// Praxis & Anwendung 25.09.2026 · 17:34 Uhr 13 Min. Lesezeit

KI-Fortschritt schneller als erwartet: Was eine neue Analyse für Unternehmen bedeutet

Mindverse News

KI-gestützt erstellt 7 Quellen Arbeitsweise

KI-Fortschritt schneller als erwartet: Was eine neue Analyse für Unternehmen bedeutet — Symbolbild

Das Wichtigste in Kürze

Eine Zwischenanalyse des Forecasting Research Institute deutet darauf hin, dass ausgewiesene KI-Experten und sogenannte Superforecaster den technologischen Fortschritt in mehreren Bereichen deutlich unterschätzt haben.
Besonders groß waren die Abweichungen bei mathematischen und programmierbezogenen Benchmarks. Einige Meilensteine wurden Jahre früher erreicht, als es die mittleren Prognosen erwarten ließen.
Auch wirtschaftliche Kennzahlen wie die wiederkehrenden Umsätze führender KI-Unternehmen lagen teils deutlich über den Vorhersagen.
Das Bild ist jedoch nicht einseitig: Bei autonomen Fahrzeugen und bestimmten biowissenschaftlichen Anwendungen überschätzten Befragte die Geschwindigkeit oder den praktischen Nutzen der Systeme.
Die Ergebnisse sind vorläufig. Früh erreichte Meilensteine werden in einer Zwischenanalyse leichter sichtbar als Prognosen, deren Stichtag noch nicht erreicht ist.
Für Unternehmen bedeutet die Untersuchung, dass langfristige KI-Planungen regelmäßig überprüft und durch Szenarien für beschleunigten Fortschritt ergänzt werden sollten.

// Inhalt · 15 Abschnitte

Warum selbst ausgewiesene Fachleute den KI-Fortschritt unterschätzten
Eine breit angelegte Datengrundlage
Mathematische Fähigkeiten entwickelten sich besonders schnell
Auch bei Programmierung und spezialisierten Tests lagen Prognosen zurück
Wissenschaftliche Problemlösung als weiterer Prüfstein
Fortschritte in Virologie und Cybersicherheit
Die wirtschaftliche Entwicklung übertraf viele Erwartungen
Bei der tatsächlichen Verbreitung ergibt sich ein gemischtes Bild
Wo Prognosen zu optimistisch waren
Warum die Ergebnisse vorsichtig interpretiert werden müssen
Welche Erklärungen für die Unterschätzungen plausibel sind
Die Erwartungen an die gesellschaftliche Bedeutung steigen
Was die Ergebnisse für Unternehmen bedeuten
Warum kontinuierliche Beobachtung wichtiger wird
Ein nüchterner Schluss aus einer dynamischen Entwicklung
Quellen

Warum selbst ausgewiesene Fachleute den KI-Fortschritt unterschätzten

Wie schnell sich künstliche Intelligenz weiterentwickelt, ist eine der folgenreichsten Fragen für Unternehmen, Politik und Gesellschaft. Investitionsentscheidungen, Personalplanung, Regulierung und Sicherheitskonzepte hängen zunehmend davon ab, welche Fähigkeiten von KI-Systemen in den kommenden Jahren erwartet werden. Eine Zwischenanalyse des Forecasting Research Institute (FRI) legt nun nahe, dass selbst besonders qualifizierte Beobachter die Geschwindigkeit der Entwicklung in mehreren Bereichen wiederholt zu niedrig angesetzt haben.

Die Untersuchung wertet Prognosen aus, die das Institut seit Mitte 2022 in verschiedenen Studien erhoben hat. Befragt wurden unter anderem Informatikerinnen und Informatiker, KI-Fachleute aus der Industrie, Ökonomen, Biologen, Sicherheitsexperten und Fachleute für KI-Politik. Ergänzend wurden sogenannte Superforecaster einbezogen. Damit sind Personen gemeint, die sich nicht zwingend auf ein einzelnes Fachgebiet spezialisiert haben, in standardisierten Prognoseaufgaben aber in der Vergangenheit besonders zuverlässig abgeschnitten haben.

