Die Prognose-Bilanz: Wie treffsicher waren zehn Jahre Experten-KI-Vorhersagen (2016-2026)?

TL;DR: In den letzten zehn Jahren machten Weltklasse-Experten selbstsichere, konkrete, öffentliche Vorhersagen über künstliche Intelligenz. Wir haben die meistzitierten gegen das bewertet, was bis 2026 tatsächlich geschah, und die Ergebnisse sind ernüchternd. Radiologen sollten bis 2021 überflüssig sein; stattdessen steht das Fach vor einem Mangel und steigenden Gehältern. Autonomes Fahren von Küste zu Küste wurde für 2017 versprochen; es ist bis heute nicht da. Fast die Hälfte der US-Jobs galt als hoch automatisierungsgefährdet; die Beschäftigung wuchs. Doch die Fehltreffer sind kein zufälliges Rauschen. Sie bündeln sich in zwei Richtungen: Experten überschätzen systematisch, wie schnell KI menschliche Arbeit verdrängt, und unterschätzen systematisch enge technische Benchmarks wie Go und Proteinfaltung, die Jahre zu früh eintreffen. Die Richtung des Fehlers zu kennen ist die nützlichste Fähigkeit, um jede KI-Prognose zu lesen, die Sie dieses Jahr hören.

Vorausschau bedeutet nicht, mit der Zukunft recht zu behalten. Niemand behält mit der Zukunft zuverlässig recht. Vorausschau bedeutet, kalibriert zu sein: zu wissen, wie sehr man einer Vorhersage traut, von wem und über welche Art von Sache. Und der einzige ehrliche Weg zu kalibrieren ist, die Vergangenheit zu benoten. Also taten wir etwas, das die Prognosebranche sich selbst fast nie antut. Wir zogen die einflussreichsten, meistzitierten KI-Vorhersagen des Jahrzehnts heran, prüften sie gegen die öffentliche Aktenlage per August 2026 und benoteten jede einzelne.

Das ist gerade jetzt wichtig, weil die KI-Debatte erneut mit selbstsicheren Zeitplänen gesättigt ist. Jemand erzählt Ihnen, dass eine bestimmte Jobkategorie in achtzehn Monaten verschwindet, dass AGI in drei Jahren kommt, dass das Modell dieses Quartals alles verändert. Bevor Sie Ihre Karriere oder Ihr Unternehmen um irgendetwas davon umbauen, lohnt es sich zu wissen, wie die letzten zehn Jahre genau dieses Genres abgeschnitten haben. Spoiler: Die selbstsichere Konkretheit ist das verräterische Zeichen.

Wie hier benotet wurde

Eine Anmerkung zur Methode, denn eine Bilanz ist nur so gut wie ihre Regeln. Wir schlossen Vorhersagen ein, die öffentlich, konkret, einem benannten Experten oder einer breit zitierten Studie zuzuordnen und alt genug zum Beurteilen waren. Vage Aussagen wie “KI wird alles verändern” wurden ausgeschlossen, weil sie nicht falsifizierbar sind. Jedes Urteil ist eine redaktionelle CEOtudent-Bewertung, gemessen an der dokumentierten öffentlichen Aktenlage per August 2026, kein Anspruch auf Insiderwissen. Wo der Zeithorizont einer Vorhersage nicht vollständig abgelaufen ist, sagen wir das und markieren sie als ausstehend, statt eine Note zu erzwingen.

Wir verwendeten vier Urteile. Verfehlt (überschätzt) bedeutet, die Vorhersage war zu aggressiv; die Sache trat im versprochenen Zeitrahmen nicht ein. Verfehlt (unterschätzt) bedeutet, die Experten waren zu vorsichtig; die Sache trat Jahre früher ein als der Konsens erwartete. Treffer bedeutet, es kam ungefähr wie behauptet. Ausstehend bedeutet, die Uhr ist noch nicht abgelaufen.

Die Bilanz

Ein Jahrzehnt Experten-KI-Vorhersagen, benotet (redaktionelle CEOtudent-Bewertung)

