Im Projektmeeting fallen die Begriffe im Minutentakt. Die Vertriebsleitung möchte „mit KI“ Angebote schneller schreiben, die IT spricht von einem Sprachmodell, der Dienstleister von Deep Learning, und in der Präsentation steht „generative KI“. Alle nicken. Ob alle dasselbe darunter verstehen, ist eine andere Frage.

Die Begriffe sind kein Synonym-Salat, sondern beschreiben Ebenen, die aufeinander aufbauen: Künstliche Intelligenz ist das Forschungsfeld, maschinelles Lernen ein Weg dorthin, Deep Learning eine Spielart davon, und große Sprachmodelle wie ChatGPT sind eine bestimmte Anwendung von Deep Learning. Wer diese Schichten auseinanderhalten kann, versteht schneller, warum ChatGPT einen Vertrag eloquent zusammenfasst, aber gelegentlich einen Paragrafen erfindet.

Dieser Text geht die Schichten von außen nach innen durch und ordnet ein, was davon für Unternehmen heute zählt.

Künstliche Intelligenz ist ein Sammelbegriff, kein Verfahren

Künstliche Intelligenz (KI) bezeichnet Computersysteme, die Aufgaben lösen, für die man bisher menschliche Intelligenz brauchte: Sprache verstehen, Bilder erkennen, Entscheidungen abwägen, planen. Eine scharfe Definition gibt es nicht, und die Grenze verschiebt sich. Eine Schachsoftware galt einmal als Inbegriff von KI, heute spricht kaum jemand mehr davon.

Der Begriff selbst stammt aus den 1950er-Jahren. 1956 trafen sich Forscher zu einem Sommerworkshop am Dartmouth College in den USA, der als Geburtsstunde des Fachgebiets gilt. Lange dominierte danach ein Ansatz, den man heute symbolische KI nennt: Fachleute schrieben Wissen als Regeln auf, etwa in den Expertensystemen der 1980er-Jahre, die aus Wenn-dann-Regeln medizinische Diagnosen oder Konfigurationen ableiteten. Das funktionierte in eng umrissenen Bereichen, scheiterte aber an allem, was sich nicht sauber in Regeln fassen lässt. Wie beschreibt man in Regeln, woran man eine Katze auf einem Foto erkennt?

Ein großer Teil dessen, was heute als KI bezeichnet wird, beruht deshalb auf einem anderen Prinzip: Die Software leitet die Regeln selbst aus Beispielen ab. Regelbasierte Systeme sind trotzdem nicht verschwunden. Sie stecken etwa in Steuerberechnungen, Prüfregeln für Formulare oder Produktkonfiguratoren, wo Nachvollziehbarkeit wichtiger ist als Flexibilität.

Maschinelles Lernen: Regeln aus Beispielen

Maschinelles Lernen (Machine Learning, ML) ist der Teil der KI, in dem Programme aus Daten lernen, statt ausdrücklich programmiert zu werden. Ein Spamfilter bekommt tausende Mails, die als erwünscht oder unerwünscht markiert sind, und stellt daraus selbst ein, welche Merkmale auf Spam hindeuten. Das Ergebnis ist ein Modell: eine Rechenvorschrift mit vielen eingestellten Zahlenwerten, den Parametern, die für neue Mails eine Einschätzung ausgibt.

Man unterscheidet drei Grundformen. Beim überwachten Lernen kennt das Training die richtige Antwort zu jedem Beispiel, beim unüberwachten Lernen sucht das Verfahren selbst nach Strukturen, beim bestärkenden Lernen lernt es durch Belohnung für gelungene Handlungen. Wie ein Modell dabei konkret seinen Fehler misst und Schritt für Schritt verkleinert, erklärt der Beitrag Maschinelles Lernen: Wie ein Computer aus Daten lernt an einem durchgerechneten Beispiel.

Für diesen Überblick genügt ein Punkt: Klassisches maschinelles Lernen arbeitet in Unternehmen oft unauffällig im Hintergrund, bei Absatzprognosen, Betrugserkennung oder Empfehlungen im Webshop. Es ist meist auf eine einzige, eng definierte Aufgabe trainiert und mit eigenen Daten des Unternehmens.

