Was ist Künstliche
Intelligenz?
Eine Einführung.

Kaum ein Begriff wird derzeit so häufig verwendet — und so selten präzise erklärt — wie „Künstliche Intelligenz". KI wird als Allheilmittel, als existenzielle Bedrohung und als Zukunftstechnologie beschrieben, oft im selben Atemzug. Was aber steckt technisch wirklich dahinter?

Dieser Artikel richtet sich an Entscheider, Geschäftsführer und Fachkräfte, die kein Software-Engineering-Studium haben, aber verstehen wollen, worüber alle reden — und worum es bei KI im Unternehmenskontext wirklich geht.

KI, Machine Learning, Deep Learning — was ist der Unterschied?

Diese drei Begriffe sind keine Synonyme, sondern beschreiben drei ineinander verschachtelte Konzepte:

• Künstliche Intelligenz (KI) ist der Oberbegriff. Er beschreibt alle Systeme, die Aufgaben ausführen, die üblicherweise menschliche Intelligenz erfordern — Erkennen, Verstehen, Entscheiden, Erzeugen.
• Machine Learning (ML) ist ein Teilgebiet der KI. Statt explizit programmiert zu werden, lernen ML-Systeme aus Daten: Ein Algorithmus erkennt Muster in großen Datensätzen und entwickelt daraus Regeln. Kein Mensch schreibt diese Regeln — das Modell findet sie selbst.
• Deep Learning ist ein Teilgebiet des Machine Learning. Es nutzt künstliche neuronale Netze — Schichten mathematischer Funktionen, die lose an die Verarbeitung im menschlichen Gehirn angelehnt sind. Deep Learning hat in den letzten zehn Jahren die meisten Durchbrüche in Bild-, Sprach- und Texterkennung ermöglicht.

Wie lernt eine KI eigentlich?

Das Training eines KI-Modells lässt sich in drei Schritte zerlegen:

1. Daten: Das Modell bekommt riesige Mengen an Beispieldaten — Texte, Bilder, Audiodateien, Zahlenreihen. Die Qualität und Menge dieser Daten bestimmt maßgeblich, wie gut das Modell später funktioniert.
2. Training: Der Algorithmus analysiert die Daten und passt seine internen Parameter — oft Milliarden von Zahlen — so an, dass er Muster korrekt erkennt oder Ausgaben korrekt vorhersagt. Dieser Prozess läuft auf spezialisierter Hardware über Tage oder Wochen.
3. Inferenz: Das fertig trainierte Modell wird eingesetzt. Es bekommt neue, unbekannte Eingaben und erzeugt darauf basierend Ausgaben — eine Klassifikation, eine Übersetzung, einen generierten Text.

Ein wichtiger Punkt: Das Modell selbst „versteht" nichts im menschlichen Sinne. Es hat statistische Zusammenhänge in Daten gelernt und wendet diese auf neue Eingaben an. Das macht es bei manchen Aufgaben spektakulär leistungsfähig — und bei anderen überraschend fehlerhaft.

Was ist Generative KI — der Begriff hinter dem aktuellen Hype?

Lange Zeit war KI primär darauf ausgerichtet, Dinge zu erkennen: Ist das ein Hund oder eine Katze? Ist diese E-Mail Spam? Welche Kunden werden abwandern?

Generative KI kann darüber hinaus neue Inhalte erzeugen: Texte, Bilder, Code, Audio, Video. Die bekanntesten Vertreter sind große Sprachmodelle (Large Language Models, LLMs) wie GPT-4, Claude oder Gemini — Systeme, die auf Basis von Textanfragen fließende, kohärente Antworten generieren.

Was diese Modelle so besonders macht: Sie wurden nicht nur auf eine spezifische Aufgabe trainiert, sondern auf enorme Mengen allgemeinen Texts aus dem Internet, Büchern und anderen Quellen. Dadurch besitzen sie ein breites Allgemeinwissen und können flexibel auf sehr unterschiedliche Anfragen reagieren.

Was KI gut kann — und wo sie an Grenzen stößt

KI-Systeme sind heute herausragend gut bei:

• Mustererkennung in großen Datenmengen (Bilder, Texte, Signale)
• Generierung von Texten, Zusammenfassungen und Übersetzungen
• Klassifikation und Kategorisierung von Informationen
• Code schreiben und erklären
• Beantwortung von Fragen auf Basis eines vorgegebenen Kontexts

Gleichzeitig gibt es klare Grenzen, die Entscheider kennen sollten:

• Halluzinationen: LLMs können mit großer Überzeugung sachlich falsche Aussagen machen. Sie „erfinden" Fakten, wenn sie unsicher sind — ohne diese Unsicherheit immer zu signalisieren.
• Kein echtes Verständnis: KI-Modelle arbeiten mit statistischen Zusammenhängen, nicht mit Bedeutungsverständnis. In neuartigen Situationen, die im Training nicht vorkamen, versagen sie häufiger.
• Keine Aktualität: Modelle haben einen Wissensstichtag. Ereignisse nach dem Training sind ihnen unbekannt — es sei denn, sie erhalten diese Informationen explizit als Kontext.
• Keine Handlungsfähigkeit: Ein LLM allein kann nur Text generieren. Für echte Unternehmensautomatisierung braucht es eine Architektur drumherum — APIs, Agenten-Frameworks, Datenbankanbindungen.

Warum jetzt? Der Grund für den KI-Durchbruch

KI ist kein neues Konzept — erste Ansätze entstanden in den 1950er Jahren. Was sich verändert hat, ist das Zusammenspiel dreier Faktoren:

• Rechenleistung: GPUs und spezialisierte KI-Chips (TPUs) erlauben das Training von Modellen in einem Ausmaß, das vor zehn Jahren undenkbar war.
• Daten: Das Internet hat eine nie dagewesene Menge an Textdaten erzeugt, auf denen Modelle trainiert werden können.
• Architektur: Die 2017 eingeführte Transformer-Architektur hat die Leistung von Sprachmodellen sprunghaft verbessert.

Das Ergebnis: Seit 2022 stehen Systeme zur Verfügung, die per einfacher Texteingabe — dem sogenannten Prompt — genutzt werden können, ohne Programmierkenntnisse. Das hat KI erstmals wirklich massentauglich gemacht.

Fazit: Was bedeutet das für Ihr Unternehmen?

Künstliche Intelligenz ist kein magisches Allheilmittel — aber auch keine Zukunftstechnologie mehr. Sie ist ein Werkzeug: leistungsstark bei den richtigen Aufgaben, begrenzt bei den falschen.

Für Unternehmen bedeutet das: Der erste Schritt ist nicht die Technologieentscheidung, sondern die Frage, welche konkreten Probleme gelöst werden sollen. Dann ergibt sich fast von selbst, welches KI-Werkzeug passt — und ob überhaupt KI die richtige Antwort ist.