Im Mittelpunkt steht nicht die Frage, ob KI eines Tages menschliche Fähigkeiten in bestimmten Bereichen übertreffen könnte. Untersucht wird vielmehr, wie präzise Fachleute konkrete, zeitlich definierte Entwicklungsschritte vorhergesagt haben. Dazu gehören Leistungen in Mathematik und Programmierung, Ergebnisse auf wissenschaftlichen Benchmarks, wirtschaftliche Kennzahlen sowie die praktische Verbreitung von KI-Systemen.

Eine breit angelegte Datengrundlage

Ein wichtiger Bestandteil der Untersuchung ist das Longitudinal Expert AI Panel, kurz LEAP. Die erste Runde umfasste 339 Personen. Darunter befanden sich 76 Computerwissenschaftler, 76 Vertreter der KI-Industrie, 68 Ökonomen und 119 Fachleute aus den Bereichen KI-Politik und Governance. Nach Angaben des FRI waren unter den Informatikern auch Professoren führender Universitäten sowie vielfach zitierte Autoren wissenschaftlicher Arbeiten vertreten.

Die Zusammensetzung soll sicherstellen, dass die ausgewerteten Prognosen nicht ausschließlich von allgemeinen Medienerwartungen oder zufälligen Einzelmeinungen geprägt sind. Die Befragten verfügten in vielen Fällen über direkte Forschungserfahrung, Kenntnisse aus der Industrie oder Expertise in den Bereichen Wirtschaft, Sicherheit und Regulierung.

Gleichzeitig weist das FRI darauf hin, dass die Gruppen zwischen den einzelnen Studien variieren. Ein „Expertenmedian“ steht daher nicht immer für exakt dieselbe Personengruppe. Zudem werden mittlere Prognosen betrachtet. Einzelne Befragte können deutlich besser oder schlechter gelegen haben als der jeweilige Gruppenwert.

Mathematische Fähigkeiten entwickelten sich besonders schnell

Die deutlichste Abweichung zwischen Prognose und beobachteter Entwicklung zeigt sich nach Einschätzung des FRI bei mathematischen Aufgaben. In einer Befragung aus dem Jahr 2022 sollten Fachleute unter anderem einschätzen, wann KI-Systeme ein Leistungsniveau erreichen würden, das einer Goldmedaille bei der Internationalen Mathematik-Olympiade entspricht.

Der mittlere Expertenwert lag bei 2030. Superforecaster rechneten im Median sogar erst für 2035 mit diesem Niveau. Tatsächlich erreichte ein KI-System dieses Leistungsniveau nach Darstellung des FRI bereits im Juli 2025. Der Meilenstein trat damit rund fünf Jahre früher ein als von den befragten Fachleuten erwartet und etwa zehn Jahre früher als von den Superforecastern prognostiziert.

Die geringe Wahrscheinlichkeit, die den später beobachteten Ergebnissen im Vorfeld zugewiesen wurde, verdeutlicht die Größe der Abweichung. Über mehrere untersuchte Benchmarks hinweg lag die durchschnittliche Wahrscheinlichkeit für die tatsächlich erreichten Resultate bei den Experten bei 24,6 Prozent. Bei den Superforecastern waren es 9,7 Prozent. Für das Goldmedaillen-Niveau in der Mathematik lagen die entsprechenden Werte bei 8,6 beziehungsweise 2,3 Prozent.

Die Prognosen wurden allerdings vor der öffentlichen Veröffentlichung von ChatGPT abgegeben. Das ist für die Interpretation relevant, weil der breite Durchbruch generativer KI im öffentlichen Bewusstsein zu diesem Zeitpunkt noch nicht stattgefunden hatte. Nach Angaben des FRI blieb die Tendenz zur Unterschätzung jedoch auch in späteren Befragungen bestehen.

Auch bei Programmierung und spezialisierten Tests lagen Prognosen zurück

Ähnliche Muster zeigen sich bei Aufgaben aus der Softwareentwicklung. Im Rahmen des LEAP-Panels wurden unter anderem Prognosen zur Leistung führender Modelle auf dem Benchmark LiveCodeBench Pro erhoben. Für das Ende des Jahres 2026 erwarteten Experten im Median eine Erfolgsquote von 14 Prozent, Superforecaster rechneten mit 12 Prozent.

