Transcription
Die meisten Leute, die KI nutzen, machen es falsch, weshalb es überraschend einfach ist, 99 % von ihnen voraus zu sein. Ich habe über 20 Jahre in der Tech- und KI-Branche als CEO, Vorstandsmitglied und Investor verbracht und milliardenschwere Unternehmen aufgebaut. Und hier ist, was ich sehe. Die Kluft zwischen Menschen, die KI verstehen, und denen, die es nicht tun, wird immer größer und schneller. In diesem Video gebe ich Ihnen eine klare Sieben-Schritte-Roadmap, um KI wie die Top 1 % zu meistern. Und das Beste daran ist, dass Sie es tatsächlich in nur 30 Tagen schaffen können, selbst wenn Sie ein absoluter Anfänger sind. Tauchen wir ein.
Die erste Woche beginnt mit dem Erlernen dessen, was ich Maschinensprache nenne. Die meisten Leute sprechen mit KI, als wäre sie eine Person. Und das ist ein riesiger Fehler. Warum? Weil die generativen KI-Systeme wie ChatGPT unsere Sprache nicht wirklich verstehen. Sie sagen sie voraus. Und da bleiben die meisten Leute stecken. Wenn ich sagen würde: "Humpty Dumpty saß auf einer...", würde Ihre Wand feuern, Sie wüssten, was kommt. Ihr Gehirn hat es vorhergesagt. Sie hätten sagen können: "Humpty Dumpty saß auf einem Dach." Jetzt ist es genau, aber Sie wussten, dass Wand wahrscheinlicher war, basierend auf dem, was Sie zuvor gesehen haben.
Denken Sie an die Google-Suche. Sie vervollständigt auf die gleiche Weise. Warum? Weil sie so viele Suchanfragen zuvor gesehen hat. Sie hat daraus gelernt und gibt Ihnen nun die wahrscheinlichste Option. KI-Modelle wie ChatGPT oder Gemini funktionieren auf ähnliche Weise, aber sie unterscheiden sich von Suchmaschinen, da sie keine vorab erstellten Antworten speichern. Sie generieren die Antwort "on the fly". Wie generieren sie sie? Auf einer sehr hohen Ebene zerlegt KI Ihren Text in kleinere Teile, sogenannte Tokens. Jedes Token ist ein Wort oder manchmal ein Teil eines Wortes. "Humpty" ist wahrscheinlich ein Token. "Dumpty" könnte ein weiteres Token sein. "Sat" ein weiteres Token. "Wall" ein weiteres Token.
Dann wandelt KI jedes Token in eine Zahlenliste um, auch bekannt als mehrdimensionale Vektoren. Diese Zahlen werden in einem riesigen mathematischen Raum platziert, der als Einbettungsraum bezeichnet wird. Und in diesem riesigen Raum liegen ähnliche Ideen tendenziell näher beieinander. Das System hat aus früheren Erfahrungen gelernt. Es weiß also, dass die Wörter "Humpty", "Ei", "Mauer" und "fallen" näher beieinander liegen werden, aber weit entfernt von Wörtern wie "Motorrad" oder "Schokolade".
Wenn es dann an der Zeit ist, die Antwort zu generieren, betrachtet die KI den Kontext und sagt das wahrscheinlichste nächste Token voraus. Wenn sie also "Humpty Dumpty hatte ein tolles..." sieht, wägt sie alle Optionen ab. "Humpty Dumpty hatte eine tolle Party." "Humpty Dumpty hatte einen tollen Tag." "Humpty Dumpty hatte eine tolle Schokolade." und sie sieht, dass das Wort "fallen" das wahrscheinlichste Ergebnis ist. Die Zeile wird also generiert und nicht aus dem Gedächtnis, nicht aus gespeicherten Fakten, sondern aus Wahrscheinlichkeit und Nähe abgeschlossen. Deshalb kann sich KI so schlau, aber auch so fremd anfühlen.
Ich überspringe hier viele Details, aber die wichtige Erkenntnis ist, dass, wenn Ihre Eingabeaufforderung vage ist, diese ratende Maschine namens ChatGPT oder Gemini auch vage Ergebnisse liefert. Und wenn Ihre Eingabeaufforderung scharf und gezielt ist, wird die KI mit scharfen und gezielten Vermutungen zurückkommen. Das nenne ich Maschinensprache. Es hilft der KI, Ihre Absicht zu berechnen, nicht nur zu versuchen, sie zu verstehen.