Vorhersage	Wer und wann	Die konkrete Behauptung	Was bis 2026 tatsächlich geschah	Urteil
Computer können etwa ein weiteres Jahrzehnt keinen Spitzenmenschen im Go schlagen	Breiter Expertenkonsens vor 2016	Einen Weltklasse-Go-Profi zu schlagen galt weithin als etwa zehn Jahre entfernt	DeepMinds AlphaGo schlug Lee Sedol im März 2016 mit 4-1, fast ein Jahrzehnt vor dem Konsens	Verfehlt (unterschätzt)
Hört auf, Radiologen auszubilden; KI wird sie ersetzen	Geoffrey Hinton, 2016	Binnen fünf Jahren (höchstens zehn) würde KI Radiologen übertreffen, neue auszubilden sei sinnlos	Die Radiologie steht vor einem Arbeitskräftemangel, Nachfrage und Gehälter stiegen, und Hinton sagte später, er habe sich beim Timing geirrt	Verfehlt (überschätzt)
Fast die Hälfte der US-Jobs ist hoch automatisierungsgefährdet	Frey und Osborne (Oxford), 2013	Etwa 47 Prozent der US-Beschäftigung fielen in den folgenden zwei Jahrzehnten in die Hochrisikokategorie	Weithin als Verdrängungsprognose gelesen; die US-Beschäftigung wuchs um Millionen, und die Methode der Studie wurde stark für die Überschätzung des Risikos kritisiert	Verfehlt (überschätzt)
Vollautonomes Fahren steht unmittelbar bevor	Elon Musk, 2016	Eine vollautonome Tesla-Fahrt von Küste zu Küste bis Ende 2017; alle Teslas als Robotaxis bis 2020	Die Demonstration fand nie statt; 2026 gibt es überwachtes autonomes Fahren, doch der versprochene unüberwachte Zeitplan verschob sich Jahr für Jahr	Verfehlt (überschätzt)
KI wird die Krebsversorgung transformieren	IBM Watson for Oncology, etwa ab 2013	Watson würde die Onkologie mitrevolutionieren und die Krebsbehandlung im großen Maßstab leiten	Das Vorzeigeprojekt am MD Anderson (etwa 62 Millionen Dollar) endete, ohne im Livebetrieb Patienten zu behandeln; IBM verkaufte Watson Health 2022 an eine Private-Equity-Firma	Verfehlt (überschätzt)
Proteinstrukturen vorherzusagen ist Jahrzehnte entfernt	Langjährige Sicht in der Strukturbiologie	Das Proteinfaltungsproblem galt als offene Herausforderung, die sich rund 50 Jahre der Lösung widersetzt hatte	AlphaFold 2 erreichte 2020 bei der CASP14-Bewertung nahezu experimentelle Genauigkeit, Jahrzehnte früher als die meisten erwarteten	Verfehlt (unterschätzt) / Treffer für DeepMind
KI besteht den Turing-Test bis 2029; Singularität bis 2045	Ray Kurzweil, langjährig	Maschinenintelligenz auf Menschenniveau um 2029, technologische Singularität um 2045	Beide Horizonte sind per 2026 offen; noch nicht benotbar	Ausstehend

Das Muster, das niemand benennt

Lesen Sie die Urteilsspalte noch einmal, und etwas springt heraus. Die Fehltreffer sind nicht verstreut. Sie zeigen in zwei konsistente Richtungen, und diese Konsistenz ist die eigentliche Erkenntnis der ganzen Übung.

Jede Vorhersage über die Verdrängung menschlicher Arbeit durch KI überschätzte. Radiologen, die 47 Prozent der Jobs, die selbstfahrenden Flotten, die Fahrer arbeitslos machen würden, die Onkologen, die Watson übertreffen würde. In jedem Fall unterschätzte der Experte, wie schwer die reale, hochriskante, unordentliche Version des Jobs ist und wie viel davon nicht die enge Aufgabe ist, die die KI leisten kann. Radiologie ist nicht nur das Lesen eines Bildes; sie ist Urteil, Integration, Haftung und Patientenkontext. Die KI konnte die Demo. Die Demo war nie der Job.

Jede Vorhersage über einen engen, klar definierten Benchmark unterschätzte. Go und Proteinfaltung trafen beide Jahre vor dem Expertenkonsens ein. Wenn die Aufgabe scharf, begrenzt und mit einem klaren Erfolgsmaß versehen ist, hat Deep Learning selbst die Spezialisten wiederholt auf der schnellen Seite überrascht. Die Skalierungshypothese, die OpenAI um 2020 formalisierte, dass größere, mit mehr Daten trainierte Modelle vorhersehbar besser werden, lag näher an der Wahrheit als die Skeptiker, zumindest bei der Benchmark-Leistung.

Die CEOtudent-Lesart des Jahrzehnts ist also eine einzige, tragbare Regel, die Art dauerhaftes mentales Modell, die es zu behalten lohnt. Experten überschätzen KIs Tempo beim Ersetzen ganzer menschlicher Jobs und unterschätzen ihr Tempo beim Erobern enger technischer Benchmarks. Das Versagen ist nicht, dass Experten dumm sind. “Kann ein Modell ein begrenztes Spiel gewinnen” und “kann ein System eine unordentliche menschliche Rolle ersetzen” sind völlig verschiedene Fragen, und die selbstsicheren Vorhersagen behandelten sie weiter als dieselbe Frage.

