Wissen · Stand: November 2026

Künstliche Intelligenz (KI): die Grundlagen verständlich erklärt

Künstliche Intelligenz steckt in der Suchmaschine, im Spamfilter, in der Übersetzungs-App und in ChatGPT. Doch was ist KI genau, wie funktioniert sie, und was unterscheidet Machine Learning, Deep Learning, LLM und generative KI? Dieser Leitfaden erklärt die Grundlagen ohne Fachchinesisch, zeigt Beispiele, Grenzen und Risiken und sagt Dir, worauf es beim Einsatz im Unternehmen ankommt.

Autor: Oskar Majzner, Geschäftsführer der Suchhelden GmbH · Zuletzt aktualisiert: November 2026

Auf einen Blick

Künstliche Intelligenz in vier Sätzen

Was ist KI?Wie fange ich an?

Was ist KI?

Software, die Aufgaben löst, für die bisher menschliche Intelligenz nötig war: erkennen, vorhersagen, Sprache verstehen, Inhalte erzeugen.

Wie funktioniert sie?

Sie lernt Muster aus vielen Beispielen und wendet sie auf Neues an. Sie rechnet mit Wahrscheinlichkeiten, sie versteht nicht wie ein Mensch.

Wo begegnet sie mir?

In Suchmaschinen, Navigations- und Übersetzungs-Apps, Spamfiltern, Sprachassistenten, Chatbots und in immer mehr Unternehmenssoftware.

Warum ist das wichtig?

Seit es große Sprachmodelle gibt, kann KI mit Text, Dokumenten und Wissen arbeiten. Damit verändert sie Büroarbeit in fast jedem Unternehmen.

Was kann sie nicht?

Sie hat kein Bewusstsein, keine Erfahrung und keine Verantwortung. Sie kann sich irren und plausible Fehler erzeugen. Der Mensch bleibt in der Pflicht.

Wie fange ich an?

Mit einer konkreten Aufgabe, klaren Regeln für Daten und Tools und einem kleinen Test. Mehr dazu am Ende dieses Leitfadens.

Inhalt dieses Leitfadens

Definition

Was ist künstliche Intelligenz? Definition und Bedeutung

Künstliche Intelligenz, kurz KI oder englisch AI für Artificial Intelligence, ist ein Teilgebiet der Informatik. Es beschäftigt sich mit Systemen, die Aufgaben lösen, für die bisher menschliche Fähigkeiten nötig waren: Muster erkennen, Sprache verstehen, Schlüsse ziehen, Vorhersagen treffen, planen oder neue Inhalte erzeugen.

Eine einheitliche Definition gibt es nicht, und das hat einen einfachen Grund: Schon der Begriff Intelligenz ist nicht eindeutig festgelegt. Praktisch hilft eine nüchterne Arbeitsdefinition: KI ist Software, die aus Daten lernt, statt dass ein Mensch jede Regel vorschreibt. Der entscheidende Unterschied zu klassischer Software liegt genau dort. Ein klassisches Programm folgt festen Anweisungen wie einem Kochrezept. Eine KI bekommt viele Beispiele und leitet die Regeln daraus selbst ab.

Drei Zutaten machen heutige KI möglich: große Datenmengen, leistungsfähige Algorithmen und günstige Rechenleistung, vor allem durch Grafikprozessoren. Erst das Zusammenspiel aller drei hat den Durchbruch der letzten Jahre ausgelöst.

Merksatz: KI = Daten + Algorithmen + Rechenleistung. Fehlt eine der drei Zutaten, bleibt KI Theorie. Im Unternehmen ist es fast immer die erste: gute, zugängliche Daten.

Erkennen

Gesichter auf Fotos, Fehler auf Bauteilen, gesprochene Wörter, Betrugsmuster in Zahlungen.

Vorhersagen

Absatz im nächsten Monat, Ausfall einer Maschine, Wahrscheinlichkeit einer Kündigung.

Verstehen und erzeugen

Texte zusammenfassen, übersetzen, beantworten und neu schreiben, Bilder und Code erzeugen.

Entscheiden und handeln

Routen planen, Vorgänge anlegen, Abläufe in mehreren Schritten abarbeiten, mit Freigabe durch Menschen.

Kostenlose Erstberatung

Sprich mit uns über Dein Vorhaben.

Anfragen ›

Einteilungen

Arten von KI: schwach, stark, regelbasiert, lernend

Es gibt nicht die eine Einteilung. Drei Blickwinkel helfen, KI-Systeme einzuordnen.

Schwache KI

Auch enge oder spezialisierte KI. Löst eine bestimmte Aufgabe, oft besser als Menschen, kann aber nichts anderes. Eine Schach-KI spielt kein Poker. Alle heute verfügbaren Systeme sind schwache KI, auch große Sprachmodelle.

Starke KI (AGI)

Eine allgemeine KI, die wie ein Mensch beliebige Aufgaben verstehen, lernen und lösen könnte. Sie existiert bisher nicht. Ob und wann sie möglich ist, ist unter Forschern umstritten. Noch weiter geht die Idee einer Superintelligenz.

Regelbasierte (symbolische) KI

Wissen wird als Regeln und Symbole hinterlegt: Wenn A und B, dann C. Typisch für Expertensysteme der 1980er Jahre. Nachvollziehbar, aber starr und aufwendig zu pflegen.

Lernende (subsymbolische) KI

Wissen steckt nicht in Regeln, sondern in Millionen bis Milliarden Zahlenwerten eines Modells, die aus Daten gelernt werden. Flexibel und leistungsfähig, aber schwerer zu erklären. Neuere Ansätze kombinieren beides.

Software-KI und eingebettete KI

Software-KI läuft als Programm: Suchmaschine, Übersetzer, Chatbot. Eingebettete KI steckt in Geräten und Maschinen: Roboter, Fahrassistenten, Drohnen, Kameras in der Fertigung.

Vorhersagend, erzeugend, handelnd

Nach dem Zweck: Prädiktive KI schätzt Werte und Risiken, generative KI erzeugt Inhalte, agentische KI erledigt Aufgaben in mehreren Schritten. Im Unternehmen werden die drei oft kombiniert.

