Künstliche Intelligenz, kurz KI, ist ein Sammelbegriff für Systeme, die zum Beispiel Sprache verarbeiten, Muster erkennen oder Vorhersagen treffen. Nicht jede KI ist ein Chatbot. Ein System, das auffällige Produktionsdaten erkennt, erfüllt eine andere Aufgabe als ein Sprachmodell, das einen Textentwurf schreibt.
Für mich beginnt der sinnvolle Einsatz mit einer Arbeitsfrage: Was soll danach einfacher sein, und woran erkennen wir ein brauchbares Ergebnis? Eine Antwort vorbereiten, Dokumente erschließen und Daten kontrollieren sind unterschiedliche Aufgaben. Sie brauchen jeweils passende Informationen, Werkzeuge und Zuständigkeiten. Die Wahl des Modells ist ein Teil dieser Entscheidung.
Was bedeutet „Lernen“ bei einer KI?
Beim maschinellen Lernen werden Modelle anhand von Beispielen angepasst. Sie erkennen dabei statistische Zusammenhänge, statt für jeden Einzelfall eine von Menschen geschriebene Regel zu verwenden. Ein Modell könnte etwa lernen, Dokumente bestimmten Themen zuzuordnen oder Auffälligkeiten in Messwerten zu finden.
Neuronale Netze sind eine Familie solcher Modelle. Beim Training werden viele Zahlenwerte, die sogenannten Gewichte, verändert. Das Bild vom „elektronischen Gehirn“ kann den Einstieg erleichtern, führt aber schnell zu falschen Erwartungen: Ein solches Modell arbeitet nicht wie ein Mensch, der eine Aufgabe aus eigener Erfahrung versteht.
Warum Sprachmodelle so vielseitig wirken
Generative KI erzeugt Inhalte, etwa Texte oder Bilder. Ein Sprachmodell kann einen Entwurf formulieren, einen langen Text zusammenfassen oder Informationen in eine andere Form bringen. Dabei entsteht eine Antwort aus erlernten Mustern und dem verfügbaren Kontext.
Ein wichtiger Entwicklungsschritt war die 2017 vorgestellte Transformer-Architektur. Sie berücksichtigt Beziehungen zwischen Bestandteilen einer Eingabe und wurde zunächst für Übersetzungsaufgaben beschrieben. Die Originalarbeit „Attention Is All You Need“ ist eine Grundlage vieler heutiger Sprachmodelle, nicht die Erklärung für jede Form von KI.
Ein brauchbarer Entwurf ist noch kein geprüftes Ergebnis
Bei einer Kundenanfrage würde ich den Ablauf in einzelne Schritte zerlegen: Anliegen verstehen, passende Informationen finden, eine Antwort vorbereiten und das Ergebnis prüfen. Jeder Schritt lässt sich separat beurteilen. Findet das System die falsche Quelle, hilft ein schöner formulierter Antworttext nicht. Genau deshalb ist für mich die Gestaltung des gesamten Ablaufs wichtiger als eine beeindruckende Einzelantwort.
Sprachmodelle können überzeugend klingende Fehler erzeugen. Außerdem ist ein trainiertes Modell kein Beleg dafür, dass Informationen aus den Trainingsdaten grundsätzlich nicht wiedergegeben werden können. Das NIST-Risikoprofil für generative KI beschreibt sowohl falsche Ausgaben als auch Risiken durch das Einprägen von Trainingsdaten. Vertrauliche Informationen gehören deshalb nur in einen dafür geprüften, freigegebenen Ablauf.
Mit einer konkreten Aufgabe beginnen
Mein Vorschlag: Beginnen Sie mit einer Aufgabe, die heute bereits jemand erledigt und fachlich beurteilen kann. So gibt es einen Vergleich statt einer bloßen Vorführung:
- Aufgabe festlegen: Was soll die KI vorbereiten, finden oder vereinfachen?
- Grundlagen klären: Welche Daten darf sie verwenden, und sind diese aktuell?
- Ergebnis prüfen: Wer kontrolliert Fehler, fehlende Angaben und schwierige Fälle?
- Nutzen messen: Wird die Arbeit tatsächlich leichter, ohne neue Probleme zu schaffen?
Zu diesem Vergleich gehört auch die Nacharbeit. Ein Entwurf, der schneller entsteht, aber aufwendig korrigiert werden muss, spart möglicherweise wenig. Fachleute legen fest, welche Fehler relevant sind, prüfen schwierige Fälle und gestalten einen Ablauf, der im Unternehmen betreut werden kann. KI verändert damit die Arbeit; sie nimmt dem Unternehmen die Verantwortung für das Ergebnis nicht ab.
Für eigenes Unternehmenswissen muss nicht automatisch ein Modell neu trainiert werden. RAG verbindet vorhandene Inhalte mit KI-Antworten. Welche Bausteine sinnvoll sind, ergibt sich aus der Aufgabe. Diesen ersten Schritt klären wir mit Ihnen.
Redaktionelle Neufassung: Florian Hofmann. Grundlage: Originalbeitrag von m.schenk.
Über den Autor
Florian Hofmann
Florian Hofmann entwickelt bei SOULSURF digitale Lösungen und verbindet Websites, KI und Automatisierung mit den Aufgaben im Unternehmen. In seinen Beiträgen geht es darum, aus einer Idee einen brauchbaren Ablauf zu machen: mit passenden Inhalten, verständlicher Bedienung und Ergebnissen, die sich prüfen lassen. Sein Blick richtet sich auf die praktische Umsetzung und die Weiterentwicklung im Alltag.