Was künstliche Intelligenz ist – und was sie nicht ist

Drei Bauarten, die man auseinanderhalten sollte

Wer über künstliche Intelligenz spricht, meint meistens drei sehr verschiedene Dinge. Die Unterschiede sind kein akademisches Detail, sondern entscheiden darüber, ob eine Anschaffung im Betrieb trägt.

Die erste Bauart ist regelbasierte Software. Ein Mensch schreibt die Regeln, die Maschine führt sie aus. Ihre Lohnbuchhaltung arbeitet so, Ihre Warenwirtschaft, der Konfigurator im Küchenstudio, der aus Maßen und Materialien einen Preis errechnet. Solche Systeme sind nachvollziehbar und exakt: Wenn ein Ergebnis falsch ist, findet man die Regel, die es verursacht hat, und ändert sie. Was sie nicht können, ist mit Fällen umgehen, an die beim Schreiben der Regeln niemand gedacht hat. Mit künstlicher Intelligenz hat das nichts zu tun, auch wenn es manchmal so verkauft wird.

Die zweite Bauart ist maschinelles Lernen. Hier schreibt niemand die Regeln, sondern man legt dem System Beispiele vor, aus denen es ein statistisches Muster ableitet. Ein Kunststoffverarbeiter, der tausende Kamerabilder von guten und fehlerhaften Spritzgussteilen sammelt, kann daraus ein Modell trainieren, das Ausschuss erkennt, ohne dass jemand je beschrieben hätte, wie ein Einfallstellen-Fehler aussieht. Das Modell ist eng zugeschnitten: Es erkennt genau diese Teile auf genau dieser Anlage. Ändert sich das Material, sinkt die Trefferquote, und das oft, ohne dass es jemandem auffällt.

Die dritte Bauart sind große Sprachmodelle. Sie sind eine Sonderform des maschinellen Lernens, trainiert auf sehr großen Mengen Text mit einer einzigen Aufgabe: das jeweils nächste Textstück vorherzusagen. Aus dieser einen Aufgabe entsteht die Fähigkeit, zu formulieren, zusammenzufassen, zu übersetzen und Fragen zu beantworten. Wie das im Einzelnen funktioniert, steht in Wie ein Sprachmodell arbeitet.

Wahrscheinlichkeit statt Wahrheit

Der wichtigste Satz über Sprachmodelle lautet: Sie erzeugen das Wahrscheinliche, nicht das Wahre. Das Modell hat keinen Begriff davon, ob eine Aussage stimmt. Es hat einen Begriff davon, welche Wortfolge zu der Frage passt, gemessen an allem, was es gelesen hat.

Meistens fällt beides zusammen. Auf die Frage, was ein Lieferschein enthalten muss, ist die wahrscheinlichste Antwort auch die richtige, weil es dazu viel übereinstimmenden Text gibt. Auseinander fällt es dort, wo es speziell wird. Fragen Sie nach dem Wartungsintervall einer bestimmten Baureihe, nach dem Paragraphen einer Landesbauordnung oder nach den Zahlungszielen, die Sie mit einem bestimmten Lieferanten vereinbart haben, dann erfindet das Modell eine plausible Antwort, wenn es die richtige nicht kennt. Es erfindet sie im selben sachlichen Ton wie alles andere. Das ist die eigentliche Gefahr: nicht der Fehler, sondern die Abwesenheit jedes Warnsignals.

Für den Betrieb heißt das: Jede Aussage, die nach außen geht oder auf der eine Entscheidung fußt, braucht eine Quelle oder eine prüfende Person. Ein Ingenieurbüro, das eine KI-formulierte Normenauskunft ungeprüft in ein Gutachten übernimmt, hat kein KI-Problem, sondern ein Haftungsproblem.

Warum ein Sprachmodell nicht rechnet

Ein Sprachmodell rechnet nicht. Es schreibt Zahlen so, wie es Wörter schreibt: als wahrscheinliche Fortsetzung. Bei einfachen Aufgaben trifft es das Richtige, weil die Aufgabe in ähnlicher Form millionenfach im Trainingstext stand. Bei einer Summe über dreißig Positionen mit unterschiedlichen Mehrwertsteuersätzen wird es unzuverlässig, und zwar ohne Vorwarnung.

