Andrew Ng wirft KI-Labors Panikmache für regulatorische Burggräben vor – während Coursera seine 100-Millionen-Dollar-Wette auf personalisierte KI-Nachhilfe unterstützt
Interview vom 3. September 2026 über KI-Regulierung, Arbeitsplatzverdrängung und den Start von LearnVector
Andrew Ng, Mitgründer von Google Brain und Coursera, dessen Online-Kurse für maschinelles Lernen mehr als 8 Millionen Lernende erreicht haben, hat in einem ausführlichen Interview eine seiner bisher schärfsten öffentlichen Kritiken an der Darstellung eigener Risiken durch die KI-Branche geäußert. Seine Kernbehauptung: Die Welle von Untergangsszenarien, die seit zwei bis drei Jahren soziale Medien und politische Debatten überschwemmt, ist keine Graswurzelbewegung als Reaktion auf echte Gefahren, sondern eine koordinierte kommerzielle Strategie einer kleinen Gruppe von Frontier-Labors, die darauf abzielt, regulatorische Vorteile zu zementieren.
Schrecken als Geschäftsmodell statt als Wissenschaft
Ngs Argumentation ist unmissverständlich. „Eine Handvoll führender KI-Unternehmen hat sehr lautstark Panikmache rund um das Thema KI betrieben, um Gesetze durchzusetzen, die ein unfair begünstigtes Spielfeld zugunsten der Platzhirsche schaffen. Das führt dazu, dass wir alle einen hohen Preis für die Nutzung von KI zahlen müssen, während gleichzeitig andere Teams – seien es Forscher oder andere Unternehmen, die Open-Weight-Modelle frei zugänglich machen wollen, die jeder viel billiger nutzen könnte – ausgebremst werden“, sagte er. In seiner Darstellung sind Vergleiche von KI mit Atomwaffen, handverlesene Negativbeispiele und irreführende Statistiken zum Wasserverbrauch von Rechenzentren keine zufälligen Übertreibungen, sondern eine gezielte „Trommelwirbel-Strategie der angstbasierten Kommunikation“. Diese habe die gesellschaftliche Wahrnehmung von KI ins Negative verkehrt und bremse seiner Ansicht nach aktiv die amerikanische Akzeptanz und Wettbewerbsfähigkeit. Für Investoren, die das regulatorische Umfeld rund um die Regulierung von Frontier-Modellen beobachten, sind Ngs Äußerungen eine Erinnerung daran, dass die Lobbyanreize in dieser Branche in eine bestimmte Richtung wirken: hin zu Compliance-Kosten, die größere, kapitalstarke Labors sehr viel leichter absorbieren können als Open-Source-Herausforderer oder kleinere Marktneulinge.
Die Erzählung von der Job-Apokalypse deckt sich laut Ng nicht mit den Daten
Was die Störungen auf dem Arbeitsmarkt betrifft, so widersprach Ng nachdrücklich der Behauptung, dass KI die Hälfte aller Arbeitsplätze vernichten werde. Unter Verweis auf aufgabenspezifische Untersuchungen der Ökonomen Erik Brynjolfsson von der Stanford University und Andrew McAfee vom MIT stellte er fest, dass KI zwar 30 bis 40 Prozent der Aufgaben in vielen Berufen automatisieren könnte, dies jedoch die verbleibenden 60 bis 70 Prozent der von Menschen ausgeführten Aufgaben wirtschaftlich wertvoller mache und nicht etwa entwerte. Der klarste Testfall dafür sei die Softwareentwicklung, jene Disziplin, die von KI am unmittelbarsten berührt wurde. „Entgegen den Behauptungen der Untergangspropheten ist die Zahl der offenen Stellen in der Softwareentwicklung gestiegen“, so Ng, der hinzufügte: „Alle guten Softwareentwickler, die ich kenne, haben mehr zu tun als je zuvor.“ Seine Einschränkung fällt für all diejenigen schärfer aus, die noch immer so programmieren wie vor dem Aufkommen von ChatGPT: Diese Arbeitskräfte, so Ng, „stecken in Schwierigkeiten“, es sei denn, sie bilden sich schnell weiter. Denselben Wandel beobachtet er derzeit in den Bereichen Marketing, Recruiting und Personalwesen, wo KI-gestützte Generalisten eher enge Spezialisten verdrängen, als dass es zu einem massiven Stellenabbau käme.
