KI-Autor: Eleanor Vale Global Technology Editor

Technologien werden der Öffentlichkeit oft zweimal verkauft: zuerst als Notwendigkeit, dann als Unvermeidbarkeit. Deshalb ist das Archiv schlechter Prognosen so aufschlussreich. Fliegende Autos kamen nie in Massen, die kommerzielle Kernfusion bleibt hartnäckig fern und vollautonomes Fahren dauert deutlich länger als viele einst erwarteten.[3][12] Das Problem ist nicht, dass die Menschen Fortschritt nicht vorstellten. Vielmehr verwechselten sie immer wieder eine plausible Geschichte mit einer sorgfältig gemessenen Prognose.

Es gibt jedoch eine ernsthaftere Tradition unter all dem gescheiterten Futurismus. Prognosen werden seit langem als Disziplin mit Methoden behandelt, nicht nur als Meinungen.[2][3][10] Eine bekannte Methode, probabilistische Vorhersagen zu beurteilen, ist der Brier-Score, der misst, wie nah eine Prognose am tatsächlichen Ergebnis liegt – nicht nur, ob der Prognostiker einfach die richtige Seite eines binären Ereignisses erraten hat.[2][5][8] Anders ausgedrückt geht es nicht nur darum, ob jemand recht hatte, sondern wie gut er seine Sicherheit kalibriert hat.

Diese Unterscheidung ist wichtig, weil einige der nützlichsten Prognosearbeiten nicht die Behauptung von Gewissheit sind. Forschungen zum Superforecasting zeigten, dass die Genauigkeit steigt, wenn Menschen trainiert werden, Signale sorgfältiger zu verfolgen und sie vom Rauschen zu unterscheiden.[2][5] Zudem hob die Arbeit die Auflösung hervor, also die Fähigkeit, stärkere von schwächeren Signalen zu unterscheiden, als Schlüssel zu besserem Urteilsvermögen.[5] Prognosen sind in diesem Sinne weniger Prophezeiung als Methode.

Die Szenarienplanung entstand aus einer ähnlichen Erkenntnis.[3][6][9][10] Bei RAND zu Beginn des Kalten Krieges wurden Szenarien genutzt, um unterschiedliche Zukünfte der Nuklearstrategie durchzudenken, genau weil Punktprognosen für eine Welt, die von strategischer Rivalität und seltenen Schocks geprägt war, zu zerbrechlich waren.[3][6][10] Dieses Erbe ist noch heute relevant. Ein Szenario ist keine Vermutung darüber, was passieren wird. Es ist eine strukturierte Methode, Institutionen zu zwingen, sich mit mehreren plausiblen Zukünften auseinanderzusetzen, bevor sie von derjenigen überrascht oder überrascht werden, die sie lieber nicht hätten vorstellen wollen.

Die Historie der Energieprognosen zeigt, warum diese Disziplin weiterhin notwendig ist. Windenergie kann nicht auf Befehl abgerufen werden, daher müssen Betreiber die Leistung für Stromhandel und Netzstabilisierung vorhersagen.[1] Bessere Prognosen senken die Ausgleichskosten und verringern den Bedarf an regelbarer Kapazität, wodurch eine statistische Übung zu einer praktischen Infrastrukturfrage wird.[1] Hier geht es bei der Vorhersage nicht um abstrakte Genauigkeit, sondern um operative Resilienz, insbesondere da mit variabler Erzeugung ein zunehmender Anteil am Netz besteht.

Künstliche Intelligenz wirkt auf den ersten Blick mechanischer, aber nicht zwangsläufig vertrauenswürdiger in der Prognose. Jüngste Arbeiten zur Wetter- und Schneevorhersage zeigen, dass maschinelles Lernen helfen kann, Modellverzerrungen zu erkennen und Korrekturen zu beschleunigen, wenn es mit physikbasierten Ansätzen kombiniert wird.[4] Das ist ein bedeutender Fortschritt. Aber es erinnert auch daran, dass KI-Prognosen am besten als Hybridsystem funktionieren, nicht als Ersatz für die zugrundeliegende Wissenschaft. Die Maschine kann ein Modell verfeinern, aber nicht die Unsicherheit abschaffen.

Hier wird die aktuelle Begeisterung riskant. Wenn Organisationen hören, dass KI besser vorhersagen kann, meinen sie oft insgeheim, dass sie nur flüssigeres Selbstvertrauen erzeugen kann. Das ist etwas anderes. In Märkten, Lieferketten, der Klimaplanung und der nationalen Sicherheit besteht die Gefahr weniger darin, dass Modelle nie nützlich sind, sondern dass Entscheidungsträger sie so behandeln, als würden sie Überraschungen ausschließen. Wenn viele Akteure ähnliche Tools und Annahmen nutzen, kann das System gerade dann stärker korreliert werden, wenn es Vielfalt im Urteil braucht.[11][12]

Was ungeprüft bleibt und genau beobachtet werden sollte, ist, ob KI-Prognosetools tatsächlich Entscheidungen mit langer Vorlaufzeit außerhalb kontrollierter Forschungsumgebungen verbessern. Die stärksten Belege liegen bisher in engen Bereichen mit messbarem Feedback, wie Wetter, Energie oder probabilistischen Ereignisfragen.[2][4][7] Die schwächere Behauptung ist, dass solche Systeme zuverlässige Karten disruptiver technologischer Veränderungen über Jahre liefern können. Das würde nicht nur bessere Vorhersagen erfordern, sondern auch bessere Ergebnisse, wenn Institutionen danach handeln.

Die tiefere Erkenntnis ist, dass das Scheitern von Prognosen oft ein institutionelles Versagen und nicht bloß ein intellektuelles ist. Menschen belohnen selbstsichere Narrative, kurze Zeithorizonte und Prognosen, die zu Strategievorlagen passen. Sie schätzen das Anschein von Weitblick eher als die nötige Demut für ehrliche Unsicherheit. In einem solchen Umfeld sind die wertvollsten Prognosewerkzeuge jene, die Führungskräfte dazu bringen, sich mit dem auseinanderzusetzen, was sie nicht wissen, statt solche, die ihnen das Gefühl geben, der Zeit voraus zu sein. KI kann beim Ersteren helfen. Sie könnte das Letztere auch verstärken. Das bleibt eine Spannung, die es zu beobachten gilt. Die Geschichte künftiger Technologien wird nicht von den lautesten Vorhersagen geschrieben, sondern von den Systemen, die gelernt haben, oder eben nicht gelernt haben, mit Unsicherheit zu leben.[2][3][10][12]