Nur ein Chatbot? Wie Cognitive Process Modeling die Rolle von KI transformiert

Staffel 6· 21. November 2023· 2664

Episoden-Cover: Nur ein Chatbot? Wie Cognitive Process Modeling die Rolle von KI transformiert
0:002664
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Dr. Maksim GreinerCo-Founder & CTO von Erium

Überblick

Theo Steininger und Maksim Greiner diskutieren, warum generative KI weit mehr ist als ein einfacher Chatbot. Im Mittelpunkt steht das Konzept des 'Cognitive Process Modeling': die Idee, kognitive Arbeitsprozesse von Menschen zu modellieren und mit Sprachmodellen zu automatisieren oder zu beschleunigen. Anhand konkreter Beispiele und der Analogie zu physischer Industrieautomatisierung zeigen die beiden, welche Chancen und gesellschaftlichen Fragen damit verbunden sind.

Zusammenfassung

Vom Chatbot zum kognitiven Werkzeug: Was den Durchbruch von ChatGPT wirklich ausmacht

Rund ein Jahr nach der Veröffentlichung von ChatGPT ziehen Theo und Maksim eine technische Bilanz. Der eigentliche Meilenstein war nicht nur die Qualität der Textsynthese, sondern vor allem die Architektur der Transformer-Modelle: Der gesamte Gesprächsverlauf kann explizit als Kontext definiert und frei zusammengestellt werden. Dadurch wurde ein mächtiger Baukasten möglich, der Plugins, den Code Interpreter und letztlich ganze kognitive Workflows ermöglicht. Der Code Interpreter gilt dabei als besonders mächtig, weil er dem Modell Turing-Vollständigkeit verleiht – es kann im Prinzip beliebige Aufgaben durch Codeausführung lösen.

Fast Thinking vs. Slow Thinking: Kahnemanns Rahmen auf KI-Assistenz angewendet

Angelehnt an Daniel Kahnemanns Konzept aus 'Thinking, Fast and Slow' unterscheiden die beiden zwischen assoziativem Schnelldenken (Fast Thinking) und anstrengendem, logischem Langsamedenken (Slow Thinking). Theo beschreibt, wie er beim Arbeiten mit Sprachmodellen stärker im 'Flow' bleibt, weil repetitive oder ausführende Teilschritte ans Modell delegiert werden können – ohne ihn ständig aus dem konzentrierten Denken herauszureißen.

Maksim spannt daraus eine Matrix auf: Auf einer Achse stehen 'spezifizierend/planend' versus 'ausführend', auf der anderen 'assoziativ' versus 'logisch'. Sprachmodelle sind demnach besonders stark bei ausführenden Tätigkeiten – unabhängig davon, ob diese für Menschen eher Fast oder Slow Thinking erfordern.

Cognitive Process Modeling am Beispiel: Das Bewerbungsschreiben

Als anschauliches Praxisbeispiel schildert Theo einen Workshop mit Gymnasiasten zum Thema Bewerbung. Ausgehend vom Endergebnis – einem fertigen Anschreiben – arbeitete er rückwärts: Was brauche ich als Input? Welche Stärken hat der Bewerber? Welche Stelle wird angestrebt? Diesen kognitiven Prozess hat er in einem Halerium-Board modelliert und mit dem Sprachmodell schrittweise durchlaufen.

Das Sprachmodell übernahm dabei ausführende Schritte wie das Erkennen von Mustern in Beispielanschreiben, das Abstrahieren auf den eigenen Fall und das Formulieren – Schritte, die für Menschen kognitiv aufwendig sind. Der Mensch blieb im Prozess für Zieldefinition, Bewertung von Zwischenergebnissen und individuelle Korrekturen zuständig. Diese 'Semiautomatisierung' ist laut Maksim der Kern des Cognitive Process Modelings.

Die Analogie zur Industrieautomatisierung: Roboter für Denkprozesse

Theo und Maksim ziehen eine direkte Parallele zur physischen Industrieautomatisierung: Wie ein Roboter repetitive Handgriffe übernimmt, übernimmt das Sprachmodell repetitive kognitive Schritte. Das Modellieren des Prozesses entspricht dem Programmieren des Roboters – einmal aufgesetzt, läuft die Pipeline mehrfach.

Ein wesentlicher Unterschied: Sprachmodelle sind inhärent unschärfer (Stichwort Temperatur) als präzise Industrieroboter, und ihr Output bewegt sich in einer 'fuzzy Domain'. Das bedeutet, der Mensch bleibt als Qualitätsprüfer und Prozessverantwortlicher weiterhin unverzichtbar. Gleichzeitig ist die Einstiegshürde für kognitive Automatisierung deutlich niedriger als für physische – ein API Call statt teurer Maschinen.

Gesellschaftliche Dimension: Demokratisierung oder Leistungsschere?

Die niedrige Zugangshürde zu KI-Werkzeugen bietet aus Sicht der beiden eine echte Demokratisierungschance: Anders als bei kapitalintensiven Industrierobotern kann prinzipiell jeder per Pay-per-Use an der KI-getriebenen Wertschöpfung teilhaben. Foundation-Model-Anbieter wie OpenAI sind dabei die 'Maschinenhersteller', während die Anwender keine hohen Kapitalinvestitionen benötigen.

Gleichzeitig warnen beide vor einer sich verschärfenden Leistungsschere: Wer ausführende Denkarbeit anbietet, verliert an Wert, weil diese automatisierbar wird. Gefragt sind künftig spezifizierende, planende und kreative Fähigkeiten. Das macht Bildung – nicht primär Wissensvermittlung, sondern die Fähigkeit zu denken – zur zentralen gesellschaftlichen Aufgabe.

Autonome Agenten und die Frage nach dem 'Human in the Loop'

Abschließend diskutieren Theo und Maksim den Trend zu autonomen, planenden KI-Agenten. Je mehr die KI auch das Modellieren und Steuern von Prozessen übernimmt, desto mehr entsteht eine geschlossene 'Bubble', in der der Mensch kaum noch eingreift – mit entsprechenden Risiken hinsichtlich Qualität, Ethik und Kontrollverlust. Die Grenze zwischen dem, was Menschen spezifizieren, und dem, was Modelle ausführen, werde sich laut Maksim über die Zeit verschieben. Vorerst empfehlen beide, den Fokus auf klar repetitive, menschenverachtend öde kognitive Aufgaben zu legen – und diese gezielt mit Cognitive Process Modeling anzugehen.

Kernaussagen

  • Generative KI ist weit mehr als ein Chatbot: Die Transformer-Architektur mit frei definierbarem Gesprächskontext ermöglicht echte kognitive Prozesspipelines.
  • Cognitive Process Modeling bedeutet, den Denkprozess eines Menschen zu analysieren, in Schritte zu zerlegen und ausführende Teile an ein Sprachmodell zu delegieren.
  • Die Matrix aus 'spezifizierend vs. ausführend' und 'assoziativ vs. logisch' hilft zu verstehen, welche Aufgaben LLMs am besten übernehmen können.
  • Das Zusammenfassen langer Texte ist ein klassischer Sweet Spot: kognitiv anstrengend für Menschen, aber klar ausführend und damit gut automatisierbar.
  • Die Einstiegshürde für kognitive Automatisierung ist dank Pay-per-Use-APIs deutlich niedriger als für physische Industrieautomatisierung.
  • Ausführendes Denken verliert an Marktwert; spezifizierende, kreative und bewertende Fähigkeiten werden zunehmend wichtiger.
  • Bildung sollte sich stärker auf Denkkompetenz konzentrieren als auf reines Faktenwissen, um möglichst viele Menschen zur sinnvollen KI-Nutzung zu befähigen.
  • Autonome Agenten erhöhen die Automatisierungstiefe, erfordern aber erhöhte Wachsamkeit gegenüber Kontrollverlust und ethischen Fragen.