LearnVector: Eine 100-Millionen-Dollar-Wette darauf, dass Eins-zu-Viele-Bildung ausgedient hat
Die konkreteste Neuigkeit des Interviews ist Ngs Offenlegung von LearnVector, einem neuen Unternehmen, das er leitet und das von Coursera mit einer Investition von 100 Millionen Dollar ausgestattet wurde. Das Konzept ist eine direkte Absage an das MOOC-Modell, das Ng vor 15 Jahren selbst mitbegründet hat. „Vor 15 Jahren hatte ich das Privileg, an der Bewegung der Online-Kurse mitzuwirken, die meiner Meinung nach die Art und Weise, wie viele Menschen lernen, verändert hat. Aber das war und ist im Wesentlichen eine Eins-zu-Viele-Erfahrung, bei der im Grunde jeder dasselbe Video anschaut“, sagte er. LearnVector setzt darauf, dass KI nun erstmals personalisierte Eins-zu-Eins-L Lernerfahrungen in großem Maßstab technisch und wirtschaftlich machbar macht. Ng erklärte, das Team rechne damit, „bis Anfang nächsten Jahres“ mehr präsentieren zu können. Damit ist dieses Projekt ein Name, den Investoren im Coursera-Ökosystem genau beobachten sollten – sowohl als kapitalallokatorische Entscheidung als auch als Signal dafür, wohin sich die Margenstruktur in der Bildungstechnologie nach Ngs Überzeugung entwickeln wird.
Der ungemütliche Twist: KI ist schlecht zum Lernen
Ngs Begründung für LearnVector stützt sich auf eine Erkenntnis, die öffentlich auszusprechen fast einem Tabu gleichkommt: Aktue Large Language Models sind schlechte Werkzeuge zum Lernen, auch wenn sie hervorragende Werkzeuge sind, um Arbeit zu erledigen. „Die Daten sprechen eine deutliche Sprache. Schüler erzielen bei den Hausaufgaben bessere Noten, wenn sie KI nutzen. Juchhu, bessere Noten bei den Hausaufgaben. Aber das Behalten des Stoffes, ihre langfristige Leistung, ist wesentlich schlechter, weil die KI die Arbeit für sie erledigt“, sagte er. Er dehnte diesen Punkt auf seinen eigenen Arbeitsalltag aus und wies darauf hin, dass er sich sechs Monate nach der Lösung eines technischen Problems mithilfe eines Frontier-Modells oft nicht mehr an die Lösung erinnern kann und das Modell erneut fragen muss. Sein Fazit fällt drastisch aus: „Wir sollten aufhören, KI als Lernhilfe zu betrachten – zumindest auf die allermeisten Arten, wie die überwiegende Mehrheit der Menschen heute KI-Modelle nutzt. Sie ist absolut schrecklich zum Lernen.“ Genau diese Lücke soll LearnVector schließen, wodurch sich die kommerzielle These deutlich vom generischen Hype um KI-Nachhilfe abhebt.
Menschlicher „Kontextvorteil“ als struktureller Burggraben gegen Automatisierung
Ngs Skeptizismus gegenüber einer kurzfristigen Arbeitsplatzverdrängung stützt sich auf ein Konzept, das er als den menschlichen Kontextvorteil bezeichnet: das angesammelte, situationsbezogene Wissen, das sich Arbeitskräfte über Jahre hinweg aneignen und auf das KI-Systeme keinen praktischen Zugriff haben. „Es stellt sich heraus, dass fast alle Menschen einfach eine Menge Zeug wissen, für das die Infrastruktur schlicht nicht existiert – und meiner Meinung nach auf absehbare Zeit auch nicht existieren wird –, damit KI darauf zugreifen kann“, sagte er. Er wertet dies als die technische Erklärung für das, was man gemeinhin als Urteilsvermögen oder Geschmack bezeichnet, und argumentiert, dass es sich dabei um einen dauerhaften und keinen vorübergehenden Burggraben handelt. Denn es gäbe keinen klaren technischen Pfad dafür, wie KI jahrzehntelange implizite menschliche Erfahrung absorbieren könnte. Für Investoren, die modellieren, wie schnell KI qualifizierte Arbeitskräfte über Branchen hinweg ersetzt, ist dies ein deutlich konservativerer Rahmen als die Substitutionskurven, die in einigen Kommentaren von Frontier-Labors anklingen.
