Im vorherigen Modul haben wir die Landkarte gezeichnet: KI, maschinelles Lernen und die großen Sprachmodelle, die in den heutigen Assistenten stecken. Dieses Modul zoomt auf jene Art von KI, über die alle sprechen — generative KI — und vermittelt Ihnen das praktische Vokabular, um souverän darüber zu sprechen. Nichts davon erfordert Mathematik. Es erfordert aber, ein paar Begriffe präzise zu verstehen, denn in genau diesen Begriffen steckt die meiste Verwirrung (und das meiste Risiko).
Prädiktive vs. generative KI
Jahrelang war KI im Unternehmen vor allem prädiktiv: Sie lieferte ein Label oder eine Zahl. Wird diese Kundin abwandern? Ist diese Transaktion Betrug? Wie hoch wird der Umsatz im nächsten Quartal? Sie speisen Daten ein und erhalten eine Antwort aus einer festen Menge von Möglichkeiten.
Generative KI ist anders. Sie erzeugt etwas Neues — einen Absatz, eine E-Mail-Antwort, eine Zusammenfassung, einen Entwurf einer Vertragsklausel — Stück für Stück. Sie wählt nicht aus einer Speisekarte; sie komponiert. Genau diese Flexibilität ist der Grund, warum sie so leistungsfähig wirkt — und zugleich der Grund, warum sie auf eine Weise scheitern kann, die prädiktive Systeme nie kannten.
Prädiktive KI beantwortet eine geschlossene Frage. Generative KI verfasst eine offene Antwort. Die Freiheit, die sie nützlich macht, ist dieselbe Freiheit, die sie selbstbewusst falsch liegen lässt.
Was ein Foundation Model ist
Ein Foundation Model ist ein einzelnes, sehr großes Modell, das breit vortrainiert wurde — auf enormen Mengen allgemeinen Texts (und manchmal Bildern oder Code) — und sich anschließend an viele verschiedene Aufgaben anpassen lässt. Dasselbe zugrunde liegende Modell kann eine E-Mail entwerfen, eine Frage beantworten, ein Dokument klassifizieren oder einen Bericht zusammenfassen.
Das Wort „Foundation" (Fundament) ist der entscheidende Punkt. Sie bauen nicht für jede Aufgabe ein neues Modell. Sie starten von einem allgemeinen Fundament und steuern es. Ein modernes großes Sprachmodell ist das vertrauteste Beispiel. Genau das macht generative KI wirtschaftlich: Das teure, allgemeine Lernen geschieht einmal, und alle bauen darauf auf.
Das praktische Vokabular
Eine Handvoll Begriffe taucht ständig auf. Lernen Sie diese fünf, und Sie können fast jedem Anbietergespräch folgen.
Tokens
Ein Modell liest keine ganzen Wörter — es zerlegt Text in Tokens, kleine Bausteine etwa von der Größe eines Wortes oder Wortteils („walking" wird vielleicht zu „walk" + „ing"). Sowohl das, was Sie eingeben, als auch das, was das Modell ausgibt, wird in Tokens gemessen und abgerechnet. Wenn Sie hören „dieses Modell hat einen Kontext von 128k", dann ist diese 128k eine Token-Zahl.
Prompts
Ein Prompt ist schlicht die Anweisung und Information, die Sie dem Modell geben — die Frage plus jeglicher Kontext, den Sie hinzufügen. Generative KI nimmt Ihren Prompt und führt ihn fort, indem sie plausible nächste Tokens vorhersagt, bis eine vollständige Antwort entstanden ist. Klarere Prompts mit relevantem Kontext liefern bessere, verlässlichere Ergebnisse. Es gibt keine verborgene Intelligenz, die Ihre Gedanken liest; es gibt nur den Text, den Sie bereitstellen.
Das Kontextfenster
Das Kontextfenster ist das Kurzzeitgedächtnis des Modells: die maximale Textmenge (in Tokens), die es auf einmal berücksichtigen kann — Ihr Prompt plus seine eigene Antwort. Alles außerhalb dieses Fensters ist für das Modell unsichtbar. Das ist in der Praxis bedeutsam: Ein Assistent kann nicht über ein 200-seitiges Handbuch nachdenken, wenn nur wenige Seiten ins Fenster passen. Diese Grenze ist einer der Gründe, warum wir die wenigen relevanten Passagen abrufen, statt alles hineinzukopieren — das Thema des nächsten Moduls über Grounding.
