1956
Auf der Dartmouth Conference bekommt die Idee einen Namen: Artificial Intelligence. Damals ist das vor allem ein Forschungsversprechen, noch kein Werkzeug für den Büroalltag.
Was ist Künstliche Intelligenz?
Was ist Künstliche Intelligenz?
Eine verständliche Erklärung – ohne Tech-Jargon und ohne den Versuch, aus Mathematik Magie zu machen.
Künstliche Intelligenz ist Software, die nicht jede Regel vorgegeben bekommt, sondern Muster aus vielen Beispielen lernt und auf neue Situationen anwendet. So versteht sie Sprache, erkennt Bilder und erstellt Texte. Sie denkt nicht wie ein Mensch, kann aber Aufgaben über mehrere Schritte hinweg übernehmen.
MIT / Theorie der Intelligenz
Marvin Minsky
„Marvin Minsky at OLPC“ von Sethwoodworth at English Wikipedia, taken by Bcjordan, 2008
Quelle: Wikimedia Commons · Lizenz: CC BY 3.0 · Bildnachweis
Bearbeitung: Bildlich bearbeitet (KI-gestützt) nach einem Foto von Bcjordan, CC BY 3.0. Änderungen: freigestellt, hochskaliert, Handhaltung neu erzeugt (im Originalfoto nicht vorhanden). Bearbeitet von Today is Life.
Marvin Minsky wollte verstehen, was wir eigentlich meinen, wenn wir von „Intelligenz“ sprechen. Seine Antwort war bemerkenswert modern: Intelligenz ist nicht eine einzige Fähigkeit, sondern entsteht aus vielen unterschiedlichen Prozessen. Genau das hilft beim Verständnis heutiger KI. Ein System kann Texte schreiben, Bilder erkennen oder Probleme lösen und trotzdem in anderen Bereichen völlig hilflos sein. KI muss nicht wie ein Mensch denken, um erstaunlich nützlich zu sein.
Was ist Künstliche Intelligenz?
Der Einstieg „Aufgaben, die normalerweise menschliche Intelligenz erfordern“ ist nicht falsch, aber inzwischen etwas schulbuchhaft. Er erklärt ungefähr so viel wie die Aussage, ein Auto sei ein Gegenstand, mit dem man sich fortbewegen kann. Früher konnte man sich die Sache damit noch einigermaßen bequem machen: Künstliche Intelligenz ist Software, die Sprache versteht, Bilder erkennt, Entscheidungen trifft oder Probleme löst. Das ist nicht völlig falsch. Es erklärt nur nicht mehr besonders viel.
Die OECD definiert ein KI-System heute etwas präziser als ein maschinenbasiertes System, das aus Eingaben ableitet, wie es Ergebnisse wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt. Diese Systeme können unterschiedlich selbstständig arbeiten und sich teilweise nach ihrer Einführung weiter anpassen. Klingt korrekt. Klingt allerdings auch nicht unbedingt nach etwas, das man freiwillig beim Frühstück liest. Also versuchen wir es anders.
Normale Software macht, was man ihr sagt
Seit Jahrzehnten programmieren wir Computer im Grunde nach demselben Prinzip. Wenn A passiert, mach B. Wenn der Rechnungsbetrag größer als 1.000 Euro ist, hole eine Freigabe. Wenn der Benutzer auf „Speichern“ klickt, speichere. Wenn das Passwort falsch ist, lass ihn nicht rein. Natürlich können solche Programme gigantisch kompliziert werden. Aber irgendwo hat ein Mensch beschrieben, was passieren soll.
Bei vielen heutigen KI-Systemen funktioniert das anders. Wir zeigen der Maschine sehr viele Beispiele und lassen sie daraus Strukturen und Muster lernen. Beim Machine Learning werden diese Muster also nicht vollständig als Regeln von Programmierern vorgegeben. Genau darin liegt einer der wesentlichen Unterschied zur klassischen Programmierung.
