Superintelligenz: Warum AI menschliche Guidance benötigt

Superintelligenz ist eine hypothetische AI, deren intellektuelle Fähigkeiten über die des Menschen hinausgehen (Quelle: IBM, 2023). Heutige Systeme sind das nicht: Sie sind spezialisierte Werkzeuge für klar umrissene Aufgaben und brauchen menschliche Guidance. Wer sie behandelt, als wüssten sie alles, bekommt Ergebnisse, die nach Antwort klingen und keine sind.

3x

so häufig sollen Organisationen bis 2027 kleine, aufgabenspezifische Modelle nutzen wie universelle Sprachmodelle

Gartner, Prognose 2025

95%

der GenAI-Piloten ohne messbaren P&L-Effekt

MIT NANDA, 2025

≥30%

der GenAI-Projekte werden nach dem Proof of Concept abgebrochen

Gartner, 2024

Inhalt

• Was Superintelligenz genau bedeutet
• Warum heutige AI aus spezialisierten Werkzeugen besteht
• Wenn AI überall drinsteckt: AI Overviews & AI Slop
• Wo fokussierte AI sich lohnt
• Drei Fragen, bevor ihr AI in ein Produkt einbaut
• Fazit: Erst die Aufgabe, dann die AI
• Häufige Fragen zu Superintelligenz
• Quellen

Was Superintelligenz genau bedeutet

Der Begriff taucht in Schlagzeilen, Konzernstrategien und Vorstandspräsentationen auf, oft als Synonym für „sehr gute AI“. Gemeint ist etwas anderes. IBM unterscheidet drei Stufen: Artificial Narrow Intelligence (ANI), Artificial General Intelligence (AGI) und Artificial Superintelligence (ASI) (Quelle: IBM, 2023).

• ANI, enge AI: Systeme, die bestimmte Aufgaben sehr gut erledigen, aber keine neuen Fähigkeiten selbst erlernen und die Welt nicht tiefgehend verstehen. Alles, was wir heute einsetzen, gehört hierher.
• AGI, allgemeine AI: ein System, das Probleme so breit und flexibel löst wie ein Mensch. IBM schreibt dazu, wahre AGI sei bisher nicht entwickelt.
• ASI, Superintelligenz: ein hypothetisches System, dessen Intelligenz die menschliche übertrifft (Quelle: IBM, 2023).

Die Reihenfolge ist wichtig. Superintelligenz setzt eine allgemeine AI voraus, und die gibt es nicht. Was wir haben, sind laut IBM begrenzte AI-Systeme (Quelle: IBM, 2023). Ob und wann sich das ändert, ist offen und eine Forschungsfrage, keine Planungsgrundlage für eure Roadmap 2027.

Für Entscheider:innen folgt daraus eine nüchterne Konsequenz: Die Debatte um Superintelligenz lohnt als gesellschaftliche Frage. Für die Frage, wo ihr AI heute einsetzt, hilft sie nicht. Dort zählt, was ein Werkzeug in einer konkreten Aufgabe leistet.

Warum heutige AI aus spezialisierten Werkzeugen besteht

Moderne Sprachmodelle wirken allgemein, weil sie über fast jedes Thema Text erzeugen. Das täuscht über ihre Funktionsweise hinweg: Sie berechnen plausible Fortsetzungen aus Trainingsdaten. Für Aufgaben, die dicht an diesen Daten liegen, funktioniert das erstaunlich gut. Für Aufgaben mit eigenem Kontext, eigenen Regeln und eigenen Qualitätsmaßstäben wird es unzuverlässig.

Die Marktanalysten von Gartner erwarten deshalb eine Verschiebung: Bis 2027 sollen Organisationen kleine, aufgabenspezifische AI-Modelle dreimal so häufig nutzen wie universelle große Sprachmodelle (Quelle: Gartner, Prognose vom 09.04.2025). Das ist eine Prognose, keine Messung, und sie zeigt die Richtung: weg vom einen Modell für alles, hin zu vielen Werkzeugen mit klarem Auftrag.

Für Präsentationen:SVGPNG

Praktisch heißt das: Ein Werkzeug für Angebotstexte braucht andere Daten, andere Regeln und eine andere Prüfung als ein Werkzeug, das Support-Anfragen sortiert. Wer beides mit demselben allgemeinen Chatfenster erledigt, spart sich die Einrichtung und zahlt später mit Nacharbeit.

