Masayoshi Son disputiert sieben Stunden taeglich mit KI: Plaedoyer fuer adversariales Prompting
Studien warnen, dass intensive KI-Nutzung das eigene Urteilsvermoegen schwaechen kann. Softbank-Chef Masayoshi Son geht den umgekehrten Weg und fordert Modelle regelrecht heraus, um die eigenen Entscheide schaerfer zu pruefen.
Veröffentlicht am 25. Oktober • Zuerst erschienen auf appliedaihub.org
Die übliche Warnung vor intensiver Nutzung von KI lautet, dass sie träge macht. Wenn man sein Schreiben, Programmieren und seine Strategie lange genug an ein Modell auslagert, so die Argumentation, verkümmert das eigene Urteilsvermögen still und leise.
Hinter dieser Angst stecken echte Daten. Eine Studie aus dem Jahr 2025 von Forschenden des Microsoft Research und der Carnegie Mellon University befragte 319 Wissensarbeiter und fand ein klares Muster: Je größer das Vertrauen eines Nutzers in die KI, desto weniger kritisches Denken wandte er auf das Ergebnis an. Die meisten Menschen behandeln ein Sprachmodell wie einen Automaten. Sie werfen eine Ein-Zeilen-Münze ein, nehmen die erste plausible Antwort heraus und fügen sie in ihre Arbeit ein.
Dann hört man Masayoshi Son. In unserer mit Zeitstempeln versehenen Analyse seines Interviews bei Inside Blackstone gibt der 69-jährige SoftBank-Gründer zu, dass er an Wochentagen drei Stunden täglich mit KI spricht und an Wochenenden bis zu sieben Stunden. Doch als der Moderator die Angst anspricht, dass starke KI-Abhängigkeit das menschliche Gehirn abstumpfen lässt, widerspricht Son sofort.
Son nutzt KI nicht, um das Denken zu vermeiden. Er nutzt sie, um mit den eigenen Annahmen zu kämpfen. So beschrieb er seine tägliche Gewohnheit in der sechsten Insight-Card des Interviews:
"Es ist so produktiv, so spannend. Und die Leute sagen, hey, weißt du, wenn man KI nutzt, dann benutzt man das Gehirn nicht, das Gegenteil ist der Fall. Es ist völlig gegenteilig, okay? Es ist, als hätte man einen Gedankenpartner. Wenn man anfängt zu debattieren, richtig? Zu diskutieren. Wenn die KI das sagt, sage ich, oh, aber was ist mit diesem Blickwinkel? Kannst du es 20 Prozent effizienter machen? Kannst du das tun und jenes erreichen? Man kann debattieren, richtig? Brainstorming. Er ist jetzt mein Gedankengefährte."
Schaut man sich die Verben genau an, die er verwendet: debattieren, diskutieren, Blickwinkel hinterfragen, 20 Prozent mehr Effizienz fordern. Er bittet ChatGPT nicht, seine E-Mails zu schreiben, damit er Golf spielen gehen kann. Er führt einen siebenstündigen adversarialen Stresstest an seinen eigenen Ideen zur Kapitalallokation durch.
Dieser Unterschied erklärt, warum zwei Personen exakt gleich viele Stunden in einem Chatfenster verbringen können und mit entgegengesetzten kognitiven Ergebnissen herausgehen. Das Gehirn des einen bildet sich zurück; das Gehirn des anderen wird schärfer. Die Variable ist nicht die Bildschirmzeit. Die Variable ist, ob man das Modell zur Delegation oder zur Kollision nutzt.
Um zu verstehen, warum Kollision so gut funktioniert, muss man sich ansehen, wie Sprachmodelle Text erzeugen und wie menschliche Führungskräfte normalerweise schlechte Entscheidungen treffen.
Wenn man einem Modell eine neutrale Frage stellt ("Ist diese Produkt-Roadmap eine gute Idee?"), schiebt das RLHF-Post-Training das Modell in Richtung zustimmender, mittelmäßiger Unterstützung. Es listet drei höfliche Pro-Argumente auf, zwei milde Risiken und wünscht einem Glück. Nimmt man dieses Ergebnis für bare Münze, delegiert man sein Urteilsvermögen an den statistischen Durchschnitt von Internettexten. Das ist kognitives Auslagern in seiner schlimmsten Form: Man tauscht tiefes Domänenwissen gegen eine glatte Zusammenfassung.
