Die digitale Revolution hat die bisherige Technologie vom analogen Format auf das digitale Format umgestellt.
Dadurch wurde es möglich, Kopien anzufertigen, die mit dem Original identisch sind.
In der digitalen Kommunikation konnte beispielsweise die wiederholende Hardware das digitale Signal verstärken und ohne Informationsverlust im Signal weiterleiten.


Ebenso wichtig wie die revolutionäre Veränderung war die Möglichkeit, digitale Informationen einfach zwischen verschiedenen Medien zu verschieben und aus der Ferne darauf zuzugreifen oder sie zu verteilen. In den späten 1980er Jahren lag weniger als 1 % der weltweit technologisch gespeicherten Informationen in digitalem Format vor, während es 2007 94 % waren und 2014 bereits mehr als 99 %.

Es war die historische Aufgabe der kapitalistischen Produktionsweise, die „Produktivkräfte“ (d. h. die Technologie und die Arbeitskraft, die notwendig sind, um die Produktion von Gütern und Dienstleistungen zu steigern, die die menschliche Gesellschaft benötigt oder wünscht) zu entwickeln. In der Tat ist es der Hauptanspruch der Befürworter des Kapitalismus, dass er das beste (oder sogar das einzige) System der sozialen Organisation ist, das in der Lage ist, wissenschaftliches Wissen, Technologie und Humankapital zu entwickeln, und zwar ausschließlich über den „Markt“.

Die Entwicklung der Produktivkräfte in der Geschichte der Menschheit lässt sich am besten anhand des Niveaus und der Geschwindigkeit der Veränderung der Arbeitsproduktivität (Output pro Arbeiter pro Stunde) messen. Digitale Technologien mögen mit der Brillanz und Leistungsfähigkeit ihrer Anwendungen geblendet haben, aber sie haben bisher nicht die erwartete Dividende in Form eines höheren Produktivitätswachstums geliefert. Tatsächlich verlangsamt sich das Wachstum der Arbeitsproduktivität weltweit seit 50 Jahren und es sieht so aus, als würde sich dies fortsetzen.

Quelle: Durchschnittliche Wachstumsraten der Arbeitsproduktivität (US-Dollar 2010 ppp pro Arbeitsstunde) für mehrere lange Zeiträume. Daten aus der Langzeit-Produktivitätsdatenbank v2.4 (Bergeaud et al 2016)

Es gibt drei Faktoren für das Produktivitätswachstum:

-die Anzahl der Beschäftigten,
- die Höhe der Investitionen in Maschinen und Technologien, die Arbeitskräfte ersetzen, und
- der X-Faktor, die Qualität und Innovationsfähigkeit der Arbeitskräfte.

In der volkswirtschaftlichen Gesamtrechnung wird dieser letzte Faktor als totale Faktorproduktivität (TFP) bezeichnet, die als „nicht berücksichtigter“ Beitrag zum Produktivitätswachstum nach investiertem Kapital und eingesetzter Arbeitskraft gemessen wird. Dieser letzte Faktor ist im langfristigen Rückgang begriffen.

Dieser Verlangsamung der Arbeitsproduktivität entspricht der langfristige Rückgang der Anlageinvestitionen im Verhältnis zum BIP in den Industrieländern in den letzten 50 Jahren. Im Jahr 1980 lagen die Investitionsquoten sowohl in den fortgeschrittenen kapitalistischen Volkswirtschaften als auch in den „aufstrebenden“ kapitalistischen Volkswirtschaften (ohne China) bei etwa 25 % des BIP.
Jetzt liegt die Quote im Durchschnitt bei etwa 22 %, was einem Rückgang von mehr als 10 % entspricht. Während der Großen Rezession fiel die Quote in den Industrieländern unter 20 %.

