 Grüezi miteinander, Mojo Artus, Salamad Paghi. Ich wohne in Zürich seit zwei Jahren vorher in Basel, ursprünglich aus Deutschland, wie Sie wahrscheinlich hören. Wenn ich jetzt gleich über die Schweiz rede, rede ich mit meinem Schweizer Pass. Denn wir werden natürlich über die Schweiz reden, weil das Thema geht zu Universitäten, Hochschulen, der Zukunft. Von daher bitte ich um ihr Bahmen, wenn es darum geht, genau weil es zu verstehen, wie alles zusammenhängt. Aber mein Job als Zukunftsforscher ist einfach so am besten beschrieben in diesem Symbol hier. Ich mache keine Voraussagen, keine Kristallkugel, keinen Nostradamus, sondern ich observiere. Das ist eigentlich eine Sache, die wir alle lernen können. Ich habe es in den letzten 18 Jahren gelernt. Fünf bis sieben Jahre können Sie damit gut bewältigen, die Zukunft zu observieren. Mein musikalischer Mentor, ich war früher Musiker und Produzent und habe David Bowie gut kennengelernt. Er hat immer gesagt, die Zukunft gehört denen, die Sie kommen hören. Wenn Sie David Bowie kennen, wissen Sie, dass David Bowie schon 1984 schon den ersten Internet-Service-Provider angeboten hat. Also er war definitiv auch eine Art von Futurist und hat voraus geschaut. Ich habe heute sechs Punkte, die ich mit Ihnen teilen werde, zum Thema Zukunft der Universität, des Lernens. Ich fange aber erst mal hier an. Also in den letzten drei Jahren, ich habe ungefähr 100 Auftritte pro Jahr weltweit, durfte ich feststellen, dass viele Menschen Zukunftsangst haben, Zukunftsschock. Ich glaube, es liegt an vielen Sachen, Donald Trump, Brexit, Erdogan, Global Warming. Aber das Thema Nummer eins, was ich immer wieder höre von Leuten ist, dass Sie sagen, die Zukunft ist schlecht, weil die Maschinen werden intelligent. Und zuerst nehmen Sie unsere Jobs und dann töten Sie uns. Also Hollywood-Topic. Also wenn Sie schauen, was im Kino läuft heute, über Artificial Intelligence oder Robotics, ist eigentlich immer, endet immer schlecht für uns. Also in der Sicht würde ich sagen, ich fange mal da an und sage, ich glaube, die Zukunft ist besser, als wir denken. Wenn Sie schauen, was Technologie alles schon getan hat und tun wird, dann können wir sagen, das größte Problem ist eigentlich nicht, dass es Technologie vielleicht zu viel gibt, sondern wie wir sie lenken. Ich meine, wir können jetzt alle mit WhatsApp, die meisten von Ihnen haben WhatsApp oder Telegram oder so, können wir weltweit umsonst telefonieren. Mit Spotify, wenn Sie Spotify haben, 10 oder 12 Franken kostet es, glaube ich, in der Schweiz, 21 Millionen Songs. Früher war eine CD bei uns 30 Franken, 12 Songs. Also was wir über Technologie alles bekommen, ist gewaltig, nur vielleicht bekommen wir manchmal zu viel. Too much of a good thing. Das hört sich ja doch droge an, da gibt es auch einen Grund dafür, da komme ich gleich nochmal darauf zurück. Aber fangen wir mal einfach hier an, wir müssen auf diese Zukunft einfach auch gut vorbereitet sein. Das ist ja Ihr Job hier an der Uni. Auch für sich selber natürlich. Wenn wir schauen, was passiert, ganz klar, Technologie ist exponentiell. Da komme ich gleich nochmal darauf zurück, Quantum Computing, 5G, ein großes Theomorital in der Schweiz, die totale Vernetzung. Ungefähr, mein Kollege sagt, record 2 in 2050 wird es einen Computer geben, der die Processing capability, also die Prozessormöglichkeiten aller menschlichen Gehirne hat. Aller menschlichen, also 10 Milliarden zu dem Zeitpunkt. Das heißt nicht, dass der Computer intelligent ist wie ein Mensch, aber vom Processing her. Jetzt sind wir an dem Punkt, wo es jetzt gerade so den Computer gibt, der so ein bisschen das menschliche Gehirn nachahmen kann. 340 Trillionen Transaktionen pro Sekunde. 2050 die Singularität, unbestrengte Kraft von Technologien, von Computing. Unbestrengten Anführungsströchen natürlich. Was tun wir dann eigentlich? Was müssen wir aber auch noch lernen? Also wenn Sie heute schauen, was heute schon passiert, wenn Sie eine Sprachversetzungs-App nehmen, wie Say Hi oder Siri oder so was, aber ich war vor 3 Monaten in Japan und habe mit dem Sushi-Chef eine halbestündige Unterhaltung gehabt. Ich auf Deutsch und er auf Japanisch durch die App. Also man muss natürlich ganz sich beschränkt halten, was funktioniert. Und jetzt geht es bald die Erste von Reverly Labs. Da haben Sie einen Knopf vom Ohr, also eine Geheimdienst-Variante. Und Sie können dann real-time mit Leuten in 35 Sprachen gleichzeitig reden. Also wie Sie wollen hin und zurück schalten. Also ohne quasi das Handy hinzuhalten. Also Science Fiction wird zu Science Fact, sage ich darauf zu. Und Beispiel selbstfahrende Autos. Wir haben noch nicht wirklich selbstfahrende Autos jetzt, aber wir haben Autos, die ganz gut assistieren können. So, Stufe 3, der 4. Und hier der Kollege ist sehr excited darüber natürlich. Dann haben wir 3D-Drucken. Wir reden seit 20 Jahren über 3D-Drucken. Nicht viel ist passiert. Jetzt war ich in China vor 3 Monaten auch ungefähr. Da gibt es die Form of Ways In, die drucken das gesamte Haus in und außen in 4 Tagen. Also alles, was Sie hier sehen, die Möbel, alles Großteile von dem ist einfach 3D gedruckt. Ich sage immer früher, später werden Sie auch die Menschen drucken, die dann mit hineinkommen. Also das ist so ein Science Fiction, Science Fact. Google. Hey Google. Book a table for two at El Cucotero on Tuesday at 7. Alright. Just in case that's not available, can I try between 7 p.m. and 8 p.m.? Sure. Alright. I'll call to book under your name and phone number and I'll update you in the next 15 minutes. Perfect, thanks. El Cucotero, I may help you. Sie können sich vorstellen, wo das hinführt. Wenn Sie sich scheiden lassen wollen, dann kann Google für Sie anrufen und das verhandeln. Aber das ist ein Demo, was tatsächlich funktioniert. Also ein Brain-Computer-Interface natürlich kommt noch mit hinzu, bei früher später Natural Language Processing NLP. Zwei Jahre noch, bis es wirklich 100% perfekt ist. Nicht in Schweizerdütsch. Also es muss total straightforward sein in Mainstream Language sozusagen. Aber sicherlich kommen wir auch dahin, dass wir alle länger leben. Das wissen Sie alle schon. Mit dem Tod von der Schuppe springen andauend. Die Kinder meiner Kinder werden wahrscheinlich zwischen 100 und 120 Jahre alt. Also muss man sich vorstellen, was das bedeutet, wenn Sie jetzt mit 65 in Pension gehen, dann sind das 