Funktionsweise

Wie funktioniert künstliche Intelligenz?

Jedes lernende KI-System durchläuft zwei Phasen. Im Training bekommt ein Modell sehr viele Beispiele, etwa Bilder mit der Angabe „Katze“ oder „Hund“. Es macht zunächst zufällige Vorhersagen, vergleicht sie mit der richtigen Antwort und passt seine inneren Zahlenwerte, die Parameter, ein kleines Stück an. Das wiederholt sich millionenfach, bis die Fehler klein sind. In der Nutzung, Fachleute sagen Inferenz, wendet das fertige Modell das Gelernte auf neue Daten an.

Dabei rechnet KI ausschließlich mit Zahlen. Ein Wort, ein Bild oder ein Sensorwert wird in Zahlenreihen übersetzt. Ähnliche Dinge liegen in diesem Zahlenraum nah beieinander, „König“ und „Königin“ etwa näher als „König“ und „Kühlschrank“. Die KI erkennt statistische Zusammenhänge in diesem Raum. Sie versteht nicht, was eine Katze ist, sie hat gelernt, welche Pixelmuster meistens mit dem Wort Katze zusammen auftreten.

Daraus folgt der wichtigste Grundsatz im Umgang mit KI: Ein Modell ist nur so gut wie seine Trainingsdaten. Fehlen bestimmte Fälle, sind die Daten einseitig oder veraltet, macht auch die KI Fehler, oft ohne es anzuzeigen.

1. Daten sammeln

Beispiele mit den richtigen Antworten oder große Mengen Rohdaten, je nach Lernverfahren.

2. Modell trainieren

Das Modell passt seine Parameter an, bis seine Vorhersagen zu den Beispielen passen.

3. Testen

An Daten, die das Modell nie gesehen hat. Nur so zeigt sich, ob es verallgemeinert oder nur auswendig gelernt hat.

4. Nutzen und überwachen

Das Modell arbeitet mit neuen Daten. Ändert sich die Welt, muss es nachtrainiert werden.

Machine Learning

Machine Learning: wie Maschinen aus Daten lernen

Machine Learning, auf Deutsch maschinelles Lernen, ist der Teil der KI, der aus Erfahrung lernt, ohne für jede Situation programmiert zu werden. Ein Spamfilter lernt aus Tausenden markierten E-Mails, wie Spam aussieht. Ein Prognosemodell lernt aus den Verkäufen der letzten Jahre, wie Saison, Preis und Wetter den Absatz beeinflussen. Je nachdem, welche Daten vorliegen, unterscheidet man vier Lernarten.

E-MailsSituationSpamfilterTausendenPrognosemodellVerkäufenKI-Grundlagen
1

Überwachtes Lernen (Supervised Learning)

Das Modell lernt aus Beispielen mit bekannter Antwort: E-Mail und „Spam ja/nein“, Foto und „defekt/in Ordnung“, Kundendaten und „hat gekündigt“. Die häufigste Lernart in Unternehmen, für Klassifikation und Vorhersage.

2

Unüberwachtes Lernen (Unsupervised Learning)

Keine Antworten vorgegeben. Das Modell sucht selbst Strukturen: Kundengruppen mit ähnlichem Kaufverhalten, ungewöhnliche Buchungen, verwandte Dokumente.

3

Bestärkendes Lernen (Reinforcement Learning)

Das System probiert Aktionen aus und bekommt Belohnung oder Strafe. So lernen KIs Spiele wie Go, Roboter das Greifen, und so werden Sprachmodelle mit menschlichem Feedback verfeinert.

4

Selbstüberwachtes Lernen

Das Modell erzeugt sich die Aufgaben aus den Daten selbst, etwa das nächste Wort eines Textes vorhersagen. Damit wurden die großen Sprachmodelle vortrainiert, ganz ohne manuell beschriftete Daten.

Machine-Learning-Modelle und Algorithmen: Hinter dem Begriff stehen viele Verfahren. Lineare und logistische Regression schätzen Werte und Wahrscheinlichkeiten. Entscheidungsbäume und daraus gebaute Ensembles wie Random Forest und Gradient Boosting sind die Arbeitspferde für Tabellendaten, etwa für Absatzprognosen. Clustering-Verfahren bilden Gruppen. Neuronale Netze sind die flexibelste Familie und Grundlage des Deep Learning. Welches Verfahren passt, hängt von Datenmenge, Datenart und der Frage ab, wie erklärbar das Ergebnis sein muss. Wie wir solche Modelle für Prognosen und Wartung einsetzen, zeigt die Seite Machine Learning & Predictive Analytics.

Deep Learning

Deep Learning und neuronale Netze

Künstliche neuronale Netze sind lose vom Gehirn inspiriert. Sie bestehen aus Schichten einfacher Recheneinheiten, den Neuronen. Jedes Neuron nimmt Zahlen auf, gewichtet sie, addiert sie und gibt das Ergebnis weiter. Beim Training werden die Gewichte so verändert, dass am Ende die richtige Antwort herauskommt. Dieses Rückwärts-Anpassen heißt Backpropagation.

„Deep“ heißt das Lernen, wenn viele Schichten hintereinander liegen. Die ersten Schichten eines Bildmodells erkennen Kanten, die mittleren Formen, die letzten ganze Objekte. Das Netz lernt diese Merkmale selbst, niemand muss vorgeben, worauf es achten soll. Der Preis dafür: Deep Learning braucht viele Daten und viel Rechenleistung, und seine Entscheidungen sind schwerer nachzuvollziehen.

Rückwärts-AnpassenDeep LearningSchichtenRecheneinheitenRückwärtsBackpropagationBildmodellsRechenleistung
Klassische SoftwareMachine LearningDeep Learning
Wie entstehen die Regeln?Programmierer schreiben sieaus Daten gelernt, Merkmale oft vorgegebenaus Daten gelernt, Merkmale selbst gefunden
Datenbedarfkeiner zum LernenHunderte bis Hunderttausende Beispielesehr viele Beispiele, oft Millionen
Rechenleistunggeringgering bis mittelhoch, meist Grafikprozessoren
Nachvollziehbarkeitvollständiggut bis mittelgering, eigene Methoden nötig
Stark beiklaren, festen AbläufenTabellendaten, Prognosen, RisikenBildern, Sprache, Audio, Text

Teilgebiete

Natural Language Processing und Computer Vision

Zwei Anwendungsfelder des Deep Learning prägen den Alltag besonders: die Verarbeitung von Sprache und von Bildern.

