Methodik für Evaluation, Design und Sicherheit, um KI nicht nur als „praktisches Werkzeug“ enden zu lassen
Wenn Sie Yusuke Narita nur als „Wissenschaftler, der viel über KI redet“ betrachten, verpassen Sie das Wesentliche. Seine Art, mit KI umzugehen, passt nicht in den allgemeinen Rahmen der Produktivitätssteigerung wie das Verfassen von Texten mit Chatbots, das Zusammenfassen von Meetings oder das gute Formulieren von Prompts. Stattdessen liegt seine Besonderheit darin, KI als „Vorrichtung, die Entscheidungen trifft“ zu betrachten und gemeinsam darüber nachzudenken, wie man sie gestaltet, wie man sie bewertet und wie man sie sicher in der Gesellschaft einsetzt.
Auf seiner offiziellen Website beschreibt er seine Spezialisierung als „Gestaltung von Geschäfts- und öffentlicher Politik mithilfe von Daten, Algorithmen und Denken“ und „Entwicklung von Methoden zur datengetriebenen Gestaltung gesellschaftlicher Entscheidungsalgorithmen“. In seinem offiziellen Profil an der Yale University steht im Zentrum seiner Forschung die Gestaltung von Entscheidungsalgorithmen in Politik und Wirtschaft, unter Verwendung einer Kombination aus kausaler Inferenz, maschinellem Lernen und struktureller Schätzung. Mit anderen Worten: KI ist für ihn keine eigenständige App, sondern die Grundlage der „Intelligenz, die reale Urteile vorantreibt“ – wie Empfehlungen, Werbung, Suche und politische Zuweisung.
Und schließlich noch eines.
Die in diesem Artikel vorgestellte Nutzungsweise – „KI nicht die Antworten schreiben zu lassen, sondern die Materialien für Ihr eigenes Urteil arrangieren zu lassen“ – wird morgen wieder zur ursprünglichen Nutzung zurückkehren, wenn Sie sie nur lesen und zustimmen. Sie wird erst sinnvoll, wenn Sie sie tatsächlich in Ihrer eigenen Arbeit anwenden.
Daher habe ich ein kostenloses praktisches Kit vorbereitet, damit Sie diese Denkweise direkt in Ihre eigenen Abläufe einfließen lassen können.
Sie können Folgendes erhalten:
Sie müssen nicht an kostenlosen Beratungen oder Seminaren teilnehmen. Sie können es direkt nach dem Hinzufügen von LINE erhalten.
Holen Sie es sich hier:
Jetzt legen wir los.
1. Der Kern der Narita-Art der KI-Nutzung: „Das Urteil der KI beurteilen“ statt „Die KI fragen“
Viele Menschen nutzen KI als überlegene Version einer Suchmaschine oder als Auslagerungsziel fürs Schreiben. Das ist natürlich an sich effektiv, aber die Narita-Art, mit KI umzugehen, liegt jenseits davon. In seinem Denken beantwortet KI nicht nur Fragen, sondern führt selbst „Entscheidungen“ durch – wie welche Produkte empfohlen, welche Anzeigen geschaltet und welche Coupons verteilt werden. Und das Wichtige ist, dieses Urteil nicht ungeprüft zu lassen, sondern es so zu gestalten, dass es später immer bewertet werden kann.
Von Narita aufgezeigte Tatsache: KI ist kein „Antwortkasten“, sondern ein „Subjekt, das Urteile fällt“
In einem gemeinsam verfassten Papier von Narita heißt es, dass „Algorithmen zunehmend viele der Entscheidungen in Politik und Wirtschaft übernehmen“. Die erste Nutzungstechnik, die sich daraus ableitet, ist, KI nicht als „Kasten, der Antworten zurückgibt“, sondern als „Subjekt, das Urteile fällt“ zu behandeln und zunächst ein System zu schaffen, um die Qualität dieses Urteils zu messen. Wenn Sie KI nur nutzen, um E-Mails zu kürzen, ist der Wettbewerbsvorteil gering. Wenn Sie jedoch eine Struktur schaffen, in der Sie KI Entscheidungen anvertrauen, die Qualität dieses Urteils mit Daten überprüfen und es verbessern, während Sie Verschlechterungen verhindern, wird KI nicht nur zu einem Effizienzwerkzeug, sondern zu einer Entscheidungsmaschine für das Geschäft.