Fazit

Generative KI entfaltet ihren eigentlichen Wert erst dann, wenn man sie nicht als einfachen Chatbot begreift, sondern als Werkzeug für Cognitive Process Modeling: Die eigenen oder organisationalen Denkprozesse werden analysiert, modelliert und ausführende Anteile semiautomatisiert. Das schafft echte Effizienzgewinne – analog zur Industrieautomatisierung, aber mit deutlich niedrigerer Einstiegshürde und in der 'fuzzy Domain' des Wissensarbeitens. Der Mensch bleibt dabei als Spezifizierer, Bewerter und Qualitätssicherer unverzichtbar.

Fuer Fuehrungskraefte und Entscheider

Cognitive Process Modeling ist kein IT-Projekt, sondern eine strategische Kompetenz: Wer die repetitiven kognitiven Prozesse in seiner Organisation identifiziert und gezielt automatisiert, gewinnt erhebliche Effizienz – ohne riesige Kapitalinvestitionen.

Fuer Bildungsverantwortliche

Da ausführende Denkarbeit zunehmend automatisierbar wird, sollte Bildung staerker auf Denkkompetenz, Zielformulierung und kritische Bewertung setzen – das sind die Faehigkeiten, die Menschen gegenueber KI-Systemen dauerhaft wertschöpfend machen.

Fuer KI-Praktiker und Entwickler

Das Beispiel zeigt, wie man mit einfachen Mitteln (System-Prompt, Kontext-Injection, Few-Shot-Beispiele) komplexe kognitive Workflows baut – und warum das Modellieren des Prozesses oft mehr Wert schafft als das Optimieren einzelner Prompts.

Volltranskript anzeigen

Speaker0: Die Ihrem Podcast. Herzlich willkommen zu 1 neuen Folge von The Ihrem Podcast. Mein Name ist Theo Steininger und mit Maxim sprech ich heute über das Thema. Hi Maxim. Hi.

Speaker1: Nein Spaß. Aber wir müssen das natürlich jetzt erklären, was wir damit meinen. Absolut, genau. Also das übergeordnete

Speaker0: Motiv dieser Folge soll sein, die Erkenntnis beziehungsweise die Richtigstellung, dass und generative KI deutlich mehr ist als nur 'n Chatbot. Wir merken Genau. Bei uns in der Arbeit jeden Tag mehr und mehr und mehr. Und deswegen das Anliegen, hier mal eine Folge da zu machen, was hier eigentlich wirklich passiert. Und zusammenfassend lässt sich's, da mal gleich mal den dem Spannungsbogen 'n bissel vorwegzugreifen,

Speaker1: es ist letztlich was, das wir jetzt mal intern als Cognitive Process Modelling bezeichnen. Genau, also vielleicht fangen wir mal son bisschen Jetzt ist ja auch son Jahr, glaub ich, her, dass ChatGPT veröffentlicht wurde. November, ja, genau. Und warum war das Also was war da der Sprung? Also zum einen natürlich war, dass die Sprachsynthese, die Textsynthese damals mit der Veröffentlichung einfach einen neuen Meilenstein erreicht hatte, wo einfach die Qualität so gut war, dass sie mit menschengeschriebenen Text sich messen kann oder teilweise einfach auch besser ist. Okay, also so viel quasi einfach die diese den die die Schallmauer zu durchbrechen, dass auch die Sprachsethese an sich einfach nützlich ist. Das andere, was wir dann aber, was schnell entdeckt wurde und das ist aus meiner Sicht son bisschen der der der der coole Beifang der Transformer Architektur, dieses, dass sozusagen der komplette Kontext einfach als Text, also der der Gesprächsverlauf ist der Kontext, ja? Die Versuche vorher mit LSDMs und so was, wo es diesen, da wär das viel komplizierter gewesen. Hier kannst Du den kompletten Gesprächskontext einfach selber definieren. Und dadurch kannst Du das LLM auf Gesprächsverläufe anwenden oder Gesprächsverläufe zusammenpatchen und so weiter. Und dadurch hat sich dann dieser Baukasten aufgetan, der heute existiert, wo Du verschiedenste Kontextelemente mit reinbringst. Mhm. Und diese beiden Sachen haben dann auch diese ganzen Plug ins, die es heute gibt, ja, also der Code Interpreter, ja? Dass Du sagst, Du nimmst etwas, Du schleust etwas aus wie der einmal. Was macht der Code Interpreter? Der schleust aus dem aus der Antwort vom LLM, ich möchte gern folgenden Code ausführen, okay, 'n bisschen in strukturierterer irgendwie Json Form, aber LLM sagt, ich möchte gern folgenden Code ausführen. Der Code wird woanders ausgeführt und der Output wird zurück in die Konversation gespielt. Das ist genau eine Konsequenz dieser, dass Du die Historie einfach selber definieren kannst. Und das hat generell solche Plug ins ermöglicht, mit denen jetzt einfach der Baukasten so riesig groß ist. Und deswegen sagen wir, hey, jetzt kannst Du kognitive Prozesse damit angehen, weil kognitive Prozesse sind nicht einfach nur linear. Du hast jetzt da wahnsinnig viele Schubladen auf einmal aufgerissen. Das wir sind Ich hab das Regal umgeschmissen, glaub ich grad. Wahnsinn, ja, genau. Also lass uns mal Okay. Die einzelnen Steps noch mal wirklich durchdeklinieren,

Speaker0: weil weil weil so viel jetzt schon drin steckte in dem, was Du grad erwähnt hattest. Die Gesprächsverläufe, ja, das ist vielen wahrscheinlich nicht bewusst, wie Du grad gesagt hast, ja. Die sind erst mal explizit der Input für jede neue Antwort, die generiert wird. Und ich weiß gar nicht, war das die Idee von OpenAI oder oder gab's das schon vorher? Die Sprachmodelle, die bisher oder davor eingesetzt wurden, die wurden häufig für eine konkrete Aufgabe trainiert, also so was wie Übersetzung. Und zwar auch von der einen Sprache hart gecodet in eine andere Sprache hart gecodet. Und die die die die Chat APIs, also die Chat Ja. Modelle, sind ja eigentlich Vervollständigungsmodelle, nicht? Also Ja. Ich geborene mir ja quasi den Gesprächsverlauf und dann assist dein Doppelpunkt.

Speaker1: Genau. Und Und Du Du Du extrapolierst einfach eine einen Konversationstext quasi. Wobei man das Modell auch auch bewusst stoppen muss, nicht? Also es gibt Modelle, die die die erfinden dann quasi auch eine neue User Message und eine Assistant Message und eine User Message. Ja, ja klar, wenn Du so was wie Lama 2 benutzt, nicht als Chat und Du gibst ihm einen Gesprächsverlauf, dann beginnt da vielleicht auch deine Userantwort einfach weiterzuschreiben. Dann musst Du natürlich an der richtigen Stelle abbrechen. Aber Du wolltest, glaube ich, auch was anderes hinaus. Also wer wo kam diese Chatiness

Speaker0: her? Die Historie kenn ich, ehrlich gesagt, nicht. Vielleicht kennt das ja jemand, der Hörer. Das würd mich total interessieren. Also weil da stecken ja einige Geniestreiche, drin muss man ganz ehrlich sagen, von OpenAI, die dann letztlich zu dem Durchbruch von ChatGPT geführt haben. Und dazu gehört, das wär auch 'n echten Punkt, den ich hier noch mal machen möchte, der Fokus aufs User Interface. Also das find ich immer wieder erstaunlich, wie Hardcore die das durchdeklinieren, einfach um's zugänglich zu machen. Und zwar auch ja das Chat Interface und auch der GPT Store, ja? Was ist 'n das von von von jetzt mal rein der Technik der Mechanik, wenn man GPT definiert? Ja, Du definierst

Speaker1: letztendlich einen Im Prinzip eine Set up Message Ja. Oder eine System Message. Vielleicht kannst Du noch 'n bisschen Gesprächsverlauf anfangen, aber das könntest Du ja auch alles in die Set up Message packen, deswegen nicht so wichtig. Und so was wie 'n File Retrieval Kontext, also einen einen Vektor Store oder irgendwelche Kontextlieferanten,

Speaker0: mal grob gesagt. Dann nur die Function Calls dazu, ja. Und dann Genau. Dann sind's die die die die die GPTs. Und die Tech Community, für die ist das 'n alter Hut. Also wir machen das seit 'n Dreivierteljahr. Klar. Aber aber in der öffentlichen Wahrnehmung war das so, oh krass, ja. Was passiert hier, weil das. Ja, genau. Und jetzt kann's auf jeden einmal jeder.