40 Jahre auf dem Kreuzschiff zum Beispiel. Also irgendwie kommen wir dahin, dass wir ganz klar sehen, Mensch und Technologie verschmelzen. Konvergieren. Also viele von uns ist es ja jetzt schon soweit, dass wir sagen, dieses Gerät hier ist unser externes Gehirn. Dort sind uns die Musik drin, Informationen, die Google Maps, die E-Mail, das Dating natürlich, das Banking, also früher später auch die DNA. Und für viele unserer Kinder ist das das erste Gehirn. Geht also nichts mehr ohne das eigentlich. Diese Verschmelzung ist einerseits total interessant und relevant und andererseits auch sehr angsterregend. Also ich fürchte mich von einem Tag, wo ich nicht mehr aufstehen kann, ohne dass ich diese Verbindung machen kann, dass ich quasi useless bin, ohne dass ich die Connection habe. Und ich glaube, dann steuern wir, das ist ganz klar, die ganze Diskussion. Ich sage immer, unsere Gesellschaft wird sich in den nächsten 20 Jahren mehr verändern als in den 300 Jahren vorher. Cloud Computing, das Internet der Dinge, künstliche Intelligenz, Quantum Machines, Blockchain, 3D-Drucken, Virtuality. Also wenn Sie auch nur annähernd dazu kommen, ein paar von diesen Dingen auszuprobieren, dann sehen Sie die Zukunft. Ich war neulich bei einem Seminar von IBM zum Thema Medical Devices und da gab es ein Demo von der HoloLens, Mixed Reality, die der Arzt anhat und der Arzt kann in dieser HoloLens die ganzen virtuellen Informationen sehen wie Tom Cruise in Minority Report. Sie haben diese Bull aus, Sie können da rein und der Arzt ist hundertmal so schnell mit dem Suchen, mit den Antworten, mit der Reaktion. Natürlich ist das noch ein bisschen im Weg, das Ding, aber wir können uns vorstellen, wohin das führt und was das bedeutet. Diese Veränderungen sind exponentiell und kombinatorisch und das ist ein Riesenproblem für uns, weil wir sind jetzt hier an diesem Punkt, am Take-off Punkt. Wir sind an dem Punkt, wo das tatsächlich wirklich wichtig ist, hier am Anfang dieses Punkt, mein fancy Clicker hier, da war ich früher, als ich meine ersten Internetprojekte gemacht habe. Ich habe 1999 eine Firma gegründet wie Spotify. Das war ein bisschen zu früh, also hier haben wir uns verdoppelt von 0,001 auf 0,002, 0,004. Das war nicht wirklich relevant. Aber jetzt, 4, 8, 16, 32, da haben wir in ungefähr 10 Jahren, sind wir 500-mal diese Skale rauf, in 30-mal die Scale rauf, ist eine Milliarde. Also unsere Kinder in 30, 40 Jahren, wenn in einer Welt leben, das ist so dramatisch anders, was ich ja mehr ins Science-Fiction beschreiben kann. Zumindest was Technologie betrifft. Und dann kommt man natürlich auf den Punkt, wo wir ganz klar sagen, die ganzen Dinge, die wir jetzt schon sehen, Deep Learning, Robotics, Big Data, Internet der Dinge, die kommen ja alle zusammen, die passieren ja nicht nacheinander. Sondern so Companies wie Airbnb oder Dropbox oder Facebook sind deswegen nur möglich, weil die Technologien alle gleichzeitig passieren. Internet, Mobility, Big Data, Cloud Computing, peer-to-peer Networks. Wir haben auf einmal die Situation, dass wir sagen, wir müssen das alles gleichzeitig sehen. Und das ist natürlich jetzt nicht so einfach, weil das uns oft aber fordert in dem Zusammenhang, wer wir eigentlich sind. Und die Regel ist schlicht und ergreifend, die Regel des exponentiellen Vortrittes ist erst ganz langsam und dann sehr schnell. Und für uns gibt es das, wir sind graduell, wir sind linear. Wir lernen ein bisschen was dazu. Wir gehen so Stück für Stück nach oben. Und Natur ist organisch, geht nach oben, geht nach unten. Aber nicht nur so. Technologie geht gerade aus nach oben. Wenn man dann schauen, zum Beispiel, sagen vor 10 Jahren, 15 Jahren, Paperless Office, hat nicht funktioniert. Heute. Erst ganz langsam, dann sehr schnell. Selbstfahrende Autos, seit 30 Jahren schon probiert. Heute haben wir im Bild bereits die ersten selbstfahrenden Minibusse. Wenn Sie über Zukunft der Universität nachdenken und das Lernen und das Lehrens, erst ganz langsam, dann sehr schnell. Aber wir sollten auf keinen Fall so weit hingehen, dass wir sagen, ja, wir haben das schon beobachtet vor 10 Jahren, da ist nichts draus geworden, von daher wird es auch in der Zukunft nichts. Das ist halt leider nicht so. Die Zukunft ist keine Verlängerung der Gegenwart. Und das ist für uns in der Schweiz eine bittere Pille. Weil wir haben das nämlich geschafft, bisher uns gut aufzustellen, ist die Zukunft denn genauso, dass wir sie einfach verlängern können? Das ist äußerst unwahrscheinlich. Die Zukunft der Automobilfirmen, wenn man zurückgeht aufs Thema Auto, ist nicht mehr Autos zu verkaufen, sondern Mobilität. Wenn Sie CEO von Mercedes-Zone oder auch von Audi sagen, in der Zukunft verkaufen wir keine Autos, wir verkaufen Mobility Services. Electric Scooter, Car Sharing, Electric Vehicles, Autonomous Cars. Und das ist unser Herausforderl natürlich, weil wir sind einfach dem Zusammenhang hoffnungslos untergerüstet. Wir sind jetzt gerade hier an dem Punkt, wo es noch, also wir können Maschinen noch schlagen, eigentlich, heute. Aber in 10 Jahren können wir wirklich Maschinen mit unserem Knowledge schlagen. Heute, wenn Sie Arzt sind, wenn Sie genug Melanome gesehen haben, können Sie dann sagen, okay, das sieht nicht gut aus oder ich muss mal besser gucken und so. Aber jetzt, IBM Watson hat bereits 500 Milliarden Bilder gesehen von Melanomen, oder nicht Melanomen. Vielter später kann die Maschine sagen, ja, ich habe jetzt ungefähr 2 Trioen Bilder gesehen, ich glaube, ich habe eine Idee, wie das aussieht. Aber es wird den Arzt nicht ersetzen. Das ist in den ganzen Narrow Intelligence. Vor allem kann die Maschine dann nicht den Patienten sagen, hey, eindeutig nicht gut. Also dazu brauchen wir immer noch einen Arzt, aber ich glaube, das ist ganz klar und dieses Zitat von Albert Hubbard ist da ganz interessant. Eine Maschine kann die Arbeit von 50 normalen, ordineeren Men, sagt der Ich sage Women dazu, Mench tun, aber keine Maschine kann die Arbeit an den extraordineeren Menschen tun. Und was wir unsere Studenten beibringen müssen, ist, dass sie extraordinär sind. Was wir selber sein müssen, ist nicht mehr ordinary, nicht mehr Rulebook, nicht mehr Case Studies, nicht mehr Best Practices, obwohl wir natürlich auch allen noch brauchen, aber wir müssen noch ein bisschen was obendrauf tun. In 10 Jahren werden Computer alles wissen, was zu wissen ist, was keine menschliche Fähigkeit braucht. Sämtliche Fakten, sämtliche Voraussagen, ich kann heute schon zu IBM Watson in New York gehen in die Zentrale mit dem großen IBM Watson reden und sagen, what's the feature of Switzerland. Da kriege ich einen Vortrag, da kriege ich keinen Printout. Ich kriege einen Vortrag in der Stimme, in meiner eigenen Stimme, wenn ich will, von IBM Watson. 