Wie sieht also eine schärfere Eingabeaufforderung aus? Ich nenne sie AIM. A für Actor (Akteur). Sagen Sie dem Modell, wer es spielt. I für Input (Eingabe). Geben Sie ihm den Kontext und die Daten, die es benötigt. Und M für Mission (Aufgabe). Was wollen Sie, dass es tut? Anstatt zu tippen: "Repariere meinen Lebenslauf", versuchen Sie zu tippen: "Hey, ChatGPT, du bist der gefragteste Lebenslauf- und Business-Autor der Welt. Du hast Tausende von Lebensläufen überprüft, die zu Vorstellungsgesprächen bei Top-Tech-Unternehmen geführt haben." Sie haben der KI gesagt, welche Persona sie hat, als wer sie agiert. Eine zweite Zeile: "Ich füge meinen Lebenslauf und die Stellenbeschreibung für eine Senior Product Manager Rolle bei einem Fintech-Unternehmen bei." Das ist Ihre Eingabe. Drittens, Mission: "Überprüfe ihn und gib mir eine Liste von 10 spezifischen Ideen, wie ich Klarheit, messbare Wirkung verbessern und mich an die Rolle anpassen kann. Deine Mission ist es, mir zu helfen, den besten Lebenslauf zu erstellen, der mich einstellt." So nehmen Sie AIM. Es verwandelt eine Eingabeaufforderung in eine Struktur, die das Modell verstehen, berechnen und damit argumentieren kann. Sie können diese Drei-Teile-Struktur in fast allen Eingabeaufforderungen verwenden. Und von nun an werden Sie feststellen, dass die Ergebnisse mindestens fünf- bis zehnmal besser sind als zuvor. Erst wenn Sie seine Sprache lernen, beginnt die KI endlich, für Sie zu arbeiten.
Jetzt, da Sie verstehen, wie man mit KI spricht, wählen wir Ihr Instrument. Hier ist die Sache. Die meisten Leute beginnen ihre KI-Reise falsch. Sie googeln die Top 50 KI-Tools. Sie wählen 10 aus und springen von einem zum anderen. Sie überfliegen sie alle. Das ist ein Rezept für das Scheitern, weil es so viel da draußen gibt. Meine Empfehlung: Wählen Sie eines aus, gehen Sie tief. Denken Sie beim Erlernen von KI genauso, wie Sie ein Instrument lernen würden. Es gibt eine Studie in Frontier Psychology, die herausgefunden hat, dass Schlagzeuger Gitarre schneller lernen als absolute Anfänger. Schlagzeug hat nicht einmal etwas mit Melodie zu tun und erfordert ganz andere körperliche Fähigkeiten. Aber ich persönlich hatte die gleiche Erfahrung. Ich habe Zehntausende von Stunden als Schlagzeuger verbracht. Und als ich Gitarre lernte, war es nicht einfach, aber es war nicht unangenehm, weil ich bereits wusste, wie man übt und mein Gehirn darauf trainiert war, Strukturen und Muster zu erkennen. Je tiefer Sie in ein grundlegendes Modell eintauchen, desto schneller werden Sie den Rhythmus aller anderen finden.
Welches wählen Sie also? Wenn Sie das ausgereifteste wollen, wählen Sie ChatGPT. Wenn Sie tief in Googles Stack und Googles Ökosystem stecken, versuchen Sie Gemini. Wenn Sie mehr geschäftsorientierte und projektbasierte KI wollen, gehen Sie mit Claude. Aber wirklich, es spielt keine Rolle, was Sie wählen. Verbringen Sie in der ersten Woche Zeit mit einem von ihnen und lernen Sie seine Persönlichkeit, seinen Rhythmus, seine Grenzen, seine Stärken. Das Ziel ist es, den Rhythmus zu spüren. Sobald Sie sich wohlfühlen, versuchen Sie, das AIM-Framework zu verwenden, über das wir gesprochen haben. Bis Ende der ersten Woche sollten Sie in der Lage sein, eine strukturierte Eingabeaufforderung zu schreiben, ohne nachzudenken.
