Die Zukunft der Arbeit: Werden Roboter meinen Job übernehmen?

Als die US-Banken in den 1990er Jahren begannen, in großem Stil Geldautomaten zu installieren, schienen die menschlichen Kassierer, die in diesen Banken arbeiteten, schnell überflüssig zu werden. Wenn Maschinen rund um die Uhr selbstständig Bargeld ausgeben und Einzahlungen entgegennehmen konnten, wer brauchte da noch Menschen?

Die Banken taten es tatsächlich. Es stimmt, dass die Geldautomaten es ermöglichten, Filialbanken mit viel weniger Mitarbeitern zu betreiben: Im Durchschnitt waren es 13 statt 20. Aber die Kosteneinsparungen haben die Mutterbanken nur dazu ermutigt, so viele neue Filialen zu eröffnen, dass die Gesamtzahl der Kassierer sogar gestiegen ist.

Ähnliche Geschichten findet man in Bereichen wie Finanzen, Gesundheitswesen, Bildung und Recht, sagt James Bessen, der Wirtschaftswissenschaftler der Boston University, der seine Kollegen 2015 auf die Geschichte mit den Geldautomaten aufmerksam gemacht hat. „Das Argument ist nicht, dass die Automatisierung immer Arbeitsplätze schafft“, sagt er, „aber sie kann und tut es oft.“

Das ist eine Lektion, an die man sich erinnern sollte, wenn man die zunehmend beunruhigenden Prognosen über die Zukunft der Arbeit im Zeitalter von Robotern und künstlicher Intelligenz hört. Man denke nur an fahrerlose Autos, eine überzeugend menschliche Sprachsynthese oder unheimlich lebensechte Roboter, die selbstständig laufen, springen und Türen öffnen können: Wie lange wird es angesichts des rasanten Fortschritts bei solchen Anwendungen noch etwas geben, das Menschen tun können?

Diese Frage wurde von Persönlichkeiten wie dem Gründer von Tesla und SpaceX, Elon Musk, und dem verstorbenen Physiker Stephen Hawking äußerst apokalyptisch formuliert. Beide haben öffentlich davor gewarnt, dass die Maschinen irgendwann die menschlichen Fähigkeiten übersteigen, sich unserer Kontrolle entziehen und vielleicht sogar den Zusammenbruch der menschlichen Zivilisation auslösen werden. Aber auch weniger dramatische Beobachter sind besorgt. Als das Pew Research Center im Jahr 2014 fast 1 900 Technologieexperten zur Zukunft der Arbeit befragte, war fast die Hälfte davon überzeugt, dass künstlich intelligente Maschinen bald zu einem beschleunigten Verlust von Arbeitsplätzen führen würden – laut einer viel zitierten Analyse fast 50 Prozent bis Anfang der 2030er Jahre. Die unausweichliche Folge, so die Befürchtung, wären Massenarbeitslosigkeit und ein drastischer Anstieg der heute schon besorgniserregenden Einkommensungleichheit. Und das könnte in der Tat zu einem Zusammenbruch der sozialen Ordnung führen.

Oder vielleicht auch nicht. „Es ist immer einfacher, sich die Arbeitsplätze vorzustellen, die es heute gibt und die vernichtet werden könnten, als die Arbeitsplätze, die es heute nicht gibt und die geschaffen werden könnten“, sagt Jed Kolko, Chefökonom bei der Online-Stellenbörse Indeed. Viele, wenn nicht sogar die meisten Experten auf diesem Gebiet sind vorsichtig optimistisch, was die Beschäftigung angeht – und sei es nur, weil das Beispiel des Geldautomaten und viele andere Beispiele zeigen, wie kontraintuitiv die Auswirkungen der Automatisierung sein können. Die maschinelle Intelligenz ist noch weit davon entfernt, das gesamte Spektrum menschlicher Fähigkeiten zu erreichen, sagt Bessen. Selbst wenn man die Entwicklungen berücksichtigt, die jetzt in der Pipeline sind, sagt er, „haben wir in den nächsten 10 oder 20 Jahren wenig Grund, uns über Massenarbeitslosigkeit Sorgen zu machen.“

So – in welche Richtung werden sich die Dinge entwickeln?