Das ist kein Mangel, den ein Hersteller später behebt, sondern eine Folge der Bauart. Ein Taschenrechner führt eine Rechenvorschrift aus. Ein Sprachmodell setzt Muster fort. Die beiden Verfahren haben nichts miteinander zu tun.

In der Praxis ist das gelöst, aber nicht im Modell selbst: Gute Systeme erkennen eine Rechenaufgabe und reichen sie an ein echtes Rechenwerk weiter, oft an einen kleinen Programmschnipsel, den das Modell schreibt und ein Rechner ausführt. Das Ergebnis stimmt dann. Wer aber ein Modell in einer schlichten Chatoberfläche ohne diese Anbindung nutzt, bekommt geratene Zahlen. Für einen technischen Großhandel, der Staffelpreise kalkuliert, ist der Unterschied zwischen beiden Aufbauten geschäftsentscheidend.

Dieselbe Logik gilt für alles, was exakt sein muss: Kundennummern, Aktenzeichen, Chargennummern, Termine. Was exakt sein muss, gehört in ein System, das exakt arbeitet. Das Sprachmodell darf es transportieren und formulieren, aber nicht erzeugen.

Was daraus für den Betrieb folgt

Aus dieser Bauart ergibt sich eine brauchbare Faustregel: KI eignet sich dort, wo die Aufgabe unscharf ist, ein Entwurf reicht und ein Mensch das Ergebnis ohnehin sieht, bevor es wirkt.

Das trifft auf erstaunlich viel Arbeit im Mittelstand zu. Eine Spedition, die aus Freitext-Anfragen strukturierte Angebotsdaten zieht. Eine Steuerberatungskanzlei, die Mandantenrückfragen zu wiederkehrenden Themen vorformuliert. Ein SHK-Betrieb, der aus den Stichworten des Monteurs einen verständlichen Arbeitsbericht macht. Eine Personaldienstleistung, die Stellenprofile aus Gesprächsnotizen ableitet. In allen vier Fällen entsteht ein Entwurf, kein Ergebnis, und genau darin liegt der Nutzen: Die leere Seite verschwindet, das Urteil bleibt beim Menschen.

Schlecht geeignet ist KI dort, wo es keine prüfende Instanz gibt, wo ein Fehler teuer und unsichtbar ist, oder wo die Aufgabe eine exakte Rechenvorschrift hat. Für Letzteres gibt es seit Jahrzehnten bessere Werkzeuge, und die kosten weniger.

Die Grenzen, die bleiben

Drei Grenzen verschwinden auch mit besseren Modellen nicht.

Erstens weiß ein Modell nichts über Ihr Haus, solange Sie es ihm nicht geben. Ihre Preisliste, Ihre Verträge, Ihre Prozesse standen nicht im Trainingstext. Wie man das ändert, beschreibt Eigene Unterlagen nutzbar machen.

Zweitens trägt ein Modell keine Verantwortung. Es gibt keine Instanz, die für ein falsches Ergebnis haftet. Die Verantwortung bleibt, wo sie vorher war, und das ist bei Themen wie Arbeitszeugnissen, Pflegedokumentation oder Versicherungsauskünften mehr als eine Formalie.

Drittens ändert KI keinen Prozess. Sie beschleunigt den Prozess, den Sie haben. Wenn in einer ambulanten Pflege die Übergabe schon vorher schlecht organisiert war, entsteht mit KI eine schneller erzeugte, immer noch unbrauchbare Übergabe. Der Nutzen liegt fast nie in der Technik, sondern in der Frage, welche Arbeit man dadurch anders zuschneiden kann.

Was das im Mentoring bedeutet

Diese Unterscheidung ist der Inhalt der Phase WISSEN. Sie ist nicht Theorie um ihrer selbst willen: Wer regelbasierte Software, maschinelles Lernen und Sprachmodelle auseinanderhält, erkennt im eigenen Betrieb schneller, welche Aufgabe zu welcher Technik passt. Das Werkzeug dieser Phase, die Einsatz-Landkarte, hält genau das fest – welche Arbeitsschritte unscharf genug für ein Sprachmodell sind und welche in ein exaktes System gehören.