KI verstehen –
von den Anfängen
bis zu Agenten-Schwärmen.
Wer hat heute schon
KI benutzt?
Wie alles
begann.
70 Jahre Geschichte, kurz erzählt – von Turing bis ChatGPT.
70 Jahre Auf
und Ab.
KI ist kein Blitz aus heiterem Himmel – der Durchbruch kam durch mehr Daten, mehr Rechenleistung und eine bessere Architektur.
KI ist der Oberbegriff.
- Künstliche Intelligenz (KI)Der Oberbegriff für alles, was Maschinen „intelligent" erscheinen lässt.
- Machine Learning (ML)Systeme, die aus Daten lernen, statt fest programmiert zu werden.
- Deep LearningML mit vielschichtigen neuronalen Netzen – das „deep" steht für die Schichten.
- Generative KI / LLMsErzeugt neue Inhalte: Texte, Bilder, Code. Hier sitzen ChatGPT, Claude, Gemini.
Woher weiß die KI,
was ein A ist?
Niemand programmiert eine Regel wie „zwei schräge Striche plus Querbalken". Die Maschine lernt es selbst – aus tausenden verschiedenen Beispielen.
- 01Trainingsdaten. Großes, kleines, gedrucktes, handgeschriebenes „A" – jedes davon mit dem Label „A" versehen.
- 02Muster erkennen. Das Netz sucht wiederkehrende Merkmale statt einer exakten Form: Striche, Winkel, Querbalken.
- 03Fehler korrigieren. Bei jedem falschen Rateversuch werden die Parameter ein kleines Stück nachjustiert.
Am Ende ist kein Bild gespeichert – nur ein Muster, das zu „A" passt.
es heute.
- Kann eine Sache gut
- Schach, Texte, Bilderkennung
- Kein echtes Weltverständnis
- „Narrow AI" – eng begrenzt
es nicht.
- Flexibel wie ein Mensch
- Beliebige Aufgaben lösen
- Forschungsziel, nicht Realität
- „Extrem begabter Fachidiot" heute
Wie ein LLM
funktioniert.
Vom nächsten Wort bis zum vollen Kontextfenster.
Vervollständigen Sie
den Satz.
Rufen Sie mir zu, wie es weitergeht – genau das macht gleich ein LLM. Nur eben mit Milliarden Beispielen statt einem Kinderlied.
Klicken Sie auf ein Wort.
Wort 1 von 4
Autovervollständigung,
hochgerechnet auf Milliarden.
Ein LLM (Large Language Model) tut im Kern nur eine Sache: Es berechnet, welches Wort mit der höchsten Wahrscheinlichkeit als Nächstes kommt.
Token und Parameter.
Nicht überfrachten – aber diese zwei Begriffe erklären später auch typische Schwächen.
nicht Wörter
Stellschrauben
Token an einem
ganz normalen Satz.
Ein LLM zerlegt Text in Wortbausteine – oft mehr, als man denkt.
6 Wörter werden zu 9 Tokens. Lange Wörter zerfallen fast immer: „Autobahnen" wird zu Auto · bahn · en, „überfüllt" zu über · füllt.
Parameter: die
Stellschrauben wachsen.
Parameter (Gewichte) sind Zahlen, die das Modell beim Training lernt. Sie bestimmen, wie stark eine Information die nächste beeinflusst.
Herstellerangaben zu aktuellen Modellen sind meist geheim – die Größenordnung „über einer Billion" gilt als plausible Schätzung von Fachleuten.
2020–2022: Je mehr Parameter, desto besser. Heute: Effizienz, Architektur, hochwertige Trainingsdaten, spezialisierte Reasoning-Verfahren und Grounding zählen oft mehr als die reine Parameterzahl.
Deshalb kann ein modernes Modell mit deutlich weniger aktiven Parametern ein älteres Modell mit mehr Parametern in vielen Aufgaben übertreffen.
Was sind diese
Stellschrauben konkret?
250 × Wohnfläche
− 1.000 × Alter
− 5.000 × Entfernung
Die Zahlen 250, −1.000 und −5.000 sind die Parameter.
