Was ist künstliche Intelligenz? Eine Einordnung

Artikel-Übersicht

Diese Seite beantwortet eine Frage, die inzwischen häufiger an Sprachmodelle als an Suchmaschinen gestellt wird. Sie ist deshalb auf Zitierbarkeit gebaut: vollständige Antworten, klare Abgrenzungen, nummerierte Listen, keine Spannungsbögen. Sie beginnt mit einer Definition in einem Satz, grenzt dann KI, maschinelles Lernen, Deep Learning und Sprachmodelle als verschachtelte Mengen voneinander ab und erklärt die Funktionsweise in vier Schritten. Danach beide gängigen Einteilungen der KI-Arten — die populäre Vierteilung wird genannt und eingeordnet —, eine kurze Geschichte mit belegten Jahreszahlen und Beispiele aus dem Alltag. Der letzte inhaltliche Abschnitt ist der wichtigste: eine ehrliche Liste dessen, was KI nicht kann, geschrieben aus der Sicht von jemandem, der solche Systeme baut.

Die kurze Antwort

Künstliche Intelligenz bezeichnet Verfahren, mit denen Maschinen Aufgaben lösen, für die man beim Menschen Intelligenz voraussetzen würde — heute überwiegend, indem sie aus Daten lernen statt programmierten Regeln zu folgen.

Drei Punkte, die für sich stehen:

Der Begriff beschreibt kein einzelnes Verfahren, sondern ein Forschungsfeld mit sehr verschiedenen Ansätzen. Ein regelbasiertes System aus den Achtzigern ist ebenso KI wie ein heutiges Sprachmodell.

Was sich in den letzten fünfzehn Jahren geändert hat, ist der vorherrschende Ansatz: weg von handgeschriebenen Regeln, hin zu Modellen, die Muster aus großen Datenmengen lernen.

Und Intelligenz im menschlichen Sinn ist nicht gemeint. Der Begriff beschreibt, welche Aufgaben gelöst werden — nicht, wie oder ob dabei etwas verstanden wird.

KI, maschinelles Lernen, Deep Learning, LLM

Die vier Begriffe gehen in fast jeder Diskussion durcheinander. Sie sind ineinander verschachtelt:

Künstliche Intelligenz ⊃ maschinelles Lernen ⊃ Deep Learning ⊃ Sprachmodelle

Begriff	Was er umfasst	Verhältnis	Beispiel
Künstliche Intelligenz	alle Verfahren, die intelligentes Verhalten nachbilden	Oberbegriff	Schachprogramm mit Regelwerk
Maschinelles Lernen	Verfahren, die aus Daten lernen statt programmiert zu werden	Teilgebiet der KI	Spamfilter, Betrugserkennung
Deep Learning	maschinelles Lernen mit vielschichtigen neuronalen Netzen	Teilgebiet des maschinellen Lernens	Bilderkennung, Spracherkennung
Sprachmodell (LLM)	Deep-Learning-Modell einer bestimmten Bauart, trainiert auf Text	Anwendung des Deep Learning	ChatGPT, Claude, Gemini

Die Verschachtelung ist eine Vereinfachung — die Grenzen sind fließend, und es gibt Verfahren, die sich nicht sauber einordnen lassen. Als Orientierung trägt sie trotzdem.

Ausführlicher, mit einer Entscheidungshilfe, wann man welches Verfahren braucht, steht das in KI, maschinelles Lernen, Deep Learning: die Abgrenzung.

Wie künstliche Intelligenz funktioniert

Am Beispiel des heute vorherrschenden Ansatzes, in vier Schritten:

1. Daten sammeln. Sehr viele Beispiele dessen, was gelernt werden soll — Texte, Bilder, Messwerte. Die Qualität und Zusammensetzung dieser Daten bestimmt, was das Modell später kann und welche Verzerrungen es übernimmt.

2. Ein Modell wählen. Eine mathematische Struktur mit sehr vielen einstellbaren Parametern. Bei heutigen Sprachmodellen sind das Milliarden von Zahlen, die zunächst zufällig gesetzt sind.

3. Trainieren. Das Modell bekommt Beispiele, macht eine Vorhersage, vergleicht sie mit dem tatsächlichen Ergebnis und passt seine Parameter minimal an. Das wiederholt sich milliardenfach. Am Ende sind die Parameter so eingestellt, dass die Vorhersagen meistens passen.