Deep Learning und neuronale Netze

Deep Learning ist eine Form des maschinellen Lernens, die mit künstlichen neuronalen Netzen arbeitet. Ein solches Netz besteht aus vielen Schichten einfacher Recheneinheiten. Jede Einheit nimmt Zahlen entgegen, gewichtet sie, summiert sie und gibt ein Ergebnis an die nächste Schicht weiter. „Tief“ heißt das Lernen, weil viele solcher Schichten hintereinanderliegen. Die Verbindung zum Gehirn ist eher ein historisches Bild als eine echte Nachbildung.

Der entscheidende Unterschied zum klassischen ML: Bei einem Spamfilter oder einer Absatzprognose legen Menschen meist fest, welche Merkmale das Modell bekommt. Ein tiefes Netz lernt die Merkmale aus Rohdaten selbst. Bei Fotos erkennen die ersten Schichten etwa Kanten und Farbübergänge, spätere Schichten Formen und ganz am Ende Objekte wie ein Gesicht oder ein Verkehrsschild.

Die Idee neuronaler Netze ist alt, der Durchbruch kam erst Anfang der 2010er-Jahre. Drei Dinge kamen zusammen: große beschriftete Datensätze, Grafikprozessoren, die die nötigen Rechnungen massiv parallel ausführen, und verbesserte Trainingsverfahren. 2012 gewann ein tiefes Netz namens AlexNet einen bekannten Bilderkennungswettbewerb mit deutlichem Abstand. Seitdem stecken neuronale Netze in Gesichtserkennung, Spracheingabe, maschineller Übersetzung und Qualitätskontrolle in der Fertigung.

Der Preis dafür: Tiefe Netze brauchen viele Daten und viel Rechenleistung, und ihre Entscheidungen lassen sich kaum im Einzelnen nachvollziehen. Für Tabellendaten wie Kundenlisten oder Maschinenprotokolle sind einfachere Verfahren oft genauso gut und leichter zu überprüfen.

Vom Transformer zu ChatGPT: wie Sprachmodelle entstehen

2017 stellten Forschende von Google eine neue Netzarchitektur vor, den Transformer. Sein Kern ist ein Mechanismus namens Attention, der bei jedem Wort berücksichtigt, welche anderen Wörter im Text dafür wichtig sind. Im Satz „Die Bank lehnte den Kredit ab, weil sie zu viele Risiken sah“ hilft er, „sie“ der Bank zuzuordnen. Transformer lassen sich außerdem gut parallel auf vielen Grafikprozessoren trainieren. Das machte sehr große Modelle praktisch möglich.

Ein großes Sprachmodell (Large Language Model, LLM) ist ein Transformer, der mit riesigen Textmengen trainiert wurde. Das Training läuft grob in drei Stufen:

1. Vortraining: Das Modell liest Texte aus dem Netz, Büchern und Code und lernt dabei eine einzige Aufgabe: das jeweils nächste Textstück vorherzusagen. Diese Textstücke heißen Tokens, oft ein Wort oder ein Wortteil. Um diese Aufgabe gut zu lösen, muss das Modell sehr viel über Grammatik, Fakten und Zusammenhänge in seinen Parametern speichern.
2. Feinabstimmung: Mit Beispielen von Fragen und guten Antworten lernt das Modell, Anweisungen zu folgen, statt einfach irgendeinen Text fortzusetzen.
3. Lernen aus Rückmeldungen: Menschen bewerten Antworten, und das Modell wird mit bestärkendem Lernen darauf trainiert, die besser bewerteten Antworten zu bevorzugen. Das Verfahren heißt Reinforcement Learning from Human Feedback (RLHF).

