Was ist KI? Künstliche Intelligenz einfach erklärt

Was ist KI? Die einfache Definition

Künstliche Intelligenz ist die Fähigkeit von Maschinen, aus Daten zu lernen und Aufgaben zu lösen, die bei Menschen Intelligenz erfordern. Dazu gehören Sprache verstehen und erzeugen, Bilder und Töne erkennen, Vorhersagen treffen, strategisch entscheiden oder kreative Inhalte erzeugen. Die zentrale Idee: Das System bekommt nicht jede Regel vorgegeben, sondern leitet seine Regeln selbst aus vielen Beispielen ab.

Stell dir vor, du bringst einem Kind bei, Katzen von Hunden zu unterscheiden. Du zeigst ihm hundert Katzen und hundert Hunde. Irgendwann erkennt es die Unterschiede — spitze Ohren, Schnurrhaare, Körperform — ohne dass du eine explizite Regel formuliert hast. Genau so funktioniert maschinelles Lernen. Der Computer sieht Tausende bis Millionen Beispiele und passt seine internen Parameter so lange an, bis er neue, unbekannte Bilder zuverlässig einordnen kann.

Der entscheidende Unterschied zur klassischen Programmierung: Ein herkömmliches Programm besteht aus Wenn-Dann-Anweisungen, die ein Mensch geschrieben hat. Ein KI-System dagegen lernt statistische Zusammenhänge aus Daten — es speichert nicht Regeln, sondern ein Muster von Gewichten, das sich beim Training verändert. Deshalb kann KI Probleme lösen, für die niemand eine explizite Regel formulieren könnte (etwa eine Katze in 10.000 verschiedenen Posen erkennen).

Für Schüler erklärt

KI ist wie ein extrem belesener Lernpartner, der Millionen Bücher gelesen hat, aber nicht versteht, was er liest. Er kann dir helfen, Aufgaben zu strukturieren oder Ideen zu sammeln — aber er macht auch Fehler. Prüfe seine Antworten, wie du einen Wikipedia-Artikel prüfen würdest.

Für Berufstätige erklärt

KI ist eine neue Kategorie von Werkzeugen — irgendwo zwischen Suchmaschine, Assistent und Fachkollege. Sie beschleunigt repetitive kognitive Aufgaben (Recherche, Entwürfe, Zusammenfassungen) um Faktor 3–10. Der Hebel liegt nicht im Ersetzen, sondern im Multiplizieren deiner eigenen Arbeit.

Für Rentner erklärt

Du kannst dir KI wie einen sehr geduldigen, digitalen Gesprächspartner vorstellen, den du alles fragen kannst — in deinen eigenen Worten, ohne Kommandozeilen. Vom Rezept über Arztbegriffe bis zum Verfassen eines Briefs: Du sprichst oder tippst, und die KI hilft dir. Kosten: oft null, immer freiwillig.

Wie funktioniert KI? Die vier Phasen in einfach

Ein KI-System entsteht in vier nachvollziehbaren Phasen. Verstehst du diese Reihenfolge, verstehst du die Mechanik jedes modernen KI-Produkts — von ChatGPT bis zur Gesichtserkennung deines Handys.

Phase 1 — Daten sammeln

Am Anfang steht ein Datensatz, der die Aufgabe repräsentiert. Willst du einen Katzenerkenner bauen, brauchst du Zehntausende bis Millionen Bilder: Katzen und Nicht-Katzen, in jedem Licht, aus jedem Winkel. Je vielfältiger und sauberer die Daten, desto besser lernt das Modell. Die berühmte Faustregel: Garbage in, garbage out — schlechte Daten führen zwingend zu einem schlechten Modell, unabhängig davon, wie ausgefeilt die Architektur ist.

Phase 2 — Trainieren

Im Training durchläuft das Modell die Daten oft Dutzende bis Hunderte Male. Bei jedem Durchlauf vergleicht es seine Vorhersage mit der Wahrheit und passt interne Gewichte minimal an. Dieses Schrittweise-Besser-Werden ist im Kern einfache Mathematik: Gradientenabstieg, bekannt seit Jahrzehnten. Modern ist nicht die Idee, sondern der Maßstab — heutige Modelle haben Milliarden bis Billionen Parameter und trainieren auf Tausenden Grafikkarten.

