„KI steigert die Produktivität.“

„KI übernimmt Routinearbeiten.“

„KI macht Unternehmen effizienter.“

„KI-Agenten erledigen bald den Großteil unserer Arbeit.“

Kaum eine Technologie wurde in den vergangenen Jahren mit ähnlich großen Erwartungen aufgeladen wie generative Künstliche Intelligenz. Wer Vorträge besucht, Studien liest oder auf LinkedIn unterwegs ist, gewinnt schnell den Eindruck, wir stünden kurz vor einer neuen industriellen Revolution. Unternehmen sollen möglichst schnell auf KI setzen. Verwaltungen sollen Prozesse automatisieren. Beschäftigte sollen lernen, effizient mit Prompts zu arbeiten. Wer dabei nicht mithält, gilt schnell als rückständig oder riskiert angeblich seine Wettbewerbsfähigkeit.

Je häufiger ich diese Aussagen höre, desto größer werden meine Zweifel.

Nicht deshalb, weil ich KI grundsätzlich ablehne.

Sondern weil meine eigenen Erfahrungen damit immer weniger zu dieser öffentlichen Erzählung passen.

Ich habe generative KI in den vergangenen Monaten immer wieder bei ganz unterschiedlichen Aufgaben eingesetzt – bei Recherchen, beim Schreiben von Texten, bei Programmierung, Webentwicklung, Gestaltung, Bildgenerierung und vielen anderen Tätigkeiten, die nach allgemeiner Auffassung inzwischen besonders gut automatisierbar sein sollen.

Mein Fazit fällt inzwischen deutlich ernüchternder aus.

Nach meiner Erfahrung ist generative KI für anspruchsvolle professionelle Arbeit heute nicht oder nur äußerst eingeschränkt brauchbar.

Diese Einschätzung beruht nicht auf einem einzelnen schlechten Erlebnis.

Sie beruht auf hunderten Stunden praktischer Arbeit.

Die eigentliche Geschichte handelt gar nicht von KI

Wenn heute über KI diskutiert wird, geht es meist um ihre Fähigkeiten.

Wie gut schreibt sie?

Wie gut programmiert sie?

Wie gut recherchiert sie?

Ich glaube inzwischen, dass wir die falschen Fragen stellen.

Die eigentliche Geschichte handelt nämlich gar nicht von der KI.

Sie handelt vom Menschen.

Genauer gesagt:

Von der Arbeit, die der Mensch zusätzlich leisten muss, damit KI überhaupt zu brauchbaren Ergebnissen kommt.

Denn während ständig davon gesprochen wird, welche Arbeiten die KI künftig übernehmen soll, wird erstaunlich selten darüber gesprochen, welche neuen Arbeiten dadurch überhaupt erst entstehen.

Ich muss Informationen zusammentragen.

Ich muss Aufgaben strukturieren.

Ich muss Prompts formulieren.

Ich muss Zusammenhänge erklären.

Ich muss Halluzinationen erkennen.

Ich muss Quellen kontrollieren.

Ich muss Fehler korrigieren.

Ich muss Ergebnisse vergleichen.

Ich muss alles erneut überprüfen.

Und wenn durch eine Korrektur an anderer Stelle neue Fehler entstehen, beginnt der gesamte Vorgang von vorn.

Je länger ich darüber nachgedacht habe, desto deutlicher wurde mir:

Nicht die KI arbeitet für mich.

Ich arbeite für die KI.

Vom Wissensarbeiter zum Datenarbeiter

Früher bestand meine Arbeit darin, Probleme zu lösen.

Heute besteht ein wachsender Teil meiner Arbeit darin, eine KI mit Informationen zu versorgen.

Ich liefere Daten.

Ich erkläre Zusammenhänge.

Ich formuliere Anweisungen.

Ich strukturiere Aufgaben.

Ich prüfe jedes Ergebnis.

Ich korrigiere Fehler.

Ich erkläre dieselben Dinge erneut.

Ich beginne nach Kontextverlusten wieder von vorne.

Mit anderen Worten:

Ich werde zunehmend zum Datenarbeiter.

Der eigentliche fachliche Teil meiner Arbeit tritt dabei immer weiter in den Hintergrund.

Statt selbst zu entwerfen, zu programmieren oder zu gestalten, beschäftige ich mich immer häufiger damit, die KI zu steuern.

Das Erstaunliche daran:

Für diese zusätzliche Arbeit werde ich nicht bezahlt.

Im Gegenteil.

Ich bezahle sogar noch ein monatliches Abonnement dafür.

Genau das empfinde ich inzwischen als paradox.

Uns wird erzählt, KI nehme uns Arbeit ab.

Meine Erfahrung lautet häufig:

Sie erzeugt neue Arbeit.

Nur wird diese Arbeit in kaum einer Produktivitätsstudie mitgerechnet.

Nicht der erste Fehler ist das Problem

Natürlich macht jede Software Fehler.

Natürlich machen auch Menschen Fehler.

Darum geht es mir gar nicht.

Das eigentliche Problem beginnt dort, wo aus einem kleinen Fehler eine Kette neuer Fehler entsteht.

Wo eine Korrektur an einer Stelle dazu führt, dass an anderer Stelle etwas kaputtgeht.

Wo bereits geklärte Sachverhalte wieder vergessen werden.

Wo dieselbe Anweisung zum fünften oder sechsten Mal erklärt werden muss.

Genau das habe ich immer wieder erlebt.

Meine Anweisungen waren häufig erstaunlich einfach.

„Bitte das Bild genauso machen wie im Upload.“

Nicht ähnlich.

Nicht verbessert.

Nicht neu interpretiert.

Einfach genauso.

Das Ergebnis?

Das Bild sah anders aus.

Farben waren verändert.

Elemente fehlten.

Andere Elemente waren plötzlich hinzugekommen.

Darauf folgte die nächste Anweisung.

„Bitte nicht wieder alles komplett ändern.“

Oder:

„Ich möchte nur das Hintergrundbild.“

Doch wieder wurden gleichzeitig andere Bereiche verändert.

Texte tauchten auf.

Buttons verschwanden.

Abstände änderten sich.

Layouts wurden umgebaut.

Schließlich schrieb ich irgendwann nur noch:

„Nicht quatschen – machen!“

Nicht aus Unhöflichkeit.

Sondern weil ich längst keine weiteren Erklärungen mehr brauchte.