Speaker1: Genau, aber Du wolltest darauf hinaus, dass dieses, also die Schubladen, die ich aufgerissen hab, ne. Du kannst diesen diesen Gesprächsverlauf einfach definieren und zusammenstecken und dann quasi sagen, okay, auf Basis dessen, da da kann dieses Chatdesign dahinter, Assistent, gib mir tue jetzt Folgendes. Und dann eben die Plug ins, die auch aufgrund dieses Designs möglich sind, dass der Assistent im Prinzip Rückfragen stellen kann. Mhm. Die könnten ja vom User behandelt werden, bitte verraten mir, wie Du heißt oder so was oder in Stichwort Code Interpreter oder eben von 'nem Code Interpreter. Mhm. Führe folgenden Code aus. Und diese, ja, damit haben wir jetzt sozusagen die die Schnittstellen, die aus 'nem einfachen Textvervollständigungsmodell etwas machen, womit Du richtig kognitive Prozesse angehen kannst.

Speaker0: Ich fand's erstaunlich, also von diesen Plug ins, ja. Open AI, ich weiß gar nicht mehr, wann genau, hat diesen Plug in Store gestartet. Und wenn ich's richtig in Erinnerung hab, war ja der Code Interpret, also die Fähigkeit, dass das Modell Python Code Mhm. Schreiben und ausführen kann, ja erst mal nur 1 von vielen Plug ins, was sich dann so rauskristallisiert hat. Woran liegt das noch mal genau?

Speaker1: Warum das am mächtigsten ist? Ja, genau. Na, weil's dir halt die Touring Vollständigkeit im Prinzip gibt, dann kann das ja alles machen.

Speaker0: Nutzt es, weißt Du das zufällig auswendig? Dann überhaupt die anderen Plug ins noch, wenn's eigentlich weiß, welche APSIs Zugriff hat? Also nehmen wir mal das Wetter her, ja, für für für Wetter in München, Ja. Dann würd ich ja eher direkt 'n Python Coden API abrufen? Nee, nee, also wenn Du das Also

Speaker1: so wie ich's jetzt kennengelernt hab, wenn Du eben mehrere Funktionen zur Verfügung stellt, nimmt da die, die am explizitesten zu der Aufgabe passt. Das heißt, wenn Du sagst, ich hab Hier kannst Du beliebigen Python Code ausführen und dann hast Du eine andere, da steht, hier kannst Du das Wetter an einem bestimmten Ort abfragen und Du fragst nach dem Wetter. Dann wird er das dann wird er nicht versuchen, in Python irgendwie die URL von einem ihm bekannten Wetterdienst per Requests anzuzapfen und dann das zu parsen und so Nein, also GPT ist zum Glück, würde ich sagen, da eher faul und versucht nicht alles über Codes zu lösen.

Speaker0: Apropos faul. Maxim, ich wollt einen Punkt so so als Überthema auch jetzt vom Hintergrund vom kognitive Process Modeling mal aufgreifen. Ja. Und zwar hatte mich das spontan dran erinnert in der eigenen Arbeit mit KI Assistenten. Du kennst ja das Buch von Daniel Kahnemann Thinking Fast and Slow. Genau. Und ich versuch einfach mal zu beschreiben, wie mir das oder ja, wie mir das das Arbeit mit KI erschien. Und zwar nehmen wir mal die Ausarbeitung 1 längeren Textes. Mhm. Mhm. Dann hab ich dabei einerseits 'n kreativen Schritt mal abzudecken. Also ich muss mir irgendwie Stichpunkte ausdenken, worüber könnten wir sprechen wollen und brauch dann Hintergrundinformationen. Letztlich komm ich mir 'n Braindump raus, den muss ich strukturieren und arbeite mich dadurch quasi in verschiedenen Facetten vorwärts hin zu 'nem Endprodukt. Und was mir aufgefallen ist, ist, dass wenn ich jetzt zum Beispiel bei uns in HALYRIUM ein GPT-4-Modell an meiner Seite hab, dass ich quasi an meinen Gedanken, also Stich an meinem Arbeitstext entlang auch mitarbeiten lassen kann, Ja. Dass ich irgendwie stärker fokussiert bleiben kann auf die wirklich harten Nüsse, ja. Also ich hab das Gefühl, irgendwie nicht nur im, sondern im drin zu bleiben, ohne ständig rausgerissen zu werden, quasi langweilige Repetitiv, was schon, also was ich schon fast als als Fast Thinking bezeichnen würd, Arbeiten quasi zwischendrin zu erledigen. Und dann

Speaker1: und und und was da dazu führt, dass ich mich dann wieder ins slow Thinking reindenke muss. Ich verstehe, was Du meinst. Aber lass uns das kurz erst mal einordnen, weil erstens, glaub ich, hat nicht jeder das Buch gelesen und ich muss auch zugeben, man ist es eine Weile her, dass ich's gelesen hab. Ich versuch's aber trotzdem mal noch mal runterzubrechen. Also wörtliches Zitat jetzt bitte. Genau, genau. Und und wenn ich mich jetzt wenn ich ihn jetzt falsch wiedergebe, dann dürft ihr mich steinigen. Also was ist mit Fast Thinking gemeint? Das ist das assoziative Denken, was uns quasi keine Kraft kostet. Dieses einfach, was Du praktisch nicht ausstellen kannst, was Du die ganze Zeit machst. Du siehst irgendwas und Du findest es spontan vielleicht jetzt vertraut, unvertraut Mhm. Oder gut oder schlecht. Das ist so dieses, was so Werbung zum Beispiel versucht zu triggern, dass Du siehst 'n, siehst 2 Produkte und das eine erscheint einfach jetzt irgendwie vertrauter. Das ist dieses assoziative schnelle Denken. Und das langsame Denken ist das im Prinzip logische Denken, was anstrengend ist und was wir deswegen versuchen zu vermeiden oder was halt eine endliche Ressource für uns ist am Tag. Paradebeispiel wäre einfach rechnen, ja? Mhm. Klar, da ist es logisch, aber und da gibt's ja auch nicht viel Alternativen zum Rechnen, wo wir mal gut schätzen, ne? Du könntest sagen, was was glaub ich, ist größer und dann hast Du's vielleicht assoziativ und vielleicht hast Du die richtige Antwort vielleicht nicht. Aber interessant wird's bei Dingen, wo wirklich einen 1 1 1 1 zwischen den beiden Ergebnissen, Beispielsweise, Du hast irgendwie 2 Bewerber, jetzt könntest Du rein nach Bauchgefühl assoziativ entscheiden, das wäre Fast Thinking und dann wirst Du auf Basis deiner Erfahrungen Biases und Klischees und was auch immer irgendwie vielleicht denken, ah, der Bewerber ist, glaub ich, tüchtiger. Oder gehst ins Slow Thinking und Du überlegst quasi, Du gehst die Vita genau durch, machst im Prinzip Stichpunkte pro und contra, schaust dir Arbeitsproben an. Das wär dann sozusagen das Slow Thinking, was halt mehr Energie kostet,

Speaker0: aber dann halt eher auf Basis der Logik operiert. Da hab ich jetzt 2 Fragen. Ja. Und zwar, wie ist das einfach, damit die Einordnung noch klarer wird. Kleines einmal 1, 5 mal 5, 25. Ist das noch denken, rechnen, Slow Thinking oder ist das quasi schon, wenn man das einfach drauf hat?