Bereits im Mai 2026 lag der beobachtete Spitzenwert nach den Angaben des FRI jedoch bei 53,8 Prozent. Der endgültige Stichtag war zu diesem Zeitpunkt noch nicht erreicht. Dennoch war die Differenz zwischen dem aktuellen Stand und der ursprünglichen Prognose bereits so groß, dass eine erhebliche Unterschätzung wahrscheinlich erschien.

Auch beim Benchmark FrontierMath lagen die Vorhersagen unter dem später erreichten Wert. Für Ende 2025 erwarteten Experten eine Leistung von 31 Prozent, Superforecaster prognostizierten 30 Prozent. Das Ergebnis lag bei 40,7 Prozent.

Bei anderen Benchmark-Fragen war die Prognosegüte ausgeglichener. Das FRI nennt unter anderem Vorhersagen zur Leistung chinesischer Modelle im Epoch Capabilities Index als einen Bereich, in dem die Erwartungen zumindest näher an den vorläufigen Projektionen lagen. Daraus folgt, dass die Untersuchung keine pauschale Aussage über jede Form von KI-Fortschritt erlaubt. Die Abweichungen hängen offenbar stark von Aufgabenbereich, Modelltyp, Messmethode und Prognosezeitpunkt ab.

Wissenschaftliche Problemlösung als weiterer Prüfstein

Ein besonders anspruchsvoller Indikator ist die Frage, ob KI-Systeme ein ungelöstes mathematisches Problem aus der Reihe der Millennium-Probleme lösen könnten. In einer Befragung im August und September 2025 lag die mittlere Wahrscheinlichkeit unter den Experten für eine solche Lösung bis Ende 2027 bei zehn Prozent. Die Superforecaster veranschlagten sie mit 5,4 Prozent.

Das FRI verweist auf Berichte über eine mögliche Lösung eines solchen Problems durch ein internes KI-System. Ob der betreffende Beitrag die formalen wissenschaftlichen Kriterien erfüllt und als belastbare Lösung anerkannt wird, war zum Zeitpunkt der Auswertung noch nicht abschließend geklärt. Die Prognose kann deshalb nicht ohne Einschränkung als widerlegt gelten. Sollte die Lösung die notwendigen Prüfungen bestehen, wäre sie jedoch ein weiteres Beispiel für einen wissenschaftlichen Meilenstein, der deutlich früher als erwartet eingetreten wäre.

Der Fall zeigt zugleich, warum die Bewertung von KI-Prognosen in wissenschaftlichen Bereichen schwieriger ist als ein einfacher Vergleich von Jahreszahlen. Bei mathematischen Beweisen zählt nicht nur, ob ein System eine plausible Antwort erzeugt. Entscheidend sind unter anderem die formale Korrektheit, die Nachvollziehbarkeit des Beweises, die unabhängige Überprüfung und die Definition des jeweiligen Aufgabenkriteriums.

Fortschritte in Virologie und Cybersicherheit

Das FRI untersuchte außerdem, wie gut Fachleute die Entwicklung in sicherheitsrelevanten Bereichen einschätzen konnten. In einer Studie zu KI-gestützten virologischen Fähigkeiten erwarteten Experten, dass Modelle erst um 2030 das Niveau eines führenden Teams von Virologen bei einem Troubleshooting-Test erreichen würden. Superforecaster verlegten diesen Zeitpunkt auf 2034.

Nach der vorläufigen Einschätzung des FRI wurde dieses Leistungsniveau möglicherweise bereits im April 2025 erreicht. Bei einem Benchmark für Cybersicherheitsfähigkeiten zeigte sich ein vergleichbares Muster. Die Modelle entwickelten sich schneller als von den Befragten erwartet.

Diese Ergebnisse sind sicherheitspolitisch relevant, müssen aber von Aussagen über konkrete Schäden getrennt werden. Eine höhere technische Leistungsfähigkeit bedeutet nicht automatisch, dass in gleichem Umfang reale Angriffe, Unfälle oder Missbrauchsfälle auftreten. Das FRI stellt ausdrücklich fest, dass die Befragten mit dem erwarteten Erreichen bestimmter Fähigkeiten zwar höhere Biorisiken verbanden, daraus aber kein dokumentierter Anstieg tatsächlicher Schäden abgeleitet werden kann.

