de.wedoany.com-Bericht: Microsoft-CEO Satya Nadella macht deutlich, dass viele Unternehmen bei ihrer Künstliche-Intelligenz-Strategie einen entscheidenden Punkt übersehen: Der wahre Wettbewerb besteht nicht darin, welches Modell gewählt wird, sondern ob die Organisation in der Lage ist, aus den selbst entwickelten Systemen zu lernen.
Das Kernkonzept, das Nadella betont, ist der „Lernkreislauf“. Dieser Mechanismus beschreibt ein System, das sich bei jeder Nutzung selbst optimiert – nicht durch Software-Updates, sondern durch das Erfassen, Analysieren und Verbessern von Ereignissen, die während des Betriebs auftreten, um die Leistung kontinuierlich zu steigern. Im Gegensatz dazu funktionieren die meisten aktuellen KI-Anwendungen in Unternehmen nicht so. Wenn ein Unternehmen beispielsweise ChatGPT oder ein ähnliches Modell in seinen Workflow integriert, kann es Fragen beantworten, aber wenn ein Benutzer dieselbe Frage auf eine leicht abweichende Weise erneut stellt, hat das System kein Gedächtnis für die spezifischen Geschäftsszenarien des Unternehmens. Das bedeutet, dass das Unternehmen lediglich ein intelligenteres Universalwerkzeug besitzt, aber kein lernfähiges Kreislaufsystem.
In den letzten zwei Jahren wurde in der Branche allgemein die Lösung „Mensch im Kreislauf“ betont, bei der die KI-Ausgabe durch manuelle Überprüfung genehmigt wird. Nadella ist der Ansicht, dass dies lediglich ein Kontrollpunkt ist, kein echter Lernprozess. Das Unternehmen verbessert dadurch das System nicht, sondern erhöht lediglich die Personalkosten für die Qualitätssicherung. Er schlägt vor, dass ein echter Lernkreislauf erst dann entsteht, wenn die Organisation nicht nur die KI-Ausgabe überprüft, sondern jede Interaktion, jede Korrektur und jedes Ergebnis erfasst und diese Rückmeldungen für die iterative Verbesserung des Systems nutzt, sodass es in bestimmten Geschäftsbereichen intelligenter wird.
Nadella veranschaulicht dies anhand eines Verkaufsszenarios. Ein System, das von einem KI-Agenten Verkaufsvorschläge erstellt, würde ohne Lernkreislauf bei 100 erstellten Vorschlägen wahrscheinlich 80 benötigen, die vom Vertriebsmitarbeiter basierend auf den Preisstrukturen des Unternehmens oder den Kundenproblemen bearbeitet werden müssen – und das Problem bestünde im nächsten Monat fort. In einem System mit Lernkreislauf würde das System jede Bearbeitung erfassen. Nach 500 Vorschlägen hätte das System die tatsächliche Verkaufslogik des Unternehmens verinnerlicht, nicht nur allgemeine Abläufe. Beim 1000. Vorschlag wären kaum noch Bearbeitungen nötig. Das Unternehmen hätte sich so ein exklusives geistiges Eigentum aufgebaut, das nicht einfach durch Herunterladen erworben werden kann.
In einem entsprechenden Memo betont Nadella, dass man nicht im Wettbewerb um die Wahl des Modells stehen sollte, da alle Unternehmen Zugang zu Modellen wie Claude, GPT und Gemini haben. Der Vorteil sollte aus den Systemen resultieren, die um die Modelle herum aufgebaut werden, nicht aus der Rechenleistung der Modelle selbst. Microsofts Interesse liegt darin, dass Unternehmen diese Kreisläufe auf seiner Azure-Plattform aufbauen, einschließlich Feintuning, Speicherung proprietärer Daten und Investitionen, die einen Wechsel erschweren. Dieses Rahmenwerk verlagert den Wettbewerbsfokus von „Wer hat das beste Modell?“ zu „Wer hat das intelligenteste System gebaut?“.
Innerhalb der Branche gibt es unterschiedliche Meinungen zur Theorie des Lernkreislaufs. OpenAI unterstützt derzeit eine breite Palette von Feintuning-Methoden, aber die größere Strategie besteht darin, die Basismodelle kontinuierlich zu verbessern, sodass sie leistungsfähig genug sind, ohne komplexe Kreisläufe auszukommen. Anthropic tendiert dazu, Projekte, Retrieval-Workflows und konstitutionelle KI zur Steuerung einzusetzen; das Feintuning beschränkt sich hauptsächlich auf ältere Claude-Modelle, wobei Kontrolle, Sicherheit und Governance im Vordergrund stehen. Der Open-Source-Ansatz bietet durch LoRA und parametereffizientes Feintuning auf Modellen wie Llama Unabhängigkeit, verlagert aber den Betriebsaufwand auf die Nutzer. Pragmatiker argumentieren auch, dass der Aufruf einer API und automatische Upgrades die einfachere Wahl sein könnten.
Der Aufbau eines Lernkreislaufs erfordert die gleichzeitige Bewältigung von Herausforderungen auf drei Ebenen: Auf der Infrastruktur-Ebene müssen Pipelines aufgebaut werden, die Trainingsdaten aus der Echtzeitnutzung erfassen, Feintuning durchführen, bereitstellen und Ergebnisse überwachen. Auf der Daten-Governance-Ebene müssen proprietäre Dialoge und Workflows in saubere, konforme und maschinenlesbare Trainingsdaten umgewandelt werden. Auf der Disziplin-Ebene ist eine kontinuierliche Bewertung erforderlich, um sicherzustellen, dass das Modell tatsächlich bessere Ergebnisse liefert. Der Unternehmensberater Kumar Gauraw hat dieses Muster mehrfach dokumentiert: Teams führen hastig Feintuning durch, mieten teure GPUs und stellen dann fest, dass ein besser formulierter Prompt das Problem in kürzerer Zeit löst. Auch die Regulierung erhöht die Komplexität. Dario Amodei von Anthropic hat kürzlich vorgeschlagen, für Spitzenmodelle eine unabhängige Prüfung ähnlich der Luftfahrtregulierung einzuführen, die vor der Bereitstellung durchgeführt wird. Dies ist für große Unternehmen mit Compliance-Teams noch handhabbar, aber für Unternehmen im mittleren Marktsegment, die kontinuierlich Feintuning an proprietären Daten durchführen, deutlich schwieriger.
Trotz dieser Herausforderungen bleibt Nadellas Kernargument beachtenswert: Unternehmen, die frühzeitig proprietäre Lernkreisläufe aufbauen, können sich schwer reproduzierbare Vorteile verschaffen. Dieser Vorteil ergibt sich nicht aus der Technologie selbst, sondern daraus, dass der Kreislauf institutionelles Wissen in ein System kodiert, das sich mit jeder Nutzung verbessert. Dies stellt den Aufbau eines Vermögenswerts dar, nicht nur den Kauf des Zugangs zu intelligenteren Modellen. Die eigentliche Frage ist, ob Unternehmen in der Lage sind, die für den Aufbau eines Kreislaufs erforderliche Infrastruktur, Governance und Disziplin zu stemmen, oder ob sie darauf warten sollten, dass die Modelle selbst leistungsfähig genug werden, ohne komplexe Kreisläufe auszukommen. Dies ist eine strategische Entscheidung zur Positionierung des Unternehmens.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