Ich brauchte endlich eine zuverlässige Umsetzung.

Trial and Error ersetzt keine professionelle Arbeitsweise

Irgendwann stellte ich fest, dass ich kaum noch an meinem eigentlichen Projekt arbeitete.

Ich arbeitete an den Fehlern der KI.

Oder genauer:

Ich arbeitete an den Folgen ihrer Fehler.

Eine Änderung wurde umgesetzt.

Dadurch entstanden zwei neue Probleme.

Diese wurden korrigiert.

Dabei verschwand eine bereits funktionierende Lösung.

Also begann die nächste Korrekturschleife.

Aus einem eigentlich überschaubaren Arbeitsschritt entwickelte sich ein Trial-and-Error-Prozess ohne erkennbares Ende.

Immer häufiger schrieb ich irgendwann:

„Ich wäre schon dreimal fertig.“

Dieser Satz entstand nicht aus Frust über einzelne Fehler.

Er entstand aus der Erkenntnis, dass die eigentliche Arbeit längst nicht mehr darin bestand, mein Projekt voranzubringen.

Die eigentliche Arbeit bestand darin, bereits Erarbeitetes immer wieder gegen neue Fehler zu verteidigen.

Dabei fiel mir noch etwas auf.

Ein professioneller Kollege verändert nicht bei jeder Korrektur gleichzeitig zehn andere Dinge.

Er merkt sich grundlegende Projektentscheidungen.

Er entwickelt eine konsistente Linie.

Er baut auf dem bereits Erarbeiteten auf.

Genau diese Verlässlichkeit habe ich bei generativer KI in komplexeren Projekten häufig vermisst.

Ausgerechnet die Arbeiten, die ich abgeben möchte, bleiben beim Menschen

Noch erstaunlicher finde ich einen anderen Widerspruch.

Seit Jahren wird versprochen, KI werde uns die lästigen Routinearbeiten abnehmen.

Genau das ist nach meiner Erfahrung häufig nicht der Fall.

Ausgerechnet die Tätigkeiten, die ich besonders gern delegieren würde, funktionieren oft überhaupt nicht oder nur in einer Qualität, die professionellen Anforderungen nicht genügt.

Ein vorhandenes Bild exakt übernehmen?

Fehlanzeige.

Eine Grafik lediglich an einer kleinen Stelle verändern, ohne alles andere neu zu interpretieren?

Fehlanzeige.

Professionell nutzbare SVG-Dateien erzeugen?

Nach meiner Erfahrung derzeit nicht.

Konsistente Icons erstellen, die einem Corporate Design entsprechen?

Ebenfalls nicht.

Hochauflösende Grafiken für den professionellen Einsatz?

Auch hier habe ich bislang keine überzeugenden Ergebnisse erlebt.

Dabei geht es nicht um Perfektion.

Es geht um Zuverlässigkeit.

Wenn ich einer Grafikerin einen fertigen Entwurf gebe und sage: „Bitte genau diesen Entwurf übernehmen und nur den Rand ändern“, dann erwarte ich nicht, dass sie Himmel, Farben, Bildaufbau und Gestaltung gleich mit neu erfindet.

Genau das habe ich bei generativer KI jedoch immer wieder erlebt.

Irgendwann wurde mir sogar vorgeschlagen, bestimmte Icons einfach selbst zu zeichnen.

Meine spontane Reaktion lautete:

„Das ist doch ein Witz. Ich soll jetzt die Icons selbst zeichnen?“

Genau an diesem Punkt fragte ich mich zum ersten Mal ernsthaft, worin der versprochene Produktivitätsgewinn eigentlich bestehen soll.

Wenn der Chat selbst zum Problem wird

Ein weiterer Aspekt wird erstaunlich selten thematisert.

Je anspruchsvoller ein Projekt wird, desto länger wird zwangsläufig auch der Chat.

Anfangs ist das kein Problem.

Im Gegenteil.

Die KI kennt den bisherigen Verlauf.

Sie kennt Entscheidungen.

Sie kennt den Projektkontext.

Doch irgendwann verändert sich etwas.

Der Chat wird immer länger.

Die Antworten werden langsamer.

Zusammenhänge scheinen verloren zu gehen.

Bereits geklärte Entscheidungen werden erneut diskutiert.

Bereits gelöste Probleme tauchen plötzlich wieder auf.

Ich erkläre dieselben Dinge erneut.

Und irgendwann entsteht fast zwangsläufig der Gedanke:

„Dann beginne ich eben einen neuen Chat.“

Doch genau dort beginnt das nächste Problem.

Der neue Chat kennt praktisch nichts.

Alle Projektentscheidungen müssen erneut erklärt werden.

Alle Zusammenhänge.

Alle Gestaltungsprinzipien.

Alle bisherigen Fehler.

Alle gefundenen Lösungen.

Mit anderen Worten:

Lange Chats werden irgendwann schwer benutzbar.

Neue Chats beginnen fast wieder bei null.

Beides kostet Zeit.

Beides kostet Konzentration.

Und beides taucht in keiner Produktivitätsstatistik auf.

Die Produktivität wird falsch gemessen

Genau hier liegt für mich der eigentliche Denkfehler der aktuellen KI-Debatte.

Gemessen wird fast immer nur die Zeit, die eine KI für die Erstellung eines Ergebnisses benötigt.

Gemessen wird aber kaum die Zeit, die anschließend der Mensch investieren muss.

Für Korrekturen.

Für Qualitätskontrollen.

Für Nacharbeiten.

Für neue Prompts.

Für Halluzinationen.

Für Kontextverluste.

Für das erneute Erklären derselben Aufgabe.

Dabei entscheidet genau diese Zeit darüber, ob ein Werkzeug produktiv ist oder nicht.

Ein Werkzeug spart nämlich nicht deshalb Zeit, weil es schnell ein erstes Ergebnis erzeugt.

Es spart Zeit, wenn das endgültige professionelle Ergebnis schneller erreicht wird.

Nach meiner Erfahrung wird dieser Unterschied in vielen Diskussionen über KI völlig unterschätzt.

Marketing und Wirklichkeit

Was mich inzwischen am meisten irritiert, ist deshalb nicht die Technik selbst.

Sondern die Erzählung über sie.

Wer Vorträge besucht oder Beiträge in sozialen Medien liest, bekommt häufig den Eindruck, die Produktivitätsrevolution habe längst begonnen.

