KI entdecken.
Verstehen, was dahintersteckt.
Wie erkennt eine KI ein Bild? Was unterscheidet eine Vorhersage von einem erfundenen Text? Und wann wird aus einem digitalen Helfer ein handelndes System? Hier werden die Unterschiede greifbar.
Eine Technologie verstehen,
bevor du ihr Aufgaben überlässt.
Du kannst die Seite von oben nach unten lesen oder direkt zu einer Frage springen. Jeder Abschnitt erklärt einen anderen Teil des Zusammenhangs.
KI ist der Oberbegriff.
Ein Chat ist eine mögliche Oberfläche.
Mit künstlicher Intelligenz bezeichnen wir unterschiedliche Verfahren, mit denen Computer Aufgaben bearbeiten, die etwa Erkennen, Sprache, Lernen oder Planen erfordern. Dahinter steckt kein einziges Verfahren, das alles gleichermaßen beherrscht.
Ein Modell ist der rechnerische Kern eines solchen Systems. Beim maschinellen Lernen werden seine einstellbaren Größen anhand von Beispielen angepasst. Eine Anwendung verbindet diesen Kern mit einer Oberfläche und zusätzlichen Funktionen. Dazu können eine Suche, Dateizugriff oder Bildbearbeitung gehören. Ein Ergebnis hängt deshalb nicht nur vom Modell ab, sondern auch von der gesamten Anwendung.
Das erklärt einen wichtigen Unterschied: Zwei Programme können ähnliche Modelle nutzen und sich trotzdem anders verhalten. Eines darf aktuelle Informationen abrufen, ein anderes verarbeitet nur die Eingabe. Bevor du ein Ergebnis bewertest, lohnt sich deshalb die Frage: Welche Informationen und Funktionen standen dem System überhaupt zur Verfügung?
KI und Automatisierung sind nicht dasselbe. Eine fest eingestellte Regel wie „Sende jeden Montag eine Erinnerung“ braucht nicht automatisch KI. Umgekehrt kann eine KI etwas einschätzen, ohne anschließend selbst eine Handlung auszuführen.
Erkennen, Vorhersagen, Erzeugen:
ähnlich klingend, unterschiedlich zu prüfen.
Bevor du nach einem Programm suchst, kläre, welches Ergebnis du brauchst. Diese drei Aufgabenarten helfen bei der Einordnung.
| Aufgabe | Beispiel | Woran du die Qualität prüfst |
|---|---|---|
| Zuordnen | Eine Nachricht als Anfrage, Beschwerde oder Werbung einordnen. | Stimmt die Kategorie? Welche Arten von Nachrichten werden verwechselt? |
| Einen Wert schätzen | Den voraussichtlichen Bedarf an einem Produkt für den nächsten Tag berechnen. | Wie weit liegt die Schätzung später daneben? Unter welchen Bedingungen wird sie unzuverlässig? |
| Inhalte erzeugen | Ein Plakatmotiv, eine Musikskizze oder einen Textentwurf entwickeln. | Passt der Entwurf zum Zweck? Sind Details, Aussagen und Darstellung stimmig? |
Die Zuordnung zu einer Kategorie heißt Klassifikation. Die Schätzung eines Zahlenwerts wird häufig Regression genannt. Systeme, die neue Inhalte erzeugen, gehören zur generativen KI. Ein Programm kann mehrere solcher Fähigkeiten verbinden.
Der Ausdruck „Vorhersage“ kann verwirren: In der Technik ist damit auch eine Einschätzung zu einem bereits vorhandenen Bild gemeint. Es muss also nicht um die Zukunft gehen. Entscheidend ist, welche Größe oder Zuordnung das System aus seinen Eingaben ableiten soll.
Gute Ergebnisse beginnen
lange vor deiner Eingabe.
Ein vereinfachtes Lernbeispiel: Ein System soll Bilder von Äpfeln und Birnen unterscheiden. Die Schritte zeigen das Prinzip – nicht den Aufbau jeder KI.
- 01
Beispiele zum Lernen.
Das System erhält viele Bilder mit den passenden Bezeichnungen. Beim Training werden seine Einstellungen so verändert, dass seine Zuordnungen besser zu diesen Beispielen passen. Wie die Bilder ausgewählt wurden, spielt dabei eine wichtige Rolle.
- 02
Mit anderen Bildern prüfen.
Beim Testen braucht es zusätzliche Bilder, die nicht schon als Lernbeispiele verwendet wurden. Sonst könnte ein gutes Ergebnis nur zeigen, dass bekannte Beispiele wiedererkannt werden. Das sagt noch wenig über neue Situationen aus.
