In de evolutie van kunstmatige intelligentie, waarbij modellen steeds vaker complexe resultaten zoals computerprogramma's en wetenschappelijke bewijzen genereren, ontstaat een nieuwe discussie over waar de werkelijke economische waarde in het proces schuilt. Volgens onderzoek van Rafael Pass verschuift de focus van de output van het model naar de kwaliteit van de input. De prompts en probleemstellingen die een model naar een specifiek resultaat leiden, worden hiermee het centrale punt van waardebepaling.
Het vaststellen van de waarde van een specifieke instructie is echter een uitdaging, aangezien de menselijke bijdrage vaak indirect is. Een effectieve prompt verhoogt de kans op een correct antwoord of reduceert de benodigde rekenkracht van het model. Om dit proces meetbaar te maken, stelt Pass een benadering voor die is gebaseerd op de computationele Levin-Kolmogorov-complexiteit. Waar de klassieke informatietheorie gebruikmaakt van een universele Turingmachine, vervangt dit nieuwe model die machine door het taalmodel zelf.
Het centrale mechanisme van dit onderzoek is de introductie van de zogenaamde 'probabilistische Levin-Kolmogorov-complexiteit', aangeduid als $pKt$. Zoals uiteengezet in de publicatie op arxiv.org, wordt het denkproces van het model in dit systeem behandeld als een willekeurige tape van een programma, waarbij de computationele kosten op logaritmische wijze worden berekend. De waarde van een prompt wordt hierbij gedefinieerd als de algoritmische wederzijdse informatie in relatie tot deze $pKt$.
In praktische termen betekent dit dat een prompt met een waarde van $b$ bits het doelobject $2^b$ keer toegankelijker maakt. Dit effect kan zich op drie verschillende manieren manifesteren: de kans op succes wordt met een factor $2^b$ vermenigvuldigd, de benodigde rekenkracht wordt met dezelfde factor gedeeld, of er ontstaat een specifieke balans tussen de kans op succes en de tijd die het model nodig heeft om tot een antwoord te komen. Volgens de details in het document over is deze methode, in tegenstelling tot oudere vormen van algoritmische informatie, efficiënt schatbaar.
Om de theoretische claims te staven, is er een reproductie-experiment uitgevoerd. De resultaten hiervan laten zien dat wanneer een prompt een waarde van $b$ bits bezit, de mediane token-kosten om het resultaat zonder die specifieke input te reproduceren, $2^b$ keer hoger liggen. Dit bewijst dat de prompt een directe impact heeft op de computationele efficiëntie van het model.
Dit onderzoek biedt een wiskundig fundament voor een concept dat in het dagelijks taalgebruik vaak breed wordt geïnterpreteerd. Terwijl de algemene definitie van dictionary.com kan verwijzen naar monetaire worth, relatief belang of verdienste, vertaalt Pass dit naar een strikt computationele maatstaf. Door de intellectuele bijdrage van een mens kwantitatief vast te stellen, wordt een basis gelegd voor een economische evaluatie van de interactie tussen mens en machine.
Het werk van Pass, dat op 17 augustus 2026 werd ingediend, bevindt zich op het snijvlak van informatietheorie en computationele complexiteit. Door de mechanismen achter de effectiviteit van prompts te ontleden, biedt de studie op nieuwe inzichten in hoe menselijke sturing de prestaties van grote taalmodellen beïnvloedt.