Speaker1: Ich würde mal sagen, auswendig lernen ist das ja, das kleine Einmal, also das Auswendiglernen ist

Speaker0: Fast Thinking. Okay. Und eine Nacht drüber schlafen, das Bauchgefühl am nächsten Tag wär ja quasi sone assoziative Ja. Meinungsfindung,

Speaker1: aber quasi mit viel Zeit dazwischen. Ja, ja, das ist ein interessantes Beispiel. Kann ich dir ehrlich gesagt nicht beantworten. Müssen wir, falls David falls Daniel Kahnemann gerade zuhört Ja, Bingo, gerne. Dann würde mich die Antwort darauf interessieren. Aber jetzt lass uns das kurz auf die Prozesse, die Du beschrieben hast. Ja. Ich würd das fast so orthogonal, ich würd da fast eine Matrix draus machen, weil was Du beschrieben hast, ist ja, ich würd sagen, zwischen kreativ kreativen und zieldefinierenden Aufgaben und ausführenden Aufgaben. Also weil Du musst ja überlegen, worüber soll ein Text sein und wie soll er sich lesen? Wie lang soll er sein? Welche Struktur soll er haben? Das gibst Du ja vor und dann lässt Du das Modell, zum Beispiel die Stichpunkte in dieses, also die Stichpunkte, die ja auch von dir kommen, da rein klatschen. Die Stichpunkte müssen ja aber eigentlich nicht aus 'nem kommen, weil grad so dieses, okay, einfach mal einen würde ich fast sagen, ist ist erst mal Fast Thinking Assoziativ, ja, genau. Und dann überlegst Du vielleicht, was fehlt, was ist unlogisch? Dann bist Du Also Du bist in soner Mischung aus Fast- und Flow Thinking Ja. Slow Thinking nach Karneval, Aha. Die Zieldefinition zu machen. Und die ausführende Tätigkeit ist ja nicht per nicht automatisch Stell dir mal vor, sie ist rechenintensiv, also Mhm. Mathematisch, dann ist es bestimmt kein Fast Thinking, aber sie ist einfach nur ausführend, nicht kreativ, nicht nicht vielleicht von 'ner hohen Schöpfungshöhe Und das kann dann wunderbar das Modell machen. Das heißt, ich würd fast sozusagen diese Matrix ausspannen. Es gibt also assoziativ und logisch. Mhm. Und es gibt spezifizierend und ausführend. Ja, also speziell im Sinne von planend auch, oder? Planen und auch die kreativen Sachen. Was, also das Was soll getan werden Mhm. Und das tue es, sagen, auf der anderen Achse. Und für und in die und den und und und auf dieser auf dieser orthogonalen Achse, da müssen wir vielleicht son bisschen bei den Large Language Models denken, weil die können vor allem helfen bei dem. Mhm.

Speaker0: Ich hab da 'n Beispiel dabei, wo mir das ja noch mal ganz klar wurde, wie vielseitig diese verschiedenen Prozessschritte auch sein können. Und vielleicht können wir mal versuchen, das ein bissel einzuordnen. Mhm. Und zwar das Beispiel ist schön, weil's nicht der Geheimhaltung unterliegt. Ich war nämlich bei 1 Klasse im am Gymnasium Landau in MP Seminar zum Thema, wie bewerbe ich mich richtig? Ah ja. Ja, und das war für uns auch mal son kleiner Testballon, wie gut Schüler mit Sprachmodellen und vor allem diesen Workflows zurechtkommen. Mega gut, ja. Keine Berührungsängste, top. Und das Beispiel war das Aufsetzen 1 Bewerbungsschreibens. Ja. Und was ich in der Vorbereitung machte, für die Schüler hab ich's dann quasi andersrum vorwärts durchexerziert, aber ich hab mich rückwärts dem Problem genähert, also vom Endergebnis her gedacht. Also was willst Du erreichen? Was will ich erreichen? Ein Bewerbungsschreiben erstellen. Und da ist mir aufgefallen, okay, Bewerbungsschreiben, ich kenn erstens Best Practices dazu, abstrakt und ich hab auch Bewerbungsschreiben, die mir gut gefallen, ja. Und da waren wir schon sofort wieder in dem Futureed Learning Approach drin, Mhm. Wo ich ja quasi eine Struktur implizit vorgebe durch 'n Beispiel und dann sage, okay, jetzt liebes Sprachmodell, mach das Ganze noch mal nur quasi zu dem und dem und dem Inhalt, aber halte dich an die Struktur und Logik und Tonalitätsdeal et cetera wie in der Vorlage. Was ist das? Ist das assoziativ, ausführend?

Speaker1: Ich find das echt knifflig, ja, weil Ja, das das das das ist das Spannende, weil Du hast hier Also im Prinzip müssen wir die Analogie zu einem menschlichen Assistenten machen. Mhm. Stell dir vor, Du hast einen menschlichen Assistenten und den musst Du erst mal anlernen, ja? Das ist ja, das Anlernen ist im Prinzip das Definieren des kognitiven Prozesses, Ja. Was Du ja auch bei dem Sprachmodell machst. In sone in 'nem Halerium Board legst Du an, was soll in welchem Schritt passieren und wo kommt welcher Kontext rein? Definitiv dann erst mal spezifizierende und langsame Arbeit von dir. Aber wenn sie einmal gemacht ist, hast quasi die Pipeline, die Du durchretternst. Ja, genau. Mhm. Das heißt und so wie der Assistent, der's einmal gelernt hat, der kann's dann mehrfach machen für dich. Gleichzeitig musst Du ja aber immer noch, was will ich, was ist das Ziel, was sind die Rahmenbedingungen vorgeben? Und die sind dann out of scope für das Sprachmodell zu zu Es sei denn, Du klatscht das wieder in den nächsten Prozess, aber jetzt hier in diesem Beispiel. Das heißt, Du hast das Ausführende nach der Definition, ist das ganze Schreiben und so weiter. Du hast das Spezifizierende, wo will ich mich bewerben? Warum will ich mich da bewerben? Was möcht ich da vielleicht erreichen? Und welche Vorlagen gefallen mir und so weiter. Das ist das ganze Spezifizierende. Und im Sinne von jetzt dem Fast and Slow Thinking, das Fast Thinking ist vielleicht welche, also vielleicht einfach auch, wo willst Du dich bewerben? Da kannst Du Ja, ja. Assoziativ oder kognitiv rangehen. Und das das Sprachmodell macht dann für dich ausführende Tätigkeiten, die als Mensch wieder eine Mischung wären.

