Wie KI Forschende die Risiken fortgeschrittener künstlicher Intelligenz einschätzen

Warum die Einschätzung von KI-Forschenden neue Aufmerksamkeit erhält

Die Debatte über mögliche existenzielle Risiken künstlicher Intelligenz ist nicht neu. Seit Jahren weisen Forschende, Unternehmerinnen und Unternehmer sowie Fachleute aus den Bereichen KI-Sicherheit und Alignment darauf hin, dass besonders leistungsfähige Systeme nicht automatisch im Einklang mit menschlichen Interessen handeln müssen. Neu ist weniger das Szenario selbst als die zunehmende Nähe, mit der es in Teilen der Fachwelt diskutiert wird.

Eine internationale Befragung unter KI-Forschenden aus dem Jahr 2024 hat diese Diskussion erneut verstärkt. Die Ergebnisse zeigen, dass ein erheblicher Teil der befragten Expertinnen und Experten der Möglichkeit eines extremen Schadensausgangs eine messbare Wahrscheinlichkeit zuweist. Im Durchschnitt lag die Einschätzung für eine Auslöschung der Menschheit oder eine dauerhafte, schwere Entmachtung der Menschheit bei 18 Prozent. Der Median betrug 10 Prozent.

Solche Werte wirken auf den ersten Blick eindeutig. Bei genauerer Betrachtung sind sie jedoch differenziert zu lesen. Die Studie misst keine objektive Wahrscheinlichkeit im statistischen Sinn, sondern die Einschätzung von Fachleuten zu einer unsicheren technologischen Entwicklung, deren entscheidende Voraussetzungen bislang nicht vollständig bekannt sind. Die Antworten spiegeln daher sowohl den Kenntnisstand der Befragten als auch unterschiedliche Annahmen über technische Fortschritte, gesellschaftliche Reaktionen und Sicherheitsmaßnahmen wider.

Was die Umfrage tatsächlich untersucht hat

Die Untersuchung wurde im Dezember 2024 durchgeführt und erreichte 1.580 Forschende. Die Auswahl basierte auf Personen, die an mindestens einem von sechs bedeutenden wissenschaftlichen Veranstaltungsorten oder Publikationsorganen der KI-Forschung Arbeiten veröffentlicht hatten. Nach den Angaben der Studienautoren entsprach die Zahl der Antworten etwa zehn Prozent der kontaktierten Personen.

Damit gehört die Befragung zu einer Reihe von Expertenumfragen, die seit 2016 durchgeführt werden. Im Mittelpunkt stehen Fragen zum erwarteten Fortschritt der künstlichen Intelligenz, zu möglichen Zeitpunkten für menschenähnliche Fähigkeiten und zu den positiven wie negativen Folgen fortgeschrittener Systeme.

Der Begriff „menschenähnliche KI“ ist dabei nicht mit einem einzelnen Produkt oder einer heute verfügbaren Anwendung gleichzusetzen. Gemeint sind Systeme, die Menschen in einer großen Zahl unterschiedlicher kognitiver Aufgaben erreichen oder übertreffen könnten. Welche Fähigkeiten dafür erforderlich wären, ist nicht abschließend festgelegt. Je nach Definition können Sprachverstehen, Problemlösung, wissenschaftliches Arbeiten, Planung, Programmierung, Wahrnehmung und die selbstständige Ausführung von Aufgaben dazugehören.

Die Befragten sollten unter anderem einschätzen, wie wahrscheinlich es ist, dass zukünftige KI-Fortschritte zu einer Auslöschung der Menschheit oder zu einer dauerhaften und schwerwiegenden Einschränkung menschlicher Handlungsfähigkeit führen. Die zweite Formulierung ist von Bedeutung, weil ein katastrophaler Ausgang nicht zwingend als vollständiges Aussterben verstanden werden muss. Auch eine Situation, in der Menschen zentrale politische, wirtschaftliche oder sicherheitsrelevante Entscheidungen dauerhaft nicht mehr selbst bestimmen können, fällt in diese Kategorie.

18 Prozent im Durchschnitt, 10 Prozent im Median

Die zentrale Zahl der Untersuchung ist der durchschnittliche Wert von 18 Prozent. Er wird häufig mit der Aussage zusammengefasst, dass ungefähr jede fünfte befragte Person ein solches Szenario für möglich hält. Diese Darstellung ist jedoch nur eingeschränkt präzise. Der Mittelwert beschreibt nicht den Anteil der Forschenden, die exakt 18 Prozent angegeben haben. Er entsteht vielmehr aus der Zusammenfassung aller individuellen Schätzungen.