Betrachtet man nun, was in einem großen Unternehmen oder einem Investmentkomitee passiert. Je höher ein Gründer oder Manager aufsteigt, desto schwieriger wird es, jemanden zu finden, der ihm sagt, dass seine Lieblingsidee einen fatalen Fehler hat. Direkte Mitarbeiter drücken sich vorsichtig aus. Berater schmeicheln. Meetings optimieren auf Konsens.
Ein Sprachmodell hat kein Karriererisiko. Wenn man ihm beauftragt, die eigene These anzugreifen, eine Effizienzsteigerung von 20 Prozent zu fordern oder den genauen Lieferketten-Engpass zu finden, der den Plan im dritten Jahr in den Bankrott treiben wird, tut es das kompromisslos, auch mitten in der Nacht an einem Sonntag. Wenn man widerspricht ("Was ist mit diesem Blickwinkel?"), zwingt das Modell einen, den exakten Mechanismus hinter der eigenen Intuition zu formulieren. Man kann nicht mit.rooms mit Händen wedeln in einer Debatte mit einer Maschine, die permanent nach den Zahlen verlangt.
Anmerkung des Autors: Beachte, dass die Studie von Microsoft und CMU eine zweite, weniger publik gemachte Korrelation fand. Arbeitnehmer, die großes Vertrauen in ihre eigene Domänenexpertise hatten, wandten bei der Nutzung von KI tatsächlich mehr kritisches Denken an, weil sie das Modell-Ergebnis als groben Entwurf behandelten, den man befragen kann, und nicht als Orakel, dem man gehorcht. Sons siebenstündige Sitzungen sind eine extreme Version dieser aktiven Befragungsschleife.
Sons zweite konträre These im Interview ist genauso scharf, und sie verbindet sich direkt damit, wie er KI nutzt. Die meisten Engineering-Leads und Startup-Gründer behandeln langfristige Planung als binäre Entscheidung: Entweder man schreibt einen starren Fünf-Jahres-Wasserfallplan, der in einem Monat veraltet, oder man wirbt die Hände, sagt "die Branche bewegt sich zu schnell, um Vorhersagen zu treffen", und plant nur den nächsten Zwei-Wochen-Sprint.
Son lehnt beides ab. In der siebten Insight-Card der Inside-Blackstone-Analyse erklärt er, wie SoftBank mit langfristiger Unsicherheit umgeht:
"Niemand weiß genau, was in 10 Jahren passieren wird. Deshalb müssen wir denken. Weißt du, die Leute sagen, oh, in 10 Jahren weiß niemand, also lass uns nicht darüber nachdenken. Denken wir ans nächste Jahr, okay? Ich glaube, es ist das Gegenteil. Es ist das Gegenteil. Wenn du nicht weißt, was in 10 Jahren passieren wird, gib das Denken darüber nicht auf. Denke, denke, denke! Okay?"
Noch beeindruckender ist der Rhythmus, den er unmittelbar vor diesem Zitat beschreibt. In seinen Meetings debattiert sein Team jeden einzelnen Tag die 10-Jahres-Strategie, und am darauffolgenden Tag überarbeiten sie diesen 10-Jahres-Plan erneut, weil 24 Stunden neuer Informationen eingetroffen sind.
In der quantitativen Finanzwelt ist dies schlicht Bayes'sches Updating angewandt auf ein langfristiges Ziel. Man verkürzt seinen Zeithorizont nicht nur, weil die Varianz hoch ist. Wenn man nur 12 Monate vorausschaut, optimiert man auf lokale Maxima; wie Son mit seiner "70-Prozent-Regel" sagt, da menschliche Umsetzung ungefähr 70 Prozent jedes gesetzten Ziels erreicht, garantiert ein kleines Ziel ein kleines Ergebnis. Stattdessen richtet man sich auf einen gewaltigen strukturellen 10-Jahres-Vektor aus und aktualisiert alle 24 Stunden seinen Pfad dorthin.
Das spiegelt ein Thema wider, das wir bei anderen Führungskräften an der Front beobachtet haben. In unserer Analyse von Jensen Huang im BG2 Pod erklärt Huang, dass aktives Reasoning und Baumsuche-Exploration eine Milliarde Mal mehr Rechenleistung erfordern als einfaches Auswendiglernen, weil man Hypothesen testen und Sackgassen beschneiden muss. Son wendet genau diese Baumsuche-Schleife auf menschliche Strategie an und nutzt KI als exogene Rechenmaschine, um seinen 10-Jahres-Baum jede Nacht neu zu bewerten.
Wenn Son mit dem siebenstündigen Gedankenpartner und der täglichen Überarbeitung des 10-Jahres-Plans recht hat, dann konfigurieren derzeit 90 Prozent der Builder und Wissensarbeiter ihre KI-Workflows genau falsch.