Natural Language Processing (NLP)

Maschinelle Verarbeitung natürlicher Sprache: Texte klassifizieren, Stimmungen erkennen, Namen und Beträge aus Dokumenten ziehen, übersetzen, zusammenfassen. Große Sprachmodelle haben NLP grundlegend verändert, weil ein Modell viele dieser Aufgaben gleichzeitig beherrscht.

Spracherkennung und Sprachausgabe

Gesprochenes in Text umwandeln und Text natürlich vorlesen. Grundlage für Diktierfunktionen, Untertitel, Sprachassistenten und Voicebots im Kundenservice.

Computer Vision und Bilderkennung

KI, die Bilder und Videos auswertet: Gesichter entsperren das Handy, Kameras prüfen Bauteile, Apps erkennen Pflanzen. Auch das Auslesen von Rechnungen und Formularen nutzt Bilderkennung, siehe KI-Dokumentenverarbeitung.

Sprachmodelle

Was ist ein LLM (Large Language Model)?

LLM steht für Large Language Model, auf Deutsch großes Sprachmodell. Es ist ein sehr großes neuronales Netz in der sogenannten Transformer-Architektur, das mit riesigen Textmengen trainiert wurde. Seine Grundaufgabe ist erstaunlich schlicht: Es berechnet, welches Textstück am wahrscheinlichsten als nächstes folgt. Weil es dabei Grammatik, Fakten, Stil und Zusammenhänge aus Milliarden Texten gelernt hat, kann es antworten, zusammenfassen, übersetzen, programmieren und Texte umschreiben.

Ein LLM entsteht in drei Phasen. Im Vortraining lernt es aus allgemeinen Texten die Sprache, das kostet Tausende Grafikprozessoren über Wochen und können sich nur wenige Anbieter leisten. In der Anpassung wird es mit Beispielen und menschlichem Feedback zu einem hilfreichen Assistenten verfeinert. In der Nutzung bekommt es eine Anweisung, den Prompt, und erzeugt die Antwort. Unternehmen setzen fast immer bei der dritten Phase an und verbinden fertige Modelle mit eigenem Wissen und eigenen Systemen, etwa über KI-Integration.

Bekannte Modellfamilien sind GPT von OpenAI, Claude von Anthropic, Gemini von Google, Llama von Meta, Mistral aus Frankreich und frei verfügbare Open-Source-Modelle. Sie unterscheiden sich in Qualität, Geschwindigkeit, Kosten, Kontextlänge und darin, wo die Daten verarbeitet werden.

Token

Die Einheit, in der ein LLM liest und schreibt: Wortteile von wenigen Buchstaben. Abgerechnet und begrenzt wird meist in Token, nicht in Wörtern.

Kontextfenster

Wie viel Text das Modell auf einmal berücksichtigen kann: Anweisung, Dokumente und bisheriger Gesprächsverlauf. Was nicht hineinpasst, kennt es nicht.

Temperatur

Steuert, wie zufällig die Antwort ist. Niedrig für sachliche, wiederholbare Ergebnisse, höher für kreative Texte.

Halluzination

Eine flüssige, überzeugende, aber falsche Antwort. Entsteht, weil das Modell immer eine wahrscheinliche Fortsetzung liefert, auch ohne Wissen.

Generative KI

Generative KI: wenn die Maschine Neues erzeugt

Generative KI ist der Oberbegriff für Modelle, die neue Inhalte erzeugen: Texte, Bilder, Musik, Sprache, Videos, Programmcode oder strukturierte Daten aus unstrukturierten Dokumenten. Sie lernt, wie solche Inhalte aufgebaut sind, und erzeugt auf eine Anweisung hin etwas Neues, das diesen Mustern folgt. Für Text sind das Sprachmodelle, für Bilder meist sogenannte Diffusionsmodelle, die aus Bildrauschen Schritt für Schritt ein Bild formen.

Beispiele für generative KI im Alltag und im Büro: E-Mail-Entwürfe auf Basis der bisherigen Korrespondenz, Zusammenfassungen langer Verträge, Produktbeschreibungen für Tausende Artikel, Moodboards und Entwürfe im Marketing, Übersetzungen, Protokolle aus Besprechungen, Programmcode und Testfälle. Der Unterschied zum Consumer-Chatbot liegt im Unternehmen in drei Punkten: Sicherheit, Kontrolle und Einbindung in die eigenen Systeme. Wie das in der Praxis aussieht, zeigt die Übersicht zur KI-Entwicklung.

E-Mail-EntwürfeConsumer-ChatbotKI-EntwicklungOberbegriff
Klassische (prädiktive) KIGenerative KIKI-Agenten
Kernaufgabeanalysieren, einordnen, vorhersagenneue Inhalte erzeugenAufgaben in mehreren Schritten erledigen
Typische AusgabeKategorie, Wert, WahrscheinlichkeitText, Bild, Code, Zusammenfassungerledigter Vorgang, z. B. angelegtes Ticket
Bedienungfeste EingabedatenAnweisung in natürlicher SpracheZiel plus erlaubte Werkzeuge
BeispieleBetrugserkennung, BedarfsprognoseChatGPT, Bildgeneratoren, ÜbersetzerRecherche-Agent, Postfach-Agent
Typisches Risikoerkennt nur, was es gelernt hatplausibel klingende Fehlerfalsche Aktion ohne Freigabe

In guten Lösungen arbeiten die drei zusammen: Ein Prognosemodell schätzt den Ausfall einer Maschine, ein Sprachmodell formuliert den Wartungsbericht, und ein Agent legt den Auftrag im Instandhaltungssystem an, nachdem ein Mensch ihn freigegeben hat.