ChatGPT von OpenAI ist eine Chat-Anwendung auf Basis solcher Modelle. Sie erschien im November 2022 und machte Sprachmodelle schlagartig einem breiten Publikum bekannt. Inzwischen gibt es eine ganze Reihe vergleichbarer Systeme, etwa Claude von Anthropic, Gemini von Google oder Copilot von Microsoft, außerdem Modelle mit frei verfügbaren Gewichten wie Llama von Meta oder die von Mistral AI aus Frankreich, die Unternehmen auch auf eigenen Servern betreiben können. Bei Llama schließt die Lizenz Unternehmen mit Sitz in der EU allerdings von der Nutzung der multimodalen Modelle aus. Die Modellversionen wechseln in kurzen Abständen. Für das Verständnis ist das Grundprinzip wichtiger als die jeweils aktuelle Versionsnummer.

Generative KI ist der Oberbegriff für Systeme, die neue Inhalte erzeugen statt nur zu klassifizieren: Texte, Bilder, Musik, Sprache, Videos, Programmcode. Bildgeneratoren arbeiten meist mit anderen Verfahren als Sprachmodelle, beruhen aber ebenfalls auf Deep Learning. Viele aktuelle Modelle sind multimodal, sie verarbeiten also Text, Bilder und teils Audio in einem System.

Was ein Sprachmodell kann und was nicht

Aus dem Trainingsprinzip folgen Stärken und Schwächen ziemlich direkt.

Stark sind Sprachmodelle überall, wo es um Sprache und Struktur geht: Texte zusammenfassen, umformulieren, übersetzen, Entwürfe schreiben, Informationen aus unstrukturierten Dokumenten herausziehen, Code erklären und erzeugen. Angenommen, der Kundenservice eines Versandhändlers erhält täglich hunderte Mails. Ein Sprachmodell kann sie nach Anliegen sortieren und Antwortentwürfe vorschlagen. Früher hätte man dafür ein eigenes Modell trainieren müssen.

Schwach sind sie bei allem, was ein Sprachmodell nicht aus Textmustern ableiten kann:

• Halluzinationen: Ein Sprachmodell erzeugt wahrscheinlich klingende Fortsetzungen, keine geprüften Fakten. Es kann deshalb Quellen, Urteile oder Zahlen erfinden, und zwar im selben überzeugten Ton wie richtige Angaben. Verringern lässt sich das, indem man dem Modell die relevanten Dokumente mitgibt, beseitigen nicht.
• Wissensstand: Das Modell kennt nur, was bis zum Ende seines Trainings in den Daten stand. Aktuelles erfährt es nur, wenn die Anwendung eine Websuche oder eigene Dokumente anbindet.
• Kontextfenster: Die Menge an Text, die ein Modell auf einmal berücksichtigen kann, ist begrenzt, auch wenn diese Grenze stark gewachsen ist. Bei sehr langen Dokumenten gehen Details leichter verloren.
• Rechnen und Logik: Lange Rechenketten und mehrstufige Schlüsse waren lange eine Schwäche. Neuere sogenannte Reasoning-Modelle, die vor der Antwort Zwischenschritte erzeugen, sind hier deutlich besser, aber nicht fehlerfrei.

Wer weiterlesen will: Begriffe wie Reasoning-Modelle, KI-Agenten, RAG oder Vektordatenbanken, die auf dieser Grundlage aufbauen, erklärt der Beitrag KI-Wissen für Einsteiger: sieben Begriffe, die Sie kennen sollten.

Prompts: wie Sie mit einem Sprachmodell arbeiten

Die Eingabe an ein Sprachmodell heißt Prompt. Weil das Modell nur aus dem Text arbeitet, den es bekommt, hängt die Qualität der Antwort stark davon ab, was darin steht. Das geschickte Formulieren nennt man Prompt Engineering. Hinter dem großen Namen stehen meist schlichte Regeln:

• Aufgabe und Ziel nennen: „Fassen Sie diesen Vertrag für die Geschäftsführung auf einer halben Seite zusammen und markieren Sie Kündigungsfristen“ funktioniert besser als „Fass das zusammen“.
• Kontext mitgeben: Zielgruppe, Zweck, vorhandene Vorgaben. Das Modell kennt Ihr Unternehmen nicht.
• Format vorgeben: Stichpunkte, Tabelle, maximale Länge, Tonfall.
• Material statt Gedächtnis: Geben Sie die Unterlagen mit, auf die sich die Antwort stützen soll, statt sich auf das Wissen des Modells zu verlassen.
• Ergebnis prüfen und nachsteuern: Eine zweite, präzisere Anweisung ist normal und kein Zeichen, dass etwas schiefläuft.

