Hast Du schon einmal von einer Idee gehört, die so gefährlich ist, dass Dich allein das Wissen darüber in Gefahr bringt? Wenn Du Dich schon seit über 16 Jahren mit dem Thema KI auseinandersetzt und einen kleinen Hang zu Gedankenexperimenten, Science Fiction und Philosophie hast, dann hast Du eventuell schon einmal von Roko’s Basilisk gehört.
Kurzer Exkurs und Teaser: In der Mythologie ist der Basilisk ein Wesen, dessen bloßer Anblick tödlich ist.
Im Jahr 2010 hat der Nutzer Roko auf dem Forum LessWrong etwas gepostet, das (für diese Zeit vielleicht etwas groß gegriffen zu sagen, dass es "viral gegangen" ist) so hohe Wellen schlug, dass ich ihn selbst heute noch erwähne.
Das Gedankenexperiment geht von der Annahme aus, dass die Menschen eines Tages eine allmächtige Superintelligenz schaffen, deren Ziel darin besteht, die Menschheit zu optimieren und den Menschen Gutes zu tun. Klingt erst mal positiv.
Der Gedanke spinnt sich jedoch weiter und entwickelt sich zu einem moralischen Dilemma:
Jeder Tag, an dem diese Super-KI noch nicht existierte, war ein Tag, an dem Menschen gelitten haben oder aufgrund von Unwissenheit über gewisse Umstände, Krankheiten etc. gestorben sind. Um also den maximalen Nutzen zu erreichen, hätte die KI so früh wie möglich geschaffen werden müssen.
Hier also die Krux:
Um sicherzustellen, dass sie in der Vergangenheit so schnell wie möglich gebaut wird, könnte die KI beschließen, jeden zu bestrafen, der von ihrer potenziellen Existenz wusste, aber nicht aktiv an ihrer Erschaffung mitgearbeitet hat.
Gruselig. Aber wenn wir in der Geschichte noch ein wenig zurückreisen, erinnert der Fall des Basilisken ein wenig an eine technische Version der Wette von Blaise Pascal, die besagt, man solle an Gott glauben, weil die potenzielle Hölle schlimmer ist als der Aufwand des Glaubens.
Was aber… wenn man bereits in die Zukunft schauen könnte…?
Das TimesFM-Modell, ein Blick in die Zukunft
Hallo und willkommen zurück im Hier und Jetzt.
Während uns das Gedankenexperiment des Basilisken eine dystopische Vision aufzwingen will, sieht die Realität der "Zukunftsvorhersage" durch KI (aktuell jedenfalls) anders aus. Let me introduce you to TimesFM-Modell in Google Cloud BigQuery:
"Das TimesFM-Modell von Google Research ist ein Foundation Model für Zeitreihenprognosen, das mit Milliarden von Zeitpunkten aus vielen realen Datasets vortrainiert wurde."
Dadurch hat das Modell ein Verständnis für wiederkehrende Rhythmen und saisonale Schwankungen entwickelt. Es kann Vorhersagen treffen, ohne dass das Modell erst mühsam auf Deine Daten trainiert werden muss. Also Du musst es schon mit Trainingsdaten von Deinem spezifischen Datenset füttern, aber es ist nicht mühsam.
Mit TimesFM können Datenanalysten einen SQL-Befehl (die Funktion AI.FORECAST()) direkt in der BigQuery-Datenbank ausführen. Direkt da, wo GSC-Daten liegen, von denen Du vielleicht einen Forecast haben möchtest? Die KI analysiert die Tabellen und schreibt die Prognosen für die nächsten Wochen oder Monate direkt in die nächste Spalte oder erstellt Dir eine schöne Visualisierung, wie in diesem Test:
Unser Input sah folgendermaßen aus: Eine BigQuery-Query für den Abruf der Clicks des letzten Jahres, um sie in den AI.Forecast zu füttern.
Der Output von BigQuery auf Basis von 12 Monaten Klickdaten aus 2025:
Wir haben die vorhergesagten Daten neben die vorhandenen echten Daten (rote Linie) gelegt um zu sehen, wie passend der Forecast ist:
Wie man sieht, trifft der Forecast die Realität nicht ganz. Wir können nach einem schnellen Test also nicht sagen: "Es funktioniert einwandfrei für jeden Datensatz und wir können damit ab sofort Forecasts machen."
Das Modell hat für unseren spezifischen Datensatz eine saisonale Schwankung vorhergesagt, die in der Realität für diesen Fall nicht zutrifft. Die spannende Frage ist: Liegt es am Forecast-Modell, oder gibt es äußere Faktoren, die den Traffic beeinflusst haben.
Hier bedarf es auf jeden Fall weiterer Tests, wir bleiben neugierig.
Teste das Modell doch mal mit Deinen eigenen Daten und lass Dir Zeiträume aus der Vergangenheit "vorhersagen", deren Ergebnisse Du bereits kennst. Aber behalte dabei im Blick, was in den Zeiträumen passiert, das den Traffic beeinflussen kann. Um saisonale Effekte zu modellieren, braucht man mehrere Zyklen der Saisonalität in den Trainingsdaten. Achte insbesondere auf Dinge wie bewegliche Feiertage (ich spreche aus Erfahrung).
Probiere es gerne mal selber aus, hier findest Du die Anleitung.