Das Modell: ein simpler Algorithmus

Ja, der Begriff wirkt auf den ersten Blick kompliziert. Algorithmus. In Wirklichkeit kann ein Algorithmus aber genau das sein:

Das ist der Unterschied zu 0 + 10: Hier haben Sie sich ganz automatisch, wenn auch nur den Bruchteil einer Sekunde, ein Aufsummieren von Einsen vorgestellt, eine nach der anderen.

KI besteht aus einem oder mehreren Algorithmen, die ein Ziel erreichen sollen. Das kann der kürzeste Weg zum Restaurant sein (Ihr Navi), ein erzeugtes Protokoll, ein Video, Simulationen in der Forschung … Im Grunde ist eine KI nur ein Rechensystem, das so komplex ist, dass Sie darin Intelligenz erkennen — und das Sie mitunter vermenschlichen.

In Wirklichkeit aber weiß ChatGPT weder, dass es eine KI ist, noch was die Realität ist, noch was Text ist.

Zurück zum Thema, also zu unseren KIs. Verschiedene Arten von KI heißt: „Manche KIs sind in bestimmten Bereichen besser als andere.“ Wollen Sie zum Beispiel ein vollständig erklärbares, rechengünstiges und deterministisches System für Ihre Navi-Anwendung (eines, das seine Meinung nicht ändert, wenn Sie zweimal dasselbe fragen), dann nehmen Sie kein LLM, sondern eher einen Algorithmus zur Graphensuche — also symbolische KI, wie Ihre Expertensysteme.

Die symbolische KI

Ah, die Good Old-Fashioned AI (ein Begriff von 1985, damals schon nicht mehr sonderlich cool ^^)! Und doch ist sie in Ihrem Alltag weit präsenter, als Sie glauben.

Ich gebe zu, dass ich hier etwas voreingenommen bin: Ich habe 7 Jahre bei Golem.ai gearbeitet (heute Miralia), das aus meiner Abschlussarbeit hervorging. Das Unternehmen betreibt Textanalyse über einen symbolischen Algorithmus, mit dem sich unter anderem Nachrichten klassifizieren lassen.

Die symbolische KI (oder klassische KI) beruht auf der Idee, dass sich menschliche Intelligenz durch die explizite Manipulation von Symbolen, Begriffen und logischen Regeln erklären lässt.

Anders als Machine Learning, das auf statistischem Training aus Daten beruht, stützt sich die symbolische KI auf Wissen, das von menschlichen Fachleuten direkt modelliert wurde: als Fakten, Ontologien und Regeln („Wenn … dann …“). Ihre Arbeitsweise ist damit deterministisch und transparent: Vor einem Problem nutzt ein symbolisches System eine Inferenzmaschine oder einen Suchalgorithmus, um die Lösung logisch aus den vorgegebenen Regeln abzuleiten.

Der größte Vorteil dieses Ansatzes ist seine vollständige Erklärbarkeit: Man kann jeden Schritt der Schlussfolgerung exakt nachvollziehen, ganz ohne Blackbox-Effekt. Äußerst praktisch, wenn Auditierbarkeit gefragt ist.

Sie glänzt in Bereichen, die absolute Strenge verlangen. Die Routenberechnung (Graphentheorie) ist dafür ein sehr gutes Beispiel: Ihre Videospielfiguren, die von A nach B gelangen, ohne sich zu verlaufen, werden meist von einem symbolischen Algorithmus namens A* gesteuert — zusammengefasst: „erkunde den Weg ungefähr in die richtige Richtung, um die beste Route zu finden“.

Im Gegenzug ist diese KI-Familie sehr starr: Sie tut sich schwer mit Nuancen, verrauschten Daten oder Unvorhergesehenem — und wird zunehmend schwerer wartbar, je größer die Regelbasis wird.