Praxis

Prompt Engineering: So formulierst Du gute Prompts

Ein Prompt ist die Anweisung an ein Sprachmodell. Prompt Engineering bedeutet, diese Anweisung so zu formulieren, dass das Ergebnis verlässlich brauchbar ist. Die gute Nachricht: Dafür braucht es keine Programmierkenntnisse, sondern Klarheit. Sechs Regeln bringen den größten Unterschied.

AnweisungSprachmodellEngineeringNachrichtRolleOskar MajznerKI-Grundlagen
1

Aufgabe klar benennen

Nicht „Schreib was über unser Produkt“, sondern „Schreib eine Produktbeschreibung mit 80 Wörtern für Einkäufer im Maschinenbau“.

2

Kontext mitgeben

Wer ist die Zielgruppe, was ist der Anlass, welche Fakten gelten? Das Modell weiß nichts über Dein Unternehmen, was Du ihm nicht sagst.

3

Rolle und Ton festlegen

„Antworte als erfahrene Personalreferentin, sachlich, in Du-Form.“ Das steuert Wortwahl und Tiefe.

4

Beispiele zeigen

Ein oder zwei Muster einer guten Antwort wirken stärker als lange Beschreibungen. Fachleute nennen das Few-Shot-Prompting.

5

Format vorgeben

Stichpunkte, Tabelle, maximale Länge, feste Felder. Je genauer das Format, desto leichter lässt sich das Ergebnis weiterverwenden.

6

In Schritten denken lassen und prüfen

Große Aufgaben zerlegen, das Modell erst analysieren und dann antworten lassen, und die Erlaubnis geben, „weiß ich nicht“ zu sagen. Wichtige Ergebnisse immer gegenprüfen.

Im Unternehmen wird ein Prompt nicht jedes Mal neu getippt. Er wird einmal sorgfältig entwickelt, an echten Fällen getestet, versioniert und fest in die Anwendung eingebaut, zusammen mit den Dokumenten, auf die das Modell zugreifen darf. Wie Teams den sicheren Umgang mit Prompts lernen, beschreibt die Seite KI-Schulung & Workshop.

Eigenes Wissen

RAG, Fine-Tuning und Embeddings: wie KI Dein Wissen nutzt

Ein Sprachmodell kennt nur seine Trainingsdaten, nicht Eure Handbücher, Verträge oder Preislisten. Es gibt drei Wege, das zu ändern.

Embeddings

Texte werden in Zahlenvektoren übersetzt, die ihre Bedeutung abbilden. So findet eine Suche „Urlaubsanspruch“ auch das Dokument, in dem nur „freie Tage“ steht. Embedding-Modelle sind die Grundlage jeder semantischen Suche.

RAG (Retrieval Augmented Generation)

Vor jeder Antwort sucht das System passende Stellen in Euren Dokumenten und gibt sie dem Modell mit. Das Modell antwortet nur daraus, mit Quellenangabe. Der wichtigste Baustein gegen Halluzinationen, siehe RAG & KI-Wissensdatenbank.

Fine-Tuning

Ein Modell wird mit eigenen Beispielen nachtrainiert, um Fachsprache, Stil oder ein festes Format zu lernen. Es lernt dabei kein aktuelles Wissen. Deshalb wird es oft mit RAG kombiniert. Effiziente Varianten wie LoRA machen das günstiger.

Ausblick

KI-Agenten und Agentic AI

Ein KI-Agent ist ein Sprachmodell, das nicht nur antwortet, sondern handelt. Es bekommt ein Ziel, plant die nötigen Schritte, nutzt dafür Werkzeuge wie Suche, Datenbanken, E-Mail oder Unternehmenssoftware, prüft das Zwischenergebnis und macht weiter, bis die Aufgabe erledigt ist. Arbeiten mehrere solcher Agenten zusammen, spricht man von Agentic AI oder Multi-Agenten-Systemen.

Agenten eignen sich für Aufgaben, die heute aus vielen kleinen Handgriffen bestehen: eine Anfrage lesen, Daten in drei Systemen nachschlagen, ein Angebot vorbereiten, einen Vorgang anlegen. Je mehr ein Agent selbst darf, desto wichtiger sind Grenzen: welche Werkzeuge er nutzen darf, was er nur vorschlagen darf und welche Schritte ein Mensch bestätigt. Mehr dazu auf der Seite KI-Agenten & Agentic AI.

Planen

Das Ziel in Teilschritte zerlegen.

Handeln

Werkzeuge und Systeme über Schnittstellen nutzen.

Prüfen

Ergebnis bewerten, bei Fehlern neu ansetzen.

Übergeben

Kritische Schritte zur Freigabe an Menschen geben.

Abgrenzung

Data Science, KI und Machine Learning: der Unterschied

Data Science, auf Deutsch Datenwissenschaft, ist die Disziplin, aus Daten Erkenntnisse und Entscheidungen zu gewinnen. Sie verbindet Statistik, Informatik und Fachwissen: Daten sammeln, bereinigen, analysieren, visualisieren und daraus Modelle bauen. Künstliche Intelligenz ist dagegen eine Technologie, mit der Maschinen Aufgaben lösen. Beide überschneiden sich beim Machine Learning, das Data Scientists als eines ihrer wichtigsten Werkzeuge nutzen.

Ein Beispiel macht den Unterschied greifbar: Eine Data Scientistin untersucht, warum Kunden kündigen, und findet heraus, dass Lieferverzögerungen der wichtigste Grund sind. Das ist Data Science. Baut sie daraus ein Modell, das für jeden Kunden täglich das Kündigungsrisiko berechnet, ist das Machine Learning und damit KI. Für fast alle KI-Projekte gilt: Ohne saubere, zugängliche Daten funktioniert keine KI. Deshalb steht am Anfang oft eine Datenplattform.

Machine LearningKI-ProjekteDatenwissenschaftDisziplinErkenntnisseEntscheidungenStatistikInformatik

Data Science

Frage: Was sagen uns die Daten? Ergebnis: Erkenntnisse, Analysen, Dashboards, Modelle. Rollen: Data Scientist, Data Analyst, Data Engineer.

Machine Learning

Frage: Welches Muster lässt sich lernen und auf neue Fälle anwenden? Ergebnis: ein trainiertes Modell, das Vorhersagen macht.