Es gibt keine Möglichkeit, das mit Sicherheit zu wissen, bis die Zukunft da ist, sagt Kolko. Aber vielleicht, fügt er hinzu, ist das nicht die richtige Frage: „Die Debatte über den Gesamteffekt von Arbeitsplatzverlusten und -gewinnen verstellt den Blick auf andere Fragen, die in jedem Fall von Bedeutung sein werden“, etwa wie sich die Arbeitsplätze angesichts von KI und Robotik verändern werden und wie die Gesellschaft diesen Wandel bewältigen wird. Werden diese neuen Technologien beispielsweise nur eine weitere Möglichkeit sein, menschliche Arbeitskräfte zu ersetzen und Kosten zu sparen? Oder werden sie den Arbeitnehmern helfen und sie in die Lage versetzen, einzigartige menschliche Fähigkeiten wie Problemlösung und Kreativität auszuüben?

„Es gibt viele verschiedene Möglichkeiten, wie wir den Zustand der Welt gestalten könnten“, sagt Derik Pridmore, CEO von Osaro, einem in San Francisco ansässigen Unternehmen, das KI-Software für Industrieroboter herstellt, „und es gibt viele Entscheidungen, die wir treffen müssen.“

Automatisierung und Arbeitsplätze: Lehren aus der Vergangenheit

Zumindest in den Vereinigten Staaten ist die heutige Debatte über künstlich intelligente Maschinen und Arbeitsplätze unweigerlich von den Erinnerungen an die vergangenen vier Jahrzehnte geprägt, als die Gesamtzahl der bei US-Automobilherstellern, Stahlwerken und anderen Herstellern beschäftigten Arbeitnehmer von einem Höchststand von 19.5 Millionen im Jahr 1979 auf etwa 17,3 Millionen im Jahr 2000 zurückging – gefolgt von einem jähen Rückgang auf einen Tiefstand von 11,5 Millionen nach der Großen Rezession von 2007-2009. (Seitdem hat sich die Gesamtzahl leicht erholt und liegt bei etwa 12,7 Millionen; ähnliche Veränderungen waren in anderen stark automatisierten Ländern wie Deutschland und Japan zu beobachten). Angesichts der Stagnation des Lohnwachstums seit etwa 1973 war dies eine traumatische Erfahrung.

Allerdings, so Bessen, kann die Automatisierung unmöglich der einzige Grund für diesen Rückgang sein. „Wenn man sich die letzten hundert Jahre ansieht“, sagt er, „hat die Industrie genauso schnell oder schneller automatisiert, und die Beschäftigung ist kräftig gewachsen.“ So sind wir überhaupt erst zu Millionen von Fabrikarbeitern gekommen. Stattdessen machen Ökonomen ein Zusammenspiel mehrerer Faktoren für den Beschäftigungsrückgang verantwortlich, darunter die Globalisierung, der Niedergang der Gewerkschaften und eine Unternehmenskultur in den Vereinigten Staaten aus den 1980er Jahren, die Verkleinerungen, Kostensenkungen und Quartalsgewinne über alles stellte.

Aber die Automatisierung war sicherlich einer dieser Faktoren. „Im Bestreben, die Kosten zu senken, sind wir gemeinsam den Weg des geringsten Widerstands gegangen“, sagt Prasad Akella, ein Robotiker, der Gründer und CEO von Drishti ist, einem Start-up-Unternehmen in Palo Alto, Kalifornien, das KI einsetzt, um die Leistung der Arbeiter am Fließband zu verbessern. „Und das war: ‚Wir verlagern die Produktion in das billigste Zentrum, damit die Arbeitskosten niedrig sind.

