Eine ehrliche Abrechnung mit unseren KI-Prognosen aus dem Jahr 2014

„Frag mal dein Samsung-Smartphone, ob es dich liebt.“ ♥️

Mit diesem leicht sarkastischen Satz versuchte ich im Juni 2014 in einem Agentur-Interview eine These zu untermauern, die damals für hitzige Diskussionen sorgte: Software wird in der Lage sein, menschliche Semantik, Kreativität und sogar Emotionen zu verstehen und zu reproduzieren.

Damals steckten wir in der SEO-Welt knietief in WDF*IDF-Analysen, starrten auf die Demografie-Daten von Google Universal Analytics und hielten Sprachassistenten wie Siri für witzige Gimmicks. Wenn von „Roboter-Content“ die Rede war, dachten die meisten an seelenlose Text-Spinner, die Synonyme austauschten und unleserlichen Duplicate Content produzierten. Die Angst der Journalisten und Redakteure wurde oft als unbegründet abgetan.

Heute, über ein Jahrzehnt später im Zeitalter generativer KI und hochkomplexer Large Language Models (LLMs), lohnt sich ein ungeschönter Blick zurück in den Rückspiegel:

Wo lag mein Entwickler-Instinkt 2014 präzise richtig? Und an welchen Abzweigungen hat uns die technologische Realität komplett links überholt?

Meine These 2014:
„Das Argument, dass eine Software nicht in der Lage sei, die menschliche Semantik auch auf kreative Weise zu beherrschen, wird sich entkräften.“

Die technische Realität heute:
2014 war der Turing-Test noch ein Partytrick, oft gewonnen durch Chatbots wie „Eugene Goostman“, die durch geschicktes Skripting menschliche Schwächen ausnutzten. Was wir damals nicht ahnten, war der Durchbruch der Transformer-Architektur (ab 2017) und die Entwicklung neuronaler Netze mit hunderten Milliarden Parametern.

Heutige LLMs berechnen Semantik in multidimensionalen Vektorräumen (Latent Spaces). Wörter und Konzepte werden als numerische Einbettungen (Embeddings) verstanden, die Beziehungen, Nuancen, Ironie und Kontext extrem präzise abbilden. Die Software „versteht“ nicht wie ein Mensch, aber sie modelliert semantische Zusammenhänge so perfekt, dass die Grenze zwischen algorithmischer Berechnung und menschlicher Kreativität für den Leser im Frontend de facto aufgehoben ist.

Meine These 2014:
„Es wimmelt in Bewertungsportalen wie Qype von relevanten Adjektiven. Solche Informationen aufzunehmen, nach positiven Äußerungen zu filtern und zuzuordnen […] wäre mein erster Schritt, wenn ich eine Software entwickeln müsste, die emotionale Produktbeschreibungen generiert.“

Die technische Realität heute:
Hier hat der damalige Programmierer-Instinkt ins Schwarze getroffen – auch wenn der Mechanismus heute anders heißt, als man vermuten könnte. Was ich beschrieb, passiert bereits: Moderne Foundation Models wie GPT-4, Claude oder Gemini werden im Pretraining mit einer gigantischen, frei zugänglichen Kopie des offenen Webs gefüttert – dem sogenannten Common-Crawl-Datensatz – sowie mit Milliarden von Forenbeiträgen (Reddit), Produktbewertungen, Social-Media-Kommentaren und Blogs.

Genau aus diesem Rohmaterial lernen die Modelle, mit welchen Adjektiven und Satzstrukturen Menschen Begeisterung, Frust, Vertrauen oder Dringlichkeit ausdrücken. RLHF (Reinforcement Learning from Human Feedback) justiert im Nachgang diesen bereits gelernten Stil nur noch fein, etwa in Richtung Hilfsbereitschaft und Angemessenheit.

Wenn wir heute im Prompt Engineering sagen: „Schreibe im Tonfall eines begeisterten Technik-Nerds”, aktiviert das Modell exakt die semantischen Cluster, die es aus Millionen realer Nutzer-Feedbacks im Pretraining extrahiert hat.

Meine These 2014:
„Ein Problem ist, dass sich meine Einschätzung nicht mit meinem Wunschdenken deckt. […] Eine Software wird auf Dauer gegenüber einem Redakteur billiger für ein Unternehmen sein. […] Und hier wird es sicherlich nicht wenige Firmen geben, die sich die Frage stellen, ob das nicht die praktikablere Lösung wäre.“

Die technische Realität heute:
Eine bittere, aber zutreffende Prognose. Die Grenzkosten für die Content-Erstellung sind durch KI gegen Null gegangen. Wir sprechen heute von Tokenomics: Tausende Wörter kosten Bruchteile von Cent-Beträgen. In einer datengetriebenen Marketingwelt, in der Content-Masse oft (fälschlicherweise) vor Qualität gestellt wird, hat das Excel-Sheet die romantische Vorstellung vom rein handwerklichen Redakteur in vielen operativen Bereichen verdrängt. Skalierung ist kein menschliches Monopol mehr.

Meine These 2014:
„Ein kritischer Bürger eines autoritären Staates postet seine Meinung im Netz. Ein Bot erkennt dies und steuert mit entsprechenden Beiträgen dagegen. Hoffentlich für immer eine Schreckensfantasie […] aber sicher der feuchte Traum so mancher Machthaber.“

Die technische Realität heute:
Das, was im Interview 2014 noch fast vorsichtig als „Verschwörungstheorie“ betitelt wurde, ist heute unter dem Begriff „Synthetische Medien und Information Warfare“ fester Bestandteil geopolitischer Konflikte. Die Kombination aus Echtzeit-Monitoring von Social Media (Sentiment-Analyse via NLP) und der blitzschnellen Generierung kontextbezogener Gegen-Narrative durch KI-Horden (Bot-Netzwerke auf X, Telegram etc.) ist längst keine Science-Fiction mehr. Die Technologie kam aus dem militärischen / akademischen Bereich und hat, wie damals vermutet, das Netz radikal verändert.