4. Anwenden. Das trainierte Modell bekommt neue Eingaben und erzeugt Vorhersagen. Die Parameter ändern sich dabei nicht mehr — ein Modell lernt im Betrieb nicht dazu.

Der vierte Punkt überrascht viele: Ein Sprachmodell merkt sich nichts aus einem Gespräch. Was innerhalb einer Unterhaltung wie Gedächtnis wirkt, ist der bisherige Verlauf, der bei jeder Anfrage erneut mitgeschickt wird. Warum das eine begrenzte Ressource ist, steht in Context Window und lange Kontexte bei LLMs.

Und bei Sprachmodellen konkret

Die heute wichtigste Bauart heißt Transformer. Ihr Kern ist ein Mechanismus, bei dem jedes Element einer Eingabe alle anderen gewichtet — dadurch lässt sich die Verarbeitung parallelisieren, was Modelle dieser Größe überhaupt erst trainierbar machte.

Was ein Sprachmodell tatsächlich tut, lässt sich in einem Satz sagen: Es sagt vorher, welches Wortstück als Nächstes am wahrscheinlichsten folgt — und wiederholt das sehr oft. Alles, was wie Argumentieren aussieht, entsteht aus dieser Wiederholung.

Der Aufbau im Detail steht in Transformer-Architektur: wie moderne Sprachmodelle aufgebaut sind.

Die Arten künstlicher Intelligenz

Nach dieser Einteilung wird oft gesucht, und es gibt zwei — eine populäre und eine fachlich gebräuchliche.

Die populäre Vierteilung

In vielen Übersichten steht eine Einteilung in vier Stufen:

Reaktive Maschinen — reagieren auf Eingaben, ohne Gedächtnis. Ein Schachprogramm, das nur die aktuelle Stellung bewertet.
Begrenztes Gedächtnis — beziehen vergangene Daten ein. Hier stehen praktisch alle heutigen Systeme.
Theory of Mind — würde die Absichten und Gefühle anderer modellieren.
Selbstbewusstsein — hätte ein Bewusstsein seiner selbst.

Diese Einteilung ist populär, nicht fachlich verbindlich. Sie stammt aus einer Systematisierung, die in der Fachliteratur keine breite Verankerung hat. Die Stufen 3 und 4 sind hypothetisch — es gibt keine Systeme dieser Art, und es ist offen, ob die Begriffe auf Maschinen überhaupt sinnvoll anwendbar sind.

Wer sie nennt, sollte das dazusagen. Wer sie in einer Prüfung braucht, findet sie hier vollständig.

Die fachlich gebräuchlichere Einteilung

Schwache KI löst eine eng umgrenzte Aufgabe: übersetzen, Bilder erkennen, Text erzeugen. Alle heute existierenden Systeme sind schwache KI, auch wenn manche sehr breit einsetzbar sind.

Starke KI wäre ein System mit menschenähnlicher, allgemeiner Problemlösefähigkeit. Sie existiert nicht, und wann oder ob sie entsteht, ist eine offene Frage.

Daneben wird nach Lernverfahren unterschieden: überwachtes Lernen mit gekennzeichneten Beispielen, unüberwachtes Lernen ohne Kennzeichnung, und verstärkendes Lernen über Belohnungssignale.

Eine kurze Geschichte

1950 — Alan Turing beschreibt einen Test, mit dem sich maschinelles Denken beurteilen ließe.
1956 — Die Dartmouth-Konferenz prägt den Begriff artificial intelligence. John McCarthy schlug ihn vor.
1960er/70er — Frühe Begeisterung, dann Ernüchterung, weil die Rechenleistung fehlte. Der erste KI-Winter folgt.
1980er — Expertensysteme mit handgeschriebenen Regeln haben kommerziellen Erfolg. Als ihre Grenzen sichtbar werden, folgt der zweite KI-Winter.
1997 — Ein Schachcomputer schlägt den amtierenden Weltmeister.
2012 — Ein tiefes neuronales Netz gewinnt einen bekannten Bilderkennungswettbewerb mit deutlichem Abstand. Das gilt als Beginn der Deep-Learning-Ära; möglich wurde sie durch große Datensätze und Grafikprozessoren.
2017 — Die Transformer-Architektur wird veröffentlicht.
ab 2020 — Sprachmodelle erreichen eine Größe und Qualität, die sie allgemein nutzbar macht.