KI und Roboter am Arbeitsplatz

Automatisierung hat viele Formen angenommen, darunter computergesteuerte Stahlwerke, die von nur einer Handvoll Mitarbeiter bedient werden können, und Industrieroboter, mechanische Arme, die so programmiert werden können, dass sie ein Werkzeug wie einen Farbsprüher oder einen Schweißbrenner durch eine Abfolge von Bewegungen bewegen. Solche Roboter werden seit den 1970er Jahren in immer größerer Zahl eingesetzt. Derzeit sind weltweit etwa 2 Millionen Industrieroboter im Einsatz, vor allem in der Automobil- und Elektronikindustrie, die jeweils einen oder mehrere menschliche Arbeiter ersetzen.

Die Unterscheidung zwischen Automatisierung, Robotik und künstlicher Intelligenz ist zugegebenermaßen ziemlich unscharf – und wird immer unschärfer, da fahrerlose Autos und andere fortschrittliche Roboter künstlich intelligente Software in ihren digitalen Gehirnen nutzen. Als grobe Faustregel kann man jedoch sagen, dass Roboter physische Aufgaben übernehmen, für die früher menschliche Intelligenz erforderlich war, während KI-Software versucht, kognitive Aufgaben auf menschlichem Niveau zu übernehmen, z. B. das Verstehen von Sprache und das Erkennen von Bildern. Automatisierung ist ein Oberbegriff, der nicht nur beide umfasst, sondern auch gewöhnliche Computer und nicht-intelligente Maschinen einschließt.

KI hat es am schwersten. Vor etwa 2010 waren die Anwendungen durch ein Paradoxon begrenzt, das der Philosoph Michael Polanyi 1966 berühmt gemacht hat: „Wir können mehr wissen, als wir sagen können“ – was bedeutet, dass die meisten der Fähigkeiten, die uns durch den Tag bringen, geübt, unbewusst und fast unmöglich zu artikulieren sind. Polanyi bezeichnete diese Fähigkeiten als implizites Wissen, im Gegensatz zum expliziten Wissen, das in Lehrbüchern zu finden ist.

Stellen Sie sich vor, Sie versuchen zu erklären, woher Sie genau wissen, dass ein bestimmtes Pixelmuster das Foto eines Welpen ist, oder wie Sie sicher nach links gegen den Gegenverkehr fahren können. (Es klingt einfach zu sagen: „Warten Sie auf eine Lücke im Verkehr“ – bis Sie versuchen, eine „Lücke“ gut genug zu definieren, damit ein Computer sie erkennen kann, oder genau festzulegen, wie groß die Lücke sein muss, um sicher zu sein.) Diese Art von stillschweigendem Wissen enthielt so viele Feinheiten, Sonderfälle und Dinge, die nach „Gefühl“ gemessen wurden, dass es für Programmierer keine Möglichkeit zu geben schien, es zu extrahieren, geschweige denn, es in einem genau definierten Algorithmus zu kodieren.

Heute kann natürlich sogar eine Smartphone-App Welpenfotos erkennen (normalerweise), und autonome Fahrzeuge machen diese Linksabbieger routinemäßig (wenn auch nicht immer perfekt). Was sich in den letzten zehn Jahren geändert hat, ist die Tatsache, dass KI-Entwickler jetzt riesige Datensätze mit enormer Computerleistung bearbeiten können – ein Prozess, der als „Deep Learning“ bekannt ist. Im Grunde läuft das darauf hinaus, dass man der Maschine eine Million Fotos von Welpen und eine Million Fotos von Nicht-Welpen zeigt und dann die KI-Software eine Million interner Variablen anpassen lässt, bis sie die Fotos richtig identifizieren kann.

Obwohl dieser Deep-Learning-Prozess nicht besonders effizient ist – ein menschliches Kind muss nur ein oder zwei Welpen sehen -, hat er sich auf KI-Anwendungen wie autonome Fahrzeuge, maschinelle Übersetzung und alles, was Sprach- oder Bilderkennung erfordert, grundlegend verändert. Und genau das macht den Leuten Angst, sagt Jim Guszcza, US-Chefdatenwissenschaftler bei Deloitte Consulting in Los Angeles: „Wow – Dinge, die früher stillschweigendes Wissen erforderten, können jetzt von Computern erledigt werden!“ Daher die neue Angst vor dem massiven Verlust von Arbeitsplätzen in Bereichen wie Jura und Journalismus, die sich noch nie um die Automatisierung sorgen mussten. Und daher die vielen Vorhersagen, dass Ladenangestellte, Wachleute und Fast-Food-Beschäftigte sowie LKW-, Taxi-, Limousinen- und Lieferwagenfahrer schnell überflüssig werden.