Mit besseren Modellen ist Prompt Engineering weniger zur Geheimwissenschaft geworden. Klar formulierte Aufträge, wie man sie auch einer neuen Kollegin geben würde, bringen den größten Teil des Effekts.

Risiken und Regeln: Datenschutz, Verzerrungen, AI Act

Mit der Verbreitung generativer KI sind die Risiken konkreter geworden.

Datenschutz und Vertraulichkeit: Wer Kundendaten oder Geschäftsgeheimnisse in einen öffentlichen Chatdienst kopiert, gibt sie an einen Dritten weiter. Für personenbezogene Daten gilt die Datenschutz-Grundverordnung (DSGVO). Viele Anbieter haben Business-Tarife, in denen Eingaben laut Anbieter nicht zum Training verwendet werden. Ob das reicht, muss jedes Unternehmen mit Datenschutzbeauftragten und Auftragsverarbeitungsvertrag prüfen.

Verzerrungen: Sprachmodelle übernehmen Muster aus ihren Trainingsdaten, auch Stereotype. Bei Texten für Stellenanzeigen oder bei der Vorauswahl von Bewerbungen kann das zu Benachteiligungen führen.

Urheberrecht: Ob und wie urheberrechtlich geschützte Werke für das Training verwendet werden dürfen und wem generierte Inhalte gehören, ist in mehreren Ländern Gegenstand laufender Gerichtsverfahren. Für Unternehmen ist vor allem wichtig, generierte Texte und Bilder nicht ungeprüft als eigene Werke zu veröffentlichen.

Regulierung: Die europäische KI-Verordnung (Verordnung (EU) 2024/1689, kurz AI Act) ist seit dem 1. August 2024 in Kraft und gilt schrittweise. Seit Februar 2025 sind bestimmte Praktiken verboten, etwa Social Scoring, und Unternehmen, die KI-Systeme einsetzen, müssen Maßnahmen ergreifen, um die KI-Kompetenz ihrer Beschäftigten zu fördern. Ein bestimmtes Niveau schreibt die Verordnung seit ihrer Änderung durch den sogenannten Digital-Omnibus (Verordnung (EU) 2026/1744) im Juli 2026 nicht mehr vor. Seit August 2025 gelten Pflichten für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck, also auch für die Hersteller großer Sprachmodelle. Die Pflichten für Hochrisiko-Anwendungen, etwa in der Personalauswahl oder Kreditvergabe, hat der Digital-Omnibus verschoben: Sie gelten ab dem 2. Dezember 2027, für KI in regulierten Produkten wie Aufzügen oder Spielzeug ab dem 2. August 2028. Dieser Überblick ersetzt keine rechtliche Prüfung im Einzelfall.

Arbeitswelt: Sprachmodelle verändern vor allem Tätigkeiten mit viel Text, etwa im Kundenservice, in der Sachbearbeitung oder im Marketing. Ob daraus eher Entlastung oder Stellenabbau wird, hängt weniger von der Technik ab als davon, wie Unternehmen sie einführen.

Was Hype ist und was bleibt

Rund um KI kursieren große Versprechen. Manche Anbieter und Forscher erwarten in wenigen Jahren eine allgemeine künstliche Intelligenz (Artificial General Intelligence, AGI), die Menschen in fast allen geistigen Aufgaben ebenbürtig ist. Andere halten das für weit entfernt oder für schlecht definiert. Seriös vorhersagen lässt sich das nicht. Für Investitionsentscheidungen in Unternehmen sollte es auch keine Rolle spielen.

