Gemini überholt ChatGPT, Alphabet All Time High & Unitree-IPO #493

Philipp Glöckler (0:00)

Willkommen zum Doppelgänger Tech Talk Podcast Folge 493 am 17 September 2025 Ich bin Philipp Klöckner und telefoniere zweimal die Woche mit dem Tech-Analysten Philipp Klöckner. Pip, fangen wir direkt hier, ich wollte schon Shit Corner sagen, mit der Sprudel-Ecke an. Wieso ist Elon Musk ganz oben bei uns im Dock?

Philipp Klöckner (0:24)

Weil ich diese Aktion gar nicht positiv oder negativ bewerten würde, sondern gerne wie schon im Newsletter am Wochenende so ein bisschen analysieren. Und zwar ist die Headline Business Insider hat es zuerst exklusiv berichtet, dass XAI, also die aus X und XAI entstandene KI-Firma von Elon Musk hunderte von Mitarbeitern rausschmeißt, die damit beauftragt waren, Grok zu trainieren. Das wundert einen ja eigentlich. Er investiert massiv in Chips, haut Millionen, Milliarden an Dollars raus. Warum schmeißt er jetzt angeblich mindestens 500 Leute raus? Dass diese Zahl 500 kommt einfach aus dem Slack-Channel, also wie viele Leute den Slack-Channel verlassen haben. So hat man herausgefunden, dass es mindestens 500 sein müssen. Und zwar gab es eine E-Mail an die Belegschaft. Da stand drin, After a thorough review of our human data efforts, we've decided to accelerate the expansion and prioritization of our specialist AI tutors while scaling back our focus on general AI tutors. This strategic pivot will take effect immediately. Die wichtigen Worte sind hier Specialist AI Tutors und General AI Tutors. Also was sie rausschmeißen oder wen sie auf die Straße setzen, sind 500 sogenannte General AI Tutors. Unter Tutoren würde ich, was wir sonst Data Labeler oder Data Annotation nennen.

Also die Menschen, die im Trainingsloop für KI sind. Das kann an verschiedenen Stellen sein. Das können Menschen sein, die Trainingsdaten generieren oder bewerten. Also die sagen, also entweder die Aufsätze schreiben, mal dumm gesagt. Das ist aber eher unwahrscheinlich. Wahrscheinlicher ist es, dass diese Daten vorgelegt bekommen und entweder Daten annotieren, indem sie zusätzliche Daten, Dimensionen, Metadaten schaffen. Oder einfach nur sagen, das sind eher gute, das sind eher schlechte Daten, das könnte eine Rolle sein. Es könnte aber auch das Ergebnis von dem Modell bewerten sein. Also das hier ist mir zu links, zu rechts. Das hier macht keinen Sinn. Das ist blöder Ton of Voice. Das ist zu kurz, zu lang, schlecht gegliedert. Feedback geben. Also um Reinforcement Learning zu machen, zum Beispiel um einfach nur zu sagen, Ergebnis gut, schlecht. So eine Art Belohnung für das System beim Lernen. All das sind so die Human in the Loop Aspekte, insbesondere beim Fintoon Tuning oder Posttraining, auch genannt, der Modelle. In dieser Abteilung, das ist das, was man auch früher unter anderem bei Scale AI, Search AI, Touring und so weiter einkaufen konnte. Da schmeißt man jetzt Leute raus, aber gleichzeitig sagt X in einem Tweet, Specialist AI Tutors at XAI are adding huge value. We will immediately search our specialist AI tutor team by 10 X. Wir heilen über Domain wie Stem, Finanz, Medizine, Sicherheit und mehr. Come join us to help build your thinking. Also die 500 Leute, die gerade rausgeschmissen wurden, können jetzt lesen, dass XAI in einem anderen Team 10 mal mehr Leute einstellen wollen. Das sind einfach gesagt, könnte man sagen, Akademiker, schlauere Tutoren. Also nicht mehr Leute, die einfach nur sagen, Ergebnis gut, Ergebnis schlecht oder irgendwie Daten annotieren, was sozusagen als ganz normale einfache Menschen, die werden ersetzt. Beziehungsweise für die gibt es keinen Bedarf mehr. Die Frage ist, warum? Es könnte sein, weil XAI wie angekündigt mehr synthetische Daten dafür nutzt oder Grok selber trainiert hat, das zu tun. Also das birgt viele Gefahren, aber kann natürlich effizienter sein, wenn man sagt, diese ganz einfachen Tasks, also wenn ich diese 500 Leute, die machen, keine Ahnung, ein paar tausend Aktionen am Tag wahrscheinlich, also bewerten zum Beispiel, sagen wir, es geht um das Bewerten von Ergebnissen. Da schafft man ein paar tausend Ergebnisse am Tag zu reviewen. Wenn man darauf eine KI mitblicken lässt, könnte man sagen, die kann das schon so ein bisschen mitlernen oder auch bei anderen Data Annotation-Tasks. KI, wenn man die ständig auf die Finger schaut, ist ganz oft so, dass du Dinge erst mit günstigen Mitarbeitern ein paar Millionen mal lösen lässt. Und da lässt du quasi eine KI mitlernen und dann machen die Leute sich selber obsolet, so ein bisschen wie die TikTok-Community auf sehr, da die in Berlin obsolet geworden sind wahrscheinlich. Aber man möchte eben zehnmal mehr Spezialisten jetzt haben. Da geht es um STEM, also mathematische, wissenschaftliche, technische Fächer, Finance, Medizin, Safety, also ich würde sagen da auch so ein bisschen, wo Ergebnisse richtig, richtig gut sein müssen.

Und ich glaube, das ist so ein bisschen den Shift, den wir sehen. Wir hatten neulich auch den Aufruf von Nikita Bier, dem Produktchef von X, der jüngst angehört wurde, der erklärt hat, wie Experten jetzt auf X eine Karriere machen könnten. Und da hat er eigentlich die gleichen Experten aufgerufen, fang doch mal an, eure Insights auf X zu teilen. Meiner Meinung nach war das ein Aufruf, Trainingsdaten zu hinterlassen und sein eigenes Grab zu schaufeln als Experte. Er hat es verkauft als größte Opportunity. Apropos größte Opportunity, Nikita Bier hat auch den Starke feiert, er hat letzte Woche Mittwoch, das ist der beste Tag. Sekunde, wir holen das hier mal, weil es gerade passt zu biggest opportunity, holen wir das mal aus der Schmuddel-Ecke raus im wahrsten Sinne des Wortes. Und zwar hat Nikita Bier, das ist wie gesagt der Produktchef, Viralitätsexperte zuvor, jetzt Produktchef bei X, hat gepostet auf X. On both Wednesday and Thursday, X had more first time downloads in the United States than any single day in its history, including during Twitter Times. Times habe ich hinzu gesetzt. Direkt darauf, also Antwort auf den eigenen Tweet von ihm selbst. The greatest arbitrage opportunity is to build an audience here now. Only growth ahead. Also er sieht nur Wachstum voraus.