KI-Hype oder was? Ein Realitätscheck für die IT

Gefühlt vergeht kein Tag ohne eine neue, bahnbrechende KI-Schlagzeile. Die einen sehen die Lösung für alle Probleme der Menschheit, die anderen glauben an den Anfang vom Ende.

Irgendwo dazwischen stehen wir und fragen uns: Was ist an dem Hype, der schon lange nicht mehr nur ein Hype ist, wirklich dran? Ist das alles nur eine Blase, die schon bald platzen wird oder steckt eine Technologie dahinter, die unser Leben grundlegend verändern wird?

Dabei ist der Begriff „KI“ riesig. Ein Spamfilter ist genauso Künstliche Intelligenz wie der Algorithmus, der uns auf Amazon Bücher empfiehlt, die zum eigenen Geschmack passen. In diesem Beitrag konzentrieren wir uns auf den Teilbereich, der immer noch für Schlagzeilen sorgt: die generative KI, basierend beispielsweise auf Sprachmodellen.

Was ist diese „Generative KI“ also genau?

Vergessen wir für einen Moment die Sci-Fi-Visionen. Im Kern ist die generative KI, über die alle reden, erstmal eine extrem hochentwickelte Autovervollständigung. Ein „Autocomplete auf Steroiden“. Diese Modelle, sogenannte Large Language Models (LLMs), wurden mit unfassbaren Mengen an Texten trainiert. Ihr Ziel: Basierend auf einer Eingabe das wahrscheinlichste nächste Wort vorherzusagen.

Die KI versteht nicht, dass eine Katze ein süßes, flauschiges Lebewesen ist. Sie weiß nur, dass Katzen eben öfter mal mit den Wörtern „süß“ und „flauschig“ in Verbindung gebracht werden. Das ist kein Denken im menschlichen Sinne. Es ist brillante, angewandte Statistik und Mustererkennung.

Die Zufälligkeit dieser reinen Wort-für-Wort-Vorhersage lässt sich dabei über einen Parameter, die sogenannte Temperatur, steuern. Setzt man sie auf null, wird die KI deterministisch. Das Modell wählt immer die wahrscheinlichste Option. Das zeigt: Wir haben es mit einem mathematischen Modell zu tun, nicht mit einem Bewusstsein.

Wie die KI „versteht“: Ein kurzer Ausflug in den Vektorraum

Dahinter steckt ein ziemlich cleveres, mathematisches Konzept. Die Schlüsselbegriffe dafür sind: Vektoren und semantischer Raum.

Stellt euch vor, jedes Wort, jeder Satz, jedes Dokument wird in einen mathematischen Vektor umgerechnet – ein Pfeil in einem Raum mit tausenden von Dimensionen. In diesem Raum liegen Wörter mit ähnlicher Bedeutung (wie „Podcast starten“ und „Anleitung zur Podcast-Erstellung“) nah beieinander.

Die KI erkennt so sogar Beziehungsstrukturen. Der Abstand zwischen den Vektoren für „Mann“ und „Frau“ ist fast identisch mit dem Abstand zwischen „König“ und „Königin“. Die KI hat das Konzept der männlichen und weiblichen Entsprechung gelernt, ohne dass ihr jemand diese Regel explizit beigebracht hat. Sie erkennt Muster in der Sprache, rein mathematisch.

Reasoning: Wenn LLMs komplexer denken

Das simple Wort-für-Wort-Prinzip auf Basis einer Art Autovervollständigung hat aber Grenzen. Um diese zu überwinden und die Fehleranfälligkeit zu reduzieren, wurden Reasoning-Ansätze entwickelt. Reasoning-Modelle sind Sprachmodelle, die speziell auf die Analyse von Problemen und algorithmische Divide & Conquer-Ansätze trainiert sind. Das Modell zerlegt ein komplexes Problem in kleinere Teilaufgaben. Statt eine Antwort zu raten, kann das System dann entscheiden,

• einen Teil des Problems (z. B. eine Matheaufgabe) an eine spezialisierte Funktion wie einen Taschenrechner zu übergeben,
• fehlende Informationen durch gezielte Rückfragen zu sammeln oder
• Ergebnisse in einer internen Feedback-Schleife mehrfach zu prüfen und zu verfeinern.

Reasoning ist damit ein gezielter Ansatz, um die Schwächen reiner Autovervollständigung zu überwinden und Sprachmodelle zu zuverlässigeren Werkzeugen zu machen.