Ich frage mich inzwischen ernsthaft, ob wir über dieselbe Technologie sprechen.

Während auf Konferenzen und in Hochglanzpräsentationen enorme Effizienzgewinne versprochen werden, verbringe ich Stunden damit, einer KI dieselbe Aufgabe immer wieder zu erklären.

Während von Automatisierung gesprochen wird, kontrolliere ich jede einzelne Ausgabe.

Während behauptet wird, KI übernehme Routinearbeiten, erledige ich genau diese Arbeiten anschließend selbst.

Natürlich kann jede neue Technologie Kinderkrankheiten haben.

Darum geht es mir gar nicht.

Mich stört vielmehr die enorme Diskrepanz zwischen den öffentlichen Versprechen und meinen praktischen Erfahrungen.

Warum diese Debatte wichtig ist

Vielleicht ist genau das die eigentliche Gefahr.

Nicht, dass KI Fehler macht.

Sondern dass wir beginnen, politische und wirtschaftliche Entscheidungen auf einem Bild von KI aufzubauen, das mit der Realität vieler professioneller Anwender nur begrenzt übereinstimmt.

Unternehmen werden unter Druck gesetzt.

Verwaltungen sollen möglichst schnell digitalisieren.

Beschäftigte sollen lernen, mit KI zu arbeiten.

Gleichzeitig wird erstaunlich selten gefragt, ob sich der versprochene Produktivitätsgewinn im jeweiligen Arbeitsbereich überhaupt nachweisen lässt.

Stattdessen scheint die Einführung von KI vielerorts bereits als Selbstzweck zu gelten.

Mein Fazit

Ich werde generative KI selbstverständlich weiterhin beobachten und dort einsetzen, wo sie sich im konkreten Einzelfall tatsächlich als hilfreich erweist.

Aber ich glaube den pauschalen Produktivitätsversprechen nicht mehr.

Zu oft habe ich erlebt, dass einfache Aufgaben zu stundenlangen Trial-and-Error-Prozessen wurden.

Zu oft entstanden neue Fehler, während alte beseitigt wurden.

Zu oft gingen Zusammenhänge verloren.

Zu oft musste ich Projekte praktisch neu beginnen, weil der Kontext nicht mehr vorhanden war.

Vor allem aber hat sich mein Verständnis von KI grundlegend verändert.

Ich sehe sie heute nicht mehr als Werkzeug, das mir Arbeit abnimmt.

Ich sehe sie häufig als System, das neue Arbeit erzeugt.

Nicht die KI arbeitet für mich.

Ich arbeite für die KI.

Ich liefere Daten.

Ich strukturiere Informationen.

Ich formuliere Prompts.

Ich erkläre Zusammenhänge.

Ich suche Fehler.

Ich kontrolliere Ergebnisse.

Ich korrigiere Halluzinationen.

Ich beginne nach Kontextverlusten wieder von vorne.

Ich werde vom Wissensarbeiter zum Datenarbeiter.

Und genau deshalb stelle ich mir inzwischen eine Frage, die in der öffentlichen Debatte erstaunlich selten gestellt wird:

Was wäre, wenn die eigentliche Innovation der generativen KI gar nicht darin besteht, menschliche Arbeit zu automatisieren – sondern darin, eine völlig neue Form menschlicher Arbeit zu schaffen?

Solange diese zusätzliche Arbeit unsichtbar bleibt, erscheinen viele Versprechen über Produktivität unvollständig.

Eine ehrliche Debatte über KI sollte deshalb nicht nur fragen, was eine KI kann.

Sie sollte vor allem fragen, wie viel zusätzliche menschliche Arbeit erforderlich ist, damit aus ihren Ergebnissen überhaupt professionelle Ergebnisse werden.

Erst wenn wir diese Arbeit vollständig mitrechnen, können wir seriös beurteilen, ob generative KI tatsächlich hält, was ihre Befürworter versprechen.

Quellen und weiterführende Hinweise

• The AI Con.
• Stanford Institute for Human-Centered Artificial Intelligence – Veröffentlichungen zu Leistungsfähigkeit, Grenzen und Auswirkungen generativer KI.
• NIST – Forschung zu vertrauenswürdigen KI-Systemen und Risikomanagement.
• Eigene, über viele Monate dokumentierte Erfahrungen beim Einsatz generativer KI in unterschiedlichen professionellen Arbeitsprozessen.

Der Beitrag Nicht die KI arbeitet für mich. Ich arbeite für die KI. erschien zuerst auf Kunst & KI.

Die Begeisterung für generative Künstliche Intelligenz folgt einem einfachen Narrativ: Milliarden rein, Produktivität raus. Eine technologische Revolution, die sich nur noch rechnen muss.

Das Problem: Genau das tut sie in den meisten Fällen nicht.

Unternehmen investieren derzeit in einem Tempo, das eher an einen Goldrausch erinnert als an rationale Kapitalallokation. Laut IDC sollten die globalen Ausgaben für KI bis 2025 auf 644 Milliarden US-Dollar steigen. Gleichzeitig zeigt sich hinter den Kulissen ein anderes Bild: Projekte ohne messbaren Effekt, Budgets ohne klare Zielgröße, Strategien ohne belastbare Ergebnisse.

Eine vielbeachtete Untersuchung des MIT aus dem Sommer 2025 bringt es auf einen unbequemen Punkt: 95 Prozent der generativen KI-Pilotprojekte leisten keinen nachweisbaren Beitrag zur Gewinn- und Verlustrechnung. Fünf Prozent erzeugen echten wirtschaftlichen Wert. Der Rest produziert vor allem eines: Kosten.

Das ist kein Ausrutscher. Es ist ein Muster.

Denn die aktuelle KI-Euphorie basiert auf einer Rechnung, die so in keiner Bilanz steht. Sie überschätzt systematisch den kurzfristigen Nutzen, unterschätzt langfristige Risiken – und blendet einen entscheidenden Faktor vollständig aus: Ein erheblicher Teil der tatsächlichen Wertschöpfung entsteht dort, wo Unternehmen weder investieren noch kontrollieren. Und ein erheblicher Teil der Kosten fällt dort an, wo sie niemand verbucht.

Mit anderen Worten: Der KI-Boom funktioniert – aber nicht so, wie er erzählt wird.

Er funktioniert, weil Produktivität im Schatten entsteht, während Investitionen sichtbar bleiben.
Er funktioniert, weil Risiken in die Zukunft verschoben werden.
Und er funktioniert, weil ein Teil der Rechnung von Menschen bezahlt wird, die in keiner Kalkulation auftauchen.