Anwendung auf Einzelpersonen und Unternehmen
Wenn Sie diese Denkweise auf Einzelpersonen oder Unternehmen übertragen, sieht das so aus. Bevor Sie KI etwas tun lassen, legen Sie fest: „Welches Urteil soll dadurch verbessert werden?“ und „Wie werden wir später messen, ob dieses Urteil gut war?“ Im Vertrieb: Erstellen Sie nicht einfach Angebote, sondern setzen Sie das Urteil, welches Angebot welchem Kunden gegeben wird, und die Überprüfung der Abschlussrate als Paket. Im E-Commerce: Beschreiben Sie nicht nur Produkte, sondern bewerten Sie das Urteil, welches Produkt wem gezeigt wird, unter Einbeziehung nicht nur der Kaufrate, sondern auch der Lagerbestandseffizienz. Die Narita-Art ist die Idee, das „Urteilssystem“ zu gestalten, nicht die „Antwort“ der KI.
2. KI-Nutzung mit „Evaluation zuerst“ entscheiden
Der konsistenteste Teil von Naritas Denkweise ist die Idee der Evaluation zuerst. In seinen gemeinsam verfassten Papieren weist er darauf hin, dass A/B-Tests zwar zuverlässig sind, aber Zeit und Geld kosten und das Risiko des Scheiterns bergen. Daher argumentiert er wiederholt, dass man anstatt es sofort in der Produktion auszuprobieren, zunächst aus historischen Logdaten schätzen sollte, „was passiert wäre, wenn man es anders gemacht hätte“.
Was ist „Evaluation zuerst“?
Evaluation zuerst bei der KI-Nutzung bedeutet nicht „KI einführen, weil sie beliebt ist“. Zuerst legen Sie fest, „wie gemessen wird, ob dieses KI-Urteil gut war“.
Betrachten Sie zum Beispiel die Aufgabe, den Kundensupport mit KI zu automatisieren. Oberflächlich ist es eine „Aufgabe, automatisch Antworten zu generieren“, aber mit Evaluation zuerst aufgeschlüsselt, steht das Design im Vordergrund: Was gilt als gute Antwort (Lösungsrate, Zufriedenheit oder Antwortzeit?), welche Daten werden zur Messung verwendet, und wie bemerken Sie eine Verschlechterung?
Anwendung auf Einzelpersonen und Unternehmen
Die Narita-Art der KI-Nutzung ist in dieser Trennung scharf. Anstatt alles auf die KI zu werfen, definieren Sie zunächst, „was ein gutes Urteil ist“, bereiten einen Maßstab zur Messung vor und setzen dann erst die KI ein. Bevor Sie darüber nachdenken, was die KI tun soll, fragen Sie, was Sie überhaupt verbessern wollen. Das ist KI-Einführung mit Evaluation zuerst.
3. „Vor der Produktion mit historischen Daten bewerten“ = Die Idee der kontrafaktischen Evaluation
Im Kern von Naritas Forschung steht eine Technologie namens Off-Policy Evaluation (OPE). Ein schwieriges Wort, aber der Inhalt ist einfach: „Bewertung von Maßnahmen, die noch nicht umgesetzt wurden, anhand historischer Logdaten im Voraus“.
Warum ist „plötzlich in die Produktion gehen“ gefährlich?
Diese Denkweise lässt sich direkt auf die KI-Nutzung anwenden. Viele Organisationen scheitern, weil sie plötzlich neue Methoden, die ihnen eingefallen sind, in der Produktion ausführen. Wenn es funktioniert, ist es gut, aber wenn es daneben geht, verschlechtert es die Kundenreaktion und kostet Zeit und Geld.
Anwendung auf Einzelpersonen und Unternehmen
Wenn Sie im Narita-Stil denken, ist die Reihenfolge der KI-Einführung so: Zuerst, wenn Sie einen neuen Prompt oder eine neue Richtlinie entwickeln, setzen Sie sie nicht sofort vollständig in der Produktion ein. Als Nächstes nutzen Sie Logs ähnlicher vergangener Fälle, um zu schätzen, „was passiert wäre, wenn es diese neue Methode gewesen wäre“. Dann werden nur diejenigen, bei denen bestätigt wurde, dass sie sich nicht eindeutig verschlechtern, nach und nach in die Produktion übernommen.