10 Minuten, guten Vortrag, die natürlich überhaupt keine Emotionen, keine Vorstellungskraft, aber Facts. Dann sage ich euch gleich das Video. Da ist also willkommen eine ganz klare Punkt, in der ich euch eine Bezeichnung bezeichne. Hell when, auf Englisch, falls ihr auf Twitter seid, Hashtag hell when, hell heaven. Das bedeutet schließlich zu ergreifen, es könnte Hölle sein, es könnte Himmel sein. Diese Technologie wird uns einiges geben, was wir schon lange brauchen, damit zum Beispiel mehr Daten, mit denen wir Dinge machen können, im medizinischen Bereich. Mehr Weißheit über den eigenen Körper. Der Schiff zur erneuerbaren Energie. Auf der anderen Seite, könnte es auch durchaus sein, dass Technologie uns dann im Zug dieser Technologisierung versklavt, dehumanisiert. Beste Beispiel ist heute Facebook. Facebook war früher ein gutes Tool. Heute ist eine gigantische Maschine, eine künstliche Intelligenz, die uns die Daten quetscht. Also, da ist ganz klar, das wird auch nicht von Technologie selber geregelt, sondern dazu brauchen wir Kontextpolitik, Regeln, Sozialkontakte. Das heißt also, wenn man in diese Richtung weiterschauen ist, ganz klar, mein erster Punkt, exponentielle Veränderungen müssen wir holistisch anschauen. Nicht nur wissenschaftlich, sondern auch psychologisch, ethisch, moralisch. Ein Kollege hat das mal genannt, als Sage, das heißt, als soziale Arbeit, die Vermischung dieser verschiedenen Komponenten, Sozialhumanities, Gesundheit, Erziehung, Mint, Technologie. Wir müssen das zusammen anschauen. Das Problem, was wir heute haben im Business, dass die meisten Firmen, die diese Dinge machen, sie einfach machen und so gut machen wir möglich, aber nicht wirklich weiter denken, was es tut. Also, Airbnb macht sich keine Gedanken über die Erhöhung der Mieten in Barcelona. Sollten sie das? Ja, sollten sie, wenn sie 50.000 Häuser dort vermieten. Und das ist genau so ein Problem, was wir haben mit den Internet-Giganten, dass eben das Denken hier aufhört. Also Business Model, Profit, Growth, Revenue, Market Power. Aber wir brauchen das auch noch. Was tut das eigentlich mit Menschen? Was sind die sozialen Auswirkungen von diesen Veränderungen? Was ist mit Arbeitslosigkeit? Was ist mit Dingen wie zum Beispiel Automatisierung von menschlichen Prozessen? Also, es ist ganz klar, dass das alles zusammengehört. Deswegen Punkt Nummer 1 in der Universität. Das gehört alles zusammen. Wir können Technologie nicht trennen von Ethik. Wir können das nicht trennen von dem, was es mit uns tut. Wenn ich mit Firmen wie IBM rede, und das ist einer meiner Klienten, dann kriege ich mir wieder zu hören, dass sie sagen, ja, wir machen das einfach so, dass es super funktioniert. Und dass Leute sich das leisten können. Und die negativen Konsequenzen, ja. Das soll mal jemand anders machen. Das erinnert mich an die amerikanische IRA, die National Rifle Association. Die sagen, guns don't kill people. People kill people. Gleiche Entschuldigung, ja. Wir machen ja nichts falsch, sondern der User macht es falsch. Also, da müssen wir drüber nachdenken, was das bedeutet, wo das hingeht. Ganz wichtiger Punkt, diese Megascepts in meinem Buch Technology with Cemetery. Ich habe ein paar Kopien dabei. Es gibt es auch Deutsch, Englisch, Französisch. Kapitel 3 ist gratis unter dieser URL, Megaships.digital. Das ist das, was dabei rauskommt. Das sind die Dinge, die sich verändern, dass wir personalisieren, wir virtualisieren, wir datafizieren. Das hat natürlich auf Englisch viel, fließt das ein bisschen besser. Die gehören alle zusammen. Und das Problem ist, dass eben in dieser Kombination ganz neue Möglichkeiten entstehen. Im Grunde sehr positive, dass wir uns verdrängen und auch Angst machen. Diese Megaships sind überall, aber unsere Lehrpläne sind zum Großteil gleichen. Das kann eben wenig sein. Also, wenn ich in einer Welt lebe, die die so dramatisch verändere, wie Kinsey sagt, in zehn Jahren sind 70 Prozent aller neuen Jobs neu erfunden, die gibt es noch gar nicht heute. Und 50 Prozent sind keine Jobs, sondern Geeks, die Geeks, die sie irgendwo mitarbeiten. In der Schweiz sind die Absolventen der Hochschulen, starten ungefähr zwei bis drei Prozent der Absolventen, starten ihre eigene Firma. In Amerika 17 Prozent. Wo ist der Unterschied? Ist die Ausbildung besser in Amerika? Es ist Kultur, ja. Das ist die Frage, ob wir das können, ob wir da wirklich hineingehen können, sagen, das können wir umarmen und das verbessern. Mein zweites Kapitel ist über Mensch und Maschine. Grundsätzlich fragen die sich da auftut, die ich immer wieder höre, sind wir eigentlich auch einfach nur Maschinen. Algorithms are organisms are algorithms. Haben Sie vielleicht gehört bei Noel Harari's Buch? Sind wir komplexe Maschinen? Das heißt, wenn wir das sind, dann ist es ganz klar, dass wir mit Maschinen konvergieren. Dass wir unsere Dinge, die wir nicht so gut können, ergänzen müssen. Das ist die menschliche Intelligenz. Gardner sagt zehn verschiedene Arten von Intelligenz. Das ist Computerintelligenz. Wenn Sie irgendwas verstehen von Intelligenz, Menschenintelligenz, dann kann man sagen, dass Sie momentan zwar gut erforscht ist, aber immer noch ein großes Geheimnis ist. Was heißt das eigentlich Intelligenz zu sein? Außer diesen Dingen, die wir ganz klar Emotional Intelligence, Social Intelligence. Computer hat keine Social Intelligence. Er kann sie simulieren. Aber er existiert ja nicht wirklich. Er hat Intelligent Intelligence. Computing Intelligence. Das ist, glaube ich, die Herausforderung für uns in der Zukunft, wenn wir die zwei dann übereinander sehen, wenn sich das verbessert und verändert, wo genau führt das hin? Was kommt als Nächstes, in dem zu sagen haben und in welche Richtung gehen wir da weiter? Dann müsste es eigentlich hier auch weitergehen. Danke. Das heißt also, wir kommen an den Punkt, der linke Teil, wenn man das mal so ganz altmodisch ausdrückt, der logische Teil des Gehirns. Vielleicht lernt der Computer diesen Teil. Den faktischen