Jeff Dean rät jungen Leuten davon ab, jeden Bereich von AI meistern zu wollen
Nach 27 Jahren bei Google gibt Jeff Dean jungen Menschen, die in einen von AI geprägten Arbeitsmarkt starten, einen zunächst überraschenden Rat: Sie sollten nicht versuchen, jedes neue Model, Paper und jede Technique vollständig zu beherrschen. Das Feld entwickelt sich zu schnell und greift auf zu viele Disziplinen über, als dass eine einzelne Person überall gleichzeitig tiefes Wissen aufbauen könnte.
- Jeff Dean rät jungen Leuten davon ab, jeden Bereich von AI meistern zu wollen
- Erst breit lesen, dann Ideen verbinden, die andere noch nicht verbunden haben
- Ein anspruchsvolles Problem könnte einen Zeithorizont von etwa fünf Jahren haben
- Nach 27 Jahren bei Google beginnt Dean mit DiscoveryLoop ein neues Kapitel
- AI könnte nach Deans Ansicht die menschlichen Möglichkeiten erweitern
- Für Gen Z geht es nicht darum, weniger zu lernen, sondern die richtige Tiefe zu wählen
Beim 2026 Frontier & Pioneer Symposium erklärte Dean, dass Breite manchmal wertvoller sein kann als sofortige Spezialisierung. Zehn Papers zu überfliegen könne in bestimmten Situationen mehr bringen, als die gesamte verfügbare Zeit in ein einziges Paper zu investieren. Jedes davon erweitert die mentale Landkarte dessen, was technisch möglich ist. Dean ging noch weiter und empfahl, sogar 100 Abstracts zu überfliegen.
Das ist kein Plädoyer für oberflächliches Lernen. Es geht um die sinnvolle Verteilung begrenzter Zeit. Wer weiß, dass eine Methode in einem anderen Fachgebiet existiert, kann später gezielt zurückkehren, sie bei Bedarf tief verstehen und möglicherweise eine Verbindung herstellen, die Spezialisten innerhalb nur einer Disziplin übersehen.
Erst breit lesen, dann Ideen verbinden, die andere noch nicht verbunden haben
Im Zentrum von Deans Argument steht die Fähigkeit, Connections zu erkennen. AI überschneidet sich heute mit Healthcare, Education, Biology, Engineering, Robotics, Mathematics und vielen weiteren Bereichen. Niemand kann jede Entwicklung in all diesen Feldern mit voller Detailtiefe verfolgen.
Durch breites Lesen von Research bauen Studierende und Berufseinsteiger einen größeren mentalen Katalog aus Methods, Concepts und Open Problems auf. Sie müssen nicht jede Equation oder jedes Implementation Detail auswendig kennen. Entscheidend ist oft schon das Wissen, dass ein bestimmter Approach existiert und möglicherweise auf ein Problem in einem anderen Domain übertragen werden kann.
Damit gewinnt die Fähigkeit an Bedeutung, den richtigen Zeitpunkt für einen Deep Dive zu erkennen. Broad Reading ist die Discovery-Phase; sobald eine vielversprechende Connection gefunden wurde, bleibt tiefes Technical Work unverzichtbar. Dean fordert also nicht weniger Lernen, sondern eine andere Reihenfolge: zunächst weit suchen, anschließend dort tief investieren, wo daraus etwas Neues entstehen kann.
Mehr lesen
Ein anspruchsvolles Problem könnte einen Zeithorizont von etwa fünf Jahren haben
Dean formulierte auch einen praktischen Rahmen für die Wahl langfristiger Research Problems. Ein Problem, für das in den kommenden 20 Jahren kein glaubwürdiger Lösungsweg erkennbar ist, kann zu spekulativ sein. Ein Problem, das voraussichtlich innerhalb von zwei Jahren relativ geradlinig gelöst werden kann, ist dagegen möglicherweise nicht anspruchsvoll genug für einen größeren Breakthrough.
Rund fünf Jahre hält er für eine attraktive Größenordnung. Dieser Zeitraum ist lang genug für Experiments, Fehlschläge, Richtungswechsel und mehrere unterschiedliche Approaches, aber noch kurz genug, um plausible Wege zu einer Lösung erkennen zu können.
In einer Branche, in der Fortschritt oft in Wochen oder Monaten gemessen wird, ist das bemerkenswert langfristig gedacht. Dean rät indirekt davon ab, eine Career an jedem kurzfristigen AI Trend auszurichten. Ein gutes Problem sollte mehrere Product Cycles überstehen können, während neue AI Tools unterwegs integriert werden.