Der Median lag bei 10 Prozent. Bei einer solchen Verteilung befindet sich die Hälfte der Antworten unterhalb oder auf diesem Wert und die andere Hälfte darüber oder auf diesem Wert. Die Differenz zwischen Mittelwert und Median deutet darauf hin, dass einzelne sehr hohe Einschätzungen den Durchschnitt nach oben beeinflusst haben. Einige Teilnehmende hielten den Eintritt eines katastrophalen Szenarios sogar für nahezu sicher.

Gleichzeitig gab es auch Forschende, die das Risiko sehr niedrig oder praktisch bei null ansetzten. Die Spannweite der Antworten macht deutlich, wie uneinheitlich die wissenschaftliche Einschätzung ausfällt. Die Umfrage belegt deshalb vor allem, dass unter Fachleuten erhebliche Unsicherheit besteht. Sie belegt nicht, dass die Forschungsgemeinschaft eine einheitliche Vorhersage über das Ende der Menschheit getroffen hätte.

Zum Vergleich: In einer früher veröffentlichten Befragung mit mehr als 2.700 KI-Forschenden lag der Median für ein ähnliches Szenario bei 5 Prozent. Der Mittelwert wurde mit etwa 16 Prozent angegeben. Unterschiede zwischen den Erhebungen können auf eine veränderte Zusammensetzung der Teilnehmenden, andere Fragestellungen, unterschiedliche Zeitpunkte und die allgemeine Entwicklung der KI zurückzuführen sein. Ein direkter Vergleich ist daher nur mit methodischen Einschränkungen möglich.

Warum subjektive Risikowerte dennoch relevant sind

Subjektive Wahrscheinlichkeiten haben in Bereichen mit wenigen historischen Vergleichsdaten eine besondere Funktion. Für die Entwicklung leistungsfähiger KI existiert keine lange empirische Zeitreihe, aus der sich verlässliche Eintrittswahrscheinlichkeiten ableiten ließen. Es gibt weder genügend Beobachtungen für extreme Fehlentwicklungen noch eine allgemein akzeptierte Theorie, die den Übergang von heutigen Modellen zu deutlich autonomeren Systemen vollständig erklärt.

Die Einschätzungen von Fachleuten können deshalb nicht als exakte Messwerte verstanden werden. Sie sind jedoch relevant, weil sie sichtbar machen, welche Unsicherheiten und Risikomechanismen innerhalb der Forschung ernst genommen werden. Wenn ein Teil derjenigen, die an den technischen Grundlagen arbeiten, auch sehr unwahrscheinliche, aber gravierende Folgen nicht ausschließt, beeinflusst das Prioritäten bei Sicherheitsforschung, Produktentwicklung und Regulierung.

Für die politische und wirtschaftliche Entscheidungsfindung ist dabei nicht nur die Höhe einer Risikozahl entscheidend. Ebenso wichtig sind die möglichen Schadensdimensionen, die Geschwindigkeit der Entwicklung, die Schwierigkeit einer späteren Korrektur und die Frage, ob präventive Maßnahmen verhältnismäßig umsetzbar sind. Ein Risiko mit geringer Eintrittswahrscheinlichkeit kann bei potenziell irreversiblen Folgen eine andere Behandlung erfordern als ein häufigeres, aber begrenztes Betriebsproblem.

Verkürzte Zeitvorstellungen für leistungsfähige KI

Ein weiterer Befund der Befragungsreihe betrifft die erwarteten Zeiträume. In den verschiedenen Erhebungen haben Forschende den Zeitpunkt, an dem KI-Systeme ein breites Spektrum menschlicher Leistungen erreichen könnten, im Durchschnitt immer früher angesetzt. Das bedeutet nicht, dass eine konkrete Jahreszahl zuverlässig vorhergesagt wurde. Es zeigt vielmehr, dass sich die Einschätzung des technischen Tempos verändert hat.