Die Verlangsamung sowohl des Investitions- als auch des Produktivitätswachstums begann in den 1970er Jahren. Und das ist kein Zufall. Die säkulare Verlangsamung des Produktivitätswachstums steht eindeutig im Zusammenhang mit der langfristigen Verlangsamung des Wachstums der Investitionen in produktive wertschöpfende Vermögenswerte.
Dafür gibt es neue Belege. In einer umfassenden Studie haben vier etablierte Wirtschaftswissenschaftler die kausalen Komponenten des Rückgangs des Produktivitätswachstums aufgeschlüsselt.[1] Für die USA stellen sie fest, dass von einem Rückgang des durchschnittlichen jährlichen Produktivitätswachstums um insgesamt 1,6 Prozentpunkte seit den 1970er Jahren 70 Basispunkte oder etwa 45 % auf eine Verlangsamung der Investitionen zurückzuführen sind, die entweder durch wiederkehrende Krisen oder durch strukturelle Faktoren verursacht wurde.
Weitere 20 Basispunkte oder 13 % sind auf „Fehlmessungen“ zurückzuführen  (diese ist ein neuerliches Argument, mit dem versucht wird zu behaupten, dass es keinen Rückgang des Produktivitätswachstums gegeben hat.)[2] Weitere 17 % sind auf den Anstieg der „immateriellen Vermögenswerte“ (Investitionen in „Goodwill“) zurückzuführen, die keinen Anstieg des Anlagevermögens zeigen (was die Frage aufwirft, ob "immaterielle Vermögenswerte wie "Goodwill" wirklich wertschöpfend sind).[3] Etwa 9 % sind auf den Rückgang des globalen Handelswachstums seit Anfang der 2000er Jahre zurückzuführen; und schließlich sind fast 25 % auf Investitionen von Kapitalisten in unproduktive Sektoren wie Immobilien und Finanzen zurückzuführen.
Die vier Ökonomen fassen ihre Schlussfolgerungen wie folgt zusammen: „Beim Vergleich des Zeitraums nach 2005 mit dem vorangegangenen Jahrzehnt für fünf fortgeschrittene Volkswirtschaften versuchen wir, eine Verlangsamung von 0,8 bis 1,8 Prozentpunkten zu erklären. Wir führen dies größtenteils auf geringere Beiträge der TFP und der Kapitalvertiefung zurück, wobei das verarbeitende Gewerbe den größten sektoralen Anteil an der Verlangsamung hat.“

Mit anderen Worten: Wenn wir „immaterielle Vermögenswerte“, Fehlmessungen und unproduktive Investitionen ausschließen, ist die Ursache für das geringere Produktivitätswachstum ein geringeres Investitionswachstum in produktive Vermögenswerte. In dem Papier wird auch darauf hingewiesen, dass es keine Verringerung der wissenschaftlichen Forschung und Entwicklung gegeben hat, im Gegenteil. Es ist nur so, dass neue technische Fortschritte von den Kapitalisten nicht in Investitionen umgesetzt werden.


Dies bestätigt das alte Sprichwort des Ökonomen Robert Solow, der 1987 bekanntlich sagte, dass
"das Computerzeitalter überall ist, außer in den Produktivitätsstatistiken.[4]

Könnten die neuesten Entwicklungen in der digitalen Technologie dem Kapitalismus neuen Schwung verleihen?

Es gibt einen neuen Schub an Techno-Optimismus, der durch die Anwendung künstlicher Intelligenz (KI) in Form von Sprachlernmaschinen (LLMs) entsteht. Ein Analyst ist der Meinung, dass KI „ein enormes Potenzial zur Steigerung der gesamtwirtschaftlichen Produktivität hat“, und zitiert eine aktuelle MIT-Studie, die eine massive Produktivitätssteigerung bei der Verwendung von ChatGPT, der KI-LLM von Microsoft, aufzeigt.[5] ChatGPT hat 100 Millionen Nutzer schneller gewonnen als jede andere Anwendung in der Geschichte, und diese schnellen Adoptionsraten beschränken sich nicht nur auf einzelne Nutzer. Große Unternehmen wie Bain & Company haben mit Microsofts OpenAI Verträge über die Nutzung von „generativer KI“ in ihrem Strategieberatungsgeschäft abgeschlossen, während Unternehmen wie Expedia ChatGPT über Plug-ins integriert haben.

