In den nächsten Wochen werde ich wahrscheinlich wieder einen Beitrag mit der Hype-Cycle-Grafik lesen. Die Erwartungen steigen steil an, fallen ins Tal der Enttäuschungen und landen irgendwann auf dem Plateau der Produktivität. Bei generativer KI wird dann diskutiert, wo wir gerade stehen. Vermutlich auf dem Weg nach unten. In den Kommentaren werden viele zustimmen.
Beim letzten Mal habe ich auch zugestimmt. Dann habe ich mich gefragt, warum ich die Kurve eigentlich so selbstverständlich akzeptiere. Sie stammt von einer Beratungsfirma, wird an Unternehmen verkauft und von Redaktionen übernommen. Wir benutzen sie, um die Versprechen anderer zu beurteilen. Wie gut sie selbst funktioniert, fragen wir seltener.
Ich finde die Zeichnung durchaus einleuchtend. Ein neues Werkzeug weckt große Erwartungen. Die ersten Anwendungen enttäuschen. Später findet man heraus, wofür es tatsächlich taugt. Das klingt vertraut.
Aber nicht jede Technologie entwickelt sich so. Manche werden nützlich, ohne vorher viel Aufmerksamkeit zu bekommen. Andere verschwinden nach der ersten Begeisterung. Wieder andere werden längst eingesetzt, während noch darüber gestritten wird, ob sie gescheitert sind. Trotzdem bekommt jede ihren Punkt auf derselben Kurve.
Mich interessiert, wie dieser Punkt zustande kommt. Wessen Erwartungen werden erfasst: die der Investoren, der Entwickler oder der Anwender? Woran erkennt man, dass eine Technologie ins Tal fällt? Und was müsste passieren, damit sich eine Einordnung als falsch erweist?
Ich habe darauf bisher keine Antworten gefunden, mit denen ich die Platzierung nachvollziehen könnte. Deshalb lese ich sie als Einschätzung. Das kann hilfreich sein. Die Grafik wirkt allerdings genauer, als ich diese Einschätzung überprüfen kann.
Eine Zeit lang fand ich die Idee lustig, eine zweite Linie einzuzeichnen: die Erwartungen an den Hype Cycle selbst. Die blieben in meiner Zeichnung oben, während alle anderen Technologien durchs Tal müssten. Als Witz funktioniert das. Als Kritik nicht. Ich habe keine Daten dafür, und ein Modell muss nicht seine eigene Geschichte beschreiben, um brauchbar zu sein. Seine Beliebtheit sagt allerdings auch nichts darüber aus, wie gut es Entwicklungen erklärt.
Bei KI wird mir oft zu schnell von sinkenden Erwartungen auf den Zustand der Technik geschlossen. Wenn Investoren enttäuscht sind, kann ein bestimmter Arbeitsablauf trotzdem inzwischen besser funktionieren. Umgekehrt zeigt eine gelungene Demo noch nicht, dass sich der Einsatz im Alltag lohnt.
Für meine Beurteilung brauche ich andere Angaben: Welche Aufgabe erledigt das Werkzeug? Wie zuverlässig arbeitet es? Was kostet der Einsatz, einschließlich Kontrolle und Nacharbeit? Wie viel Arbeit nimmt es mir tatsächlich ab?
Dafür brauche ich die Kurve nicht. Ich muss sie deshalb auch nicht verbannen. Wenn der nächste Beitrag behauptet, KI sei nun im Tal der Enttäuschungen angekommen, möchte ich wissen, welche Beobachtungen dahinterstehen. Die Zeichnung allein reicht mir nicht.