Der rasche Fortschritt bei generativen Sprachmodellen, multimodalen Systemen und KI-Agenten hat diese Wahrnehmung verstärkt. Moderne Anwendungen können Texte, Bilder, Softwarecode und strukturierte Analysen erzeugen. Sie können Werkzeuge bedienen, mehrstufige Aufgaben planen und in begrenztem Umfang selbstständig ausführen. Daraus folgt jedoch nicht automatisch, dass sie über ein dauerhaft stabiles Zielverständnis, ein verlässliches Weltmodell oder eine menschenähnliche allgemeine Intelligenz verfügen.

Gerade diese Unterscheidung ist für die Risikobewertung wichtig. Leistungsfähigkeit in einzelnen Prüfungen oder klar definierten Aufgaben ist nicht gleichbedeutend mit umfassender Autonomie. Ein System kann bei Programmieraufgaben herausragend sein und dennoch Schwierigkeiten mit langfristiger Planung, Kontextwechseln, Unsicherheit oder der Einschätzung realer Konsequenzen haben. Umgekehrt können bereits begrenzte autonome Funktionen problematisch werden, wenn sie mit weitreichenden Zugriffsrechten verbunden sind.

Das Alignment-Problem und die Grenzen der Kontrolle

Ein zentraler Begriff in der Debatte ist Alignment. Er beschreibt die Frage, ob die Ziele und Verhaltensweisen eines KI-Systems zuverlässig mit den Absichten, Werten und Sicherheitsanforderungen der Menschen übereinstimmen. Die Herausforderung besteht nicht nur darin, einem Modell eine Anweisung zu geben. Entscheidend ist, ob das System die Absicht hinter einer Anweisung korrekt erfasst, Zielkonflikte erkennt und auch in unbekannten Situationen sicher handelt.

Bei heutigen Modellen entstehen Fähigkeiten und Verhaltensmuster aus großen Datenmengen, Optimierungsverfahren und Rückmeldungen während des Trainings. Die Entwicklerinnen und Entwickler legen zwar Trainingsziele und Bewertungsverfahren fest, sie definieren jedoch nicht jede einzelne interne Repräsentation des Systems. Ein Modell kann daher eine Aufgabe scheinbar korrekt lösen, dabei aber Strategien verwenden, die nicht dem beabsichtigten Vorgehen entsprechen.

Hinzu kommt, dass leistungsfähige Systeme zunehmend in Situationen eingesetzt werden, in denen sie mehrere Schritte selbstständig ausführen. Ein Agent kann beispielsweise Informationen recherchieren, Dateien bearbeiten, Anwendungen aufrufen oder Prozesse anstoßen. Je länger eine Handlungskette ist, desto größer wird die Zahl möglicher Fehlentscheidungen. Werden solche Systeme mit umfangreichen Berechtigungen ausgestattet, kann ein einzelner Fehler überproportionale Folgen haben.

Ein weiterer Unsicherheitsfaktor ist die Überwachung. Bei komplexen Modellen lässt sich zwar beobachten, welche Eingabe und welche Ausgabe vorliegen. Daraus folgt jedoch nicht zwangsläufig, dass die interne Verarbeitung vollständig verstanden wird. Ein Teil der Forschenden hält es für möglich, dass Systeme in bestimmten Situationen ihre Strategien anpassen oder Sicherheitsprüfungen anders behandeln als reguläre Aufgaben. Ob und in welchem Umfang solche Verhaltensweisen auftreten, ist Gegenstand laufender Forschung und nicht abschließend geklärt.

Die unmittelbareren Risiken stehen im Vordergrund

Existenzielle Szenarien erhalten in der öffentlichen Debatte große Aufmerksamkeit. In der befragten Forschungsgemeinschaft stehen jedoch andere Risiken für die kommenden Jahrzehnte vielfach weiter oben. Besonders häufig genannt werden KI-generierte Desinformation und die Manipulation der öffentlichen Meinungsbildung.

Generative Systeme können Inhalte in hoher Geschwindigkeit und zu vergleichsweise geringen Kosten erstellen. Dazu gehören Texte, Bilder, Audioaufnahmen und Videos. Für Unternehmen, Medien, Behörden und die Zivilgesellschaft wird dadurch schwieriger, die Herkunft und Authentizität von Informationen zu bewerten. In Wahlkämpfen, Krisensituationen oder bei Finanzentscheidungen kann eine gezielte Täuschung erhebliche Folgen haben.