Investitionen explodieren, Ergebnisse bleiben aus

Der sogenannte Return on Investment (ROI) – also das Verhältnis von Gewinn zu eingesetztem Kapital – ist eigentlich die zentrale Kennzahl jeder Investition. Im Fall von KI wird er erstaunlich oft gar nicht sauber berechnet.

Der Kyndryl Readiness Report 2025 zeigt: Unternehmen haben ihre KI-Ausgaben innerhalb eines Jahres um 33 Prozent erhöht. Gleichzeitig berichten 46 Prozent, keinen positiven ROI zu sehen. 62 Prozent stecken weiterhin in der Experimentierphase fest.

Auch Prognosen fallen ernüchternd aus. Das Analysehaus Gartner erwartete, dass mindestens 30 Prozent aller GenAI-Projekte bis Ende 2025 nach der Pilotphase eingestellt werden.

Deutschland bildet keine Ausnahme. Eine Studie von Deloitte verortet deutsche Unternehmen mit einer durchschnittlichen Rendite von 27 Prozent innerhalb von ein bis zwei Jahren im Mittelfeld.

Björn Bringmann, Managing Director des Deloitte AI Institute, sagt:
„Das volle Potenzial künstlicher Intelligenz wird derzeit nicht ausgeschöpft – unter anderem, weil klare Verantwortlichkeiten, gezielte Investitionen und systematische Qualifizierung fehlen.“

Noch deutlicher wird die Lage beim Institut der deutschen Wirtschaft: 81 Prozent der Unternehmen messen ihren KI-ROI nicht systematisch. Mehr als die Hälfte weiß nicht einmal, welche Anwendungsfälle für sie relevant wären.

Wer nicht misst, kann nicht scheitern. Aber er kann auch nicht erfolgreich sein.

Er kann nur ausgeben.

Der Widerspruch der Studien

Auf den ersten Blick passt das alles nicht zusammen. Während das MIT von massiven Fehlinvestitionen spricht, zeichnet eine Studie von IBM ein deutlich optimistischeres Bild.

Demnach berichten 62 Prozent der deutschen und 66 Prozent der europäischen Unternehmen von Produktivitätsgewinnen durch KI. Knapp die Hälfte erwartet, ihre Investitionen innerhalb eines Jahres wieder einzuspielen.

Der Widerspruch ist nur scheinbar einer.

IBM und Deloitte befragen Führungskräfte nach ihren Einschätzungen. Das sind Stimmungsbilder – keine überprüften Geschäftszahlen. Das MIT misst dagegen auf Projektebene, ob tatsächlich ein messbarer Effekt in der Gewinn- und Verlustrechnung entsteht.

Mit anderen Worten: Hier prallen Erwartung und Realität aufeinander.

Ein Befund aus der MIT-Untersuchung erklärt, warum diese beiden Welten so weit auseinanderliegen: Während nur rund 40 Prozent der Unternehmen offizielle KI-Tools bereitstellen, nutzen etwa 90 Prozent der Mitarbeiter täglich private Anwendungen wie ChatGPT oder Claude.

Ein Studienteilnehmer formuliert es so:
„Unsere Mitarbeiter nutzen ChatGPT privat jeden Tag für die Arbeit. Offiziell existiert das nicht, aber in der Praxis ist es effektiver als unsere lizenzierten Tools.“

Die Schatten-Produktivität

Das ist mehr als eine Anekdote. Es ist ein strukturelles Problem.

Die Produktivitätsgewinne durch KI existieren. Aber sie entstehen oft außerhalb der offiziellen Systeme. Mitarbeiter automatisieren Aufgaben, formulieren Texte, analysieren Daten – mit privaten Accounts, ohne dass diese Effizienzgewinne irgendwo erfasst werden.

Die Organisation zahlt für eigene Lösungen. Der tatsächliche Nutzen entsteht daneben.

Das Ergebnis ist eine paradoxe Situation:
Die Kosten sind sichtbar. Der Nutzen nicht.

Oder zugespitzt:
Unternehmen finanzieren eine Produktivitätsrevolution, die sie weder messen noch kontrollieren.

Diese „Schatten-KI“ ist kein Randphänomen. Sie ist derzeit der Normalfall.

Der Mythos vom Eigenbau

Als Reaktion darauf versuchen viele Unternehmen, die Kontrolle zurückzugewinnen – indem sie eigene KI-Lösungen entwickeln.

Doch auch hier zeigt sich: Die Rechnung geht selten auf.

Die MIT-Studie kommt zu dem Ergebnis, dass eingekaufte Lösungen in rund zwei Dritteln der Fälle funktionieren, während Eigenentwicklungen deutlich häufiger scheitern.

Aditya Challapally, Hauptautor der Untersuchung, sagt:
„In fast allen Unternehmen wurde versucht, eigene Tools zu bauen. Aber die Daten zeigen, dass zugekaufte Lösungen zuverlässiger funktionieren.“

Die Schlussfolgerung scheint klar: kaufen statt bauen.

Doch auch das ist eine Verkürzung.

Denn wer kauft, kauft nicht nur Technologie – sondern auch Abhängigkeit. Datenflüsse, Preismodelle, Weiterentwicklung: All das liegt bei externen Anbietern.

Das bestätigt indirekt auch die IBM-Studie. Zwei Drittel der Unternehmen nennen Sicherheits- und Vertrauensprobleme als größte Herausforderung.

Rolf Löwisch, Head of AI bei IBM DACH, formuliert es so:
„Der wahre Wert von KI liegt in der strategischen Transformation von Unternehmen.“

Die entscheidende Frage bleibt: Wer steuert diese Transformation – das Unternehmen selbst oder der Anbieter?

Die unsichtbaren Kosten

Die vielleicht größte Leerstelle in der gesamten Debatte liegt jedoch außerhalb der Unternehmensbilanzen.

Jedes große KI-Modell – ob von OpenAI, Google oder Meta – basiert auf massiver menschlicher Arbeit.

Millionen sogenannter Datenarbeiter sortieren Inhalte, bewerten Antworten und filtern problematische Daten heraus. Sie sehen Gewalt, Missbrauch und Extremismus – damit Maschinen diese Inhalte später nicht reproduzieren.