Speaker0: Und wie siehst Du das? Also grade dieser dieser Transfer Learning Anteil, den find ich halt so spannend, weil es ist ja mehr als nur 'n Lückentext zu befüllen. Ja. Ja. Und wenn Du bei dem Anschreiben drin hast irgendwie, genau, nehmen wir mal Absatz 2 und 3 oder so, ja, der Match zwischen Firma und meinem Bewerberprofil, ja, wo ich mich ja quasi verkaufe nach nach der ersten initialen Begrüßung und dann dann leg ich da, was möchte ich machen und und wieso passt Firma und ich zusammen? Und wenn das in dem Beispiel anschreiben, das war eine x-beliebige Person, Max Mustermann und eine x-beliebige Firma. Mhm. Und dann checkt ja, also und jetzt, mir geht's dieses checken. Ja. Dann checkt das Modell, was da passiert und überträgt es auf meinen Case. Ja. Und wenn ich das jetzt per Hand mache, dann passieren da ja irgendwie bei mir intern im Hirn mehrere Schritte. Also ich muss erst mal erkennen, was passiert eigentlich? Also was ist Erkennen, abstrahieren. Ja, erkennen, abstrahieren, transferieren und Ausführen. Und ausführen. Das macht jetzt das LLM in dem Fall ja alles auf einmal. Ja.

Speaker1: Ja, deswegen, mein, das ist das, was ich meine. Das ist eigentlich sone, das Ausführen, der ausführende Schritt, kann eine Mischung sein aus und Thinking, aber er ist ein ausführender Schritt und deswegen automatisierbar.

Speaker0: Ich fand's auf jeden Fall wieder mal krass, also weil das war für mich so allein der der Teil, okay, ich nenn's mal jetzt so Transfer Thinking, dass man 'n Pattern überträgt. Ja. Und dann aber, also wie gesagt, ich hatte mich ja rückwärts durchgearbeitet und hab gemerkt, okay, ich brauch als Input für den Prozess eben genau dieses Matching zwischen was macht die Firma und was und was sagt die offene Stelle, ja? Was ist das Profil? Und was kann ich gut? Und ich hatte das dann mit den Schülern durchexerziert, nämlich die Frage zu beantworten, was sind denn die individuellen Stärken?

Speaker1: Mhm.

Speaker0: Und hatte dort dann ein Wort aufgesetzt, der erst mal Fragen gestellt hat. Und zwar wirklich ganz knapp nur formuliert, ja? Stelle mir Fragen, am Ende eine Aussage drüber treffen zu können, was sind meine Stärken und was kann ich gut, ja. Und Kontext war auch, ich bin Schüler in der zwölften Klasse und dann waren natürlich die Fragen auch drauf gemünzt. Also im Sinne von, welche welche Fächer machen dir am meisten Spaß, ja. Mhm. Und das fand ich auch interessant, weil was war was was war das? Das war irgendwo 'n Abstraktionsstap, oder? Sozusagen auf diese Fragen erst mal zu kommen, das eigentliche Ziel zu erreichen. Und die waren nicht über Fusion Learning, sondern einfach Nee, die waren aus aus der Kalten raus, ja. Ja, ja.

Speaker1: Ja, das ist Weiß nicht. Also eine Abstraktion, klar, weil Du musst ja Abstrakte fragen auf jetzt eine 1 Person, wie welche Fächer magst Du und so weiter, ummünzen. Letztendlich in dem Fall würd ich sagen, das ist, weil halt auch ein, weil das Sprachmodell halt durchaus in seinem über sein Training kennt, was sind Stärken und Schwächen in verschiedenen Personas. Also so hätte ich das da eingeräumt. Mhm. Ich möchte da vielleicht noch mal zurückkommen auf Wir haben ja am Anfang gesagt, kognitive Process Modeling. Mhm. Und jetzt haben wir ja grad dieses schöne Beispiel mit dem Bewerbungsgespräch. Was war das kognitive Process Modeling? Das Modeling war das Erstellen des Boards, aus welchen Informationsschnipseln was zusammengesetzt wird. Das heißt, das ist letztendlich, das Modeling war hier einmalig. Wie kommt man zu einem Bewerbungsschreiben, ne? Was sind 'n, Du wirst es besser wissen, weil Du hast es gebaut, aber ich nehm an, Du wirst definiert haben müssen, wer bin ich? Dann vielleicht, was sind meine Stärken oder wir oder wir nehmen das als Teil des kognitiven Prozesses mit diesen Fragen. Mhm, mhm. Wo will ich mich bewerben?

Speaker0: Ja, das das hatte ich mir auch sagen lassen.

Speaker1: Ja, okay, aber dies Ja. Dann okay, dann Wo will ich mich bewerben und was was weiß man über diese Stelle, dann daraus letztendlich das Schreiben zu generieren mit den mit den Beispielen, wie's gut aussieht und so weiter. Das heißt, das ist der kognitive Prozess, den Du modelliert hast, den ein strukturierter Mensch, der sich bewirbt, ja auch so oder so ähnlich durchgehen würde. Er würde Input, was kann ich gut? Was kann ich nicht so gut? Was will ich? Wo will ich mich bewerben? Mhm. Wie sieht eine gute Bewerbung aus, sich da, die dann zu schreiben? Und genau das hast Du modelliert für ein Sprachmodell. Und das Ausführen ist dann letztendlich die Semiautomatisierung,

Speaker0: sagen wir mal, ja. Semi ist 'n guter gutes Stichwort, weil weil ich bei jeder Antwort vom Sprachmodell ja dann immer reingreife. Also Ja. Nehmen nehmen wir irgendwie eine Liste von von Stärken. Also ganz konkret, wir sind 'n paar Schritte ja rückwärts gegangen oder rekursiv in eine Tiefe, also vom Anschreiben zu den Stärken und haben dann linear uns vorgearbeitet, zu den Stärken zu kommen, ausgehend von den Fragen. Dann kommt eine Vorschlagsliste und dann seh ich da die Stärken und les irgendwas, das trifft überhaupt nicht auf mich zu, dann dann dann geh ich da rein und modifiziert das. Genau. Und da ist quasi rekursiv wieder zurückzuspringen und mit der Information weiterzuarbeiten.

Speaker1: Genau. Und das ist halt dieses, das ist der Nutzen des, weil Modeling an sich bringt ja immer erst mal nix. Man muss ja mit dem Modell was machen. Und das ist hier genau der Fall. Und das Modell erstellen, würde ich mal sagen, ist absolutes Slow Thinking. Und dann beim Modell bedienen, also bei dem semi automatischen Ausführen, hast Du immer noch das Slow Thinking dabei bei der Bewertung der Zwischenergebnisse und beim und bei den Kreieren der Inputs. Bist Du auf jeden Fall spezifizieren unterwegs und häufig auch im Slow Thinking, weil Du ja da genau drüber nachdenkst, was möcht ich von dem Modell?

Speaker0: Mhm. 2 2 easy kognitive Prozesse, die mir aufgefallen sind, also da das Beispiel abzuschließen. Informationsgewinnung ausm Modell, also einfach mal eine Auflistung geben lassen von, also wenn man noch weiter da zurück das durchexerziert, was möcht ich eigentlich im Leben erreichen, einfach meine Liste von Lebenszielen prototypisch auflisten lassen so. Okay, ja. Die Klassiker. Und dann das Thema Information erst mal aufblasen, also gegeben von ein, 2 Ideen, mach mal noch mal mehr in Variation oder genau andersrum das Eindampfen von Informationen. Ja. Also vor allem dann zum Schluss, wenn dann der Text gebaut wird, da steckt man ja quasi ganz, ganz, ganz viel an Rohmaterial

Speaker1: rein und das wird runtergekocht auf 'n kurzes, knackiges Anschreiben. Und das find ich jetzt 'n schönes Beispiel für den Punkt in der Matrix, die ich vorhin aufgespannt hab zwischen, ist eine ausführende Tätigkeit. Ja. Kürze folgenden Text. Gleichzeitig ist Kürzen, Du War das von Goethe dieses, ich hab einen langen Brief geschrieben, weil ich keine Zeit hatte an den Rest. Ja, ja, genau, genau. Oder ich weiß nicht, von wem des Zitates, aber weil es Doch, doch, doch. Genau. Und weil es kognitiv für uns Menschen oder eine gute Kurzzusammenfassung zu schreiben ist, ist ist definitiv kein Fast Thinking, aber es ist eine total ausführende Tätigkeit und dementsprechend 1 aus meiner Sicht der Sweet Spots Ja. Für 'n Large Language Modell, weil es dir sozusagen die anstrengende Arbeit abnimmt.