Die Stärken der Künstlichen Intelligenz: Mehr als nur ein Papagei

Auch wenn generative KI auf Statistik und Mustererkennung basiert, sind die Ergebnisse beeindruckend und in der Praxis extrem nützlich. Bereiche, in denen generative KI heute schon glänzt:

• Zusammenfassen und Strukturieren: Lange Dokumente, Meeting-Protokolle oder E-Mail-Ketten? Eine KI kann die Kernaussagen in Sekunden extrahieren. Gold wert für das Wissensmanagement.
• Content-Erstellung: Ob Blogbeiträge (*zwinkizwonki*), Dokumentationen oder Code-Snippets – die KI liefert erstklassige Entwürfe, die ein Mensch dann verfeinern kann.

• Wissensdatenbanken durchsuchen (RAG): Mittels Retrieval-Augmented Generation (RAG) die interne Wissensbasis durchsuchen und Antworten auf Basis eigener Dokumente liefern. Das ist der vielleicht größte Hebel für Unternehmen.
• Anomalie-Erkennung: Muster erkennen, die logisch unplausibel sind, wie beispielsweise ein Login aus Deutschland und zehn Minuten später aus China.

• Ideenfindung und Brainstorming:  KI kann als unermüdlicher Sparringspartner dienen, der auf Knopfdruck neue Perspektiven und Ideen zu fast jedem Thema liefert.

KI ist also der perfekte Co-Pilot. Sie nimmt uns lästige Routinearbeiten ab und gibt uns die Zeit zurück, uns auf die wirklich komplexen, strategischen Aufgaben zu konzentrieren. Manchmal überrascht sie sogar, weil sie zwar nicht kreativ im menschlichen Sinne, aber oft frei von Vorurteilen ist.

Ein schönes Beispiel kommt aus der Raumfahrt: Eine KI sollte ein neues Raketendesign entwickeln. Heraus kam eine völlig asymmetrische Form, etwas, das kein Mensch je vorgeschlagen hätte. Aber sie war effizienter als alle bisherigen. Keiner weiß genau warum. Aber das zeigt, dass KI manchmal Wege findet, die wir nie gegangen wären.

Die Grenzen: Wo der Hype auf die Realität trifft

So beeindruckend die Technologie ist, eine magische Wunderwaffe ist sie nicht. Und die Grenzen sind genauso wichtig wie die Möglichkeiten.

Die KI halluziniert: Sie erfindet Fakten mit überzeugender Selbstsicherheit. Dabei lügt sie nicht bewusst, sie füllt einfach die Lücken – aber mit einer überzeugenden Selbstsicherheit. Das kann von harmlos bis geschäftsschädigend alles sein. Man kann es sich vorstellen wie bei einem übereifrigen Praktikanten am ersten Tag: Die Zusammenfassung, die er liefert, klingt super, aber man weiß nie, was er ausgelassen oder missverstanden hat.

Wissenstand eingefroren: Die KI hat kein Gedächtnis und lernt nicht von selbst dazu. Ihr Wissen ist auf dem Stand des letzten Trainings statisch.

Garbage In, Garbage Out: Die Qualität der Ausgabe hängt massiv von der Qualität der Eingabe ab. Auch eine KI, die auf einer chaotischen Wissensdatenbank aufsetzt, liefert chaotische Antworten.

Undurchsichtige Trainingsdaten: Besonders heikel wird es bei den großen, kommerziellen Modellen. Gerade bei Angeboten aus den USA oder China ist oft nicht nachvollziehbar, ob politische Überzeugungen, Falschinformationen oder andere Einflüsse mit ins Training eingeflossen sind.

Die Black Box: Oft ist nicht nachvollziehbar, warum eine KI zu einer Antwort kommt. Das ist das Black-Box-Problem. Würde man das Modell im Editor öffnen, sähe man keine Wörter, sondern nur riesige Matrizen mit Milliarden von Fließkommazahlen.

Diese Intransparenz führt zu einer entscheidenden Frage: Handelt es sich um Open Source oder nur Open Weights? Bei Open Source sind die Trainingsdaten einsehbar. Bei vielen offenen Modellen sind aber nur die Gewichte (die Matrizen) verfügbar – man weiß nicht, womit sie trainiert wurden. Ein Beispiel ist das asiatische Modell Kimi v2: Es liefert beeindruckende Benchmarks, aber welche blinden Flecken oder gar politische Agenda bringt es mit? Ohne transparente Trainingsdaten bleibt es ein unkalkulierbares Risiko.

Generative KI ist Werkzeug, nicht Wundermittel

KI und ihr Wert für die Arbeitswelt ist real, aber er braucht dringend eine Dosis Realismus. Generative KI ist keine künstliche Intelligenz im Hollywood-Sinne. Sie ist ein extrem mächtiges Werkzeug.

Die Kunst liegt darin, zu wissen, wofür man dieses Werkzeug einsetzt und wo man es besser in der Kiste lässt. Wer die Grenzen kennt und die Ergebnisse kritisch hinterfragt, kann schon heute einen enormen Mehrwert schaffen. Wer blind auf die Magie vertraut, wird früher oder später eine böse Überraschung erleben.