Was ist Künstliche Intelligenz (KI)? Der verständliche Einstieg

Was ist KI? Eine klare Definition

Künstliche Intelligenz ist ein Teilgebiet der Informatik, das Systeme entwickelt, um Aufgaben zu erledigen, die man gemeinhin mit menschlicher Intelligenz verbindet: wahrnehmen, schlussfolgern, lernen, Sprache verarbeiten und handeln. Der Begriff wurde 1956 auf der Dartmouth-Konferenz geprägt. Wichtig ist: KI ist ein Sammelbegriff und kein einzelnes Produkt – er reicht vom Spam-Filter im Postfach über die Routenberechnung im Navi bis zu generativen Chatbots.

Entscheidend ist die Abgrenzung dreier verschachtelter Begriffe. Künstliche Intelligenz ist der Oberbegriff. Maschinelles Lernen (ML) ist ein Teilbereich davon, bei dem Systeme aus Daten lernen, statt fest programmiert zu werden. Deep Learning ist wiederum ein Teilbereich des ML, der auf vielschichtigen neuronalen Netzen beruht und heute die meisten spektakulären Fortschritte antreibt – von Bilderkennung bis zu Sprachmodellen.

Die wichtigsten Arten von KI

KI lässt sich auf zwei Achsen ordnen: nach Leistungsfähigkeit (wie breit sie einsetzbar ist) und nach Methode (wie sie gebaut wird).

• Schwache KI (Narrow AI / ANI): auf eine klar umrissene Aufgabe spezialisiert – Übersetzung, Gesichtserkennung, Produktempfehlung. Alle heute real existierende KI, auch ChatGPT, gehört hierher.
• Starke KI (General AI / AGI): eine hypothetische KI, die beliebige geistige Aufgaben auf menschlichem Niveau bewältigt. Sie existiert nicht und ist keine unmittelbare Realität.
• Symbolische KI (regelbasiert): explizit programmierte Regeln und Wissensbasen ("Wenn-Dann"). Stark bei nachvollziehbarer Logik, schwach bei unscharfen Mustern.
• Maschinelles Lernen: lernt Muster aus Daten – überwacht (mit Beispielen), unüberwacht (ohne Labels) oder verstärkend (durch Belohnung). Dominierender Ansatz der heutigen KI.
• Generative KI: erzeugt neue Inhalte – Text, Bild, Code, Audio. Grosse Sprachmodelle (LLMs) wie GPT oder Claude sind das bekannteste Beispiel und der Grund für den KI-Boom seit 2022.

Wie funktioniert KI? Daten, Training, Vorhersage

Moderne KI-Systeme werden nicht Schritt für Schritt programmiert, sondern trainiert. Ein Modell ist im Kern eine mathematische Funktion mit Millionen bis Milliarden anpassbarer Parameter. Beim Training erhält es viele Beispiele, vergleicht seine Ausgabe mit dem gewünschten Ergebnis und justiert die Parameter, bis der Fehler klein ist. Danach kann das trainierte Modell auf neue, ungesehene Eingaben reagieren – diesen Schritt nennt man Inferenz.

Bei grossen Sprachmodellen funktioniert das Prinzip verblüffend einfach: Das Modell lernt aus riesigen Textmengen, das jeweils wahrscheinlichste nächste Wort vorherzusagen. Aus dieser Fähigkeit entstehen erstaunlich flüssige Antworten. Genau daraus folgt aber auch die wichtigste Grenze: Das Modell versteht Bedeutung nicht wie ein Mensch, sondern rechnet mit Wahrscheinlichkeiten – deshalb kann es überzeugend klingen und trotzdem falsch liegen.

Wo KI Unternehmen konkret hilft

Für die meisten Organisationen liegt der Wert von KI nicht in Zukunftsvisionen, sondern in konkreter Entlastung heute. Sinnvolle Einstiegsfelder haben klar messbaren Nutzen, tolerieren gelegentliche Fehler und lassen menschliche Kontrolle zu.

• Kundenservice: Entwürfe für Antworten, Zusammenfassung von Tickets, Chatbots für häufige Fragen – mit menschlicher Freigabe.
• Marketing und Content: Erstübersetzungen, Textvarianten, Recherche-Zusammenfassungen, Ideenfindung.
• Wissensarbeit: Dokumente durchsuchen und zusammenfassen, Protokolle erstellen, Tabellen strukturieren.
• Prozesse und Daten: Muster in Verkaufs- oder Sensordaten erkennen, Prognosen, Qualitätskontrolle per Bilderkennung.
• Softwareentwicklung: Code-Vorschläge, Fehlersuche und Dokumentation beschleunigen die Arbeit von Entwicklerteams.

Grenzen, Risiken und verantwortungsvolle KI

KI ist mächtig, aber nicht unfehlbar. Sprachmodelle können "halluzinieren", also plausibel klingende, aber falsche Aussagen erzeugen. Modelle übernehmen Verzerrungen (Bias) aus ihren Trainingsdaten, ihr Wissen hat einen Stichtag, und sie liefern keine garantierte Quelle. Deshalb gehört zu jedem produktiven Einsatz eine menschliche Kontrolle bei wichtigen Entscheidungen sowie eine Prüfung der Ergebnisse auf Fakten.

In der Schweiz gilt für den Umgang mit Personendaten das revidierte Datenschutzgesetz (revDSG), überwacht durch den EDÖB – nicht die europäische DSGVO. Wer KI mit Kundendaten nutzt, sollte prüfen, wo Daten verarbeitet werden, keine sensiblen Informationen unbedacht in öffentliche Tools eingeben und die EU-KI-Verordnung (EU AI Act) im Blick behalten, sobald Produkte in den EU-Markt gehen. Datensparsamkeit und klare interne Richtlinien sind der pragmatische Schweizer Weg.

Erste Schritte mit KI – und wie es weitergeht

Der beste Einstieg ist klein, konkret und wenig riskant. Wählen Sie eine wiederkehrende, nervige Aufgabe mit niedrigem Schadenspotenzial, testen Sie ein etabliertes Werkzeug an echten Beispielen und vergleichen Sie das Ergebnis mit Ihrer bisherigen Arbeitsweise. Legen Sie früh einfache Regeln fest: Welche Daten dürfen hinein, wer prüft die Ergebnisse, wie wird KI-Unterstützung gekennzeichnet.

Von hier aus vertiefen Sie einzelne Themen: die Unterschiede zwischen maschinellem Lernen und Deep Learning, wie generative KI und grosse Sprachmodelle im Detail arbeiten, das Formulieren guter Anweisungen (Prompting) sowie Datenschutz und Governance im Schweizer Kontext. Diese Grundlagenseite ist der Ausgangspunkt – die vertiefenden Beiträge bauen darauf auf.