Ein weiterer Problembereich ist der Zugang gefährlicher Akteure zu leistungsfähigen Werkzeugen. KI kann die Erstellung von Schadsoftware, die Automatisierung von Betrugsversuchen oder die Skalierung manipulativer Kommunikation erleichtern. Das bedeutet nicht, dass jedes Modell automatisch eine solche Nutzung ermöglicht. Es zeigt jedoch, dass Sicherheitsprüfungen nicht ausschließlich auf hypothetische Zukunftsszenarien ausgerichtet sein sollten. Missbrauchsmöglichkeiten im Hier und Jetzt gehören ebenfalls in die Risikobewertung.

Hinzu kommen Risiken, die bereits in Unternehmen auftreten können: fehlerhafte automatisierte Entscheidungen, Verletzungen des Datenschutzes, unzuverlässige Auskünfte, Diskriminierung, Urheberrechtskonflikte und eine unklare Verantwortlichkeit. Diese Risiken sind weniger spektakulär als ein Auslöschungsszenario, können aber für betroffene Personen und Organisationen unmittelbar wirtschaftliche oder rechtliche Konsequenzen haben.

Was die Ergebnisse für Unternehmen bedeuten

Für Unternehmen sollte die Umfrage nicht als Anlass für pauschale Ablehnung oder unkritische Beschleunigung dienen. Sie ist vielmehr ein Hinweis darauf, dass der Einsatz von KI mit Unsicherheit verbunden bleibt und systematisch gesteuert werden muss. Die Verantwortung liegt dabei nicht allein bei den Modellanbietern. Auch Anwenderunternehmen müssen prüfen, wie Systeme in ihre Prozesse eingebettet sind.

Ein belastbares Governance-Modell sollte mindestens folgende Fragen beantworten:

• Für welche Geschäftsprozesse wird KI eingesetzt, und wie kritisch sind die dort getroffenen Entscheidungen?
• Welche Daten verarbeitet das System, und sind Zweck, Rechtsgrundlage, Aufbewahrung und Zugriffsrechte geklärt?
• Welche Aufgaben darf ein KI-System selbstständig ausführen, und ab welchem Risiko ist eine menschliche Freigabe erforderlich?
• Wie werden Ausgaben auf Richtigkeit, Verzerrungen, Sicherheitsprobleme und unerwünschte Inhalte geprüft?
• Wie werden Modelländerungen, neue Schnittstellen und veränderte Berechtigungen dokumentiert?
• Wer trägt im Fehlerfall die operative und rechtliche Verantwortung?
• Wie kann ein Unternehmen den Einsatz eines Systems kurzfristig stoppen oder auf einen manuellen Prozess zurückfallen?

Besonders wichtig ist die Begrenzung von Berechtigungen. Ein KI-System sollte nur auf die Ressourcen zugreifen können, die für seine Aufgabe erforderlich sind. Für Agenten empfiehlt sich eine abgestufte Freigabelogik: Lesen kann unter bestimmten Voraussetzungen automatisiert erfolgen, während das Versenden verbindlicher Nachrichten, das Ändern produktiver Daten oder das Auslösen finanzieller Transaktionen eine zusätzliche Bestätigung erfordert.

Ebenso wichtig ist eine fortlaufende Überwachung. Eine einmalige Prüfung vor der Einführung reicht nicht aus, wenn sich Modelle, Datenquellen, Schnittstellen oder Nutzungsszenarien verändern. Unternehmen sollten Testfälle, Protokollierung, Qualitätskennzahlen und Eskalationsprozesse definieren. Bei besonders sensiblen Anwendungen können unabhängige Audits und sogenannte Red-Team-Tests sinnvoll sein, bei denen gezielt versucht wird, Sicherheitsmechanismen zu umgehen.

Transparenz ist eine technische und organisatorische Aufgabe

Die Diskussion über die Nachvollziehbarkeit von KI-Entscheidungen wird häufig auf die Frage reduziert, ob ein Modell seine internen Gedankengänge offenlegt. Für die betriebliche Praxis greift das zu kurz. Transparenz kann auf mehreren Ebenen hergestellt werden: durch Dokumentation der Trainings- und Einsatzbedingungen, durch nachvollziehbare Eingabedaten, durch Prüfprotokolle, durch reproduzierbare Tests und durch klare Informationen darüber, wann ein Mensch eingegriffen hat.