Nehmen wir eine Bilderkennung für Schädlinge. Wir könnten versuchen, einem Computer zu erklären, wie eine Bettwanze aussieht. Sechs Beine. Bestimmte Körperform. Farbe. Größe. Fühler. Das wird spätestens dann lustig, wenn das Foto unscharf ist, das Tier halb unter einer Matratzennaht sitzt und offenbar das Handbuch nicht gelesen hat. Stattdessen kann man ein Modell mit sehr vielen Bildern trainieren. Es lernt dabei statistische Merkmale und Zusammenhänge, anhand derer es ein neues Bild einordnen kann. Es „weiß“ deshalb nicht, was eine Bettwanze ist, wie ein Schädlingsbekämpfer es weiß. Aber es kann verdammt gut darin werden, eine zu erkennen.
Und dann kam die generative KI. Lange Zeit waren KI-Systeme vor allem Spezialisten. Eine KI erkannte Gesichter. Eine andere prognostizierte Absatzmengen. Eine dritte entschied, welche Werbung Ihnen gezeigt wird. Das war längst KI, auch wenn damals noch niemand morgens im Büro verkündete, man müsse jetzt dringend „AI-ready“ werden. Mit großen Sprach- und sogenannten Foundation-Modellen hat sich etwas Entscheidendes verändert. Solche Modelle werden auf sehr großen und vielfältigen Datenmengen trainiert und können anschließend für sehr unterschiedliche Aufgaben eingesetzt werden. Generative KI erzeugt dabei neue Inhalte: Texte, Bilder, Programmcode, Audio oder Video.
Das ist der Grund, warum ChatGPT nicht nur Rechtschreibfehler korrigieren kann. Ein modernes Sprachmodell kann einen Vertrag zusammenfassen, Programmcode erklären, einen Brief formulieren, Daten strukturieren, eine Stellenanzeige analysieren oder darüber diskutieren, warum Ihre neue Produktidee vielleicht doch nicht ganz so genial ist wie gestern Abend nach dem zweiten Glas Wein gedacht. Dabei sitzt allerdings kein kleines elektronisches Wesen im Rechner und denkt über Ihre Frage nach. Ein Sprachmodell arbeitet mit Wahrscheinlichkeiten und gelernten Zusammenhängen. Sehr vereinfacht gesagt berechnet es immer wieder, welche Fortsetzung im gegebenen Kontext wahrscheinlich oder passend ist. Nur macht es das auf Basis der während des Trainings gelernten Strukturen in einer Größenordnung, bei der aus diesem zunächst erstaunlich banal klingenden Prinzip Fähigkeiten entstehen, die alles andere als banal wirken.
Und genau hier entsteht ein Missverständnis. Weil das Ergebnis intelligent aussieht, unterstellen wir dem System schnell dieselbe Art von Verständnis, die wir Menschen haben. Das sollten wir besser nicht tun. Ein KI-Modell kann eine brillante Antwort geben und drei Sätze später überzeugend Unsinn erzählen. Es kann Zusammenhänge erkennen, ohne die Welt so zu erleben oder zu verstehen wie wir. Deshalb bleiben Kontrolle, Kontext und Verantwortung wichtig, insbesondere dort, wo aus einer hübschen Antwort eine echte Entscheidung wird.
Warum KI heute anders ist als früher
1997
Deep Blue schlägt Garri Kasparow im Schach. Das zeigt, dass Maschinen in klar definierten Regelwelten Menschen übertreffen können. Mit heutiger KI hat das trotzdem nur teilweise zu tun.
2011
IBM Watson gewinnt bei Jeopardy. Plötzlich wird sichtbar, dass Maschinen Sprache besser verarbeiten, als viele erwartet hatten.
2016
AlphaGo besiegt den Go-Weltmeister. Damit wird klar, dass KI auch in Bereichen stark werden kann, die nicht mehr sauber in feste Regeln zerlegt werden können.
2022
Mit ChatGPT wird KI für Millionen Menschen plötzlich direkt benutzbar. Nicht mehr nur Forscher und Konzerne: Fast jeder kann ausprobieren, was solche Modelle können.
Seit 2024
Der eigentliche Sprung liegt nicht allein in besseren Antworten. Modelle werden multimodal, bekommen Werkzeuge, greifen auf Systeme zu und bearbeiten Aufgaben über mehrere Schritte hinweg. Damit werden sie für Unternehmen im Tagesgeschäft relevant.
