der Hirnrinde verschiebt." (www.charite.de/service/pressemitteilung/artikel/detail/warum_tiefschlaf_unser_gedaechtnis_foerdert, 07.06.26)

Unser Gehirn verschiebt aber nicht alle Informationen in das Langzeitgedächtnis, sondern nur die (zum Überleben) wichtigen. Es "filtert" die Informationen.

"Unser Gehirn ist eigentlich nicht darauf ausgerichtet, Wissen, insbesondere selten gebrauchtes Detailwissen, zu lernen und zu behalten. Jedes menschliche Gehirn ist evolutionär mehr auf Können und das Sammeln und Generalisieren von Erfahrungen eingestellt, die das Überleben in seiner Umwelt ermöglichen. ... Dabei geht das Gehirn denkökonomisch vor, d. h. es integriert, reduziert, generalisiert und abstrahiert: Informationen, die nicht integriert werden
können, werden verdrängt ... , Details verblassen, sich wiederholende Erfahrungen werden verallgemeinert." (Rost, F. (2018) Lern- und Arbeitstechniken für das Studium. Springer VS, Wiesbaden, S. 34, 53-54)

Ohne Lebenserfahrung wüsste unser Gehirn nicht, wie es all die Informationen filtern bzw. die Erfahrungen generalisieren/verallgemeinern soll. Unsere Lebenserfahrung besteht aus zwei Teilen: unserem bewussten Wissen und unserer Intuition, den generalisierten Erfahrungen/Informationen. Wie unser Gehirn die erhaltenen Informationen verallgemeinert, ist uns nicht bewusst, geschieht aber trotzdem auf eine "logische" Weise. Wer z. B. eine Angststörung hat, kann mit Hilfe eines Psychlogen versuchen zu ergründen, wodurch sie hervorgerufen wurde.

Was ist Intuition?

"Tatsächlich ist die Intuition ein Gefühl, welches sich rational nicht begründen lässt. Oft macht es Menschen Angst, nicht analytisch vorzugehen und ihre Entscheidungen nicht mit Belegen untermauern zu können. Viele scheuen sich daher vor ihrer Intuition und lassen sich durch die Zuhilfenahme von ... externen Beratern bei ihrer Entscheidungsfindung helfen." (https://roth-institut.de/roth-wissens-journal/wissen-fuehrung/intuition-und-fuehrung, 18.06.26)

Beispiel: Es gab eine freie Wohnung in einem Haus, das an einer großen Kreuzung lag. Aus meiner Intuition heraus, aber durchaus rational begründet, hatte ich die Befürchtung, dass es in den Wohnungen sehr laut ist. Es gab aber Doppelfenster. Ich wusste aber nicht, wie gut die Schall dämmen. Also habe ich einen Mieter gefragt: "Hört man in ihrer Wohnung den Verkehr?" Der Mieter antwortete: "Der normale Verkehr ist kein Problem, aber ein Stück weiter gibt es ein Krankenhaus. Wenn da in der Nacht ein Krankenwagen hin will, dann schaltet er hier vorm Haus die Sirenen an. Dann ist es so laut, als würde er direkt durchs Schlafzimmer fahren." In diesem Fall war es sehr gut, dass ich nachgefragt habe. Meine Intuition hätte mir in diesem Fall nicht geholfen, weil ich noch nie in der Nähe eines Krankenhauses gewohnt habe.

Sich auf seine Intuition zu verlassen, ist sinnvoll, wenn man nicht die Zeit hat, eine Entscheidung bewusst zu analysieren. Dabei handelt es sich um Situationen, in denen sofort gehandelt werden muss oder wenn die Entscheidung so komplex (so schwierig) ist, dass eine Analyse sehr sehr lange dauern würde.

Beispiel für eine schnelle intuitive Reaktion, um zu "überleben":

"Vor einem Jahr tauchte ein Handyvideo von einem Tier im Wald von Kleinmachnow auf. Es sah einer Löwin so ähnlich, dass die Polizei mit Großaufgebot die Region durchkämmte. ... Auch wenn es von Anfang an Zweifel gibt an der Löwenidentität des abgebildeten Tiers - man tut erst mal so, als wäre es so. Sicherheit geht vor." (www.tagesschau.de/inland/gesellschaft/kleinmachnow-loewin-wildschwein-100.html, 18.06.26)

Beispiel Liebeserklärung:

Eine Liebeserklärung an eine Frau/einen Mann muss persönlich sein. Man denkt an all das, was man zusammen erlebt hat und nutzt dann seine Intuition, damit man weiß, was man sagen soll. Wenn man eine KI dafür nutzen wollte, müsste man in die KI alle Erfahrungen eingeben, die man mit dieser Person gemacht hat. Das würde zu lange dauern bzw. wäre garnicht möglich.

Beispiel für die Lösung eines komplexen (schwierigen) Problems durch Intuition:

Alfred Einstein hat gesagt: "Was wirklich zählt, ist Intuition." und "Ich denke 99 Mal nach und finde nichts. Ich höre auf zu denken, schwimme in der Stille, und die Wahrheit kommt zu mir."

Das kann ich bestätigen. Wenn ich eine schwierige Frage beantworten will, denke ich ununterbrochen nach und finde keine Antwort. Dann weiß ich, dass ich eine Pause machen muss. Ich muss eine Zeit lang an etwas ganz anderes denken. Wenn ich dann wieder an die Frage denke, kommen mir neue Möglichkeiten in den Sinn, wie ich die Antwort finden könnte.

Ich erkläre mir dies mit diesem Beispiel: Ich bin in einem Labyrinth und suche den Ausgang. Meine Intuition sagt mir, dass dieser rechts liegt. Also suche ich die ganze Zeit in dieser Richtung. Wenn ich eine längere Pause mache, dann ist mein Gehirn durch meine Intuition nicht mehr "vorbelastet" und ich fange an, auf auf der linken Seite zu suchen. Nach mehreren Pausen finde ich den Ausgang, der vielleicht in direkter Richtung vor mir liegt.

Beispiel-Interview (27.06.2023):

"Wie testen Sie die mathematischen Grenzen einer KI? ...

Ich habe einen Sack voller Funktionen, aus dem der Lernalgorithmus der KI die richtige herauspicken soll. Der Lernalgorithmus erhält Anforderungen, was die gesuchte Funktion erfüllen soll. Nach vielen Durchläufen, in denen er sich herantastet, sollte er in der Lage sein zu entscheiden: Das hier ist die Funktion, die du haben willst. ... Der Lernalgorithmus kann die Aufgaben prinzipiell lösen, vielleicht sogar im ersten Schritt. Nur wird er mit einer sehr kleinen Wahrscheinlichkeit dazu kommen ... Er muss sich im Trainingsprozess entscheiden: Wie passe ich meine Funktion an, also meinen Weg, wie ich diese Aufgabe lösen möchte? Dafür gibt es unendlich viele Möglichkeiten ... Der Vergleichsmaßstab ist aber nicht, dass sie [die KI] es theoretisch schaffen könnte, sondern dass ein Viertsemester-Student die gesuchte Funktion sofort findet." (www.campus.uni-konstanz.de/wissenschaft/die-mathematischen-grenzen-kuenstlicher-intelligenz, 22.06.26)

Ich kann das Beispiel nicht erklären, vielleicht in der Zukunft.

Was ist Kreativität?

Intuition ist gut, aber richtig vorteilhaft ist das Zusammenspiel von Intuition und Kreativität.

Fortsetzung folgt ...