Arten von Künstlicher Intelligenz: die vollständige Landkarte

Die drei Achsen der KI-Landkarte

Es gibt keine einzige, offizielle Liste der KI-Arten. Die verwirrenden Begriffe – enge KI, generative KI, maschinelles Lernen, Expertensystem – beschreiben nämlich nicht dasselbe, sondern drei voneinander unabhängige Fragen. Wer diese drei Achsen trennt, kann jedes System sauber einordnen, statt Schlagworte zu vermischen.

• Fähigkeit – Wie breit ist die Intelligenz? Von enger Spezialisierung über hypothetische Allgemeinheit bis zur Superintelligenz.
• Funktionsweise – Woher kommt das Verhalten? Aus fest programmierten Regeln oder aus Mustern, die aus Daten gelernt wurden.
• Ergebnis – Was liefert das System? Eine Vorhersage bzw. Klassifikation (prädiktiv) oder neue Inhalte wie Text, Bild, Code (generativ).

Fähigkeit: enge, allgemeine und Superintelligenz

Diese Achse betrifft die Frage, die Alan Turing 1950 aufwarf: Wie allgemein ist die Maschine? Wichtig für die Praxis: Alle heute existierenden Systeme sind enge (schwache) KI. Allgemeine KI und Superintelligenz sind Forschungs- und Debattenbegriffe, keine verfügbaren Produkte.

• Enge/schwache KI (ANI): auf eine Aufgabe spezialisiert – Übersetzen, Gesichtserkennung, Schach. Auch ChatGPT gehört hierher, so vielseitig es wirkt.
• Allgemeine/starke KI (AGI): hypothetisches System mit menschenähnlicher, aufgabenübergreifender Intelligenz. Existiert nicht; Zeitpunkt und Machbarkeit sind offen.
• Superintelligenz (ASI): rein spekulatives System, das menschliche Intelligenz in praktisch allen Bereichen übertreffen würde.
• Alternative Sicht (nach Arend Hintze): reaktive Maschinen (z. B. Deep Blue), Systeme mit begrenztem Gedächtnis (heutige ML-Modelle), Theory of Mind und selbstbewusste KI – die letzten beiden bleiben Zukunftsmusik.

Funktionsweise: regelbasiert versus lernend

Die zweite Achse trennt die klassische, symbolische KI von der modernen, lernenden KI. Regelbasierte Systeme (auch «GOFAI» oder Expertensysteme, prägend seit den 1970er-Jahren) folgen von Menschen geschriebenen Wenn-dann-Regeln. Sie sind transparent, deterministisch und prüfbar – aber starr: Was nicht als Regel erfasst ist, können sie nicht.

Lernende Systeme (maschinelles Lernen, ML) leiten ihr Verhalten aus Daten ab, statt es explizit programmiert zu bekommen. Arthur Samuel prägte den Begriff bereits 1959. Deep Learning mit neuronalen Netzen ist die heute dominante Spielart. Solche Modelle sind anpassungsfähig und stark bei Mustern, aber datenhungrig und oft schwer nachvollziehbar. Viele reale Systeme sind hybrid (neuro-symbolisch) und kombinieren beide Welten.

Ergebnis: prädiktive versus generative KI

Diese Achse ist seit dem Aufstieg von ChatGPT die meistdiskutierte. Prädiktive KI beantwortet «Was ist das?» oder «Was passiert als Nächstes?»: Sie klassifiziert, bewertet oder prognostiziert. Generative KI beantwortet «Erzeuge mir etwas Neues»: Sie produziert Text, Bilder, Code, Audio oder Video. Technisch nutzen beide oft dieselben ML-Grundlagen; generative Modelle lernen zusätzlich, die Verteilung der Daten so gut zu modellieren, dass sie neue, plausible Beispiele erzeugen können. Die Transformer-Architektur von 2017 machte die heutigen grossen Sprachmodelle möglich.

• Prädiktiv: Spamfilter, Kreditscoring, Nachfrageprognose, medizinische Triage, Bilderkennung, Betrugserkennung.
• Generativ: Sprachmodelle (ChatGPT, Claude, Gemini), Bildgeneratoren (Diffusionsmodelle), Code-Assistenten, Sprachsynthese.

Lernverfahren im Detail: überwacht, unüberwacht, bestärkend

Innerhalb der lernenden KI unterscheidet man vor allem nach der Art des Trainings. Diese Unterscheidung erklärt, warum manche Systeme gelabelte Daten brauchen und andere aus Erfahrung lernen.

• Überwachtes Lernen: aus Beispielen mit bekannten Antworten (Labels), z. B. E-Mails als «Spam»/«kein Spam». Grundlage der meisten prädiktiven Anwendungen.
• Unüberwachtes Lernen: findet Struktur ohne Labels, etwa Kundensegmente oder Anomalien (Clustering).
• Bestärkendes Lernen: lernt durch Belohnung aus Versuch und Irrtum; ermöglichte etwa AlphaGo (DeepMind, 2016) und Robotersteuerung.
• Selbstüberwachtes Lernen: erzeugt die Trainingssignale aus den Daten selbst und ist die Grundlage, auf der grosse Sprachmodelle vortrainiert werden.

Wie die Typen zusammenspielen – konkrete Beispiele

Die drei Achsen sind unabhängig, daher lässt sich jedes System als Kombination beschreiben (Fähigkeit • Funktionsweise • Ergebnis). Alle heutigen Beispiele sind enge KI:

• Spamfilter: eng • lernend (überwacht) • prädiktiv.
• Steuer- oder Compliance-Regelwerk: eng • regelbasiert • deterministisch/prädiktiv.
• ChatGPT / Claude: eng • lernend (selbstüberwacht) • generativ.
• Produktempfehlung im Onlineshop: eng • lernend • prädiktiv.
• AlphaGo: eng • lernend (bestärkend) • entscheidungsorientiert.
• Bildgenerator (Diffusionsmodell): eng • lernend • generativ.

Schweizer Perspektive: den richtigen KI-Typ wählen und regeln

Der KI-Typ folgt der Aufgabe, nicht dem Hype. Für nachvollziehbare, regulierte Entscheidungen (Kredit, Versicherung, Behörden) sind regelbasierte oder prädiktive Modelle mit klarer Erklärbarkeit oft die bessere Wahl. Generative KI glänzt bei Entwürfen, Zusammenfassungen und Ideation, bringt aber eigene Risiken: Halluzinationen, unklare Quellen und mögliche Datenabflüsse.

In der Schweiz gilt für den Einsatz jedes KI-Typs das revidierte Datenschutzgesetz (revDSG); Aufsichtsbehörde ist der EDÖB. Wer Personendaten in prädiktive oder generative Systeme gibt, muss Zweck, Transparenz und Auftragsverarbeitung klären – gerade bei Cloud-Sprachmodellen. Für Unternehmen mit EU-Bezug kommt der EU AI Act als zusätzlicher, risikobasierter Rahmen hinzu. Menschliche Aufsicht bleibt bei allen Typen die Leitplanke.