Die Streuung ist das wichtigste Ergebnis
Vorhersagen für hochfähige oder menschenähnliche KI reichen von wenigen Jahren bis zu vielen Jahrzehnten, wobei manche Forscher bezweifeln, dass gegenwärtige Methoden sie überhaupt hervorbringen können. Diese Meinungsverschiedenheit ist kein kleiner Fehlerbalken um ein geteiltes wissenschaftliches Modell. Prognostiker sind sich uneinig darüber, was als AGI zählt, welche technischen Schritte verbleiben, wie schnell Inputs wie Rechenleistung und Daten wachsen können, und ob der Fortschritt gleichmäßig weitergehen wird. Jeder Zeitplan sollte daher als datierte Prognose unter einer angegebenen Definition präsentiert werden — nicht als „AGI-Countdown“.
Demis Hassabis liefert ein nützliches Beispiel dafür, warum genaue Zuschreibung wichtig ist. In einem CNBC-Interview vom März 2025 sagte der Geschäftsführer von Google DeepMind, menschenähnliche KI könnte in fünf bis zehn Jahren eintreffen. Er sagte nicht, dass bedeutsame Evidenz für AGI „innerhalb des Jahres“ eintreffen würde (CNBC-Interview). Selbst die korrekt zitierte Prognose lässt Fragen offen: menschenähnlich bei welchen Aufgaben, mit welcher Zuverlässigkeit, und mit wie viel Autonomie? Das Zitat hält das Urteil eines Experten fest, keine gemessene Wahrscheinlichkeit.
Vier Arten von Prognosen, die nicht vermischt werden sollten
Aussagen von Laborleitern sind sichtbar und durch direkten Kontakt mit Frontier-Systemen informiert, aber sie sind keine neutralen Messungen. Führungskräfte besitzen wertvolle private Informationen über Experimente, leiten aber auch Organisationen, die um Kapital, Talent, Kunden und politische Aufmerksamkeit konkurrieren. Ihre Aussagen verwenden möglicherweise unternehmensspezifische Definitionen und legen selten ein vollständiges Prognosemodell offen.
Forscherumfragen aggregieren viele Ansichten und offenbaren die Verteilung der Expertenmeinung. Die 2023 Expert Survey on Progress in AI, veröffentlicht 2024, befragte 2.778 Forscher und berichtete eine breite Bandbreite an Schätzungen dafür, wann Maschinen Menschen bei jeder möglichen Aufgabe übertreffen würden; die Autoren betonten auch erhebliche Meinungsverschiedenheiten und Empfindlichkeit gegenüber der Fragenformulierung (Grace et al., 2024). Umfragen beschreiben Überzeugungen zu einem Zeitpunkt. Sie validieren diese Überzeugungen nicht und garantieren nicht, dass die Befragten eine Definition teilen.
Prognoseplattformen wie Metaculus aggregieren Prognosen fortlaufend. Ihre Mediane können sich schneller aktualisieren als Umfragen, aber das Ergebnis hängt von den genauen Auflösungskriterien und dem Teilnehmerpool ab. „Schwach allgemeine KI“, „transformative KI“ und „AGI“ sind unterschiedliche Fragen. Ein Markt- oder Community-Median sollte mit seinem Abrufdatum, der Fragenformulierung, dem Bereich und den Auflösungsbedingungen angezeigt werden, statt in eine websiteweite Frist verwandelt zu werden.
Modellbasierte Projektionen extrapolieren Trends bei Rechenleistung, Benchmark-Leistung, algorithmischer Effizienz oder der Länge der Aufgaben, die Agenten abschließen können. Diese machen Annahmen sichtbar, was wertvoll ist, aber Extrapolation kann scheitern, wenn ein Benchmark sättigt, eine Ressourcenbeschränkung bindend wird, oder ein neues Paradigma den Trend verändert. Eine Kurve ist Evidenz über vergangene Messungen; ihre Verlängerung ist eine bedingte Prognose.
Was aktuelle Fähigkeitstrends tatsächlich zeigen
Es gibt reale Evidenz für rasche Verbesserung. Der Stanford AI Index dokumentiert fallende Inferenzkosten und steigende Werte bei anspruchsvollen Benchmarks, während er auch zeigt, dass schwierige Bewertungen ungelöst bleiben und dass standardisierte Bewertung verantwortungsvoller KI uneinheitlich ist (Stanford AI Index 2025). METR berichtet, dass sich die menschliche Expertendauer softwareorientierter Aufgaben, die Frontier-Agenten bei einer gegebenen Erfolgswahrscheinlichkeit abschließen, rasch erhöht hat (METR-Zeithorizonte). Dies sind Beobachtungen über ausgewählte Systeme und Tests, keine direkten Beobachtungen eines herannahenden AGI-Datums.
