Einführung
Herzlich willkommen zu einer weiteren Episode von DJs Technologie Tuesday. Heute einmal zum neuen Anthropic Economic Index. Was ist das? Was ist daran so interessant? Und zwar, Anthropic Economic Index ist eine regelmäßig durchgeführte Studie von Anthropic. Anthropic ist aus den USA, San Francisco. Diejenigen, die sagen: „Moment mal, Jekel, du hast schon ein paar mal erzählt, Das sind die Franzosen, das sind die von Mistral, also von dem Hintergrund dort. Sorry noch mal, dass ich das auch schon mal hier verwechselt habe. Ja, Anthropic ist die Mannschaft aus dem Silicon Valley, die einen besonderen Schwerpunkt auf dem Thema Coding haben. Also das heißt, die sind besonders gut und dafür setze ich sie auch selbst ein, Programmiertätigkeiten zu automatisieren, aber auch nicht nur zu automatisieren, sondern dann, auch vorzubereiten für Themen. Und da sind wir auch mitten in diesem Thema, denn die Studie schaut sich an, auch die Bereiche auf der einen Seite Augmentierung, also inwiefern KI dazu unterstützt wird, den Menschen zu ergänzen, zu augmentieren, praktisch, so wie die liebe Miriam Meckel immer sagt, Klettergerüst für das Gehirn, oder inwiefern automatisiert wird. Da merkt man, da ist so ein bisschen auch folgend mein Motto, dass ich sage: „Productivity beyond the Hype.“
Globale KI-Nutzung und Länder-Rankings
Da geht langsam so ein bisschen die Euphorie so ein bisschen runter und weicht einem, wie ich finde, gesunden und gutem Realismus. Wenn man sich das Ganze anschaut, hier, ich gehe mal so ein bisschen zur Seite. Dann sehen Sie bei diesem Index, den Link packe ich hier mit dazu, da sieht man hier die US Usage nach bestimmten Staaten. Man sieht die State Usage. Interessant ist die Global Usage, dass man mal sieht, wo wird denn KI vor allen Dingen genutzt und man kann sich das dann auch angucken nach den Ländern. Wir sind da insgesamt auf Rang Nummer 28. Also wenn man sich das anguckt, hier hat man die entsprechenden Ränge, in welche Richtung das losgeht. Also Nummer eins sieht man hier. Kleinen Moment, ich gehe noch mal in die Country Usage rein. So, da sehen Sie eben, wenn ich mir das hier angucke, dann geht das los mit Israel, mit Singapur, mit den Vereinigten Staaten. Da sehen Sie auch schon, wer vorne dran ist. Also Israel ja gerade auch im Bereich Cyber Security, sehr, sehr führend in dem Bereich, was das Thema anbelangt, Singapur. Hier sehen Sie auch, die Schweizer sind vor uns, Kanada, Südkorea, alle die Nationen, die tendenziell beim Thema Digitalisierung etwas weiter sind.
Europäische Länder, Branchen und Tätigkeitsanalyse
Ja, wir sind dann hier, wenn ich jetzt noch mal gucke, dann kommen hier langsam die europäischen Länder. Wir sind und hier dann irgendwo nach Slowenien, sind wir aber noch vor Taiwan und vor Spanien und vor Italien sind wir dabei. Und wenn ich jetzt mal hier auf die Bereiche gehe, dann kann man eben sehen, was man macht. Computer Mathematical, Educational Instructional. Also da sieht man so ein bisschen für einen administrativen Report. Bei Anthropic übrigens nicht verwunderlich, dass sie hier, wenn man sich das anschaut, diesen Bereich haben, eben Computer Mathematical. Das ist auch richtig, weil dafür sind diese Modelle besonders optimiert. Also das macht da auch total Sinn. Das ist wirklich mal interessant. Den Link packe ich Ihnen noch mal in die Kommentare auch mit rein, wo Sie sich auch mal anschauen können, so für welchen Bereich wird denn was wie gemacht? Und da kann man eben hier draufgucken, eben für welche Art von Tätigkeiten wird eben grün im Sinne vor allen Dingen automatisierte Tasks? Wo gibt es möglichst augmentierte Tasks, also ergänzte Tasks? Und wo gibt es Dinge, die die so in den Daten nicht drin sind. Also ganz interessant. Dann interessant: Man kann sich das Ganze natürlich auch als PDF herunterladen und man hat hier noch mal etwas mehr Aussagen zu den einzelnen Bereichen.