Meine These 2014:
„Ich befürchte für Google […], dass eine Software in der Lage ist, Suchmaschinenalgorithmen zu analysieren und daraufhin ‘suchmaschinenoptimalen’ Content zu produzieren. Also bildlich gesprochen den menschlichen DNA-Code auf den Google-Algorithmus knackt.“

Warum ich hier falsch lag (und was wirklich geschah):
Damals dachte ich an ein statisches Katz-und-Maus-Spiel: Eine Content-Software entschlüsselt die mathematische Formel (Keyword-Dichte, WDF*IDF, Backlink-Raten), mit der Google Rankings berechnet, und generiert den perfekten SEO-Text.

Der Denkfehler: Ich habe unterschätzt, dass Google selbst die größte KI-Maschine des Planeten werden würde.

Google hat das Spiel nicht durch immer komplexere starre Formeln verteidigt, sondern durch den Einsatz eigener Deep-Learning-Systeme (RankBrain, BERT, MUM und moderne Helpful Content Systeme). Google bewertet heute nicht mehr Zeichenketten oder mathematische Frequenzen, sondern Suchintentionen und semantische Entitäten. Ein Algorithmus lässt sich nicht mehr „knacken“, weil er selbst lernt, ob ein Text wirklichen Nutzer-Mehrwert bietet oder nur eine KI-generierte Hülle ist. Das Ergebnis: Wer heute versucht, eine KI rein für den Google-Algorithmus schreiben zu lassen, wird von Googles eigener KI gnadenlos aussortiert.

Meine These 2014:
„Für Massenartikel wird es durch automatisierte Texte definitiv noch zu Duplicate Content kommen.“

Warum das heute technisch anders läuft:
Das klassische Duplicate-Content-Problem – identische Textblöcke auf tausenden Onlineshop-Seiten –, das meine damalige Kollegin zurecht als Risiko sah, existiert bei moderner KI so nicht mehr, zumindest nicht auf Zeichenebene. Heutige LLMs arbeiten mit probabilistischer Next-Token-Prediction. Je nach eingestelltem Temperature-Parameter berechnet die KI bei jedem Aufruf eine neue Wortfolge, sodass zehn Onlineshops für denselben Sneaker zehn syntaktisch unterschiedliche Formulierungen bekommen – kein Duplicate-Content-Check würde sie noch als Kopie markieren.

Das eigentliche, subtilere Problem heute ist ein anderes: semantischer Einheitsbrei, oft als „AI Slop” bezeichnet. Die Texte unterscheiden sich auf Wortebene, wirken inhaltlich aber trotzdem austauschbar – dieselben Formulierungsmuster, dieselben Adjektive, dieselbe „es ist wichtig zu erwähnen”-Kadenz, weil sie letztlich alle aus demselben statistischen Durchschnitt des Internets schöpfen. Der alte Duplicate-Content-Detektor findet keine Kopie mehr, der menschliche Leser erkennt die Einheitlichkeit trotzdem oft auf den ersten Blick.

Meine These 2014:
„Eine subjektive Meinung sicherlich nicht, diese bleibt dem Menschen vorbehalten. Sie kann aber sicher Fakten untereinander vergleichen […] und daraus eine Meinung ‘berechnen’.“

Der heutige Zwischenstand:
Philosophisch habe ich recht behalten: Eine Software hat kein Bewusstsein und keine echte Haltung. Aber: Durch modernes Fine-Tuning und Persona-Prompting kann eine KI Subjektivität heute so verblüffend echt simulieren, dass der Unterschied für den menschlichen Leser irrelevant wird. Wenn wir einer KI aufsetzen, sie sei ein „frustrierter, sarkastischer Berliner Mittelstands-Geschäftsführer“, generiert sie eine scheinbar tief subjektive, kantige Meinung, die authentischer wirkt als so mancher glattgebügelte Text eines menschlichen PR-Redakteurs.

Am Ende des Interviews von 2014 einigten wir uns auf ein Prinzip, das damals eine Hoffnung war – und heute im modernen SEO und Webdesign die absolute Überlebensstrategie ist:

„Ich bin nach wie vor ein großer Verfechter des Prinzips: Vom Mensch für den Mensch. Im Endeffekt sind Websites und Onlineshops für menschliche Nutzer gedacht gewesen – und darauf sollten wir uns rückbesinnen.“

Genau hier schließt sich der Kreis. Die KI hat die mechanische Fleißarbeit der Contenterstellung übernommen. Sie ist der schnellste Rechercheur, der geduldigste Code-Assistent und ein exzellenter Sparringspartner. Aber weil heute jeder auf Knopfdruck unendlich viel mittelmäßigen Content erzeugen kann, ist der Algorithmus-Durchschnitt wertlos geworden.

Der wahre Wettbewerbsvorteil – das, was Google belohnt und was Kunden zum Kauf bewegt – liegt 2026 im Human-in-the-Loop:

Wir lagen 2014 mit vielem richtig – vor allem damit, dass Technologie die Grenzen des Machbaren pulverisiert. Aber der Schlüssel für erfolgreiches Marketing lag damals wie heute nicht in der Maschine selbst, sondern in dem Kopf, der sie bedient.