Deshalb wird viel darüber diskutiert, die Wendigkeit generativer Algorithmen mit symbolischen Verfahren zu verbinden. Entwickler kennen dafür übrigens ein wiederkehrendes Beispiel, ohne es zu merken: Wenn Ihr Claude Code (oder ein Konkurrenzprodukt) ein Python-Skript erzeugt und ausführt, um Daten umzuwandeln — etwa von Excel in eine Datenbank —, steckt genau diese Idee dahinter. Es schreibt nicht mit Tokens eine riesige Abfrage mit allen Änderungen, sondern ein kleines Skript, das die Aufgabe erledigt.

Machine Learning

Machine Learning (maschinelles Lernen) ist der umgekehrte Ansatz zur symbolischen KI: Statt Entscheidungsregeln explizit zu programmieren („Wenn … dann …“), gibt man einem Computer große Mengen an Daten und ein Ziel — und lässt ihn die zugrunde liegenden Muster und Regeln selbst entdecken. Das Verhalten des Programms wird nicht von einem Menschen vorgegeben, sondern aus den analysierten Beispielen abgeleitet.

Die Funktionsweise beruht auf Statistik und der schrittweisen Anpassung interner Parameter (bei neuronalen Netzen die sogenannten „Gewichte“). Während des Trainings trifft das Modell Vorhersagen, misst seinen Fehler gegenüber der Realität und justiert sich, um diesen Fehler zu verringern. Je mehr repräsentative Daten es erhält, desto präziser werden seine Vorhersagen.

• ▸Überwachtes Lernen. Man liefert Daten samt ihren Antworten (Labels). Beispiel: 100 000 Fotos von Katzen und Hunden mit dem Label „Katze“ oder „Hund“. Das Modell lernt, beide zu unterscheiden.
• ▸Unüberwachtes Lernen. Man liefert rohe Daten ohne Labels, und das Modell sucht verborgene Strukturen. Beispiel: Kunden nach ihrem Kaufverhalten in Segmente gruppieren, ohne die Kategorien vorzugeben.
• ▸Bestärkendes Lernen. Ein Agent interagiert mit einer Umgebung und erhält Belohnungen oder Strafen. Beispiel: eine KI, die Schach spielen oder eine Drohne fliegen lernt, indem sie Handlungen ausprobiert und aus Fehlern lernt.

Deep Learning

Ohne zu tief ins Technische zu gehen: Deep Learning ist ein Teilgebiet des Machine Learning, das auf tiefen neuronalen Netzen beruht (gestapelten Rechenschichten).

Der große Unterschied? Anders als klassisches Machine Learning kann Deep Learning sehr rohe Daten direkt verarbeiten (Bilder, Ton oder Text) und selbstständig erkennen, welche Details für eine Entscheidung wichtig sind — ohne dass ein Mensch die Vorarbeit leisten muss.

Großartig im Korrelieren … deutlich weniger im Erklären

Machine Learning ist hervorragend darin, Korrelationen in komplexen Daten zu finden und Fälle zu behandeln, für die es keine klar definierten Regeln gibt. Nehmen wir ein Beispiel.

Und da haben Sie es: Jetzt verstehen Sie, warum der statistische Ansatz mit einer großen Zahl an Beispielen nötig ist.

Theoretisch wird das Ergebnis mit mehr Daten besser, auch wenn in der Praxis viele weitere Faktoren hineinspielen — allen voran die Qualität der gelieferten Information. Das Problem: Machine Learning hat gravierende Schwächen. Neben dem Rechen- und Energieaufwand sind das seine Abhängigkeit von den Ausgangsdaten und der Umstand, dass es für Menschen unmöglich ist, im Detail nachzuvollziehen, wie das Modell zu einer Entscheidung kommt. Man kann sie nur interpretieren.

Kehren wir zur Bildanalyse zurück, mit diesem 2016 veröffentlichten Beispiel des Forschers Marco Tulio Ribeiro und seines Teams zur Vorstellung von LIME (Local Interpretable Model-agnostic Explanations), einem Werkzeug, das „Blackboxes“ öffnen soll.