Die wirtschaftliche Entwicklung übertraf viele Erwartungen

Nicht nur technische Benchmarks, sondern auch wirtschaftliche Kennzahlen lagen über den mittleren Prognosen. In einer Untersuchung zu den wirtschaftlichen Effekten von KI sollten die Befragten den höchsten jährlich wiederkehrenden Umsatz eines KI-Unternehmens zum Ende des Jahres 2026 schätzen.

KI-Experten nannten im Median 20 Milliarden US-Dollar. Ökonomen erwarteten 16 Milliarden US-Dollar, Superforecaster 25 Milliarden US-Dollar. Nach den vom FRI herangezogenen Angaben könnte ein einzelnes Unternehmen zu diesem Zeitpunkt bereits einen annualisierten Umsatz von ungefähr 100 Milliarden US-Dollar erreicht haben. Damit läge der tatsächliche Wert deutlich über allen genannten mittleren Prognosen.

Auch bei kombinierten Umsatzprognosen für führende KI-Unternehmen ergaben sich erhebliche Differenzen. Die Befragten lagen mit ihren Erwartungen für den annualisierten Umsatz großer Anbieter unter den später berichteten oder vom FRI projizierten Werten. Dabei ist zu berücksichtigen, dass Umsatz, Auftragseingang, annualisierter Umsatz und tatsächlich realisierte Erlöse unterschiedliche Größen sind. Ein hoher Run-Rate-Wert lässt sich nicht ohne Weiteres mit einem geprüften Jahresabschluss gleichsetzen.

Dennoch verdeutlichen die Zahlen, dass die Nachfrage nach generativen KI-Diensten, Rechenkapazität und spezialisierten Unternehmenslösungen in kurzer Zeit stark wachsen kann. Für Unternehmen ist dabei besonders relevant, dass sich die Marktdynamik nicht allein an Modellbenchmarks ablesen lässt. Preisentwicklung, Nutzungshäufigkeit, Unternehmenskunden, Infrastrukturinvestitionen und Umsatzmodelle beeinflussen sich gegenseitig.

Bei der tatsächlichen Verbreitung ergibt sich ein gemischtes Bild

Die Untersuchung unterscheidet zwischen technischen Fähigkeiten und ihrer Nutzung in der realen Welt. Bei der Adoption, also der praktischen Verbreitung von KI, fallen die Ergebnisse weniger eindeutig aus.

Einige wirtschaftliche Stellvertretergrößen wie der Umsatz führender KI-Unternehmen wurden deutlich unterschätzt. Bei anderen Indikatoren liegen die Prognosen näher an den späteren Werten. Dazu zählen nach vorläufiger Einschätzung des FRI bestimmte Entwicklungen bei Rechenzentren und beim Stromverbrauch für KI-Anwendungen.

Auch der Anteil der Arbeitszeit, der durch generative KI unterstützt wird, lässt sich nur eingeschränkt bewerten. In einer Befragung prognostizierten Experten für die USA einen Anteil von vier Prozent, Superforecaster 3,6 Prozent. Der später herangezogene Wert lag bei 5,7 Prozent. Die Differenz kann allerdings teilweise darauf zurückzuführen sein, dass die Befragten mit einer veralteten Ausgangsbasis arbeiteten. Eine frühere Schätzung zum Ausgangsniveau war später nach oben korrigiert worden.

Viele Fragen zur langfristigen Nutzung sind zudem noch offen. Dazu gehören etwa die Verbreitung von KI als Begleiter, der Anteil KI-entwickelter Medikamente am Arzneimittelmarkt oder die Veränderung von Arbeitsabläufen in einzelnen Branchen. Eine belastbare Bewertung setzt voraus, dass ausreichend Daten über einen definierten Zeitraum vorliegen.

