Die Task Economy – Daten werden die nächste 1-Billionen-Dollar-Kategorie

Die Token-Ökonomie

Wenn wir heute über KI sprechen, sind Tokens das Maß aller Dinge. Insbesondere Inferenz-Tokens haben sich zum primären Indikator für das Wachstum des KI-Ökosystems entwickelt. Börsennotierte Unternehmen berichten über monatlich verarbeitete Tokens, um ihr KI-Wachstum zu demonstrieren, Analysten vergleichen den Erfolg von Modellen anhand ihrer relativen Token-Volumina, und Führungsteams messen ihr Engagement und ihre Investitionen in KI, indem sie ihre Token-Nutzung im Zeitverlauf betrachten.

Diese breite Beliebtheit ist sinnvoll; Tokens sind eine fundamentale Einheit von KI-Intelligenz und -Berechnung, und das Wachstum der Tokens ist eine gute Repräsentation des gesamten KI-Wachstums in der Welt. Tokens abstrahieren auch die Komplexität von Inferenz in eine einzige Maßeinheit, was sie sowohl einfach zu verstehen (es dauert nur 2 Minuten!) als auch leicht konsistent über die Zeit zu verfolgen macht. Als eine Art Lingua Franca ermöglichen Tokens einem breiten Publikum, die schnellen, komplexen Fortschritte der KI unabhängig von technischem Wissen zu erfassen.

Mehr Menschen nutzen KI? Tokens steigen. Wir sind von nicht-denkmodelierenden Modellen zu Denkmodellen übergegangen? Tokens steigen. Wir sind von Abfragen zu Agenten übergegangen? Tokens steigen. Agenten können jetzt im Hintergrund arbeiten oder langfristige Aufgaben erledigen? Tokens steigen!

Insgesamt steigen die absoluten verarbeiteten Tokens sowohl als Folge der zunehmenden Nutzung/Einführung von KI, als auch aufgrund von Infrastrukturentwicklungen, die Modelle und KI-Formfaktoren "token-hungriger" machen, z. B. ein Agent, der eine Stunde statt einer Minute arbeitet.

Diese Einfachheit schafft auch eine starke Wachstums-Investment-These für Venture-Growth-Investoren. All diese Veränderungen – sowohl bei der Einführung als auch bei der Token-Intensität von Modellen – stapeln sich aufeinander und erzeugen explosives, exponentielles Wachstum des gesamten Token-Volumens. Es ist leicht zu skizzieren und leicht zu glauben, dass dies mit langfristigen Agenten und Hintergrundagenten, die noch kommen, in diese Richtung weitergeht. Kein Wunder, dass Inferenz zu einer heißen Investment-Kategorie geworden ist und viele Unternehmen ins Inferenz-Geschäft einsteigen wollen.

Der Nachteil eines KI-Vorzeigeprodukts, das so klar und beliebt ist wie Inferenz, ist, dass es das Blickfeld überladen kann, so dass ähnliche aufkommende Mega-Trends relativ unbemerkt bleiben, weil sie für ein breites Publikum schwerer zu erkennen und zu verstehen sind.

Ein Trend insbesondere ist Inferenz in vielerlei Hinsicht ähnlich und wird voraussichtlich einen viel größeren Teil der KI-Diskussion ausmachen, wenn er allgegenwärtiger und allgemein verständlicher wird. Dies ist der Markt zur Verbesserung der Modellfähigkeiten durch Daten, den wir die Task-Ökonomie nennen.

Die Task-Ökonomie

In den letzten drei Jahren haben sich LLMs von der Beantwortung grundlegender Abfragen über das logische Durchdenken komplexer Probleme bis hin zu Agenten entwickelt, die reale Arbeiten über immer längere Zeithorizonte hinweg erledigen können. Früh in dieser Entwicklung wurden Modellverbesserungen durch das Training von Modellen mit den im Internet verfügbaren Daten und zunehmenden Rechenressourcen erzielt. Da wir 1) keine weiteren Daten im Internet zum Trainieren mehr haben und 2) immer mehr einfache/allgemeine Fähigkeiten gesättigt haben, hat sich ein klarer Engpass für weitere Modellverbesserungen herauskristallisiert: inkrementelle qualitativ hochwertige Daten. Diese Daten werden von der Task-Ökonomie generiert und bereitgestellt.

