Frage 1
Andrej Karpathy
x.com/karpathyAnthropic researcher and educator who builds with AI agents and writes about their rapid, uneven progress and the gap between demos and reliable work.
Wie wird KI die Welt verändern?
Horizontal: sein geäußerter Doom–Bloom-Ausblick. Vertikal: Ausmaß der Transformation.
Doom–Bloom: 75 von 100. Ausmaß der Transformation: 66 von 100. Interpretationsbereiche: horizontal 70 bis 80, vertikal 50 bis 75. Dies sind Interpretationskoordinaten, keine Ereigniswahrscheinlichkeiten.
≈6%
Aus seinen simulierten Antworten abgeleitet, keine von ihm genannte Zahl. Plausibler Bereich: 3–13%.
Eine zentrale Annahme
The world changes only when the whole surrounding system—tests, tools, memory, interfaces, monitoring, and human understanding—makes that capability dependable.Antwort 2
Wenn sich diese Annahme als anders herausstellen würde, wie würde sich seine Einschätzung ändern?
Eine ungeklärte Frage
I don’t have a defensible percentage.Antwort 3
Was würde ihm helfen, die plausiblen Ergebnisse hier voneinander zu unterscheiden?
Was ihre Meinung ändern könnte
If an agent could enter an unfamiliar codebase or research program, clarify ambiguous goals, remember what it learned, recover from mistakes, choose productive next steps, and deliver trustworthy results over weeks with little supervision, that would substantially accelerate my expectations.Antwort 5
Welche Belege würden ausreichen, und in welche Richtung würden sie seine Sichtweise verändern?
Weitere Details
Es werden erhebliche Vorteile erwartet, allerdings unter wichtigen Bedingungen oder mit Einschränkungen bei ihrer Verteilung.
75 / 100
Interpretationsbereich von 67 bis 100 auf der qualitativen Skala.
Es werden bewältigbare oder örtlich begrenzte Schäden erwartet.
32 / 100
Interpretationsbereich von 0 bis 33 auf der qualitativen Skala.
Menschliche Entscheidungen haben einen bedeutsamen, aber erheblich eingeschränkten Einfluss.
55 / 100
Interpretationsbereich von 48 bis 77 auf der qualitativen Skala.
Die Entwicklung leistungsfähigerer KI stoppen oder erheblich verlangsamen.
Simulierte Position: Die Entwicklung unter den genannten Schutzvorkehrungen fortsetzen.
Die Entwicklung leistungsfähigerer KI beschleunigen.
Die erörterten Einsatzmöglichkeiten von KI einschränken, bis vorab Schutzmaßnahmen oder Genehmigungen vorliegen.
Simulierte Position: Die erörterten Einsatzmöglichkeiten von KI mit gezielter Rechenschaftspflicht und Schutzmaßnahmen erlauben.
Einschränkungen für die erörterten Einsatzmöglichkeiten von KI minimieren.
Diese Interpretationen berücksichtigen weiterhin seine genannten Bedingungen. Vorteile und Schäden können beide erheblich sein. Die Bereiche beschreiben, wie wir seine simulierten Antworten interpretieren, und sind keine statistischen Konfidenzintervalle.
Ähnliche Weltsichten
Vordenker, deren simulierte Weltsichten der von Andrej Karpathy am nächsten kommen
Was Andrej Karpathy über KI gesagt hat
Karpathy builds with AI agents and writes about their rapid but uneven progress and the gap between impressive demos and reliable work.
“When you hand a computer terminal to one of these models, you can now watch them melt programming problems that you’d normally expect to take days/weeks of work.”
Post on X “I’ve never felt this much behind as a programmer. The profession is being dramatically refactored as the bits contributed by the programmer are increasingly sparse and between.”
Post on X “LLMs are emerging as a new kind of intelligence, simultaneously a lot smarter than I expected and a lot dumber than I expected.”
Essay, 2025 LLM Year in Review “My personal big fear is that a lot of this stuff happens on the side of humanity, and that humanity gets disempowered by it.”
Dwarkesh Podcast “In my mind, this is more accurately described as the decade of agents.”
Dwarkesh Podcast
Wörtlich aus den verlinkten Quellen, geprüft am 3. Okt. 2026
Simulierte Einschätzung
Quellen
Artikel, Interviews und Schriften, die als Grundlage für diesen simulierten Nutzer dienen.
Interactive exploration of 342 BLS occupations covering 143 million US jobs, with layers for employment outlook, pay, education and digital AI exposure. Its customizable LLM scoring pipeline illustrates uneven exposure across digital and physical work. Exposure scores are rough estimates of occupational change, not predictions of job disappearance; they omit demand responses, regulatory barriers and preferences for human workers. The project explicitly describes itself as a development tool rather than a rigorous economic publication.

Author-posted, AI-cleaned summary and transcript, which Karpathy says he read. Describes a late-2025 jump in coding-agent usefulness, professional orchestration and evaluation, and verifiability as an explanation for uneven progress. Current enthusiasm updates the older decade-of-agents interview; the edited text is not an exact quotation transcript.

His review connects verifiable rewards to reasoning gains, criticizes benchmark overfitting, describes jagged intelligence and the growing application layer around models. Provides concrete mechanisms and builder vocabulary rather than a universal intelligence forecast.

Karpathy’s primary interview frames agents as a decade of engineering work. Discusses cognitive deficits, continual learning, the gap between self-driving demos and deployment, and education. The forecast is dated and intuitive, not a calibrated deadline.

His README demonstrates agents editing a training file, running five-minute experiments and retaining improvements against a fixed validation metric. The introduction’s future agent civilization is playful fiction, not a report of current events. Human-authored instructions and a bounded setup remain essential.

Wo stehst du?
Meine Weltsicht abbilden