KI ist mächtig, aber wenn Sie sie ohne Überprüfung in die Produktion bringen, erreicht der Fehler den Nutzer in vollem Umfang. Wenn Sie dagegen zuerst mit historischen Daten bewerten, können Sie die Unfallrate drastisch senken. Mit anderen Worten: Was als Vorstufe der KI-Nutzung wichtig ist, ist nicht, energisch zu probieren, sondern sicher mit Verlaufsdaten vorauszulesen.
4. „Den Maßstab selbst hinterfragen“ = Keiner einzelnen Kennzahl vertrauen
Unverzichtbar in der Narita-Art, mit KI umzugehen, ist die Skepsis gegenüber der Bewertungsmethode selbst. In seinen gemeinsam verfassten Papieren gibt es eines mit dem Inhalt, dass „welche Bewertungsmethode am besten ist, je nach Aufgabe variiert und es keinen einzelnen Gewinner gibt“. Daher sollten Sie mehrere Maßstäbe vorbereiten und den für jede Situation am besten passenden auswählen.
Warum ist eine einzelne Kennzahl gefährlich?
Dies zeigt einen wichtigen Pfeiler der Narita-Art der KI-Nutzung: Die Ergebnisse der KI nicht allein anhand „einer einzelnen Zahl“ zu beurteilen. Im Geschäft ist es leicht, auf eine einzelne Kennzahl wie „die Klickrate ist gestiegen“ oder „die Reaktion war gut“ zu springen. Aber misst diese Zahl wirklich das, was Sie verbessern wollen?
Anwendung auf Einzelpersonen und Unternehmen
Wenn eine Einzelperson dies nachahmt, sollte sie bei der Bewertung der KI-Ergebnisse immer aus mehreren Blickwinkeln betrachten. Wenn Sie zum Beispiel einen Chatbot nur anhand der „Lösungsrate“ messen, dann ist es, selbst wenn die Lösungsrate steigt, ein Misserfolg, wenn der Nutzer das Gefühl hat, es sei „kalt“ und abwandert. Betrachten Sie also Lösungsrate, Zufriedenheit, Abwanderungsrate und Antwortzeit getrennt.
Die Narita-Art der KI-Nutzung hinterfragt, ob der Maßstab korrekt ist, bevor sie Modelle vergleicht. KI wird in Richtung des von Ihnen festgelegten Maßstabs optimieren. Wenn der Maßstab also falsch ist, läuft sie umso mehr in die falsche Richtung, je intelligenter sie wird. Dies zuerst zu festigen, ist die Narita-Art.
5. „Lästige reale Einschränkungen“ nicht aufschieben
Gemeinsam ist Naritas neuerer Forschung, dass sie reale Probleme von Anfang an in das Bewertungssystem einbezieht, nicht erst nachträglich. Das Problem, dass neue Produkte und Artikel immer weiter zunehmen, das Problem von Obergrenzen bei Lagerbeständen und Coupon-Budgets und das Problem, dass sich das Verhalten für jeden Benutzer unterscheidet. Diese Einschränkungen berücksichtigt er von Anfang an.
Warum mit Idealismus gemachte KI in der Produktion bricht
Wichtig dabei ist, dass KI-Nutzung nicht mit „idealen Bedingungen“ endet. Reale Abläufe haben immer Budgets, Arbeitsstunden, NG-Bedingungen und Benutzervielfalt. Selbst wenn Sie einen Prompt erstellen, der im Idealzustand gut funktioniert, bricht er, wenn er auf reale Einschränkungen trifft.
Nehmen wir zum Beispiel die Obergrenze des Lagerbestands. Wenn Sie der KI nur befehlen, „weiter Produkte auszuspielen, die gut ankommen“, sind beliebte Produkte im Nu vergriffen, und Sie können nichts mehr für Kunden ausspielen, die später kommen. Naritas Forschung berücksichtigt solche Angebotseinschränkungen von Anfang an und bewertet, indem sie auf die „Zuweisung an zukünftige Nutzer“ schaut, nicht nur auf die „Reaktion in diesem Moment“.
Anwendung auf Einzelpersonen und Unternehmen
Diese Idee lässt sich auch auf die allgemeine Arbeit anwenden. Wenn Sie über KI-Maßnahmen nachdenken, bauen Sie nicht zuerst mit Idealismus auf und passen später an, sondern beziehen Sie „verfügbares Budget“, „einsetzbare Arbeitsstunden“, „was auf keinen Fall getan werden darf“ und „die Bandbreite der Zielnutzer“ von Anfang an als Prämissen ein. Die Narita-Art der KI-Nutzung schiebt reale Einschränkungen nicht auf. Je schöner eine KI gemacht ist, desto mehr wird sie in der Produktion scheitern, wenn Einschränkungen ignoriert werden.