Tasks sind die "Übungseinheit" beim bestärkenden Lernen (Reinforcement Learning, RL): Ein Modell erhält einen Anfangszustand und eine Umgebung, in der es agieren kann, und sein Verhalten wird durch ein Belohnungssignal/einen Verifizierer bewertet. Über viele Tasks hinweg werden diese Bewertungen zu einem Trainingssignal aggregiert, das das Verhalten des Modells in Richtung dessen verschiebt, was gut bewertet wurde. Streng genommen bezieht sich "Task" auf dieses RL-Post-Training-Substrat. Aber ich werde es lockerer verwenden, um allgemein für die Einheit der datengesteuerten Verbesserung zu stehen, da die Branche schnell neue Formen erfindet, die Daten im Dienste der Verbesserung von Modellen annehmen, und ehrlich gesagt, weil "Task Economy" einfach so schön klingt. Ich möchte diese Kategorie auch von der veralteten Bezeichnung "Datenlabeling" unterscheiden, die an Bounding Boxes und Daumen hoch/runter für LLM-Antworten denken lässt – der Markt hat sich in den letzten Jahren weit über diese Grundbausteine hinaus zu viel komplexeren und wertvolleren Tasks entwickelt.

Nehmen wir die Rechtsbranche als kurzes, reales Beispiel. KI-Modelle, die mit offenen Internetdaten trainiert wurden, können ein allgemeines Verständnis von Recht erlangen, öffentlich zugängliche Präzedenzfälle kennen usw. Aber die reale Arbeit eines talentierten Anwalts zu produzieren, erfordert Daten, die nicht im Internet verfügbar sind. Damit ein Modell hochwertige juristische Arbeitsabläufe nachbilden kann, müssen wir dem Modell Aufforderungen (Prompt) geben (einen Vertrag prüfen, ein Argument verfassen), das Modell in relevante Umgebungen versetzen (ein juristisches Datenraum) und dann die Qualität der Arbeit bewerten/verifizieren (anhand einer Bewertungsmatrix/Rubrik, ein Beispiel davon finden Sie hier). Diese Tasks lehren dem Modell nicht nur, was zu tun ist, sondern auch, wie es zu tun ist. Und je mehr hochwertige Tasks Sie dem Modell aussetzen, desto besser wird das Modell.

Auf diese Weise sind Tasks das, was Tokens für Inferenz/Modellnutzung sind: Sie sind das Pendant für Modellverbesserungsbemühungen. Tokens sind eine fundamentale Einheit von KI-Intelligenz und -Berechnung; wir sollten Tasks als eine fundamentale Einheit von KI-Verbesserung betrachten. Und genau wie Tokens wachsen Tasks sowohl als Funktion der KI-Einführung als auch, weil sich entwickelnde Grenzintelligenz immer "task-hungriger" wird.

Dies ist weder präzise noch vollständig, gibt aber einige Beispiele dafür, wie jeder sprunghafte Anstieg der Modellintelligenz weitaus mehr und komplexere Tasks erfordert

Wir sind von einfachen Präferenzlabels zu erfahrenen Experten mit Bewertungsmatrizen übergegangen? Tasks steigen. Wir haben vertikale Agenten eingeführt, die Expertenarbeit auf hohem Niveau nachbilden? Tasks steigen. Agenten müssen über längere Zeithorizonte arbeiten? Tasks steigen. Unternehmen führen Evaluierungen in großem Umfang ein? Tasks steigen!

Wie beim Inferenzmarkt haben diese sich stapelnden Wachstumsfaktoren ein beispielloses Wachstum für die Task-Ökonomie erzeugt:

• OpenAI und Anthropic skalieren ihre Datenausgaben jährlich um das Zehnfache und geben Milliarden von Dollar aus, um Experten in jedem Bereich zu mobilisieren, Daten zu erstellen und Agenten zu trainieren.
• Führende KI-Anwendungsunternehmen und Unternehmen in unserem Netzwerk skalieren ihre individuellen taskbezogenen Ausgaben kurzfristig auf 100 Millionen US-Dollar+, da sie erkennen, dass Daten ihr Burggraben (Moat) sind und dass angewandte KI mit einer differenzierten Datenstrategie Standardmodelle übertreffen kann.
• Benchmark-Portfoliounternehmen Mercor, die führende Plattform für die Task-Ökonomie, erreichte im Februar dieses Jahres einen Jahresumsatz (ARR) von 1 Milliarde US-Dollar und nur 4 Monate später einen ARR von 2 Milliarden US-Dollar.

Die Menge der rohen Tasks, die Länge und Komplexität dieser Tasks und die Kosten pro Stunde der Experten, die die Tasks erledigen, wachsen alle und stapeln sich, um ein exponentielles Gesamtwachstum der Task-Ausgaben zu erzeugen

So beeindruckend die jüngsten Wachstumssignale in diesem Markt auch sind, wir befinden uns ziemlich eindeutig erst im ersten Inning des Gesamtwachstums und der Wirkung dieses Marktes. Wir beginnen gerade erst damit, Agenten zu sehen, die qualitativ hochwertige Arbeit in jedem fortgeschrittenen Bereich nachbilden können, und Unternehmen beginnen erst in diesem Jahr, ihre Ausgaben zu skalieren, da ihnen die Bedeutung von Daten als Differenzierungsmerkmal gegenüber den Laboren bewusst wird. Vergleichen Sie dies mit dem Hintergrund, dass 99 % des menschlichen Wissens, das für die zukünftigen Fähigkeiten relevant ist, die wir von KI erwarten, sich in den Köpfen der Menschen befindet. Wenn wir glauben, dass angewandte KI-Unternehmen aller Art (Labore, KI-Anwendungsunternehmen, Unternehmen) dieses implizite Wissen in Modelle und Agenten übertragen wollen (und das tun sie), dann stehen uns noch viele Jahre schnellen Wachstums der Task-Ökonomie mit einer viel breiteren Gruppe von Käufern/Teilnehmern bevor als in der Vergangenheit.