Phase 3 — Testen

Nach dem Training prüfst du das Modell auf Daten, die es im Training nie gesehen hat. Das ist der kritische Reality-Check: Hat es echte Muster gelernt — oder nur die Trainingsbeispiele auswendig behalten? Wenn die Leistung auf neuen Daten deutlich schlechter ist als auf Trainingsdaten, spricht man von Overfitting. Gute Systeme bestehen den Test auf einem unabhängigen Evaluationsdatensatz.

Phase 4 — Anwenden (Inferenz)

Erst jetzt geht das Modell in den Produktivbetrieb. Jede ChatGPT-Antwort, jeder Spam-Filter-Treffer, jede Gesichtserkennung ist eine Inferenz: Du gibst einen Input, das fertig trainierte Modell liefert einen Output. Training passiert einmal und dauert Wochen; Inferenz passiert milliardenfach und in Sekundenbruchteilen.

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

Diese drei Begriffe werden ständig verwechselt. Die Beziehung ist aber klar: Sie sind ineinander geschachtelt wie russische Puppen.

• Künstliche Intelligenz ist das äußerste, größte Konzept: jedes System, das intelligentes Verhalten zeigt — egal ob regelbasiert oder lernend.
• Maschinelles Lernen (ML) ist ein Teilgebiet der KI: Systeme, die aus Daten lernen, statt explizit programmiert zu werden.
• Deep Learning ist ein Teilgebiet von ML: Lernen mit tiefen neuronalen Netzen (mehreren Schichten) und großen Datenmengen.
• Large Language Models (LLMs) wie GPT oder Claude sind eine Deep-Learning-Anwendung für Sprache.

Wenn du hörst …	Denke an …
„Algorithmus”	eine Rechenvorschrift — kann, muss aber keine KI sein
„Machine Learning”	ein Modell, das aus Daten lernt (Spam-Filter, Empfehlung)
„Deep Learning”	ML mit tiefen neuronalen Netzen (Bilderkennung, Übersetzung)
„Neuronales Netz”	die Architektur, die Deep Learning antreibt
„LLM”	ein sehr großes Sprachmodell (ChatGPT, Claude, Gemini)
„Generative KI”	KI, die neue Inhalte erzeugt statt nur zu klassifizieren
„Transformer”	die Architektur hinter fast allen heutigen LLMs

Wer genauer einsteigen will, findet im Hub Maschinelles Lernen die nächste Vertiefungsebene — inklusive überwachtem, unüberwachtem und bestärkendem Lernen. Die technische Basis moderner Sprachmodelle beschreibt der Artikel zum Transformer.

Zuordnung: Was ist was?

Ordne gedanklich ein — die Auflösung steht direkt darunter:

1. Taschenrechner — KI, ML, DL oder keines?
2. Spam-Filter — KI, ML, DL oder keines?
3. ChatGPT — KI, ML, DL oder keines?
4. Schachcomputer von 1990 — KI, ML, DL oder keines?
5. iPhone-Gesichtserkennung — KI, ML, DL oder keines?
6. Netflix-Empfehlung — KI, ML, DL oder keines?

Auflösung: (1) keines — feste Rechenregeln. (2) KI + ML — lernt aus gelabelten E-Mails. (3) KI + ML + DL — Deep Learning auf Transformer-Basis. (4) KI — regelbasierte Suche ohne Lernen. (5) KI + ML + DL — Convolutional Neural Network. (6) KI + ML — Collaborative Filtering, oft auch DL.

Selbst ausprobieren: Satz klassifizieren

Tippe einen Satz. Diese Mini-Demo zählt positive und negative Schlüsselwörter und zeigt, wie ein echtes Sentiment-Modell entscheidet — mit dem Unterschied, dass echte Modelle Millionen Beispiele gesehen haben statt einer kurzen Wortliste.