6. KI nicht als „Antwortmaschine“, sondern als „Verschlechterungsvermeidungsmaschine“ behandeln
Was Naritas Forschung gut repräsentiert, ist die Idee, „nicht schlechter zu werden“ selbst als Ergebnis zu betrachten. In seiner Forschung gibt es Ansätze, die mit hoher Wahrscheinlichkeit eine Einschränkung auferlegen, nicht unter die aktuell laufende Politik zu fallen, und Ansätze, die die Sicherheitsbremse innerhalb einer kleinen Anzahl von Einführungen nach und nach lockern.
Die Idee, „Vermeidung von Verschlechterung“ als Ergebnis zu zählen
Hier liegt ein großer Sprung in der Narita-Art der KI-Nutzung. Viele KI-Nutzungen betrachten nur, „wie viel besser es geworden ist“. Aber Narita behandelt „wie viel Verschlechterung vermieden werden konnte“ als ebenso wichtiges Ergebnis.
Anwendung auf Einzelpersonen und Unternehmen
Dies ist auch für die KI-Nutzung in Unternehmen aufschlussreich. Wenn Sie versuchen, die Antwortqualität zu verbessern, wechseln Sie nicht alles auf einmal auf eine neue Methode, sondern garantieren Sie zunächst, dass sie nicht unter die aktuelle Methode fällt, und probieren Sie dann nach und nach. Konkret: Probieren Sie die neue Richtlinie nur mit 1-5 % der Gesamtmenge und legen Sie vorher eine Stopplinie fest, wie „Stopp, wenn es sich eindeutig verschlechtert“.
Was den Unterschied in der KI-Nutzung ausmacht, ist nicht nur die Auffälligkeit des Angriffs. Es ist, wie weit Sie den Erkundungsbereich erweitern können, während Sie die Wahrscheinlichkeit einer Verschlechterung unterdrücken. In Naritas Worten: Nur wenn Sie die KI-Qualitätsverbesserung und die Unterdrückung von Ausreißern, falschen Antworten und Verzerrungen gleichzeitig am selben Tisch gestalten, kann KI sicher wachsen.
7. „Ethik“ nicht als Notiz, sondern in die Berechnungen einbeziehen
Ein Merkmal von Naritas Sicht auf KI ist der Umgang mit Ethik. Während Ethik in vielen Bereichen tendenziell eine „am Ende hinzugefügte Notiz“ ist, wird Ethik in Naritas Forschung in das Optimierungsproblem integriert.
Ethik in die Optimierung einbeziehen
Zum Beispiel weist er in der Forschung zur medizinischen Studiendesign darauf hin, dass herkömmliche Methoden ethische Probleme haben, wie die Zuweisung von Behandlungen, die bekanntermaßen weniger wirksam sind oder die die Teilnehmer nicht mögen. Daher bezieht er die Präferenzen der Teilnehmer und die vorhergesagten Wirkungen von Anfang an in die Zuweisungsberechnung ein, um die Zufriedenheit der Teilnehmer zu erhöhen.
Anwendung auf Einzelpersonen und Unternehmen
Wenn Sie dies auf die KI-Nutzung zurückführen, wird es zu einer wesentlichen Geschichte. Es geht nicht um „OK, wenn die Genauigkeit hoch ist“, sondern darum, „die Gefühle der Menschen, die es nutzen, und die Kosten von Schäden von Anfang an in die Bewertung einzubeziehen“.
Zum Beispiel, wenn Sie neue Empfehlungen mit KI ausspielen. Wenn Sie keine neuen Kandidaten ausspielen, stagniert das System, aber wenn Sie zu viele ausspielen, verfehlen Sie das Ziel und es kommt zu einem Unfall. Naritas Forschung versucht, sowohl diese „Neuheit (faire Exposition)“ als auch „Sicherheit“ gleichzeitig zu erfüllen. Wenn Sie nur der Effizienz hinterherjagen, geht die Last irgendwo auf jemanden über. Die Narita-Art bezieht die Kosten dieser Last von Anfang an in die Berechnung ein. Sie behandelt Ethik nicht als Bremse, sondern als Teil des Designs.
