03. August 2026
Eine Box: Text rein, Text raus
Ein Sprachmodell ist kein Lexikon, sondern ein Flaschengeist. Wie man die Illusion der Intelligenz durchschaut und Prompts richtig setzt.
Artikelserie · Teil 3
Die Grundlagen von KI, leicht erklärt
Von der Black Box über Agenten bis zum eigenen Workflow: die Grundlagen von KI, ohne Fachchinesisch.
Alle Teile anzeigenTransparenz
Alle Blogeinträge entstehen mit Hilfe von KI und werden von einem Menschen nachbearbeitet und geprüft.
Du tippst eine Frage in natürlicher Sprache ein und bekommst sofort eine flüssige, natürlich klingende Antwort zurück. Weil die Maschine so menschlich mit dir spricht, erwartest du unbewusst auch menschliche Perfektion. Oft stellen wir uns die Künstliche Intelligenz wie eine allwissende Datenbank vor, in der harte Fakten fest abgespeichert sind. Doch hinter der blinkenden Oberfläche sitzt kein Lexikon, was ein weit verbreiteter Irrtum ist. Technisch gesehen haben wir es mit einer sehr pragmatischen Maschine zu tun, bei der Text vorne hineingeht und hinten wieder herausfällt.
Die Illusion der Datenbank
Wenn wir beobachten, wie Menschen im Alltag mit Sprachmodellen arbeiten, sehen wir oft dieselbe Enttäuschung. Jemand stellt eine kurze Frage, bekommt eine falsche Antwort und urteilt sofort, die Technik sei fehlerhaft. Dabei vergessen wir ein wichtiges Detail. Du kannst einem Fremden auf der Straße auch nicht ohne jeden Kontext eine Fachfrage an den Kopf werfen. Ohne Hintergrundwissen muss auch der klügste Mensch raten.
Ein Sprachmodell speichert absolut kein Wissen, sondern schätzt lediglich Wahrscheinlichkeiten und reiht Wort für Wort aneinander, basierend darauf, wie oft diese spezifischen Wörter im gigantischen Training gemeinsam auftauchten. Das ist unserem eigenen Denken gar nicht so fremd. Auch wir fangen oft einen Satz an, ohne das Ende zu kennen. Aber nur weil jemand flüssig redet, zeugt das noch lange nicht von tiefer Intelligenz.
Die Maschine erfüllt die Anweisung exakt so, wie sie formuliert wurde. Fehlt der Kontext in der Eingabe, füllt das System die Lücken mit der wahrscheinlichsten Schätzung auf und beginnt dann zu halluzinieren.
Die Landkarte der Bedeutungen
Um zu verstehen, wie das System seine Schätzungen trifft, stellen wir uns eine riesige Landkarte vor. Auf dieser Karte gibt es keine Länder oder Flüsse, sondern ausschließlich reine Bedeutungen, denen eine feste mathematische Koordinate zugewiesen ist. Begriffe, die inhaltlich verwandt sind, wohnen in derselben Nachbarschaft. Hund und Katze liegen nah beieinander, während der Bürostuhl auf einem ganz anderen Kontinent zu finden ist.
Funktioniert das auch mit Bildern? Das Prinzip "Text rein, Text raus" lässt sich problemlos erweitern. Wenn man Bilder oder Töne auf dieselbe Landkarte übersetzt, kann die Box auch multimodale Eingaben verarbeiten. Am Ende ist alles nur eine Koordinate.
Wenn du einen Satz in die Box wirfst, zeichnet das System einen Pfad über diese Landkarte. Es schaut sich an, welche Koordinaten du angesteuert hast, und berechnet den logischsten nächsten Schritt. Später sehen sich Nutzer ihre fehlerhaften Prompts noch einmal genau an. Oft stellen sie dabei fest: Die Maschine hat exakt den Pfad genommen, den sie mit ihren Worten vorgegeben haben.
Wer das Modell nur als Chatbot nutzt, dem reicht dieses Bild der Landkarte völlig aus. Sobald du aber eigene Daten anbinden willst, musst du wissen, wie der Text überhaupt auf diese Koordinaten übersetzt wird. Ein Sprachmodell ist am Ende ein technisches Werkzeug mit vielen Stellschrauben.
Text wird zu Zahlen
Sprachmodelle können mit Buchstaben absolut nichts anfangen. Bevor dein Text überhaupt verarbeitet wird, zerlegt ein Tokenizer ihn in kleine Schnipsel und übersetzt diese dann in Zahlen. Diese Zahlenrepräsentationen nennen wir Embeddings. Ein Embedding ist im Grunde genau die Koordinate auf unserer Landkarte, nur dass diese Karte nicht zwei, sondern oft tausende von Dimensionen hat.
In diesem hochdimensionalen Vektorraum lassen sich Bedeutungen mathematisch berechnen. Das berühmteste Beispiel dafür ist eine einfache Gleichung: "König" minus "Mann" plus "Frau" ergibt "Königin". Das Modell verschiebt den Vektor für König einfach um die Distanz, die das Geschlecht definiert, und landet exakt beim Vektor für Königin. Alles, was in der Box passiert, sind Matrixmultiplikationen.
Die Grenzen der Mathematik
Wenn wir akzeptieren, dass hier nur Vektoren multipliziert werden, erklären sich die Schwächen der Modelle von selbst. Ein System, das lediglich die wahrscheinlichste nächste Koordinate berechnet, besitzt kein echtes Weltwissen. Es kann dir mit absoluter Überzeugung völligen Unsinn erzählen, solange dieser Unsinn statistisch gut in den bisherigen Pfad passt.
Wenn du ein Embedding selbst abrufen möchtest, reicht ein einfacher HTTP-Aufruf an eine API. Hier ist ein Beispiel mit OpenAI:
curl https://api.openai.com/v1/embeddings \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"input": "Katze",
"model": "text-embedding-3-small"
}'Die Antwort ist kein Text mehr, sondern sieht ungefähr so aus:
{
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [
-0.00692,
-0.00533,
-0.04327,
-0.02418
// ... 1532 weitere Zahlen
]
}
]
}Du erhältst ein JSON-Array mit 1536 Kommazahlen. Das ist die exakte Koordinate für das Wort "Katze" in diesem spezifischen Modell.
Zudem hat diese Architektur harte technische Grenzen, die wir über Parameter wie Modellgröße und Kontextfenster steuern müssen. Wenn die Box wirklich nur Text nimmt, ihn in Vektoren übersetzt und das Ergebnis ausspuckt, hat sie kein Gedächtnis. Jeder Aufruf ist ein völlig isolierter Vorgang. Wie es trotzdem möglich ist, dass ein Chatbot sich an deine vorherige Nachricht erinnert, klären wir im nächsten Schritt.