Teil. Den Number Crunching. Monkey Work, wenn man sagt, der Englisch. Also die Sachen, die überhaupt nicht kein Verständnis brauchen. Sagen wir mal, Checkout am Supermarkt vielleicht oder auch ein Outer von einer Destination zu anderen zu fahren. Also wir kommen da in einer Welt, die in einem Buch beschreibe, als Algorithmus und Anduro-Rhythmus. Also den menschlichen Dingen, die übereinander legen. Und dreimal dürfen Sie raten natürlich, wo am Meister des Meistergeld investiert wird heutetage ist, in den Algorithmus. Diese Anduro-Rhythmen, die wir hier haben, die kennen wir alle zu gut, wo wir sagen, ja, das sind Dinge, die vielleicht ein Computer, sorry ein Computer, nicht wirklich wissen wird. Nicht wirklich kann. Das heißt, wir kommen da an den Punkt, wo wir drüber nachdenken müssen, ist Verstehen und Wissen das Gleiche. Das ist ja ein Handshake, der heute überall stattfindet. Ich denke persönlich, dass der Mensch eher versteht oder aufarbeitet und die Maschine durchaus auch wissen kann. Heute weiß die Maschine noch nicht so wahnsinnig viel, Google weiß eine Menge, aber Wissen in dem Sinne nicht wirklich. Aber das ist die Frage, die sich mir stellt. Sind smarte Maschinen menschenähnlich oder könnten sie menschenähnlich werden? IBM Watson kann 1,2 Millionen Bücher pro Minute lesen, also Daten aufnehmen. Wenn ich jetzt IBM Watson, ich habe früher Philosophie studiert und Religion und Musik, wenn ich jetzt IBM Watson alle Bücher über Philosophie eingebe, ist IBM Watson dann ein Philosoph. Ich glaube, hier in Europa sagen wir alle, ja, das ist natürlich nicht. In Amerika sagen wir, ja, ja, natürlich. Er hat ja die Daten. Er kann mir sagen, was auf Seite 45 von John Bolzata sowieso steht. Aber versteht er das wirklich? Hat er Kontext? Hat er das verdaut? Hat er contemplated? Kann er leiden darunter, was er liest? Ich glaube er nicht. Gewaltige Unterschiede zwischen Informationen und Daten, denn wie ich gerne sage, Dateninformationen sind nicht Wissen oder sagen wir vielleicht, die sind ein bisschen Wissen. Eine Art von Wissen. Was Google aber uns weiß, ist auch eine Art von Wissen. Aber es sind definitiv nicht Verstehen, es ist nicht Weisheit und es ist nicht Sinn. Ich glaube, wenn wir darüber nachdenken, was die Zukunft der Universität ist, dann ist es vorkommen klar, dass wahrscheinlich weniger um Dateninformationen geht. Maschinen können das. Besser, schneller. Heißt das, dass wir das nicht wissen sollten? Ich glaube zum Beispiel, dass es nicht gut ist, wenn wir zum Beispiel nicht mehr Sprachen lernen, weil wir diese Besetzungsmaschine haben. Aber da bin ich vielleicht in der Minderheit. Und wenn Sie heute mit 15-Jährigen reden, die sagen, ja, was soll das? Ich rede hier einfach ein und dann fallerledigt. Ist so wie Tinder. Ich weiß ja, ob sie Tinder gern swipe und dann. Braucht man nicht mehr richtig zu daten. Das ist viel zu aufwendig. Das ist also die Versuchung dieser Automatisierung. Die wir überall sehen. Und ich sage in 90 Prozent meiner großen Klienten, wenn Sie über die Zukunft reden, haben Sie eine Sache hauptsächlich im Sinn, nämlich so viele Leute wie möglich zu feuern und künstliche Intelligenz anzuwenden. Weil Leute sind Problem. Die sind teuer, sind kompensiert, sind langsam, die machen Trouble. Das ist die Agenda eigentlich, was wir überall sehen. Das sollte man sagen, ja, wenn nicht doch Technologie, dann ist es nicht so, wenn Sie sagen, ja, wenn nicht doch Technologie, dann braucht es doch nicht die ganzen Leute. Swisscom zum Beispiel, wenn Sie schauen, Swisscom könnte locker in den nächsten zehn Jahren 50 Prozent aller Jobs, die mit Network Maintenance zusammenhängen durch AI ersetzen. Heißt das, dass Swisscom dann 50 Prozent weniger Leute hat? Diese Frage müssen wir uns stellen, was sollten wir nicht automatisieren, wie eben erwähnt wurde. Das ist der sogenannte digitaler Darwinismus. Wenn man automatisiert, virtualisiert, robotarisiert werden kann, wird. Wenn man zurückschaut in den letzten 20 Jahren Musik digitalisiert, Filme digitalisiert, Bücher digitalisiert, Transport digitalisiert, jetzt kommen Banking, Versicherungen, Energie und Gesundheit. Ist das ein Vorteil? Ja. Spotify ist mir lieber für 12 Franken als eine CD für 25. Ist das für den Songwriter so gut? Ich habe 100 Songs auf Spotify, ich kriege vielleicht 40 Dollar im Jahr. Also, das ist halt die Frage. Aber ganz sicherlich, das ist das, was sie jetzt stattfindet. Aber die Flipseite stimmt auch, wie eben schon gesagt wurde, alles was nicht digitalisiert werden kann, wird wertvoll. Das ist ja eigentlich das, was uns als Mensch ausmacht. Beziehungen, Erfahrungen, Empathie, Vorstellungskraft, Intuition, Kreativität. Vor zwei Tagen habe ich ein tolles Interview gelesen mit Nick Cage, Nick, der ist ja wieder anders. Nick Cage, der gesagt hat, a computer can write a good song. But a computer cannot write a great song because it doesn't have the nerve. Das bestreibt das sehr gut. Klar kann ein Computer Musik machen. Das ist halt mathematisch. Die hören sie dann im Aufzug beim Co-op oder sowas. Aber es ist ein toller Song. Ist es menschlich. Und ich glaube, das ist da, wo wir hingehen müssen. Alles was automatisiert werden kann, das sollten wir abgeben. Wir sollten aber ganz gut aufpassen, was das ist, was wir automatisieren. Zum Beispiel, denke ich jetzt, das ist gut, dass man automatisieren, wie Human Resource Analytics stattfindet. Also, dass wir quasi unser wie große Unternehmen das heute schon machen, dass sie sagen, okay, die Software prüft, wie aktiv sie waren, wenn sie kommen und gegangen sind, wie viele Umsätze sie gemacht haben. Und am Ende des Monats müssen fünf gehen. Und die Software sagt, das sind diese fünf, weil ich hab die Zahlen. Das denke ich zum Beispiel, das ist keine gute Automatisierung. Bottom Line hier ist einfach, Maschinen können keine Beziehungen. Klingt auf Englisch viel besser. Machins don't do relationships. Weil sie nicht existieren. Wie sollte ein Computer wirklich wissen, was mein Sohn versucht mir zu sagen, aber nichts zu sagen wagt, aber ich weiß es trotzdem von dem, wie ich ihn anschauen kann. Menschliche Unterhaltung sind zum Großteil non-verbar im Sinne von dem, was wir wirklich empfangen. Deswegen ist auch ein Unterricht über Skype nicht das Gleiche wie ein Unterricht in diesem Raum. Wir empfangen andere Dinge dort. Ist auch nicht schlecht, aber anders. Das heißt