Den Task-Mega-Trend greifbarer machen

Tokens und Tasks sind wichtige Barometer für den Fortschritt und die Entwicklung der KI, und beide beschleunigen sich rasant. Trotz dieses ähnlich explosiven Wachstums gibt es heute online weit weniger Gespräche über Tasks als über Tokens. Ich denke, das liegt hauptsächlich daran:

1. Historisch gesehen konzentrierten sich die Ausgaben in diesem Markt auf die Grenzlabore, die bei ihren Strategien zur Modellverbesserung, einschließlich ihrer Ausgaben für Daten/Tasks, sehr geheimnisvoll sind. Dies ändert sich rapide ab diesem Jahr, da KI-Anwendungsunternehmen und Unternehmen die Task-Ökonomie annehmen, um sich von Standardmodellen abzuheben. Diese Unternehmen vermarkten ihre Bemühungen in diesem Bereich eher und bringen die Kategorie in die reguläre KI-Diskussion.

und

1. Der Markt hatte noch keine so saubere Abstraktionseinheit für Werte wie die Inferenz mit Tokens. Ein Teil des Zwecks dieses Artikels ist es, dies zu ändern und die Diskussion auf Tasks als eine Werteinheit zu konzentrieren, auf die wir uns standardisieren können. Tokens sind eine Lingua Franca, die es einem breiten Publikum ermöglicht, den KI-Fortschritt unabhängig von technischem Wissen zu erfassen; Tasks sollten auf die gleiche Weise wirken, um einem breiten Publikum die Investitionen der Branche in die Weiterentwicklung von KI-Fähigkeiten verständlich zu machen.

Angesichts dieser Engpässe hat die Branche heute noch kein "OpenRouter für Task-Volumen" oder ähnliches, das uns eine live Momentaufnahme des Umfangs und Wachstums der Task-Ökonomie im Zeitverlauf geben könnte. Während es für ein Unternehmen in Zukunft enorm wertvoll wäre, so etwas zu veröffentlichen, war das Team von Mercor freundlicherweise bereit, ein Diagramm der historischen Expertenstunden pro Quartal auf ihrer Plattform bereitzustellen, um einen Einblick in das exponentielle Wachstum des Marktes zu geben. Wie Sie sehen können, stimmen die tatsächlichen Daten mit der Größenordnung/Geschwindigkeit des Wachstums überein, die wir im letzten Abschnitt besprochen haben:

Quelle: Mercor

In vielerlei Hinsicht ist die Task-Ökonomie der bestimmende Markt für die Zukunft der KI – die Barriere für die Automatisierung jeder Aufgabe, die wir auf unseren Laptops mit Agenten erledigen können, besteht darin, die gesamte Verteilung aller Apps, aller Umgebungen und aller Tasks abzudecken, die allem in der Wirtschaft entsprechen. Dies wird einen massiven Datenaufbau in allen beruflichen Bereichen, akademischen Disziplinen und Verbraucher-Anwendungsfällen erfordern. Recht, Medizin, Finanzen, Software, Wissenschaft und darüber hinaus werden jeweils ihre eigenen von Experten generierten Datensätze, Evaluierungen und RL-Umgebungen benötigen. Labore, KI-Anwendungsunternehmen und Unternehmen werden alle darum kämpfen, diese Dateninfrastruktur über die gesamte Oberfläche wirtschaftlich nützlicher Arbeit hinweg schnell zu skalieren, und diejenigen, die erfolgreich sind, werden weiterhin Grenzfähigkeiten verbessern und Marktanteile gewinnen.

Wir werden als Gemeinschaft beginnen, diese Bemühungen viel genauer zu verfolgen, wenn die Task-Ökonomie in den kommenden Jahren sichtbarer und allgegenwärtiger wird. Und irgendwann bald, wenn wir über KI sprechen, werden Tasks das Maß aller Dinge sein.

Fußnote: Ein weiterer offensichtlicher Bereich, in dem wir Verbesserungen der allgemeinen KI-Fähigkeiten sehen werden, sind algorithmische Verbesserungen an Modellen. Ich habe diese ausgeschlossen, um den Fokus dieses Artikels auf Daten zu halten, aber es ist eine Fokussierung/stilistische Entscheidung und nicht etwa die Annahme, dass es in Zukunft keine algorithmischen Verbesserungen geben wird.