Schreib einen Satz…

Analysieren

Eine echte KI wurde mit Millionen Beispielen trainiert — diese Demo nutzt nur ein paar Stichwörter. Das Prinzip ist dasselbe.

Arten von KI: Schwache KI, Starke KI, Superintelligenz

Fachleute unterscheiden drei konzeptionelle Stufen künstlicher Intelligenz. Nur eine davon existiert heute — und das ist wichtig für realistische Erwartungen.

Schwache KI (Narrow AI) — spezialisiert auf eine Aufgabe. Ein Schachcomputer, der niemanden im Schach schlägt, kann trotzdem kein Ei kochen. ChatGPT beherrscht Sprache brillant, kann aber keinen Toaster bedienen. Jedes KI-Produkt, das du heute nutzt, ist schwache KI — auch wenn das Ergebnis manchmal allgemein wirkt.

Starke KI (Artificial General Intelligence, AGI) — allgemeine Intelligenz auf menschlichem Niveau, in beliebigen Domänen. Sie existiert bisher nicht. Wann sie entsteht (oder ob überhaupt), ist eine offene Forschungsfrage mit Schätzungen von 5 bis 100+ Jahren.

Superintelligenz (ASI) — Intelligenz, die den Menschen in allen Bereichen deutlich übertrifft. Rein spekulativ. Spätestens hier verlässt die Debatte die Ingenieurwissenschaft und wird Philosophie.

Fähigkeit	Schwache KI	Starke KI	Superintelligenz
Eine Aufgabe brillant lösen	✓	✓	✓
Sich auf neue Domänen übertragen	begrenzt	✓	✓
Eigene Ziele bilden	✗	✓	✓
Selbstbewusstsein	✗	unklar	unklar
Existiert heute	✓	✗	✗

Der Merksatz: ChatGPT ist schwache KI, auch wenn es im Gespräch überraschend allgemein wirkt. Es hat keine Ziele, kein Weltmodell und kein Bewusstsein — nur eine gewaltige statistische Karte der menschlichen Sprache.

Generative KI: Die KI, die Inhalte erschafft

Klassische KI erkennt (Spam ja/nein, Katze oder Hund, positive oder negative Rezension). Generative KI dagegen erzeugt — Texte, Bilder, Audio, Video, Code. Dieser Unterschied klingt klein, ist technisch aber gewaltig und hat seit 2022 die öffentliche Wahrnehmung von KI neu geprägt.

Text (LLMs). ChatGPT, Claude, Gemini, Mistral, Llama. Sie schreiben, fassen zusammen, übersetzen, programmieren, beantworten Fragen. Grundlage: Transformer-Architektur mit Milliarden Parametern.

Bild. Midjourney, DALL·E, Stable Diffusion, Flux. Aus einer Text-Beschreibung entsteht ein völlig neues Bild. Grundlage: Diffusionsmodelle — siehe dazu die Vertiefung Diffusionsmodelle.

Audio. ElevenLabs (Stimmklone), Suno, Udio (Musik), Whisper (Transkription). Sprachsynthese ist inzwischen so gut, dass Laien echte und KI-Stimmen kaum unterscheiden.

Video. Sora, Runway, Veo, Kling. Noch teurer und rechenintensiver als Bild-KI, aber mit atemberaubendem Fortschritt. 2022 waren 4 Sekunden KI-Video ein Meilenstein — 2026 entstehen ganze Szenen.

KI im Alltag: 12 Beispiele, die du heute schon nutzt

Die meisten Menschen nutzen KI seit Jahren — ohne es zu merken. Diese zwölf Beispiele laufen im Hintergrund deines Alltags:

Eine kurze Geschichte der KI: Von Turing bis ChatGPT

KI ist keine Erfindung der 2020er. Das Feld ist älter als die meisten Menschen, die es heute nutzen. Diese Timeline zeigt die wichtigsten Wendepunkte:

• 1950 — Turing-Test. Alan Turing schlägt in Computing Machinery and Intelligence das „Imitation Game” vor: Eine Maschine gilt als intelligent, wenn ein Mensch im Chat nicht unterscheiden kann, ob er mit Mensch oder Maschine spricht.
• 1956 — Dartmouth-Konferenz. John McCarthy, Marvin Minsky und andere prägen den Begriff Artificial Intelligence. Gilt als Geburtsstunde der Disziplin.
• 1958 — Perceptron. Frank Rosenblatt baut das erste lernende neuronale Netz — einen elektromechanischen Vorläufer heutiger Deep-Learning-Modelle.
• 1966–1974 — Erster KI-Winter. Überzogene Versprechen, enttäuschende Ergebnisse, Forschungsgelder brechen weg.
• 1997 — Deep Blue schlägt Kasparov. IBMs Schachcomputer besiegt den amtierenden Weltmeister. Ein Durchbruch in Rechenkraft und Suchalgorithmen — noch nicht im Lernen.
• 2012 — ImageNet & AlexNet. Geoffrey Hintons Team gewinnt den ImageNet-Wettbewerb mit einem tiefen neuronalen Netz und halbiert den Fehler der Konkurrenz. Deep Learning wird Mainstream.
• 2016 — AlphaGo schlägt Lee Sedol. Googles DeepMind gewinnt im strategisch extrem komplexen Go-Spiel. Reinforcement Learning + Deep Learning + Selbstspiel etablieren sich.
• 2017 — „Attention Is All You Need”. Google-Forscher veröffentlichen die Transformer-Architektur. Dieses eine Paper ist die Grundlage für alles, was danach folgt.
• 2020 — GPT-3. OpenAI zeigt, dass große Sprachmodelle erstaunliche allgemeine Fähigkeiten entwickeln, sobald sie groß genug werden. Emergent Abilities werden zum Buzzword.
• November 2022 — ChatGPT Public Launch. Innerhalb von zwei Monaten: 100 Millionen Nutzer. Das schnellstwachsende Consumer-Produkt der Geschichte.
• 2023 — Multimodalität. GPT-4, Claude, Gemini verarbeiten Text, Bilder, Audio in einem Modell.
• 2024 — AI Agents. Modelle lernen, mehrere Schritte zu planen, Tools zu nutzen, im Browser zu klicken.
• 2024 — EU AI Act. Erste umfassende KI-Regulierung tritt in Kraft. Risiko-basierter Ansatz.
• 2025 — Reasoning-Modelle. OpenAIs o-Serie, Claudes Extended Thinking und andere „denken” länger, bevor sie antworten — und lösen dadurch Aufgaben, an denen ältere Modelle scheitern.

Wer tiefer einsteigen will: Der Hub Zukunft der KI schaut nach vorn.

Was KI kann — und was (noch) nicht

Die ehrlichste Einschätzung für Einsteiger:

Das kann KI heute sehr gut:

• Mustererkennung in Text, Bild, Audio — oft auf menschlichem Niveau oder darüber.
• Textproduktion in jeder gängigen Form: Zusammenfassungen, Entwürfe, Übersetzungen, Umschreibungen.
• Klassifikation großer Datenmengen in Sekunden.
• Vorhersagen aus strukturierten Daten (Wetter, Nachfrage, Preise).
• Code erzeugen und reviewen — oft auf Niveau eines Junior-Entwicklers, bei Routineaufgaben darüber.
• Sprach- und Bildsynthese in einer Qualität, die Laien kaum von Menschenwerk unterscheiden.

Das kann KI nicht oder nicht zuverlässig:

• Echte Kausalität verstehen. Sie erkennt Korrelationen, nicht Ursachen. Fragen nach dem Warum beantwortet sie oft plausibel, aber faktisch falsch.
• Bewusstsein, Gefühle, Absichten. Nichts davon existiert. Simulation ist nicht Empfindung.
• Wahrheit sicher von Halluzination trennen. LLMs haben keinen eingebauten Faktencheck. Sie sagen das statistisch wahrscheinlichste nächste Wort — nicht das wahre.
• Moralische Verantwortung übernehmen. Ein Modell kann niemanden haftbar machen. Das ist weiter Aufgabe des Menschen.
• Physische Welt intuitiv begreifen. Roboter scheitern an Aufgaben, die ein Dreijähriger löst (Moravecs Paradoxon).
• Wirklich neue wissenschaftliche Erkenntnisse gewinnen — KI kann recherchieren und synthetisieren, aber keine Theorien ex nihilo erfinden.

Warum halluziniert KI? Ein LLM wählt bei jedem Schritt das wahrscheinlichste nächste Token. Hat es zu einer Frage keine gesicherte Datengrundlage, füllt es die Lücke mit plausibel klingendem Text. Das ist kein Bug — das ist die Architektur. Deshalb gilt: Prüfe kritische Fakten immer gegen. Die Vertiefung Bias und Fairness in KI zeigt, wie systematische Verzerrungen entstehen.

Ist KI gefährlich? Chancen und Risiken realistisch

Weder die Hype-Fraktion („KI löst alle Probleme!”) noch die Panik-Fraktion („KI übernimmt die Welt!”) tragen zu einer informierten Debatte bei. Der nüchterne Blick:

Chancen.

• Medizin. Frühere Diagnose von Krebs in Bildern, Proteinstruktur-Vorhersage (AlphaFold), Medikamentenentwicklung.
• Bildung. Personalisierte Lernpfade, 24/7-Nachhilfe, Barrierefreiheit für Menschen mit Lese- oder Seh-Einschränkungen.
• Klimaforschung. Bessere Klimamodelle, Optimierung von Stromnetzen, Materialforschung für Batterien.
• Produktivität. Studien zeigen 20–40 % Zeitersparnis bei Wissensarbeit durch KI-Assistenz.
• Barrierefreiheit. Live-Untertitel, Sprachsynthese, automatische Übersetzung öffnen Inhalte für Milliarden Menschen.

Risiken.

• Bias. KI-Modelle übernehmen Vorurteile ihrer Trainingsdaten — etwa bei Bewerbungen oder Kreditvergabe.
• Deepfakes. Täuschend echte Fake-Videos und -Stimmen unterwandern Vertrauen in Medien.
• Arbeitsplätze. Jobs ändern sich schnell. Betroffen sind besonders Text-, Übersetzungs- und einfache Analyse-Berufe.
• Missbrauch. Phishing, Betrug, automatisierte Desinformation werden günstiger und skalieren besser.
• Konzentration. Die leistungsfähigsten Modelle gehören wenigen Konzernen mit enormer Rechenkraft.
• Datenschutz. Modelle werden oft mit Daten trainiert, deren Urheber nicht zugestimmt haben.

Regulierung. Die EU hat 2024 mit dem AI Act die weltweit erste umfassende KI-Regulierung verabschiedet. Sie kategorisiert KI-Systeme nach Risiko: verboten (z. B. Social Scoring), hochriskant (Medizin, Justiz, Arbeitsmarkt — strenge Auflagen), begrenzt (Transparenzpflicht wie „Dies ist KI-generiert”) und minimal (Freiräume). In den USA setzt man stärker auf freiwillige Selbstverpflichtung, ergänzt durch Executive Orders. Weitere Details zu Risiken findest du unter Risiken der KI.

Die ehrliche Antwort auf „Ist KI gefährlich?”: Nicht die KI an sich — sondern, wie Menschen sie nutzen. Die Antwort auf schlechte Nutzung ist Aufklärung, nicht Angst.

Wie fange ich mit KI an? Dein 5-Schritte-Einstieg

Wer KI noch nie genutzt hat, kann in weniger als 30 Minuten produktiv werden. Dieser HowTo-Pfad funktioniert für jeden — unabhängig von Vorwissen oder Beruf.

Schritt 1 — Wähle ein kostenloses Tool

Du brauchst keine Installation, keine Kreditkarte. Öffne eines dieser Tools in deinem Browser:

• ChatGPT — chat.openai.com — am bekanntesten, breite Fähigkeiten.
• Claude — claude.ai — längere Texte, besonders stark bei Analyse und Schreiben.
• Gemini — gemini.google.com — gut integriert mit Google-Produkten.

Melde dich mit einer E-Mail-Adresse an. Fertig.

Schritt 2 — Formuliere einen klaren Prompt

Ein Prompt ist deine Eingabe an die KI. Je klarer, desto besser die Antwort. Eine gute Struktur:

Rolle (z. B. „Du bist Steuerberater”) + Aufgabe (z. B. „erkläre mir Kleinunternehmerregelung”) + Zielgruppe/Format (z. B. „in 3 Absätzen für jemanden ohne BWL-Studium”).

Beispiel-Prompt: „Du bist ein Ernährungscoach. Erstelle mir einen veganen Wochenplan für eine Familie mit zwei kleinen Kindern, Budget 80 € pro Woche. Gib mir pro Tag Frühstück, Mittag, Abend — als Tabelle.”

Das Prompt-Engineering ist eine eigene Disziplin — aber Grundlagen lernst du in einer Stunde.

Schritt 3 — Prüfe und hinterfrage das Ergebnis

Nimm die Antwort nicht ungeprüft. Die KI kann falsche Zahlen, falsche Jahreszahlen, falsche Zitate liefern. Prüfe alles, was wichtig ist:

• Zahlen, Fakten, Quellen → gegen eine zweite Quelle abgleichen.
• Ton und Länge → passt das zu deiner Zielgruppe?
• Lücken → fehlt etwas Wichtiges?

Schritt 4 — Frag nach, iteriere

KI-Nutzung ist kein Einzelsatz, sondern ein Gespräch. Schreib nicht einen perfekten Prompt und gib auf, wenn die Antwort nicht sitzt — präzisiere:

• „Kürzer, auf 150 Wörter.”
• „Formell umformulieren.”
• „Füge ein Beispiel ein.”
• „Erkläre, warum du das so siehst.”

Drei bis fünf Iterationen bringen meistens zehnmal bessere Ergebnisse als ein einzelner Versuch.

Schritt 5 — Wende es in deinem Alltag an

Such dir eine Aufgabe pro Woche, die du mit KI neu löst. Drei konkrete Ideen:

1. E-Mails entwerfen — „Formuliere mir eine höfliche Antwort auf diese Beschwerde: [Text].”
2. Termine vorbereiten — „Ich habe morgen ein Gespräch mit meinem Chef über Gehalt. Liste mir 5 Argumente und typische Einwände auf.”
3. Lernen — „Erkläre mir [schwieriges Thema] so, als wäre ich 14 Jahre alt — mit einer Alltagsanalogie.”

Mach das vier Wochen lang — und du wirst KI als alltägliches Werkzeug erleben, nicht als Science-Fiction.

Vertiefe dein Wissen: Die nächsten Schritte

Dieser Hub ist dein Startpunkt. Je nach Interesse geht es hier weiter:

Grundlagen verstehen

• Maschinelles Lernen — wie Modelle aus Daten lernen. Überwachtes, unüberwachtes, bestärkendes Lernen. · ~8 Min.
• Generative KI — die KI-Familie hinter ChatGPT, Midjourney und Co.: Wie aus Trainingsdaten neue Texte, Bilder und Sounds entstehen. · ~9 Min.
• Transformer — die Architektur, auf der fast alle modernen KI-Modelle beruhen. · ~10 Min.
• Diffusionsmodelle — wie Bild-KI wie Midjourney und Stable Diffusion funktioniert. · ~7 Min.

KI-Tools nutzen

• ChatGPT kennenlernen — dein Einstieg ins bekannteste LLM. · Hub-Seite.
• Midjourney — visuelle KI-Tools für Bildgenerierung. · Hub-Seite.
• Prompt-Engineering — wie du gute Prompts schreibst. · ~6 Min.
• RAG — Retrieval Augmented Generation — so bringst du eigene Daten in die KI. · ~8 Min.

