Yann LeCun Führungsstil: Offene Wissenschaft, konträre Wetten

Eckdaten: Yann LeCun (geboren 1960 in Soisy-sous-Montmorency, Frankreich) ist seit 2013 Chief AI Scientist bei Meta, wo er FAIR (Facebook AI Research) gründete. Er ist Silver Professor am Courant Institute der NYU. In den späten 1980er Jahren co-erfand er Convolutional Neural Networks (CNNs), die Architektur, die modernes Computer Vision untermauert, und setzte LeNet für die Erkennung von Bankschecks ein. Er teilte sich den Turing Award 2018 mit Yoshua Bengio und Geoffrey Hinton für grundlegende Arbeiten im Deep Learning. LeCun förderte PyTorch gegenüber TensorFlow, unterstützte Metas Open-Source-Llama-Veröffentlichungen und ist der lautstärkste Kritiker des Feldes gegenüber AI-Doomismus und Narrativen geschlossener Modelle zur Sicherheit.

Die Open-Science-AI-Doktrin

Die Open-Science-AI-Doktrin ist die Überzeugung, dass Künstliche Intelligenz schneller, sicherer und gerechter voranschreitet, wenn Modelle, Frameworks und Forschung offen veröffentlicht werden statt hinter Unternehmensmauern gehortet zu werden. Unter dieser Doktrin wird Offenheit als Wettbewerbsstrategie behandelt — nicht als ethisches Zugeständnis — weil Ökosysteme, die rund um offene Tools aufgebaut werden, verteidigbarer werden als proprietäre Burggraben. LeCuns ergänzende konträre Haltung besagt, dass technische Führungskräfte öffentlich gegen Konsensmeinungen vorgehen müssen, wenn die Belege sie nicht stützen, selbst wenn das Narrativ für Wettbewerber kommerziell bequem ist.

Yann LeCun verbrachte den Großteil der 1990er Jahre damit, an einer Technologie zu arbeiten, die das restliche Feld weitgehend aufgegeben hatte. Convolutional Neural Networks waren rechenintensiv, theoretisch umstritten und unterfinanziert. Sein Team bei Bell Labs baute sie trotzdem, verfeinerte Backpropagation, um sie trainierbar zu machen, und setzte LeNet — ein Handschrifterkennungssystem — in US-Bankfilialen ein. Bis 1998 las LeNet rund 10 bis 20 Prozent aller in den Vereinigten Staaten verarbeiteten Schecks.

Das ist ein langer Weg zu sagen: LeCun hatte bereits bei schwierigen Dingen zu unbequemen Momenten recht. Was erklärt, warum seine aktuelle Position — dass große Sprachmodelle allein keine künstliche allgemeine Intelligenz erreichen werden und dass das Feld etwas mehr wie Weltmodelle verfolgen muss — ernst zu nehmen ist, auch wenn es für die Menschen, die diese Modelle bauen, unbequem ist.

Er teilte sich den Turing Award 2018 mit Yoshua Bengio und Geoffrey Hinton, den drei Forschern, die heute als die Paten des Deep Learning bezeichnet werden. Er hat 11 Jahre als Metas Chief AI Scientist gearbeitet, FAIR zu einem der produktivsten offenen Forschungslabore der Welt aufgebaut und PyTorch gegen TensorFlow unterstützt, als TensorFlow das volle Gewicht von Google dahinter hatte. Sein Track Record bei langen Wetten ist gut.

Führungsstil-Analyse

Das Verhältnis erklärt sowohl seinen Einfluss als auch die Reibung, die er erzeugt. Konträres Pioniertum ohne Offenheit wäre einfach schwierig zusammenzuarbeiten. Offene Wissenschaft ohne die konträre Bereitschaft, unpopuläre Positionen zu halten, produziert sichere, zitationsoptimierte Forschung. Zusammen schaffen sie einen Stil, der Felder bewegt, aber auch Brücken verbrennt.

Zentrale Führungseigenschaften

Die 3 Entscheidungen, die LeCun prägten

1. CNNs und LeNet erfinden (1989–1998) ohne Branchenunterstützung

Als LeCun 1988 als Postdoktorand bei Bell Labs ankam, arbeitete er bereits an der Anwendung von Backpropagation auf Handschrifterkennung unter Verwendung konvolutionaler Architekturen. Die Idee war technisch solide, aber praktisch schwierig. Neuronale Netze erforderten Rechenkapazität, die die Hardware der 1980er kaum unterstützte. Das Feld hatte sich nach dem ersten AI-Winter vom Konnektionismus abgewandt.

