Was ist Künstliche Intelligenz?

Überblick

Künstliche Intelligenz (KI) bezeichnet technische Systeme, die Aufgaben ausführen können, für die Menschen normalerweise Denken, Wahrnehmen oder Entscheiden benötigen. Dabei arbeitet KI nicht wie das menschliche Gehirn, sondern basiert auf mathematischen Modellen und statistischen Verfahren, die Muster in Daten erkennen und daraus Wahrscheinlichkeiten ableiten. Diese Modelle werden seit den 1950er-Jahren entwickelt – KI ist also kein völlig neues Konzept.

Machine Learning: Wie KI aus Beispielen lernt

Ein großer Teil der heutigen KI basiert auf Machine Learning. Dabei werden Systeme nicht durch feste Regeln programmiert, sondern sie lernen aus vielen Beispielen. Das heißt: Statt einzeln festzulegen, wie etwas zu erkennen ist, zeigt man der KI sehr viele Daten – und sie findet selbstständig Muster. 

Ein einfaches Beispiel ist der Spamfilter im E-Mail-Postfach. Damit ein System Spam von regulären Nachrichten unterscheiden kann, wird es mit zahlreichen E-Mails trainiert – echten Nachrichten und als Spam markierten. Durch diesen Vergleich erkennt die KI statistische Muster, etwa typische Betreffzeilen, bestimmte Formulierungen, ungewöhnliche Absender oder wiederkehrende Textstrukturen.  Die KI „versteht“ nicht, worum es in der E-Mail geht und sie weiß auch nicht, was Spam bedeutet. Sie erkennt lediglich: Diese neue E-Mail ähnelt statistisch denen, die im Training als Spam markiert waren.

Machine Learning ist seit vielen Jahren in vielen Bereichen integriert und arbeitet oft im Hintergrund, ohne dass wir es bemerken: Machine Learning begegnet uns schon seit vielen Jahren im Alltag – oft, ohne dass wir es bewusst wahrnehmen. Streaming-Plattformen wie Netflix oder Spotify nutzen es, um aus unserem bisherigen Verhalten passende Empfehlungen abzuleiten. Im Online-Banking helfen lernende Systeme dabei, betrügerische Transaktionen zu erkennen, indem sie ungewöhnliche Muster identifizieren. Navigationsdienste berechnen Staus und Routen auf Basis zahlreicher Verkehrsdaten und früherer Bewegungsmuster. Auch Smartphones verwenden Machine Learning: etwa bei der Gesichts- oder Spracherkennung oder wenn Fotos automatisch sortiert werden. Selbst automatische Übersetzungsdienste greifen auf ähnliche Verfahren zurück, um Texte verständlich in andere Sprachen zu übertragen.

Warum steht KI heute so im Mittelpunkt? – Was generative KI neu möglich macht

All diese Entwicklungen führten schließlich zu dem Durchbruch, der KI für viele Menschen sichtbar machte: Große Sprachmodelle wie ChatGPT, Gemini, Llama oder Claude. Sie werden mit sehr großen Mengen an Textdaten trainiert und erkennen dabei Muster in der Sprache – etwa, wie Sätze aufgebaut sind oder wie Begriffe miteinander in Beziehung stehen. Sprachmodelle „verstehen“ Inhalte nicht im menschlichen Sinne, sondern berechnen statistisch, welche Formulierungen in einem bestimmten Kontext wahrscheinlich passen. Durch ihre Größe und die Vielfalt des gelernten Materials wirken ihre Antworten oft erstaunlich menschlich.

Neu ist außerdem, dass viele aktuelle Modelle nicht mehr nur Text verarbeiten, sondern mehrere Datentypen gleichzeitig: Sie können Bilder interpretieren, Tabellen oder Diagramme lesen, Code analysieren oder sogar Audio- und Videoinhalte verstehen. Diese sogenannten multimodalen Modelle eröffnen neue Einsatzmöglichkeiten – von der Textanalyse über die Programmierunterstützung bis hin zu kreativen Aufgaben wie dem Entwerfen von Konzepten oder Visualisierungen.