also, das ist das, was Maschinen gar nicht können. Und ich glaube, da müssen wir schauen, was das bedeutet. Leidenschaft, kritisches Denken. Wie bringen wir das unseren Studenten bei oder uns selber? Oder haben wir das schon und haben es nur begraben? Kann man das überhaupt beibringen? Also, Fehler meiner Kollegen in Kalifornien sagen jetzt schon zu ihren Kindern, mach bitte keinen MBA. Sondern ich gebe dir Geld, dass du einfach in der Weltreise machst nach Indien um dich da zu erfahren oder in der Firma startest. Das ist billiger als der MBA in Amerika. Weil das ist halt das. Aber ich glaube schon, dass wir das auch in der Universität lernen, natürlich. Das ist auch kein MBA da oder, sondern ganz klar ein Thema, was wir holistisch sehen müssen. Dann haben wir jetzt mal schauen, wir können in kurzer Zeit auf einen Punkt kommen, der total diffuse, ambiguous und unklar und andauernd verändert. Aber wir kommen genau auf diesen Punkt in 0,4 Sekunden. Also, wenn ich mit einer fremden Person rede, mit den meisten von uns, brauchen wir 0,4 Sekunden, um die andere Person einzuschätzen und einen Urteil zu fällen. Was meistens ziemlich akkurat ist. Eine künstliche Intelligenz geht durch alle Daten hindurch und kann es alles sehen, was offensichtlich ist und würde sagen, ja klar, Gerd hat gerne Snicker-Bars oder so was. Aber kann sich hineinschauen. Human Intelligence ist gut, bei Unklarheit, bei Mehrdeutigkeit, bei Zufall, bei Ineffizienz. Maschinen sind darin ganz schlecht. Marvin Minsky, einer der Gründer von Artificial Intelligence, hat immer gesagt, we know the best that we don't know that we know. Was für Computer am einfachsten ist, was für Computer am einfachsten ist. Das heißt, also da ganz klar, wenn wir auf den Punkt kommen, Nummer 2, desto weniger, wie wir zu Maschinen werden, desto besser für unsere Zukunft. Das war bisher nicht ganz so. Man muss ja schon sagen, dass wir oft eben working like robots gemacht haben, weil sie auch immer zurückdenken, vor 20 Jahren, so schnell wie möglich, so effizient wie möglich, so optimiert wie möglich, das war everybody working like a robot. Wenn Sie heute wie ein Roboter arbeiten, dann sind Sie morgen arbeitslos. Und wie sagen wir das unseren Studenten? Was heißt es eigentlich, nicht ein Roboter zu sein? Welche Skills brauchen wir dafür? Denn das andere ist natürlich, dass Technologie uns was verspricht. Technologie verspricht, uns supermensch zu werden. Becoming like God. Ich bin nicht religiös, aber das sind die Beilein, die Sie überall sehen, die Erwärmung von Microsoft, die gesagt hat, jetzt musst du nicht mehr im Büro sein, du kannst es von überall aus arbeiten. Das war die Erwärmung von Microsoft vor sieben Jahren, eben mobile. Wir können zu supermenschen werden, wir können unsere Gene verändern, wir können ein Brain-Computer-Interface anziehen, wir können Pillen nehmen, das wir schneller denken können, wir können alle an möglichen Sachen tun. Und in 10 Jahren können wir das tatsächlich tun. Das heißt, wenn Sie keine Virtual Reality-Brille auf haben bei der Arbeit, dann sind Sie 100-mal so ineffizient wie Ihr Kollege. Ist das eigentlich richtig? Sollten wir das Recht haben, uns auszustecken? Oder nicht? Ich denke schon. Sollten wir das Recht haben, Mensch zu bleiben, oder müssen wir alle supermensch werden? Superhuman. Und dann dann, um zu denken, was mit Computing passiert. Sie wissen sicherlich, dass wir jetzt an dem Punkt sind, wo Computer nicht mehr nur programmiert werden müssen, sondern sich selber programmieren. Deep-Learning, Machine Learning, können Sie alles. Wir kommen also an einem Punkt, wo Computer lernen, was sie eigentlich machen sollen. Bei Games ist das weitverbreitet. was sie eigentlich tun sollen, um sich selber das beizubringen. Deep Learning. Dazu sagt dann der Gründer von DeepMind und sagt, machine second develop knowledge. Machinen, die denken, die sehen, die uns verstehen. Wir sind jetzt gerade an dem Punkt, wo gerade jetzt in den letzten ein, zwei Jahren riesige Durchbrüche sind, dass Maschinen uns sehen können, sie können uns analysieren, sie können uns hören, sie können reden, wie wir, sogenannte Deepfakes, haben sie vielleicht auch schon von gehört, sie können diese ganzen Dinge, die sie vorher nicht konnten und sie können sie endlich auch bewegen, wie wir, Roboter. Mein Kollege Paul Servo sagt dazu, aber wir sollten nicht einen guten Ausblick mit einem kurzen Distanz verwechseln. Also, dass Maschinen wirklich denken, wie wir, also wie Menschen denken, das ist noch ziemlich weit weg. Aber sie haben eine Art von Denken, einer Maschinenart von Denken. Also, wenn ich denke, gehe ich ja nicht hinten hin und holen JPEG raus und sage, ah, meine Frau, das machen Computer, if this, then that, beinahe. 01, 01, Menschen sind multinahe, das Wort gibt es glaube ich gar nicht auf Deutsch, aber wir sind nicht beinahe und ich glaube, das ist eine der großen Unterschiede zwischen uns, zwischen Menschen und Maschinen und wenn wir dann über AI reden, dann reden wir eigentlich wirklich am Anfang über IA, Intelligent Assistance, also Maschinen, die uns helfen, Jobs zu bewältigen, Auto zu fahren, E-Mails zu schreiben. Ganz am Ende dieser Kette ist Artificial General Intelligence, Maschinen so smart werden wie wir. Das ist eine Sache, die wir bestimmt nicht wollen, stellen sich vor ein Computer mit einem EQ von 100.000. Das glaube ich wäre jetzt nicht so desirable für uns, wo wir an den Punkt kommen, wo wir darüber nachdenken, wenn Sie heute schon Amazon Echo benutzen oder Google Home, dann tut diese künstliche Intelligenz quasi in den Gehirnspringen Informationen nach vorsuchen, also Maschinen, mit denen Sie reden können. Müssen Sie mal ausschreiben, Amazon Echo oder Google Home, die kennen Sie wahrscheinlich, Devices, mit denen Sie reden können. Das ist de facto, was stattfindet und Maschinen, die heute das tun, die lesen uns, die kopieren uns. Das ist das, was künstliche Intelligenz einem besten kann, Facebook zum Beispiel, ja, Facebook ist das, macht eine digitale Kopie von uns. Und er macht das so gut, dass das System wesentlich mehr bei uns weiß, als wir selber realisieren. Und das ist genau das Geschäftsmodell von künstlicher Intelligenz, wo wir das quasi ausnutzen, um die ganzen Datenströme, die wir generieren, ein gigantisches Gehirn einzubringen. Wie gesagt, auch nicht unbedingt schlecht, aber sicherlich, wenn man es