Wenn AI überall drinsteckt: AI Overviews & AI Slop

Aus der Annahme „AI kann alles“ entsteht ein Reflex: Sie muss in jedes Produkt, jede Seite, jeden Touchpoint. Das Ergebnis kennen die meisten aus dem Alltag. Aufgeblähte Zusammenfassungen, austauschbare Texte, Funktionen, die niemand bestellt hat. Dafür hat sich der Begriff AI Slop durchgesetzt: massenhaft erzeugte Inhalte mit geringer Qualität. Hinzu kommt eine wachsende Müdigkeit bei Nutzer:innen. Eine belastbare Studie mit Zahlen dazu haben wir nicht gefunden, wir beschreiben es deshalb als Beobachtung.

Das bekannteste Beispiel ist die Websuche. Als Google im Mai 2024 AI Overviews breit ausrollte, kursierten schnell Screenshots mit absurden Antworten. Google selbst hat die Ursachen benannt: Die Systeme taten sich schwer mit ungewöhnlichen Suchanfragen, nahmen Satire als Fakt und griffen auf ironische Forenbeiträge zurück. Der Rat, Käse mit Kleber auf der Pizza zu halten, stammt aus dieser Gruppe. Google schränkte daraufhin ein, bei welchen Suchen die Zusammenfassungen erscheinen (Quelle: Google, 30.05.2024).

Ein Modell, das auf jede Frage antworten soll, antwortet auch dann, wenn es besser schweigen würde.

Der Fall zeigt das Muster. Ein allgemeines System wurde in einen riesigen Touchpoint eingebaut, ohne dass Auftrag, Datenbasis und Prüfung zum Anwendungsfall passten. Korrigiert wurde nachträglich und durch Eingrenzung: weniger Anlässe, weniger Quellen, mehr Regeln. Das ist exakt die Führung, die vorher gefehlt hat.

Wie sich die AI-Suche auf Klicks und Fehlerquoten auswirkt, haben wir im Beitrag AI Search: Bessere Antworten oder teurer Hype? mit unabhängigen Daten aufgearbeitet. Dort findet ihr die Zahlen, hier geht es um die Konsequenz für euren eigenen Einsatz. Warum falsche Antworten für Unternehmen zum Top-Risiko werden, steht in Inaccuracy wird Top-Risiko.

Wo fokussierte AI sich lohnt

Die Daten zu Unternehmensprojekten sprechen für Fokus. 95 Prozent der GenAI-Piloten bleiben ohne messbaren Effekt in der Gewinn- und Verlustrechnung (Quelle: MIT NANDA, 2025). Mindestens 30 Prozent der GenAI-Projekte werden nach dem Proof of Concept abgebrochen (Quelle: Gartner, 2024). Hinter beiden Zahlen steckt selten ein Technikproblem. Meist fehlt der klar umrissene Auftrag, an dem sich Erfolg messen lässt. Wie solche Projekte stranden, beschreibt der Beitrag The Pilot Graveyard.

Fokussierte AI hat typische Merkmale:

• Eine abgegrenzte Aufgabe. Dokumente zusammenfassen, Anfragen vorsortieren, Entwürfe für Standardtexte erstellen. Jede dieser Aufgaben hat einen Anfang, ein Ende und ein erkennbares Ergebnis.
• Eine bekannte Datenbasis. Das Werkzeug arbeitet auf euren Dokumenten und Regeln, nicht auf dem gesamten Netz. Dann sinkt die Zahl der Fälle, in denen es raten muss.
• Eine menschliche Prüfung. Jemand entscheidet, was weiterläuft. Je höher der Schaden einer falschen Antwort, desto früher greift diese Prüfung.

Diesen Ansatz verfolgen wir in AI Operations: Sprachmodelle übernehmen definierte Schritte in Prozessen, die Menschen steuern und kontrollieren. Das ist weniger spektakulär als ein Alleskönner und liefert in der Regel mehr verwertbare Ergebnisse.

Drei Fragen, bevor ihr AI in ein Produkt einbaut

Bevor eine AI-Funktion in ein Produkt, einen Workflow oder eine Plattform wandert, helfen drei Fragen. Wenn ihr eine davon nicht beantworten könnt, ist die Funktion noch nicht reif.