8. Den Bewerter selbst bewerten = Einschrittige Meta-Optimierung
Interessant an Naritas Forschung ist, dass er vor dem Vergleich von KI-Modellen eine Stufe einfügt, um zu überprüfen, „ob die Vergleichsmethode (der Bewerter) selbst korrekt ist“. In seiner Forschung gibt es eine Methode, um automatisch auszuwählen, welche Bewertungsmethode je nach Aufgabe gut ist.
Den „Maßstab“ vor dem Modell verifizieren
Was daraus ersichtlich ist, ist, dass Naritas Sicht auf die Leistungsoptimierung eine Stufe über der Modellabstimmung liegt. Viele Menschen konkurrieren darum, „welches Modell überlegen ist“, aber Narita bestätigt vorher, „ob der Maßstab selbst zur Bewertung des Modells korrekt ist“.
Anwendung auf Einzelpersonen und Unternehmen
Wenn ein allgemeines Unternehmen dies nachahmt, hinterfragt es vor dem Vergleich von KI-Tools die Kriterien für den Vergleich. Wenn Sie zum Beispiel zwei KIs nach „Geschwindigkeit der Antwort“ vergleichen wollen, fragen Sie zuerst, ob Geschwindigkeit in diesem Geschäft überhaupt das Wichtigste ist. Wenn Sie mit verschobenen Kriterien vergleichen, wird selbst die überlegene KI tatsächlich zu einer Verschlechterung führen.
KI-Nutzung scheint ein Kampf um „welches Modell man wählt“, ist aber eigentlich ein Kampf um „nach welchen Kriterien man wählt“. Wenn Sie von der Narita-Art lernen, sollten Sie die Gültigkeit des Maßstabs messen, bevor Sie die Leistung des Modells messen.
9. Wissen, dass herkömmliche Methoden bei „großen Auswahlmöglichkeiten“ versagen
In Naritas Forschung gibt es die Erkenntnis, dass herkömmliche Bewertungsmethoden in Situationen mit sehr vielen Auswahlmöglichkeiten (Aktionen) versagen. Er argumentiert, dass in Situationen mit vielen Auswahlmöglichkeiten wie Empfehlungen und Suchen mit zu vielen Kandidaten sowie Sprachmodellen eine Bewertung anhand von Merkmalen und Embeddings notwendig ist, anstatt eines einfachen Gewinnratenvergleichs.
Warum die Bewertung bei einer großen Anzahl von Auswahlmöglichkeiten versagt
Dies trifft direkt auf die heutige LLM-Nutzung zu. Generative KI hat eine riesige Anzahl von Kandidaten für die Ausgabe und Auswahlmöglichkeiten für verwendbare Werkzeuge. In einer solchen Situation wird der Vergleich selbst instabil, wenn Sie einfach vergleichen, „was besser war, A oder B“.
Anwendung auf Einzelpersonen und Unternehmen
Wenn eine Einzelperson dies anwendet, vermeidet sie bei Arbeiten mit vielen KI-Auswahlmöglichkeiten grobe Zwei-Wege-Vergleiche. Entscheiden Sie zum Beispiel nicht sofort, „welcher der 10 Prompt-Kandidaten der beste ist“, mit einer kleinen Stichprobe. Wenn es viele Kandidaten gibt, überstürzen Sie das Urteil nicht und betrachten Sie es sorgfältig unter mehreren Bedingungen.
Die Narita-Art der KI-Nutzung geht davon aus, dass die Bewertung umso schwieriger wird, je mehr Auswahlmöglichkeiten es gibt. Daher halten sie sich in Situationen mit vielen Kandidaten an eine gestaltete Bewertung anstatt an einen einfachen Vergleich.
10. Die Bedeutung der „Reduzierung von Eingabereibung“ verstehen
An der Wurzel von Naritas Forschung steht die Idee, Daten korrekt zu hinterlassen, um das Urteilssystem kontinuierlich am Laufen zu halten. In der Dateninfrastruktur, an der er beteiligt ist, werden Informationen wie mit welcher Wahrscheinlichkeit welche Wahl getroffen wurde, aufgezeichnet, damit später fair bewertet werden kann, „warum dieses Ergebnis eingetreten ist“.
