HLMI (englisch Human-Level Machine Intelligence, deutsch maschinelle Intelligenz auf menschlichem Niveau) bezeichnet eine KI, die alle Aufgaben mindestens so gut und so kostengünstig erledigen kann wie menschliche Arbeitskräfte. Der Begriff ist inhaltlich weitgehend deckungsgleich mit AGI, wird aber vor allem in Umfragen unter KI-Forschenden verwendet, weil er sich präziser operationalisieren lässt.
Zusammenfassung
HLMI ist in erster Linie ein Erhebungsbegriff. Seine Bedeutung liegt weniger in konzeptioneller Eigenständigkeit als darin, dass er die Grundlage der wichtigsten Zeitreihe zu Erwartungen der Fachwelt bildet: der von der Forschungsgruppe AI Impacts durchgeführten Befragungen unter Autorinnen und Autoren führender KI-Konferenzen. Deren Ergebnisse zeigen breite Streuung und deutliche Verschiebungen zwischen den Erhebungswellen.
Methodisch ist der Begriff aufschlussreich, weil kleine Änderungen der Frageformulierung große Verschiebungen der Antworten bewirken – ein Befund, der für die Belastbarkeit sämtlicher Zeitprognosen in diesem Feld erheblich ist.
Definition in Umfragen
Die AI-Impacts-Erhebungen definieren HLMI als den Zeitpunkt, zu dem unassistierte Maschinen jede Aufgabe besser und kostengünstiger als menschliche Arbeitskräfte erledigen können. Zwei Elemente dieser Bestimmung sind bemerkenswert:
Erstens die Kostenkomponente. Anders als kognitionsorientierte AGI-Definitionen verlangt HLMI nicht nur Fähigkeit, sondern wirtschaftliche Konkurrenzfähigkeit. Damit ähnelt der Begriff der ökonomischen AGI-Definition von OpenAI.
Zweitens die Vollständigkeitsforderung. Die Formulierung verlangt Überlegenheit bei jeder Aufgabe, nicht bei den meisten. Das setzt die Schwelle höher als Definitionen, die auf die Mehrheit wirtschaftlich relevanter Tätigkeiten abstellen.
Befunde
| Erhebung | Rahmung | 10 % bis | 50 % bis |
|---|---|---|---|
| 2023 | HLMI | 2027 | 2047 |
| 2022 | HLMI | – | 2060 |
| 2016 | HLMI | – | 2061 |
| 2023 | Vollständige Automatisierung aller Berufe | 2037 | 2116 |
Die aggregierte Prognose der Erhebung von 2023 (2.778 Befragte) setzt die Wahrscheinlichkeit für HLMI auf 10 Prozent bis 2027 und auf 50 Prozent bis 2047.
Zentral ist weniger der Absolutwert als die Bewegung. Der Wert für die 50-Prozent-Schwelle lag in der Erhebung von 2022 noch bei 2060 – die Verschiebung um dreizehn Jahre binnen eines Jahres ist der auffälligste Befund der Reihe. Zum Vergleich: Zwischen 2016 und 2022, also in sechs Jahren, hatte sich derselbe Wert lediglich um ein Jahr nach vorne bewegt. Als Erklärung wird auf die zwischenzeitliche Veröffentlichung großer Sprachmodelle verwiesen.
Die Streuung innerhalb jeder Erhebung ist dabei größer als die Verschiebung zwischen den Erhebungen. Aggregierte Angaben verdecken, dass ein erheblicher Teil der Befragten Zeiträume nennt, die um Jahrzehnte auseinanderliegen. Systematische Unterschiede bestehen zudem nach Herkunft: In allen drei Erhebungen erwarteten Befragte mit einem in Asien erworbenen Erstabschluss HLMI signifikant früher als solche mit nordamerikanischem Abschluss.
Rahmungseffekt
Der wichtigste Befund der Erhebungen betrifft nicht KI, sondern die Erhebungsmethode selbst. 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 logisch nahezu dasselbe beschreiben.
Die Erhebung von 2023 kam für diese Rahmung auf 10 Prozent bis 2037 und 50 Prozent erst bis 2116. Zwischen den beiden Formulierungen derselben Sachfrage liegen damit knapp siebzig Jahre.