Das Experiment „Husky vs. Wolf“

Die Forscher trainierten ein Bildklassifikationsmodell, das Huskys von Wölfen unterscheiden sollte.

• ▸Die Ergebnisse auf dem Papier. Das Modell erreichte eine ausgezeichnete Genauigkeit (um die 90 %). Bei den meisten Testbildern irrte es sich nie.
• ▸Der verdächtige Fehler. Das Modell stufte einen unschuldigen Husky als Wolf ein.

Mit LIME ließen sich die Bildbereiche anzeigen, auf die das Modell seine Berechnungen stützte (die entscheidenden Pixel). Dabei zeigte sich: Das Modell betrachtete weder die Ohren noch die Fellfarbe noch die Augenform des Tieres. Es sah einzig auf den Hintergrund:

• ▸Schnee vorhanden → Wolf
• ▸Kein Schnee (Gras, Erde, Innenraum) → Husky

Denn im Trainingsdatensatz waren alle Wolfsfotos im Winter im Schnee aufgenommen worden, während die Husky-Fotos in Gärten oder auf Rasen entstanden!

Gut, dieses Problem wirkt nicht allzu dramatisch, zumal sich mit LIME „erklären“ ließ, was schiefging. In Wirklichkeit ist die hier vorgeschlagene Lösung jedoch sehr begrenzt.

Wenn es ernst wird: der Fall Amazon

Was passiert, wenn es um etwas Folgenreicheres geht? Wenn das Problem in den Ausgangsdaten steckt und man sich nicht die richtigen Fragen stellt?

Amazons ursprüngliches Ziel war der Traum jeder Personalabteilung: ein Algorithmus, der 100 Lebensläufe liest und automatisch die 5 besten Profile ausgibt, mit einer Bewertung von 1 bis 5 Sternen.

1. Die Ursache: ein von Beginn an verzerrter Datensatz

Zum Training dieses Modells fütterten Amazons Ingenieure es mit den Lebensläufen, die dem Unternehmen über einen Zeitraum von 10 Jahren zugegangen waren — samt der damaligen Einstellungsentscheidungen.

Das Modell tat genau das, wofür Machine Learning gemacht ist: wiederkehrende statistische Korrelationen in vergangenen Erfolgen finden, um künftige vorherzusagen.

2. Der Blackbox-Effekt und die frauenfeindliche Schlagseite

Statt die tatsächlichen Kompetenzen zu bewerten (Code, Abschlüsse, Projekte), lernte der Algorithmus von selbst, das Geschlecht als stärkstes Vorhersagekriterium heranzuziehen. Konkret:

• ▸Direkte Abwertung. Das Werkzeug zog Punkte ab, wenn das Wort „women’s“ im Lebenslauf auftauchte, etwa „Kapitänin des Frauen-Schachteams“ oder „Vorsitzende des Clubs der Ingenieurinnen“.
• ▸Abgewertete Abschlüsse. Der Algorithmus senkte die Bewertung von Bewerberinnen zweier privater Frauenhochschulen.
• ▸Bevorzugter Wortschatz. Das Werkzeug bevorzugte Tätigkeitsverben, die statistisch häufiger in Lebensläufen von Männern vorkamen, etwa executed oder captured.

3. Warum die Korrektur scheiterte

Als die Ingenieure die Schlagseite bemerkten, versuchten sie gegenzusteuern. Doch bei komplexem Machine Learning genügt es nicht, ein Wort zu verbieten: Sie untersagten dem Algorithmus, das Wort „women’s“ zu lesen — und das Modell fand sofort Ersatzvariablen (proxy variables). Es erkannte das Geschlecht an anderen indirekten Hinweisen: außerschulischen Aktivitäten, Satzbau, der Wahl bestimmter Wörter.

Als 2017 klar wurde, dass sich weder die Neutralität des Werkzeugs garantieren noch sämtliche internen Mikroentscheidungen des Modells nachvollziehen ließen, stellte Amazon das Projekt endgültig ein und löste es auf.