Sie bedeuten:
- Jede zusätzliche Quadratmeter erhöht den Preis um 250.
- Jedes weitere Baujahr senkt den Preis um 1.000.
- Jeder Kilometer weiter von der Innenstadt entfernt senkt den Preis um 5.000.
Beim Training werden diese Zahlen immer wieder angepasst, bis die Vorhersagen möglichst gut zu den echten Hauspreisen passen.
Warum ist „blau“ so wahrscheinlich?
Weil Milliarden Parameter aus dem Training gelernt haben, dass in sehr vielen Texten auf „Der Himmel ist ...“ häufig „blau“ folgt.
Warum Milliarden? Sprache braucht gleichzeitig Grammatik, Bedeutung, Fachwissen, Code, Mathematik und viele Sprachen – dafür reichen wenige Parameter nicht.
Reasoning-Modelle:
wenn die KI erst nachdenkt.
Ein klassisches LLM antwortet sofort. Reasoning-Modelle wie GPT-5 Thinking, Claude mit Extended Thinking oder DeepSeek-R1 schalten einen Zwischenschritt davor.
Durchlauf
Schritten
statt neuer Trick
Deshalb deutlich stärker bei Mathe, Code und komplexer Logik – aber langsamer und teurer pro Antwort.
System-Prompt,
User-Prompt, Context.
Ein LLM hat kein eigenes Gedächtnis. Bei jeder einzelnen Anfrage wird der komplette bisherige Verlauf neu mitgeschickt.
Prompt
Prompt
Das Modell selbst speichert nichts – ohne den mitgeschickten Verlauf gäbe es kein Gedächtnis im Gespräch.
So sieht das
in der Praxis aus.
Der System-Prompt (rechts) steht fest im Hintergrund. Darauf folgen ganz unterschiedliche User-Prompts – hier drei typische Beispiele:
Derselbe System-Prompt, aber die zweite Frage löst die Verweis-Regel aus – die dritte nicht.
wird eng.
- Kontextfenster ist begrenzt – typisch einige Zehn- bis Hunderttausend Tokens
- Älteste Nachrichten fallen aus dem Fenster
- Modell „vergisst" frühe Details
- Im Extremfall bricht die Anfrage ab
statt vergessen.
- Verlauf wird automatisch zusammengefasst
- Kernpunkte bleiben erhalten
- Platz für neue Nachrichten entsteht
- Gespräch geht weiter – mit Gedächtnislücken bei Details
Die Modell-
Landschaft.
Wer baut die Modelle, wovon leben sie – und wo finden Sie sie?
Ein LLM schlägt
nichts in einer Datenbank nach.
Das Wissen ist nicht abgelegt wie in einem Lexikon, sondern komprimiert in den Parametern – ungefähr so, wie Sie den groben Inhalt eines Buches wiedergeben können, ohne die exakten Seiten vor sich zu haben.
Deshalb kann eine KI etwas völlig überzeugend formulieren und trotzdem sachlich falsch liegen.
Nicht nur ein LLM.
Hinter dem Begriff „KI-Chatbot" stecken ganz unterschiedliche Modelle – gebaut von unterschiedlichen Firmen, mit unterschiedlichen Stärken.
Wer baut sie – und was
macht den Unterschied?
baut sie
unterscheidet
geschlossen
Womit verdienen die
großen KI-Firmen ihr Geld?
Über mehrere Kanäle gleichzeitig – aber kaum eine Firma ist damit heute schon profitabel.
Zugang
Abos
Lizenzen
Verzahnung
→
optimieren.
- Keywords, Backlinks, Meta-Tags
- Ladezeit und technische Feinarbeit
- Ziel: Platz 1 in der Trefferliste
- Erfolg = Klick auf die eigene Seite
Antwort optimieren.
- Klare Fakten, Struktur, Zitierfähigkeit
- Autorität und Vertrauenswürdigkeit zählen
- Ziel: als Quelle in der KI-Antwort genannt werden
- Erfolg = Erwähnung, oft ganz ohne Klick
Wo Sie diese Modelle
finden.
Vom Chatbot
zum Agenten.