Mein Kollege, der Roboter

Aber damals sollten auch Bankangestellte überflüssig werden. Was stattdessen geschah, so Bessen, war, dass die Automatisierung durch Geldautomaten nicht nur den Markt für Kassierer vergrößerte, sondern auch die Art des Jobs veränderte: Die Kassierer verbrachten weniger Zeit mit der reinen Bargeldbearbeitung und mehr Zeit mit Kundengesprächen über Kredite und andere Bankdienstleistungen. „Und da die zwischenmenschlichen Fähigkeiten wichtiger geworden sind“, sagt Bessen, „sind die Gehälter von Kassierern leicht gestiegen“, und auch die Zahl der Vollzeit- statt der Teilzeitstellen hat zugenommen. „Es ist also ein viel umfassenderes Bild, als sich die Leute oft vorstellen“, sagt er.

Ähnliche Geschichten finden sich in vielen anderen Branchen. (Selbst im Zeitalter des Online-Shoppings und der Selbstzahlerkassen steigen die Beschäftigungszahlen im Einzelhandel deutlich an.) Tatsache ist, dass es auch heute noch sehr schwer ist, menschliche Arbeitskräfte vollständig zu ersetzen.

Stahlwerke sind eine Ausnahme, die die Regel bestätigt, sagt Bryan Jones, CEO von JR Automation, einem Unternehmen in Holland, Michigan, das verschiedene Formen von Hard- und Software für Industriekunden integriert, die automatisieren wollen. „Ein Stahlwerk ist eine wirklich hässliche, raue Umgebung“, sagt er. Aber der Prozess selbst – Schmelzen, Gießen, Walzen usw. – ist im Wesentlichen derselbe, egal welche Art von Stahl man herstellt. Deshalb seien die Hüttenwerke vergleichsweise leicht zu automatisieren, sagt er, und deshalb habe die Stahlindustrie so viele Arbeitsplätze abgebaut.

Wenn Menschen besser sind

„Wo es schwieriger wird, zu automatisieren, ist, wenn es eine Menge Variabilität und Anpassung gibt“, sagt Jones. „Das ist eines der Dinge, die wir gerade in der Autoindustrie beobachten: Die meisten Leute wollen etwas, das auf sie zugeschnitten ist“, mit einer persönlichen Auswahl an Farben, Zubehör oder sogar Front- und Heckgrills. Jedes Fahrzeug, das das Fließband verlässt, könnte ein wenig anders sein.

Eine solche Flexibilität zu automatisieren ist nicht unmöglich, sagt Jones. Es gibt wahrscheinlich irgendwo einen Laborroboter, der eine bestimmte Aufgabe meistert. Aber das ist nicht dasselbe wie eine kosteneffiziente Lösung in großem Maßstab. Wie Akella betont, sind die meisten Industrieroboter in der realen Welt immer noch große, blinde Maschinen, die ihre Bewegungen ausführen, egal wer oder was im Weg ist, und die aus Sicherheitsgründen von Menschen getrennt werden müssen. Bei solchen Maschinen, sagt er, „erfordert die Flexibilität eine Menge Umrüstung und Programmierung – und das geht nicht von heute auf morgen.“

Im Gegensatz dazu, so Akella, sind menschliche Arbeitskräfte leicht umzuprogrammieren. Die Umprogrammierung ist einfach: „Man geht einfach in die Fabrikhalle und sagt: ‚Leute, heute stellen wir dies statt jenem her.'“ Und was noch besser ist: Menschen verfügen über Fähigkeiten, die nur wenige Roboterarme haben, wie Feinmotorik, Hand-Augen-Koordination und ein Talent, mit Unvorhergesehenem umzugehen.