Wie Sie heutige KI-Prognosen wie ein CEO lesen

Der Wert des Benotens der Vergangenheit ist, dass es Ihnen einen Filter für die Gegenwart in die Hand gibt. Wenn der nächste selbstsichere KI-Zeitplan durch Ihren Feed läuft, schicken Sie ihn durch das Muster, bevor Sie reagieren.

Fragen Sie erstens, ob die Behauptung von einem Benchmark oder einem Job handelt. “Dieses Modell wird Menschen bei Aufgabe X schlagen” ist eine Benchmark-Behauptung, und die historische Aktenlage sagt: nehmen Sie sie ernst und erwarten Sie sie vielleicht früher als angegeben. “Dieses Modell wird Beruf Y ersetzen” ist eine Job-Behauptung, und die Aktenlage sagt: diskontieren Sie den Zeitplan stark, denn die unordentlichen 80 Prozent des Jobs sind genau das, was die Demo verbirgt.

Behandeln Sie zweitens Konkretheit plus eine kurze Frist als Warnzeichen, nicht als Zeichen von Kompetenz. Die spektakulärsten Fehltreffer dieser Bilanz waren die konkretesten und selbstsichersten: Ende 2017, binnen fünf Jahren, Robotaxis bis 2020. Vage-aber-richtungsweisende Prognosen (“das wird enorm zählen, ungleichmäßig, über Jahre”) alterten weit besser als präzise. Ein CEO lernt, die Person, die “ich kenne das Timing nicht” sagt, mehr zu respektieren als die, die ein Quartal nennt.

Trennen Sie drittens die Richtung vom Datum. Hinton hatte wohl recht, dass KI die Radiologie umgestalten würde, und unrecht beim Wann und Wie vollständig. Die meisten dieser Vorhersagen trafen den Vektor teils richtig und Größenordnung und Timing schwer falsch. Das ist die normale Form einer KI-Prognose: trauen Sie ihr als schwachem Signal über die Richtung, misstrauen Sie ihr völlig als Zeitplan. Das ist dieselbe Disziplin wie in Wetten zu denken: weisen Sie eine Wahrscheinlichkeit zu, akzeptieren Sie keine Gewissheit.

Denken Sie viertens an die Anreize. Mehrere dieser Vorhersagen kamen von Menschen mit etwas zu verkaufen: einem Produkt, einer Aktie, einer These oder einem Buch. Die Prognose und der Verkauf waren derselbe Satz. Ein Teil des guten Lesens von Vorausschau ist die Frage, wer davon profitiert, dass Sie dem Zeitplan glauben, eine Gewohnheit, die sich durch unsere Arbeit zum Filtern von Signal aus Rauschen im KI-Zeitalter zieht.

Vorbehalte, denn eine Bilanz sollte sich an ihren eigenen Maßstab halten

Prognosen im Nachhinein zu benoten ist leichter als sie zu machen, und es wäre unehrlich, das Gegenteil zu behaupten. Einige dieser Experten schränkten stärker ein, als ihr meistzitierter Satz nahelegt, und Zitate werden im Umlauf geglättet. Wir benoteten die weit verbreitete Version jeder Behauptung, also die Version, die tatsächlich Entscheidungen und Schlagzeilen prägte, doch die zugrunde liegende Nuance war manchmal größer als der Sprechzettel.

Zwei Urteile verdienen zudem ein Sternchen. Die Frey-Osborne-Zahl war eine Aussage über automatisierungsgefährdete Jobs, keine flache Prognose, dass 47 Prozent verloren gingen, und ihr volles Zwei-Jahrzehnt-Fenster ist nicht ganz abgelaufen. Wir benoteten sie als Fehltreffer, weil sie überwältigend als Verdrängungsprognose empfangen und wiederholt wurde und der bisherige Arbeitsmarktverlauf gegen diese Lesart läuft. Und AlphaFold ist zugleich zweierlei: ein glänzender Treffer für das Team, das es baute, und ein Fehltreffer für das breite Feld, das das Problem für Jahrzehnte entfernt hielt. Beide Wahrheiten gehören auf die Karte.