Künstliche Intelligenz

Frage: Wie löst eine Maschine eine Aufgabe? Ergebnis: ein System, das erkennt, vorhersagt, erzeugt oder handelt, oft mit ML im Kern.

Betrieb

Wo läuft KI? Cloud-KI, lokale KI und Open Source

Für Unternehmen ist die Frage, wo ein Modell läuft, oft wichtiger als die Frage, welches es ist. Davon hängen Datenschutz, Kosten und Abhängigkeit ab.

Cloud-KI

Das Modell läuft beim Anbieter und wird per Schnittstelle genutzt, etwa über OpenAI, Anthropic, Google oder die großen Cloud-Plattformen. Schnellster Start, immer aktuelle Modelle, Abrechnung nach Nutzung. Für Geschäftsdaten auf EU-Rechenzentren und Verträge achten.

Lokale KI und On-Premise

Das Modell läuft auf eigenen Servern oder in einem deutschen Rechenzentrum. Daten verlassen das Haus nicht. Werkzeuge wie Ollama machen den Einstieg leicht. Mehr dazu unter Lokale KI & On-Premise-LLM.

Open-Source-Modelle

Frei verfügbare Modelle, deren Gewichte man herunterladen und selbst betreiben oder anpassen kann. Sie holen bei vielen Aufgaben auf die großen kommerziellen Modelle auf und vermeiden die Bindung an einen Anbieter.

Werkzeuge

KI-Tools: Kategorien und worauf Du bei der Auswahl achten solltest

KI-Tools gibt es inzwischen für fast jede Aufgabe: Texte schreiben, Bilder erstellen, übersetzen, programmieren, Daten auswerten. Das Angebot wächst täglich, und genau das ist für viele Unternehmen das Problem. Hilfreicher als jede Rangliste ist eine Einteilung in vier Kategorien und sechs Prüffragen.

Chat-KI und kostenlose KI: Chat-Programme wie ChatGPT, Claude, Gemini oder Copilot haben kostenlose Einstiegsversionen und sind ideal zum Ausprobieren. Für Geschäftsdaten sind die kostenlosen Varianten meist ungeeignet: Je nach Anbieter und Tarif können Eingaben zum Training genutzt werden, und Verwaltungs- und Datenschutzfunktionen fehlen. Business-Tarife und Plattformen in der EU-Cloud regeln das vertraglich.

Schatten-KI vermeiden: Nutzen Mitarbeiter privat angemeldete Tools für Arbeitsaufgaben, landen Firmendaten unkontrolliert bei Dritten. Verbote helfen selten. Besser sind klare Regeln, geprüfte Business-Zugänge für die sinnvollen Werkzeuge und eine kurze Schulung.

„Es gibt hunderte KI-Tools. Keines davon löst Probleme von selbst.“ Was den Unterschied macht, sagt Malte Hundertmark von KI-Helden: wie sie in Abläufe eingebettet, von Teams akzeptiert und laufend weiterentwickelt werden.

Sprachmodell-Tools

ChatGPT, Claude, Gemini, Mistral: Text, Analyse, Zusammenfassung, Code. Für Wissensarbeit und Dokumente.

Automatisierungsplattformen

n8n, Make, Zapier mit KI-Funktionen: Apps verbinden, Abläufe ohne tiefe Programmierung automatisieren.

Entwicklungsplattformen

Azure AI, AWS Bedrock, Google Vertex AI: eigene KI-Anwendungen mit Kontrolle über Daten und Integration bauen.

Spezialisierte Tools

Übersetzung, Bild, Meeting-Protokolle, Branchenlösungen für Recht, Finanzen oder HR. Schneller Einstieg, weniger flexibel.

Kostenlose Erstberatung

Sprich mit uns über Dein Vorhaben.

Anfragen ›

Checkliste

Sechs Fragen vor der Auswahl eines KI-Tools

Datenschutz

Wo liegen die Daten? Werden Eingaben zum Training genutzt? Gibt es EU-Rechenzentren und einen Auftragsverarbeitungsvertrag?

Integration

Gibt es eine Schnittstelle zu CRM, ERP oder Intranet? Ein Tool ohne Anbindung schafft Parallelwelten und Copy-Paste.

Kosten beim Wachsen

Was kostet es bei 10, 100 und 1.000 Nutzern? Lizenz pro Kopf oder Abrechnung nach Nutzung macht einen großen Unterschied.

Qualität für Deine Aufgabe

Teste mit eigenen Beispielen, nicht mit allgemeinen Ranglisten. Das beste Tool für Texte ist selten das beste für Tabellen.

Akzeptanz

Oberfläche, Lernkurve und Einbindung in den Alltag entscheiden, ob ein Team das Werkzeug wirklich nutzt.

Anbieter-Stabilität

Der Markt verändert sich schnell. Preise, Modelle und Schnittstellen ändern sich. Austauschbare Lösungen verringern das Risiko.

Ein einzelnes Tool hilft einzelnen Mitarbeitern. Sobald eigene Daten, feste Abläufe oder mehrere Systeme im Spiel sind, ist eine integrierte KI-Lösung oft wirtschaftlicher. Den ehrlichen Vergleich zwischen Tool und eigener Lösung findest Du auf der Seite KI-Entwicklung.

Grenzen

Was KI kann und was nicht: Mythen und Fakten

Über kaum eine Technologie kursieren so viele Übertreibungen in beide Richtungen. Ein nüchterner Blick hilft, Chancen zu nutzen und Enttäuschungen zu vermeiden.

✕Mythen

  • „KI versteht, was sie sagt.“ Sie berechnet Wahrscheinlichkeiten. Verständnis, Bewusstsein und Absicht hat sie nicht.
  • „KI ist objektiv.“ Sie übernimmt die Verzerrungen ihrer Trainingsdaten. Eine Bewerbungs-KI, die mit einseitigen Daten lernt, benachteiligt einseitig.
  • „KI ist gleich ChatGPT.“ Sprachmodelle sind nur ein Teil. Prognosen, Bilderkennung und Optimierung sind oft älter und im Unternehmen genauso wichtig.
  • „KI nimmt alle Jobs weg.“ Sie übernimmt vor allem Aufgaben, selten ganze Berufe. Tätigkeiten verändern sich, neue entstehen.