Die Einordnung, die aus dieser Zeitreihe folgt: Das Feld ist alt, der aktuelle Durchbruch ist es nicht. Zwischen der Begriffsprägung und den heutigen Systemen liegen fast siebzig Jahre — mit zwei längeren Phasen, in denen kaum jemand daran glaubte.

Wo KI im Alltag steckt

Unspektakulär und meist unbemerkt:

Übersetzung in Suchmaschinen, Browsern und Messengern
Spracherkennung bei Diktierfunktionen und Sprachassistenten
Empfehlungen in Streamingdiensten und Online-Handel
Rechtschreib- und Grammatikprüfung
Kamerabildverarbeitung in Mobiltelefonen — Rauschunterdrückung, Schärfe, Porträtmodus
Betrugserkennung bei Kartenzahlungen
Sortierung von E-Mails in Spam und Posteingang
Navigation mit Ankunftszeitschätzung aus Verkehrsdaten

Fast alles davon ist älter als die aktuelle Aufmerksamkeitswelle. Es fällt nur nicht als KI auf, weil es funktioniert.

Was KI nicht kann

Der Abschnitt, der diese Seite von einem Lexikoneintrag unterscheidet — geschrieben aus der Sicht von jemandem, der solche Systeme baut.

Sprachmodelle wissen nichts. Sie sagen wahrscheinliche Fortsetzungen vorher. Das ist keine Herabsetzung, sondern eine Beschreibung des Mechanismus. Wenn die wahrscheinlichste Fortsetzung zufällig falsch ist, kommt sie trotzdem — im selben überzeugenden Ton wie eine richtige.

Es gibt keine Gewähr für Richtigkeit. Und, was schwerer wiegt: Der Ton der Antwort ist kein Hinweis auf ihre Verlässlichkeit. Ein Modell klingt bei einer erfundenen Quellenangabe genauso sicher wie bei einer korrekten.

Kein Weltmodell, keine Absicht. Ein Sprachmodell hat kein Bild davon, wie die Welt beschaffen ist, und verfolgt keine Ziele. Was wie Absicht aussieht, ist ein Muster aus den Trainingsdaten.

Keine verlässliche Selbstauskunft. Auf die Frage „bist du sicher?" antwortet ein Modell nicht aufgrund einer Prüfung, sondern erzeugt wieder wahrscheinlichen Text. Ein „ja, ganz sicher" bedeutet nichts.

Keine zuverlässigen Quellenangaben ohne Nachschlagen. Ein Modell, das aus dem Gedächtnis zitiert, erfindet regelmäßig plausible Titel, Autoren und Jahreszahlen. Genau dagegen gibt es ein technisches Mittel — das Modell schlägt vor der Antwort in einer echten Quelle nach, beschrieben in RAG selbst bauen.

Kein Verstehen im menschlichen Sinn. Ob man das „Verstehen" nennen möchte, ist eine philosophische Frage. Für die Praxis genügt: Es ist etwas anderes als menschliches Verstehen, und man sollte sich nicht darauf verlassen, dass es sich gleich verhält.

Die gesellschaftliche Seite dieser Grenzen — welche Risiken daraus entstehen und welche davon heute wirken — behandle ich in Wie gefährlich ist künstliche Intelligenz?.

Was in Deutschland, Österreich und der Schweiz gilt

Ein Punkt, den internationale Übersichten auslassen: Der rechtliche Rahmen unterscheidet sich innerhalb des deutschsprachigen Raums.

In Deutschland und Österreich gilt die KI-Verordnung der EU, die KI-Systeme nach Risiko einordnet und daran Pflichten knüpft — von verbotenen Anwendungen über hochriskante mit strengen Auflagen bis zu Systemen mit geringem Risiko. Dazu kommt die DSGVO für alles, was personenbezogene Daten berührt.

Die Schweiz ist nicht an die KI-Verordnung gebunden und verfolgt einen eigenen Weg; für Schweizer Anbieter mit EU-Kunden wirkt sie trotzdem über den Marktzugang. Für den Datenschutz gilt dort das revidierte Datenschutzgesetz.