Die Ökonomen von Goldman Sachs gehen davon aus, dass die KI-Technologie, wenn sie ihr Versprechen einlöst, zu einer „erheblichen Störung“ auf dem Arbeitsmarkt führen würde, da in den großen Volkswirtschaften umgerechnet 300 Millionen Vollzeitbeschäftigte von der Automatisierung ihrer Arbeitsplätze betroffen wären.[6] Zu den Berufsgruppen, die am stärksten von Entlassungen bedroht sind, gehören Anwälte und Verwaltungsangestellte (und wahrscheinlich auch Wirtschaftswissenschaftler). GS schätzt, dass etwa zwei Drittel der Arbeitsplätze in den USA und Europa in gewissem Maße der KI-Automatisierung ausgesetzt sind, basierend auf Daten zu den Aufgaben, die typischerweise in Tausenden von Berufen ausgeführt werden. Die meisten Menschen würden weniger als die Hälfte ihrer Arbeitsbelastung automatisiert sehen und wahrscheinlich in ihrem Beruf bleiben, wobei ein Teil ihrer Zeit für produktivere Tätigkeiten frei würde. In den USA würde dies für 63 % der Arbeitskräfte gelten, so die Berechnungen. Weitere 30 % der Beschäftigten, die in körperlicher Arbeit oder im Freien tätig sind, wären nicht betroffen, obwohl ihre Arbeit möglicherweise für andere Formen der Automatisierung anfällig ist.

Die Ökonomen von GS kommen zu dem Schluss: „Unsere Ergebnisse zeigen, dass bei etwa 80 % der US-Arbeitskräfte mindestens 10 % ihrer Arbeitsaufgaben von der Einführung von LLMs betroffen sein könnten, während bei etwa 19 % der Beschäftigten mindestens 50 % ihrer Aufgaben betroffen sein könnten.“ Mit dem Zugang zu einer LLM könnten etwa 15 % aller Aufgaben von Arbeitnehmern in den USA bei gleicher Qualität deutlich schneller erledigt werden. Bei der Integration von Software und Tools, die auf LLMs basieren, steigt dieser Anteil auf 47–56 % aller Aufgaben. Etwa 7 % der Arbeitnehmer in den USA sind in Berufen tätig, in denen mindestens die Hälfte ihrer Aufgaben von generativer KI erledigt werden könnte und sie durch KI ersetzt werden könnten. Auf globaler Ebene, wo manuelle Tätigkeiten in den Entwicklungsländern einen größeren Anteil an der Beschäftigung haben, schätzt GS, dass etwa ein Fünftel der Arbeit von KI erledigt werden könnte – das entspricht etwa 300 Millionen Vollzeitstellen in den großen Volkswirtschaften.

Es liegt in der Natur der kapitalistischen Akkumulation, dass die Arbeiter durch zunehmende Investitionen in Maschinen ständig mit dem Verlust ihrer Arbeit konfrontiert sind. Der Ersatz menschlicher Arbeitskraft durch Maschinen begann zu Beginn der britischen Industriellen Revolution in der Textilindustrie, und die Automatisierung spielte eine wichtige Rolle bei der Industrialisierung Amerikas im 19. Jahrhundert. Die rasche Mechanisierung der Landwirtschaft ab der Mitte des 19. Jahrhunderts ist ein weiteres Beispiel für Automatisierung. Wie Friedrich Engels erklärte, führte die Mechanisierung zwar nicht nur zum Verlust von Arbeitsplätzen, aber oft auch zur Schaffung neuer Arbeitsplätze in neuen Sektoren, wie Engels in seinem Buch „Die Lage der arbeitenden Klasse in England“ (1844) konstatierte[7]. Aber auch Karl Marx stellte in den 1850er Jahren fest: „Die wirklichen Tatsachen, die durch den Optimismus der Ökonomen verzerrt werden, sind folgende: Die Arbeiter, wenn sie durch die Maschinen aus der Werkstatt vertrieben werden, werden auf den Arbeitsmarkt geworfen. Ihre Anwesenheit auf dem Arbeitsmarkt erhöht die Zahl der Arbeitskräfte, die der kapitalistischen Ausbeutung zur Verfügung stehen ... Die Wirkung der Maschinerie, die als Ausgleich für die Arbeiterklasse dargestellt wurde, ist im Gegenteil eine schreckliche Geißel. ... Sobald die Maschinerie einen Teil der in einem bestimmten Industriezweig beschäftigten Arbeiter freigesetzt hat, werden auch die Ersatzmänner in neue Beschäftigungskanäle umgeleitet und in anderen Branchen absorbiert; währenddessen verhungern und sterben die ursprünglichen Opfer in der Übergangszeit größtenteils."[8]

