Der Winter kommt … zumindest hier bei uns zu Hause in Weilheim in Oberbayern. Am Tag nach dem Ende der Machine Learning Week Europe hatten wir den ersten Schneefall. Das Leben ist eingefroren – zumindest draußen. Auf LinkedIn hingegen heizt sich die Diskussion auf: Platzt die AI-Blase, und steht der nächste AI-Winter bevor?
Ich nutze die winterliche Ruhe, um meine Eindrücke und Erkenntnisse von der Machine Learning Week Europe mit Ihnen zu teilen, die ich am Montag und Dienstag vergangener Woche in Berlin moderieren durfte. Auch dort wurde häufig gefragt: (Wann) platzt die AI-Blase?
Die meisten waren sich einig, dass es sich um eine Blase handelt: Überzogene Erwartungen an AI erweisen sich als verfrüht. Innovation und Transformation brauchen Zeit – und Geld! Ein ChatGPT-Abonnement reicht für Disruption nicht aus. Was in vielen Präsentationen und Diskussionen während der zwei Konferenztage deutlich wurde: Das Tooling ist der erste und einfache Schritt. Danach beginnt die harte Arbeit: Training, Anpassung und Testen.
Was die fast 50 Case Studies, Deep Dives und Keynotes ebenfalls gezeigt haben: AI ist so viel mehr als generative AI. Nicht jedes Problem erfordert ein LLM als Lösung. Der Trend in diesem Jahr war sehr klar: keep it simple, stupid. Wenn eine einfache lineare Regression das Problem löst, dann ist das die Lösung (zum Beispiel für den neuen Schufa-Score). Punkt.
Wenn ein LLM eine bessere Performance liefert, zum Beispiel als Empfehlungssystem für Newsletter wie bei DIE ZEIT, dann ist das LLM das richtige Werkzeug für diese Aufgabe. Die Entscheidung, welches Werkzeug die richtige Lösung ist, erfordert sehr viel Erfahrung: Prof. Dr. Sven Crone brachte in seiner bemerkenswerten Keynote „Was hat AI jemals für Forecasting getan? Anekdoten und Fallstudien aus den vergangenen zwei Jahrzehnten.“ 20 Jahre Forecasting-Erfahrung auf die Bühne. Sein ernüchterndes Fazit: Oft scheitert es noch immer an fehlenden Daten.
Eine weitere auffällige Beobachtung: LLM wurde vor allem für interne Use Cases eingesetzt. Denn der größte Kostenfaktor bei LLM ist der Betrieb: LLMOps (Monitoring von Input, Modell und Output) machte oft den Hauptteil der Kosten aus. Bei internen Lösungen ist das Risiko von Prompt Injections geringer, und es gibt immer einen HITL, also einen Mitarbeiter in the loop.
Gleich zu Beginn der Konferenz zeigte die Keynote „Von Assistenten zu Agenten: AI bauen, die handelt statt nur zu antworten“ von Farah Ayadi (Principal Product Manager bei feedly), dass der Schlüssel zum AI-Erfolg nicht der System Prompt, sondern das Systemdesign ist. Selbst mit cleverem Prompt Engineering bleibt ein einzelnes LLM nicht mehr als ein stochastischer Papagei. Intelligenz entsteht durch intelligentes Kontext-Engineering und agentisches Design. Entscheidend sind Informationen (Kontext) und Funktionen (Tools) und wie die Agenten miteinander kommunizieren und zusammenarbeiten, um ein bestimmtes Ziel zu erreichen.
Fazit der Konferenz: Von Winterblues war keine Spur. Im Gegenteil: Die Phase des Experimentierens ist vorbei, jetzt geht es um die Nutzung. Ja, der Winter kommt – saisonal wie wirtschaftlich –, aber AI beginnt gerade erst zu blühen.
Mehr gibt es in unserer exklusiven Data & AI Business Design Community.
Die Mitgliedschaft ist und bleibt kostenfrei.