übertreibt, wahrscheinlich schon. Da müssen wir darüber nachdenken, wer das eigentlich kontrolliert. Und wohin das führt, wenn diese Daten wirklich in dieser gigantischen Brain zusammen können. Google nennt das übrigens auch das Global Brain. Also Google hat ein Projekt namen Global Brain dafür, der damit zusammenhängt, was wir dort machen können, wohin das führt. Ich glaube, dass wir da an den Punkt kommen, wo wir ganz klar sehen müssen, was als nächstes dran ist, nämlich dass in unserem Alltag dieser künstlichen Intelligenz uns und und und irgendwas sagt. Angefangen mit Google Maps und Messenger und... Stellen Sie sich jetzt vor, zum Beispiel Sie lernen Sachen, ja, kann diese Intelligenz uns das füttern in realtime, was wir wissen müssen? Absolut. Was müssen wir dann auch selber wissen? Oder müssen wir nur wissen, wie wir das Wissen kriegen? Hier ist das Landscape von Artificial Intelligence. Markstagmark, da können wir sehen, die blaue Linie zeigt, das sind die Dinge, die künstliche Intelligenz bereits geschafft hat. Mapping, Assistenten, Jeopardy, Poker, Debating, Call Center. Und dann ist irgendwann so ein Cut-off, wo wir sagen, okay, jetzt wird es schwierig für Maschinen, nämlich hier oben Human Resources, Autography, Filmwriting, Winograd Test, Fiction Writing. Bis jetzt sind wir nicht da ganz vorgestoßen. Aber was bedeutet das für Universitäten? Weil ganz klar, da sind also viele von den Sachen, die wir früher mühsam gelernt haben. Advertising, Marketing. Können Maschinen das? Absolut. Was heißt das für uns? In welche Richtung gehen wir? Und ich glaube, das ist ganz klar, dass wir da sehen müssen, dass künstliche Intelligenz, wenn wir es zu weit treiben, oben von der Assisted Intelligence, zur Automation, zu Augmented Intelligence, dann im unteren Quadron dann nichts mehr wirklich gut für uns enden kann. Das heißt also, meine Einstellungen dazu ist ganz klar, die ersten zwei sind sicherlich positiv, gesellschaftlich schwierig, aber positive Dinge. Und hier wird es dann langsam schwierig, mit autonomer Intelligenz von Maschinen, glaube ich, wären wir nicht gut bestellt in der Zukunft. Künstliche Intelligenz, ein geniales Wertzeug, aber ein schrecklicher Herr Arscher. Das gilt natürlich für alle Technologie. Also, da ist es ganz sicherlich im Punkt. Deswegen Nummer drei, für Sie. Ich glaube, was Lernen betrifft, gehen wir vom Wissens Download, vom Sparen für später, falls ich es irgendwann brauche, zu Human Experiences. Das heißt, das Einzige, was wirklich wichtig ist, ist, genug Wissen zu haben, um mehr Wissen zu bekommen und um Beziehungen herzustellen. Wie für Basiswissen brauche ich da eine schwierige Frage. Ich bin nach davor auch dafür, dass wir mit Sprachen lernen aus dem Grund. Aber was brauchen wir eigentlich da wirklich? In diesem Modell, das amerikanische Modell, nach einem Motto, ich kann in diesem Online Game lernen, wie ich Business mache, das ist eine Art von Download. Aber Happiness und Customer Relationships und Beziehungen sind kein Download. Da ist also da, glaube ich, eine große Diskussion, die wir nachher führen können darüber. Ich denke, dass es unser größtes Problem ist, dass wir nicht anfangen, die Maschinen zu denken. Dass wir denken, alles ist ein Algorithmus. Und dass wir auch unseren KPIs ändern müssen. Unser Performance Index. Also bei Firmen sage ich mal, nicht KPI, sondern KI, Key Human Indicator. Was macht dieser Mensch eigentlich wirklich in der Firma? Welche Rolle hat er? Das Messen von LinkedIn-Messages hinausgeht. Oder von Sales Reports, von B-Nair zu Multinair. Aber reden wir über die Zukunft der Arbeit, die auch da eng mit zusammenhängt. Punkt Nummer eins, Maschinen werden alles lernen, was Routine ist, alles. Und ich glaube, das bedeutet für uns das Ende der Routine, aber nicht das Ende der Arbeit. Wenn Sie Ihren eigenen Job anschauen, können Sie sehen, okay, wenn Sie sich mal einen ruhigen Moment hinsetzen, und könntet diese Routine outsourcen. Zu anderen Menschen machen wir das über so oft, aber auch zu smarten Maschinen. Das benutzt sich andauernd, wenn ich sage, okay, ich mache diese Arbeit, ich suche mir Content, ich mache Research, vielleicht kann ich auch eine Maschine finden oder eine gute Software, die das für mich macht. Dass ich diesen Teil los werde, dann kann ich andere Dinge tun. Norddeich war ich in der Mayo Clinic in Rochester, New York. Minnesota, sorry. Und bin mit einem Arzt durchs Krankenhaus gegangen, der die Runden gemacht hat, mit einem IBM Watson Roboter neben ihm. Und dieser Roboter war connected, natürlich zur Health Cloud von IBM. Und der Arzt hat den Roboter benutzt, um quasi Real-Time Analytics zu machen am Krankenbett. Und dort konnte er bei Krebspatienten, das war jetzt Onkologie, konnte er den ganzen Updates, es gibt ungefähr 350 verschiedene Onkologie-Reports, neue pro Woche, konnte IBM Watson mit den Fällen Real-Time verknüpfen. Und IBM Watson hat dann quasi Material und Images und auch Medications vorgeschlagen, dem Arzt, in Real-Time, am Bett. Und es hat dazu geführt, dass der Arzt zum ersten Mal nicht so gestresst war, dass er das nochmal nachlesen musste, was noch alles in Frage kommt, oder welche Medizin er nutzen sollte, sondern dass er gesagt hat, ich kann mit den Patienten reden, die Routinen sind jetzt hier drin. Klar, er muss immer noch recherchieren, verantwortlich sein. Aber der Druck ist weg, die harten Informationen zu finden, die Routine in Anführungsstrichen, falls es das überhaupt gibt, als Arzt. Ich glaube, das ist unsere Herausforderung. Wir sollten unseren Studenten und unseren Leuten, die zu uns kommen, nicht beibringen, wie wir Routinearbeiten machen. Routinearbeiten früh nach später, wird das der Computer können. Wir sehen das heute schon in Banking oder bei Versicherungen. Ganz klar, hier ist ein Beispiel von IBM Watson. Immer wieder IBM-Leiter, weil das die besten Beispiele sind. Hier ist IBM ein Real-Time-Debate für es. Also eine Debatte mit einem Menschen. A robot debating a human. That's what IBM's Project Debater is all about. And it made its debut in San Francisco yesterday afternoon. Our roll that tape. We think that it's not that the government money won't help out if it were to be given. We just think it doesn't meet the criteria in comparison to other things. If I may put it a bit differently. Subsidizing space exploration is like investing in really good tires. It may not be fun to spend the extra money, but ultimately you know both you and everyone else on the road will be better off. Well. Das war also eine Maschinelige Anbote hat in real time. It's kind scripting. Das ist das Ende des Call-Centers. 