Wo Prognosen zu optimistisch waren

Die FRI-Analyse dokumentiert nicht ausschließlich Unterschätzungen. In mehreren Bereichen lagen die Befragten zu hoch. Ein Beispiel betrifft die Unterstützung von Laien bei biologischen Laboraufgaben mit potenziellem Sicherheitsrisiko.

In einer kontrollierten Untersuchung sollten Teilnehmer mithilfe eines Sprachmodells und des Internets bestimmte Aufgaben bewältigen. Biosecurity-Experten erwarteten im Median, dass 22,5 Prozent erfolgreich sein würden. Virologen rechneten mit 40 Prozent, Superforecaster mit 16,2 Prozent. Tatsächlich absolvierten nur 5,2 Prozent der Teilnehmer alle Aufgaben erfolgreich. In der Vergleichsgruppe, die ausschließlich das Internet nutzen konnte, lag der Wert bei 6,6 Prozent.

In diesem kleinen Versuch zeigte sich somit kein messbarer Vorteil des Sprachmodells. Die Aussagekraft ist wegen der begrenzten Stichprobe und des konkreten Versuchsaufbaus eingeschränkt. Das Ergebnis macht jedoch deutlich, dass hohe Modellkompetenz in einer kontrollierten Benchmark nicht automatisch zu gleichwertigem Nutzen bei unerfahrenen Anwendern führt.

Auch bei autonomen Fahrzeugen könnten Experten die Geschwindigkeit der Verbreitung überschätzt haben. Für den Anteil autonomer Fahrten im US-amerikanischen Ride-Hailing-Markt bis Ende 2027 lag der mittlere Expertenwert bei 7,3 Prozent. Eine modellbasierte Projektion des FRI kam auf 2,5 Prozent. Die Prognose der Superforecaster lag mit zwei Prozent näher an diesem Wert.

Für die Praxis bedeutet dies: Der Übergang von einer technischen Demonstration zu einem breit verfügbaren, wirtschaftlich tragfähigen und regulatorisch zugelassenen Produkt kann wesentlich länger dauern als die Entwicklung der zugrunde liegenden KI-Fähigkeit.

Warum die Ergebnisse vorsichtig interpretiert werden müssen

Das FRI bezeichnet seine Analyse als Zwischenbericht. Daraus ergeben sich mehrere methodische Einschränkungen.

Erstens werden Prognosen, die bereits früh durch ein reales Ereignis überholt wurden, schneller sichtbar als Prognosen, deren Stichtag noch in der Zukunft liegt. Eine Erwartung kann erst dann eindeutig als zu hoch bewertet werden, wenn der relevante Termin verstrichen ist und das erwartete Ergebnis ausbleibt. Eine vorläufige Analyse weist daher strukturell eher auf Unterschätzungen hin.

Zweitens greift das FRI bei noch nicht abgeschlossenen Fragen teilweise auf Projektionen von Sprachmodellen zurück. Diese Modelle nutzen Informationen, die den ursprünglichen Befragten möglicherweise nicht zur Verfügung standen. Solche Vergleiche können Hinweise liefern, ersetzen aber keine abschließende Messung anhand realer Daten.

Drittens kann der Median wichtige Unterschiede innerhalb einer Gruppe verdecken. Einzelne Experten können sehr präzise oder besonders frühzeitig prognostiziert haben, auch wenn die mittlere Einschätzung der gesamten Gruppe deutlich abwich. Für die Verbesserung von Prognosemethoden wäre daher eine Auswertung einzelner Prognoseprofile ebenso relevant wie der Vergleich von Gruppenwerten.

Viertens hängt die Bewertung vom jeweiligen Messinstrument ab. Benchmarks können Fähigkeiten sichtbar machen, die in der praktischen Anwendung kaum eine Rolle spielen. Umgekehrt können reale Produktivitätsgewinne entstehen, bevor sie in standardisierten Tests erfasst werden.

Welche Erklärungen für die Unterschätzungen plausibel sind

Eine mögliche Erklärung liegt in der Schwierigkeit, exponentielle oder stark beschleunigte Entwicklungen intuitiv einzuschätzen. Menschen schreiben Fortschritte häufig linear fort. Wenn sich Leistungsfähigkeit, Rechenkapazität, Datenverfügbarkeit oder Optimierungsverfahren jedoch gegenseitig verstärken, kann die tatsächliche Entwicklung eine lineare Erwartung deutlich übertreffen.

