Wenn alle von KI reden, hilft es, einmal kurz hinzuschauen, was sie wirklich ist - jenseits von Marketing und Schreckensbildern. Hier steht das Wesentliche in klarer Sprache, ohne Jargon und ohne Hype.
KI ist heute fast immer dasselbe: ein Sprachmodell, das auf gigantischen Textmengen trainiert wurde, um vorherzusagen, welches Wort als nächstes wahrscheinlich ist. Mehr ist es technisch nicht. Weniger ist es in seiner Wirkung nicht.
Diese Seite ist keine Tech-Vorlesung. Sie ist ein kurzer Reiseführer durch die Begriffe, die du in der nächsten Zeit überall hören wirst - damit du mitreden kannst, ohne dich klein zu fühlen, und damit du merkst, wann jemand mit den Begriffen Eindruck schinden will, statt etwas zu erklären.
Training
Das Modell liest Milliarden Texte und lernt, welche Worte typischerweise aufeinander folgen.
Vorhersage
Bei deiner Frage berechnet es Wort für Wort, was am wahrscheinlichsten als nächstes käme - so entsteht die Antwort.
Sprachliche Plausibilität
Was hinten rauskommt klingt gut. Ob es stimmt, ist eine andere Frage.
Wenn ein Sprachmodell auf deine Frage antwortet, denkt es nicht nach. Es rechnet. Aus dem, was du eingetippt hast, und aus allem, was es beim Training gelesen hat, berechnet es: "Welches Wort wäre jetzt am wahrscheinlichsten das nächste?" Dann das nächste. Dann das nächste. So entsteht eine Antwort - Wort für Wort, ohne dass das Modell weiß, worüber es spricht.
Das ist keine Abwertung. Es ist eine wichtige Einordnung. Das Modell hat keine Vorstellung davon, was ein Apfel ist, was ein Vertrag bedeutet, was eine Operation am Knie konkret heißt. Es hat sehr viele Sätze über Äpfel, Verträge und Knie-Operationen gesehen und kann plausibel weiterschreiben. Das reicht für vieles. Es reicht nicht für alles - und der Unterschied ist genau das, worauf es ankommt.
Die technische Grundlage heißt Large Language Model, kurz LLM. Bekannte Vertreter sind ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google) und Mistral (französisch, EU-basiert). Sie alle funktionieren nach dem gleichen Prinzip: ein neuronales Netz mit Milliarden von Parametern, das auf riesigen Textmengen trainiert wurde.
Der Durchbruch kam mit der Transformer-Architektur (Vaswani et al., "Attention is All You Need", 2017) - einem mathematischen Verfahren, mit dem Modelle gleichzeitig auf viele Stellen eines Textes achten können. Seit ChatGPT (Ende 2022) sind LLMs in der breiten Öffentlichkeit angekommen. Was sich seitdem geändert hat, ist die Qualität - das Grundprinzip nicht.
Ein Sprachmodell hat einen Stichtag. Bis zu einem bestimmten Datum hat es Texte aus dem Internet, aus Büchern, aus Wikipedia, aus Foren, aus wissenschaftlichen Veröffentlichungen gelesen. Danach nicht mehr. Was nach diesem Stichtag passiert ist, weiß es nicht - auch wenn es so tut. Und was nie öffentlich aufgeschrieben wurde, kennt es auch nicht.
Das hat zwei Konsequenzen. Erstens: Für Aktuelles ist ein Sprachmodell unzuverlässig - der Tagessatz von gestern, das neue Gesetz, der gestern angekündigte Bahnstreik. Zweitens: Für deine speziellen Daten - deine Kunden, deine Preise, deine Prozesse - weiß die KI nichts, weil diese Daten nicht im Training waren. Wenn KI nützlich für deinen Betrieb sein soll, musst du sie mit deinen Daten verbinden. Genau das ist der Schritt, an dem die meisten KI-Versuche im Mittelstand stehenbleiben.
Der Stichtag heißt Knowledge Cutoff. Bei aktuellen Modellen liegt er typischerweise einige Monate bis ein Jahr vor dem heutigen Datum. Manche Modelle bekommen zusätzlich einen Browsing-Modus - sie dürfen das Internet abfragen, wenn die Frage es verlangt. Das macht sie aktueller, aber nicht unbedingt korrekter.
Das Verfahren, eine KI mit eigenen Daten zu kombinieren, heißt Retrieval Augmented Generation, kurz RAG: Die KI bekommt vor jeder Antwort einen passenden Auszug aus einer eigenen Wissensdatenbank zu lesen und antwortet auf dieser Basis. Das ist heute das Standard-Muster für KI in Betrieben - und genau das, was Wendwerk in Projekten baut, wenn KI mit deinen Inhalten arbeiten soll.