Einen „überprüfbaren Zustand“ kontinuierlich hinterlassen
KI-Nutzung ist hier nicht nur Effizienz. Es ist das „kontinuierliche Schaffen eines Zustands, der später überprüft werden kann, ohne dass es lästig ist“. Wenn die Überprüfung lästig ist, hören die Leute damit auf. Deshalb ist ein Design erforderlich, das die Hürde für Aufzeichnung und Bewertung senkt.
Anwendung auf Einzelpersonen und Unternehmen
Wenn Sie diese Idee in die tägliche KI-Nutzung einfließen lassen, ist es wichtig, „die Reibung der Überprüfung zu reduzieren“. Die Ergebnisse der KI jedes Mal manuell zu bewerten, ist auf Dauer nicht machbar. Daher sollte man die häufig verwendeten Prompts vorlagen, die Kennzahlen zur Messung der Ergebnisse im Voraus festlegen und dafür sorgen, dass die Ergebnisse automatisch hinterlassen werden. Je kürzer die Distanz zur Überprüfung ist, desto mehr dreht sich der Verbesserungszyklus der KI.
Die Narita-Art, mit KI umzugehen, zielt letztlich darauf ab, dass „Menschen gute Urteile definieren, KI sie ausführt, die Ergebnisse immer aufgezeichnet werden und wieder verbessert werden“.
11. Mit einem Gefühl der Krise nutzen
In Naritas Sicht auf KI gibt es eine Spannung, die Entscheidungen Algorithmen anzuvertrauen, gleichzeitig aber die Möglichkeiten zu beachten. In einem Dialog sagt er sinngemäß, dass „Geld“ nur eine grobe eindimensionale Darstellung dessen ist, was Menschen in der Vergangenheit getan haben, und wenn es detailliertere Daten gibt, kann es dadurch ersetzt werden. Er betrachtet KI und Daten als Grundlage, die die Entscheidungskriterien der Gesellschaft selbst ersetzen können.
Die Verantwortung wird umso vager, je mehr man Urteile anvertraut
Dieser Punkt ist auch als KI-Nutzungstechnik wichtig. Es ist gefährlich, KI einfach zu nutzen, weil sie bequem ist. Je mehr Sie KI Urteile anvertrauen, desto unklarer wird, wessen Verantwortung dieses Urteil ist und nach welchen Kriterien es getroffen wurde. Datenlecks, Fehlinformationen, Verzerrungen, Verantwortungsort und übermäßige Abhängigkeit. Wenn Sie KI Entscheidungen anvertrauen und diese ignorieren, verlieren Sie langfristiges Vertrauen gegen kurzfristige Effizienz.
Anwendung auf Einzelpersonen und Unternehmen
Wenn Sie von der Narita-Art lernen, hören Sie nicht aus Angst vor KI auf, sondern gestalten Sie mit Risiken als Prämisse. Erstellen Sie Regeln, um keine vertraulichen Informationen einzugeben. Lassen Sie bei wichtigen Urteilen eine menschliche Bestätigung. Hinterlassen Sie KI-Urteilslogs. Legen Sie den Verantwortungsbereich fest, wenn ein falsches Urteil auftritt. KI-Nutzung gestaltet nicht nur das Gaspedal, sondern auch die Bremse.
12. Wiederholen von „Probieren mit begrenzter Einführung“
Was in Naritas Forschung konsistent ist, ist die Idee, mit einer kleinen Anzahl begrenzter Einführungen zu beginnen, anstatt mit einem vollständigen Wechsel. In seiner Forschung taucht immer wieder der Ablauf auf, eine neue Politik nicht plötzlich auf das Ganze anzuwenden, sondern sie zuerst in einem Teil zu testen, die Ergebnisse zu betrachten, neu zu lernen und nach und nach zu erweitern.
„Klein probieren“ funktioniert besser in einer Ära, in der Prototyping schnell geht
Im KI-Zeitalter wird diese „klein probieren“-Haltung noch wichtiger. Denn die Kosten für das Prototyping sinken durch KI drastisch, aber die Versuchung, ohne Überprüfung zu laufen, wird ebenfalls stärker. Planungsdokumente, Code, Werbetexte, Analyseberichte. Dinge, die früher mehrere Tage dauerten, werden jetzt in wenigen Minuten zum ersten Entwurf. Deshalb ist es effektiv, nicht für den ersten Entwurf dankbar zu sein, sondern klein zu probieren und zu überprüfen.
