Bevor Sie entscheiden können, ob KI in Ihr Unternehmen gehört, brauchen Sie ein belastbares mentales Modell davon, was KI eigentlich ist. Die gute Nachricht: Die Kernideen sind einfacher, als die Schlagzeilen vermuten lassen. Keine Mathematik, kein Fachjargon — nur die wenigen Konzepte, die jede Entscheiderin und jeder Entscheider kennen sollte.
KI, Machine Learning, Deep Learning: ineinander verschachtelte Ideen
Diese drei Begriffe werden gern synonym verwendet, meinen aber nicht dasselbe. Stellen Sie sich Kreise innerhalb von Kreisen vor.
- Künstliche Intelligenz (KI) ist das übergeordnete Ziel: Computer dazu zu bringen, Dinge zu tun, die normalerweise menschliche Intelligenz erfordern — Sprache verstehen, Bilder erkennen, Empfehlungen geben.
- Machine Learning (ML) ist heute der erfolgreichste Weg, dieses Ziel zu erreichen. Statt dass ein Programmierer jede Regel von Hand ausformuliert, lernt das System Muster aus Beispielen.
- Deep Learning ist eine besonders leistungsfähige Spielart des Machine Learning, die große „neuronale Netze" nutzt — lose vom Gehirn inspiriert — und die hinter den meisten KI-Anwendungen steckt, von denen Sie hören, einschließlich der Chatbots.
Jedes LLM ist also Deep Learning, jedes Deep Learning ist Machine Learning, und all das fällt unter den Oberbegriff KI.
Regeln, die Sie schreiben vs. Muster, die die Maschine lernt
Am klarsten lässt sich Machine Learning verstehen, wenn man es der alten Art der Softwareentwicklung gegenüberstellt.
In klassischer Software schreibt ein Mensch explizite Anweisungen: Wenn der Rechnungsbetrag über 1.000 € liegt, markiere ihn zur Prüfung. Jeder Fall muss vorab bedacht und von Hand programmiert werden. Das funktioniert gut bei sauberen, vorhersehbaren Problemen.
Aber wie würden Sie von Hand Regeln schreiben, um auf einem Foto eine Katze von einem Hund zu unterscheiden — oder um zu erkennen, welche Support-E-Mails verärgert sind? Sie können nicht jede Möglichkeit aufzählen. Machine Learning dreht den Ansatz um: Sie zeigen dem System Tausende gelabelter Beispiele, und es ermittelt die Muster selbst. Sie geben ihm nicht die Regeln vor — es leitet sie aus den Daten ab.
Klassische Software folgt Regeln, die ein Mensch geschrieben hat. Machine Learning entdeckt die Regeln selbst, indem es Beispiele studiert. Genau dieser eine Wechsel macht moderne KI überhaupt erst möglich.
Das erklärt auch eine Eigenheit: Ein ML-System ist immer nur so gut wie die Daten, aus denen es gelernt hat. Verzerrte oder dünne Daten erzeugen ein verzerrtes oder unzuverlässiges Modell — ein Thema, auf das wir in Verantwortungsvolle KI & der Mensch in der Schleife zurückkommen.
Large Language Models: sehr gute Vorhersager des nächsten Wortes
Ein Large Language Model (LLM) — die Technologie hinter Werkzeugen wie denen in unserer Live-Demo — ist ein Deep-Learning-System, das auf einer enormen Menge Text trainiert wurde. Im Kern tut es etwas erstaunlich Bescheidenes: Es sagt das nächste Stück Text voraus (ein „Token" — grob gesagt ein Wortfragment), immer und immer wieder, Schritt für Schritt.
Tippen Sie „Die Hauptstadt von Frankreich ist …", sagt das Modell „Paris" voraus, weil dieses Muster in seinem Trainingstext unzählige Male vorkam. Reiht man genug solcher Vorhersagen aneinander, entstehen flüssige Absätze, Zusammenfassungen und Antworten.
Das ist aus zwei praktischen Gründen wichtig:
- Ein LLM erzeugt Sprache; es schlägt nichts in einer Datenbank nach. Genau deshalb kann es eine ausgefeilte E-Mail schreiben, aber auch etwas Falsches mit voller Überzeugung behaupten — ein Verhalten, das man als Halluzination bezeichnet.