Nichts davon bedeutet, dass Expertise wertlos oder KI-Fortschritt falsch ist. Der Punkt ist enger und nützlicher: Experten-KI-Vorhersagen haben eine messbare, gerichtete Verzerrung, und sobald Sie die Richtung kennen, können Sie sie korrigieren. Das ist Kalibrierung, und das ist die ganze Aufgabe der Vorausschau.

Häufig gestellte Fragen

Waren alle Expertenvorhersagen falsch?
Nein, und diese Rahmung verfehlt den Punkt. Die Vorhersagen waren in gemusterten Richtungen falsch: zu schnell beim Ersetzen menschlicher Jobs, zu langsam bei engen Benchmarks. Einige, wie die Skalierungshypothese und der AlphaFold-Durchbruch, waren richtungsweisend richtig und trafen früh ein. Die Lektion ist nicht “ignoriere Experten”, sondern “wisse, in welche Richtung sie danebenliegen, und passe an”.

Warum überschätzten so viele kluge Menschen bei der Jobautomatisierung?
Weil eine Demonstration einer engen Aufgabe leicht mit dem Ersetzen einer ganzen Rolle verwechselt wird. Einen Scan lesen, ein Memo entwerfen oder eine Frage beantworten ist ein Ausschnitt eines Jobs. Der Rest, Urteil, Verantwortung, Kontext, Koordination und Vertrauen, ist dort, wo die Schwierigkeit und der meiste Wert liegen, und er automatisiert nicht im selben Zeitrahmen wie der Ausschnitt.

Heißt das, dass aktuelle AGI- und Jobverlust-Vorhersagen auch falsch sind?
Es heißt, wenden Sie denselben Filter an. Behauptungen über enge Fähigkeiten, die menschliche Benchmarks überschreiten, verdienen es, ernst genommen und womöglich vorgezogen zu werden. Behauptungen über die pauschale Ersetzung von Berufen oder nahe AGI verdienen einen starken Abschlag auf den Zeitplan, denn genau diese Kategorie hat das letzte Jahrzehnt am meisten falsch verstanden.

Wie sollte eine Einzelperson das tatsächlich nutzen?
Hören Sie auf, Ihr Leben um selbstsichere Daten herum umzuorganisieren. Verfolgen Sie die Richtung des KI-Fortschritts in Ihrem Feld als schwaches Signal, bauen Sie Fähigkeiten im unordentlichen, urteilslastigen Teil Ihrer Arbeit auf, der sich der Automatisierung widersetzt, und halten Sie Ihre Optionen offen, statt alles auf eine bestimmte richtige Prognose zu setzen. Richtung ist Signal; das Datum ist fast immer Rauschen.

Wer machte die treffsicherste Vorhersage des Jahrzehnts?
Die haltbarsten Prognosen waren die am wenigsten präzisen: breite, richtungsweisende Aussagen, dass KI enorm und ungleichmäßig zählen würde. Wer ein Quartal oder eine Fünf-Jahres-Frist nannte, verlor meist. Das selbst ist der Befund.

Quellen und weiterführende Literatur

• Berichterstattung über Geoffrey Hintons Aussage von 2016, KI würde Radiologen ersetzen, und spätere Berichte, die den Radiologenmangel, steigende Gehälter und Hintons Eingeständnis eines Irrtums beim Timing dokumentieren (Fortune, The New York Times und radiologische Fachpresse, 2016 bis 2026).
• Carl Benedikt Frey und Michael Osborne, The Future of Employment: How Susceptible Are Jobs to Computerisation?, Oxford, 2013; und retrospektive Kritiken an der 47-Prozent-Zahl (Information Technology and Innovation Foundation und akademische Arbeitspapiere).
• Dokumentierte Chronologie von Elon Musks Vorhersagen zum autonomen Fahren, einschließlich der Küste-zu-Küste-Behauptung von 2016 für Ende 2017 und der Robotaxi-Aussage von 2020 (zeitgenössische Technikpresse).
• Berichterstattung über IBM Watson for Oncology, das MD-Anderson-Projekt und dessen Abschluss sowie den Verkauf von Watson Health an Francisco Partners 2022 (Slate, IEEE und Gesundheitstechnikpresse).
• DeepMind-AlphaGo-Sieg über Lee Sedol, März 2016; und AlphaFold-2-Ergebnisse bei CASP14, 2020, beschrieben als Lösung eines rund 50-jährigen Problems (DeepMind, CASP-Organisatoren und Wissenschaftspresse).
• Ray Kurzweil, The Singularity Is Near und The Singularity Is Nearer, zu den Vorhersagen von 2029 und 2045.
• Jared Kaplan und Kollegen, Scaling Laws for Neural Language Models (OpenAI), 2020, zur Skalierungshypothese.

---

Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: