Was ist Künstliche Intelligenz?

Was bedeutet Künstliche Intelligenz?

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das Systeme entwickelt, die Aufgaben lösen, die normalerweise menschliche Intelligenz erfordern. Der englische Begriff lautet Artificial Intelligence (AI) — beide Abkürzungen bezeichnen dasselbe.

Der Begriff entstand 1956 an der Dartmouth Conference in den USA. Dort formulierten Forscher erstmals die Idee, Maschinen das Denken beizubringen.

Heute erkennen KI-Systeme Muster in Daten, treffen Vorhersagen und erzeugen neue Inhalte.

Funktionsweise

Wie funktioniert KI?

KI funktioniert, indem Algorithmen große Datenmengen analysieren, Muster erkennen und daraus Regeln ableiten, die sie auf neue Situationen anwenden.

Algorithmus

Eine festgelegte Abfolge von Rechenschritten, die ein Problem löst — vergleichbar mit einem Kochrezept.

Training

Das Modell lernt aus Beispieldaten und optimiert Millionen interner Parameter über viele Durchläufe.

Inferenz

Das trainierte Modell wendet sein Wissen auf neue, unbekannte Daten an und liefert Ergebnisse.

Kategorien

Welche Arten von KI gibt es?

KI lässt sich in drei Stufen einteilen: schwache KI, starke KI und Superintelligenz. Alle heutigen Anwendungen — von ChatGPT bis zur Bilderkennung — sind schwache KI.

Schwache KI (Narrow AI) löst eine spezifische Aufgabe. Ein Schachcomputer spielt Schach, kann aber keine E-Mails schreiben.

Starke KI (General AI) könnte beliebige kognitive Aufgaben auf menschlichem Niveau bewältigen — sie existiert bisher nicht. Superintelligenz würde menschliche Intelligenz in allen Bereichen übertreffen und bleibt ein theoretisches Konzept.

Klassifikation

Welche Stufen von KI gibt es?

Neben der Einteilung in schwach und stark unterscheidet die Forschung vier funktionale Stufen von KI-Systemen.

Reaktive Maschinen

Reagieren nur auf aktuelle Eingaben ohne Erinnerung — etwa IBMs Schachcomputer Deep Blue.

Limited Memory

Nutzen vergangene Daten für Entscheidungen — selbstfahrende Autos und ChatGPT arbeiten so.

Theory of Mind

Könnte menschliche Emotionen und Absichten verstehen — existiert noch nicht.

Self-Awareness

Hätte ein eigenes Bewusstsein — rein hypothetisch.

Maschinelles Lernen

Was ist Machine Learning?

Machine Learning (maschinelles Lernen) ist ein Teilbereich der KI, bei dem Algorithmen aus Daten lernen und sich verbessern, ohne explizit programmiert zu werden. Es bildet die Grundlage für die meisten modernen KI-Anwendungen.

Statt feste Regeln vorzugeben, zeigt man dem Algorithmus Beispiele. Er erkennt selbstständig Muster und leitet daraus Regeln ab.

Der Unterschied zur klassischen Programmierung: Ein Entwickler schreibt keine Wenn-Dann-Logik, sondern definiert ein Lernziel.

Training

Welche Lernmethoden nutzt KI?

KI-Systeme nutzen drei grundlegende Lernmethoden, die je nach Aufgabe und Datenlage zum Einsatz kommen.

Überwachtes Lernen

Das Modell trainiert mit Daten, bei denen die korrekten Antworten bekannt sind — etwa Bilder mit dem Label „Katze" oder „Hund".

Unüberwachtes Lernen

Das Modell findet selbstständig Strukturen in Daten ohne vorgegebene Labels — etwa Kundengruppen mit ähnlichem Kaufverhalten.

Verstärkendes Lernen

Das Modell lernt durch Belohnung und Bestrafung — ein Roboter übt Greifen und erhält positives Feedback bei Erfolg.

Tiefes Lernen

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learning, der künstliche neuronale Netze mit vielen Schichten verwendet, um komplexe Muster zu erkennen. Es steckt hinter ChatGPT, Bildgeneratoren und Spracherkennung.

Der Transformer — eine 2017 entwickelte Architektur — verarbeitet Texte parallel statt sequenziell. Er bildet die Basis für GPT, Claude und Gemini.

Architektur

Was sind neuronale Netze?

Neuronale Netze sind dem menschlichen Gehirn nachempfunden. Künstliche Neuronen empfangen Signale, verrechnen sie und geben das Ergebnis an die nächste Schicht weiter.

Ein neuronales Netz besteht aus einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht. Je mehr Schichten, desto komplexere Zusammenhänge kann das Netz erlernen.

Sprachmodelle

Was sind Large Language Models?

Large Language Models (LLMs) sind KI-Modelle, die auf riesigen Textmengen trainiert werden, um menschliche Sprache zu verstehen und zu erzeugen. Bekannte Beispiele sind GPT (OpenAI), Claude (Anthropic) und Gemini (Google).

Token

Die kleinste Einheit, die ein LLM verarbeitet — ein Wort, eine Silbe oder ein Satzzeichen.

Kontextfenster

Die maximale Textmenge, die ein LLM gleichzeitig verarbeiten kann — aktuell bis zu zwei Millionen Token.

RLHF

Menschliche Bewerter sortieren Antworten nach Qualität — so lernt das Modell, hilfreiche Ergebnisse zu bevorzugen.