- Weil es aus Mustern arbeitet, ist die Qualität und Aktualität dieser Muster entscheidend — was uns zu der Frage führt, was ein Modell eigentlich „weiß".
Training vs. Inferenz: zwei sehr unterschiedliche Momente
Viele stellen sich vor, eine KI würde „lernen", während sie mit ihr chatten. Das ist nicht so. Es gibt zwei klar getrennte Phasen:
- Training ist der einmalige, aufwendige Prozess, in dem das Modell seine Daten studiert und sich so lange justiert, bis es gut vorhersagt. Stellen Sie es sich als die Ausbildung des Modells vor — Monate des Lernens, dann eine Abschlussprüfung.
- Inferenz ist das, was jedes Mal passiert, wenn Sie es nutzen: Sie geben eine Eingabe, und das bereits trainierte Modell erzeugt eine Ausgabe. Das Modell lernt nicht aus Ihrer Frage; es wendet an, was es bereits gelernt hat.
Eine hilfreiche Alltagsanalogie: Training ist das Medizinstudium; Inferenz ist die Ärztin, die einen Patienten behandelt. Die Ärztin geht nicht für jeden Termin zurück an die Uni — sie wendet festes Wissen auf einen neuen Fall an. Ihre vertraulichen Gespräche werden nicht klammheimlich Teil des Modells, was für die Governance beruhigend ist; es bedeutet aber auch, dass sich das Modell nicht von selbst mit Ihren aktuellen Fakten aktualisieren kann.
Überwachtes, unüberwachtes und generatives Lernen
Machine Learning gibt es in einigen Spielarten, die sich leicht daran unterscheiden lassen, wie die Beispiele aussehen.
- Überwachtes Lernen (Supervised Learning) nutzt gelabelte Beispiele — jedes mit der richtigen Antwort versehen. Zeigen Sie ihm 10.000 E-Mails, markiert als „Spam" oder „kein Spam", und es lernt, neue zu sortieren. Hauspreise aus vergangenen Verkäufen vorherzusagen funktioniert genauso.
- Unüberwachtes Lernen (Unsupervised Learning) erhält Daten ohne Labels und findet selbst Struktur darin — zum Beispiel, indem es Ihre Kundschaft in natürliche Segmente gruppiert, die niemand vorab definiert hat.
- Generative KI (die Kategorie der LLMs) lernt die Muster von Sprache oder Bildern so gut, dass sie neue Inhalte erzeugen kann, die zu diesen Mustern passen. Wir gehen darauf tiefer in Generative KI & Foundation-Modelle ein.
Warum das Modell Ihr Unternehmen nicht kennt
Hier kommt die mit Abstand wichtigste Erkenntnis für jedes KMU. Ein Modell weiß nur, was in seinen Trainingsdaten stand, bis zu einem festen Stichtag. Es hat Ihre Verträge, Ihre Preisliste, Ihr internes Handbuch oder irgendetwas, das nach diesem Stichtag veröffentlicht wurde, nie gesehen.
Ein LLM von der Stange ist brillant in allgemeiner Sprache, aber blind für Ihre internen Dokumente — sie waren schlicht nicht in seinen Trainingsdaten.
Fragen Sie ein rohes Modell nach Ihrer Rückerstattungsrichtlinie, gibt es entweder zu, dass es das nicht weiß — oder, schlimmer, es erfindet eine plausibel klingende Antwort. Das ist kein Fehler, den man mit einem „schlaueren" Modell beheben könnte — es ist eine strukturelle Tatsache. Die Lösung besteht nicht darin, ein riesiges Modell auf Ihren Dateien neu zu trainieren (langsam, teuer und ein Datenschutz-Minenfeld); sondern darin, dem Modell Ihre Dokumente genau im Moment der Antwort zur Verfügung zu stellen — unter Ihrer Kontrolle. Genau diese Technik — Retrieval-Augmented Generation — behandelt Modul 3, und sie ist das Fundament dafür, wie ein souveräner, gesteuerter Agent auf Basis Ihrer eigenen Wissensbasis antwortet.
Mit diesem mentalen Modell im Gepäck — Muster statt Regeln, Training getrennt von Inferenz und ein Modell, das mächtig, aber blind für Ihre Daten ist — sind Sie bereit, die generativen Modelle selbst und ihre Herkunft näher zu betrachten.