Was ist künstliche Intelligenz eigentlich?

Zwischen den Zeilen • 17. November 2025 • Lesezeit: 7 Minuten

Künstliche Intelligenz, kurz KI, ist längst mehr als ein Schlagwort aus der Forschung. Sie hat sich zu einem festen Bestandteil moderner Softwareentwicklung entwickelt und beeinflusst, wie Anwendungen entworfen, entwickelt und betrieben werden. Dabei ist es wichtig zu verstehen, was genau hinter den Begriffen steckt, die in diesem Zusammenhang häufig fallen – Begriffe wie Machine Learning, Neural Network, LLM oder Prompt. Nur wer die grundlegenden Konzepte kennt, kann die Möglichkeiten und Grenzen dieser Technologie realistisch einschätzen.

Was ist künstliche Intelligenz eigentlich?

Unter künstlicher Intelligenz versteht man im Kern Systeme, die Aufgaben ausführen, für die normalerweise menschliche Intelligenz erforderlich wäre. Dazu gehören beispielsweise das Erkennen von Mustern, das Verstehen natürlicher Sprache oder das Treffen von Entscheidungen auf Basis von Erfahrung. KI ist kein einzelnes Programm, sondern eine ganze Disziplin, die viele Teilgebiete umfasst. Ein zentrales Feld ist dabei das sogenannte Machine Learning, also das maschinelle Lernen.

Beim maschinellen Lernen werden Modelle mit Daten trainiert, um Muster zu erkennen und daraus Vorhersagen zu treffen. Statt also ein Regelwerk manuell zu programmieren, „lernt“ das Modell eigenständig aus Beispielen. Diese Modelle können sehr einfach sein, etwa lineare Regressionsmodelle, oder hochkomplex, wie neuronale Netze mit Millionen von Parametern.

Neuronale Netze und Deep Learning

Neuronale Netze bilden die Grundlage vieler moderner KI-Anwendungen. Inspiriert vom Aufbau des menschlichen Gehirns bestehen sie aus vielen miteinander verbundenen Knoten – sogenannten Neuronen. Diese Neuronen sind in Schichten organisiert und transformieren Eingabedaten Schritt für Schritt in ein Ergebnis. Je tiefer das Netz, desto komplexere Zusammenhänge kann es modellieren – daher der Begriff Deep Learning.

Ein einfaches neuronales Netz könnte zum Beispiel für die Klassifikation von Zahlen trainiert werden. Es bekommt eine Eingabe, z. B. ein Bild einer handgeschriebenen Zahl, und gibt eine Wahrscheinlichkeit aus, welcher Ziffer es am ehesten entspricht. Der zugrunde liegende Code könnte in Pseudocode etwa so aussehen:

input = load_image("zahl.png")
output = neural_network.predict(input)
print(output)

Hier passiert die eigentliche „Intelligenz“ im trainierten Modell – der Code selbst enthält keine fest einprogrammierten Regeln, sondern verwendet ein zuvor trainiertes neuronales Netz, das auf Basis vieler Beispiele gelernt hat, die richtige Ziffer zu erkennen.

Large Language Models (LLMs)

Ein besonders bekanntes und einflussreiches Teilgebiet der KI sind sogenannte Large Language Models, kurz LLMs. Diese Modelle sind darauf trainiert, menschliche Sprache zu verstehen und zu erzeugen. Sie bilden das Fundament vieler moderner Chatbots, Textgeneratoren oder Assistenten. Ein LLM wird mit gigantischen Mengen an Textdaten trainiert – oft in verschiedenen Sprachen, Stilen und Themenbereichen. Dadurch entsteht ein Modell, das statistisch versteht, wie Sprache funktioniert, welche Begriffe miteinander in Beziehung stehen und welche Wortfolgen wahrscheinlich sind.

Das Training eines solchen Modells ist extrem rechenintensiv und erfordert spezialisierte Hardware. Die Architektur der meisten LLMs basiert auf sogenannten Transformern, einem neuronalen Netzwerktyp, der sich besonders gut für sequenzielle Daten wie Text eignet. Durch Mechanismen wie Attention kann das Modell den Kontext eines Satzes besser verstehen, indem es Beziehungen zwischen einzelnen Wörtern und Phrasen herstellt.