- 03
Auf neue Eingaben anwenden.
Erst danach wird das Modell für neue Bilder genutzt. Diese Anwendung des gelernten Modells heißt Inferenz. Ein einzelnes hochgeladenes Foto ist deshalb nicht automatisch ein neues Training des Modells.
Stell dir vor, auf den Lernbildern liegen Äpfel meist auf weißen Tellern, Birnen dagegen auf Holz. Ein System könnte sich stärker am Hintergrund orientieren als an der Frucht. Das erfundene Beispiel zeigt, warum die Auswahl der Daten und gezielte Tests so wichtig sind.
Auch eine neue Kameraperspektive, anderes Licht oder eine ungewöhnliche Fruchtsorte können eine andere Situation erzeugen. Ein eindrucksvoller Einzelversuch genügt deshalb nicht, um Zuverlässigkeit im Alltag festzustellen. Die sinnvolle Frage lautet: Wurde das System unter Bedingungen geprüft, die seiner späteren Aufgabe entsprechen?
Eine Veranstaltung planen.
Vier Aufgaben, vier Maßstäbe.
Ein fiktiver Kulturverein möchte ein Nachbarschaftsfest veranstalten. An diesem Beispiel lässt sich erkennen, warum „Mach das mit KI“ noch keine genaue Aufgabenbeschreibung ist.
- 01
Rückmeldungen ordnen.
Der Verein hat schriftliche Wünsche gesammelt. Ein System soll sie Themen wie Musik, Essen oder Barrierefreiheit zuordnen. Dafür müssen die Kategorien verständlich sein. Bei einer Nachricht mit mehreren Wünschen könnte eine einzige Kategorie zu wenig sein.
Prüffrage: Wurden seltene, aber wichtige Anliegen übersehen? Eine große Zahl ähnlich formulierter Antworten macht andere Bedürfnisse nicht unwichtig.
- 02
Besucherzahlen schätzen.
Vergangene Veranstaltungen könnten Hinweise liefern. Doch ein anderes Datum, ein neuer Ort oder schlechtes Wetter verändern die Ausgangslage. Eine Schätzung braucht deshalb passende Daten und einen Umgang mit Unsicherheit.
Prüffrage: Wie planen wir, wenn deutlich mehr oder weniger Menschen kommen? Eine einzelne Zahl ersetzt keine Entscheidung über Reserven.
- 03
Ein Plakat gestalten.
Eine Bild-KI könnte eine illustrative Szene für das Fest entwerfen. Das Bild zeigt dann eine gestaltete Idee, keine Aufnahme einer Veranstaltung, die bereits stattgefunden hat. Angaben wie Datum, Ort und Programm müssen gesondert stimmen.
Prüffrage: Passt die Gestaltung zu unserem Fest, und könnte jemand das Motiv irrtümlich als echtes Veranstaltungsfoto verstehen?
- 04
Aufgaben tatsächlich ausführen.
Ein digitaler Assistent könnte Entwürfe vorbereiten oder Informationen zusammentragen. Soll er dagegen Einladungen versenden oder einen Termin im Kalender ändern, greift er auf andere Systeme zu und handelt mit erteilten Berechtigungen.
Prüffrage: Welche Schritte darf das System selbst erledigen – und wo soll vorher ein Mensch prüfen und freigeben?
Ein Vorschlag ist etwas anderes
als eine ausgeführte Aufgabe.
Ein Modell liefert einen Entwurf.
Ein Text über eine geplante Reise kann ein Vorschlag sein. Dass darin eine Zugverbindung genannt wird, bedeutet noch nicht, dass eine Fahrplanauskunft abgefragt wurde oder ein Ticket verfügbar ist. Dafür braucht die Anwendung passende Informationsquellen.
Auch ein genauer Tonfall beweist keinen Zugriff auf aktuelle Daten. Achte darauf, ob Informationen tatsächlich abgerufen wurden und ob du die Quelle nachvollziehen kannst.
Ein Agent kann Schritte verbinden.
Als KI-Agent werden häufig Systeme bezeichnet, die mithilfe eines Modells nächste Schritte auswählen und zusätzliche Funktionen nutzen. Dazu können Suchen, Berechnen oder Änderungen in angeschlossenen Anwendungen gehören. Der Begriff wird nicht überall gleich verwendet.