Die Weltbank schätzt, dass weltweit zwischen 154 und 435 Millionen Menschen in Online-Gig-Arbeit tätig sind. Viele verdienen dabei zwischen 1,50 und 2 US-Dollar pro Stunde.

Die kenianische Aktivistin Nerima Wako-Ojiwa beschreibt diese Realität so:
„Ehrlich gesagt fühlt es sich an wie moderne Sklaverei. Es ist billige Arbeit.“

Und weiter:
„Viele Unternehmen tun hier Dinge, die sie in ihren eigenen Ländern niemals tun würden.“

Das Fairwork-Projekt der University of Oxford hat Plattformarbeit in diesem Bereich untersucht – mit ernüchterndem Ergebnis: Kaum eine Plattform erfüllt grundlegende Standards bei Bezahlung, Sicherheit und Mitbestimmung.

Eine Studie der Organisation Equidem dokumentiert zudem zahlreiche Fälle psychischer Belastung – verursacht durch die tägliche Konfrontation mit extremen Inhalten.

Adio Dinika vom Distributed AI Research Institute sagt:
„Wenn Probleme öffentlich werden, trifft es meist die Zwischenhändler – nicht die Unternehmen, die am meisten profitieren.“

Die Lieferkette bleibt bewusst intransparent.

Und genau deshalb tauchen diese Kosten in keiner ROI-Berechnung auf.

Eine verzerrte Gesamtrechnung

Die aktuelle Debatte über den wirtschaftlichen Nutzen von KI ist unvollständig.

Sie unterschätzt systematisch drei Dinge:

Erstens die Schatten-Produktivität, die außerhalb offizieller Systeme entsteht.
Zweitens die langfristigen Risiken – Abhängigkeiten, Sicherheitsfragen, regulatorische Unsicherheiten.
Drittens die ausgelagerten Kosten – in Form prekärer Arbeit und psychischer Belastung.

Das Ergebnis ist eine verzerrte Rechnung.

Was als Effizienzgewinn erscheint, ist in Teilen eine Verschiebung:
von Kontrolle nach außen,
von Kosten in andere Regionen,
von Verantwortung in intransparente Strukturen.

Fazit

Solange sich daran nichts ändert, ist die KI-Revolution kein Fortschritt.

Sondern ein Verschieben von Grenzen – ökonomisch, politisch und moralisch.

Und wie bei jeder Verschiebung bleibt am Ende nur eine Frage:

Wer gewinnt – und wer hat keine Stimme?

Die Antwort entscheidet, ob KI Wert schafft – oder nur Kosten besser versteckt.

Die Rechnung der KI-Euphorie geht auf.

Nur nicht für alle.

Quellen und Links

• MIT NANDA – The GenAI Divide: State of AI in Business 2025
• Kyndryl – Readiness Report 2025
• Deloitte – https://www2.deloitte.com/
• IBM – https://www.ibm.com/reports
• Institut der deutschen Wirtschaft – https://www.iwkoeln.de/
• Gartner – https://www.gartner.com/
• Weltbank – https://www.worldbank.org/
• Oxford Universität – https://fair.work/
• Equidem – https://equidem.org/
• CBS News / 60 Minutes – Bericht zu KI-Arbeitern in Kenia
• Rest of World – https://restofworld.org/
• Brookings Institution – https://www.brookings.edu/

Der Beitrag Die teure KI-Illusion erschien zuerst auf Kunst & KI.

Wichtiger Hinweis (Mai 2026):
Der im Podcast besprochene Chatbot wurde zum Zeitpunkt der Aufnahme unter dem Namen „telli“ geführt. Die Veröffentlichung dient ausschließlich der journalistischen bzw. dokumentarischen Berichterstattung über den damaligen Stand des Projekts. Es besteht keine aktuelle Verbindung zum Markeninhaber oder Anbieter.

Der KI-gestützte Chatbot telli wurde eigens für den Einsatz in deutschen Schulen entwickelt. Ziel ist es, Lehrkräfte bei der Unterrichts- und Materialvorbereitung zu unterstützen und Schülerinnen und Schülern eine geschützte Umgebung zur Auseinandersetzung mit Künstlicher Intelligenz (KI) zu bieten.
Der Beitrag erläutert, wie telli funktioniert, welche Chancen sich für den Bildungsbereich ergeben und welche Herausforderungen insbesondere im Umgang mit Kindern und Jugendlichen zu beachten sind.

Funktionsweise und Konzept von telli

telli ist ein schulischer KI-Chatbot, entwickelt vom FWU – Institut für Film und Bild in Wissenschaft und Unterricht gGmbH, dem Medieninstitut der Länder. Das Projekt entsteht in Kooperation mit den Kultusministerien verschiedener Bundesländer und ist Teil des Vorhabens AIS (Adaptives Intelligentes System), das KI-gestützte Lernumgebungen für Schulen schaffen soll.

Lehrkräfte können mit telli:

• eigene Unterrichtsmaterialien hochladen, damit die KI auf einer konkreten Wissensbasis arbeitet,
• fiktive Gesprächspartner definieren, etwa historische Persönlichkeiten oder fachspezifische Rollen,
• Prompts (Anweisungen) formulieren, die beschreiben, in welcher Rolle oder Haltung die KI reagieren soll.

„Ich kann da eigene fiktive Gesprächspartner anlegen“, erklärt Evelyn Glose, Projektleiterin für telli beim FWU. „Die Lehrer können Anweisungen an die KI anlegen, die die Person beschreiben, deren Rolle der Chatbot spielen soll.“ So kann etwa eine Geschichtslehrerin den Chatbot als „Seneca“ auftreten lassen, um ethische Fragen der Antike mit der Klasse zu diskutieren – oder eine Sprachlehrkraft lässt ihn als „Zeitzeugin der Industrialisierung“ antworten.

Der Dienst wird datenschutzkonform innerhalb der EU betrieben. Die Nutzung ist für öffentliche Schulen kostenlos. Nach Pilotphasen in Bremen und Brandenburg wurde telli inzwischen auch in Hessen und Baden-Württemberg flächendeckend eingeführt. Weitere Länder, darunter Hamburg und Schleswig-Holstein, planen derzeit die Implementierung.

Potenziale für den Unterricht

Förderung von Medien- und KI-Kompetenz

Mit telli können Schülerinnen und Schüler lernen, wie Sprachmodelle funktionieren, welche Chancen und Grenzen sie haben und wie man Informationen kritisch überprüft. Der Einsatz unterstützt zentrale Bildungsziele wie Medien-, Informations- und Urteilskompetenz.

