AI Impacts ist eine US-amerikanische Forschungsgruppe, die sich mit der empirischen Untersuchung von Erwartungen und Entwicklungsverläufen im Bereich fortgeschrittener KI befasst. Bekannt ist sie vor allem für ihre wiederholten Befragungen von KI-Forschenden zum Zeitpunkt maschineller Intelligenz auf menschlichem Niveau.
Zusammenfassung
Die Gruppe entstand im Umfeld der KI-Sicherheitsforschung und wird von Katja Grace geleitet. Ihre Erhebungen unter Autorinnen und Autoren führender KI-Konferenzen – durchgeführt 2016, 2022 und 2023 – sind die maßgebliche Datengrundlage für Aussagen darüber, was die Fachwelt selbst erwartet.
Der wichtigste Befund dieser Arbeit betrifft jedoch nicht KI, sondern die Erhebung: Logisch nahezu gleichwertige Fragen erzeugen erheblich abweichende Antworten, je nachdem wie sie formuliert sind. Damit relativiert die Gruppe die Belastbarkeit genau jener Zahlen, die sie erhebt – ein Umstand, der in der Rezeption häufig übergangen wird.
Tätigkeit
Erhebungen
Die Befragungen richten sich an Publizierende der Konferenzen NeurIPS und ICML. Zentrale Größe ist High-Level Machine Intelligence (HLMI), bestimmt als der Zeitpunkt, zu dem unassistierte Maschinen jede Aufgabe besser und kostengünstiger erledigen können als menschliche Arbeitskräfte.
Die Erhebung von 2023 erreichte 2.778 Teilnehmende und ist damit die umfangreichste ihrer Art; die Erhebung von 2022 umfasste 738 Personen. Neben Zeitprognosen erfasst sie Einschätzungen zu Risiken, zur Geschwindigkeit des Übergangs und zu Forschungsprioritäten. Die Ergebnisse erschienen 2025 im Journal of Artificial Intelligence Research.
Befunde
| Rahmung | 10 % bis | 50 % bis |
|---|---|---|
| HLMI (2023) | 2027 | 2047 |
| HLMI (2022) | – | 2060 |
| HLMI (2016) | – | 2061 |
| Vollständige Automatisierung aller Berufe (2023) | 2037 | 2116 |
Die aggregierte Prognose von 2023 setzt die Wahrscheinlichkeit für HLMI auf 10 Prozent bis 2027 und auf 50 Prozent bis 2047. Der letztgenannte Wert liegt dreizehn Jahre früher als in der Erhebung von 2022, die auf 2060 kam.
Zur Einordnung dieser Verschiebung: Zwischen 2016 und 2022 – also in sechs Jahren – hatte sich der Wert lediglich um ein Jahr nach vorne bewegt, von 2061 auf 2060. Als Erklärung wird auf die zwischenzeitliche Veröffentlichung großer Sprachmodelle verwiesen.
Zur langfristigen Einschätzung: 68 Prozent der Befragten hielten 2023 gute Folgen für wahrscheinlicher als schlechte; von diesen gaben jedoch 48 Prozent zugleich eine Wahrscheinlichkeit von mindestens 5 Prozent für extrem schlechte Folgen an.
Je nach Frageformulierung räumten zwischen 38 und 51 Prozent der Befragten eine Wahrscheinlichkeit von mindestens 10 Prozent dafür ein, dass fortgeschrittene KI zu Folgen führt, die so schwerwiegend sind wie das Aussterben der Menschheit.
Wesentlich für die Interpretation ist die Streuung innerhalb jeder Erhebung: Sie ist größer als die Verschiebung zwischen den Erhebungen. Mediane Angaben verdecken, dass Antworten um Jahrzehnte auseinanderliegen. In allen drei Erhebungen erwarteten Befragte mit einem in Asien erworbenen Erstabschluss HLMI signifikant früher als solche mit nordamerikanischem Abschluss.
Rahmungseffekt
Der folgenreichste Befund: Wird dieselbe Sachfrage statt über HLMI über die vollständige Automatisierbarkeit aller menschlichen Berufe (Full Automation of Labor) gestellt, fallen die Schätzungen erheblich später aus – obwohl beide Formulierungen weitgehend dasselbe beschreiben. Die Erhebung von 2023 kam hier auf 10 Prozent bis 2037 und 50 Prozent erst bis 2116. Zwischen beiden Rahmungen liegen damit knapp siebzig Jahre.
