Karpathy schlägt eine dreistufige Methode für das Lesen von LLMs vor: Der größte Wert von KI liegt nicht im Schreiben, sondern darin, dass sie dir hilft, die Welt zu verstehen

Ehemaliger Tesla-KI-Gesamtleiter und OpenAI-Gründungsmitglied Andrej Karpathy hat auf X seine zentralen methodischen Ansätze für die persönliche Nutzung großer Sprachmodelle (LLM) geteilt: Der größte Wert von LLM besteht nicht darin, dir beim „Weglassen von Schreiben“ zu helfen, sondern dir dabei zu helfen, „deine Lektüre aufzurüsten“. Er schlägt einen dreistufigen Leseprozess vor, bei dem LLM als „Leseverstärker“ verortet wird. Diese Sichtweise stellt die gängige Auffassung vieler Menschen in Frage, KI als Schreibbeschleuniger zu betrachten.

Dreistufige Lektüre: vom Originaltext zur LLM-Metaanalyse

Der von Karpathy beschriebene Informationsverarbeitungsprozess gliedert sich in drei Ebenen: Die erste Ebene ist das Lesen des Originaldokuments selbst; die zweite Ebene besteht darin, dass das LLM eine Zusammenfassung generiert, um die Kernargumente schnell zu erfassen; die dritte Ebene – und zugleich die wichtigste – ist, das LLM eine „Metaanalyse“ (meta-analysis) durchführen zu lassen, bei der bewertet wird, welche der in diesem Dokument vertretenen Ansichten für das eigene bestehende Wissenssystem „neu“ oder „überraschend“ sind.

Der Charme dieser Methode liegt darin, dass sie nicht die menschliche Urteilsfähigkeit durch KI ersetzt, sondern die KI nutzt, um die menschliche „Aufmerksamkeitsverteilung“ zu optimieren. Wenn man täglich sehr viele Informationen verarbeiten muss, kann das Filtern der Neuartigkeit auf der dritten Ebene Leser wirksam dabei unterstützen, sich auf Inhalte zu konzentrieren, die es wirklich wert sind, gründlich gelesen zu werden.

Warum „Leseverstärkung“ wichtiger ist als „Schreibbeschleunigung“

Die wichtigsten Einsatzszenarien von den meisten Menschen mit ChatGPT oder Claude bestehen darin, Texte zu erzeugen – E-Mails schreiben, Berichte schreiben, Code schreiben. Karpathys Sichtweise ist genau umgekehrt: Er ist der Ansicht, dass der Wert von LLM an der Eingabeseite (damit du Informationen besser aufnehmen kannst) weit größer ist als an der Ausgabeseite (damit du schneller Text produzieren kannst).

Dahinter steckt die Logik: In der Wissensarbeit hängt die Qualität von Entscheidungen von der Qualität der Informationsaufnahme ab. Wenn du die richtigen Dinge liest und die entscheidenden Punkte verstehst, wird die Produktion ganz von selbst nachziehen. Umgekehrt: Wenn du nur die Produktion mit KI beschleunigst, aber die Eingabequalität unverändert bleibt, ist das im besten Fall nur „schneller, um Mittelmäßiges zu produzieren“.

Risiken und blinde Flecken: ausreichend Domänenwissen als Rückhalt erforderlich

Diese Methode beruht auf einer Prämisse: Die Nutzer selbst müssen über genügend Domänenkenntnis verfügen, um beurteilen zu können, ob die Analyse des LLM korrekt ist. Wenn jemand, der mit Blockchain völlig fremd ist, das LLM darum bittet, die „Neuartigkeit“ eines DeFi-Artikels zu bewerten, wird er sehr wahrscheinlich durch eine selbstbewusste, aber falsche Zusammenfassung des LLM in die Irre geführt.

Außerdem vertreten manche Forschende eine andere Ansicht: Die Schreibfähigkeiten von LLM seien die größte Produktivitätssteigerung, während Leseunterstützung relativ nebensächlich sei. Die Differenz zwischen beiden Positionen spiegelt im Kern unterschiedliche Gewichtungen von „Eingabe vs. Ausgabe“ in verschiedenen Arbeitsformen wider – forschungsorientierte Arbeit braucht eher einen Leseverstärker, ausführungsorientierte Arbeit eher eine Schreibbeschleunigung.

Erkenntnisse für Wissensarbeiter

Karpathys Rahmenwerk bietet allen Wissensarbeitern, die große Mengen an Informationen verarbeiten müssen, eine praktische Denkweise für den KI-Einsatz: Anstatt KI für dich schreiben zu lassen, solltest du KI helfen lassen, eine Pipeline für „Qualitätskontrolle der Eingabe“ aufzubauen. Konkret könnte das so aussehen: Täglich scannt man mit LLM mehr als 20 Branchenartikel, lässt die KI markieren, welche Standpunkte neuartig sind, und entscheidet dann selbst, welche es wert sind, ausführlich zu berichten oder zu erforschen. Diese Vorgehensweise lässt dich nicht die Urteilsfähigkeit verlieren; sie sorgt im Zeitalter von Informationsüberlastung vielmehr dafür, dass die begrenzte Aufmerksamkeit dort eingesetzt wird, wo sie wirklich zählt.

Dieser Artikel beschreibt Karpathys dreistufige Lese-Methode für LLM: Der größte Nutzen von KI liegt nicht im Schreiben, sondern darin, dir die Welt zu verstehen. Erstmals erschienen bei ChainNews ABMedia.