Entlastung und Individualisierung für Lehrkräfte

Der Chatbot kann Arbeitsprozesse beschleunigen – etwa beim Erstellen von Arbeitsblättern, Quizfragen oder Texten in verschiedenen Schwierigkeitsstufen. Durch den Upload eigener Materialien lässt sich der Unterricht gezielt an Lernniveaus und Fachthemen anpassen.

Neue Formen des Lernens im Dialog

Dank frei definierbarer Rollen lässt sich Unterricht interaktiver gestalten. Statt passiv Texte zu lesen, führen Lernende Gespräche mit fiktiven Figuren oder historischen Persönlichkeiten – ein Ansatz, der besonders in Geschichte, Ethik, Sprachen und Sozialkunde motivierende Lernformen eröffnet.

Datenschutz und schulischer Rahmen

Im Gegensatz zu frei zugänglichen KI-Plattformen ist telli auf schulische Bedürfnisse zugeschnitten und erfüllt die Datenschutzvorgaben der Länder. Das reduziert rechtliche Unsicherheiten und schafft eine vertrauenswürdige Umgebung für Lehrkräfte und Schüler:innen.

Kritische Aspekte und Herausforderungen

Halluzinationen und Scheingenauigkeit

Wie alle Sprachmodelle kann auch telli falsche oder erfundene Informationen produzieren – so genannte „Halluzinationen“. Diese wirken oft glaubwürdig – besonders für Kinder problematisch, die sie leicht als Fakten übernehmen. Lehrkräfte müssen daher gezielt üben lassen, Aussagen zu prüfen und zu hinterfragen.

Autoritätsglaube und mangelnde Quellenkritik

Da KI-Antworten sprachlich sicher und strukturiert erscheinen, nehmen Lernende sie häufig als objektiv wahr. Pädagogisch wichtig ist es, zu vermitteln: telli rechnet – es weiß nichts. Lehrkräfte sollten deutlich machen, dass KI kein Wissenswesen, sondern ein sprachbasiertes Vorhersagesystem ist.

Verzerrungen (Bias)

Auch ein schulischer Chatbot kann gesellschaftliche Stereotype wiedergeben, da Trainingsdaten Vorurteile enthalten können. Lehrkräfte sollten diese Verzerrungen aktiv thematisieren, etwa mit Fragen wie: Welche Perspektiven fehlen? Wessen Sichtweise wird betont?

Datenschutz und kindgerechte Nutzung

Obwohl telli datenschutzkonform betrieben wird, ist Vorsicht geboten: Lernende könnten unbeabsichtigt persönliche Informationen eingeben. Es braucht klare Unterrichtsregeln, welche Inhalte in Chats erlaubt sind – etwa keine Namen, privaten Themen oder sensiblen Angaben.

Übernutzung und Verlust eigener Denkprozesse

Wenn KI zu häufig eingesetzt wird, besteht das Risiko, dass Lernende sich auf vorgegebene Antworten verlassen und weniger selbständig denken, recherchieren oder schreiben. telli sollte daher gezielt, zeitlich begrenzt und immer mit Reflexionsphasen eingesetzt werden.

Allgemeine ökologische und soziale Kritikpunkte an KI

Auch wenn telli auf einer kleineren, energieeffizienteren Variante großer Sprachmodelle basiert, bleiben die systemischen Kritikpunkte relevant:

• Hoher Strom- und Wasserverbrauch in Rechenzentren, insbesondere beim Training großer Modelle,
• CO₂-Emissionen und Umweltbelastungen durch Hardwareproduktion,
• unsichtbare „Datenarbeit“, also schlecht bezahlte menschliche Arbeitskräfte, die Trainingsdaten klassifizieren und Inhalte moderieren – oft unter prekären Bedingungen.

Diese Aspekte gelten auch für schulische KI-Anwendungen und sollten im Unterricht thematisiert werden, z. B. im Rahmen von Projekten zu digitaler Nachhaltigkeit oder globaler Gerechtigkeit.

Leitgedanken für Lehrkräfte

• KI erklären: telli ist ein Sprachmodell, kein denkendes Wesen.
• Quellen prüfen: Jede Antwort braucht Verifikation oder Vergleich mit seriösen Quellen.
• Bias thematisieren: Fragen nach Fairness, Perspektive und Vielfalt stellen.
• Datenschutz beachten: Keine persönlichen Daten oder sensiblen Informationen eingeben.
• Reflexion fördern: KI-Ergebnisse als Ausgangspunkt für Diskussion, nicht als Endpunkt nutzen.
• Einsatz begrenzen: KI gezielt in Projekten oder Lernphasen einsetzen, nicht als Dauerbegleiter.
• Lehrkräfte qualifizieren: Fortbildungen zur KI-Didaktik und Medienethik sind zentral.

Fazit

Der KI-Chatbot telli eröffnet neue Möglichkeiten für Unterricht und Medienbildung in Deutschland. Lehrkräfte können ihn nutzen, um Lernprozesse zu individualisieren und kritisches Denken über KI zu fördern. Gleichzeitig bleibt die pädagogische Verantwortung groß: KI darf nicht als Wissensquelle oder Ersatz für Urteilsbildung verstanden werden, sondern als Werkzeug, das Denken und Quellenkritik anregt. So kann telli – richtig eingesetzt – zu einem Baustein reflektierter digitaler Bildung werden. Voraussetzung ist, dass Lehrkräfte Chancen und Grenzen gleichermaßen vermitteln und Kinder befähigen, sich kritisch, kreativ und sicher in einer KI-geprägten Welt zu bewegen.

Quellen

• FWU Institut für Film und Bild in Wissenschaft und Unterricht: „KI-Chatbot telli: Neue Funktionen für Lehrkräfte“, 11. Juni 2025. fwu.de
• FWU Pressemitteilung: „Schulen in Hessen und Baden-Württemberg setzen ab sofort KI-Chatbot telli ein“, 13. Oktober 2025. fwu.de
• Hessenschau: „Hessens Lehrer können Chatbot telli im Unterricht nutzen“, 17. Oktober 2025, Zitat von Evelyn Glose. hessenschau.de
• Kultusministerium Baden-Württemberg: „KI-Chatbot für Schulen geht an den Start“, Pressemitteilung vom 13. Oktober 2025. km.baden-wuerttemberg.de
• Heise online: „Chatbot für Schulen: Bremen macht den Anfang“, 26. Juni 2025. heise.de
• Deutsches Schulportal: „Fobizz, SchulKI und Co.: Welche KI-Tools können Schulen nutzen?“ deutsches-schulportal.de

Der Beitrag Der KI-Chatbot telli im Schulalltag (Stand 2025) erschien zuerst auf Kunst & KI.