Aber habe ich Ihnen nicht gesagt, dass LLMs zu derselben Familie gehören? Und raten Sie mal: Lebensläufe werden zunehmend von KI ausgewertet. Was tun die Bewerber also? Sie passen ihren Lebenslauf an, damit die KI ihnen wohlgesonnen ist.

Sie verstehen also, wie wichtig es ist, die möglichen Probleme eines Algorithmus vorwegzunehmen, der sich nicht erklären kann — und vor allem die Trainingsdaten im Griff zu haben, um schädliche Verzerrungen zu vermeiden. Oder aber …

Die LLMs

1. Die Transformer-Revolution (2017)

Lange Zeit lasen KIs Text Wort für Wort, von links nach rechts. Das Problem: Am Ende eines langen Absatzes hatten sie den Anfang bereits „vergessen“.

2017 erfanden Forscher bei Google eine neue Architektur für neuronale Netze, die alles veränderte: den Transformer. Seine Geheimwaffe? Der Attention-Mechanismus (self-attention). Dank ihm liest die KI nicht mehr Wort für Wort: Sie erfasst den ganzen Satz auf einmal und versteht den Gesamtzusammenhang.

Beispiel: In „Der Kiefer schmerzt, während der Kiefer im Wald wächst“ erkennt die KI dank der umgebenden Wörter sofort, dass zuerst der Knochen und dann der Baum gemeint ist.

Ursprünglich arbeitete diese KI mit zwei Bausteinen, denn sie war für die Übersetzung gedacht. Der Encoder (das „Verstehen“) las den ganzen Satz auf einmal, um seinen tieferen Sinn zu erfassen; der Decoder (das „Erzeugen“) nahm diesen Sinn und schrieb die Übersetzung Wort für Wort.

2. Die entscheidende Wende: warum der Encoder wegfiel

Beim Versuch, KIs zu bauen, die alles können (sich unterhalten, programmieren, zusammenfassen, schlussfolgern), erkannten die Forscher etwas Geniales: Man braucht den Encoder gar nicht mehr. Modelle wie ChatGPT, Llama oder Mistral sind heute reine Decoder-Architekturen (decoder-only).

• 01Text fortzusetzen heißt bereits, ihn verstanden zu haben. Für einen Decoder ist alles eine Geschichte, die vervollständigt werden will. Geben Sie ihm eine Frage, ist die logische Fortsetzung die Antwort. Geben Sie ihm einen deutschen Text, kann die logische Fortsetzung dessen Übersetzung sein. „Verstehen“ und „Erzeugen“ müssen nicht mehr getrennt werden.
• 02Einfachheit vor allem. Mit nur einem Baustein wurde es sehr viel einfacher, riesige Modelle auf Billionen von Daten zu trainieren.

Wie funktioniert das in der Praxis? Die kausale Maske

Hier liegt die eigentliche technische Finesse. Da kein Encoder mehr den gesamten Text vorab liest, nutzt der Decoder eine sogenannte kausale Maske. Das ist eine strenge mathematische Regel: Die KI tastet sich blind in die Zukunft vor. Sie darf NUR die vergangenen Wörter ansehen, um das nächste zu erraten.

Soll das Modell „Die Katze schläft auf dem Sofa“ schreiben:

• 01Es sieht [Anfang] → es sagt „Die“ voraus
• 02Es sieht Die → es sagt „Katze“ voraus
• 03Es sieht Die Katze → es sagt „schläft“ voraus
• 04Es sieht Die Katze schläft → es sagt „auf“ voraus …

Jedes erzeugte Wort wird sofort wieder in sein Sichtfeld eingespeist, um das nächste vorherzusagen. Das nennt man autoregressive Arbeitsweise.

Und bei Bild, Video oder Musik? Genauso!