Notebook-LM: Analyse- und Visualisierungstool
Lohnt sich auf alle Fälle zu lesen. Ich habe es mir auch durchgelesen und man kann es auch als PDF herunterladen. Und das, was Sie sicherlich kennen, ist, dass es die Möglichkeit gibt, mit Notebook-LM von Google dann sich solche Sachen zusammenfassen zu lassen. Finde ich einen tollen Use-Case übrigens dafür. Das heißt, ich habe einfach diese beiden Quellen hier reingepackt in Notebook-LM. Öffentlich verfügbare Quellen, weil es hier immer heißt „Datenschutz und „Google. Hallo? Das sind öffentlich verfügbare Informationen. So, hier habe ich einfach gesagt „Quellen hinzufügen“ und dann habe ich entsprechend hier bei den Web links diese beiden Web links hier hinzugefügt, die Anthropic hier dort angegeben hat. Was ich dann gemacht habe, ist, dass ich hier gesagt habe: „Gib mir denn bitte über Studio, gib mir zum einen bitte mal dort Infografiken. Und die sind meistens im Hochformat besser als im Querformat, aber hier habe ich mir schon mal im Querformat Sachen machen lassen, einmal in einer etwas übersichtlicheren Form, einmal hier eine Infografik machen lassen, in einem Hochformat in einer übersichtlichen Form. Da sind die meistens ein bisschen besser und die kann man sich dann als Bild herunterladen, also wenn man sich hier diese Sachen anguckt. Und das finde ich sehr, sehr gut, wenn man sich dann auch etwas intensiver beschäftigt.
Visualisierung von Kernbotschaften
Man hat eben hier die Möglichkeit auch, sich dann Charts zu machen. Und diese Charts nutze ich, wenn ich natürlich einen Vortrag halte, irgendwo gebucht werde, dann nutze ich diese Charts nicht. Dann sind mir die nicht dort entsprechend auf einem Level, wo ich das brauche. Aber hier mal ganz interessant, sich einfach die Hauptergebnisse aus den Dingen hier anzeigen zu lassen. Und das gucken wir uns einfach mal an. Kann man auch hier auf Fullscreen sich entsprechend anschauen oder ich habe mir es hier in dem Fenster mal angeguckt und wir gucken es uns mal im Full Screen an. Ja, also ganz interessant hier eben eine Analyse der globalen KI-Nutzungsmuster, Produktivitätseffekte Arbeitsmarktveränderung kurz vor der Veröffentlichung von OPUS 4.5. Also das von Anthropic und dieses ist eines der entsprechenden Modelle. Ja, wir gucken mal hier weiter, und zwar, was hier eben rauskommt und das finde ich ganz interessant, hier diese vier Kernbotschaften zu sagen, einmal Rückkehr zur Kollaboration, also dass so ein Stück weit beyond the Hype, also nach dieser Phase „Alles wird automatisiert“, wieder das Thema Augmentierung stärker kommt. Naturgemäß, wenn man in die Detaildaten geht, sieht man, dass bei dem Thema Schnittstellen-Nutzung, also API, ist die Automatisierung größer.
Liegt in der Natur der Sache, weil die dann über Dienste wie NETN beispielsweise genutzt werden. Und bei der Nutzung der Plattform ist es dann mehr die Frage der Augmentierung. Aber trotzdem, insgesamt über alles zusammen, geht es ein bisschen weniger in Richtung Automatisierung, sondern ein bisschen mehr in Augmentierung, weil man einfach gemerkt hat, dass die Fehleranfälligkeit in diesen Prozessen einfach sehr hoch ist. Also auch ganz interessant, Merkel und Mathe, kann ich übrigens sehr empfehlen als Podcast, auch wieder in einer letzten Episode die Diskussion zu sagen: Verlassen wir uns viel zu sehr auf fehlerhafte Software. Und selbst normale programmierte Software hat Fehler und KI-Software, da ist die Frage noch eben etwas größer. Ja, dann hier auch noch mal zur Verteilung global. Also es ist hier so, dass die entsprechenden Entwicklungsländer eher sehr stark das Nutzen für das Thema Weiterbildung, für Studium, in den Industrienationen dann schon eher eben professionell genutzt. Ja, dann haben wir eben hier das Thema Zuverlässigkeitsparadox, das, was ich eben auch hier schon gerade erwähnt hatte. Das heißt, komplexe Aufgaben werden hier eben massiv dort beschleunigt. Allerdings eben sinkt sie bei hoher Komplexität. Und das liegt da an dieser hohen Fehlerwahrscheinlichkeit und dass man es dann wieder dort testen muss.