Wenn KI nicht nur redet, sondern selbstständig handelt.
Eine Eskalationsleiter.
Ein einzelner Agent ist ein Mitarbeiter. Ein Schwarm ist eine kleine Abteilung – mit Chef, Rechercheur und Qualitätskontrolle.
MCP ist USB-C
für KI-Anwendungen.
Früher brauchte man für jedes Gerät ein eigenes Kabel; heute passt ein Anschluss für alles. Genauso muss man dank MCP nicht mehr für jedes Tool eine Extra-Bastellösung bauen.
Die Grenzen
der KI.
Was schiefgeht – und warum.
KI berechnet
Wahrscheinlichkeiten – sie versteht nicht.
Man hat der KI doch
keine Lügen beigebracht?
Stimmt. Niemand hat der KI das Lügen beigebracht – und trotzdem erfindet sie Dinge. Der Grund liegt in dem, wofür sie überhaupt trainiert wurde.
vor Gericht
„klingt plausibel"
nichts nach
Eine KI hat kein Konzept von „ich weiß es nicht" – sie vervollständigt immer, auch wenn die Fakten fehlen.
Grounding: die KI an der
Realität verankern.
Statt sich nur auf komprimiertes Trainings-Wissen zu verlassen, bekommt die KI aktuelle, geprüfte Fakten an die Hand – bevor sie antwortet.
Anker
Websuche
Halluzination
Grounding macht eine KI nicht klüger – es gibt ihr nur die richtigen Fakten zur richtigen Zeit.
Trainings-Schnitt.
- Frage: „Wie viele Urlaubstage stehen mir zu?"
- Antwort: „In vielen Unternehmen sind 25–30 Urlaubstage üblich.“
- Klingt plausibel, ist aber allgemein
- Das muss aber nicht für ihr Unternehmen stimmen.
echten Dokument.
- Die KI durchsucht zuerst das Mitarbeiterhandbuch des Unternehmens
- Antwort: „Laut dem Mitarbeiterhandbuch haben Vollzeitbeschäftigte 30 Urlaubstage pro Jahr.“
- Idealerweise verweist sie dabei sogar auf den entsprechenden Abschnitt oder das Dokument.
- Nachprüfbar statt geraten
Sicherheit im
Umgang mit KI.
Worauf Sie als Anwender achten müssen.
Prompt
Injection.
Versteckte Anweisungen in Text, Webseite, Mail oder Dokument können eine KI – besonders einen Agenten – kapern. Alles, was ein Agent liest, kann Anweisungen enthalten.
Worauf Sie als
Anwender achten müssen.
Praxis &
Ausblick.
Was Sie morgen schon anders machen können.
Fünf Praxis-Tipps.
Ein Agent, gebaut in
Microsoft Copilot.
Kein Code nötig — die Bausteine aus diesem Vortrag stecken direkt in der Oberfläche. Ein durchgängiges Beispiel: der HR-Agent.
festlegen
verbinden
geben
hinzufügen
Vibe Coding: Programmieren
durch Beschreiben.
Statt Zeile für Zeile Code zu tippen, beschreibt man in natürlicher Sprache, was entstehen soll — die KI schreibt, testet, korrigiert.
function berechneRabatt(, schlägt die KI den Rest der Funktion vor.Assistent
Coding
Dieses Deck ist ein Beispiel: Mitmach-Spiel, Tooltips, Sound und Konfigurator entstanden Schritt für Schritt im Dialog mit einer KI — nicht von Hand programmiert.
Wohin die Reise
weiter geht.
Die offenen Fragen bleiben: Energiebedarf, Urheberrecht und die Frage, wem die Modelle eigentlich gehören.
Der EU AI Act:
KI nach Risiko sortiert.
Das weltweit erste umfassende KI-Gesetz. Es reguliert nicht die Technik, sondern den Anwendungsfall – je höher das Risiko für Menschen, desto strenger die Pflichten.
Risiko
Risiko
Risiko
Risiko
Artikel 4 verlangt seit Februar 2025 KI-Kompetenz von Mitarbeitenden – genau deshalb sitzen Sie heute hier.