All das ist der Grund, warum die meisten Autohersteller heute nicht versuchen, alles am Fließband zu automatisieren. (Ein paar von ihnen haben es anfangs versucht, sagt Bessen. Aber ihre Anlagen endeten in der Regel wie das Montagewerk von General Motors in Detroit-Hamtramck, das sich nach seiner Eröffnung im Jahr 1985 schnell zu einem Alptraum der Fehlersuche entwickelte: Die Roboter lackierten sich gegenseitig so oft wie die Cadillacs.) Stattdessen beschränken Unternehmen wie Toyota, Mercedes-Benz und General Motors die großen, dummen, eingezäunten Roboter auf Aufgaben, die schmutzig, gefährlich und repetitiv sind, wie Schweißen und Lackieren. Und sie entsenden ihre Mitarbeiter an Orte wie die Endmontage, wo sie die letzten Teile zusammensetzen und dabei die Ausrichtung, Passform, Verarbeitung und Qualität prüfen – und ob das Endprodukt mit den Kundenwünschen übereinstimmt.

Um diese Mitarbeiter zu unterstützen, investieren viele Hersteller (und nicht nur die Automobilhersteller) in großem Umfang in kollaborative Roboter oder „Cobots“ – eine der am schnellsten wachsenden Kategorien der industriellen Automatisierung heute.

Kollaborative Roboter: Maschinen arbeiten mit Menschen

Cobots gibt es inzwischen von mindestens einem halben Dutzend Firmen. Sie basieren jedoch alle auf Konzepten, die von einem Team unter der Leitung von Akella Mitte der 1990er Jahre entwickelt wurden, als er als Ingenieur bei General Motors tätig war. Ziel war es, Roboter zu bauen, die sicher sind und die bei stressigen oder sich wiederholenden Aufgaben helfen können, während die Kontrolle bei den menschlichen Mitarbeitern bleibt.

Um ein Gefühl für das Problem zu bekommen, sagt Akella, stellen Sie sich vor, Sie nehmen eine Batterie von einem Förderband, gehen zwei Schritte, legen sie in das Auto und gehen dann zurück, um die nächste zu holen – einmal pro Minute, acht Stunden am Tag. „Ich habe diese Arbeit selbst schon gemacht“, sagt Akella, „und ich kann Ihnen versichern, dass ich mit sehr starken Schmerzen nach Hause gekommen bin.“ Oder stellen Sie sich vor, Sie heben ein 150 Pfund schweres „Cockpit“ – das Armaturenbrett des Autos mit all den daran befestigten Instrumenten, Anzeigen und Klimaanlagen – und manövrieren es durch die Autotür, ohne etwas kaputt zu machen.

Die Entwicklung eines Roboters, der bei solchen Aufgaben helfen könnte, war damals eine ganz neue Forschungsherausforderung, sagt Michael Peshkin, ein Maschinenbauingenieur an der Northwestern University in Evanston, Illinois, und einer von mehreren externen Forschern, die Akella in sein Team aufnahm. „In diesem Bereich ging es darum, die Autonomie der Roboter, ihre Sensorik und ihre Fähigkeit, mit Schwankungen umzugehen, zu verbessern“, sagt er. Aber bis dieses Projekt aufkam, hatte sich niemand so sehr auf die Fähigkeit der Roboter konzentriert, mit Menschen zusammenzuarbeiten.

Für ihren ersten Cobot begannen er und sein Kollege Edward Colgate von der Northwestern University mit einem sehr einfachen Konzept: ein kleiner Wagen, der mit einer Reihe von Hebevorrichtungen ausgestattet war, die z. B. das Cockpit anhoben, während der menschliche Arbeiter es an seinen Platz führte. Aber der Wagen war nicht nur passiv, sagt Peshkin: Er erkennt seine Position und dreht seine Räder so, dass er innerhalb einer „virtuellen Zwangsfläche“ bleibt – praktisch ein unsichtbarer Trichter in der Luft, der das Cockpit ohne Kratzer durch die Tür in die richtige Position bringt. Der Arbeiter könnte dann die endgültige Passform und die Befestigungen ohne Anstrengung überprüfen.