Für Nutzerinnen und Nutzer muss außerdem erkennbar sein, ob sie mit einem automatisierten System interagieren. Bei geschäftskritischen Anwendungen sollte ein Unternehmen offenlegen, welche Grenzen das System hat und wie Fehler gemeldet werden können. Transparenz ersetzt keine Sicherheit, sie erleichtert jedoch die Kontrolle und verbessert die Möglichkeit, Fehlentwicklungen frühzeitig zu erkennen.

Die Studie weist darauf hin, dass ein großer Teil der Forschenden bezweifelt, dass Nutzerinnen und Nutzer in naher Zukunft noch zuverlässig verstehen werden, warum ein KI-System zu einer bestimmten Entscheidung gelangt. Daraus lässt sich für Unternehmen ableiten, dass sie nicht ausschließlich auf Erklärungen des Modells vertrauen sollten. Entscheidend ist eine organisatorische Kontrollarchitektur, die auch dann funktioniert, wenn die interne Verarbeitung nur begrenzt interpretierbar bleibt.

Warum unterschiedliche Positionen nebeneinander bestehen

In der Fachwelt gibt es sowohl sehr hohe als auch sehr niedrige Einschätzungen des existenziellen Risikos. Diese Unterschiede sind nicht allein auf persönliche Risikobereitschaft zurückzuführen. Sie hängen auch davon ab, welche technischen Entwicklungspfade als plausibel gelten und wie stark man auf Sicherheitsforschung, Regulierung und institutionelle Gegenmaßnahmen vertraut.

Einige Forschende gehen davon aus, dass Systeme mit hoher Autonomie und überlegenen Fähigkeiten grundsätzlich schwer kontrollierbar werden könnten. Andere halten es für wahrscheinlicher, dass technische Grenzen, wirtschaftliche Anreize, staatliche Aufsicht und schrittweise Sicherheitsmaßnahmen die Entwicklung in kontrollierbare Bahnen lenken. Wieder andere bezweifeln, dass aus den heute beobachteten Modellen ein Szenario mit umfassender strategischer Eigenständigkeit entstehen muss.

Auch die Auswahl der Befragten beeinflusst das Ergebnis. Die Umfrage richtet sich an Personen, die an führenden KI-Konferenzen oder in einschlägigen Publikationsorganen aktiv waren. Diese Gruppe ist fachlich relevant, repräsentiert aber nicht automatisch alle Entwicklerinnen und Entwickler, Unternehmen, Sicherheitsexpertinnen, Sozialwissenschaftler oder gesellschaftlichen Perspektiven. Zudem kann eine Teilnahmebereitschaft entstehen, die bestimmte Sichtweisen stärker sichtbar macht als andere.

Medienberichte müssen solche Einschränkungen berücksichtigen. Die Aussage, „ein Fünftel der KI-Forschenden erwartet das Ende der Menschheit“, wäre verkürzt. Präziser ist: In einer internationalen Expertenbefragung aus dem Jahr 2024 lag die durchschnittliche subjektive Einschätzung für eine Auslöschung oder dauerhafte schwere Entmachtung der Menschheit bei 18 Prozent. Die Antworten waren breit verteilt und von erheblicher Unsicherheit geprägt.

Von der Extremszenario-Debatte zur praktischen Risikovorsorge

Für die strategische Planung von Unternehmen ist es nicht erforderlich, eine bestimmte Zukunftsprognose zu übernehmen. Auch wenn ein Unternehmen ein existenzielles Szenario für sehr unwahrscheinlich hält, bleiben zahlreiche konkrete Risiken bestehen, die sich mit vertretbarem Aufwand reduzieren lassen.

Dazu gehören die Prüfung von Datenflüssen, die Trennung von Test- und Produktivumgebungen, der Schutz von Zugangsdaten, die Begrenzung von Tool-Nutzung, die Kennzeichnung synthetischer Inhalte und die Schulung von Mitarbeitenden. Besonders bei generativer KI sollte festgelegt werden, welche Informationen nicht in externe Systeme eingegeben werden dürfen und wie sensible Inhalte verarbeitet werden.

Für Wissensarbeit und Content-Prozesse können KI-Systeme erhebliche Effizienzgewinne bieten. Plattformen wie Mindverse unterstützen Unternehmen dabei, Texte, Inhalte, Bilder und Rechercheprozesse in einer integrierten Umgebung zu bearbeiten. Der Nutzen solcher Werkzeuge hängt jedoch davon ab, dass die Organisation ihre fachlichen Prüfprozesse beibehält. KI kann Recherche und Produktion beschleunigen, aber die Verantwortung für Quellenbewertung, Tonalität, rechtliche Zulässigkeit und sachliche Richtigkeit bleibt bei den zuständigen Menschen und Unternehmen.

Ein professioneller Einsatz verbindet daher Automatisierung mit Kontrollpunkten. Inhalte können zunächst durch ein Modell erstellt, anschließend anhand definierter Kriterien geprüft und vor der Veröffentlichung freigegeben werden. Bei sensiblen Themen sind zusätzliche Fachprüfungen erforderlich. So wird aus einer abstrakten Risikodebatte ein operatives Verfahren, das Qualität und Sicherheit im Alltag verbessert.

Fazit: Ein Warnsignal, keine Vorhersage

Die Befragung von KI-Forschenden aus dem Jahr 2024 zeigt, dass die Sorge vor extremen Folgen fortgeschrittener künstlicher Intelligenz keineswegs auf einzelne Stimmen beschränkt ist. Ein durchschnittlicher Risikowert von 18 Prozent und ein Median von 10 Prozent sind jedoch keine wissenschaftlich bestätigte Prognose. Sie verdeutlichen vor allem, wie groß die Unsicherheit selbst unter Personen ist, die sich beruflich mit der Technologie beschäftigen.

Gleichzeitig richten die Forschenden ihren Blick nicht nur auf hypothetische Zukunftsszenarien. Desinformation, Manipulation, Cybermissbrauch, fehlerhafte Entscheidungen und mangelnde Nachvollziehbarkeit gelten als konkrete Herausforderungen. Unternehmen müssen deshalb zwei Ebenen miteinander verbinden: langfristige Sicherheitsforschung für leistungsfähigere Systeme und kurzfristige Governance für bereits eingesetzte Anwendungen.

Für Sie als Entscheiderin oder Entscheider bedeutet das: Bewerten Sie KI nicht allein nach ihrer Produktivität und auch nicht ausschließlich nach spektakulären Warnungen. Prüfen Sie konkrete Anwendungsfälle, Daten, Berechtigungen, Ausfallfolgen und Verantwortlichkeiten. Definieren Sie messbare Qualitäts- und Sicherheitsanforderungen, überwachen Sie die Systeme fortlaufend und sorgen Sie für einen funktionierenden menschlichen Kontrollrahmen. Damit lässt sich der praktische Nutzen künstlicher Intelligenz erweitern, ohne die bestehenden Unsicherheiten zu ignorieren.

Bibliografie

AI Impacts: Advanced AI according to 1,580 researchers: uncertain, unsafe, and sooner than we thought. Expert Survey on Progress in AI 2024. https://aiimpacts.org/wp-content/uploads/2026/09/ESPAI2024.pdf

AI Impacts: Survey: Median AI expert says 5% chance of human extinction. 4. Januar 2024. https://aiimpacts.org/wp-content/uploads/2024/01/EMBARGOED_-AI-Impacts-Survey-Release-Google-Docs.pdf

Hsu, Jeremy: There’s a 5% chance of AI causing humans to go extinct, say scientists. New Scientist, 4. Januar 2024. https://www.newscientist.com/article/2410839-theres-a-5-chance-of-ai-causing-humans-to-go-extinct-say-scientists/

Nolan, Michael: Weighing the Prophecies of AI Doom. IEEE Spectrum, 25. Januar 2024. https://spectrum.ieee.org/ai-existential-risk-survey

Piper, Kelsey: Thousands of AI experts are torn about what they’ve created, new study finds. Vox, 10. Januar 2024. https://www.vox.com/future-perfect/2024/1/10/24032987/ai-impacts-survey-artificial-intelligence-chatgpt-openai-existential-risk-superintelligence

Stokel-Walker, Chris: AI Survey Exaggerates Apocalyptic Risks. Scientific American, 26. Januar 2024. https://www.scientificamerican.com/article/ai-survey-exaggerates-apocalyptic-risks/

Bastian, Matthias: Nearly one in five AI researchers already expected an extinction scenario from AI back in 2024. The Decoder, 16. September 2026. https://the-decoder.com/nearly-one-in-five-ai-researchers-already-expected-an-extinction-scenario-from-ai-back-in-2024/