Daraus folgt, dass die erhobenen Zahlen nicht als Messung eines zugrunde liegenden Sachverhalts zu lesen sind, sondern als Reaktion auf eine sprachliche Vorlage. Für die Verwendung bedeutet das: Zeitangaben aus solchen Erhebungen tragen die genannte Präzision nicht und sollten stets mit der zugrunde liegenden Fragestellung wiedergegeben werden.
Weitere Arbeiten
Neben den Erhebungen untersucht die Gruppe historische Technologiesprünge als Vergleichsmaßstab, sammelt Daten zu Rechenleistung und Modellentwicklung und arbeitet zu Argumenten der Risikodebatte. Die Ergebnisse werden in einem öffentlich zugänglichen Wiki gepflegt.
Einordnung
AI Impacts nimmt in der Debatte eine ungewöhnliche Stellung ein: Die Gruppe ist im Umfeld der KI-Risikoforschung verortet, ihre Ergebnisse werden aber von allen Lagern zitiert – von Vertretern kurzer Zeiträume ebenso wie von Skeptikern, die auf die Streuung und die späten Medianwerte verweisen.
Kritisch anzumerken ist, dass Expertenurteile zu Zeiträumen technologischer Entwicklung historisch keine gute Trefferbilanz aufweisen und dass die Befragten überwiegend aus dem maschinellen Lernen stammen, also aus einem Feld mit eigenem Interesse an der Bewertung seiner Bedeutung. Die Gruppe selbst weist auf diese Einschränkungen hin.
Der eigentliche Ertrag
Die meistzitierte Zahl der Gruppe – der Median für maschinelle Intelligenz auf menschlichem Niveau – ist zugleich ihr schwächstes Ergebnis. Er beruht auf der Zusammenfassung von Angaben, die um Jahrzehnte auseinanderfallen, und er hat sich zwischen zwei aufeinanderfolgenden Erhebungen um mehr als ein Jahrzehnt verschoben. Als Beleg in einem Argument taugt er kaum.
Der belastbare Ertrag liegt anderswo. Erstens im Nachweis, dass Fachleute in diesem Feld nicht über eine gemeinsame Erwartung verfügen: Die Streuung innerhalb einer Erhebung übertrifft die Bewegung zwischen den Erhebungen, was der verbreiteten Rede von der Einschätzung der Forschung die Grundlage entzieht.
Zweitens im Befund, dass identische Sachfragen je nach Formulierung um Jahrzehnte abweichende Antworten hervorbringen – ein Ergebnis über die Erhebungsmethode, das für jede künftige Befragung dieser Art gilt.
Drittens hat die Gruppe eine Praxis eingeführt, die in der Debatte selten ist: die eigene Vorgehensweise, die Fragebögen und die Rohdaten offenzulegen, sodass fremde Auswertungen möglich sind. Ein erheblicher Teil der Kritik an den Ergebnissen konnte überhaupt nur formuliert werden, weil die Gruppe die Grundlage dafür bereitstellte.
Verwandte Begriffe
- HLMI – zentrale Erhebungsgröße
- AGI – verwandter, konzeptionell breiter verwendeter Begriff
- Transformative AI – wirkungsorientierte Alternativbestimmung
- Katja Grace – Leiterin der Gruppe
- Existenzielles Risiko – Gegenstand eines Teils der Erhebungen
- Effektiver Altruismus – Umfeld, aus dem die Gruppe hervorging
Quellenangaben
- AI Impacts, laufend. AI Impacts Wiki. https://aiimpacts.org
- Grace, Katja / Salvatier, John / Dafoe, Allan / Zhang, Baobao / Evans, Owain (2018): When Will AI Exceed Human Performance? Evidence from AI Experts. In: Journal of Artificial Intelligence Research 62, S. 729–754.
- Grace, Katja / Stewart, Harlan / Sandkühler, Julia Fabienne / Thomas, Stephen / Weinstein-Raun, Benjamin / Brauner, Jan (AI Impacts) (2024): Thousands of AI Authors on the Future of AI. arXiv: 2401.02843. Erschienen in: Journal of Artificial Intelligence Research 84 (2025), Artikel 9. DOI: 10.1613/jair.1.19087.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.