Die Implikation hier ist, dass Automatisierung mehr prekäre Arbeitsplätze und zunehmende Ungleichheit bedeutet.
Bisher war für die Mechanisierung noch menschliche Arbeit erforderlich, um sie zu starten und aufrechtzuerhalten.
Aber bewegen wir uns jetzt auf die Übernahme aller Aufgaben zu, insbesondere derer, die Komplexität und Ideen mit LLMs erfordern?
Und wird dies einen dramatischen Anstieg der Arbeitsproduktivität bedeuten, sodass der Kapitalismus eine neue Blütezeit erlebt?
Goldman Sachs behauptet, dass diese „generativen“ KI-Systeme wie ChatGPT einen Produktivitätsboom auslösen könnten, der das jährliche globale BIP über einen Zeitraum von zehn Jahren um 7 % steigern würde. Wenn die Unternehmensinvestitionen in KI weiterhin in einem ähnlichen Tempo wie die Softwareinvestitionen in den 1990er Jahren steigen würden, könnten die KI-Investitionen allein in den USA bis 2030 fast 1 % des US-BIP erreichen.

Produktivitätssteigerungen könnten auch in anderen Ländern beträchtlich sein: Wir schätzen, dass eine weit verbreitete KI-Anpassung das jährliche Produktivitätswachstum in einem Zeitraum von 10 Jahren um 1,4 Prozentpunkte steigern könnte.

Quelle: Goldman Sachs

Aber wird es ein so exponentieller Sprung sein?  LAut den jüngsten Prognosen der Weltbank wird das globale Wachstum im Vergleich zu den ersten zehn Jahren dieses Jahrhunderts um etwa ein Drittel auf nur noch 2,2 % pro Jahr sinken.[9] Und der IWF schätzt die durchschnittliche Wachstumsrate für Rest dieses Jahrzehnts.[10] Wenn wir die GS-Prognose der Auswirkungen von LLMs hinzuzählen, erhalten wir etwa 3,0–3,5 % pro Jahr für das globale reale BIP-Wachstum, vielleicht – und dies berücksichtigt nicht das Bevölkerungswachstum, das das Pro-Kopf-Produktionswachstum verringern würde. Mit anderen Worten, die wahrscheinlichen Auswirkungen wären nicht besser als der seit den 1990er Jahren beobachtete Durchschnitt.

Der führende Technologieökonom Daron Acemoglu dämpft den Optimismus, der von GS und anderen verbreitet wird, deutlich.[11]
Im Gegensatz zu GS schätzt Acemoglu, dass die Produktivitätseffekte durch KI-Fortschritte in den nächsten 10 Jahren „bescheiden“ sein werden.
Der höchste von ihm prognostizierte Gewinn wäre ein Anstieg der Gesamtfaktorproduktivität (TFP) um insgesamt nur 0,66 %, was, wie oben erwähnt, die gängige Messgröße für die Auswirkungen von Innovationen ist, oder ein Anstieg des jährlichen TFP-Wachstums um nur 0,064 %.
Es könnte sogar noch weniger sein, da KI einige schwierigere Aufgaben, die Menschen erledigen, nicht bewältigen kann. Dann könnte der Anstieg nur 0,53 % betragen. Selbst wenn die Einführung von KI die Gesamtinvestitionen erhöhen würde, würde der Anstieg des BIP in den USA insgesamt nur 0,93–1,56 % betragen, je nach Umfang des Investitionsbooms.

Eine weitere wichtige Schlussfolgerung, zu der Acemoglu gelangte, war, dass nicht alle Automatisierungstechnologien tatsächlich die Arbeitsproduktivität steigern.
 „Diejenigen, die Kosten senken und die Produktivität steigern, führen zu einer Reihe von kompensierenden Veränderungen, z. B. zur Ausweitung der Beschäftigung in nicht automatisierten Aufgaben. Wenn die Automatisierung hingegen ‚mittelmäßig‘ ist – d. h. nur geringfügige Produktivitätssteigerungen bringt –, dann führt sie zwar zu Verdrängungseffekten, aber nur zu geringen kompensierenden Vorteilen.“
Tatsächlich hat sich die US-Wirtschaft immer mehr in Richtung Automatisierung entwickelt, jedoch weniger in Richtung sozial vorteilhafter Automatisierungsarten. Tatsächlich geht Acemoglu davon aus, dass das Streben führender Unternehmen nach zusätzlichen Gewinnen aus der Automatisierung das Produktivitätswachstum senken kann. Das liegt daran, dass Unternehmen Automatisierung hauptsächlich in Bereichen einführen, die die Rentabilität steigern können, wie Marketing, Buchhaltung oder fossile Brennstofftechnologie, aber nicht die Produktivität für die Wirtschaft als Ganzes erhöhen oder soziale Bedürfnisse erfüllen.