Die meisten Teams investieren ihre gesamte Energie in die Automatisierung von Output-Generierung mit geringem Risiko: das automatische Schreiben von Standard-Tickets, das Zusammenfassen von Meeting-Transkripten, die niemand liest, oder das Generieren von Blogposts als ersten Entwurf. Unterdessen treffen sie ihre strategisch wichtigsten Architektur- und Strategieentscheidungen auf die altmodische Weise, in einem zweistündigen Meeting am Dienstagmorgen, in dem alle müde und höflich sind.
Wenn man KI nur nutzt, um schneller zu tippen, stößt man schnell an eine Grenze. Schlimmer noch, man flutet die eigene Organisation mit ausschweifenden Texten, die jetzt jemand anderes lesen und prüfen muss. Wenn man den Workflow umdreht und KI nutzt, um Entscheidungen zu stresstesten, bevor auch nur eine Zeile Code geschrieben ist, vervielfacht sich die Hebelwirkung über das gesamte Projekt.
Man braucht keine sieben freien Stunden an einem Samstag, um Sons Methode anzuwenden. Man muss aufhören, sein Modell wie eine Sekretärin zu prompten, und anfangen, es wie ein feindliches Vorstandsmitglied zu prompten. Hier sind drei konkrete Protokolle, die man morgen früh umsetzen kann.
Beachte, wie Son seine KI explizit fragt: "Kannst du es 20 Prozent effizienter machen? Kannst du das tun und jenes erreichen?" Vague Kritik erzeugt vage Ratschläge. Eine harte numerische Einschränkung zwingt das Modell, strukturelles Fett wegzuschneiden.
Bevor man eine Systemarchitektur, ein Cloud-Infrastruktur-Budget oder einen Projektzeitplan finalisiert, fügt man die Spezifikation in Claude oder ChatGPT ein, mit einer strikten Zwangsreduktionsregel:
Hier ist unsere vorgeschlagene Architektur und unser Umsetzungsplan: [Spezifikation einfügen] Nimm eine harte Einschränkung an: Wir müssen Latenz, Token-Kosten oder Engineering-Komplexität um 20 Prozent senken, ohne die Kernzuverlässigkeit zu gefährden. 1. Identifiziere die zwei schwächsten oder am stärksten überkonstruierten Komponenten dieses Plans.
2. Schlage drei konkrete Kompromisse vor, die die 20-prozentige Reduktion erreichen. 3.
Sage genau, was kaputtgeht, wenn wir diesen Schnitt auf 40 Prozent ausweiten. Vollbildmodus aktivieren Vollbildmodus beenden Wer tiefer in adversarial Stresstesting einsteigen möchte, kann die eigene These auch durch unseren Devil's Advocate Viewpoint Challenge Prompt schicken oder den AI Blind Spot Mirror nutzen, um ungenannte Annahmen im eigenen Plan aufzudecken.
In einer echten Debatte lässt man die andere Person keinen fünfseitigen Monolog halten. Man geht hin und her, eine Behauptung nach der anderen.
Wenn man eine Brainstorming-Sitzung eröffnet, verbietet man dem Modell, einem zuzustimmen, und begrenzt seine Antwortlänge, damit man tatsächlich mit ihm streiten kann. Warum Sycophancy Single-Pass-Prompts ruiniert, haben wir in unserem Leitfaden zum Recursive Reflection Prompt Framework behandelt. In einem Live-Chat wird man selbst zur Reflection-Schleife:
Praktischer Leitfaden zur Vermeidung typischer Stolperfallen: Achte auf vorgetäuschte Meinungsverschiedenheiten. Wenn du ein Modell aufforderst, deine Idee zu kritisieren, erfindet es oft Nörgeleien zu Randfällen, während es deine Kernthese lobt. Zwinge es, die tragende Annahme anzugreifen, indem du fragst: Was ist der jeweils wahrscheinlichste Grund, warum dieses gesamte Projekt in 18 Monaten scheitert, und welches frühe Signal würde dich innerhalb von 30 Tagen recht geben?
Behandle deine langfristige technische Roadmap nicht als statisches Dokument, das in einem verstaubten Notion-Ordner verstaubt, sondern führe eine kompakte Markdown-Datei mit deiner Three-Year- oder Ten-Year-These. Sobald eine größere neue Modellveröffentlichung, eine Preisänderung oder eine wichtige Kundenerkenntnis eintrifft, speise sowohl die alte These als auch die neue Information in deine Thought-Partner-Sitzung ein.