Wenn du ChatGPT, Claude oder ein vergleichbares Tool im Browser nutzt, läuft das Modell nicht auf deinem Computer. Es läuft in einem Rechenzentrum - bei OpenAI in den USA, bei Anthropic in den USA, bei Google weltweit. Deine Eingabe wird übers Internet dorthin geschickt, dort wird gerechnet, die Antwort kommt zurück. Das ist wichtig, weil deine Eingabe damit das Haus verlässt.
Für unkritische Inhalte - eine Mailvorlage formulieren, einen Text kürzen, eine Recherchefrage stellen - ist das in Ordnung. Für sensible Inhalte - Kundennamen, Verträge, Preise, interne Zahlen - wird das zur Frage. Was passiert mit den Daten? Werden sie zum weiteren Training genutzt? Bleiben sie in der EU? Wie wir damit umgehen, steht auf der Seite Wie wir Datenschutz handhaben.
Die kostenlosen Endkunden-Tools (chat.openai.com, claude.ai) nutzen deine Eingaben in der Regel auch zum weiteren Training, wenn du das nicht ausdrücklich deaktivierst. Die kostenpflichtigen Geschäftskunden-Verträge (OpenAI ChatGPT Team/Enterprise, Anthropic Claude for Work, API-Zugänge mit Vertrag) verzichten darauf - hier sind die Eingaben vertraglich vom Training ausgeschlossen.
Wendwerk nutzt für Kundenprojekte ausschließlich die API-Zugänge mit Geschäftsvertrag - meist Anthropic Claude, je nach Anwendungsfall auch andere Anbieter. Welche das im einzelnen Projekt sind, wird im Vertrag offen festgehalten, und sensible Verarbeitungen laufen über Routen, die in der EU bleiben, wo der Anwendungsfall das erfordert.
KI ist stark in allem, was mit Sprache zu tun hat: zusammenfassen, umformulieren, übersetzen, einen Entwurf schreiben, einen Text auf eine bestimmte Zielgruppe zuschneiden. Sie ist stark im Sortieren - einen Stapel Texte in Kategorien einordnen, Stimmungen aus Bewertungen ablesen, aus einer langen Mailflut die wichtigen herauspicken. Und sie ist stark im Vorschlagen - Antworten, Formulierungen, Vorlagen, die du nur noch anpassen musst.
Was hier gemeinsam ist: KI ist ein Beschleuniger für die ersten 80 Prozent. Den Entwurf, den groben Wurf, die erste Version. Die letzten 20 Prozent - das, was den Unterschied zwischen "okay" und "richtig gut" macht - bleiben beim Menschen. Wer das verinnerlicht, gewinnt Zeit, ohne Qualität zu verlieren. Wer es ignoriert und KI die ganzen 100 Prozent überlässt, bekommt mittelmäßige Ergebnisse in großer Menge.
Eine viel zitierte Harvard-Studie von 2023 (Dell'Acqua et al., "Navigating the Jagged Technological Frontier") hat Berater mit und ohne KI an realen Aufgaben arbeiten lassen. Ergebnis: Bei Aufgaben innerhalb der Stärken der KI waren die KI-Nutzer im Schnitt 25 Prozent schneller und 40 Prozent besser bewertet. Bei Aufgaben außerhalb der Stärken war die KI nicht nur nicht hilfreich, sondern führte zu messbar schlechteren Ergebnissen - weil die Nutzer ihrer falschen Empfehlung folgten.
Daraus folgt eine einfache Praxisregel: KI nutzen, wo sie stark ist - aber wissen, wo das ist. Sprache, Sortierung, Vorschlag, Zusammenfassung sind die starken Felder. Rechnen, präzise Faktencheck-Fragen, juristische Würdigung, medizinische Diagnose sind die schwachen - dort darf KI ein Werkzeug für den Profi sein, aber nicht die Quelle der Wahrheit.
KI ist kein Bewusstsein, keine Person, keine Intelligenz im eigentlichen Wortsinn. Sie hat keine Absichten, keine Meinungen, kein Eigeninteresse. Was wie eine Meinung klingt, ist eine wahrscheinliche Formulierung. Was wie Mitgefühl klingt, ist ein Sprachmuster aus dem Training. Das macht KI nicht weniger nützlich - aber es macht sie zu einem Werkzeug, nicht zu einem Gegenüber.