✓Fakten

  • Stark bei Mustern: große Datenmengen durchsuchen, sortieren, zusammenfassen, Abweichungen erkennen, rund um die Uhr.
  • Schwach bei Neuem: Fälle, die in den Trainingsdaten fehlen, führen leicht zu Fehlern, oft ohne Warnung.
  • Kann sich überzeugend irren: Halluzinationen und Scheinzusammenhänge sind normal und müssen eingeplant werden.
  • Braucht Verantwortung: Entscheidungen über Menschen, Geld und Sicherheit gehören in menschliche Hände.

Ein bekanntes Lehrbeispiel zeigt, wie tückisch Scheinzusammenhänge sind: Ein Bildmodell erkannte auf Röntgenbildern scheinbar zuverlässig Krankheiten, hatte aber tatsächlich gelernt, auf welchem Gerät das Bild aufgenommen wurde, weil schwere Fälle häufiger in einer bestimmten Klinik geröntgt wurden. Deshalb testet man KI immer an Daten, die nicht aus derselben Quelle stammen wie die Trainingsdaten. Ein ähnliches Problem sind gezielte Täuschungen: Schon kleine, für Menschen unsichtbare Veränderungen an einem Bild können ein Modell zu falschen Ergebnissen bringen.

Verantwortung

Risiken, Ethik und Recht: Datenschutz und EU AI Act

Die Risiken von KI lassen sich in vier Gruppen ordnen: Daten (Herkunft, Qualität, Datenschutz), Modell (Fehler, Verzerrungen, Manipulierbarkeit), Betrieb (fehlende Überwachung, Abhängigkeit von Anbietern) sowie Recht und Ethik (Haftung, Urheberrecht, Transparenz). Für vertrauenswürdige KI haben sich fünf Grundsätze durchgesetzt: zuverlässig, erklärbar, fair, datenschutzgerecht und unter menschlicher Kontrolle.

In der EU regelt seit August 2024 der EU AI Act den Einsatz von KI, gestaffelt nach Risiko. Bestimmte Praktiken wie Social Scoring sind verboten. Hochriskante Anwendungen, etwa bei Personalentscheidungen oder in kritischer Infrastruktur, unterliegen strengen Pflichten. Für viele andere Systeme gelten Transparenzpflichten, etwa die Kennzeichnung, dass man mit einer KI spricht. Unternehmen, die KI einsetzen, müssen außerdem für ausreichende KI-Kompetenz ihrer Mitarbeiter sorgen. Parallel gilt wie immer die DSGVO, sobald personenbezogene Daten verarbeitet werden. Hinweis: Diese Informationen sind keine Rechtsberatung. Rechtsgrundlage ist die KI-Verordnung (EU) 2024/1689.

KI-KompetenzKI-VerordnungDatenschutzVerzerrungen

✓Checkliste für den sicheren Einsatz

  • Welche Daten gehen wohin, und wer verarbeitet sie?
  • Werden Eingaben zum Training genutzt? Gibt es einen Vertrag dazu?
  • Personenbezogene Daten vorher anonymisieren, wo es geht
  • Klare Regeln, welche Tools für welche Daten erlaubt sind

✓Checkliste für verlässliche Ergebnisse

  • Wichtige Ausgaben von Fachleuten prüfen lassen
  • Antworten auf geprüfte Quellen stützen und Quellen anzeigen
  • Kennzeichnen, wo Menschen mit einer KI interagieren
  • Team schulen und Betriebsrat früh einbinden
Malte HundertmarkKI-Entwicklung · KI-Helden+49 541 507960-0

Geschichte

Die Geschichte der künstlichen Intelligenz in acht Stationen

KI ist älter als das Internet. Ihre Geschichte ist eine Folge von großen Erwartungen, Ernüchterung und Durchbrüchen, meist dann, wenn mehr Daten und mehr Rechenleistung verfügbar wurden.

1

1950: Kann eine Maschine denken?

Alan Turing stellt die Frage und schlägt einen Test vor: Eine Maschine gilt als intelligent, wenn man sie im Gespräch nicht von einem Menschen unterscheiden kann.

2

1956: Der Begriff entsteht

Auf einer Konferenz am Dartmouth College prägen John McCarthy und Kollegen den Begriff Artificial Intelligence.

3

1966: Der erste Chatbot

ELIZA von Joseph Weizenbaum simuliert mit einfachen Regeln eine Therapeutin und verblüfft viele Nutzer.

4

1980er: Expertensysteme

Regelbasierte Systeme sollen Expertenwissen abbilden. Sie sind aufwendig zu pflegen, die Erwartungen werden enttäuscht: der sogenannte KI-Winter folgt.

5

1997: Schach gegen den Weltmeister

IBMs Deep Blue schlägt Garri Kasparow, mit enormer Rechenleistung, aber ohne zu lernen.

6

2012: Der Durchbruch des Deep Learning

Ein neuronales Netz gewinnt einen großen Bilderkennungs-Wettbewerb mit deutlichem Abstand. Grafikprozessoren und große Datensätze machen tiefe Netze praktikabel.

7

2016–2017: AlphaGo und der Transformer

AlphaGo schlägt einen der weltbesten Go-Spieler. Ein Jahr später stellen Google-Forscher die Transformer-Architektur vor, die Grundlage aller heutigen Sprachmodelle.

8

seit 2022: Generative KI für alle

ChatGPT macht große Sprachmodelle schlagartig bekannt. Es folgen Modelle für Bilder, Audio und Video, multimodale Modelle, KI-Agenten und 2024 der EU AI Act.

Glossar

KI-Glossar: die wichtigsten Begriffe kurz erklärt

Weitere Begriffe aus Software, Cloud und Business-Software findest Du im Glossar.

Algorithmus

Eine eindeutige Folge von Rechenschritten, die ein Problem löst, wie ein Kochrezept für den Computer.

Modell

Das Ergebnis des Trainings: ein Programm mit gelernten Parametern, das Eingaben in Vorhersagen oder Inhalte verwandelt.