22 Millionen Jobs. Wenn ich im Call-Center anrufe, jetzt so wie neulich vor zwei Wochen und der Flughafen München ist verschneit, dann wollen 8000 Leute umbuchen. Das macht dieses Call-Center in 14 Sekunden alle gleichzeitig. Also ganz klar, was damit passiert, 50 bis 60% aller Jobs könnten automatisiert werden. Research gibt es in allen Varianten, die je nach Land zwischen 30 und 70%. Aber McKinsey sagt, nur 5% aller dieser automatisierbaren Jobs können vollständig automatisiert werden. Und das ist, glaube ich, auch ein Lichtblick für uns, wo wir sagen, okay, wenn ein Teil meines Jobs automatisiert wird, kann ich ja auch andere Dinge tun. Das wird in der Umstellung von Skills, die ich haben muss, natürlich, als auch sich auf die Maschine zu verlassen. Ich glaube, es wird noch lange dauern, wenn ich die jahre Autos in den Schweizer Bergen habe, die vollkommen, wo ich mich hinten reinsetze und in Ruhe meine Chicken Wings esse, während das Auto mich nach Davos fährt. Aber es wird eine Menge Autos geben, die mich vom Hotel zum Flughafen bringen, die eher so eine Art von Zug sind. Public Vehicles, die ganz langsam sich bewegen oder auch in Amerika natürlich schon ganz andere Dimensionen haben. Also Automatisierung ist ganz klar eine große Herausforderung für uns. Es gibt viele Menschen, die dieses Problem haben, dass sie denken, okay, jetzt kommen die Roboter und die Maschinen und raus kommt die Entlassung. Und das sind Themen, die wir auch überlegen müssen. Was bedeutet das für uns? Was bedeutet das, wenn der Koop oder der Mikro alle Leute an den Kassen entlassen würde? Was sie natürlich auch tun, teilweise jetzt schon, kommen die woanders hin, lernen die neue Jobs, ist das eine Bedrohung und das ist eine Befreiung, wie Menschen Leute sagen würden. Job ist ein Job. Buchhalter, Anwälte, Fahrer. Wenn Sie mal nachts auf dem Airport gestrandet sind, gehen Sie mal rum auf dem Airport, und schauen, was die Maschinen schon alles machen. Die Maschinen machen den Boden, die holen natürlich den Koffer ab, die machen sogar in Dubai die Polizei, die Polizei Roboter. Also ganz klar, dass wir sagen, okay, was bedeutet das eigentlich für uns denn wenn wir Ständen haben, wenn wir unterrichten, unterrichten wir die, dass sie nach Herberstoß sind, wenn sie solche Jobs haben, sind wir dann, wie manche Leute sagen würden, useless humans. Glauben Sie darum, dass wir dann useless sind, weil die Maschinen Teil dieser Arbeit machen können? Ich glaube nicht. Ich glaube, dass wenn wir 100% Routine machen, dann könnte man natürlich auch useless werden. Aber wenn wir so arbeiten, working like a robot, klar, dass der Roboter das kann, früher oder später, dann kommt es auf an, was wir eigentlich genau tun und wie wir das tun. Und was genau wir darüber hinaus machen können, an welche Variante davon entstehen kann und die Dinge, die wir da alle mit zusammenbringen, das ist genau unser Problem. In Musikbusiness zum Beispiel, das eine der schlimmsten Industrien weltweit, was Stellenabbau und so betrifft, wegen Downloadung und Internet, gibt es diese ganzen neuen Jobs jetzt auf einmal. Leute, die Playlist machen, die Rollties vorholen aus dem Datenstrom, die versuchen, Bands dahin zu buchen, wo sie am populärsten sind. Also jetzt geht es in Musikbusiness ungefähr 50% neue Jobs. Es gibt keine Plattenläden mehr, aber es gibt neue Jobs. Social Media. Vor 10 Jahren keine Jobs, heute 21 Millionen Leute arbeiten in Social Media. Das ist das, was wir brauchen. Und das ist das, was ich hier im Internet denke, was ich hier im Internet denke, das für die zwei Dinge zusammenbringe, wie ich eben schon sagte, EQ, emotional quotient und IQ. Und oft lernen wir eben in der Universität hauptsächlich EQ. Ich meine, IQ, der EQ ergibt sich aus den Beziehungen natürlich. Das ist ein Ding, das wir schauen müssen, was mit uns passiert dort dazu. Wenn Sie schauen, Rate of automation, World Economic Forum und wir gehen rückwärts, deautomatisieren, also nicht in einem kapitalistischen System. Vielleicht gibt es ja auch mal einen Therapeuten, dann der automatisiertes. Also Punkt Nummer 4, das Ende der Routine. Das heißt, für Universitäten und Ausbilder, ganz klar, ein neuer Fokus auf das, was Computer auch langfristig nicht können. Was ist das? Natürlich werden Sie immer mehr können, aber Dinge, die uns menschlich machen, sind in den nächsten 30, 40, 50 Jahren nicht wirklich erreichbar. Klar kann ein Computer sagen, ich weiß, Gerd ist böse oder er ist immer müde, wenn er da guckt. Klar, aber er kann nicht müde sein oder böse sein. Er exizitiert ja nicht. Also der Unterschied zwischen dem, was wir können und was Computer können, das ist, glaube ich, die Zukunft der Ausbildung. Die Dinge zu tun, die Computer nicht können. Zum Beispiel gibt es jetzt bereits Cloud Biology, wo wir die Experimente, die ja früher im Lab gemacht haben, durch künstliche Intelligenz in der Cloud vervielfachen. Das heißt, wir testen ein Medikament oder eine Reaktion, wir machen das in der Cloud, die Cloud sagt, ich habe 100 Trillionen Experimente gemacht und jetzt kannst du deine Experimente machen unter anderen Voraussetzungen. Also das haben wir bereits jeden Tag, das sind wir bereits vor uns. Für das Smartware werden wird unsere Arbeit, die human only ist, also nur Mensch, wird immer größer im Anteil. Human only test. Und das ist ganz klar, wo wir hin müssen, wenn es ums Thema Ausbildung geht. Sicherlich können wir nicht ignorieren, dass wir auch immer noch andere test machen werden natürlich. Aber wir können davon ausgehen, Technologie ungefähr 10 Jahre, mehr oder weniger ohne Limit. 