Stelle eine einzige Frage: Was hat sich in den letzten 24 Stunden geändert, welcher Zweig dieses langfristigen Plans ist dadurch gerade obsolet geworden, und wohin hat sich der Engpass verschoben?
Die Spaltung in der KI-Wirtschaft wird nicht zwischen Menschen bestehen, die KI nutzen, und Menschen, die sich weigern. Jeder wird sie nutzen. Die Spaltung wird zwischen passiven Passagieren bestehen, die Modelle für sich denken lassen, und aktiven Sparring-Partnern, die Modelle nutzen, um intensiver nachzudenken.
Wenn du das nächste Mal ein Chatfenster öffnest, um an einem schwierigen Problem zu arbeiten, widerstehe dem Drang, nach der Antwort zu fragen. Nenne deine beste These, fordere das Modell auf, den Schwachpunkt zu finden, und beginne die Debatte.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Posted on Oct 25 • Originally published at appliedaihub.org
The standard warning about heavy AI use is that it makes you lazy. Hand your writing, coding, and strategy to a model for long enough, the argument goes, and your own judgment quietly wastes away.
There is real data behind that fear. A 2025 study by researchers at Microsoft Research and Carnegie Mellon University surveyed 319 knowledge workers and found a clear pattern: the higher a user's confidence in the AI, the less critical thinking they applied to the output. Most people treat a language model like a vending machine. They put a one-line coin in, take the first plausible answer out, and paste it into their work.
Then you listen to Masayoshi Son. In our timestamped breakdown of his interview on Inside Blackstone, the 69-year-old SoftBank founder admits that he spends three hours a day talking to AI on weekdays and up to seven hours a day on weekends. Yet when the host brings up the fear that heavy AI reliance dulls the human brain, Son immediately pushes back.
Son does not use AI to avoid thinking. He uses it to pick a fight with his own assumptions. Here is how he described his daily habit in the sixth insight card of the interview:
"It's so productive, so exciting. And people say, hey, you know, when AI, if you use, you don't use the brain, it's the opposite. It's totally opposite, okay? It's like having a thought partner. When you start, you know, debating, right? Discussing. If the AI says this, I say, oh, but what about this angle? Can you make it 20% more efficient? Can you do this and get that? You can debate, right? Brainstorm. It's my thought mate now."
Look closely at the verbs he uses: debating, discussing, challenging angles, demanding 20 percent more efficiency. He is not asking ChatGPT to write his emails so he can go play golf. He is running a seven-hour adversarial stress test on his own capital allocation ideas.
That distinction explains why two people can spend the exact same number of hours inside a chat window and walk away with opposite cognitive results. One person's brain atrophies; the other person's brain gets sharper. The variable is not screen time. The variable is whether you use the model for delegation or collision.
To see why collision works so well, you have to look at how language models generate text and how human executives normally make bad decisions.
When you ask a model a neutral question ("Is this product roadmap a good idea?"), RLHF post-training nudges the model toward agreeable, middle-of-the-road support. It lists three polite pros, two mild risks, and wishes you luck. If you accept that output at face value, you are outsourcing your judgment to the statistical average of internet prose. That is cognitive offloading in its worst form: you trade away deep domain reasoning for a smooth summary.
Now consider what happens inside a large company or an investment committee. The higher a founder or executive rises, the harder it becomes to find someone willing to tell them their favorite idea has a fatal flaw. Direct reports hedge. Consultants flatter. Meetings optimize for consensus.
A language model has no career risk. If you instruct it to attack your thesis, demand a 20 percent efficiency cut, or find the exact supply-chain bottleneck that will bankrupt your plan in year three, it will do so relentlessly at midnight on a Sunday. When you push back ("What about this angle?"), the model forces you to articulate the exact mechanism behind your intuition. You cannot wave your hands in a debate with a machine that keeps asking for the numbers.
Author's Comment: Notice that the Microsoft and CMU study found a second, less publicized correlation. Workers who had high confidence in their own domain expertise actually did more critical thinking when using AI, because they treated the model's output as a rough draft to interrogate rather than an oracle to obey. Son's seven-hour sessions are an extreme version of that active interrogation loop.
Son's second contrarian claim in the interview is just as sharp, and it connects directly to how he uses AI. Most engineering leads and startup founders treat long-term planning as a binary choice: either you write a rigid five-year waterfall plan that goes stale in a month, or you throw up your hands, say "the industry is moving too fast to predict," and only plan the next two-week sprint.