Wenn ein Benutzer mit einem LLM interagiert, etwa über ein Chatfenster, dann geschieht im Hintergrund Folgendes:

input_text = "Erklaere mir den Unterschied zwischen KI und ML."
response = llm.generate(input_text)
print(response)

Das Modell analysiert den Text, sucht in seinem erlernten Wissensraum nach Mustern und produziert eine Antwort, die statistisch gesehen am besten zum eingegebenen Text passt. Das Ergebnis ist kein echtes „Verstehen“ im menschlichen Sinn, sondern eine auf Wahrscheinlichkeiten basierende Textgenerierung.

Was ist ein Prompt?

Im Zusammenhang mit LLMs hört man oft den Begriff Prompt. Ein Prompt ist nichts anderes als die Eingabe, die ein Benutzer oder Programm an das Modell übergibt. Er beschreibt also die Aufgabe oder die Frage, die das Modell beantworten soll. Die Qualität und Struktur dieses Prompts beeinflusst stark, wie sinnvoll und präzise die Antwort ausfällt. Dieses Prinzip nennt man Prompt Engineering – die gezielte Gestaltung von Eingaben, um optimale Ergebnisse zu erzielen.

Ein Beispiel für unterschiedliche Prompts könnte so aussehen:

prompt1 = "Schreibe einen kurzen Text ueber KI."
prompt2 = "Erklaere in 5 Saetzen die Funktionsweise eines neuronalen Netzes."

Beide Prompts richten sich an dasselbe Modell, führen aber zu unterschiedlichen Ergebnissen, weil sie unterschiedlich spezifisch sind. Prompt Engineering ist also keine Nebensache, sondern ein zentrales Element bei der Nutzung großer Sprachmodelle.

Training und Fine-Tuning

LLMs entstehen durch ein aufwendiges Training auf riesigen Datenmengen. Dabei werden Gewichte in einem neuronalen Netz so angepasst, dass es Zusammenhänge in der Sprache erkennt. Doch nicht immer reicht das Basismodell aus. Für spezialisierte Aufgaben – zum Beispiel juristische Texte, medizinische Analysen oder technische Dokumentation – wird häufig sogenanntes Fine-Tuning eingesetzt. Dabei wird das vortrainierte Modell mit zusätzlichen, domänenspezifischen Daten weitertrainiert. So lernt es, in einem bestimmten Kontext präzisere und relevantere Antworten zu geben.

Ein Modell kann aber auch durch sogenanntes Few-Shot Learning oder Zero-Shot Learning arbeiten. Das bedeutet, es kann Aufgaben bewältigen, für die es keine spezifischen Beispiele gesehen hat – allein aufgrund seiner allgemeinen Sprachkompetenz. Das ist einer der Gründe, warum moderne KI-Systeme so vielseitig wirken.

Grenzen und Verantwortung

Trotz aller Fortschritte ist KI kein Allheilmittel. Ein LLM kann überzeugend schreiben, aber es versteht die Welt nicht im menschlichen Sinn. Es erzeugt Texte, die plausibel klingen, aber faktisch falsch sein können. Deshalb muss bei der Anwendung von KI immer eine kritische Bewertung der Ergebnisse erfolgen. Gerade im professionellen Umfeld, etwa in der Softwareentwicklung, ist die Verantwortung groß, fehlerhafte oder irreführende Informationen zu vermeiden.

Ein KI-Modell lernt ausschließlich aus den Daten, mit denen es trainiert wurde. Sind diese Daten fehlerhaft, voreingenommen oder unvollständig, spiegelt das Modell diese Probleme wider. Dieses Phänomen nennt man Bias. Umso wichtiger ist es, KI nicht als unabhängigen Entscheider zu betrachten, sondern als Werkzeug, das den Menschen unterstützt, nicht ersetzt.

Fazit

Künstliche Intelligenz – insbesondere Large Language Models – sind mächtige Werkzeuge, die die Art und Weise verändern, wie wir mit Computern interagieren. Wer die grundlegenden Begriffe wie Machine Learning, Neural Networks, Prompt oder Fine-Tuning versteht, kann das Potenzial dieser Technologie besser einschätzen und gezielter einsetzen. Entscheidend ist nicht nur das Wissen über die Funktionsweise, sondern auch das Bewusstsein für Verantwortung, Transparenz und den sinnvollen Einsatz im Alltag der Softwareentwicklung.