Prompts

Was ist Prompt Engineering?

Prompt Engineering beschreibt die Praxis, Eingaben für KI-Modelle so zu formulieren, dass sie präzise und nützliche Ergebnisse liefern. Die Qualität des Prompts beeinflusst direkt die Qualität der Antwort.

Ein guter Prompt definiert Rolle, Kontext, Format und Einschränkungen für das Modell. Statt „Schreibe einen Text" funktioniert „Du bist Texter für B2B-Software. Schreibe eine Produktbeschreibung in 100 Wörtern." deutlich besser.

Inhalte erzeugen

Was ist generative KI?

Generative KI erzeugt neue Inhalte — Texte, Bilder, Code, Musik oder Videos. Sie lernt aus Trainingsdaten, welche Muster typisch sind, und produziert ähnliche, aber eigenständige Ergebnisse.

ChatGPT schreibt Texte, DALL-E generiert Bilder, GitHub Copilot vervollständigt Code. Im Unterschied zur analytischen KI, die bestehende Daten auswertet, erschafft generative KI etwas Neues.

Der Durchbruch kam Ende 2022, als ChatGPT innerhalb von zwei Monaten 100 Millionen Nutzer erreichte.

Agenten

Wie funktionieren KI-Agenten?

KI-Agenten sind Systeme, die eigenständig Aufgaben planen, ausführen und bei Bedarf externe Werkzeuge nutzen. Im Unterschied zu Chatbots reagieren sie nicht nur auf Eingaben, sondern handeln proaktiv.

Ein KI-Agent kann mehrstufige Workflows abarbeiten — etwa Daten recherchieren, analysieren und einen Bericht erstellen. Unternehmen setzen KI-Agenten für Kundensupport, Datenverarbeitung und Prozessautomatisierung ein.

Alltag

Wo begegnet uns KI im Alltag?

Die meisten Menschen nutzen KI täglich, ohne es bewusst wahrzunehmen — in Sprachassistenten, Navigations-Apps, E-Mail-Filtern und Produktempfehlungen.

Sprachassistenten

Siri, Alexa und Google Assistant verstehen gesprochene Befehle und führen Aktionen aus.

Streaming

Netflix und Spotify analysieren das Nutzungsverhalten und empfehlen passende Inhalte.

Medizin

KI analysiert Röntgenbilder und unterstützt Diagnosen mit Mustererkennung.

Navigation

Google Maps berechnet Routen auf Basis von Echtzeit-Verkehrsdaten und historischen Mustern.

Unternehmen

Wie kann man KI im Unternehmen einsetzen?

KI-Tools automatisieren Routineaufgaben und schaffen Kapazitäten für strategische Arbeit. Welche KI Use Cases den größten Hebel bieten, hängt von Branche und Prozessen ab.

Wie KI im Mittelstand konkret eingesetzt wird, zeigt der Praxisüberblick mit Anwendungsfeldern und Einstiegspunkten.

Kundensupport

Chatbots beantworten Standardanfragen rund um die Uhr und eskalieren komplexe Fälle an Mitarbeiter.

Datenanalyse

KI erkennt Muster in Verkaufszahlen, Kundenverhalten und Marktdaten schneller als manuelle Auswertung.

Content-Erstellung

Sprachmodelle entwerfen Texte, Zusammenfassungen und Übersetzungen in Sekunden.

Risiken

Welche Risiken gibt es bei künstlicher Intelligenz?

KI-Systeme erzeugen gelegentlich falsche Informationen, die plausibel klingen. Dieses Phänomen heißt Halluzination — es entsteht, weil Sprachmodelle Wahrscheinlichkeiten berechnen und keine Fakten prüfen.

Bias ist ein weiteres Risiko. Wenn Trainingsdaten bestimmte Gruppen unterrepräsentieren, spiegelt das Modell diese Verzerrung in seinen Ergebnissen wider.

Ein Bewerbungssystem könnte bestimmte Kandidaten systematisch benachteiligen. Gegenmaßnahmen sind diverse Trainingsdaten, regelmäßige Audits und menschliche Kontrolle.

Neben Halluzinationen und Bias zählen Cyberangriffe, Energieverbrauch und regulatorische Pflichten zu den zentralen KI-Risiken für Unternehmen.

Grenzen

Was kann KI nicht?

KI besitzt kein Bewusstsein, kein Verständnis und keine Absichten — sie berechnet Wahrscheinlichkeiten auf Basis statistischer Muster.

Kein Weltwissen

KI kennt nur, was in ihren Trainingsdaten steht — aktuelle Ereignisse fehlen ohne Webzugriff.

Kein logisches Denken

KI simuliert Schlussfolgerungen, versteht aber keine Kausalität im menschlichen Sinne.

Energieverbrauch

Training und Betrieb großer Modelle verbrauchen erhebliche Mengen an Strom und Rechenressourcen.

Recht

Wie reguliert die EU künstliche Intelligenz?

Der EU AI Act ist das erste umfassende KI-Gesetz weltweit. Er teilt KI-Anwendungen in vier Risikokategorien ein — von minimal bis inakzeptabel.

Je höher das Risiko, desto strenger die Anforderungen an Transparenz, Sicherheit und Dokumentation.

Parallel gelten die bestehenden Datenschutzregeln der DSGVO. KI-Modelle benötigen große Datenmengen für das Training, die DSGVO fordert Datenminimierung. Unternehmen müssen beide Regelwerke aktiv berücksichtigen.