Son rejects both. In the seventh insight card of the Inside Blackstone breakdown, he explains how SoftBank handles long-horizon uncertainty:
"Nobody knows exactly what's gonna happen in 10 years. That's why we have to think. You know, people say, oh, 10 years later, nobody knows so let's not think about it. Let's think about next year, okay? I think it's the opposite. It's the opposite. If you don't know what's gonna happen in 10 years, don't give up thinking about it. Think, think, think! Okay?"
Even more striking is the cadence he describes right before that quote. At his meetings every single day, his team debates the 10-year strategy, and the very next day they revise that 10-year plan again because 24 hours of new inputs have arrived.
In quantitative finance, this is simply Bayesian updating applied to a long-horizon target. You do not shorten your time horizon just because variance is high. If you only look 12 months ahead, you optimize for local maxima; as Son puts it in his "70% rule," since human execution yields roughly 70 percent of whatever target you set, a small target guarantees a small outcome. Instead, you lock onto a massive 10-year structural vector and update your path toward it every 24 hours.
This echoes a theme we have seen across other frontier leaders. In our breakdown of Jensen Huang on the BG2 Pod, Huang explains that active reasoning and tree-search exploration require a billion times more compute than simple memorization because you have to test hypotheses and prune dead ends. Son is applying that exact tree-search loop to human strategy, using AI as the exogenous compute engine to re-evaluate his 10-year tree every night.
If Son is right about the 7-hour thought partner and the daily 10-year revision, then 90 percent of builders and knowledge workers are currently configuring their AI workflows backwards.
Most teams spend all their energy automating low-stakes output generation: auto-writing boilerplate tickets, summarizing meeting transcripts nobody reads, or generating first-draft blog posts. Meanwhile, they make their highest-leverage architectural and strategic decisions the old-fashioned way, inside a two-hour Tuesday afternoon meeting where everyone is tired and polite.
When you use AI only to type faster, you hit a ceiling quickly. Worse, you flood your organization with verbose text that someone else now has to read and verify. When you flip the workflow and use AI to stress-test decisions before a single line of code is written, the leverage compounds across the entire project.
You do not need seven spare hours on a Saturday to apply Son's method. You need to stop prompting your model like a secretary and start prompting it like a hostile board member. Here are three concrete protocols you can put into practice tomorrow morning.
Notice how Son specifically asks his AI: "Can you make it 20% more efficient? Can you do this and get that?" Vague critiques produce vague advice. A hard numerical constraint forces the model to cut structural fat.
Before you finalize a system architecture, a cloud infrastructure budget, or a project timeline, paste the spec into Claude or ChatGPT with a strict forced-reduction rule:
Here is our proposed architecture and execution plan: [Paste spec] Assume a hard constraint: we must cut latency, token cost, or engineering complexity by 20% without dropping core reliability. 1. Identify the two weakest or most over-engineered components in this plan. 2. Propose three concrete trade-offs that achieve the 20% reduction. 3. State exactly what breaks if we push that cut to 40%. Enter fullscreen mode Exit fullscreen mode If you want to go deeper on adversarial stress-testing, you can also run your thesis through our Devil's Advocate Viewpoint Challenge prompt or use the AI Blind Spot Mirror to surface the unstated assumptions in your plan.
In a real debate, you do not let the other person deliver a five-page monologue. You go back and forth, one claim at a time.
When you open a brainstorming session, forbid the model from agreeing with you and cap its reply length so you can actually argue with it. We covered why sycophancy ruins single-pass prompts in our guide to the Recursive Reflection prompt framework. In a live chat, you become the reflection loop:
Practical Pitfall Avoidance Guide: Watch out for fake disagreement. If you tell a model to "criticize my idea," it will often invent nitpicks about edge cases while praising your core premise. Force it to attack the load-bearing assumption by asking: "What is the single most likely reason this entire project fails 18 months from now, and what early signal would prove you right within 30 days?"
Instead of treating your long-term technical roadmap as a static document that lives in a dusty Notion folder, keep a compact markdown file of your 3-year or 10-year thesis. Whenever a major new model release, pricing shift, or customer insight lands, feed both the old thesis and the new input into your thought-partner session.
Ask one question: "Given what changed in the last 24 hours, which branch of this long-term plan just became obsolete, and which bottleneck just moved?"
The split in the AI economy will not be between people who use AI and people who refuse to. Everyone will use it. The split will be between passive passengers who let models think for them and active sparring partners who use models to think harder.
Next time you open a chat window to work on a hard problem, resist the urge to ask for the answer. State your best thesis, tell the model to find the flaw, and start the debate.