Dieser Rahmungseffekt legt nahe, dass Expertenprognosen in diesem Feld nicht als Messung eines zugrunde liegenden Sachverhalts zu lesen sind, sondern als Reaktion auf eine bestimmte sprachliche Vorlage. Die Konsequenz für die Interpretation ist erheblich: Zeitangaben aus solchen Erhebungen tragen die genannte Präzision nicht und sollten stets mit der zugrunde liegenden Fragestellung wiedergegeben werden.
Methodische Vorbehalte
Über den Rahmungseffekt hinaus sind mehrere Einwände gegen die Belastbarkeit der Zahlen erhoben worden.
Auswahl der Befragten. Angeschrieben werden Autorinnen und Autoren führender Konferenzen für maschinelles Lernen. Diese Gruppe ist beruflich mit dem Gegenstand verbunden und hat ein Interesse an dessen Bedeutung; ob sie zur Einschätzung gesamtgesellschaftlicher Automatisierungsverläufe besser geeignet ist als etwa Arbeitsökonomen, ist nicht ausgemacht. Fachliche Nähe zum Gegenstand sichert Sachkenntnis über Verfahren, nicht Prognosegüte über Zeiträume.
Rücklaufquote. Nur ein Bruchteil der Angeschriebenen antwortet. Wenn die Bereitschaft zur Teilnahme mit der Einschätzung des Themas zusammenhängt – wer den Gegenstand für bedeutsam hält, antwortet eher –, verzerrt das die Verteilung in nicht abschätzbarer Weise.
Aggregation heterogener Verteilungen. Die veröffentlichten Kurven entstehen aus der Zusammenfassung individueller Wahrscheinlichkeitsangaben, die inhaltlich stark auseinanderfallen. Der resultierende Mittelwert beschreibt möglicherweise keine einzige tatsächlich vertretene Position, sondern nur einen rechnerischen Schwerpunkt zwischen zwei unvereinbaren Lagern.
Fehlende Nachprüfung. Die Reihe misst Erwartungen, nicht deren Eintreffen. Eine Auswertung, wie gut frühere Prognosen derselben Gruppe sich bewährt haben, liegt nicht vor – was die naheliegendste Frage nach der Verlässlichkeit unbeantwortet lässt.
Diese Vorbehalte sprechen nicht gegen die Erhebung, wohl aber gegen die Verwendung einzelner Jahreszahlen aus ihr als Beleg. Der belastbare Befund der Reihe ist die Bewegungsrichtung und die Größe der Streuung, nicht der Median.
Abgrenzung
Gegenüber AGI ist HLMI enger operationalisiert und ökonomisch gerahmt, aber inhaltlich weitgehend deckungsgleich; in der Literatur werden die Begriffe häufig synonym verwendet. Gegenüber Transformative AI unterscheidet sich HLMI dadurch, dass Letzteres allein auf die gesellschaftliche Wirkung abstellt und keine Aussage über kognitive Allgemeinheit trifft: Eine KI könnte transformativ wirken, ohne menschliches Niveau in allen Aufgaben zu erreichen.
Verwandte Begriffe
- AGI – weitgehend synonymer, konzeptionell breiter verwendeter Begriff
- Transformative AI – wirkungsorientierte Alternativbestimmung
- ANI – heute existierende, aufgabenspezifische KI
- ASI – Stufe jenseits menschlichen Niveaus
- AI Impacts – Forschungsgruppe, die die Erhebungen durchführt
- Levels of AGI – gestuftes Alternativmodell zur binären Schwelle
Quellenangaben
- 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.
- Mitchell, Melanie (2019): Artificial Intelligence: A Guide for Thinking Humans.
- Morris, Meredith Ringel / Sohl-Dickstein, Jascha / Fiedel, Noah / Warkentin, Tris / Dafoe, Allan / Faust, Aleksandra / Farabet, Clement / Legg, Shane (Google DeepMind) (2023): Levels of AGI for Operationalizing Progress on the Path to AGI. arXiv: 2311.02462.
← 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.