Upskilling, Downskilling und Jobwandel
Und dann hier noch mal rechts unten dabei, das Thema Verendung der Jobprofile. Also hier das Thema, so dass es sowohl Upscaling als auch Downskilling gibt. Und hier ist das das Beispiel, dass ich sage, im Reisebüro-Bereich beispielsweise, wo dann Planungsaufgaben, die etwas höherwertig sind, dann vielleicht sogar ersetzt werden durch eine KI und dann bleiben einfachere Aufgaben im Sinne von Tickets auszustellen und solche Dinge. Und es gibt andere Branchen, wo es eher darum geht, dass dann höherwertige Analysen gemacht werden von den Menschen, weil die Billow jobs von der KI gemacht werden. Es geht in beide Richtungen hochinteressant. Ergänzend zu der Diskussion, die wir sicherlich auch mal aufgreifen können, ist, dass natürlich ist es ein Problem, gibt, wenn ich eben die Juniors durch Karriere setze. Also ein Freund von uns hat uns gerade am Wochenende besucht und er war früher bei EY in führender Partner- und eben Verantwortung. Und der sagt da auch: „Mensch, wir haben bei EY eben früher auch Jobs outsourced in Richtung Indien, so wie McKinsey das ja auch macht, schon jahrzehntelang. Und eben jetzt wird mehr und mehr an Junior-Work eben outsourced Richtung KI und die Herausforderung ist einfach, dass uns sterben dann irgendwann mal die Juniors aus.
Die Komplexität und das Hype Cycle
Also das ist durchaus ein Thema, wo man wirklich eine Ecke dort aufpassen muss im Sinne der Zukunft. Ja, wenn wir mal zum nächsten Chart übergehen, ist es dann ganz interessant: Wir messen nicht nur User, sondern Primitives genannt. Das heißt, hier analysiert der Index eben fünf neue Dimensionen, sogenannte Primitives der Konversation. Und hier geht es eben darum, zu sagen, wie komplex sind diese Tasks, zu sagen, hat die KI – da gehe ich mal zur Seite – die Aufgabe erfolgreich abgeschlossen? Zu sagen, wie viele Jahre Ausbildung sind nötig, den Prompt zu verstehen? Welcher Use Case und wie viele Entscheidungen darf die KI selbst treffen? Ganz interessant nämlich hier, wenn man sich das anguckt, es geht sehr, sehr stärker mehr in Richtung Augmentation, was ich für sinnvoll halte, dass ich sage, okay, hier gibt es auch ein Stück weit überzogene Erwartungen, so wie ich das bei jeder Technologie auch im Gartner Hype-Cycle immer habe, dass es natürlich am Anfang heißt: Ja, die Technologie, wir können alles automatisieren, wir können alle Leute rausschmeißen. Und dann merkt man doch, dass man sehr, sehr stark doch wieder in das Thema Fehlerkorrektur investieren muss. Also das fand ich sehr, sehr gut hier, wo man sagt, hier noch mal die verschiedenen Use Cases, also in den höher entwickelten Industrienationen eher für das Thema Arbeit, in den Schwellenländern mehr für das Thema Bildung.
Aber auch interessant: Die sind bildungshungriger. Also von der Seite her passiert da auch in Zukunft mehr. Ja, bei den Bundesstaaten in USA, die passen sich mehr und mehr an. Also auch die Südstaaten ziehen nach. Ich darf das sagen, ich habe mal für die Company Out of Florida zehn Jahre als Geschäftsführer gearbeitet in Deutschland. Hier noch mal diese Schere gegenüber. Da sehen Sie auch, ich finde die Qualität der Visualisierung von Notebook-LM durchaus schon interessant. Sicherlich nicht jetzt für eine Keynote, die ich halten würde, aber einfach mal das schnell zu visualisieren für einen solchen Podcast hier, finde ich das wirklich klasse, weil ich einfach nur gesagt habe: „Visualisiere es mir im Stil meiner Website mit meinen Farben.“ Also deswegen sind wir hier sehr stark in diesem Dunkelblau-Schwarz-Bereich dort mit dabei. Ja, und hier eben ganz interessant zu sagen, hier die Aussage, die war für mich auch neu, dass wenn wir hier eben Aufgaben haben, die über 3,5 Stunden dauern, dann sinkt die Erfolgsquote auf unter 50% von diesen Automatisierungs-Schnittstellen. Daher im Dialog mit Claude bleibt die Quote länger stabil. Und woran liegt das? An „human in the loop“, weil man einfach immer wieder in dem Dialog damit arbeitet, so ein bisschen wie eben einen neuen Mitarbeitenden, wo ich dann vielleicht auch immer noch mal kurz in den Dialog zwischendurch einsteige. Und das ist halt besser, als wenn ich sage: „Macht die Aufgabe, und hinterher wundere ich mich, was dort entsprechend rauskommt.