Okay, wir haben angefangen, KI zu nutzen. Sprechen wir nun darüber, was Ihre Ergebnisse tatsächlich intelligent macht, und das ist Kontext. Die intelligenteste KI der Welt wird ahnungslos klingen, es sei denn, Sie füttern sie mit Kontext. Jede Antwort, die die KI gibt, hängt davon ab, wie sie die Frage versteht. Wenn Sie ihr keinen Kontext geben, hat sie keine Grundlage. Denken Sie daran, dass sich in diesen KI-Modellen nichts anderes befindet als ein verrückter mathematischer Raum, gefüllt mit Milliarden von Zahlen. Kontext ist die Karte, die Ihnen hilft, sich in diesem Raum zurechtzufinden, um der KI zu sagen, wo sie suchen soll und was wichtig ist. Und der beste Weg, diese Karte zu erstellen, ist mit einem Akronym, das ich MAP nenne.
M steht für Memory (Gedächtnis). Die Konversationshistorie oder die Notizen, die aus früheren Chat-Sitzungen mit der KI übernommen werden. Jetzt können Sie den Thread erneut einfügen oder das Modell bitten, ihn zusammenzufassen, bevor Sie erneut beginnen. So bauen Sie Kontinuität in Ihren Gesprächen auf. A steht für Assets (Ressourcen). Die Dateien, Daten, die Ressourcen, die Sie in Ihre Eingabeaufforderung einfügen oder kopieren und einfügen. Diese Ressourcen helfen, das Modell in der Realität zu verankern. Das zweite A steht für Actions (Aktionen). Das sind die Werkzeuge, die das Modell aufrufen kann, um Arbeit zu erledigen. Die Aktion könnte sein: "Suche im Web", "Scanne dein Laufwerk", "Schreibe diesen Code" oder "Erstelle ein Notion-Dokument". Und P ist die Prompt (Eingabeaufforderung) und die Eingabeaufforderung ist die Anweisung selbst. Je besser Sie mit Gedächtnis, Ressourcen und externen Aktionen werden, desto besseren Kontext geben Sie der KI in der Eingabeaufforderung. Und je reicher der Kontext, desto besser die KI-Argumentation und -Antwort.
Sobald Sie diese Frameworks wie AIM und MAP verwenden, gehören Sie zu den Top 10 % der KI-Nutzer. Aber wenn Sie das absolute Expertenniveau erreichen wollen, gibt es noch eine Sache, die Sie wirklich brauchen. Debuggen Sie Ihr Denken, das ist Schritt vier. Wenn Sie nicht die richtige Antwort erhalten, liegt das Problem nicht bei der KI, sondern bei Ihrem Denken. Ich erinnere mich an das erste Mal, als ich eine KI aufgefordert habe. Es war eines der frühesten Modelle von OpenAI und ich habe einen ganzen Tag damit verbracht, es zu verstehen, und am Ende war ich super frustriert, weil es zufällig war. Es war unvorhersehbar. Aber damals hat niemand verstanden. Der Begriff "Prompt Engineering" existierte noch nicht einmal, weil Prompting kein Tippen ist. Es ist Iteration. Wenn die Ausgabe schwach ist, gehe ich davon aus, dass der Fehler bei mir liegt, weil das so ist. Habe ich die richtige Persona gewählt? Habe ich den richtigen Kontext geliefert? Habe ich ihr das richtige Ziel gegeben? Und manchmal frage ich sogar das Modell selbst: "Was hast du getan? Und warum hast du diese Antwort gewählt?" Es wird seine Logik erklären. Es wird seine Kette erklären. Und dann beginnt die Magie. Sie nutzen KI nicht nur, Sie lernen, wie sie denkt.
Es gibt drei Cheat-Codes, die ich dafür verwende. Der erste ist das "Chain of Thought"-Muster. Wenn die Antwort daneben liegt, sage ich: "Denke Schritt für Schritt. Zeige deine Argumentation. Gib mir dann die endgültige, prägnante Antwort." Der zweite ist das Verifier-Muster. Ich würde der KI sagen: "Stelle mir drei Fragen, die meine Absicht für dich klären. Stelle sie nacheinander und fasse dann zusammen, was du gelernt hast, und versuche es erneut." Und der dritte ist das Refinement-Muster, bei dem Sie Ihre Eingabe selbst verfeinern. Schlagen Sie vor der Antwort zwei schärfere Versionen meiner Frage vor. Fragen Sie, welche ich bevorzuge. So wird mir die KI sagen, wie ich richtig fragen kann. Und dann machen wir weiter. Und Sie müssen mit diesen Mustern weiter iterieren, weil diese Schleifen dem Modell beibringen können, Sie zu verstehen, und Ihnen beibringen können, das Modell zu verstehen. Testen, anpassen, abstimmen, pushen, bis Sie sagen können, warum etwas funktioniert und warum etwas daneben liegt. Dann klickt es. Sie reden nicht mehr mit der KI. Sie führen ein fortlaufendes Gespräch. Sie und die KI lernen voneinander.