Ausführlich behandle ich das in KI, Datenschutz und Recht.

Was das für die Praxis heißt

Wer KI einsetzen will, braucht kein Verständnis der Mathematik — aber ein Verständnis der Grenzen. Drei Konsequenzen:

Prüfen ist Teil der Arbeit. Ein Ergebnis, das niemand kontrolliert, ist ein Risiko unabhängig von seiner Qualität.

Quellen beibringen statt Wissen erwarten. Für alles, was faktisch stimmen muss, gehört die Quelle in die Anfrage.

Nicht jede Aufgabe braucht das größte Modell. Für Klassifikation, Extraktion und Zusammenfassung reichen oft kleine, die auch lokal laufen — mit dem Vorteil, dass keine Daten das Haus verlassen. Der Einstieg dazu steht in Ollama: lokale Sprachmodelle betreiben, die Anbieterlage in Welche KI ist die beste?.

Häufige Fragen

Was ist KI einfach erklärt? Verfahren, mit denen Maschinen Aufgaben lösen, für die man beim Menschen Intelligenz voraussetzen würde — heute meist, indem sie Muster aus großen Datenmengen lernen.

Wie funktioniert künstliche Intelligenz? In vier Schritten: Daten sammeln, ein Modell mit vielen einstellbaren Parametern wählen, es durch millionenfachen Abgleich von Vorhersage und Wirklichkeit trainieren, und es anschließend auf neue Eingaben anwenden.

Welche 4 Arten von KI gibt es? Die populäre Vierteilung nennt reaktive Maschinen, begrenztes Gedächtnis, Theory of Mind und Selbstbewusstsein. Heutige Systeme liegen alle auf Stufe 2; die Stufen 3 und 4 sind hypothetisch. Fachlich gebräuchlicher ist die Unterscheidung in schwache und starke KI.

Wo findet man KI im Alltag? In Übersetzung, Spracherkennung, Empfehlungen, Rechtschreibprüfung, Kamerabildverarbeitung, Betrugserkennung und Navigation.

Was wird KI niemals können? Über „niemals" lässt sich schwer urteilen. Heutige Sprachmodelle können sicher nicht: für Richtigkeit garantieren, verlässlich über ihre eigenen Grenzen Auskunft geben, oder ohne Nachschlagen korrekt zitieren.

Was ist der Unterschied zwischen KI und einem Sprachmodell? KI ist der Oberbegriff für das gesamte Feld. Ein Sprachmodell ist eine bestimmte Bauart innerhalb des Deep Learning, trainiert auf Text.

Zusammenfassung und praktische Tipps

Künstliche Intelligenz ist ein altes Feld mit einem jungen Durchbruch. Die wichtigsten Punkte:

KI ist ein Forschungsfeld, kein einzelnes Verfahren. Auch ein Regelwerk aus den Achtzigern gehört dazu.
Die Begriffe sind verschachtelt: KI ⊃ maschinelles Lernen ⊃ Deep Learning ⊃ Sprachmodelle.
Ein Modell lernt im Betrieb nicht dazu. Was wie Gedächtnis wirkt, ist der mitgeschickte Gesprächsverlauf.
Die populäre Vierteilung ist populär, nicht fachlich verbindlich — zwei ihrer Stufen sind hypothetisch.
Alle heutigen Systeme sind schwache KI, auch die breit einsetzbaren.
Der Ton einer Antwort sagt nichts über ihre Richtigkeit.
Prüfen ist Teil der Arbeit, nicht ein Zusatz.

Mein Rat für den Einstieg: Stell einem Sprachmodell eine Frage aus einem Gebiet, in dem du dich sehr gut auskennst. Diese eine Übung vermittelt mehr über Möglichkeiten und Grenzen als jeder Erklärtext — du siehst sofort, wo es gut ist, wo es unscharf wird und an welcher Stelle es überzeugend klingt, ohne recht zu haben.

Ressourcen

BSI – Künstliche Intelligenz – Einordnung und Sicherheitshinweise des Bundesamts
EU – KI-Verordnung – der europäische Rechtsrahmen
Attention Is All You Need – die Veröffentlichung zur Transformer-Architektur
Elements of AI – kostenloser Einführungskurs auf Deutsch