Speaker0: Ja. Find ich krass, Du hast grad den Sweet Spot angemerkt. Also ich hab das Gefühl, dass sich beide Welten, wenn man's richtig aufsetzt, also sowohl die Large Language Models als auch Du als Mensch sich in den jeweiligen Sweet Spot begeben können und Du echt flinke Prozesse dadurch hinkriegst. Und spätestens da sind wir ja jetzt seit Thema Effizienz und Output und Outcome bei professionellen Anwendungen, jetzt nicht unbedingt in der Schule, wie ich 'n Bewerbungsschreiben verfass,

Speaker1: sondern jetzt einmal ganz hart in der Industrie. Ja, Stichwort Automatisierung, haben wir vorher noch erwähnt. Das Modell Modeling, kognitive Process Modeling, ist kein Selbstzweck, sondern es geht den Effizienzsteigerung und das ist die Automatisierung oder Semi Automatisierung, nenn es, wie ihr wollt, Beschleunigung

Speaker0: ist es am Ende des Tages. Was ja eigentlich eine ziemlich krasse Parallele auch darstellt zu dem, was bei den manuellen Tätigkeiten, also manus, hand, ja, Ja, ja. Wirklich passiert ist mit mit Industrierobtern, oder? Also was macht man heute in der Industrie? Das, was super hyperindividuell ist. Mhm. Also irgendwelche Pick Prozesse, dass man was greifen muss, wo das Programmieren länger dauert, als als das manuell zu machen. Und was noch? Du meinst, was noch an manueller Ja, ja, was was nur übrig bleibt. Also wann Die Wartung und Kontrolle der Roboter. Ja, okay, was auch

Speaker1: hyperindividuell ist. Ja. Ja. Aber ich glaube, es gibt so Genau, aber die repetativen Tätigkeiten sind zum Großteil weg automatisiert.

Speaker0: Gibt doch gibt doch auch so Fabrikhallen für PV Module, die Also das Licht aus. Ja.

Speaker1: Ja, aber die Analogie ist, glaub ich, sehr treffend, weil wir haben wieder Also das das Cognitive Process Modeling, nehmt das Cognitive weg, es ist Process Modeling. Ihr nehmt nehmt nehmt nehmt nehmt nehmt an, ihr habt eine 1 Manufaktur und jetzt wollt ihr die automatisieren. Dann überlegt euch, was sind die Prozessschritte, die wiederkehrend sind? Und dann nehmt ihr, programmiert ihr quasi einen Roboter oder setzt ihn an diese Stelle, damit er das macht. Das ist im Prinzip wie hier, den prozess runterbrechenden Schritte, auch den Denkprozess und dann halt ein Language Modell jetzt in dem vorangegangenen Beispiel über eine Prompt Programmieren, ich mach jetzt Inverted Kommas, Mhm. Also anweisen, diesen Schritt zu tun. Und das Ausführende macht dann in das LLM beziehungsweise der Roboter in der in der Industrieprozessautomatisierungen. Und was übrig bleibt, sind die nicht repetativen und komplexen und zieldefinierenden Aufgaben oder eben oder die, die einfach so schwierig sind wie jetzt beispielsweise das Reparieren des ausgefallenen Roboters. Das ist wie das Reparieren des kognitiven Prozesses, weil der vielleicht hier nicht passt oder das Checken der Ergebnisse, dass das halt dann doch, da der Mensch einfach in the Loop ist, genauso wie bei der Anlage, halt auch noch die Menschen dabei sind, mindestens den Prozess zu definieren und aufzusetzen, aber dann halt auch am Laufen zu halten.

Speaker0: Was ich da spannend finde, ist, weil es gibt schon 'n Unterschied, die Sprachmodelle sind deutlich unschärfer. Also son KUKA oder Jascava Roboter, die ich nehme, die die kannst Du wirklich aufn wie genau gehen, die also Sub, deutlicher Submillimeterbereich. Na ja. Und und und die sind ja 100 Prozent reproduzierbar in dem, was sie tun. Die Sprachmodelle haben ja, damit sie überhaupt ihre Aufgabe gerecht werden kann, Stichwort Temperatur. Ja. Eine inhärente Varianz und Unschärfe. Genau. Was wahrscheinlich dazu führt, dass in der Art und Weise wie bei den manuellen Automatisierungstechnologien der Mensch rausfliegt bei den Kognitiven, der Mensch auch auf lange Sicht eine Rolle spielen wird oder siehst Du das komplett anders?

Speaker1: Ja, das ist 'n 'n interessanter Punkt, dass Du generell einfach bei 'nem Industrieprozess, es, also bei generellem Ingenieurswesen ist ja irgendwie richtig und falsch, meistens sehr, sehr klar definiert. Mhm. Du hast eine Zielzeichnung und da ist alles auf den Hundertstel Millimeter definiert und wenn Du das erfüllst, gut. Bei Sprachgeschichten ist es halt deutlich weicher, ne, deswegen brauchen wir auch so viele Anwälte, weil's halt sich nicht automatisieren lässt. Also die Sprachmodelle sind vielleicht einfach das Vorrücken der Automatisierung in die in die Fazy Domain. Mhm. Weil im Prinzip programmieren konnten wir auch schon vorher. Ja. Und Programmieren wär ja son bisschen die Analogie zum Automatisieren ganz auf strenge Regeln, ne, also irgendwelche APIs und so weiter und gab's ja alles schon vorher. Und mit der Sprache rücken wir da jetzt in son bisschen den weichen Sektor vor. Und dieser weiche Sektor macht halt ganz viele der denkenden Tätigkeiten aus.

Speaker0: Wobei das natürlich schon spannend ist jetzt, ja, weil nimm mal son Lehrstuhl wie TUM IWB, also Institut für Industrieprozesse. Ich Mhm. Weiß jetzt nicht auswendig, was das IWB bedeutet, Verzeihung. Aber was machen die? 1 der Doktoranden hat's mir so zusammengefasst, die kümmern sich eigentlich den ganzen Tag nur drum, damit keine Prozessvariante mehr auftritt. Also Machine Learning und Data Science Use Cases nicht umzusetzen, sondern unnötig zu machen. Das das war deren deren deren Take. Ja, ja, ja. Und jetzt wär's mal spannend, wie weit man das treiben kann, auch die kognitiven Prozesse quasi so weit runterzubrechen und zu ja, zu zu zu robustifizieren, ja. Dass Du quasi 'n LLM mit Temperatur 0 drauf werfen kannst und trotzdem am Ende Kochrezepte, journalistischer Artikel oder, oder, oder dabei rauskommen?

Speaker1: Ja, spannende Frage.

Speaker0: Ich habe keine Antwort. Da müssten wir wahrscheinlich aber die Kreativität komplett ausm Prozess rausnehmen. Na klar, dann

Speaker1: Ist ja auch fair enough, also das ist ja auch für eine gewisse Art von Assistent ist das ja genau das, was Du willst, aber dann bist Du, glaube ich, auch schnell wieder bei dem Fluch, den man ja beim Programmieren hat Mhm. Dass der Computer genau das macht, was Du schreibst. Und das ist ja Fluch und Segen zugleich beim Programmieren. Ja.