Ein anderer von GM gesponserter Prototyp ersetzte den Wagen durch einen arbeitergeführten Roboterarm, der Autoteile heben konnte, während er an einem beweglichen Aufhängungspunkt an der Decke hing. Aber auch hier galt das Prinzip der Maschinenunterstützung und der Kontrolle durch die Arbeiter – ein Prinzip, das sich als äußerst wichtig erwies, als Peshkin und seine Kollegen ihre Prototypen an den Fließbandarbeitern von General Motors ausprobierten.

„Wir hatten viel Widerstand erwartet“, sagt Peshkin. „Aber tatsächlich waren sie sehr aufgeschlossen und hilfsbereit. Sie hatten volles Verständnis für die Idee, ihren Rücken vor Verletzungen zu schützen.“ Und was ebenso wichtig ist: Die Arbeiter nutzten die Cobots gerne. Sie mochten es, sich etwas schneller oder etwas langsamer bewegen zu können, wenn ihnen danach war. „Da alle 52 Sekunden ein Auto vorbeikommt“, sagt Peshkin, „war dieses kleine bisschen Autonomie wirklich wichtig. Und sie mochten es, Teil des Prozesses zu sein. „Die Menschen wollen ihre Fähigkeiten unter Beweis stellen“, sagt er. „Sie genießen es, ihren Körper einzusetzen und sich an ihrer eigenen Bewegung zu erfreuen. Und die Cobots gaben ihnen das, sagt er: „Man konnte über die virtuelle Oberfläche gleiten, das Cockpit einfahren und die Bewegung auf eine Weise genießen, wie es feste Maschinen nicht zuließen.“

KI und ihre Grenzen

Akellas derzeitiges Unternehmen, Drishti, berichtet von einer ähnlich positiven Reaktion auf seine KI-basierte Software. Details sind noch geheim, sagt Akella. Aber die Grundidee ist, fortschrittliche Computer-Vision-Technologie zu nutzen, um wie ein GPS für das Fließband zu funktionieren und den Arbeitern Anweisungen und Warnungen zu geben, während sie arbeiten. Nehmen wir an, ein Arbeiter baut ein iPhone zusammen und die Kamera, die ihn von oben beobachtet, stellt fest, dass nur drei von vier Schrauben befestigt wurden: „Wir warnen den Arbeiter und sagen: ‚Hey, stellen Sie sicher, dass Sie auch diese Schraube festziehen, bevor es weitergeht.'“

Das hat durchaus Big-Brother-Aspekte, räumt Drishtis Marketingdirektor David Prager ein. „Aber wir haben viele Beispiele von Bedienern, die sich sehr engagieren und letztlich sehr dankbar sind“, sagt er. „Sie kennen das Schreckgespenst der Automatisierung und Robotik, das auf sie zukommt, und sie erkennen sehr schnell, dass dieses Werkzeug ihnen hilft, effizienter und präziser zu arbeiten und letztendlich wertvoller für das Unternehmen zu sein. Daher ist das Unternehmen eher bereit, in seine Mitarbeiter zu investieren, als sie aus der Gleichung herauszunehmen.“

Dieses Thema – der Einsatz von Technologie, um Menschen bei ihrer Arbeit zu unterstützen, anstatt sie zu ersetzen – wird wahrscheinlich noch lange Zeit ein Merkmal von KI-Anwendungen sein. Wie bei der Robotik gibt es immer noch einige wichtige Dinge, die KI nicht leisten kann.