Anwendung auf Einzelpersonen und Unternehmen
In der Narita-Art der KI-Nutzungstechniken ist KI keine „Magie, die ein fertiges Produkt in einem Schuss ausgibt“. Vielmehr ist es eine Vorrichtung, um die Anzahl der Male zu erhöhen, die Sie klein probieren und überprüfen. Probieren Sie mit 1-5 %. Betrachten Sie die Ergebnisse. Bestätigen Sie die Verschlechterung. Kehren Sie zurück. Verbessern Sie. Probieren Sie erneut. Menschen, die diesen Zyklus sicher beschleunigen können, werden die Vorteile der KI erhalten. Menschen, die KI nutzen, aber keine Ergebnisse erzielen, setzen zu viel auf eine einzige vollständige Einführung.
13. Praktische Methode für Einzelpersonen, die Narita-Art der KI-Nutzung nachzuahmen
Sie müssen nicht wie Narita eine universitäre Forschungsgrundlage oder groß angelegte Daten haben. Wenn es nur um die Idee geht, kann sie sogar eine Einzelperson ab heute nachahmen.
5 Schritte, die Sie ab heute umsetzen können
Erstens: Bevor Sie KI etwas tun lassen, schreiben Sie in einem Satz auf: „Was möchte ich verbessern?“ Jeder verliert sich, weil er diesen Schritt auslässt. Zweitens: Legen Sie im Voraus fest: „Mit welcher Zahl werde ich diese Qualität messen?“ Drittens: Selbst wenn Sie einen neuen Prompt entwickeln, setzen Sie ihn nicht sofort für alles ein, sondern probieren Sie ihn zuerst an ähnlichen vergangenen Fällen oder einem Teil aus. Viertens: Beurteilen Sie die Ergebnisse nicht allein anhand einer einzelnen Zahl, sondern betrachten Sie sie aus mehreren Blickwinkeln. Fünftens: Bereiten Sie im Voraus ein System vor, mit dem Sie eine Verschlechterung bemerken und stoppen können.
Wenn Sie diesen Ablauf fortsetzen, wird sich KI von einem bloßen Bequemlichkeitswerkzeug zu Ihrer eigenen Urteilsgrundlage wandeln, die sich kontinuierlich verbessert, ohne zu brechen.
14. Wenn ein Unternehmen nachahmt: Ein „Urteilssystem“ schaffen, nicht „Antwortgenauigkeit“
Der wichtigste Punkt, den Unternehmen von der Narita-Art lernen sollten, ist, sich nicht nur auf die Steigerung der Genauigkeit von KI-Antworten zu konzentrieren. Was Naritas Forschung die ganze Zeit verfeinert hat, war das System zum „Fällen eines Urteils, Bewerten und sicheren Verbessern“, nicht die Korrektheit einzelner Antworten.
„Urteilssystem“ statt Modellintelligenz
In vielen Unternehmen bleibt die KI-Einführung bei einem Vergleich von „welches Modell ist intelligent“ stehen. Aber wenn Sie im Narita-Stil denken, ist nicht die Intelligenz des Modells wichtig, sondern ob es ein Design gibt, um dieses Urteil zu bewerten, Verschlechterung zu verhindern, reale Einschränkungen zu befolgen und Ethik einzubeziehen. Wenn Sie KI einführen, während Zweck und KPI vage sind, endet es als internes Ereignis mit der neuesten Technologie.
Kultur, die Unternehmen haben sollten
Wenn ein Unternehmen KI ernsthaft nutzen will, muss es zunächst als Management definieren, „was als gutes Urteil gilt“, Daten zur Messung organisieren, ein System zur Erkennung von Verschlechterungen schaffen und eine Kultur der Ausweitung von begrenzter Einführung haben. KI ist kein Thema nur für die IT-Abteilung. Das „Urteilssystem“ wird in Vertrieb, Entwicklung, Produktion, Recht, Personal, Finanzen und Kundenbetreuung hinterfragt. Mit anderen Worten: KI-Nutzung ist die Gestaltung der Entscheidungsfindung selbst.