LeCun baute es trotzdem. Bis 1989 hatte er das grundlegende Paper zu CNNs veröffentlicht. Bis 1998 war die LeNet-5-Architektur die raffinierteste Version des Ansatzes — und sie lief in Produktion in Banken in den gesamten Vereinigten Staaten.

Die Führungsentscheidung hier war keine einzelne Wahl. Es war ein anhaltender Einsatz für ein Forschungsprogramm, das keinen klaren kurzfristigen kommerziellen Payoff hatte und das ein erheblicher Teil der AI-Community als Sackgasse betrachtete. Bell Labs gab ihm die Ressourcen und die Laufzeit, es zu verfolgen. Er nutzte beides ohne Entschuldigung.

Was das zeigt: Die wichtigsten technischen Wetten sehen oft Jahre lang falsch aus, bevor sie richtig aussehen. LeCun hatte das Ergebnis (LeNet in Produktion), bevor CNNs modisch wurden. Das ist ein anderer Validierungsmodus als für Konsens zu bauen. Wenn Sie eine technische Organisation leiten, fragen Sie, ob Ihr Team die Erlaubnis hat, an Dingen zu arbeiten, die zwei Jahre lang falsch aussehen werden, bevor sie richtig aussehen.

2. PyTorch-Kultur bei Facebook AI Research (FAIR) aufbauen

Als LeCun 2013 zu Facebook kam, um FAIR aufzubauen, hatte er zwei Mandate: erstklassige AI-Forschung zu produzieren und Facebook bei AI besser zu machen. Die Vereinbarung erforderte Mark Zuckerberg davon zu überzeugen, dass Forschung frei zu veröffentlichen — einschließlich Arbeit, auf der Wettbewerber aufbauen könnten — eine bessere langfristige Strategie war als sie zu horten. Zuckerberg stimmte zu, und diese Wette auf Open-Source-AI hat seitdem Metas Positionierung im Feld definiert. Er führte beides aus, indem er eine Forschungsorganisation aufbaute, die offen publizierte, akademische Talente rekrutierte, die Forschungsunabhängigkeit wollten, und die Entwicklung von PyTorch als Framework unterstützte, das Forscher — innerhalb und außerhalb von Meta — tatsächlich nutzen wollten.

Die PyTorch-Entscheidung war folgenreich. TensorFlow, von Google unterstützt, war 2015, als PyTorch startete, das dominante Forschungs-Framework. TensorFlow hatte mehr Nutzer, mehr Tutorials und ein größeres Unternehmen dahinter. LeCun und das FAIR-Team unterstützten PyTorch, weil es einen besseren dynamischen Berechnungsgraphen hatte, was das Forschen und Experimentieren erheblich schneller machte. Sie hatten recht.

Bis 2022 war PyTorch zum dominierenden Framework in der AI-Forschung geworden — in der Mehrheit der bei NeurIPS, ICML und ICLR veröffentlichten Papers verwendet. Das war kein Marketing. Es war eine technische und kulturelle Wette, dass das beste Forschungstool gewinnen würde, und dass es offen zu machen die Adoption schneller beschleunigen würde als jede geschlossene Plattform.

Das FAIR-Modell bewies auch, dass man ernsthafte akademische Forscher in ein industrielles Labor locken kann, ohne von ihnen zu verlangen, Publikationsnormen aufzugeben. Das ist schwieriger als es klingt. Die meisten Corporate-AI-Labs kämpfen mit der Spannung zwischen Erkenntnisse veröffentlichen und Wettbewerbsvorteile schützen. LeCun löste diese Spannung, indem er Offenheit zum Wettbewerbsvorteil machte.

3. Öffentlicher Widerstand gegen das Framing geschlossener Modelle zur AI-Sicherheit

In 2023 und 2024, als OpenAI und Anthropic Narrative rund um AI-Sicherheit aufbauten, die geschlossene, sorgfältig kontrollierte Modellveröffentlichungen erfordern, widersprach LeCun öffentlich und konsequent. Sein Argument hatte zwei Teile: Erstens, dass LLMs nicht die existenziellen Risiken darstellen, die behauptet werden, weil sie nicht die Architektur haben, die für wirklich autonomes, zielorientiertes Verhalten notwendig ist. Zweitens, dass Sicherheit als Rechtfertigung für geschlossene Modelle eine als Ethik verkleidete Wettbewerbsstrategie ist.