Hinzu kommt, dass technologische Fortschritte häufig in Sprüngen sichtbar werden. Ein neues Trainingsverfahren, eine verbesserte Datenaufbereitung, ein leistungsfähigerer Hardwareverbund oder ein effizienteres Inferenzverfahren kann einen Benchmarkwert innerhalb kurzer Zeit verändern. Prognosen, die sich auf den bisherigen Verlauf stützen, erfassen solche Durchbrüche nur unvollständig.

Auch die Wahl des Prognosezeitpunkts spielt eine Rolle. Die ersten FRI-Prognosen stammen aus einer Phase vor dem öffentlichen Durchbruch von ChatGPT. Spätere Befragungen konnten zwar auf mehr Informationen zurückgreifen, mussten aber zugleich eine zunehmend komplexe und dynamische Modelllandschaft bewerten.

Schließlich können Fachleute bei der Einschätzung neuer Systeme besonders vorsichtig sein, weil sie die Grenzen bestehender Modelle kennen. Diese Vorsicht kann bei Sicherheitsanalysen sinnvoll sein, führt bei zeitlichen Prognosen aber möglicherweise zu einer systematischen Verzögerung, wenn neue Entwicklungszyklen schneller verlaufen als frühere.

Die Erwartungen an die gesellschaftliche Bedeutung steigen

Obwohl die Befragten den kurzfristigen Fortschritt in mehreren Bereichen unterschätzten, passten sie ihre Einschätzung der langfristigen Bedeutung von KI nach oben an. Bei Personen, die an zwei Befragungsrunden teilnahmen, stieg die durchschnittliche Wahrscheinlichkeit, dass KI eine „Technologie des Jahrhunderts“ werden könnte, bei Experten von 31 auf 36 Prozent. Bei Superforecastern erhöhte sie sich von 28 auf 35 Prozent.

Die Bezeichnung ist kein präziser Messwert. Sie bringt vielmehr zum Ausdruck, dass die Befragten KI zunehmend in eine historische Kategorie mit Technologien wie Elektrizität einordnen. Für Unternehmen ist daraus keine konkrete Umsatz- oder Produktivitätsprognose abzuleiten. Die Entwicklung zeigt jedoch, dass sich die Einschätzung der möglichen gesamtgesellschaftlichen Reichweite innerhalb kurzer Zeit verändern kann.

Was die Ergebnisse für Unternehmen bedeuten

Für Unternehmen liegt die zentrale Erkenntnis weniger in einem einzelnen Vorhersagefehler als in der Notwendigkeit, Planungen an eine hohe Veränderungsgeschwindigkeit anzupassen. Strategien mit einem festen Zeithorizont von drei bis fünf Jahren können schnell überholt sein, wenn sich Modellfähigkeiten, Preise und Geschäftsmodelle innerhalb weniger Quartale verändern.

Eine belastbare Unternehmensplanung sollte deshalb mehrere Entwicklungspfade berücksichtigen:

Ein Basisszenario mit einer Fortschreibung der gegenwärtigen Leistungs- und Kostenentwicklung.
Ein Beschleunigungsszenario, in dem KI-Systeme deutlich früher als erwartet anspruchsvolle Wissens- und Softwareaufgaben übernehmen.
Ein Adoptionsszenario, in dem technische Fähigkeiten zwar rasch wachsen, regulatorische, organisatorische oder haftungsrechtliche Hürden die Nutzung jedoch verzögern.
Ein Begrenzungsszenario, in dem Benchmarkerfolge nur teilweise in reale Produktivitätsgewinne übersetzt werden.

Darüber hinaus sollten Unternehmen technische Leistungswerte nicht isoliert betrachten. Für Investitionsentscheidungen sind mindestens ebenso wichtig:

Gesamtkosten pro Anwendungsfall einschließlich Infrastruktur, Integration und Qualitätssicherung.
Fehlerquoten und Anforderungen an menschliche Kontrolle.
Datenschutz, Informationssicherheit und Nachvollziehbarkeit.
Verfügbarkeit qualifizierter Fachkräfte und Veränderungsbereitschaft der Organisation.
Regulatorische Anforderungen und Haftungsrisiken.
Abhängigkeiten von einzelnen Modell- oder Infrastruktur-Anbietern.