15. Fallstricke der Narita-Art der KI-Nutzung und was ehrlich gesagt werden sollte
Natürlich muss man die Narita-Art nicht so loben, wie sie ist. Während die Haltung der gründlichen Bewertung, Überprüfung und Sicherheit Unfälle reduziert, gibt es auch Situationen, in denen sie die Geschwindigkeit verlangsamt. Wenn Sie alles vorsichtig bewerten, können Sie sich in Situationen, in denen Sie schnell probieren sollten, nicht bewegen. Wichtig bei der KI-Nutzung ist es, die Narita-Art nicht oberflächlich zu kopieren, sondern die Prinzipien entsprechend der eigenen Umgebung zu integrieren.
Um ehrlich zu sein: Dieser Teil ist „unbestätigt“
Und noch etwas möchte ich ehrlich schreiben. Die in diesem Artikel vorgestellte „Narita-Art-Methode“ ist nicht etwas, das Narita selbst gesagt hat: „So nutze ich KI.“ Es ist eine „Art und Weise“, die mit hoher Wahrscheinlichkeit rekonstruiert wurde, indem ich seine öffentlichen Materialien (Website, CV, Papiere) sorgfältig gelesen habe. Persönliche Routinen – wie welches LLM Narita im Alltag nutzt und welche Prompts er eingibt – sind in öffentlichen Informationen nicht bestätigbar. Also werde ich das nicht mit Fantasie füllen und ehrlich als „unbestätigt“ belassen.
Prinzipien, die dennoch integriert werden können
Darüber hinaus sind die zu integrierenden Prinzipien: Mit Evaluation zuerst denken, vor der Produktion mit historischen Daten bewerten, den Maßstab selbst hinterfragen, reale Einschränkungen von Anfang an einbeziehen, die Vermeidung von Verschlechterung selbst als Ergebnis behandeln und Ethik in die Berechnungen einbeziehen. Und die Risiken nicht übersehen.
Fazit: Yusuke Naritas KI-Nutzungstechnik ist „Ein gutes Urteilssystem wachsen lassen, ohne es zu brechen“
Wenn man Yusuke Naritas Umgang mit KI in einem Wort zusammenfassen müsste, dann besteht er darin, KI nicht als „Antwortmaschine“, sondern als „Urteilsinstrument“ zu betrachten – und ein System zu schaffen, das dieses Urteil bewertet und verbessert, ohne es zu zerstören. Statt nach den stärksten Prompts oder den ultimativen Werkzeugen zu suchen, gestaltet man die Grundlage dafür, was die KI entscheidet, wie man misst, ob das gut war, und wie man eine Verschlechterung verhindert.
Zusammenfassung der Prinzipien nach Narita-Art
Die Prinzipien dafür sind klar. Bewertung zuerst: Definiere, was du verbessern willst. Bewerte mit historischen Daten, bevor du in die Produktion gehst. Glaube nicht an eine einzelne Zahl, und hinterfrage den Maßstab selbst. Verschiebe reale Zwänge nicht auf später, sondern beziehe sie von Anfang an ein. Betrachte die Vermeidung von Verschlechterung selbst als Ergebnis. Integriere Ethik in die Berechnungen, nicht als Randnotiz. Und fange klein an, mit einer begrenzten Einführung, und erweitere sie sicher.
Was im KI-Zeitalter wirklich den Unterschied macht, ist nicht nur „welche KI du verwendest“. Es geht darum, wie gut du die Urteile der KI bewerten und kontinuierlich verbessern kannst, ohne sie zu zerstören. Naritas Stärke liegt darin, dass er nicht den Antworten der KI-Trends hinterhergejagt ist. Stattdessen hat er konsequent daran gearbeitet, das Urteilssystem der KI wachsen zu lassen, ohne es zum Absturz zu bringen.
Daher sollten wir nicht lernen, „dieselbe Forschung wie Narita zu betreiben“. Es geht darum, in der eigenen Arbeit ein Urteil auszuwählen, das man der KI anvertrauen möchte, die Kriterien festzulegen, die man verbessern will, und es Schritt für Schritt zu verbessern, während man Verschlechterung verhindert. Statt sich damit zufriedenzugeben, dass die KI einfach Sätze schreibt, sollte man die Qualität der KI-Urteile messen und sie wachsen lassen, ohne sie zu zerstören. Prompt-Trends ändern sich in einem halben Jahr, aber diese bewertungsorientierte Denkweise wird weiterhin funktionieren, egal wie sehr sich die KI weiterentwickelt.
Das ist das Praktischste, was man aus Yusuke Naritas Techniken zur KI-Nutzung lernen kann.