Also das ist wirklich noch mal interessant. Hier haben wir noch mal dieses Thema „upskilling“ und „downskilling“. Zu sagen, Technical Writer war hier mal dieses Thema, dass wo wir auch gesagt haben, okay, automatisierte KI kann vielleicht eben dieses Thema hier, Analyse, Scope, Revision, da wo man 16 bis 18 Jahre Bildung verbraucht, eben automatisieren. Und dann bleiben vielleicht nur noch Skizzen und Beobachtungen, also menschliche Tätigkeiten, die aber eben niedrig geskillt sind, übrig. Und auf der anderen Seite hier mal mit dem Property Manager, dass man sagt: „Okay, Buchhaltung, Mietverträge, Standard-Sachen durch KI automatisiert, und dann bleibt entsprechend High-Skill übrig.“ Also man wird beides sehen. Also interessant ist zu sagen, was überbleibt, ist eben das, was das Skill-Profil dort dann hinterher ausmacht. Und ich finde es interessant, vorhin haben wir noch gesagt: „Okay, die Billo-Jobs werden automatisiert.“ Dann war also diese Überlegung, dass man sagt, auch durchaus Führungsaufgaben, Geschäftsleistungsaufgaben. Und es gibt ja in den Vereinigten Arabischen Emiraten eine Investmentgesellschaft, die schon ein Board Member eben als KI besetzt hat oder mit KI besetzt hat. Und hier eben der Punkt, dass man sagt, okay, es geht in beide Richtungen dabei, also Upskilling und Downskilling. Das fand ich noch mal ganz interessant im Rahmen dieser Studie.
Verlässlichkeit als Engpass
Ja, hier also auch noch mal dieses Thema, der Bottleneck ist nicht die Fähigkeit, sondern die Verlässlichkeit. Und hier auch eine Revision der Einschätzungen, also dass man sagt, theoretisches Potenzial 1,8%, Productivity-Potenzial wird reduziert auf 1% aktuell. Und auch ganz interessant, ich weiß nicht, ob Sie letzte Woche Dienstag im Handelsblatt gelesen haben, die Studie im Rahmen eben des Themas des World Economic Forums in Davos, wo PwC noch mal auch die Studie rausgebracht hat zum Thema Produktivität. Und da war es eben so, dass halt wirklich 88% der Firmen eben dort keine Produktivitätsfortschritte erzielt haben. Und in Deutschland sind es eben mal schlappe 98%. Also da haben wirklich nur 2% der CEOs und es waren insgesamt über 4400 CEOs, die befragt wurden, gesagt, dass sie dort Produktivitätsfortschritte erzielt haben. Also Produktivität ist immer beyond „Prompt the Hype“. Also hier ganz wichtig, dass man hier einfach sich das anschaut. Und der Engpass ist wie immer der Mensch und hier auch wieder das, was auch viele Studien bestätigen, zu sagen: „Okay, je schlauer der Prompt, desto besser auch entsprechend das Ergebnis.“ Also das heißt, wenn ich hier einfach nur einen einfachen, ungebildeten Menschen dran setze an diese Kiste, kommt auch ein anderes Ergebnis raus.
Das ist praktisch ein Multiplikator dieses ganzen Themas. Das ist also hier auch, naturgemäß, was ich vorhin schon mal gesagt habe, APIs für strukturierte Prozesse, Automatisierung, Chat für die komplexen Problemlösungen. Wichtig ist einfach, dass ich hier sage: Mensch als Human in the loop, vor allen Dingen bei über 3,5 Stunden, die man entsprechend braucht und eben ganz spannend zu sagen, es ist noch nicht entschieden, dieses Game und wichtig ist eben, dass man als Human in the Loop zwei Dinge macht. Sie wissen es von mir: Erst Hirn einschalten, dann Technik und dann natürlich Technik einfach nutzen.
Fazit und Empfehlung
Sollten Sie dafür einen Sparringspartner auf C-Level suchen, der auf der einen Seite in den Tiefen des Systems von Power Automate sich auskennt, auf der anderen Seite genau diese strategischen Dinger auch mit im Blick hat, dann freue ich mich, wenn Sie mich ansprechen. Bis dahin wünsche ich Ihnen ganz viel Erfolg, Ihr Personal-IT-Coach für Führungskräfte Thorsten Jekel.
Also available in: English