Speaker0: Da bezüglich Temperatur kurz vielleicht, wenn das Konzept nicht bekannt ist. Über die Temperatur kann man einstellen, wie groß die Streuungsbreite

Speaker1: von Wort zu Wort ist, wenn 'n Sprachmodell 'n Text generiert, ne? Ja, also bei Temperatur 0 wird 'n Sprachmodell immer genau auf die gleiche Frage, genau exakt aufs aufs die letzte Zeichen, die gleiche Antwort liefern. Und bei hohen Temperaturen höher Rennen, bei 0.3 oder so was, bleibt's schon beim Thema und und streut 'n bisschen. Und wenn Du jetzt Temperatur 5 eingibst oder so was, dann fragst Du vielleicht nachm Wetter und er beginnt über

Speaker0: Konfuzius zu reden, Was ich aber spannend finde, ist, dass sich ja auch die Qualität der Antworten ändert. Also bei Temperatur 0 ist es quasi nicht nur fast deterministisch, sondern es ist ja sehr nahe am wörtlichen Zitat, wenn Du eine Vorlage mit reinfütterst. Ja. Und eine hohe Temperatur ist kreativer, also Genau. Quasi inhaltliche Qualität, aber auch jetzt von der äußeren Form her, sodass dann auf einmal Sätze entstehen, die ich so niemand mehr sagen würde. Ja, genau.

Speaker1: Aber kurz jetzt, zur Automatisierung zu kommen. Ich mein, es gibt den ganzen Automatisierungssektor Ja, ja, ja, richtig. Das ist eine ganze Hinsicht. Der letztendlich Prozesse effizienter macht, meistens halt über ganz knallharte Automatisierung. Siehst Du dann, dass quasi jetzt im Zuge der Sprachmodelle und der LLMs oder generell im im KI Bereich, dass zum Beispiel wir, also Firmen wie wir letztendlich dann die Automatisierungsdienstleister für kognitive Prozesse sind? Also Oder siehst Du da noch 'n eklatanten Unterschied?

Speaker0: Ich ich seh insofern 'n Unterschied, als dass es wahrscheinlich nicht so große zentralisierte Firmen sind, weil es 'n Unterschied gibt, nämlich Hardware versus Software. Mhm. Also dass Du dass Du allein das Werkzeug besitzt, eine Automatisierungstechnik zu bauen, jetzt im Sinne von 'nem Roboter und Fördertechnik und so weiter. Das das das kannst Du nicht als Einzelperson mal nebenbei machen.

Speaker1: Du kannst es nicht per API Call Ja, ja, genau. Oder sogar 'n guter Roboter mal einfach. Richtig, richtig. Und insofern,

Speaker0: also da gibt's, find ich, den Unterschied, diese Einstiegsbarrieren. Und 2. 2. Beobachtung, ich seh jetzt schon die Tendenz zur Hyperindividualität. Sprich, ich bau als Einzelperson eine 80 Prozent Webapplikation, wo ich vorher halt irgendwie eine von der Stange Software benutzt hätt, die total krass ausgearbeitet ist, ja, und wo ich mich dann eher der Software angepasst hätte anstatt andersrum. Und von daher zeichnet sich da für mich das Bild ab, dass also erstens wegen dem ersten Punkt, dessen eine Sache ist, die sich in den Firmen selbst abspielt, Mhm. Ja, und nicht quasi extern jemand eingekauft wird, eine dicke, fette Lösung zu bauen. Und zweitens etwas, wo es auch sehr viel mehr in die Breite geht. Also dass eher, klar, gibt's Exzellenzcenter in der Firma, aber dass fast am Ende jeder und jede irgendwo generative KI nutzt,

Speaker1: das eigene Prozesse abzubilden. Das ist 'n sehr spannender Gedanke, geht vielleicht bisschen out of scope für unseren Podcast, aber im Prinzip, wenn Du so auf Karl Marx oder so was zurückgehst, dann ist ja Automatisierung bedeutet ja, dass Du immer mehr Arbeit aus immer mehr Wert aus Kapital schöpfst. Du brauchst das Kapital, Roboter zu kaufen Ja, ja. Und Maschinen und so weiter und dann schöpfen nur noch die Wert, die Kapital haben und nicht mehr die, die arbeiten können. Mhm. Und Du sagst ja im Prinzip, dadurch, dass KI ein Softwareprodukt ist, was wunderbar ausgeliefert werden kann, ja, Du kannst ja quasi einen für einen einzelnen ChatGPT API Call einfach zahlen. Mhm. Und Du musst nicht den GPU Cluster kaufen, anders als den KUKA Roboter. Den musst Du halt Den hast halt da oder nicht, selbst wenn Du ihn jetzt Service metest, den kannst Du nicht für einen Handgriff kurz mieten. Ja, genau. Also da gibt's ja auch physische Grenzen. Richtig. Und dadurch, dass diese physische Grenze aber bei der KI gegen 0 geht, Ja. Alles, was Du quasi brauchst, ist eine Internetverbindung und Computer und dann kannst Du Pay per Use machen, hast Du nicht diese Konzentration auf die Kapitalinhaber, sondern im Prinzip jeder, der spezifizieren und die nicht ausführenden Denkprozesse beherrscht, sondern natürlich dann Ja. Ist 'n Selektionskriterium. Ja, ja, ja. Der kann dann quasi partizipieren an dieser Wertschöpfung. Klar, es gibt die Foundation Model Provider, Open Air und so weiter. Das ist megapitalintensiv.

Speaker0: Ich wollt's grad sagen, ja. Das ist die die die Hyper Genau, das sind wie die Maschinenhersteller,

Speaker1: ja. Also die die gibt's dann immer noch. Mhm. Aber der Maschineneinsätze, der die die Industrieanlage baut, der quasi, der muss im kognitiven Fall, muss der eigentlich nicht so kapitalintensiv sein. Und damit ist es sozusagen viel aus dieser wirtschaftstheoretischen Sicht vielleicht 'n viel weniger hyperkonzentrierendes Instrument.

Speaker0: Also die Chance ist zumindest da. Du siehst ja, bei uns nimmst die Community Edition und bist mit 3 Cent im Endeffekt ja schon im Game, ja. Mhm. Per pay per Use. Und gleichzeitig, das, was Du beschreibst, Du hast grad das Selektionskriterium erwähnt. Ja. Wir hatten es schon mal bei dir bei der Podcastfolge, KI in der Bildung, in Schulen. Ich find, da kommt noch mal krass raus, dieser der der der Punkt, dass dass die Gefahr dieser Schere noch mal wirklich aufgeht? Der der Leistungsschere, weil Leistungsschere. Du hast einen, wenn Du Du hast einen Superscaler

Speaker1: auf deine auf deine Denkprozesse. Ja. Und damit verschärfst Du natürlich die Unterschiede zwischen Leuten, die, sag ich mal, spezifizierend und und und bewertend und und zielvorgebend und kreativ denken können und denen, die nur ausführend denken können, wenn man das jetzt mal so formulieren will, weil die ausführende Denkt an Wert verliert, Mhm. Weil sie automatisierbar ist und die andere dementsprechend übrig bleibt. Das heißt, Du hast son Vielleicht ist das 'n Bildungsthema, je nachdem, wie viel Du halt denkst, dass bei aus jedem Menschen durch Bildung rausgeholt werden kann. Aber vielleicht ist es auch einfach, das ist dann natürlich kritischer, ein hartes Selektionsthema, sodass das dann vielleicht irgendwann ist, dass Leute mit 'nem Denkvermögen unter x einfach gar nicht partizipieren können. Mhm. Ja, ist jetzt schwer zu beantworten, aber es ist definitiv eine gesellschaftliche Frage. Ja, aber aber aber letztlich Also

Speaker0: die naheliegenden Dinge kann man ja linear extrapolieren. Also gegebendes, was die Sprachmodelle heute schon können, sind viele nicht mehr wettbewerbsfähig hinsichtlich einfacher ausführender kognitiver Tätigkeiten. Das heißt, das bleibt dann nur übrig, das sind halt die manuellen, nicht repetitiven

Speaker1: Fähigkeiten, die man höchstens noch schöpfen kann. Nee, und Die, die da nicht von der Automatisierung gefressen wurden, weil Wie sagt? Ja, genau. Warum wurden sie nicht gefressen von der Automatisierung? In vielen Fällen einfach, weil die Automatisierung noch im immer noch teurer wäre als die Ausführung durch einen Niedriglohnmitarbeiter.