1. Welche konkrete Aufgabe löst die Funktion, und woran erkennt ihr, dass sie gelöst ist? „Nutzer:innen unterstützen“ reicht nicht. „Anfragen in vier Kategorien sortieren, mit weniger als einer Korrektur pro zehn Fällen“ ist eine Aufgabe.
2. Auf welchen Daten arbeitet sie, und wer prüft das Ergebnis? Ohne definierte Datenbasis und ohne benannte Person, die kontrolliert, entsteht genau der Slop, den eure Nutzer:innen leid sind.
3. Was passiert, wenn die Antwort falsch ist? Wenn ihr den Fehlerfall nicht beschreiben könnt, habt ihr ihn nicht eingeplant. Manchmal ist die ehrliche Antwort: Hier lassen wir die AI weg.

Die dritte Frage verdient einen zweiten Blick. Eine Funktion, die nicht eingebaut wird, kostet nichts und verärgert niemanden. Der Mut, bei einem Touchpoint auf AI zu verzichten, ist Teil guter Produktarbeit.

Fazit: Erst die Aufgabe, dann die AI

Superintelligenz ist ein Gedankenexperiment, kein Produkt. Heutige AI besteht aus spezialisierten Werkzeugen, und sie liefert dort Wert, wo ein Mensch den Auftrag klärt, die Daten festlegt und das Ergebnis prüft. Wer AI aus Angst, etwas zu verpassen, überall einbaut, bekommt Slop, Müdigkeit und Nacharbeit.

Für euer nächstes AI-Vorhaben heißt das: eine Aufgabe wählen, eine Datenbasis festlegen, eine Prüfung benennen. Danach messen, ob es wirkt. Wie ihr das für euer Unternehmen aufsetzt, klären wir gern mit euch im kostenlosen Diagnose-Call.

Häufige Fragen zu Superintelligenz

Was ist Superintelligenz?

Superintelligenz bezeichnet eine hypothetische AI, deren intellektuelle Fähigkeiten über die des Menschen hinausgehen (Quelle: IBM, 2023). Es gibt sie bisher nicht. Heutige Systeme sind spezialisierte Werkzeuge für abgegrenzte Aufgaben.

Was ist künstliche Superintelligenz?

Künstliche Superintelligenz ist dasselbe Konzept unter dem englischen Namen Artificial Superintelligence (ASI). IBM beschreibt sie als hypothetisches System, das auf einer allgemeinen AI (AGI) aufbauen würde, die ebenfalls noch nicht entwickelt ist (Quelle: IBM, 2023).

Wie unterscheiden sich AGI und Superintelligenz?

Eine AGI löst Probleme so breit und flexibel wie ein Mensch. Eine Superintelligenz würde den Menschen darin übertreffen (Quelle: IBM, 2023). Beide sind bislang Konzepte, keine verfügbaren Produkte.

Ist ChatGPT eine Superintelligenz?

Nein. ChatGPT und vergleichbare Sprachmodelle gehören zur engen AI: Sie erzeugen Text, Bilder oder Code für Aufgaben, die sie aus Trainingsdaten ableiten. Sie sind nützliche Werkzeuge, aber weder allgemein noch dem Menschen überlegen. Ihre Antworten brauchen Prüfung.

Was ist AI Slop?

AI Slop beschreibt massenhaft erzeugte AI-Inhalte mit geringer Qualität: aufgeblähte, austauschbare oder ungenaue Texte, die Fläche besetzen, ohne dem Lesenden zu helfen. Er entsteht vor allem dort, wo AI ohne klaren Auftrag und ohne menschliche Prüfung eingesetzt wird.

Warum braucht AI menschliche Guidance?

Weil AI-Systeme Aufgaben nicht selbst definieren, ihre Datenbasis nicht bewerten und eigene Fehler nicht zuverlässig erkennen. Das leisten Menschen: Sie legen den Auftrag fest, wählen die Daten und prüfen das Ergebnis.

Quellen

• IBM, 2023: What is artificial superintelligence? (Tim Mucci, Cole Stryker, 14.12.2023)
• Google, 2024: AI Overviews: About last week (Elizabeth Reid, 30.05.2024)
• Gartner, 2025: Gartner Predicts by 2027, Organizations Will Use Small, Task-Specific AI Models Three Times More Than General-Purpose Large Language Models, 09.04.2025
• Gartner: Hype Cycle for Artificial Intelligence, 2024
• MIT NANDA: The State of AI in Business, 2025