Wie Acemoglu in einer STellungnahme vor dem US-Kongress erklärte:


„Die amerikanische und weltweite Technologie wird von den Entscheidungen einer Handvoll sehr großer und sehr erfolgreicher Technologieunternehmen geprägt, die nur über eine winzige Belegschaft und ein auf Automatisierung basierendes Geschäftsmodell verfügen.“[12]

Und während die staatlichen Ausgaben für die KI-Forschung zurückgegangen sind, hat sich die KI-Forschung auf das verlagert, was die Rentabilität einiger weniger multinationaler Unternehmen steigern kann, nicht auf soziale Bedürfnisse: „Die staatlichen Forschungsausgaben sind im Verhältnis zum BIP gesunken und ihre Zusammensetzung hat sich in Richtung Steuergutschriften und Unterstützung für Unternehmen verlagert. Die transformativen Technologien des 20. Jahrhunderts, wie Antibiotika, Sensoren, moderne Motoren und das Internet, tragen überall die Handschrift der Regierung. Die Regierung finanzierte und kaufte diese Technologien und legte oft die Forschungsagenda fest. Dies ist heute viel weniger der Fall.“

In den USA werden Software und Ausrüstung fast gar nicht besteuert, und in einigen Fällen können Unternehmen sogar eine Nettosubvention erhalten, wenn sie in solches Kapital investieren. Dies schafft einen starken Anreiz für eine „übermäßige Automatisierung“, bei der Unternehmen Geld sparen können, wenn sie Maschinen installieren, die die gleiche Arbeit wie die Mitarbeiter erledigen, und ihre Mitarbeiter entlassen, weil die Regierung ihre Investitionen subventioniert und die Lohnzahlungen besteuert.

Vieles hängt davon ab, wo und wie KI eingesetzt wird. Eine Studie von PwC ergab, dass das Produktivitätswachstum in Teilen der Wirtschaft, in denen die KI-Durchdringung am höchsten war, fast fünfmal so schnell war wie in weniger exponierten Sektoren.[13] Barret Kupelian, Chefökonom bei PwC UK, sagte: „Unsere Ergebnisse zeigen, dass KI die Kraft hat, neue Industrien zu schaffen, den Arbeitsmarkt zu verändern und potenziell die Produktivitätswachstumsraten zu steigern. Was die wirtschaftlichen Auswirkungen betrifft, sehen wir nur die Spitze des Eisbergs – derzeit deuten unsere Ergebnisse darauf hin, dass sich die Einführung von KI auf einige wenige Wirtschaftssektoren konzentriert, aber sobald sich die Technologie verbessert und auf andere Wirtschaftssektoren ausbreitet, könnte das zukünftige Potenzial transformativ sein.“

Die Ökonomen der OECD sind sich nicht so sicher, ob dies richtig ist. In einem Papier stellen sie die Frage: „Wie lange wird die Anwendung von KI in Wirtschaftssektoren dauern? Die Akzeptanz von KI ist immer noch sehr gering, weniger als 5 % der Unternehmen in den USA geben an, diese Technologie zu nutzen (Census Bureau 2024). Im Vergleich zum Akzeptanzpfad früherer Allzwecktechnologien (z. B. Computer und Elektrizität), deren vollständige Verbreitung bis zu 20 Jahre gedauert hat, hat KI noch einen langen Weg vor sich, bevor sie die hohen Akzeptanzraten erreicht, die notwendig sind, um makroökonomische Gewinne zu erzielen."[14]

„Erkenntnisse auf Mikro- oder Branchenebene erfassen hauptsächlich die Auswirkungen auf frühe Anwender und sehr spezifische Aufgaben und weisen wahrscheinlich auf kurzfristige Effekte hin. Die langfristigen Auswirkungen von KI auf das Produktivitätswachstum auf Makroebene werden vom Umfang ihrer Nutzung und der erfolgreichen Integration in Geschäftsprozesse abhängen.“ Die OECD-Ökonomen weisen darauf hin, dass es bei früheren bahnbrechenden Technologien wie der Elektrizität oder PCs 20 Jahre gedauert hat, bis sie sich ausreichend ‚verbreitet‘ hatten, um einen Unterschied zu machen. Das würde bedeuten, dass KI in den 2040er Jahren eintritt.

Darüber hinaus könnte KI durch den Ersatz von Arbeitskräften in produktiveren, wissensintensiven Sektoren „letztendlich zu einem Rückgang der Beschäftigungsanteile dieser Sektoren führen, was sich negativ auf das Gesamtproduktivitätswachstum auswirken würde“.

Und in Anlehnung an einige der Argumente von Acemoglu schlagen die OECD-Ökonomen vor, dass „KI eine erhebliche Bedrohung für den Wettbewerb auf dem Markt und die Ungleichheit darstellt, die ihre potenziellen Vorteile direkt oder indirekt beeinträchtigen könnte, indem sie präventive politische Maßnahmen zur Begrenzung ihrer Entwicklung und Einführung veranlasst.“

Und im Gegensatz zu den GS-Ökonomen sind diejenigen, die an der Spitze der KI-Entwicklung stehen, weit weniger optimistisch, was die Auswirkungen der KI angeht. Demis Hassabis, Leiter der KI-Forschungsabteilung von Google, drückt es so aus:
 „Das größte Versprechen der KI ist genau das – ein Versprechen. Zwei grundlegende Probleme sind noch ungelöst. Eines davon besteht darin, KI-Modelle zu erstellen, die auf historischen Daten trainiert werden, jede neue Situation verstehen, in die sie versetzt werden, und angemessen reagieren."[15] KI muss in der Lage sein, ‚unsere komplexe und dynamische Welt zu verstehen und darauf zu reagieren, genau wie wir es tun‘.

Aber kann KI das? Yann LeCun, leitender KI-Wissenschaftler bei Meta, dem Social-Media-Riesen, dem Facebook und Instagram gehören, glaubt nicht daran. Er sagte, dass LLMs „nur ein sehr begrenztes Verständnis von Logik haben . . . die physische Welt nicht verstehen, kein dauerhaftes Gedächtnis haben, nicht in der Lage sind, in irgendeiner vernünftigen Definition des Begriffs zu argumentieren und nicht . . . hierarchisch planen können“. [16]
LLMs sind Modelle, die nur dann lernen, wenn menschliche Ingenieure eingreifen, um sie mit diesen Informationen zu trainieren, und nicht, wenn die KI wie Menschen organisch zu einem Schluss kommt.
„Für die meisten Menschen sieht es sicherlich wie logisches Denken aus, aber in Wirklichkeit wird hier hauptsächlich das gesammelte Wissen aus vielen Trainingsdaten genutzt.“ Aron Culotta, außerordentlicher Professor für Informatik an der Tulane University, drückte es anders aus: ‚Der gesunde Menschenverstand war der KI lange Zeit ein Dorn im Auge‘, und es sei schwierig, Modellen Kausalität beizubringen, wodurch sie ‚anfällig für unerwartete Ausfälle‘ seien.[17]

Noam Chomsky fasste die Grenzen der KI im Vergleich zur menschlichen Intelligenz zusammen: „Der menschliche Geist ist nicht wie ChatGPT und Konsorten, eine schwerfällige statistische Maschine für den Musterabgleich, die sich an Hunderten von Terabyte an Daten labt und die wahrscheinlichste Gesprächsbeteiligung oder Antwort auf eine wissenschaftliche Frage extrapoliert. Im Gegenteil, der menschliche Geist ist ein überraschend effizientes und sogar elegantes System, das mit kleinen Informationsmengen arbeitet; er versucht nicht, grobe Korrelationen zwischen Datenpunkten abzuleiten, sondern Erklärungen zu finden. Hören wir auf, es künstliche Intelligenz zu nennen, und nennen wir es beim Namen: „Plagiatssoftware“, denn sie erschafft nichts als Kopien bestehender Werke, von Künstlern, und verändert sie so stark, dass sie dem Urheberrecht entgehen."[18]

Geschäftsmodell für KI im Kapitalismus

Big Tech hat einen besonderen Ansatz in Bezug auf Wirtschaft und Technologie, der sich auf den Einsatz von Algorithmen konzentriert, um Menschen zu ersetzen. Es ist kein Zufall, dass Unternehmen wie Google weniger als ein Zehntel der Anzahl an Arbeitnehmern beschäftigen, die große Unternehmen wie General Motors in der Vergangenheit beschäftigt haben. Dies ist eine Folge des Geschäftsmodells von Big Tech, das nicht auf der Schaffung von Arbeitsplätzen, sondern auf deren Automatisierung basiert.