Zugleich gibt es neben allgemeinen Modellen inzwischen spezialisierte Varianten, etwa für medizinische, juristische oder naturwissenschaftliche Inhalte. Sie zeigen, wie vielfältig KI angewendet werden kann und wie schnell sich das Feld weiterentwickelt. Die große Aufmerksamkeit, die Sprachmodelle erhalten, liegt daher vor allem in ihrer besonderen Kombination aus Leistungsfähigkeit, Zugänglichkeit und der unmittelbaren Interaktion in natürlicher Sprache. Zum ersten Mal können Menschen ohne technisches Vorwissen direkt mit einem KI-System kommunizieren und seine Möglichkeiten im eigenen Arbeits- oder Studienalltag nutzen.

 

 

 

Grundlagen

  • Künstliche Intelligenz (KI): Überbegriff für technische Systeme, die Aufgaben ausführen, für die Menschen normalerweise Denken, Wahrnehmen oder Entscheiden brauchen.
  • Algorithmus: Ein Schritt-für-Schritt-Verfahren, das ein Problem löst oder Daten verarbeitet. KI-Modelle bestehen aus vielen solcher mathematischen Abläufe.
  • Modell: Die mathematische Struktur, die nach dem Training Muster erkennen und Vorhersagen oder Texte erzeugen kann. Ein Modell ist das „erlernte Wissen“ der KI.

Daten & Lernen

  • Trainingsdaten: Beispiele, aus denen ein KI-Modell lernt. Sie bestimmen, wie gut oder wie verzerrt ein Modell später funktioniert.
  • Machine Learning (ML): Ein Teilgebiet der KI, bei dem Systeme aus Beispielen lernen, statt durch feste Regeln programmiert zu werden.
  • Supervised Learning (überwachtes Lernen): Das Modell erhält Beispiele mit bekannten Antworten (z. B. „Bild + richtige Kategorie“) und lernt, ähnliche Fälle korrekt einzuordnen.
  • Unsupervised Learning (unüberwachtes Lernen): Das Modell erhält Daten ohne vorgegebene Antworten und sucht selbstständig Muster oder Gruppen darin.
  • Neuronales Netz: Ein KI-Modell, das aus vielen verbundenen Einheiten („Neuronen“) besteht. Es ist grob an das Gehirn angelehnt und besonders gut darin, Muster in komplexen Daten zu erkennen.

Moderne KI-Modelle

  • Generative KI: KI-Systeme, die neue Inhalte erzeugen können – etwa Texte, Bilder, Audio, Code oder Video – statt nur vorhandene Daten zu analysieren.
  • Large Language Model (LLM): Sehr große Sprachmodelle, die mit riesigen Mengen an Textdaten trainiert wurden und Sprache verstehen, verarbeiten und erzeugen können.
  • Token: Kleine sprachliche Einheiten (Wörter oder Wortteile), in die Text für Sprachmodelle zerlegt wird. KI verarbeitet Texte als Folge solcher Token.
  • Transformer: Eine Modellarchitektur, die seit 2017 die Grundlage moderner KI bildet. Transformer-Modelle erkennen weitreichende Zusammenhänge und sind sehr effizient trainierbar. Fast alle heutigen LLMs basieren darauf.
  • Multimodalität: Die Fähigkeit moderner Modelle, verschiedene Datentypen gleichzeitig zu verarbeiten – zum Beispiel Text, Bilder, Tabellen, Audio oder Video.

Interaktion & Verhalten von KI

  • Prompt: Die Eingabe, mit der ein KI-Modell gesteuert wird – etwa eine Frage, Aufgabe, Rolle oder Anweisung. „Prompting“ bezeichnet die Kunst, solche Eingaben zielgerichtet zu formulieren.
  • Halluzination: Wenn eine KI Inhalte erzeugt, die plausibel klingen, aber falsch oder erfunden sind. Ursache ist die statistische Natur generativer Modelle.
  • Explainability (Erklärbarkeit): Der Versuch, nachvollziehbar zu machen, wie ein Modell zu einem Ergebnis kommt. Wichtig für Transparenz, Vertrauen und verantwortungsvollen Einsatz.
  • Privacy (Datenschutz): Aspekte des Schutzes personenbezogener Daten beim Einsatz von KI – etwa, ob Daten an externe Systeme gesendet oder gespeichert werden.
  • Beispiel: ChatGPT: Ein großes Sprachmodell von OpenAI. Der Name steht für „Chat Generative Pre-trained Transformer“:
    Chat → für die dialogische Nutzung
    Generative → weil es neue Inhalte erzeugt
    Pre-trained → weil es vorab mit großen Datenmengen trainiert wurde
    Transformer → die zugrunde liegende Modellarchitektur