Er sagte das direkt und wiederholt. Auf X, in Interviews, in akademischen Vorträgen. Er nannte das AI-Doom-Narrativ in einem Post von 2023 „lächerlich absurd". Er argumentierte, dass Metas öffentliche Veröffentlichung von Llama sicherer war als OpenAIs geschlossener Ansatz, weil offene Modelle unabhängige Sicherheitsforschung ermöglichen, die geschlossene Modelle verhindern.

Diese Position ist tatsächlich umstritten. Kluge Menschen bei OpenAI und Anthropic sind anderer Meinung. Aber LeCuns öffentliche Haltung trieb die AI-Sicherheitsdebatte in eine Richtung, in die sie musste: hin zu empirischer Spezifität darüber, welche Schäden tatsächlich wahrscheinlich sind, statt zu allgemeinen Appellen an existenzielle Risiken.

Für Führungskräfte: Die Bereitschaft, eine Position zu benennen, die direkt dem Marketing-Narrativ eines Wettbewerbers widerspricht, ist selten und nützlich. LeCun mildert seine Kritik nicht, um Konflikte zu vermeiden. Er legt seine technische Position dar und lässt die andere Seite gegen eine spezifische Behauptung argumentieren. Das ist eine viel schwieriger zu demontierenede rhetorische Position als eine vage alternative Perspektive.

Was LeCun in Ihrer Rolle tun würde

Wenn Sie CEO sind, ist das Open-Source-Playbook direkt auf Nicht-AI-Kontexte übertragbar. LeCuns These ist, dass Dinge zu veröffentlichen mehr Vertrauen und Fähigkeit aufbaut als sie zu horten. In Ihrem Unternehmen könnte das bedeuten, Ihre Methodik zu veröffentlichen, interne Tools als Open Source zu veröffentlichen oder Forschung zu teilen, von der Wettbewerber theoretisch profitieren könnten. Der kontraintuitive Befund aus LeCuns Karriere: Offenheit schafft dauerhafteren Wettbewerbsvorteil als Geheimhaltung, weil sie Ökosysteme rund um Ihren Ansatz aufbaut, die schwieriger zu replizieren sind als der Ansatz selbst.

Wenn Sie COO sind, hat LeCuns FAIR-Modell eine operative Lektion über Talente. Er baute eine Forschungsorganisation auf, indem er klugen Menschen echte Forschungsunabhängigkeit gab — die Fähigkeit, an dem zu arbeiten, was sie interessant fanden, und es zu veröffentlichen. Ihr Operations-Team hat wahrscheinlich Menschen, die mehr leisten könnten, wenn Sie ihnen Spielraum geben würden, an Problemen zu arbeiten, die Sie nicht zugewiesen haben. Enge Aufgabenvergabe ist in stabilen Umgebungen effizient. In sich schnell verändernden ist sie ein Problem bei der Talentbindung.

Wenn Sie Product Leader sind, ist die PyTorch-Geschichte eine Product-Management-Fallstudie. PyTorch gewann nicht durch Marketing oder Enterprise-Sales, sondern indem es die tägliche Arbeit der Forscher tatsächlich besser machte. LeCun und sein Team priorisierten die Developer-Erfahrung der Menschen, die tatsächlich Modelle bauten. Wenn Ihr Produkt eine Nutzungslücke zwischen Early Adopters und breitem Einsatz hat, lautet die Frage normalerweise: Was würde das für die Person, die es täglich nutzt, wirklich besser machen, nicht nur beeindruckend in einem Demo-Call?

Wenn Sie in Sales oder Marketing sind, übersetzt sich LeCuns öffentliche Debattierstrategie in Thought Leadership mit Substanz. Er schreibt keine sorgfältigen, abgesicherten Inhalte, die Kontroversen vermeiden. Er legt eine spezifische technische Position dar und lädt Widerspruch ein. Dieser Ansatz erzeugt mehr Engagement und mehr Glaubwürdigkeit bei technisch anspruchsvollen Käufern als polierte Inhalte, die nichts Kontroverses sagen. Wenn Ihr Markt eine Orthodoxie hat, die Sie für falsch halten, das direkt zu sagen, ist eine Differenzierungsstrategie.