Embeddings
Ein Embedding verwandelt einen Textabschnitt in eine Liste von Zahlen — einen numerischen Vektor, der seine Bedeutung repräsentiert. Texte mit ähnlicher Bedeutung erhalten ähnliche Vektoren und liegen in diesem mathematischen „Bedeutungsraum" nahe beieinander. Genau das macht die Ähnlichkeitssuche möglich: Fragen Sie „Wie setze ich mein Passwort zurück", kann das System ein Dokument finden, das von „Kontozugang wiederherstellen" spricht — obwohl es kein einziges Wort mit Ihrer Frage teilt. Embeddings sind der stille Motor hinter der semantischen Suche und hinter dem Grounding einer KI in Ihren eigenen Dokumenten.
Temperatur
Temperatur ist ein Regler für Zufälligkeit. Eine niedrige Temperatur macht die Ausgabe fokussierter und deterministischer — das Modell geht auf Nummer sicher und gibt konsistente, vorhersehbare Antworten. Eine höhere Temperatur macht sie variantenreicher und kreativer. Zum Brainstorming von Slogans drehen Sie sie vielleicht hoch; um faktische Support-Fragen zu beantworten, wollen Sie sie niedrig haben, damit dieselbe Frage zuverlässig dieselbe verlässliche Antwort liefert.
Halluzination — und warum daraus Governance folgt
Hier kommt der wichtigste Gedanke dieses Moduls. Ein generatives Modell hat kein eingebautes Konzept von Wahrheit. Es wurde trainiert, plausibel klingenden Text vorherzusagen, nicht Fakten zu überprüfen. Wenn es etwas tatsächlich nicht weiß, bleibt es daher nicht still — es erzeugt die am plausibelsten aussehende Fortsetzung. Das Ergebnis kann flüssig, selbstbewusst und vollkommen falsch sein.
Dieser Fehlermodus heißt Halluzination: eine Ausgabe, die autoritativ klingt, aber von keiner echten Quelle gestützt wird. Das Modell erfindet bereitwillig eine Richtliniennummer, einen Preis oder eine Quellenangabe, denn plausiblen Text zu erfinden ist genau das, wofür es gebaut wurde.
Eine Halluzination ist kein Fehler, den man vollständig „herauspatchen" kann. Sie ist eine direkte Folge davon, wie die Technologie funktioniert — das Modell sagt wahrscheinlichen Text vorher, es prüft keine Fakten. Ihm zu sagen, es solle „genau sein", gibt ihm keine Möglichkeit zu wissen, ob es das ist.
Diese eine Tatsache verändert alles. Wenn ein Modell von sich aus Wahrheit nicht von plausibler Fiktion unterscheiden kann, dann kann Genauigkeit über Ihr Geschäft — Ihre Preise, Ihre Richtlinien, Ihre Produkte — nicht aus dem Gedächtnis des Modells stammen. Sie muss von außen kommen: aus Ihren echten Dokumenten, dem Modell im Moment der Antwort bereitgestellt, mit Quellenangaben, damit ein Mensch jede Aussage überprüfen kann.
Genau deshalb existieren Grounding und Governance. Grounding zwingt das Modell, aus freigegebenen, abgerufenen Quellen zu antworten, statt zu raten. Governance entscheidet, welche Quellen gelten, wer sie freigibt und was geschieht, wenn das Modell unsicher ist — etwa die Übergabe an einen Menschen, statt eine Antwort zu erfinden. Im Wegenty-Modell ist die interne Wissensbasis die vertrauenswürdige Obermenge, und der öffentlich zugängliche Agent antwortet ausschließlich aus einer gesteuerten Projektion davon — niemals aus dem offenen Internet. Sie können das in der Live-Demo sehen oder die Plattform erkunden, auf der es läuft.
Das nächste Modul zeigt den Mechanismus, der das in der Praxis funktionieren lässt: Retrieval-Augmented Generation. Generative KI gibt Ihnen einen bemerkenswert fähigen Texter. Grounding und Governance sind das, was diesen Texter in etwas verwandelt, dem ein KMU tatsächlich vertrauen kann.