Zum Beispiel in der Medizin. Deep Learning hat bereits Software hervorgebracht, die Röntgenbilder genauso gut oder besser als menschliche Radiologen interpretieren kann, sagt Darrell West, ein Politikwissenschaftler, der sich an der Brookings Institution in Washington, DC, mit Innovationen beschäftigt. „Aber wir werden nicht wollen, dass die Software jemandem sagt: ‚Sie haben gerade eine mögliche Krebsdiagnose erhalten'“, sagt er. „Sie werden immer noch einen Radiologen brauchen, der die KI überprüft, um sicherzustellen, dass das, was sie beobachtet hat, auch wirklich der Fall ist“ – und dann, wenn die Ergebnisse schlecht sind, einen Krebsspezialisten, der dem Patienten die Nachricht überbringt und mit der Planung einer Behandlung beginnt.

Ähnlich ist es in der Rechtswissenschaft, wo KI eine große Hilfe sein kann, wenn es darum geht, Präzedenzfälle zu finden, die für einen Fall relevant sein könnten – aber nicht, wenn es darum geht, sie zu interpretieren oder sie zu nutzen, um einen Fall vor Gericht aufzubauen. Generell, so Guszcza, ist die auf Deep Learning basierende KI sehr gut in der Lage, Merkmale zu erkennen und die Aufmerksamkeit dorthin zu lenken, wo sie benötigt wird. Aber sie versagt, wenn es darum geht, mit Überraschungen umzugehen, viele verschiedene Wissensquellen zu integrieren und den gesunden Menschenverstand anzuwenden – „alles Dinge, die Menschen sehr gut können.“

Und verlangen Sie nicht, dass die Software tatsächlich versteht, womit sie es zu tun hat, sagt Guszcza. Während des Wahlkampfs 2016 hat er ein klassisches Experiment durchgeführt, um die Übersetzungsfunktion von Google zu testen: Er nahm eine Schlagzeile – „Hillary schlägt Bernie die Tür vor der Nase zu“ – und bat Google, sie vom Englischen ins Bengalische und wieder zurück zu übersetzen. Das Ergebnis: „Barney knallt Clinton die Tür vor der Nase zu“. Ein Jahr später, nachdem Google Translate mit Hilfe von Deep Learning massiv aufgerüstet hatte, wiederholte Guszcza das Experiment mit dem Ergebnis: „Hillary Barry öffnete die Tür.“

„Ich sehe keine Anzeichen dafür, dass wir mit aktueller KI einen vollständigen gesunden Menschenverstand erreichen werden“, sagt er und greift damit einen Punkt auf, der von vielen KI-Forschern selbst angeführt wird. Im September 2017 sagte beispielsweise der Deep-Learning-Pionier Geoffrey Hinton, Informatiker an der Universität von Toronto, gegenüber der Nachrichtenseite Axios, dass das Feld einige grundlegend neue Ideen braucht, wenn Forscher jemals hoffen, KI auf menschlichem Niveau zu erreichen.

Job-Evolution

Die Grenzen der KI sind ein weiterer Grund, warum Ökonomen wie Bessen nicht davon ausgehen, dass sie in absehbarer Zeit Massenarbeitslosigkeit verursachen wird. „Bei der Automatisierung geht es fast immer darum, eine Aufgabe zu automatisieren, nicht den gesamten Arbeitsplatz“, sagt er und spricht damit einen Punkt an, der auch von vielen anderen geäußert wurde. Zwar gibt es in jedem Beruf zumindest ein paar Routineaufgaben, die von der KI profitieren könnten, aber es gibt nur sehr wenige Arbeitsplätze, die ausschließlich Routineaufgaben sind. Als er systematisch alle in der Volkszählung von 1950 aufgelisteten Berufe untersuchte, so Bessen, „gab es nur einen einzigen Beruf, von dem man sagen konnte, dass er eindeutig automatisiert war: Aufzugführer“. 1950 gab es 50.000, heute praktisch keine mehr.