Speaker0: Ja. So traurig ist es dann halt teilweise. Ja, ja, genau, genau. Also ich find das find das wirklich krass, wo wo man halt frühzeitig reagieren muss. Mhm. Und ich denk mir dann halt, okay, dann lasst's uns das Potenzial realisieren, das in jedem steckt. Und das ist für mich 'n Bildungs- und 'n Ausbildungsthema, ja, dass Du den Leuten oder Schülern, also je nachdem, ob in Firma oder oder oder oder bei den Kids, dass Du denen halt weniger Wissen vermittelst, als eher eigentlich die Fähigkeit zu denken?

Speaker1: Auf jeden Fall. Die Fähigkeit oder ja, die die das Spannende wird sein, was ist die Mindestvoraussetzung, dich von 1 von einem KI Assistenten superscalen zu können? Ja. Also können kommen wir dahin, dass irgendwann, sag ich mal, ein, ich übertreib mal, ein Analphabet, der der nie die Grundschule besucht hat, trotzdem KI für sich nutzen kann und dadurch Dinge schaffen kann oder Dinge erzeugen kann, die von Wert sind. Das wär natürlich dann supercool, weil dann hätten wir quasi eine vollständige Demokratisierung. Mhm. Mhm. Wahrscheinlich unrealistisch, aber auf jeden Fall möglichst viele über die Schwelle bringen durch Bildung. Es ist da klar das Ziel. Na ja, wo Und gleichzeitig, je mächtiger die Systeme

Speaker0: Jetzt gibt's ja die die die die Ansätze, autonome Agenten zu bauen. Also die Packages gibt's dazu. Wir haben unsere Experimente, man munkelt OpenAI, wobei man jetzt mit die Verwerfungen Sam Altman, vielleicht einfach bei Microsoft, baut nicht nur ausführende Agenten, sondern auch planende Agenten. Also dass man mehr und mehr von diesen Genau. Super slow Thinking Genau. Im Prinzip wär das dann das, dass Du sagst, das kognitive Modell Ja. Des Prozesses wird auch

Speaker1: von der KI gebaut oder die oder die die die nachher, was wir ja noch als Human in the Loop bezeichnet haben, die Steuerung wird auch durch eine Supervisor KI gemacht. Kannst Du alles machen, aber Du kommst dann natürlich immer mehr in eine geschlossene Bubble, Mhm. Wo dann halt nachher irgendwas rauskommt und keine generative KI wird immer perfekte Ergebnisse liefern. Es ist im Prinzip, wieder zum Assistenten zu kommen, gibt es einen Assistenten, der für dich immer das Richtige tut, ohne dass Du jemals dem Anweisungen gibst und und und und mit dem Rücksprache hältst, ob das so richtig war. In manchen Fällen ja, aber in vielen Fällen halt auch nicht. Mhm. Also Du bilibst dich da in eine Gefahr. Das ist, wie wenn Du sagst, hey, Bankberater, Du mach mit meinem Konto was auch immer und zahl mir 'n Taschengeld aus, wird schon passen. Mhm. Vielleicht geht's gut, vielleicht auch nicht. Also Und genauso ist natürlich bei solchen Agenten. Du bist dann in irgendeinem in irgend den Schlussfolgerungenketten, die der Agent aus seinem Trainingspettern halt hat und die die zukünftigen Prozesse so, wer sie aufbaut, dem bist Du dann halt ausgeliefert. Und dann bist Du wahrscheinlich auch logischerweise nicht mehr nicht mehr weit wertschöpfend drin, weil das kriegt ja dann quasi im Prinzip jeder aus der KI raus. Ja, ja.

Speaker0: Das ist jetzt eine interessante Dualität. Also weil auf der einen Seite haben wir ja das, dass zwangsläufig man mehr verstehen und und lernen muss, wie Denken funktioniert. Mhm. Und gleichzeitig verlernt man jetzt durch das, was Du beschreibst, denken. Ja, ja. Also immer mehr outsourst. Ja, ja. Und auf der anderen Seite, was Du beschreibst, das ist 'n Szenario, wo ich mir denke, ey, ich möcht mir eigentlich genau überlegen, wenn ich jetzt sone KI als fast schon wie 'n externes Gehirn hier an mich ranflansche, was steckt 'n da eigentlich fürn Trainingsdatensatz, ja? Oder oder was steckt 'n bezüglich der ganzen Sicherheitsmechanismen? Was steckt 'n da für eine Ethik dahinter? Ja, so wie dem Assistenten,

Speaker1: den Du an den Du einstellst, wie viel vertraust Du dem autonom zu handeln, ohne jemals mit dir Rücksprache zu halten? Ähnliches Thema, hängt von seinem Background und so weiter und und ab. Und das ist ja beim KI Modell letztendlich das Modell und das Training, was es erfahren hat. Also, aber ja, sagen wir mal so, diese diese Grenze der ausführenden und spezifizierenden Tätigkeit, die wird wandern über die Zeit.

Speaker0: Ich find's total spannend zu sehen, wo das die nächsten, ja, schauen wir mal, wie lang das dauert, Tage, Monate, Jahre hingeht. Ich find's Wahnsinn, was momentan passiert. Wir haben's in der Vorbereitung gemerkt, auch jetzt in dem Gespräch, teilweise fehlt einem ja auch noch das Vokabular, das zu beschreiben, worum's worum's geht, weil das einfach son neues Thema ist. Klar. Und gleichzeitig freu ich mich, wir haben in unseren Projekten immer wieder den Moment, wo wir mit generativer KI über das Process Modeling fast schon menschenverachtend repetitive Tätigkeiten automatisieren können. Und das find ich persönlich toll. Auf die sollten wir uns erst mal fokussieren, weil ich glaub, die vermisst keiner. Absolut. Oder fast keiner. Insofern der Werbeblock zum Abschied. Wer Bock hat, sich mal genau angucken zu lassen, auch von uns gemeinsam in der Arbeit, welche kognitiven Prozesse vielleicht privat oder natürlich auch in der Firma zu automatisieren sind, genau aufzubrechen sind und und zu lösen sind, gerne melden. Wir stecken in mittlerweile in 'ner ganze Latte von Use Cases drin und es zeichnen sich Pattern ab, was auch dazu führt, dass wir immer schneller werden. Insofern, genau, schreibt's uns an über die üblichen Kanäle. Und in diesem Sinne, Maxime, auf zur nächsten Podcastfolge. Natürlich wieder dann generiert mit generativer KI.

Speaker1: Aber noch gesprochen von uns.

Speaker0: Ja, noch. Wer wer weiß. Wir können mal das Experiment machen. Wir haben ja hier perfekte Audiodaten mit so was wie Labs, unsere Stimme nachzubauen und meine Podcastfolge.

Speaker1: Aber auch komplett zu schreiben und also dass der Dialog ein 1 Theo Bot, ein Maxime Bot. Vielleicht machen wir das mal. Das ziehen wir durch. Wir sind jetzt bei Folge 10,

Speaker0: also vor der 20 ziehen wir das mal durch. Okay. Bis dann, Maxim. Tschau, tschau. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The Erium Podcast.

Mehr Folgen aus Staffel 6 →