Allen Frances, emeritierter Leiter der Psychiatrie an der Duke University, hat kürzlich in Psychiatric Times einen Beitrag über das menschliche Gehirn gegen das Chatbot-Gehirn geschrieben.
Das meiste davon ist der Vergleich, den ihr erwartet. 86 Milliarden Neuronen. Billionen von Synapsen, die Alexander den Großen (auf dem Bild), Isaac Newton, Rick Rubin und Leute wie euch und mich angetrieben haben. 20 Watt Leistung. Gegen tausende Watt und rohe Rechenkraft in dichten Rechenzentren.
In dem Beitrag zieht Frances eine klare Linie zwischen dem, wie wir lernen, und dem, wie Chatbots lernen.
Menschen lernen aus gelebter Erfahrung, kodiert in Synapsen durch Plastizität. Chatbots lernen aus großen Datensätzen, optimiert in Trainingsphasen, die von ihrem Betrieb getrennt sind.
Mit anderen Worten: Eine Maschine hat eine Wissensbasis, die statistisch ist, nicht erfahrungsbasiert.
Lest das zweimal, wenn ihr im B2B-Marketing arbeitet. Wenn ihr wie ich 15 Jahre in diesem Job habt, ist euer Wert weniger das, woran ihr euch erinnert, und mehr das, was ihr durchgemacht habt: der Launch, der am Anfang gefloppt ist. Die Kampagne, die den Award gewonnen und den Kunden verloren hat. Der Kunde, der nur Überschriften liest und dann Fragen stellt, die der erste Punkt auf der Folie längst beantwortet. Der CEO, der eine bestimmte Formulierung hasst. Der ganze Schmerz hat sich gelohnt :)
Kein LLM hat irgendetwas von dieser Erfahrung. Modelle haben Statistik über Marketing. Ihr habt Narben.
Warum Menschen im Vorteil sind
Menschen stehen im Wettbewerb gegen Bots gut da, weil zwei Dinge gleichzeitig wahr sind. KI wird immer besser in der statistischen Arbeit. Entwerfen, Zusammenfassen, Vergleichen, Übersetzen. Frances nennt es „eine Flamme, die immer heißer wird, je mehr man sie füttert“.
Und die menschliche Erfahrungsebene überträgt sich nicht besser auf Modelle, nur weil das Modell größer ist. Ein größeres Modell ohne Bezug zu eurer Marke, eurer Branche oder euren letzten drei Jahren interner Politik ist einfach ein selbstbewussterer Generalist. Kein erfahrener Profi.
Die meisten KI-Rollouts im B2B-Marketing stecken an genau dieser sch***-Naht fest. Das Team hat ein mächtiges Modell. Das Modell ist statistisch. Der Wert des Teams ist erfahrungsbasiert. Ohne Brücke wird das Team nur schneller darin, Arbeit zu produzieren, die nicht nach ihm klingt.
Der Output steigt. Der Stolz sinkt. Das ist der Slop.
Und genau darauf zielt Frances, wenn er warnt, wir „könnten sogar noch ineffizienter werden, während wir mit zunehmender Abhängigkeit von Chatbots verlernen, was wir können“. Er sagt: Wenn ihr ein Tool benutzt, das euer Urteilsvermögen nicht trägt, hört ihr mit der Zeit auf, euer Urteilsvermögen in die Arbeit einzubringen.
Das löst ihr nicht, indem ihr weniger KI nutzt. Ihr löst es, indem ihr das Urteilsvermögen eures Teams in die KI bringt, die es ohnehin nutzt.
Drei Schritte braucht es, aus meiner Sicht
- Findet das erfahrene Urteilsvermögen, das es in eurem Team schon gibt. Das sind die zwei, drei Leute, deren Review-Notizen alle vertrauen, das Template, das funktioniert, weil jemand um jede Zeile gekämpft hat, und die ungeschriebenen Regeln, die die Marke schützen. Das meiste davon lebt in Köpfen, nicht in Dokumenten.
- Kodiert dieses Urteilsvermögen in Workflows. Es in Prompts zu stecken reicht nicht für einen messbaren Output und einen Qualitätsstandard, den ihr prüfen könnt. Holt den erfahrenen Profi dazu, um den Workflow zu bauen, und lasst ihn seinen Namen tragen.
- Lasst den kodierten Workflow dort laufen, wo die Arbeit ohnehin passiert, ob das Copilot, Claude, ChatGPT oder Gemini ist. Zwingt eure Leute nicht zu einem neuen Login oder zum Umzug in eine andere App. Macht erfahrenes Urteilsvermögen zum Standard.
Gut gemacht, sollten die Ergebnisse sofort kommen. Junior-Briefings kommen beim ersten Mal in Senior-Qualität zurück. Regionale Teams können Arbeit produzieren, die nach der Zentrale klingt, aber auf lokale Art. Erfahrene Leute bekommen ihre Nachmittage zurück, mit weniger Pingpong, weniger Tool-Hopping und weniger Frust.