Wir haben viel über Text gesprochen — aber wie steht es um generative KIs für Bilder (Midjourney, DALL·E) oder Musik (Suno, Udio)? Bis auf ein Detail bleibt die zugrunde liegende Logik exakt dieselbe. Für einen Computer ist alles Mathematik: Ein Text ist eine Folge von Wörtern, ein Bild ein Raster aus Pixeln, ein Musikstück eine Folge von Audiofrequenzen.

• 01Bei Musik. Die KI wendet genau dasselbe Rezept an wie bei Text. Statt das nächste Wort im Satz vorherzusagen, lernt sie, die nächste Note oder das nächste Klangstück vorherzusagen.
• 02Bei Bildern (Diffusionsmodelle). Die KI lernt zunächst, ein Bild zu zerstören, indem sie „Rauschen“ hinzufügt (wie Schnee auf einem alten Fernseher). Anschließend lernt ihr neuronales Netz den umgekehrten Weg: das Rauschen Schritt für Schritt zu entfernen, bis aus dem Chaos ein klares Bild entsteht — geleitet von Ihrem Text (Prompt).

Wenn das Gedächtnis beeinflusst ist

Das war theoretisch, aber interessant. Nun zu weniger erfreulichen Dingen. Erinnern Sie sich an die Feststellung: Ein LLM denkt nicht nach und sucht nicht die „Wahrheit“. Es spiegelt schlicht die Statistik der Texte wider, mit denen es trainiert wurde — mit all ihren Vorzügen, aber auch ihren Vorurteilen und ideologischen Schlagseiten.

Deshalb betont unter anderem Yann LeCun, dass LLMs nur eine Art großes Gedächtnis sind. Doch was passiert, wenn dieses Gedächtnis … beeinflusst ist?

Im Juni 2026 testete die französische Generaldirektion des Schatzamts (im Finanzministerium) ein internes Werkzeug namens HéphAIstos, das rund hundert hohe Beamte bei Verwaltungsaufgaben und wirtschaftlichen Analysen unterstützen sollte. Das gewählte Modell unter der Haube war Qwen, ein sehr leistungsfähiges LLM des chinesischen Konzerns Alibaba.

• 01Tendenziöse Antworten. Bei den Tests meldeten mehrere Mitarbeitende, die KI liefere verzerrte oder an der politischen Doktrin Pekings ausgerichtete Antworten, sobald es um China, internationale Handelsfragen oder Geopolitik ging.
• 02Sofortiger Stopp. Nach nur drei Wochen Erprobung stoppte das Schatzamt den Einsatz von Qwen abrupt.
• 03Souveräner Wechsel. Bereits am Folgetag ersetzte die Verwaltung es durch ein Modell des französischen Start-ups Mistral AI.

Nun stehen Wahlen bevor, und wir wissen, dass Menschen KIs nach ihrer Meinung fragen werden. Was bedeutet das für die Demokratie?

Die Halluzinationen

Da das LLM lediglich das wahrscheinlichste nächste Wort berechnet, weiß es nicht, ob es die Wahrheit sagt. Fehlt ihm eine Information, erfindet es Fakten, Gesetze oder historische Zitate — mit vollkommener Selbstsicherheit.

Datendiebstahl und Urheberrecht

Um diese Modelle zu trainieren, haben Unternehmen Milliarden von Webseiten abgesaugt, ohne Autoren, Künstler oder Medien zu fragen. Das wirft ein erhebliches ethisches und rechtliches Problem beim geistigen Eigentum auf.

Open Weight ist nicht Open Source

Heute stellen Unternehmen wie Meta (mit Llama) oder französische Perlen wie Mistral AI ihre Modelle „kostenlos“ für alle bereit. In den Medien heißt es dann häufig, sie seien Open Source. Das stimmt aber nicht! In Wirklichkeit sind sie Open Weight („offene Gewichte“). Und dieser Unterschied ändert ethisch wie rechtlich absolut alles.

In einem neuronalen Netz sind die Gewichte (weights) die Milliarden von Zahlen, die beim Training justiert wurden. Sie sind die endgültige mathematische Einstellung des Modells.