Datenschutz: Vertrauen Sie den Hyperscalern, seien Sie misstrauisch gegenüber den Labors
Ng zog eine scharfe Trennlinie zwischen Hyperscalern und einigen KI-natives Unternehmen, wenn es um den Umgang mit sensiblen Daten geht. Er erklärte, er vertraue großen Cloud-Anbietern darauf, dass sie ihre Nutzungsbedingungen einhalten, da ein Bruch derselben „dem langfristigen Geschäftsmodell so massiv schaden würde“. Gleichzeitig hob er jedoch mindestens ein ungenanntes KI-Unternehmen hervor, dessen opportunistische Änderungen der Nutzungsbedingungen es stillschweigend mit Rechten zum Trainieren anhand von Nutzerdaten ausgestattet hätten. Bei wirklich sensiblen Materialien, einschließlich nicht öffentlicher Finanzinformationen, die von AI Aspire – einem seiner Beteiligungsunternehmen, das mit Banken zusammenarbeitet – verarbeitet werden, bestehe die Praxis darin, die Übermittlung solcher Daten an Frontier-Labors gänzlich zu vermeiden und stattdessen lokal betriebene Open-Weight-Modelle einzusetzen. Er verwies ausdrücklich darauf, dass Metas neueste Open-Weight-Veröffentlichungen und Alibabas Qwen-Modelle sich der Leistungsfähigkeit von Frontier-Modellen annähern und gleichzeitig klein genug sind, um auf lokaler Hardware zu laufen. Allerdings warnte er, dass sich die Bestenlisten alle paar Wochen verschieben, und riet davon ab, sich an ein einzelnes Modell zu binden.
Zur AGI: Noch Jahrzehnte entfernt – und ein direkter Seitenhieb auf Nvidias Jensen Huang
Auf die Frage nach künstlicher allgemeiner Intelligenz (AGI) definierte Ng diese als eine KI, die in der Lage ist, jede intellektuelle Aufgabe zu bewältigen, die auch ein Mensch ausführen kann – einschließlich Aufgaben wie das Verfassen einer Dissertation auf PhD-Niveau oder das Erlernen des Fahrens eines Lkw in unbekanntem Terrain nach nur wenigen Minuten Übung. Gemessen an diesem Standard liege AGI weiterhin „Jahrzehnte entfernt“, womit er implizit die öffentlichen Behauptungen von Nvidia-Chef Jensen Huang zurückwies, AGI sei bereits erreicht worden. Ng führte einige dieser begrifflichen Unklarheiten auf kommerzielle Anreize zurück und wies darauf hin, dass OpenAIs inzwischen neu verhandelte Vereinbarung mit Microsoft zuvor finanzielle Anreize geschaffen hatte, den Erfolg von AGI eher früher als später zu verkünden. Zu der damit verbundenen Angst, die Kontrolle über immer leistungsfähigere KI-Systeme zu verlieren, bot Ng eine ingenieurtechnische statt einer philosophischen Analogie an und verglich die KI-Sicherheit mit der Flugsicherheit: Niemand hat jemals ein absolut kontrollierbares Flugzeug gebaut, aber eine schrittweise, vorsichtige Erweiterung der Fähigkeiten hat die Luftfahrt so sicher gemacht, dass Passagiere nicht um ihr Leben fürchten müssen. Er erwartet, dass die KI-Entwicklung denselben Weg nehmen wird.