Und KI ist auch keine Künstliche Allgemeine Intelligenz - das wäre eine KI, die alles kann, was ein Mensch kann, plus mehr. Davon sind die heutigen Sprachmodelle weit entfernt, auch wenn manche Berichte das anders klingen lassen. Was die Modelle in den nächsten Jahren noch lernen werden, ist offen. Was sie heute sind, ist klar abgrenzbar - und genau diese Klarheit hilft, sie sinnvoll einzusetzen.
Der Fachbegriff für die "KI, die alles kann" ist Artificial General Intelligence, kurz AGI. Ob sie kommt, wann sie kommt und in welcher Form, ist in der Forschung umstritten. Was es heute gibt, sind Narrow AI - schmale, auf bestimmte Aufgaben spezialisierte Systeme. Auch ein riesiges Sprachmodell wie GPT-4 ist in diesem Sinne Narrow AI: spezialisiert auf Sprachverarbeitung, nicht auf alles.
Eine immer wiederkehrende Verwechslung ist der ELIZA-Effekt: Schon in den 1960ern hat Joseph Weizenbaum ein einfaches Chatbot-Programm namens ELIZA gebaut, das therapeutische Standardfragen stellte. Die Testpersonen entwickelten emotionale Bindung zur Maschine - obwohl sie wussten, dass es nur ein Programm war. Mit heutigen Sprachmodellen ist die Versuchung ungleich größer. Sich der Versuchung bewusst zu sein, ist der erste Schritt, klug mit der KI umzugehen.
Wir setzen KI dort ein, wo sie ehrlich Zeit spart - und nicht dort, wo sie nur gut aussieht. Drei typische Einsatzfelder: Erstens, in der Diagnose - wir analysieren mit KI deine Antworten aus dem Fragebogen, fassen Beobachtungen zusammen, schlagen Schwerpunkte vor. Zweitens, in der eigentlichen Software, wenn der Anwendungsfall es trägt - eine Suche, die natürliche Sprache versteht, eine Klassifizierung von eingehenden Mails, ein Vorschlagssystem für Antworten.
Drittens, im täglichen Bauen selbst - bei der Entwicklung deiner Software arbeiten wir mit KI-Werkzeugen, die uns produktiver machen. Aber in keinem dieser drei Fälle ist KI alleine unterwegs. Wo sie inhaltlich entscheidet, prüfen wir nach. Wo sie sensibel ist, läuft sie in vertraglich abgesicherten Umgebungen. Wo sie nicht nötig ist, lassen wir sie weg - weil ein einfaches Formular oft besser ist als ein cleverer Bot.
In unseren Projekten arbeiten wir bevorzugt mit Anthropic Claude über die API mit Geschäftsvertrag. Je nach Anwendungsfall kommen weitere Modelle dazu - etwa europäische Anbieter, wenn das Projekt explizit EU-Verarbeitung verlangt, oder spezialisierte Modelle für Klassifizierung, Übersetzung oder Bildverarbeitung. Welches Modell wofür eingesetzt wird, schreiben wir transparent in den Projektvertrag.
Über alles, was KI in deiner Software entscheidet, gibt es ein Protokoll: Welche Eingabe, welche Antwort, welcher Mensch hat freigegeben. Damit ist nicht nur die rechtliche Nachvollziehbarkeit gegeben - du kannst auch lernen, wo die KI gut ist und wo sie regelmäßig danebenliegt. Im Zweifel bauen wir den KI-Teil später wieder aus oder ersetzen ihn durch ein einfacheres Verfahren - die Software bleibt funktionsfähig, der KI-Anteil ist immer wechselbar.
KI ist ein starkes Werkzeug, das man missverstehen kann. Wer es versteht, nutzt es besser - und macht sich von ihm nicht abhängig.
Diese Seite war absichtlich nüchtern. Kein Schreckensbild, keine Heilsversprechen, kein Hype. Wer weiß, was KI ist und was nicht, kann mit klarem Kopf entscheiden, wo sie im Betrieb hilft - und wo das alte, bewährte Verfahren weiter das richtige ist. Das ist die Haltung, mit der wir KI in jedes unserer Projekte einbauen.
Welche Risiken KI mitbringt und wie wir damit umgehen, steht unter Was KI nicht kann, auch wenn es so wirkt. Wie wir das Thema Datenschutz konkret in unseren Projekten regeln, liest du unter Wie wir Datenschutz handhaben. Und warum wir KI nie als erstes einbauen, steht unter Erst die Werkzeuge, dann die KI.