5G Internet, also 100 per Sekunde. Dann sind ganz neue Dinge möglich. Der Economist zeigt das auch ganz klar schon an. In dieser Kurve von 2014 schon Non-Routine Work auf, Routine Work runter. Also wen unterrichten wir eigentlich für was? Unterrichten wir Menschen, dass sie Routine besser können oder die Routine von damals lernen oder unterrichten wir sie die Routine von morgen erfinden. Kann man vielleicht auch nicht so schwarz und weiß trennen, das wollte der Economic Forum sagen, aber ganz klar bei den Skills sind viele alte Skills auch immer noch wichtig. Aber in dieser Skillmap sind wir auf einmal bei Sachen, die wir vor 10 Jahren einfach abgelehnt hätten. Also wenn sie vor 10 Jahren gesagt hätten, ich brauche Leute, die Cocktative Flexibility Critical Thinking Creativity Emotional Intelligence haben, dann hätte ich HR Manager gesagt, auf keinen Fall das ein Troublemaker. Dann hätte ich das nicht mehr in der Universität lernen. Also in einem Multiplayer Online Game lerne ich das bestimmt nicht. Oder in einer anderen Variante lerne ich das mit Leuten vor Ort, ganz sicher. Aber das sind Erfahrungen und das sind keine Informationen. Ganz wichtig wird für uns natürlich, dass wir es realisieren müssen. Routine Arbeiten werden automatisiert. Neue Jobs werden neu erfunden. Die meisten zukünftigen Jobs und viele Jobs sind virtuell. Das ist ganz klar dafür, wo es für uns hingeht und das bedeutet auch große soziale Veränderungen. Zum Beispiel, wer zahlt für was? BVGE und solche Dinge. Ich glaube, ich muss jetzt ein bisschen nach vorne spulen hier, sonst sind wir heute Abend noch da. Ich komme jetzt mal auf die Zusammenfassung hier zu sprechen. Eine Sekunde, da wieder ein bisschen fast forward gemacht hier. Das Thema des Jahres 2019 in Technologie ist digitale Ethik. Die Ethik der Technologie. Was machen wir, warum machen wir das? Das ist einer meiner Sprüche schon seit 10 Jahren, wo ich sage, Technologie hat keine Ethik. Eine Maschine ist eigentlich vorkommen egal, was dabei rauskommt. Die Maschine ist halt binär. Wenn sie aus uns Paper Clips machen kann, dann würde sie es tun, wenn das die Mission ist. Das ist das, was eine Maschine am besten tut. Eine Maschine, die Facebook gebaut hat und Werbung verkauft. Die verkauft die Werbung für 72 Millionen Dollar an einen aerosischen Manipulanten genauso wie an Procter und Gamble. Das ist halt das, was Maschinen tun. Das heißt, wir müssen überlegen, welche Ethik wollen wir da? Was ist richtig, was kann die Maschine und was sollten wir wirklich damit tun? Und in welche Richtung geht das? Bern 1736. Erständerat. Habe ich hier morgen nochmal nachgeschaut. Es war schwer ein gutes Bild zu finden. Es war ein bisschen schwammig. Jetzt stelle ich mir vielleicht vor, wenn ich jetzt da in die Zukunft gebe, in den nächsten 300 Jahren, dann ist es vielleicht die AI, die diese Funktion erfüllt. Das ist ja die Vision von vielen Technologie-Firmen, die wir sehen. Und da frage ich mich, inwieweit das ethisch richtig ist. Tim Cook, der CEO von Apple, sagte vor sechs Monaten, sechs Wochen in Brüssel, Technology can do great things, it doesn't want anything. Das heißt, wenn wir alte Technologie entwickeln und an den Markt bringen, müssen wir auch schauen, dass große Dinge und gute Dinge damit getan werden. Die werden nicht von selber kommen. Dann ist er jetzt mal weg. Deswegen mein Vorschlag, der auch in meinem Buch schon vorgeschlagen ist, wir sollten einen digitalen Ethik-Rad gründen. Wir haben in der Schweiz ja einen digitalen Business-Rad. Das reicht bei weitem nicht aus. Ein digitales Business funktioniert ja super. Was ist denn mit den Dingen, die wir brauchen? Tun wir da auch investieren, denken wir da auch drüber nach. Jetzt noch kurz dadurch und dann ein paar Fragen. Das kennen Sie alles, das Anwachsen der Online-Learning-Situation, Massive Open, Online-Crosses, MOOCs, die ja überall sind, dass man überall alles studieren kann. Find ich auch super interessant, frage ich mich, ob wir das veraltete Bild hier neben uns sagen, dass Lernen mit dem Kopf zu tun hat. Also Daten, Informationen, Vermittlung dieser Daten. Ich bin da eher mit Mosche-Feldenkreis und Seligmann, die sagen, wir denken mit dem Körper, nicht nur mit dem Kopf. Wir lernen mit dem Körper. Wir sind nicht nur hier, wenn wir lernen. Das glaube ich ganz wichtig, das ist eine super Ergänzung, die Informationen und diesen Prozess. Aber interessant, einer meiner älteren Söhne wollte unbedingt nach Indien auf eine Reise gehen. Und er hat eine ein Jahr lang bestimmt, schätze ich mal, 200 Stunden auf YouTube-Filme angeguckt, aber in Indien. Und dann ist er tatsächlich dort hinten und hat mir geschrieben auf WhatsApp, ich war hier nur 4 Sekunden im Markt in Mumbai und ich habe mehr erfahren von YouTube. Heißt das, dass YouTube schlecht ist? Nein. Das ist aber einfach nicht das Gleiche. Das, was wir dort erfahren ist nicht nur Kopf. Also wie gesagt EQ, IQ, Kopf und Körper. Wir müssen doch schauen, dass wir eben nicht nur Science, Technology, Engineering, Mathematics, also Mint of Deutsch anpeilen, sondern auch in meinem Buch schlage ich vor Humanity, Ethics, Creativity, Imagination, Heckey. Und ich glaube, daran müssen wir überlegen, was es genau für die Universität der Zukunft bedeutet, wenn wir die zwei vermixen wollen. Ich glaube, wir müssen dringend diesen Knopf drücken und rehumanisieren und darüber nachdenken, was wir eigentlich wollen mit Wissenschaft und auch mit Technologie. So, Punkt Nr. 5. Die Zukunft des Lernens ist eben nicht über Effizienz. Sie geht von Funktionieren zu Kreieren von Berechnen zu Vorstellen und Live Long Learning. Es ging zu oft in der Vergangenheit um Funktionieren. Wenn sie nur funktionieren wollen, wird der Roboter sie schlagen. Das ist was, was sie sehr gut können. Punkt Nr. 6. Ich glaube, wir müssen dringend nicht nur die Gegenwart und die Vergangenheit studieren. Das sollten wir auch schon weiter tun. Wir müssen die Zukunft studieren. Wir müssen auch die Zukunft lehren. Wenn die Studenten, die zu uns kommen, die werden nämlich so schnell in der Zukunft sein, dass sie denken, es sind zehn Jahre weg, aber es ist eigentlich nur zwei Jahre. Weil die Zukunft ist bereits hier. Jeden Tag, wo wir schauen, kommt die Zukunft auf uns an. Also, vier Dinge dort observieren, verstehen, imaginieren, transformieren. Einstahl hat gesagt, 1953 Imagination ist mehr wichtig als Knowledge. Das kann natürlich auch nur Einstein sagen, wenn man bedenkt, wie viel Knowledge er hatte. Aber ich glaube, da können wir mal einen Wink nehmen und sagen, in welcher Richtung geht es eigentlich, wenn wir das alles zusammenbringen wollen. Was damit zu tun hat. Elven Toffler, bekannteste Buch und bereits Futurewissen, Future Shock, der gesagt hat, in dealing with the future, it's far more important to be imaginative in the future. Damit lass es jetzt mal stehen und dann hoffe ich, dass wir nachher eine gute Diskussion haben. Vielen Dank.