• ▸Was man Ihnen bei Open Weight gibt: die fertige „Blackbox“. Sie können sie herunterladen, auf Ihrem Server installieren und kostenlos betreiben.
• ▸Was man Ihnen vorenthält: das Kochrezept, also die genaue Datenbasis, mit der trainiert wurde (die rohen, aus dem Web abgesaugten Dateien), und den präzisen Code des Trainingsalgorithmus.

Warum halten die Großen die Daten geheim?

• 01Das rechtliche Risiko (Urheberrecht). Um diese riesigen Modelle zu trainieren, wurden Petabytes an kostenpflichtigen Büchern, Presseartikeln, Bildern und Code ohne Erlaubnis abgesaugt. Den Datensatz zu veröffentlichen hieße, den Rechteinhabern die Beweise für eine Klage frei Haus zu liefern.
• 02Das Betriebsgeheimnis. Der eigentliche Wert eines LLM liegt heute nicht allein in der Architektur des neuronalen Netzes, sondern im Bereinigen und Sortieren der Daten. Den Datensatz offenzulegen hieße, der Konkurrenz die eigene Feinarbeit zu schenken.
• 03Das Sicherheitsrisiko. Ein zu 100 % offenes Modell würde jedem erlauben, genau zu sehen, wie sich die Sicherheitsschranken aufheben lassen — etwa jene, die verhindern, dass es den Bau einer Waffe erklärt oder schädliche Inhalte erzeugt.

Es gibt gleichwohl Fälle von echtem Open Source. Beim Projekt Nemotron (mit den Familien Nemotron-3 oder Nemotron-CC) hat NVIDIA nicht nur das fertige Modell zum Herunterladen bereitgestellt, sondern alle drei Säulen geöffnet:

• 01Die Modellgewichte (model weights): das fertige, einsatzbereite Gehirn der KI.
• 02Der Code und die Trainingsrezepte (training recipes): die Algorithmen, Konfigurationen und der Quellcode, mit denen sich das Modell exakt so nachtrainieren oder verändern lässt wie bei ihnen.
• 03Die Datensätze (open datasets): NVIDIA hat auf Hugging Face Billionen von Trainings-Tokens veröffentlicht, darunter Rohtexte, Code und Daten zur Sicherheitsfilterung.

Warum also öffnen, wenn man nicht alles öffnet?

Das ist eigentlich recht einfach, und es bleibt meine Deutung. Bei den GAFAM geht es meist darum, Konkurrenten einzuholen und den eigenen Standard in bestimmten Märkten durchzusetzen. Deshalb hatte selbst OpenAI (mit sehr fragwürdigem Erfolg, aber ich vermute, das war Absicht) sein Open-Weight-Modell gpt-oss herausgebracht. Auf Ebene der Nationen ist es zugleich ein Mittel, den Markt auszutrocknen: China, das nach den amerikanischen Modellen kam, hat allen Grund, dass Menschen chinesische Modelle nutzen, statt US-Unternehmen zu bezahlen.

Und beim echten Open Source? Nemotron kommt von NVIDIA — keinem Softwareanbieter, der Ihnen ein ChatGPT-Abo verkaufen will. Das Geschäft von NVIDIA ist der Verkauf von Grafikchips. Je mehr Daten und Code die Community hat, um KIs zu bauen, desto mehr NVIDIA-Server kaufen Unternehmen, um sie zu betreiben. Indem NVIDIA Trainingsdatensätze von enormer Qualität (sehr sauber aufbereitet) allen zur Verfügung stellt, wird es zum Standard, auf dem die weltweite Forschung arbeitet. Und wenn mehr Menschen Modelle nutzen … werden mehr Chips verkauft ;)