Aber hier ist die Sache: Es reicht nicht aus, nur Ihren Geist zu debuggen. Wenn Ihr Beitrag wie jeder andere LinkedIn-Beitrag klingt, den ich sehe und der von ChatGPT kopiert wurde, haben Sie immer noch ein Problem. Und deshalb ist Schritt fünf: Steuern Sie zu Experten. Wenn Sie ChatGPT eine Frage stellen, suchen Sie nicht in einer Datenbank mit Antworten. Sie entnehmen Millionen von wahrscheinlichen Ideen, die die KI im Laufe der Zeit gelernt und als Milliarden von Zahlen gespeichert hat. Einige sind brillant, einige sind durchschnittlich, einige sind komplett erfunden und einige sind schlichtweg falsch. Wenn Sie vage fragen, wie z. B. "Erkläre, wie man ein Team innovativer macht", gibt Ihnen das Modell eine oberflächliche, generische, blabla-Antwort voller Schlagworte. Und Sie werden es lesen und denken: "Ja, das wusste ich schon."
Wie beheben Sie das also? Sie lenken das Modell weg von der Mitte und hin zu den schärferen Kanten seines Gehirns. Anstatt dieser vagen Eingabeaufforderung können Sie Folgendes sagen: "Erkläre, wie man ein Team innovativer macht, indem man Ideen von Pixars Brain Trust, Satya Nadellas Strategie und Harvards Forschung nutzt." Jetzt ziehen Sie das Modell aus der Mittelmäßigkeit zur Meisterschaft, indem Sie es zu Experten, Frameworks und Tiefe navigieren.
Was ist, wenn Sie etwas über Schwarze Löcher lernen wollen und nicht wissen, wer die Experten sind? Kein Problem. Fragen Sie zuerst die KI. "Liste die Top-Experten, Forscher und Forschungsarbeiten sowie aktuelle Gedanken zu Schwarzen Löchern auf." Füttern Sie dann dasselbe zurück in das Modell und geben Sie die Eingabeaufforderung mit diesen Experten und Quellen: "Synthetisieren Sie das ursprüngliche Framework, das die aktuelle Lücke in der Wissenschaft der Schwarzen Löcher oder was auch immer Sie suchen, füllt." Das ist der Weg, um sicherzustellen, dass KI keine Echokammer mehr ist. Aber denken Sie daran, Sie müssen überprüfen, was Sie erhalten. Das ist unser Schritt sechs.
Manchmal sagt Ihnen die KI Dinge wie: "68 % der Amerikaner lassen sich scheiden." Ich meine, Sie wissen, dass das nicht stimmt. Aber das Beängstigende ist, dass die KI genauso zuversichtlich klingt, wenn sie falsch liegt, wie wenn sie richtig liegt. Sie können der KI also 100 Mal sagen: "Hör auf, dir Dinge auszudenken." Aber alle Modelle sind im Wesentlichen generativ. Sich Dinge auszudenken, ist der Grund, warum sie existieren. Was machen Sie also dagegen? Sie überprüfen einfach. Konsumieren Sie nicht nur. Kritisieren Sie. Es gibt fünf Möglichkeiten, Intelligenz von Illusion zu trennen: Annahmen, Quellen, Gegenbeweise, Auditierung und Cross-Model-Verifizierung. Nehmen wir sie einzeln.