Millionen unsichtbarer Hände: Datenarbeit für die KI

Die schönen neuen KI-Welten, in denen Texte, Bilder und Videos auf Knopfdruck entstehen, haben eine unsichtbare Grundlage: Millionen von Menschen, die weltweit als Datenarbeiter beschäftigt sind. Laut Schätzungen der Weltbank gibt es zwischen 150 und 430 Millionen Menschen, die zumindest gelegentlich sogenannte „Mikroarbeit“ erledigen – also kurze digitale Aufgaben. Viele davon arbeiten direkt oder indirekt am Training von KI-Systemen.

Eine realistische Zahl für jene, die regelmäßig an KI-Annotationen beteiligt sind, liegt wahrscheinlich im zweistelligen Millionenbereich – etwa 10 bis 20 Millionen Menschen weltweit. Sie sitzen in Indien, auf den Philippinen, in Venezuela oder in Kenia. Plattformen wie Appen, Clickworker, Scale AI oder Amazon Mechanical Turk vermitteln diese Jobs.

Ein bekannt gewordenes Beispiel ist Sama in Nairobi, Kenia: Hunderte Menschen klassifizierten für weniger als 2 Dollar pro Stunde Texte mit extrem verstörenden Inhalten, um ChatGPT „toxische“ Sprache abzutrainieren. Arbeiter bekamen extrem belastende Texte zu sehen: Gewaltfantasien, Kinderpornografie-Beschreibungen und Folterszenarien. Ihre Aufgabe war es, Inhalte in Kategorien einzuordnen wie „Sexueller Missbrauch“, „Hassrede“ oder „Selbstverletzung“. Für viele war es ein Job ohne Sicherheit, ohne psychologische Betreuung, mit extrem belastenden Auswirkungen. Manche sprachen von „Traumatisierung am Fließband“. Das klingt pervers: Um die Künstliche „Intelligenz“ überhaupt nutzbar zu machen, werden massenhaft unterbezahlte Arbeiter:innen traumatisiert?

Wie KI wirklich trainiert wird

Die Entwicklung von KI ist nicht magisch, sondern ein aufwändiger und arbeitsintensiver Prozess:

1. Datensammlung: Milliarden Texte, Bilder und Videos werden aus dem Internet gesaugt oder gezielt eingekauft.
2. Annotation durch Menschen: Crowdworker markieren, ob Inhalte beleidigend, informativ, korrekt oder irrelevant sind.
3. Vortrainierung: Das Modell lernt statistische Muster auf gewaltigen Datenmengen.
4. Feintuning: Mit Methoden wie „Reinforcement Learning from Human Feedback“ (RLHF) bewerten Menschen Antworten des Modells und geben Korrekturen vor.
5. Evaluation: Auch hier sind wieder Menschen im Einsatz, die prüfen, wie „gut“ das System arbeitet.

Ohne diese menschliche Vorarbeit wären heutige Sprach- oder Bildmodelle schlicht nicht funktionsfähig. Diese Tatsache verdeutlicht, die dem Begriff künstliche „Intelligenz“ innewohnende Täuschung.

Der ökologische Preis: Energie und Wasser

Neben der menschlichen Arbeitskraft ist es vor allem die Energiefrage, die nachdenklich stimmt.

• Das Training von GPT-3 soll etwa 1,3 Gigawattstunden Strom benötigt haben – genug, um über 100 US-Haushalte ein Jahr lang zu versorgen.
• GPT-4 dürfte noch weitaus mehr verbraucht haben, Schätzungen sprechen von mehreren Gigawattstunden.
• Datenzentren verschlingen zusätzlich enorme Mengen an Wasser: Microsoft gab 2023 bekannt, dass der Wasserverbrauch seiner Rechenzentren um 34 % gestiegen ist – unter anderem durch KI-Anwendungen.

Der CO₂-Ausstoß eines einzigen großen Modells kann leicht mehrere hundert Tonnen erreichen, vergleichbar mit hunderten Transatlantikflügen.

Der Slop-Kreislauf: Wie Content verdirbt

Wenn die Modelle einmal im Einsatz sind, beginnt der nächste problematische Prozess: der Slop-Kreislauf.

1. KI-Tools erzeugen massenhaft Content: Blogartikel, SEO-Texte, Produktbeschreibungen, Fake-Rezensionen.
2. Zunehmend kommen auch Deepfakes hinzu – manipulierte Bilder, Stimmen und Videos, die täuschend echt wirken.
3. Plattform-Algorithmen wie die von Google, TikTok oder Meta belohnen Masse und Reichweite, nicht Qualität. Sie verstärken also genau jenen billigen KI-Content, der Klicks bringt.
4. Hochwertige Inhalte von echten Autor:innen, Journalist:innen oder Künstler:innen geraten ins Hintertreffen, weil sie in der Flut untergehen oder vom Algorithmus schlechter ausgespielt werden.
5. Neue KI-Systeme greifen dann wieder auf diese Daten zurück – und trainieren zunehmend auf KI-generiertem Müll.

So entsteht ein Degenerationskreislauf: KI produziert Slop, dieser Slop wird von Plattformen verstärkt, verdrängt gute Inhalte und füttert am Ende wieder die nächste KI-Generation.

Die Folge:

• Autor:innen und Künstler:innen verlieren Reichweite und Einkommen, weil ihre Werke im Datenrauschen untergehen oder von KI-Plagiaten kopiert werden.
• Kulturelle Vielfalt und kritische Stimmen werden geschwächt.
• Das Internet verkommt von einem Raum menschlicher Kreativität zu einer Müllhalde automatisierter Beliebigkeit.

Finanzblase und Superintelligenz-Hype

Parallel dazu erleben wir eine Spekulationswelle an den Finanzmärkten. Nvidia ist 2025 das wertvollste börsennotierte Unternehmen der Welt, während Start-ups mit Milliarden bewertet werden, ohne tragfähiges Geschäftsmodell. Viele Ökonom:innen warnen vor einer KI-Blase, vergleichbar mit der Dotcom-Euphorie um 2000.