Parameter

Die gelernten Zahlenwerte eines Modells. Große Sprachmodelle haben Milliarden davon.

Training und Inferenz

Training ist das Lernen aus Daten, Inferenz die Nutzung des fertigen Modells für neue Eingaben.

Foundation Model

Ein großes, allgemein vortrainiertes Modell, das für viele Aufgaben angepasst werden kann. Fast alle LLMs sind Foundation Models.

Transformer

Die Netzarchitektur hinter heutigen Sprachmodellen. Ihr Kern, die Attention, gewichtet, welche Wörter im Kontext füreinander wichtig sind.

Multimodal

Ein Modell, das mehrere Datenarten verarbeitet, etwa Text, Bild und Audio zugleich.

Prompt

Die Anweisung oder Frage an ein generatives Modell, inklusive Kontext und Beispielen.

System-Prompt

Feste Grundanweisung einer Anwendung, die Rolle, Regeln und Grenzen des Modells festlegt, unsichtbar für Nutzer.

RLHF

Reinforcement Learning from Human Feedback: Menschen bewerten Antworten, das Modell lernt daraus, hilfreicher und sicherer zu antworten.

Vektordatenbank

Datenbank für Embeddings, die Texte nach Bedeutung statt nach Stichwort findet. Grundlage von RAG.

Overfitting

Ein Modell hat die Trainingsdaten auswendig gelernt und versagt bei neuen Fällen.

Bias

Systematische Verzerrung, meist aus einseitigen Trainingsdaten, die zu unfairen Ergebnissen führt.

Explainable AI (XAI)

Methoden, die nachvollziehbar machen, warum ein Modell zu einem Ergebnis kommt.

Drift

Ein Modell wird mit der Zeit ungenauer, weil sich die Wirklichkeit gegenüber den Trainingsdaten verändert.

GPU

Grafikprozessor. Rechnet viele einfache Operationen parallel und ist deshalb das Arbeitstier für Training und Betrieb von KI.

Chatbot

Ein Programm, das im Dialog Fragen beantwortet. Heute meist auf Basis eines Sprachmodells, siehe Chatbot-Entwicklung.

MLOps

Der geregelte Betrieb von ML-Modellen: Versionierung, Überwachung und Neutraining.

Für Unternehmen

Künstliche Intelligenz im Unternehmen: Eignet sich Deine Aufgabe?

Ob sich KI lohnt, entscheidet nicht die Technik, sondern die Aufgabe. Je mehr dieser Punkte zutreffen, desto besser die Chancen.

  • Häufig: Die Aufgabe kommt täglich oder wöchentlich vor, nicht einmal im Jahr.
  • Zeitintensiv: Sie bindet heute spürbar Arbeitszeit mit Lesen, Suchen, Abtippen oder Sortieren.
  • Beschreibbar: Ein erfahrener Mitarbeiter kann erklären, wie ein gutes Ergebnis aussieht.
  • Daten vorhanden: Beispiele, Dokumente oder Verlaufsdaten liegen digital vor.
  • Fehler verkraftbar: Ein Mensch kann prüfen, oder ein Fehler ist nicht dramatisch.
  • Messbar: Du kannst vorher und nachher zählen, wie lange es dauert und wie gut es wird.

Der beste Einstieg ist ein kleiner, klar abgegrenzter Test mit echten Daten statt einer großen Strategie auf Papier. Wie man vom ersten Anwendungsfall zu einer tragfähigen Planung kommt, zeigt die Seite KI-Strategie & KI-Einführung. Welche Lösungen wir dafür entwickeln, findest Du unter KI-Entwicklung.

Von den Grundlagen zum ersten KI-Projekt

Du hast eine Aufgabe im Kopf, für die KI passen könnte? Im kostenlosen Erstgespräch prüfen wir ehrlich, ob sich KI dafür lohnt, welches Werkzeug reicht und wo eine eigene Lösung sinnvoll ist.

Fragen & Antworten

Häufige Fragen zur künstlichen Intelligenz

Malte HundertmarkKI-Entwicklung · KI-Helden+49 541 507960-0
Kostenlose Erstberatung ›

KI-Helden in Osnabrück

Heinrichstraße 14c
49080 Osnabrück
Montag bis Donnerstag
08:30–17:00 Uhr
Freitag
08:30–15:00 Uhr
Samstag und Sonntag
Geschlossen
Erst nach dem Klick werden Daten an Google übertragen.
Route planen ›
Was ist KI einfach erklärt?

Künstliche Intelligenz ist Software, die aus Beispielen lernt, statt jeden Schritt vorgeschrieben zu bekommen. Sie erkennt Muster in großen Datenmengen und nutzt sie, um etwas zu erkennen, vorherzusagen oder zu erzeugen: ein Gesicht auf einem Foto, den Absatz im nächsten Monat oder eine Antwort auf eine Frage. Sie denkt dabei nicht wie ein Mensch, sondern rechnet mit Wahrscheinlichkeiten.

Was bedeutet die Abkürzung KI bzw. AI?

KI steht für künstliche Intelligenz, AI für den englischen Begriff Artificial Intelligence. Beide meinen dasselbe. Im Deutschen ist KI üblich, in Produktnamen und Fachtexten taucht oft AI auf.

Was ist der Unterschied zwischen KI und Machine Learning?

KI ist der Oberbegriff für alle Verfahren, mit denen Computer Aufgaben lösen, die bisher menschliche Intelligenz brauchten. Machine Learning ist der wichtigste Teilbereich davon: Verfahren, die aus Daten lernen. Es gibt auch KI ohne Machine Learning, etwa regelbasierte Expertensysteme. Fast alle heutigen KI-Anwendungen beruhen aber auf Machine Learning.

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Deep Learning ist eine Form des Machine Learning, die mit tiefen neuronalen Netzen arbeitet, also mit vielen hintereinandergeschalteten Schichten. Klassisches Machine Learning braucht meist vorbereitete Merkmale und kommt mit weniger Daten aus. Deep Learning lernt die Merkmale selbst, braucht dafür aber viel mehr Daten und Rechenleistung. Es ist die Grundlage für Bilderkennung, Spracherkennung und Sprachmodelle.

Welche Arten von KI gibt es?