METRs Kennzahl wird besonders leicht falsch dargestellt. Ein 50-Prozent-Zeithorizont von mehreren Stunden bedeutet, dass das angepasste Modell auf METRs Testreihe eine 50-prozentige Chance vorhersagt, Aufgaben abzuschließen, die einen menschlichen Experten so lange dauern. Es bedeutet nicht, dass die KI so viele Stunden lang autonom arbeitet. Die Aufgaben sind vorwiegend Softwareentwicklung, maschinelles Lernen und Cybersicherheit; sie sind ungewöhnlich in sich geschlossen und objektiv bewertbar; Schätzungen über sechzehn Stunden werden derzeit als unzuverlässig beschrieben; und reale Jobs sind viel unübersichtlicher. METR-Forscher haben gewarnt, dass Fehlerbalken etwa einen Faktor zwei umspannen können und dass Domänenunterschiede Größenordnungen umspannen können (METR-Einschränkungshinweis).
Diese Ergebnisse stützen eine engere Schlussfolgerung: Manche Formen digitaler Aufgabenerledigung verbessern sich rasch. Sie begründen für sich genommen nicht, wann ein System ein verlässlicher Wissenschaftler, Manager, Pflegender, politischer Entscheidungsträger oder allgemeiner Ersatz für menschliche Arbeit wird.
Warum vernünftige Prognosen divergieren
Prognostiker, die ein frühes Eintreten erwarten, betonen oft das Anhalten der Skalierung, bessere Rechenleistung zur Denkzeit, synthetische Daten, Werkzeugnutzung und KI-gestützte Forschung. Wenn sich diese Trends gegenseitig verstärken, könnte sich der Fortschritt beschleunigen. Sie könnten auch argumentieren, dass wirtschaftlich transformative Systeme nicht jedes Merkmal menschlicher Intelligenz reproduzieren müssen; breite digitale Kompetenz könnte ausreichen.
Prognostiker mit längeren Zeitplänen betonen Zuverlässigkeit, Verankerung, fortlaufendes Lernen, kausales Verständnis, Robotik und die Lücke zwischen Benchmarks und offener Arbeit. Sie verweisen auch auf praktische Beschränkungen: Energie, Chips, Rechenzentrumsbau, hochwertige Daten, Bewertung und die Fähigkeit von Organisationen, Systeme sicher einzusetzen. Manche erwarten architektonische Fortschritte jenseits der aktuellen Methoden großer Modelle. Keine dieser Positionen lässt sich allein durch Zuversicht oder Dienstalter entscheiden.
Definitionen schaffen eine weitere Quelle scheinbarer Meinungsverschiedenheit. Ein System, das einen Großteil der digitalen Fernarbeit automatisieren kann, könnte wirtschaftlich transformativ sein, während es bei verkörperten Aufgaben scheitert. Ein Modell, das über typischen Menschen bei einer breiten Prüfungsbatterie punktet, könnte immer noch zu unzuverlässig sein, um eigenständig zu operieren. Ein Prognostiker mag beide Systeme AGI nennen; ein anderer mag das Wort für robustes, menschenäquivalentes Lernen in der realen Welt reservieren.
Wie man einen verantwortungsvollen Zeitplan-Tracker führt
Ein nützlicher Tracker sollte den ursprünglichen Wortlaut, den Sprecher, das Datum, die Quelle, die Definition und die Prognosebandbreite bewahren. Er sollte eine persönliche Schätzung von einer organisatorischen Verpflichtung unterscheiden, spätere Überarbeitungen festhalten und niemals stillschweigend eine alte Vorhersage ersetzen. Aggregierte Prognosen sollten Unsicherheitsintervalle zeigen statt nur einen Median. Die Seite sollte auch potenzielle Anreize offenlegen und ob sich die Prognose auf öffentliche oder private Evidenz stützt.
Leser können fünf Fragen anwenden:
- Welches Ergebnis wird vorhergesagt? AGI, menschenähnliche KI, Aufgabenautomatisierung, oder Superintelligenz?
- Welche Wahrscheinlichkeit und welches Datum sind damit verbunden? „Könnte“ ist keine Median-Prognose.
- Welche Evidenz treibt die Schätzung an? Skalierung, eine Umfrage, private Experimente, oder Intuition?
- Was würde die Meinung des Prognostikers ändern? Eine Prognose ohne mögliche Widerlegung ist schwer zu bewerten.
- Wurde sie bewertet? Vergangene Vorhersagen sollten nach ihrer Frist sichtbar bleiben.
Die praktische Schlussfolgerung
Planung sollte nicht davon abhängen, ein Datum auszuwählen. Kurzfristige Schäden und Chancen verdienen Handeln, unabhängig davon, ob AGI 2028, 2040 oder nie eintrifft. Regierungen und Organisationen können Szenariobandbreiten nutzen: sich auf rasche Fähigkeitsgewinne vorbereiten, Richtlinien bauen, die bei langsamerem Fortschritt nützlich bleiben, und messbare Auslöser für stärkere Schutzmaßnahmen definieren.
Die Unsicherheit selbst ist handlungsleitend. Sie spricht dafür, Fähigkeiten statt Marketing-Etiketten zu überwachen, in Bewertung und Resilienz zu investieren, und Prognosen nach einem festen Zeitplan zu überprüfen. Eine Zeitplanseite verdient sich Vertrauen, indem sie zeigt, wie wenig die Daten beweisen, nicht indem sie einen sich bewegenden Median wie eine zum Schicksal herunterzählende Uhr aussehen lässt.