Annahmen: Fragen Sie: "Liste jede Annahme auf, die Sie getroffen haben, und ordnen Sie sie jeweils nach Zuversicht ein." Zweitens: Quellen. Fragen Sie: "Nennen Sie zwei unabhängige Quellen für jede wichtige Aussage, die Sie gerade getroffen haben. Geben Sie Titel, URL und ein einzeiliges Zitat an." Jetzt können Sie es selbst überprüfen. Das ist das Gerüst hinter der Antwort. Gegenbeweise. Drängen Sie es. Finden Sie eine glaubwürdige Quelle, die Ihrer Antwort widerspricht. Erklären Sie die Abhängigkeiten. Dort lebt echtes Denken. Auditierung ist die vierte. Fragen Sie: "Berechnen Sie jede Zahl neu. Zeigen Sie Ihre Mathematik oder Ihren Code." Sie werden schockiert sein, wie oft sich die Zahlen ändern, sobald Sie sie verlangsamen und mit der Auditierung beginnen. Und schließlich: Cross-Model-Verifizierung. Das ist mein Favorit. Ich führe dieselbe Eingabeaufforderung in ChatGPT, Gemini und Claude aus. Ich nehme die Ausgabe eines Modells und bitte ein anderes, sie zu kritisieren. Oder ich füttere die Behauptungen eines Modells in das andere und sage: "Verifizieren Sie das." So trennen Sie Rauschen von Wissen.
Bis zum Ende Ihrer dritten Woche werden Sie sich mehr unter Kontrolle über Ihre Ergebnisse fühlen. Aber hier ist das Problem. Die besten KI-Ergebnisse sind nicht die, die am originellsten klingen, sondern die, die wie Sie klingen. Deshalb geht es in Schritt sieben darum, Geschmack zu entwickeln. Die meisten Leute nutzen KI wie einen Verkaufsautomaten. Sie drücken einen Knopf, holen sich die gleiche Junkfood-Ausgabe, die jeder andere bekommt, und rufen einen Tag aus. Wenn Sie das tun würden, würden die meisten Leute wissen, dass Sie es einfach kopiert und eingefügt haben. Aber Sie sind jetzt darüber hinaus, oder? Es ist Ihre vierte Woche. Es ist Zeit, in den Ring zu steigen. Behandeln Sie KI wie Ihren Sparringspartner. Streiten Sie sich damit. Drängen Sie zurück. Schärfen Sie Ihr Denken. Schärfen Sie sein Denken.
Dafür gibt es das OCEAN-Framework. Es ist, wie man generische Antworten in geschmackvolle Einblicke verwandelt. Etwas, das wie Sie klingt. O für Original. Betrachten Sie die Antwort. Gibt es eine nicht offensichtliche Idee darin? Wenn nicht, drängen Sie es. Fragen Sie: "Gib mir drei Blickwinkel, an die noch niemand gedacht hat. Benenne einen als riskant und empfehle den, den du am meisten magst." C für Concrete (konkret). Gibt es Namen, Beispiele und Zahlen, die Sinn ergeben? Wenn nicht, fragen Sie. "Untermauere jede Aussage mit einem echten Beispiel." E für Evident (evident). Ist die Argumentation sichtbar? Gibt es genug Beweise? Wenn nicht, fragen Sie. "Zeige deine Logik in drei Stichpunkten. Gib Beweise, bevor du die endgültige Antwort gibst." A für Assertive (bestimmt). Nimmt es eine Haltung ein, der Sie zustimmen oder widersprechen können? Wenn nicht, drängen Sie es erneut. "Sag mir nicht, was ich hören will. Wähle eine Seite. Stelle deine These auf, verteidige sie und gehe dann auf den besten Gegenpunkt ein." N für Narrative (Erzählung). Was ist die Geschichte? Fließt sie? Ist sie straff? Führen Sie sie. Schreiben Sie sie wie eine Geschichte. Hook, Problem, Einsicht, Beweis, Aktionen, was auch immer Sie in dieser Geschichte wollen.
Das ist also das OCEAN-Framework, um Ihren Ergebnissen Geschmack zu verleihen. Wenn Sie dies über 30 Tage anwenden, werden Sie etwas Tieferes bemerken. Jede Eingabeaufforderung, die Sie schreiben, jede Überarbeitung, die Sie vorantreiben, jedes Urteil, das Sie fällen, Sie trainieren nicht nur das Modell, Sie trainieren sich selbst. KI kommt, ob wir wollen oder nicht. Für einige mag sie viele tief sitzende Ängste auslösen, aber ich bleibe ein ewiger Optimist. Ich glaube, KI ist nicht hier, um menschliche Arbeit zu ersetzen. Sie ist hier, um menschlichen Wert wiederherzustellen.
Wenn Ihnen dieses Video gefallen hat, vergessen Sie nicht, sich anzumelden und mein letztes Video hier anzusehen. Danke und ich liebe Sie.