Für Führungskräfte empfiehlt sich zudem ein regelmäßiger Prognoseprozess. Annahmen sollten dokumentiert, mit Kennzahlen hinterlegt und in festen Abständen überprüft werden. Auf diese Weise lässt sich erkennen, ob eine strategische Erwartung durch reale Entwicklungen bestätigt wird oder angepasst werden muss.

Warum kontinuierliche Beobachtung wichtiger wird

Das FRI plant, künftig besonders schnelle Entwicklungspfade gesondert zu untersuchen und menschliche Prognosen mit fortlaufend aktualisierten Einschätzungen von Sprachmodellen zu vergleichen. Außerdem sollen diejenigen Panelmitglieder stärker berücksichtigt werden, deren Vorhersagen sich im Zeitverlauf als besonders zuverlässig erweisen.

Solche Verfahren können die Qualität von Prognosen verbessern, wenn sie transparent angewandt werden. Dafür müssen jedoch die verwendeten Daten, Annahmen und Bewertungsmaßstäbe offenliegen. Ein Sprachmodell kann aktuelle Informationen schneller zusammenführen als eine einzelne Person, ist aber selbst anfällig für fehlerhafte Quellen, Trendverstärkung und eine unklare Gewichtung widersprüchlicher Hinweise.

Für die Unternehmenspraxis bietet sich eine Kombination aus menschlicher Expertise, strukturierten Daten und automatisierter Szenarioanalyse an. Ein KI-System kann bei der Zusammenfassung von Trends, der Überwachung von Benchmarks und der Identifikation neuer Signale unterstützen. Die Verantwortung für Geschäftsentscheidungen, Risikobewertung und Priorisierung bleibt jedoch bei den zuständigen Personen und Gremien.

Ein nüchterner Schluss aus einer dynamischen Entwicklung

Die Untersuchung des Forecasting Research Institute zeichnet ein differenziertes Bild. In mehreren technisch klar messbaren Bereichen war der KI-Fortschritt schneller, als selbst hochqualifizierte Fachleute und erfahrene Prognostiker erwartet hatten. Besonders auffällig sind die Ergebnisse bei mathematischen Aufgaben, Programmierung und einigen spezialisierten wissenschaftlichen Tests. Auch wirtschaftliche Kennzahlen führender KI-Anbieter entwickelten sich dynamischer als prognostiziert.

Gleichzeitig lässt sich daraus nicht ableiten, dass jede KI-Erwartung zu niedrig ist oder dass technische Fortschritte automatisch zu einer schnellen gesellschaftlichen Transformation führen. Bei autonomen Fahrzeugen und bestimmten biologischen Anwendungen lagen Prognosen teilweise zu hoch. Fragen zu Beschäftigung, Wirtschaftswachstum und langfristigen gesellschaftlichen Schäden sind vielfach noch nicht abschließend bewertbar.

Die wichtigste Schlussfolgerung lautet daher nicht, dass alle bisherigen Prognosen unbrauchbar wären. Vielmehr zeigt die Analyse, dass Prognosen über KI regelmäßig aktualisiert, mit klaren Unsicherheiten versehen und durch alternative Szenarien ergänzt werden sollten. Für Unternehmen bedeutet das eine Abkehr von statischen Technologie-Roadmaps hin zu anpassungsfähigen Planungsprozessen, die sowohl beschleunigten Fortschritt als auch Verzögerungen und Grenzen berücksichtigen.

Mindverse unterstützt Unternehmen dabei, Informationen zu KI-Entwicklungen, Inhalten, Bildern und Rechercheprozessen zentral zu verarbeiten. Gerade in einem Umfeld, in dem sich Fähigkeiten und Marktbedingungen schnell verändern, kann eine strukturierte Beobachtung dazu beitragen, relevante Signale früher zu erkennen und Entscheidungen nachvollziehbar vorzubereiten.