Andererseits braucht man keine Massenarbeitslosigkeit, um einen massiven Umbruch am Arbeitsplatz zu bewirken, meint Lee Rainie, Leiter der Internet- und Technologieforschung am Pew Research Center in Washington, DC. „Die Experten sind sich kaum einig, ob Robotik und künstliche Intelligenz zu mehr oder weniger Arbeitsplätzen führen werden“, sagt er, „aber sie werden mit Sicherheit Arbeitsplätze verändern. Alle gehen davon aus, dass diese große Sortierung von Fähigkeiten und Funktionen so weit wie das Auge reicht weitergehen wird.“

Schlimmer noch, sagt Rainie, „die besorgtesten Experten in unserer Stichprobe sagen, dass wir noch nie in der Geschichte mit einem so schnellen Wandel konfrontiert waren.“ Es geht nicht nur um Informationstechnologie, künstliche Intelligenz oder Robotik, sagt er. Es geht auch um Nanotechnologie, Biotechnologie, 3-D-Druck, Kommunikationstechnologien – und so weiter und so fort. „Die Veränderungen finden an so vielen Fronten statt, dass sie unsere Anpassungsfähigkeit zu überfordern drohen“, sagt er.

Vorbereitung auf die Zukunft der Arbeit

Wenn dem so ist, könnte die daraus resultierende Ära des ständigen Arbeitsplatzwechsels einige radikale Veränderungen in der Gesellschaft insgesamt erzwingen. Zu den Vorschlägen der Pew-Experten und anderer gehören eine stärkere Betonung der Weiterbildung und Umschulung von Erwachsenen, die neue Fähigkeiten erwerben wollen, sowie ein neu gestaltetes soziales Sicherheitsnetz, das den Menschen hilft, von einem Arbeitsplatz zum anderen und von einem Ort zum anderen zu wechseln. Im Technologiesektor gibt es sogar eine zunehmende Unterstützung für eine Art garantiertes Jahreseinkommen, da man davon ausgeht, dass die Fortschritte bei der künstlichen Intelligenz und der Robotik irgendwann die derzeitigen Grenzen überschreiten und massive Störungen am Arbeitsplatz unvermeidlich machen werden, so dass die Menschen ein Polster brauchen.

Diese Art von Diskussion wird sehr schnell sehr politisch. Und im Moment, so Rainie, zeigen die Meinungsumfragen von Pew, dass sie nicht wirklich auf dem Radar der Öffentlichkeit ist: „Es gibt viele Durchschnittsmenschen, Durchschnittsarbeiter, die sagen: ‚Ja, alle anderen werden davon betroffen sein, aber ich nicht. Meinem Unternehmen geht es gut. Ich kann mir nicht vorstellen, wie eine Maschine oder eine Software mich ersetzen könnte.'“

Aber diese Diskussion muss dringend geführt werden, sagt West. Wenn man sich anschaut, was bereits in der Pipeline ist, sagt er: „Die volle Wucht der technologischen Revolution wird sich zwischen 2020 und 2050 vollziehen. Wenn wir also jetzt Änderungen vornehmen und die Dinge in den nächsten 20 Jahren schrittweise einführen, ist das durchaus zu schaffen. Wenn wir aber bis 2040 warten, wird es wahrscheinlich unmöglich sein, damit umzugehen.“

Anmerkung der Redaktion: Dieser Artikel wurde am 1. August aktualisiert, um die Einzelheiten eines Experiments von Jim Guszcza zu korrigieren. In der Geschichte hieß es ursprünglich, dass ein Experiment während des Wahlkampfs 2016 durchgeführt wurde, um zu sehen, wie sehr Deep Learning Googles Übersetzungsfähigkeiten verbessert hatte; in Wirklichkeit wurde das Experiment 2016 durchgeführt, bevor Google Translate vollständig mit Deep Learning aufgerüstet hatte. Der erste Test wurde mit der Schlagzeile „Hillary slams the door on Bernie“ durchgeführt, nicht wie ursprünglich angegeben mit „Bernie slams the door on Hillary“. Die Schlagzeile, die sich nach der Übersetzung vom Englischen ins Bengalische und wieder zurück ergab, lautete „Barney slam the door on Clinton“, nicht „Barry is blaming the door at the door of Hillary’s door“. Die Deep-Learning-Verbesserungen wurden ein Jahr später mit derselben ursprünglichen Schlagzeile getestet, und die resultierende Schlagzeile nach der Übersetzung ins Bengalische und zurück lautete „Hillary Barry opened the door“

.