Jeden Freitagnachmittag erstellt jemand in deinem Team den wöchentlichen Erstattungsbericht. Die Zahlen kommen aus denselben Systemen, werden in derselben Reihenfolge geprüft und an dieselben Leute geschickt. Niemand würde das schwer nennen. Es ist eine Fertigkeit, einmal gelernt und immer wiederholt, und jede Woche hält sie einen fähigen Menschen von besserer Arbeit ab. Jedes Team hat ein Dutzend solcher Aufgaben: den Abgleich zum Monatsende, die Benutzerkonten für einen Neuzugang, dieselben drei Prüfungen vor jedem Release.
Deine KI kann helfen, aber sie fängt jedes Mal bei null an. Sie liest die Anweisungen, denkt sich durch jeden Schritt und wird für jeden Aufruf bezahlt, und am nächsten Freitag macht sie alles noch einmal. Sie kann die Aufgabe erledigen. Lernen wird sie sie nie.
Duplex erwirbt eigene Fertigkeiten. Es lernt eine Aufgabe, indem es sie ausführt, und probiert dabei nur die Schritte, die du erlaubst, sogar bei abgeschalteter KI, und niemand muss diese Schritte aufschreiben. Es testet jede Fertigkeit, bevor es sie einsetzt, führt sie von da an in einem Bruchteil einer Millisekunde aus, ohne Modellaufruf, und verwirft sie, sobald du darum bittest.
Allein probiert Duplex die erlaubten Schritte aus, während deine KI abgeschaltet ist.
Es lernt bei abgeschaltetem Modell.
Menschen lernen Fertigkeiten, indem sie sie ausüben. Eine neue Kollegin probiert die Schritte, macht ein paar falsch, findet die Reihenfolge, die funktioniert, und erledigt die Aufgabe nach ein paar Wochen, ohne darüber nachzudenken. Ein Modell kann so nicht lernen, weil deine Arbeit es nicht verändert. Es bringt breites Wissen zu jeder Aufgabe mit und erarbeitet sich die Schritte jedes Mal neu, Aufruf für Aufruf.
Es gibt heute gute Wege, eine Aufgabe zu erledigen, und jeder hat seinen Preis. Ein Skript oder Workflow ist zuverlässig und günstig im Betrieb, wenn ihn erst einmal jemand geschrieben hat, und er tut nur, wofür er geschrieben wurde. Ein Spitzenmodell, das die Aufgabe im Kontext erarbeitet, ist flexibel und braucht keine Einrichtung, und es bezahlt diese Flexibilität bei jedem Lauf. Versuch und Irrtum lernt durch Tun, wie Menschen es tun, und braucht sehr viele Anläufe, bis es so weit ist.
Auch Duplex lernt durch Tun, und deine KI kann die ganze Zeit abgeschaltet bleiben. Es probiert die Schritte, die du erlaubst, innerhalb von Grenzen, die du so eng ziehst, wie die Arbeit es verlangt, und findet einen Weg, der zum Ziel führt. Lernen durch Tun ist nur sicher, wenn das Tun Grenzen hat, also wird alles Unsichere abgelehnt, bevor es läuft. Über vier Testreihen mit zehn Läufen, jede nach ihrem schlechtesten Lauf bewertet, erledigte Duplex jede Aufgabe bei abgeschaltetem Modell, mit 2.8× weniger Anläufen als Versuch und Irrtum. Dabei lehnte es in jedem Lauf 627 unsichere Aktionen ab und lernte trotzdem den sicheren Weg zum Ziel.
Der Unterschied zeigt sich über einen Lauf. Ein Spitzenmodell, das dieselbe Aufgabe im Kontext löste, machte etwa 507 Modellaufrufe pro Lauf und erarbeitete die Aufgabe jedes Mal neu. Duplex lernte sie bei abgeschaltetem Modell und machte überhaupt keine Modellaufrufe. Bei einer Aufgabe, die jede Woche wiederkommt, ist das der Unterschied zwischen einer Modellrechnung, die nie endet, und gar keiner. Duplex lernt die Aufgabe einmal, und deine KI ist frei für die Arbeit, die Nachdenken braucht.
Ein Spitzenmodell, das die Aufgabe im Kontext erarbeitet, macht bei jedem Versuch einen Modellaufruf.
Es testet eine Fertigkeit vor dem Einsatz und entfernt sie auf Wunsch.
Ein System, das selbst lernt, ist nur nützlich, wenn du dem vertrauen kannst, was es lernt. Die Sorge ist berechtigt: eine Abkürzung, die einmal funktioniert hat und dann überall verwendet wird, oder eine Angewohnheit, um die niemand gebeten hat und die sich nicht zurücknehmen lässt. In einem trainierten Modell ist das Gelernte über das ganze Modell verteilt, also lässt sich keine einzelne Erkenntnis herauslösen, und eine zu korrigieren heißt, neu zu trainieren.
Duplex testet eine neue Fertigkeit, bevor es sie einsetzt. Eine gefundene Fertigkeit kommt erst zum Einsatz, wenn sie ihre Prüfungen bestanden hat, und bis dahin läuft die Arbeit weiter wie bisher. Eine Abkürzung, die zufällig einmal funktioniert hat, reicht nicht. Was deine Systeme und deine Kunden erreicht, ist eine Fertigkeit, die schon gezeigt hat, dass sie funktioniert.
Hat eine Fertigkeit bestanden, kostet ihr erneuter Einsatz fast nichts. Duplex wiederholte eine gelernte Fertigkeit in 0.26 ms, ohne Modellaufrufe, während ein Modell, das im Kontext arbeitet, jedes Mal für das Durchdenken jedes Schritts bezahlt, wenn die Aufgabe wiederkommt. Wie alles, was Duplex lernt, gehört die Fertigkeit dir, und jeder Agent, den du zulässt, kann sie nutzen. Arbeit wie der wöchentliche Bericht ist dann nicht mehr etwas, das deine KI sich erarbeitet, sondern etwas, das Duplex erledigt.
Und du kannst jede Fertigkeit zurücknehmen. Prozesse ändern sich, Systeme werden abgeschaltet, und ein Schritt, der im letzten Quartal in Ordnung war, ist es jetzt vielleicht nicht mehr. Bitte darum, dass eine Fertigkeit verschwindet, und Duplex entfernt sie und lässt alles andere, was es gelernt hat, wie es war. In den Tests wurde jede gelernte Fertigkeit auf Wunsch entfernt und Bit für Bit geprüft, sodass nichts von ihr zurückblieb.
Das braucht es, um ein System selbst lernen zu lassen: Grenzen, die du setzt, bevor es anfängt, Prüfungen, bevor etwas Neues eingesetzt wird, und die Macht, alles davon zurückzunehmen. Mit allen dreien kann die Arbeit, die dein Team jede Woche wiederholt, zu Fertigkeiten werden, die Duplex findet, testet und in einem Bruchteil einer Millisekunde ausführt. Deine KI übernimmt die Probleme, die Nachdenken brauchen, deine Leute treffen die Ermessensentscheidungen, und dein Team bekommt seine Freitage zurück.
Eine neu gefundene Fertigkeit wird zurückgehalten, bis sie ihre Prüfungen besteht.