Auch Scheitern gehört ausdrücklich dazu. Wenn viele Approaches nicht funktionieren, bedeutet das nicht automatisch, dass das Problem falsch gewählt wurde. Gerade diese Fehlschläge helfen dabei, die wirklich brauchbaren Richtungen sichtbar zu machen.
Nach 27 Jahren bei Google beginnt Dean mit DiscoveryLoop ein neues Kapitel
Deans Aussagen fallen in eine Phase großer persönlicher Veränderung. Anfang August 2026 verließ er Google nach 27 Jahren. Von 2018 bis 2023 leitete er Google AI, anschließend war er von 2023 bis 2026 Chief Scientist des Unternehmens.
Nach seinem Abschied wurde Dean Co-founder und CEO von DiscoveryLoop. Die AI Startup will wissenschaftliche und technische Discovery mit Autonomous Research Systems beschleunigen.
Dieser Schritt liefert zusätzlichen Kontext für seine Aussagen. Dean behauptet keineswegs, Expertise spiele keine Rolle mehr. Sein neues Unternehmen beschäftigt sich gerade mit schwierigen wissenschaftlichen Problemen. Er sieht AI vielmehr als Möglichkeit, den Zugang zu anspruchsvoller Expertise zu erleichtern und Researchers deutlich mehr Lösungswege erkunden zu lassen, als sie allein bewältigen könnten.
Für junge Menschen könnte sich dadurch der Wettbewerbsvorteil verschieben: Nicht die größte Menge an Technical Information auswendig zu kennen, sondern gute Questions zu stellen, verschiedene Domains zu verbinden und die Ergebnisse leistungsfähiger AI Systems kritisch bewerten zu können.
AI könnte nach Deans Ansicht die menschlichen Möglichkeiten erweitern
Trotz der Debatten über Arbeitsplatzverluste und eine mögliche Verschärfung wirtschaftlicher Ungleichheit bleibt Dean hinsichtlich des gesellschaftlichen Potenzials von AI deutlich Optimistic. Healthcare und Education nennt er als Bereiche, in denen leistungsfähige Models Menschen bei Problems unterstützen könnten, die ihre eigene Ausbildung oder ihre Ressourcen bislang übersteigen.
Besonders weitreichend ist seine Vorstellung von Models, die in zahlreichen Science- und Engineering-Domains etwas bieten könnten, das einer Ph.D.-level expertise nahekommt. Wird diese Unterstützung zuverlässig, könnte ein Researcher aus einem Fachgebiet sinnvoll in ein anderes vordringen, ohne zunächst jahrelanges Formal Training absolvieren zu müssen.
Human Judgment bleibt trotzdem notwendig. Models können Fehler machen, Experiments können scheitern und wichtige Conclusions benötigen weiterhin Expert Validation. Dean räumt selbst ein, keine Magic Answer für jedes Problem zu besitzen und regelmäßig mit Fehlschlägen konfrontiert zu sein.
Sein optimistisches Szenario bedeutet daher nicht, dass schwierige Arbeit plötzlich mühelos wird. AI könnte vielmehr die Obergrenze dessen erhöhen, was Einzelpersonen und Small Teams überhaupt versuchen können.
Für Gen Z geht es nicht darum, weniger zu lernen, sondern die richtige Tiefe zu wählen
Für Gen Z bietet Deans Rat eine Alternative zum Druck, jede neue AI Veröffentlichung verfolgen zu müssen. Das Ziel ist nicht, alles zu wissen. Wichtiger sind genügend Breite, um Opportunities zu erkennen, genügend Tiefe für die richtigen Probleme und genügend Geduld für Themen, deren Bedeutung länger anhält als ein kurzfristiger Hype Cycle.
Praktisch könnte das bedeuten, regelmäßig Research außerhalb der eigenen Spezialisierung zu scannen, wiederverwendbare Ideas festzuhalten, Problems mit mehrjähriger Relevanz zu suchen und AI Tools zur Beschleunigung von Exploration und Prototyping einzusetzen, statt das Denken an sie abzugeben.
Wenn Information und Technical Assistance immer leichter verfügbar werden, könnte Judgment zur knappen Ressource werden: die Fähigkeit zu entscheiden, was wirklich wichtig ist. Wer Ideas aus Communities verbinden kann, die normalerweise getrennt voneinander arbeiten, entdeckt möglicherweise Opportunities, die bei einer ausschließlich engen Spezialisierung unsichtbar bleiben.
Dean lehnt Expertise also nicht ab. Sein Rat lautet vielmehr, zuerst eine größere Wissenslandkarte aufzubauen und anschließend bewusst zu entscheiden, in welchem Teil davon man mehrere Jahre investieren und wirklich zum Expert werden will.