Realistischer ist ein Blick auf das, was bereits funktioniert. Sprachmodelle werden günstiger, schneller und lassen sich zunehmend mit Werkzeugen verbinden, etwa mit einer Suche, einer Datenbank oder einem Ticketsystem. Daraus entstehen Assistenten, die nicht nur antworten, sondern einfache Arbeitsschritte ausführen. Gleichzeitig bleiben die Grundschwächen bestehen: Ein System, das wahrscheinliche Fortsetzungen erzeugt, braucht Kontrolle, wo Fehler teuer sind.

Überschätzt wird oft, dass ein Sprachmodell jede Aufgabe allein löst. Unterschätzt wird, wie viel klassisches maschinelles Lernen, saubere Daten und gut gestaltete Abläufe weiterhin leisten. In vielen Projekten ist die beste Lösung eine Kombination.

Was das für Ihr Unternehmen bedeutet

Für die meisten Unternehmen lohnt sich der Einstieg über konkrete, textlastige Routineaufgaben: Anfragen sortieren, Protokolle zusammenfassen, Entwürfe für Standardschreiben, Recherche in eigenen Dokumenten. Dort sind die Ergebnisse leicht zu prüfen, und ein Fehler richtet wenig Schaden an.

Unsere Empfehlung: Klären Sie zuerst Regeln für den Umgang mit vertraulichen Daten und benennen Sie, wer generierte Inhalte prüft. Schulen Sie die Beschäftigten, die mit den Werkzeugen arbeiten, nicht nur in der Bedienung, sondern auch in den Grenzen. Das verlangt der AI Act ohnehin, und es verhindert die häufigsten Fehler. Einen strukturierten Einstieg in Begriffe, Chancen und Anwendungsfälle bietet das Seminar Einführung in künstliche Intelligenz.

Wer eigene KI-Anwendungen bauen will, findet im Beitrag KI-Entwicklung für Einsteiger einen praktischen Leitfaden von der ersten Idee bis zum Betrieb. Für die Entwicklung einer KI-Strategie, die Auswahl von Anwendungsfällen und die Einführung im Team gibt es auf der Seite Künstliche Intelligenz im Unternehmenseinsatz unsere Beratungs- und Seminarangebote.

Häufige Fragen zu KI, Deep Learning und ChatGPT

Ist ChatGPT dasselbe wie künstliche Intelligenz?

Nein. ChatGPT ist eine Anwendung, die auf großen Sprachmodellen beruht. Diese sind eine Form von Deep Learning, das wiederum zum maschinellen Lernen gehört, einem Teilgebiet der künstlichen Intelligenz. Bilderkennung in der Fertigung oder eine Absatzprognose sind ebenfalls KI, haben mit ChatGPT aber technisch wenig gemein.

Versteht ein Sprachmodell, was es schreibt?

Das ist umstritten und hängt davon ab, was man unter Verstehen versteht. Sicher ist: Ein Sprachmodell hat gelernt, Sprache so fortzusetzen, wie sie in seinen Trainingsdaten vorkam, und bildet dabei viele Zusammenhänge erstaunlich gut ab. Es hat aber kein eigenes Ziel und keine Möglichkeit, Aussagen an der Wirklichkeit zu überprüfen, solange ihm niemand Quellen mitgibt.

Lässt sich KI im Beruf ohne Programmierkenntnisse nutzen?

Ja. Chat-Assistenten, KI-Funktionen in Office-Programmen und Übersetzungsdienste setzen keine Programmierkenntnisse voraus. Wichtiger als Technikwissen ist, Aufgaben klar zu formulieren und Ergebnisse kritisch zu prüfen. Programmierkenntnisse werden erst nötig, wenn Sie Sprachmodelle in eigene Anwendungen oder Abläufe einbinden wollen.

Lernt ChatGPT aus den Eingaben der Nutzer?

Nicht unmittelbar: Das Modell ändert seine Parameter nicht während eines Gesprächs. Je nach Tarif und Einstellung können Anbieter Eingaben aber speichern und für das Training künftiger Modelle verwenden. In Business-Tarifen ist das laut den Anbietern meist ausgeschlossen. Prüfen Sie die Bedingungen, bevor Sie vertrauliche Inhalte eingeben.