 

Mögliche Einsatzgebiete von Generativer KI in der Arbeit

Generative Künstliche Intelligenz kann zahlreiche Aufgaben unterstützen, vereinfachen oder beschleunigen. Besonders hilfreich ist sie dort, wo Informationen strukturiert, Texte erstellt oder große Datenmengen verarbeitet werden. Im Alltag einer Universität ergeben sich dabei viele konkrete Anwendungsmöglichkeiten.

In der Forschung

  • Erstellung von Zusammenfassungen langer Fachartikel
  • Strukturierung einer Literaturrecherche, z. B. nach Themenfeldern oder Argumentationslinien
  • Generieren von Beispieldaten für Simulationen

In der Lehre

  • Entwürfe für Skripttexte, Arbeitsblätter oder Präsentationen
  • Erstellen von Beispielaufgaben in verschiedenen Schwierigkeitsstufen
  • Entwicklung unterschiedlicher Erklärungsvarianten für komplexe Inhalte
  • Automatische Formatierungen, Übersetzungen oder Vereinfachungen von Texten

In der Verwaltung

  • Vorformulieren von E-Mails, Konzeptpapieren oder Berichten
  • Strukturierung von Zusammenfassungen oder To-do-Listen
  • Vorschläge für Ablaufpläne, Prozessbeschreibungen oder FAQ-Listen

Im persönlichen Arbeitsalltag

  • Strukturieren von Ideen („Bitte ordne mir diese Punkte nach Themen“)
  • Erstellen von Gliederungen, Checklisten oder Planungsübersichten
  • Generieren von Varianten („Formuliere das neutraler / formeller / kürzer“)

Wie erkennt man, ob generative KI für eine Aufgabe geeignet ist?

Grundsätzlich gilt: Generative KI ist besonders hilfreich, wenn eine Aufgabe mindestens einen der folgenden Punkte erfüllt:

  1. Die Aufgabe ist sprachbasiert: Alles, was mit Texten zu tun hat – schreiben, strukturieren, erklären, übersetzen, kürzen, zusammenfassen – ist ein sehr gutes Einsatzgebiet.
  2. Die Aufgabe ist wiederkehrend oder zeitaufwendig: Generative KI lohnt sich besonders bei Tätigkeiten, die häufig anfallen und viel Zeit kosten.
  3. Es geht um die Analyse vieler Informationen: Generative KI kann große Textmengen schnell ordnen, clustern oder thematisch zusammenfassen.
  4. Es wird ein erster Entwurf oder eine Inspiration gebraucht: Generative KI ist ideal für „rohmaterialartige“ Arbeiten — der Mensch entscheidet anschließend.
  5. Die Aufgabe erfordert verschiedene Perspektiven: Generative KI kann Inhalte umformulieren, für andere Zielgruppen anpassen oder in verschiedenen Tonalitäten darstellen
  6. Die Aufgabe beinhaltet das Erstellen von Varianten: Generative KI kann schnell viele alternative Formulierungen oder Beispiele erzeugen.