KI-Quiz: Teste dein Wissen

Zehn Fragen, jeweils eine richtige Antwort. Am Ende siehst du deinen Score und bekommst Lesetipps.

Jetzt starten

KI-Glossar — 24 Schlüsselbegriffe

Begriffe filtern…

Algorithmus

Eine eindeutige Rechenvorschrift. Nicht jeder Algorithmus ist KI — aber jede KI nutzt Algorithmen.

Bias

Systematische Verzerrung in den Ausgaben eines KI-Modells, meist durch unausgewogene Trainingsdaten. · Weiterlesen

ChatGPT

Generativer Chatbot auf Basis eines Large Language Models von OpenAI. Bekanntester KI-Assistent. · Weiterlesen

Deep Learning

Maschinelles Lernen mit tiefen neuronalen Netzen. Basis moderner Bild- und Sprach-KI.

Embedding

Vektor-Darstellung eines Wortes, Satzes oder Bildes. Ähnliche Inhalte liegen im Vektorraum nah beieinander.

Fine-Tuning

Nachtrainieren eines bestehenden Modells mit spezifischen Daten für eine engere Aufgabe.

Generative KI

KI-Systeme, die neue Inhalte erzeugen (Text, Bild, Audio, Video) statt nur zu klassifizieren.

Halluzination

Plausibel klingende, aber faktisch falsche Ausgabe eines Sprachmodells.

Inferenz

Die Anwendungsphase eines trainierten Modells — jede Antwort von ChatGPT ist eine Inferenz.

KI (Künstliche Intelligenz)

Oberbegriff für Maschinen, die Aufgaben lösen, die beim Menschen Intelligenz erfordern würden.

LLM (Large Language Model)

Ein großes Sprachmodell mit Milliarden Parametern, trainiert auf riesigen Textkorpora.

Machine Learning

Teilgebiet der KI, bei dem Modelle Muster aus Daten lernen. · Weiterlesen

Modell

Das Ergebnis eines Trainings: eine Datei mit Parametern, die die gelernten Muster kodiert.

Neuronales Netz

Durch das Gehirn inspirierte Rechenarchitektur aus verbundenen „Neuronen" in mehreren Schichten.

NLP

Natural Language Processing — die Verarbeitung natürlicher Sprache durch Computer.

Prompt

Die Eingabe, mit der du ein Sprachmodell steuerst. · Weiterlesen

RAG

Retrieval Augmented Generation — Kombination aus Suche in eigenen Dokumenten und LLM-Antwort. · Weiterlesen

Reinforcement Learning

Bestärkendes Lernen: Das Modell lernt durch Belohnung und Bestrafung aus eigener Erfahrung.

Supervised Learning

Überwachtes Lernen: Modell lernt aus gelabelten Beispielen (Input + gewünschter Output).

Token

Grundbaustein eines Sprachmodells — etwa ein Wort oder Wortteil. Abrechnung erfolgt meist pro Token.

Training

Die Lernphase eines Modells. Dauert Tage bis Monate und passiert einmal pro Modellversion.

Transformer

Architektur hinter fast allen heutigen LLMs (2017 vorgestellt, „Attention is all you need"). · Weiterlesen

Turing-Test

Von Alan Turing 1950 vorgeschlagener Test: eine Maschine gilt als intelligent, wenn sie im Dialog nicht von einem Menschen unterscheidbar ist.

Unsupervised Learning

Unüberwachtes Lernen: Modell findet Muster in Daten ohne Labels (z. B. Clustering).

KI in der Praxis

• Private Nutzung — KI im Alltag, im Studium, zuhause.
• Gewerbliche Nutzung — KI im Beruf und Unternehmen.
• Chancen & Risiken — die nüchterne Gegenüberstellung.
• Datenschutz — was du beim KI-Einsatz beachten musst.
• Bias und Fairness — warum KI nicht neutral ist. · ~7 Min.
• Zukunft der KI — wohin die Reise geht. · ~9 Min.