Häufige Fragen
Was ist Künstliche Intelligenz?
Künstliche Intelligenz ist Software, die Muster aus vielen Beispielen lernt, statt jede Regel vorgegeben zu bekommen. Damit kann sie Sprache verstehen, Bilder erkennen und Texte erstellen. Verbunden mit Werkzeugen und Unternehmensdaten kann sie ganze Arbeitsschritte übernehmen.
Kann KI wirklich denken?
Nicht so, wie Menschen denken. Ein KI-System hat kein eigenes Weltverständnis, kein Bewusstsein und auch keine Absichten. Es arbeitet mit Mustern, Wahrscheinlichkeiten und den Strukturen, die es im Training gelernt hat. Das reicht oft für erstaunlich gute Ergebnisse. Es ist aber etwas anderes als menschliches Verstehen.
Was ist der Unterschied zwischen klassischer Software und KI?
Klassische Software folgt Regeln, die Menschen vorher festgelegt haben: Wenn A passiert, mach B. KI-Modelle lernen dagegen Muster aus vielen Beispielen und können diese auf neue Situationen anwenden. Genau deshalb ist KI flexibler, aber auch schwerer vollständig vorhersehbar als klassische Software.
Ist ChatGPT schon die ganze KI-Revolution?
Nein. ChatGPT ist nur die bekannteste Oberfläche für ein großes Sprachmodell. Wirklich spannend wird es dort, wo solche Modelle mit Unternehmensdaten, Werkzeugen, Datenbanken und klaren Handlungsschritten verbunden werden. Dann geht es nicht mehr um einen Chatbot, sondern um Systeme, die Arbeit über mehrere Schritte unterstützen oder teilweise übernehmen.
Was bedeutet generative KI genau?
Generative KI erzeugt neue Inhalte statt nur vorhandene Daten zu sortieren oder zu bewerten. Das können Texte, Bilder, Audio, Video oder Programmcode sein. Der Unterschied zu älteren KI-Systemen ist wichtig: Viele frühere Modelle waren Spezialisten für genau eine Aufgabe. Generative Modelle lassen sich für sehr unterschiedliche Aufgaben einsetzen.
Warum macht KI gerade für Unternehmen so einen Unterschied?
Weil sie immer häufiger ganze Arbeitsschritte verändert, nicht nur einzelne Antworten liefert. Wenn ein System Informationen suchen, zusammenführen, formulieren, dokumentieren und den nächsten Schritt anstoßen kann, verändert das den gesamten Ablauf dahinter. Genau deshalb ist KI für Unternehmen mehr als ein neues Tool.
Wird KI Arbeitsplätze ersetzen?
Einige Tätigkeiten ja, ganze Berufe nicht automatisch. Häufiger verändert KI die Arbeit, statt sie komplett verschwinden zu lassen. Routine, Vorarbeit, Zusammenfassungen, erste Entwürfe oder einfache Entscheidungen lassen sich oft gut automatisieren. Gerade dadurch wird aber wichtiger, was Menschen besser können: einordnen, verantworten, priorisieren und mit Unsicherheit umgehen.
Ist KI gefährlich?
Sie kann es sein, wenn man ihr blind vertraut oder sie ohne Kontrolle in kritische Prozesse steckt. Ein Modell kann überzeugend falsch liegen, Vorurteile aus Trainingsdaten übernehmen oder mit sensiblen Informationen problematisch umgehen. Gefährlich ist auch die naive Vorstellung, KI liefere automatisch objektive oder sichere Ergebnisse.
Muss ein Unternehmen jetzt sofort alles auf KI umstellen?
Nein. Genau das wäre oft der falsche Reflex. Sinnvoller ist es, die eigenen Abläufe ehrlich anzuschauen und zu prüfen, wo KI tatsächlich etwas verbessert. Mal ist die richtige Antwort ein größerer Umbau, mal nur ein einzelner Prozess. Und manchmal stellt sich heraus, dass ein Problem besser mit sauberer Software oder klareren Daten gelöst wird.