Dadurch wird die Aufgabenbeschreibung wichtiger: Was ist das Ziel? Welche Informationen sind zugänglich? Welche Handlungen sind erlaubt? Und woran erkennt das System, dass es fertig ist?
Robotik ergänzt eine weitere Ebene: Ein Roboter braucht neben Software auch Wahrnehmung und Möglichkeiten, sich oder Gegenstände zu bewegen. Dass eine KI einen Ablauf überzeugend beschreibt, belegt noch nicht, dass eine Maschine ihn in einer realen Umgebung ausführen kann.
Vier Fragen helfen mehr
als der Eindruck „Das wirkt intelligent“.
Was soll das Ergebnis leisten?
Eine erste Ideensammlung darf unvollkommen sein. Eine veröffentlichte Anleitung muss sachlich stimmen und verständlich sein. Lege den Maßstab passend zur Aufgabe fest. Sonst bewertest du womöglich nur, wie beeindruckend etwas aussieht oder klingt.
Welche Informationen fehlen?
Fehlende Angaben zu Zielgruppe, Umständen oder Ausgangsmaterial begrenzen die Aussagekraft. Eine präzise Antwort kann auf Annahmen beruhen, die du gar nicht teilen wolltest. Frage nach diesen Annahmen, bevor du das Ergebnis weiterverwendest.
Welche Fehler wären hier besonders wichtig?
Bei einer Illustration ist eine schiefe Hand vielleicht störend. Bei der Sortierung von Anfragen kann eine übersehene dringende Nachricht schwerer wiegen als mehrere unpassende Kategorien. Nicht jede Fehlerart hat dieselbe Bedeutung für die tatsächliche Nutzung.
Kann ich die Grundlage selbst überprüfen?
Bei Fakten hilft der Blick in die ursprüngliche Quelle. Bei Zahlen kannst du eine Rechnung nachprüfen. Bei einem kreativen Entwurf kannst du prüfen, ob er deine Vorgaben erfüllt. Wenn eine wichtige Aussage nicht überprüfbar ist, sollte die Unsicherheit erkennbar bleiben.
Die Begriffe hinter den Beispielen.
- Training
- Das Anpassen eines Modells anhand von Beispielen. Dabei wird festgelegt, wie gut seine Ergebnisse zur jeweiligen Lernaufgabe passen.
- Inferenz
- Das Anwenden eines bereits trainierten Modells auf eine neue Eingabe.
- Generative KI
- Systeme, die Inhalte erzeugen, etwa Texte, Bilder, Musik, Stimmen oder Programmcode.
- Multimodal
- Ein System kann unterschiedliche Arten von Informationen verarbeiten, beispielsweise Text und Bilder. Welche Kombinationen möglich sind, hängt vom System ab.
- Kontext
- Die Informationen, die einem Modell für eine konkrete Bearbeitung zur Verfügung stehen. Das ist nicht automatisch alles, was du je irgendwo eingegeben hast.
- Halluzination
- So werden bei generativen Systemen häufig plausibel wirkende, aber falsche oder nicht belegte Inhalte bezeichnet, beispielsweise eine erfundene Quellenangabe.
Was eine beeindruckende Antwort
noch nicht verrät.
Lernt jede KI während unseres Gesprächs dazu?
Ein System kann deine vorherigen Nachrichten für die aktuelle Antwort berücksichtigen. Das ist etwas anderes als eine Änderung seiner grundlegenden Modellparameter durch Training. Ob Gespräche gespeichert oder später zum Training genutzt werden, hängt vom Anbieter und den Einstellungen ab.
Ist ein größeres oder neueres Modell immer besser für meine Aufgabe?
Das lässt sich nicht allein am Namen oder an der Größe erkennen. Entscheidend sind die konkrete Aufgabe, die verfügbaren Funktionen und die Ergebnisse unter passenden Bedingungen. Ein einfaches Verfahren kann für einen klar begrenzten Zweck ausreichen.
Kann ich einer angegebenen Sicherheit von 95 Prozent vertrauen?
Eine Zahl in einer Antwort kann eine bloße Formulierung sein. Sie ist nicht automatisch eine gemessene Trefferwahrscheinlichkeit. Frage zuerst, woher sie stammt und worauf sie sich bezieht. Auch eine echte Modellbewertung gilt zunächst für die Bedingungen, unter denen geprüft wurde.
Technik verstehen.
Deine Entscheidungen selbst treffen.
Mit diesen Unterschieden kannst du Anwendungen genauer einschätzen. Die nächste Frage ist, was ihre Nutzung für Arbeit, Kreativität und unser Zusammenleben bedeutet.