Was KI eigentlich ist — und warum der Begriff in die Irre führt

Wenn heute von KI gesprochen wird, geht es meistens um etwas völlig anderes als die Spielzeug-Katze. Der Begriff ist ein historischer Sammelbehälter. Seit den fünfziger Jahren werfen Forscher und Marketing-Abteilungen alles in diesen Koffer, was Maschinen irgendwie intelligent wirken lässt. Dazu gehören Schachcomputer, Spam-Filter und Navigationssysteme.

Das Problem daran ist offensichtlich: Wenn alles KI ist, bedeutet der Begriff nichts mehr. Wer heute das Wort benutzt, weckt sofort das Bild eines riesigen, allwissenden Gehirns. Aber ein solches Bewusstsein gibt es nicht. Stattdessen haben wir es mit vielen hochspezialisierten Werkzeugen zu tun.

In Projekten taucht oft dieselbe falsche Erwartung auf: Ein kurzer Satz reicht, und das perfekte Ergebnis fällt heraus. Als könnte die Maschine Gedanken lesen. Aber wenn derselbe ungenaue Satz an einen menschlichen Kollegen geht, scheitert der genauso. Kommunikation ist schwer, und die Maschine tut nur exakt das, was ihr als Anweisung übergeben wird. Sie tut nicht das, was man sich heimlich gewünscht hat.

Falsche Anweisung führt zu falschem Ergebnis. Deshalb ist der erste Schritt in jedem Projekt: Weg von der Idee des perfekten Wesens und hin zum Werkzeug. Der Ausgabe darf man nicht blind vertrauen. Der Kontext muss präzise gesteuert werden, und man muss sich vorher zwingen, genau zu wissen, was man eigentlich will.

Der Sprung von der sturen Roboter-Katze zu Modellen, die fließend Texte schreiben, passierte nicht über Nacht. Er passierte, als Maschinen aufhörten, Buchstaben zu zählen, und anfingen, den Kontext von Wörtern zu berechnen. Für die Praxis bedeutet das: Statt starre Wege zu programmieren, übergeben wir nun Kontext in Form von Prompts und Payloads.

Der technische Durchbruch für heutige Sprachmodelle, die sogenannten LLMs, passierte im Jahr 2017. Google veröffentlichte damals das Paper zur Transformer-Architektur. Bis dahin lasen Maschinen Text wie wir eine fremde Sprache lesen: Wort für Wort, von links nach rechts.

Transformer änderten das grundlegend. Sie schauen sich den gesamten Satz auf einmal an und berechnen in riesigen Matrizen, wie stark jedes Wort mit jedem anderen zusammenhängt. Das Wort "Bank" bedeutet im Kontext von "Geld" etwas völlig anderes als im Kontext von "Park". Dadurch wird Text für die Maschine nicht mehr nur eine Folge von Zeichen, sondern Bedeutung in einem konkreten Zusammenhang.

Das verändert, wie Software gebaut wird. Statt jeden Schritt der Roboter-Katze einzeln zu programmieren, wird das Modell als Werkzeug genutzt und über eine HTTP-API aufgerufen.

import openai

response = openai.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "Fasse den Text in drei Sätzen zusammen."}
    ]
)

print(response.choices[0].message.content)

Das ist der ganze Zauber, denn das Prinzip lautet schlicht: Text rein, Text raus. Die Komplexität liegt nicht mehr im eigenen Code, sondern in dem Modell, das aufgerufen wird.

Deshalb muss im Alltag der Begriff "die KI" verschwinden. Die pauschale Aussage "die KI kann das nicht" ist so präzise wie die Feststellung "das Werkzeug ist kaputt". Stattdessen müssen die richtigen Fragen gestellt werden. Es geht um das konkrete Modell, die genaue Aufgabe, den mitgegebenen Kontext und die verfügbaren Werkzeuge. Wenn KI als das begriffen wird, was sie ist, nämlich eine Sammlung mächtiger, aber spezialisierter Werkzeuge, verschwindet die Magie. Und die echte Arbeit kann beginnen. Im nächsten Schritt schauen wir uns genau an, wie diese Box funktioniert: Text rein, Text raus.