Wohlgemerkt: Ich behaupte nicht zynisch, dass es niemanden gäbe, der Open Source aus Überzeugung, Transparenz und Werten betreibt. Aber das ist meine Deutung der aktuellen Lage. Deshalb ist es misslich, auf dem europäischen Kontinent nur einen einzigen Akteur zu haben — und zugleich beruhigend zu wissen, dass dieser „Kampf“ uns nahezu fortlaufend neue Open-Weight-Modelle beschert: Solange der Abstand zwischen dem Ersten und dem Zweiten nicht astronomisch ist, werden die Zweiten stets versuchen, die Ersten auszutrocknen ;)

Kleiner Bonus: die evolutionären Algorithmen

Evolutionäre Algorithmen sind der Beweis, dass die Natur die beste Optimierungsmethode längst erfunden hatte, bevor es Computer gab. Um diese KI zu verstehen, genügt ein Blick auf die Darwinfinken der Galápagos-Inseln: Diese Vögel haben nie „beschlossen“, ihre Schnabelform zu ändern, um Samen besser zu knacken. Die Natur erzeugte schlicht zufällige Variationen, eliminierte gnadenlos jene, die sich nicht ernähren konnten, und ließ die Überlebenden ihren vorteilhaften Schnabel an die nächste Generation weitergeben. Ein evolutionärer Algorithmus macht genau dasselbe, nur mit Millionen Berechnungen pro Sekunde.

Konkret erzeugt der Algorithmus zunächst eine „Population“ aus Tausenden völlig absurder, zufällig erzeugter Lösungen. Anschließend setzt er sie einem Umweltdruck aus: einer Bewertungsfunktion, die die schlechtesten Kandidaten sofort aussortiert. Die wenigen Überlebenden werden dann „gekreuzt“, ihre Codes vermischt, und eine Prise zufälliger Mutationen kommt hinzu, um neue Wege zu erkunden. Das ist eine KI, die vorankommt, ohne zu verstehen: Sie sucht nicht nach den Ursachen eines Problems, sie sammelt bloß die kleinen Erfolge des Zufalls.

Eines der eindrücklichsten Beispiele dieses „digitalen Darwinismus“ bleibt der Entwurf der Satellitenantenne ST5 der NASA. Die Ingenieure ließen einen evolutionären Algorithmus über Tausende Generationen virtuelle Drähte verbiegen. Das Ergebnis? Die KI brachte eine völlig verdrehte, asymmetrische Form hervor, die an eine verbogene Büroklammer erinnert und auf die kein Mensch gekommen wäre — deren elektromagnetische Leistung jedoch alles übertraf, was klassische Ingenieurslogik hervorgebracht hatte.

Und in der Praxis?

Sehr gut, wir haben die ganze Theorie gesehen — aber wie sieht es in der Praxis aus? Ins Detail gehen wir, sobald wir alle Bausteine durchlaufen haben; ich möchte nur, dass wir eine gemeinsame Verständnisgrundlage haben, bevor es weitergeht.

Um Ihnen aber schon ein paar Anhaltspunkte zu geben: Wenn Sie mit KI arbeiten, arbeiten Sie mit einem Werkzeug, das nur X von 100 Malen funktioniert — wegen seines statistischen Ansatzes und meist auch wegen der Beschaffenheit der Daten, die Sie ihm geben. Für einen Computer sind „Hallo, wie geht’s?“ und „Guten Tag, wie geht es Ihnen?“ unterschiedliche Daten, die zu unterschiedlichen Ergebnissen führen können. Ebenso: Sagen Sie Ihrem ChatGPT zweimal Hallo — Sie werden sehen, dass Sie nicht exakt dieselbe Antwort bekommen.

Um damit umzugehen, verwenden KI-Ingenieure Maßzahlen, die die Zuverlässigkeit ihrer Lösung bestimmen. Üblicherweise nutzt man eine Kennzahl namens F1 oder eine ihrer Varianten. Ich erkläre sie hier noch nicht, aber verstehen Sie: Es geht darum, den Anteil der Fälle zu bestimmen, in denen die KI sich irrt — und wie schwer dieser Irrtum wiegt.