Wie Rework zum LeCun-Betriebsmodell passt

LeCuns Betriebslogik paart konträre technische Überzeugung mit Open-Source-Hebel: die unpopuläre-aber-korrekte architektonische Wette wählen, dann das Tooling veröffentlichen, damit das Ökosystem sich um Ihren Ansatz herum potenziert. Dieses Playbook funktioniert nur, wenn die interne Betriebsschicht so schnell bewegt wie die Forschungsschicht — wo die meisten Organisationen ins Stocken geraten. Rework ist für die Developer-First-, AI-forward-Teams gebaut, die dieses Playbook ausführen. Sein CRM und Sales Ops (12 Dollar/Nutzer/Monat) und Work-Ops-Stack (6 Dollar/Nutzer/Monat) gibt Produkt-, Forschungs- und GTM-Funktionen eine gemeinsame operative Oberfläche, ohne den geschlossenen Anbieter-Kompromiss zu erzwingen, den LeCun kritisiert. Teams liefern gegen offene Frameworks, verfolgen Adoptionssignale in Rework und halten die kommerzielle Bewegung mit technischen Wetten ausgerichtet. Für Führungskräfte, die LeCun-artige langfristige Entscheidungen treffen, ist die operative Frage nicht, welche Suite mehr Features hat — sondern welche Ihren Ingenieuren aus dem Weg geht.

Bemerkenswerte Zitate und Lektionen über den Konferenzraum hinaus

„Ich glaube nicht, dass LLMs zu AGI führen werden. Ich glaube nicht, dass sie zu Systemen führen, die schlussfolgern können, die gesunden Menschenverstand haben, die planen können, die ein dauerhaftes Gedächtnis haben oder die neue Aufgaben schnell lernen können." — Yann LeCun, Interview mit Lex Fridman, 2022.

Das ist eine spezifische, falsifizierbare Behauptung von einem der drei Menschen, die das Fundament gebaut haben, auf dem LLMs laufen. Er könnte falsch liegen. Die Timeline könnte ihn überraschen. Aber die Bereitschaft, eine spezifische, falsifizierbare Vorhersage über eine hochriskante technische Frage zu machen, ist das Gegenteil des alles-absichernden Kommunikationsstils, der den meisten Executive-Kommentaren zu AI dominiert.

In einem X-Beitrag von 2024, der auf AI-Doom-Vorhersagen antwortete, schrieb LeCun: „Bevor ein System die Welt übernehmen kann, muss es demonstrieren, dass es zuverlässig durch einen Supermarkt navigieren kann." Dieser Satz enthält mehr nützliche Kalibrierung zum Nachdenken über AI-Risiken als die meisten langen Sicherheitspapiere. Er hat ein Talent dafür, den konkreten Einwand zu finden, der abstrakten Alarm deflationiert.

Wo dieser Stil an seine Grenzen stößt

Öffentliche Konträrität ist teuer. LeCuns Fehden mit AI-Sicherheitsforschern, LLM-Enthusiasten und konkurrierenden Lab-Chefs haben ihn für manche Menschen tatsächlich schwierig in der Zusammenarbeit gemacht. Koalitionen in der Technologieforschung erfordern ein Maß an diplomatischer Zurückhaltung, das LeCun nicht immer einsetzt. Sein JEPA-Forschungsprogramm bewegt sich teilweise langsamer als die LLM-Frontier, weil es schwieriger ist, Menschen für eine Richtung zu rekrutieren, die das Feld skeptisch betrachtet.

Die Open-Source-Überzeugung hat auch echte Grenzen. Metas Llama-Veröffentlichungen beschleunigten die Fähigkeitsforschung weltweit, auch für Akteure mit weniger Sicherheitsfokus als Meta. LeCuns Ablehnung dieser Bedenken klingt gewisser als die Belege unterstützen. Und seine AGI-Skepsis, selbst wenn sie im Pfad korrekt ist, könnte beim Timing falsch liegen auf Weisen, die für die Entscheidungen vor einem gerade wichtig sind. Letztlich recht zu haben ist nicht dasselbe wie für die Entscheidungen, die jetzt vor einem liegen, recht zu haben. Fei-Fei Li und Demis Hassabis teilen beide LeCuns Deep-Learning-Wurzeln, sind aber zu anderen Positionen zu Sicherheit und Offenheit gelangt — es lohnt sich, diese als Kontrastset zu lesen.

---

Verwandte Lektüre: Andrew Ng Führungsstil, Sam Altman Führungsstil, Building AI-Ready Teams.