Ebenso wichtig ist es zu erkennen, in welchen Bereichen Generative KI an ihre Grenzen stößt und nicht das geeignete Werkzeug ist:

  • Verlässliche Fakten garantieren: Generative KI erzeugt plausible Formulierungen, keine geprüften Informationen. Sie kann sich irren oder Inhalte erfinden.
  • Kontext vollständig erfassen: Generative KI hat kein eigenes Weltverständnis. Nuancen, implizite Bedeutungen oder soziale Erwartungen erkennt sie oft nicht.
  • Fachwissen ersetzen: Generative KI kann erklären und formulieren, aber sie kann nicht tiefes Expertenwissen, wissenschaftliche Urteilsfähigkeit oder methodisches Verständnis ersetzen.
  • Rechtlich oder institutionell korrekte Entscheidungen treffen: Generative KI kennt keine juristischen Verantwortlichkeiten oder internen Regeln und darf keine verbindlichen Texte oder Entscheidungen generieren.
  • Aktuelle Entwicklungen sicher berücksichtigen: Generative KI arbeitet mit Daten aus der Vergangenheit; neue Informationen kennt sie nur, wenn sie ausdrücklich bereitgestellt werden.
  • Verantwortung übernehmen: Generative KI kann keine Folgen abwägen oder Entscheidungen moralisch oder ethisch einbetten.
  • Eindeutige Interpretation mehrdeutiger Informationen: Generative KI kann Muster „sehen“, wo keine sind, oder wichtige Details übersehen.
  • Vertrauliche oder personenbezogene Daten sicher verarbeiten: Viele Modelle senden Eingaben an externe Server – daher dürfen sensible Daten nicht ungeprüft eingegeben werden.

Chancen und Risiken beim Einsatz von KI

Künstliche Intelligenz eröffnet eine Vielzahl neuer Möglichkeiten, um Arbeitsprozesse zu unterstützen, Wissen zugänglicher zu machen und komplexe Aufgaben effizienter zu bewältigen. KI kann große Mengen an Informationen schneller analysieren als Menschen, Texte strukturieren, Daten ordnen oder erste Entwürfe für Berichte und Präsentationen liefern. Dadurch entsteht Raum für anspruchsvollere Tätigkeiten – etwa für Forschung, konzeptionelle Aufgaben oder persönliche Kommunikation. In der Wissenschaft ermöglicht KI etwa die schnellere Suche nach relevanter Literatur oder das Erkennen von Mustern in Datensätzen. In der Lehre kann sie dabei helfen, Materialien aufzubereiten, Beispiele zu generieren oder unterschiedliche Schwierigkeitsstufen für Übungen zu entwickeln. Auch in der Verwaltung bietet KI Potenzial, etwa indem sie Informationen sortiert, wiederkehrende Aufgaben vorbereitet oder Prozesse übersichtlicher macht.

Gleichzeitig bringt der Einsatz von KI Risiken mit sich, die ein reflektiertes und verantwortungsbewusstes Vorgehen erfordern. KI kann Fehler machen, Inhalte erfinden oder Zusammenhänge falsch darstellen. Da sie aus bestehenden Daten lernt, übernimmt sie auch deren Lücken und Verzerrungen – sogenannte Bias. Das kann etwa dann entstehen, wenn bestimmte Gruppen in Trainingsdaten unterrepräsentiert sind, stereotype Muster häufiger vorkommen oder bestimmte Perspektiven fehlen. Solche Verzerrungen spiegeln nicht die objektive Welt wider, sondern die Daten, auf denen die Modelle trainiert wurden. Daher müssen KI-Ausgaben stets kritisch geprüft und nicht ohne weiteres übernommen werden. Hinzu kommt, dass große Modelle oft nicht transparent offenlegen, auf welchen Daten sie basieren oder wie genau ihre Ergebnisse zustande kommen. Dadurch ist es manchmal schwierig einzuschätzen, wie verlässlich bestimmte Aussagen sind oder welche Annahmen dahinterstehen. Auch datenschutzrechtliche Fragen spielen eine Rolle, insbesondere wenn personenbezogene Informationen verarbeitet oder in externe Systeme eingegeben werden sollen.

Insgesamt gilt: KI kann ein wertvolles Werkzeug sein, wenn ihre Stärken genutzt und ihre Grenzen bewusst berücksichtigt werden. Chancen und Risiken müssen gleichzeitig beachtet werden – so kann KI Arbeitsprozesse sinnvoll erweitern, ohne unkritisch Entscheidungen zu beeinflussen oder neue Ungleichheiten zu verstärken.

Prof. Dr. Charlotte Köhler

Haben Sie Ideen, Fragen oder Anregungen? Melden Sie sich gerne.