Dazu kommt die Erzählung von der baldigen AGI (Artificial General Intelligence) oder gar ASI (Artificial Superintelligence). Schon in den 1950er Jahren sagte der Informatiker I.J. Good voraus, dass bald eine „intelligence explosion“ eintreten werde, bei der Maschinen alle Probleme lösen. Seitdem wiederholt sich die Geschichte: In den 1970ern, 1980ern, 2000ern und heute – stets hieß es, die Superintelligenz stehe vor der Tür.

Doch bis heute sind wir weit davon entfernt. Kritische Stimmen machen das deutlich:

• Rodney Brooks (MIT): „Wir verwechseln Demos mit Intelligenz.“ KI sei weit von menschlicher Flexibilität entfernt.
• Gary Marcus (NYU): „Deep Learning allein reicht nicht. Ohne Kausalität und Commonsense bleibt AGI Illusion.“
• Emily Bender (University of Washington): Sprachmodelle sind „stochastische Papageien“ – sie verstehen nicht, was sie sagen.
• Abeba Birhane (ETH Zürich): AGI-Hype ist ein „koloniales Narrativ“, das Ausbeutung im Globalen Süden verschleiert.
• Yann LeCun (Meta AI): „Niemand weiß, wie man AGI baut. Wir sind nicht nah dran.“

Die Erzählung von der Superintelligenz dient oft weniger der Wissenschaft als dem Marketing und der Kapitalbeschaffung.

Fortschritt – oder Scheinfortschritt?

Die Frage ist daher: Können wir das wirklich Fortschritt nennen?

• Millionen Datenarbeiter schuften für Centbeträge und sehen traumatisierenden Content.
• Das Klima wird durch den Energiehunger der Modelle belastet.
• Das Internet droht im Slop zu ersticken.
• Finanzblasen und Mythen von Superintelligenz verschieben Aufmerksamkeit und Kapital.

Wenn Fortschritt bedeutet, die Lebensqualität zu erhöhen, Ungleichheit zu verringern und die Umwelt zu schützen, dann ist das, was wir derzeit erleben, eher Scheinfortschritt.

Was wir tun könnten

Gibt es Wege, gegenzusteuern? Gibt es politische, wirtschaftliche und gesellschaftliche Hebel? Darüber sollten wir dringend nachdenken. Eine kurze Liste zentraler Ansätze:

• Transparenz: KI-Firmen müssen offenlegen, welche Daten sie nutzen und wie viel Energie sie verbrauchen.
• Faire Arbeit: Mindeststandards, gerechte Bezahlung, psychologische Betreuung für Crowdworker.
• Urheberrechte: Künstler:innen müssen ein Opt-out haben und für die Nutzung ihrer Werke entschädigt werden.
• Ökologische Regeln: Rechenzentren verpflichten, auf erneuerbare Energien und effiziente Kühlung zu setzen.
• Kennzeichnungspflicht: KI-generierte Inhalte müssen klar erkennbar sein.
• Gemeinwohl-KI: Öffentliche Investitionen in KI für Medizin, Bildung und Klimaforschung – statt reiner Profitorientierung.
• Wettbewerbspolitik: Maßnahmen gegen Monopole, Förderung offener Modelle.

Fazit

Technisch und oberflächlich wirkt KI beeindruckend. Aber Fortschritt misst sich nicht an Rechenleistung, sondern daran, ob sie das Leben der Menschen verbessert. Bisher sehen wir vor allem Kosten: menschliche, ökologische und kulturelle.

Echter Fortschritt entstünde erst, wenn KI fair, nachhaltig und gemeinwohlorientiert entwickelt wird. Nicht als Werkzeug für die Machtkonzentration weniger Konzerne, sondern als Technologie, die die Lebensqualität aller steigert.

Quellen- und Literaturliste

Dokumentarfilme / Medien

• Arte-Doku: KI: Der Tod des Internets (Regie: Mario Sixtus, 2024).
• Arte-Doku: KI – Die letzte Erfindung? (Arte, 2024).

Journalistische Quellen

• Perrigo, Billy: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic. TIME Magazine, 18.01.2023.
  👉 time.com

• Perrigo, Billy: AI Gig Workers Face ‘Unfair Working Conditions,’ Study Says. TIME Magazine, 2023.
• The Guardian: ‘It’s destroyed me completely’: The human cost of training AI. 02.08.2023.
• VICE: OpenAI Used Kenyan Workers Making $2 an Hour to Filter Traumatic Content From ChatGPT. 2023.
• CBS News / 60 Minutes: The hidden costs of AI: Underpaid Kenyan workers and the toll of content moderation. 2023.
• Economist: The Hidden Workforce Behind AI. 10.04.2025.
• WeeTracker: OpenAI Paid Sama $12 an Hour Per Worker—Kenyans Only Got $2. 25.11.2024.

Wissenschaftliche Arbeiten

• Bender, Emily M.; Gebru, Timnit; McMillan-Major, Angelina; Mitchell, Margaret:
  On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21). Association for Computing Machinery, 2021. DOI: 10.1145/3442188.3445922
• Marcus, Gary: Deep Learning Is Hitting a Wall. Substack / garymarcus.substack.com, 2022.
• Crawford, Kate: Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press, 2021.
• Birhane, Abeba: Algorithmic Colonization of Africa. SCRIPTed, Vol. 17, No. 2, 2020. DOI: 10.2966/scrip.170220.389
• Brooks, Rodney: The Seven Deadly Sins of AI Predictions. MIT Technology Review, 2017.
• Chomsky, Noam; Roberts, Ian; Watumull, Jeffrey: The False Promise of ChatGPT. The New York Times, 08.03.2023.

Studien und Reports

• Weltbank: The Global Gig Economy. Washington, 2021.
• Fairwork Project: Fairwork Cloudwork Report. Oxford Internet Institute, 2023.
• International Labour Organization (ILO): World Employment and Social Outlook 2021 – The role of digital labour platforms in transforming the world of work. Genf, 2021.

Online-Dossiers

• Privacy International: Humans in the AI Loop – The Data Labelers Behind Some of the Most Powerful LLMs. 2023.
• AlgorithmWatch: AI and the Hidden Human Labour Behind It. 2022.

Der Beitrag Slop, Superintelligenz und Scheinfortschritt erschien zuerst auf Kunst & KI.