Nach der Leistungsfähigkeit unterscheidet man schwache KI, die eine bestimmte Aufgabe löst, und starke KI, die wie ein Mensch beliebige Aufgaben lösen könnte. Alle heutigen Systeme sind schwache KI. Nach dem Ansatz unterscheidet man regelbasierte (symbolische) und lernende KI. Nach dem Zweck unterscheidet man vorhersagende, erzeugende (generative) und handelnde KI (KI-Agenten).

Was bedeutet LLM?

LLM steht für Large Language Model, auf Deutsch großes Sprachmodell. Es ist ein neuronales Netz, das mit sehr großen Textmengen trainiert wurde und berechnet, welches Textstück am wahrscheinlichsten als nächstes folgt. Daraus entstehen Antworten, Zusammenfassungen, Übersetzungen oder Programmcode. Bekannte LLMs sind GPT von OpenAI, Claude von Anthropic, Gemini von Google, Llama von Meta und Mistral.

Ist ChatGPT eine künstliche Intelligenz?

Ja. ChatGPT ist eine Anwendung generativer KI. Dahinter stehen große Sprachmodelle (LLMs) von OpenAI, die mit Deep Learning trainiert wurden. ChatGPT ist damit KI, Machine Learning, Deep Learning und generative KI zugleich, weil diese Begriffe ineinander verschachtelt sind.

Was ist generative KI?

Generative KI erzeugt neue Inhalte: Texte, Bilder, Audio, Videos, Programmcode oder strukturierte Daten. Sie lernt aus Beispielen, wie solche Inhalte aufgebaut sind, und erzeugt auf eine Anweisung hin etwas Neues, das diesen Mustern folgt. Bekannte Beispiele sind ChatGPT, Claude und Gemini für Text sowie Midjourney und Stable Diffusion für Bilder.

Was ist Prompt Engineering?

Prompt Engineering ist das gezielte Formulieren von Anweisungen an ein Sprachmodell, damit es brauchbare, verlässliche Ergebnisse liefert. Dazu gehören klare Aufgaben, Kontext, Beispiele, ein vorgegebenes Ausgabeformat und das Zerlegen großer Aufgaben in Schritte. In Unternehmensanwendungen wird der Prompt einmal sorgfältig entwickelt, getestet und dann fest in die Software eingebaut.

Welche KI ist kostenlos?

Viele KI-Tools haben kostenlose Einstiegsversionen, darunter ChatGPT, Claude, Gemini, Microsoft Copilot und DeepL. Dazu kommen Open-Source-Modelle, die man selbst betreiben kann. Für private Tests reicht das. Für Geschäftsdaten sind kostenlose Varianten meist ungeeignet, weil Eingaben je nach Anbieter und Tarif zum Training genutzt werden können und Verwaltungs- und Datenschutzfunktionen fehlen.

Kann KI selbstständig denken?

Nein, nicht im menschlichen Sinn. Heutige KI hat kein Bewusstsein, keine eigenen Ziele und kein Verständnis der Welt. Sie berechnet sehr gut, was auf Basis ihrer Trainingsdaten wahrscheinlich passt. Das kann verblüffend menschlich wirken, beruht aber auf Statistik. KI-Agenten können zwar mehrere Schritte selbstständig planen, tun das aber innerhalb der Grenzen, die Menschen ihnen setzen.

Warum erfindet KI manchmal Fakten?

Sprachmodelle erzeugen die wahrscheinlichste Fortsetzung eines Textes. Fehlt ihnen das Wissen, entsteht trotzdem eine flüssige, plausibel klingende Antwort, die falsch sein kann. Das nennt man Halluzination. Dagegen helfen eine Anbindung an geprüfte Quellen (RAG), Quellenangaben, klare Anweisungen, im Zweifel nicht zu raten, und die Prüfung wichtiger Ergebnisse durch Menschen.

Wird KI meinen Job ersetzen?

KI übernimmt vor allem einzelne Aufgaben, seltener ganze Berufe: Routinen wie Erfassen, Sortieren, Zusammenfassen und Entwürfe schreiben. Dadurch verändern sich viele Tätigkeiten, und es entstehen neue. Wer lernt, KI-Werkzeuge sinnvoll einzusetzen, gewinnt in der Regel Zeit für Aufgaben, die Urteilsvermögen, Erfahrung und Kontakt zu Menschen brauchen.

Ist die Nutzung von KI-Tools datenschutzkonform?

Das hängt vom Tool, vom Tarif und vom Umgang mit den Daten ab. Wichtige Fragen sind: Wo werden die Daten verarbeitet? Werden Eingaben zum Training genutzt? Gibt es einen Auftragsverarbeitungsvertrag? Personenbezogene oder vertrauliche Daten gehören nicht in kostenlose Consumer-Tools. Für Unternehmen gibt es Business-Varianten, EU-Hosting, Anonymisierung und lokal betriebene Modelle.

Wie kann ein Unternehmen mit KI anfangen?

Am besten mit einer konkreten Aufgabe, die häufig vorkommt, Zeit kostet und klar beschrieben werden kann, etwa E-Mails sortieren, Dokumente auslesen oder Wissen auffindbar machen. Parallel helfen klare Regeln für erlaubte Tools und eine Schulung des Teams. Dann folgt ein kleiner Pilot mit echten Daten, dessen Nutzen vorher und nachher gemessen wird.

Was ist der Unterschied zwischen Data Science und KI?

Data Science ist die Disziplin, aus Daten Erkenntnisse zu gewinnen: Daten sammeln, aufbereiten, analysieren und darstellen. KI ist eine Technologie, mit der Maschinen Aufgaben lösen. Beide überschneiden sich beim Machine Learning: Data Scientists nutzen ML, um Muster zu finden und Vorhersagemodelle zu bauen. Nicht jede Datenanalyse ist KI, und nicht jede KI-Anwendung braucht ein Data-Science-Team.

★★★★★ 4,9Google Bewertungen141 RezensionenSEHR GUT★★★★★ 4,89176 Bewertungen
HAST DU FRAGEN?Zum Kontaktformular ›RÜCKRUFSERVICEDirekt mit Experten sprechen ›