Das ist das Geschäftsmodell für KI im Kapitalismus. Nur wenn das Profitmotiv ersetzt wird, können Automatisierung und Robotik echte Vorteile in Form kürzerer Arbeitszeiten und mehr sozialen Gütern bringen. Bei kooperativen, in Gemeinschaftsbesitz befindlichen automatisierten Produktionsmitteln gibt es viele KI-Anwendungen, die stattdessen die menschlichen Fähigkeiten erweitern und neue Aufgaben in den Bereichen Bildung, Gesundheitswesen und sogar in der Fertigung schaffen könnten.
Acemoglu schlägt vor, dass „wir KI nicht für die automatische Benotung, Hausaufgabenhilfe und zunehmend für den Ersatz von Lehrern durch Algorithmen einsetzen sollten, sondern in die Nutzung von KI für die Entwicklung individuellerer, schülerzentrierter Lehrmethoden investieren sollten, die auf die spezifischen Stärken und Schwächen verschiedener Schülergruppen abgestimmt sind. Solche Technologien würden dazu führen, dass mehr Lehrer eingestellt werden und die Nachfrage nach neuen Lehrerkompetenzen steigt – und damit genau in die Richtung gehen, neue Arbeitsplätze zu schaffen, die sich auf neue Aufgaben konzentrieren.“

Und anstatt Arbeitsplätze und die Lebensgrundlagen von Menschen zu reduzieren, könnte KI in gemeinsamem Besitz und gemeinsamer Planung die Arbeitsstunden für alle reduzieren.


Quellen:

[1] https://www.oxfordmartin.ox.ac.uk/publications/why-is-productivity-slowing-down

[2] https://thenextrecession.wordpress.com/2019/01/08/assa-2019-part-2-the-radical-profitability-growth-and-crises/

[3] https://thenextrecession.wordpress.com/2017/12/10/capitalism-without-capital-or-capital-without-capitalism/

[4] https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/is-the-solow-paradox-back

[5] https://www.left-horizons.com/2023/05/30/acemoglu-ai-and-automation/

[6] https://www.gspublishing.com/content/research/en/reports/2023/03/27/d64e052b-0f6e-45d7-967b-d7be35fabd16.html

[7] https://www.lulu.com/shop/michael-roberts/engels-200/paperback/product-y9pzdr.html?page=1&pageSize=4

[8] Grundrisse.

[9] https://www.worldbank.org/en/news/press-release/2024/01/09/global-economic-prospects-january-2024-press-release

[10] https://www.imf.org/en/News/Articles/2024/04/11/sp041124-outlook-global-economy-policy-priorities-kristalina-georgieva

[11] https://www.nber.org/papers/w32487

[12] https://www.congress.gov/116/meeting/house/111002/witnesses/HHRG-116-BU00-Wstate-AcemogluD-20200910.pdf

[13] https://www.pwc.co.uk/press-room/press-releases/research-commentary/artificial-intelligence--ai--exposed-sectors-see-a-fivefold-incr.html

[14] Filippucci, F, P Gal, A Leandro, C Jona-Lasinio und G Nicoletti (2024), „The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges“, OECD Artificial Intelligence Papers, Nr. 15, Paris: OECD Publishing.

[15] https://www.ft.com/content/774901e5-e831-4e0b-b0a1-e4b5b0032fb8

[16] https://www.ft.com/content/23fab126-f1d3-4add-a457-207a25730ad9

[17] https://www.ft.com/content/23fab126-f1d3-4add-a457-207a25730ad9

[18] https://www.nytimes.com/2023/03/08/opinion/noam-chomsky-chatgpt-ai.html


 

Zusätzlicher Hinweis auf die bereits veröffentlichten Sequenzen der Serie Digitalisierung

Setzt China künftig die Standards für Künstliche Intelligenz? (I) : Wolfgang Müller:  https://www.isw-muenchen.de/online-publikationen/texte-artikel/5295-setzt-china-kuenftig-die-standards-fuer-kuenstliche-intelligenz