Künstliche Intelligenz verstehen: Was KI wirklich kann – und was nicht

KI ist kein einzelnes Programm. Der Begriff umfasst unterschiedliche Verfahren und Produkte. Wer sie sinnvoll einsetzen will, sollte drei Dinge unterscheiden: Wie funktioniert die Technik? Was leistet das konkrete Produkt? Welche Verantwortung bleibt beim Menschen?

Redaktionsstand: 27.10.2026. Die Produktübersicht ist zeitabhängig. Mehr zu SEO-Begriffen finden Sie im SEO & KI Glossar.

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) bezeichnet Computersysteme, die Aufgaben übernehmen, für die wir häufig menschliche Fähigkeiten wie Mustererkennung, Sprache oder Planung einsetzen. Nicht jede KI erzeugt Texte: Auch Prognosen, Bilderkennung und Empfehlungssysteme gehören dazu.

Die Begriffe bauen aufeinander auf:

• Künstliche Intelligenz: der Oberbegriff.
• Machine Learning: Lernen aus Daten, ein Teilbereich der KI.
• Deep Learning: Lernen mit mehrschichtigen neuronalen Netzen, ein Teilbereich des Machine Learning.
• Viele moderne Sprachmodelle (LLMs) beruhen auf Deep Learning.

Vereinfachte Einordnung: Nicht alle KI-Systeme sind Machine Learning; nicht alle Deep-Learning-Modelle sind Sprachmodelle.

Maschinelles Lernen: Ein System erkennt Muster aus Beispieldaten, statt ausschließlich vorab programmierte Regeln anzuwenden. Beispiel: Erkennung auffälliger Transaktionen.

Generative KI: Ein Modell erzeugt neue Inhalte wie Texte, Bilder, Musik oder Code. Ob diese Inhalte sachlich richtig sind, muss gesondert geprüft werden.

Wie funktioniert ein Sprachmodell?

Ein großes Sprachmodell (LLM) wird mit umfangreichen Daten trainiert. Es verarbeitet Eingaben als sogenannte Tokens und berechnet, welche Fortsetzung im Kontext passend ist. Durch Training und weitere Abstimmung lernt es, Anweisungen zu befolgen und vielfältige Aufgaben zu bearbeiten.

Der Ablauf in vier Schritten:

1. Training: Muster in Daten lernen.
2. Prompt: Ihre Frage und der Kontext.
3. Modellberechnung: Tokens werden verarbeitet.
4. Antwort: eine Ausgabe, die Sie überprüfen können.

Wichtig: Sprachliche Sicherheit ist keine Garantie für faktische Richtigkeit. Bei einer Recherche kann das Modell über Suchwerkzeuge oder RAG zusätzliche Quellen abrufen. Eine solche Verbindung verbessert die Nachvollziehbarkeit, verhindert Fehler aber nicht automatisch.

Merksatz: Ein überzeugend formulierter Satz ist noch kein Beleg. Prüfen Sie bei wichtigen Entscheidungen die Originalquelle.

Stärken und Schwächen

Wobei KI helfen kann

• Texte strukturieren, übersetzen und zusammenfassen
• Ideen, Varianten und Entwürfe erstellen
• Programmcode erklären und unterstützen
• Große Informationsmengen vorstrukturieren
• Wiederkehrende Abläufe unterstützen

Wo Vorsicht nötig ist

• Erfundene Fakten oder Quellen
• Unzuverlässige Ergebnisse bei komplexen Aufgaben
• Verzerrungen und unvollständige Daten
• Vertraulichkeit und Datenschutz
• Fehler bei eigenständig handelnden Agenten

Leistungsfähigkeit hängt von Modell, Aufgabe, Werkzeugen und Kontext ab. Ein System kann bei Programmierung stark und bei einer einfachen mehrstufigen Planung überraschend fehleranfällig sein. Der International AI Safety Report 2026 beschreibt diese ungleichmäßigen Fähigkeiten und Zuverlässigkeitsprobleme.

Welche KI steckt in welchem Produkt?

Ein Produkt ist nicht dasselbe wie ein Modell. Die Anwendung stellt Oberfläche, Zugriffsrechte, Werkzeuge und Datenverbindungen bereit. Im Hintergrund kann sie ein oder mehrere Modelle verwenden. Das Produkt (zum Beispiel Copilot) wählt ein Modell (zum Beispiel GPT oder Claude), verbindet es mit berechtigten Daten wie Dokumenten oder Suche und liefert ein Ergebnis: Text, Analyse oder Aktion.

Produkt	Anbieter	Modelle / Modellfamilien	Einordnung
ChatGPT	OpenAI	GPT-Modellfamilien; je nach Plan und Modus	Produkt ist nicht identisch mit einem einzelnen Modell.
Microsoft 365 Copilot	Microsoft	OpenAI GPT; in bestimmten Funktionen auch Anthropic Claude	Modellauswahl und Zugriff können durch Organisation und Lizenz gesteuert werden.
GitHub Copilot	GitHub / Microsoft	Modelle mehrerer Anbieter, darunter OpenAI, Anthropic und Google	Modellliste ist tarif- und organisationsabhängig.
Claude	Anthropic	Claude-Modellfamilie	Eigenständiger Assistent und Modellfamilie.
Gemini Apps	Google	Gemini-Modellfamilie; teilweise automatische Auswahl	Verfügbarkeit abhängig von Plan und Nutzung.
Perplexity	Perplexity	Je nach Produkt und Modus unterschiedliche Modelle	Such-/Antwortprodukt mit Quellenfunktionen; kein einzelnes Basismodell.
Apple Intelligence	Apple	Apple-eigene Modelle; je nach Funktion Integrationen	Geräte-, Regions- und Funktionsabhängigkeit beachten.

Stand: 27.10.2026. Die Tabelle nennt bewusst überwiegend Modellfamilien statt eine vermeintlich feste Modellversion. Funktionen, Tarife und Verfügbarkeit ändern sich. Details: Microsoft, GitHub, Google. Angaben zu weiteren Produkten sind als allgemeine Produkteinordnung zu verstehen und vor Veröffentlichung im Detail gegenzuprüfen.

Welche Ängste haben Mitarbeiterinnen und Mitarbeiter?

Sorgen vor KI sind nicht bloß ein Kommunikationsproblem. Sie betreffen Arbeit, Anerkennung, Kontrolle und persönliche Entwicklung. Führungskräfte sollten sie ernst nehmen, statt pauschal Entwarnung zu geben.

„Wird mein Arbeitsplatz ersetzt?“
Einzelne Tätigkeiten können automatisiert werden. Ob daraus weniger oder andere Stellen entstehen, hängt von Branche, Nachfrage und Unternehmensentscheidungen ab. Empfehlung: Aufgabenveränderungen konkret und frühzeitig besprechen.

„Werde ich überwacht?“
KI kann Leistungsdaten auswerten. Das schafft berechtigte Fragen zu Transparenz, Datenschutz und Mitbestimmung. Empfehlung: Nutzungszwecke und Grenzen schriftlich festlegen.

„Kann ich noch mithalten?“
Neue Werkzeuge erzeugen Lern- und Anpassungsdruck. Empfehlung: Schulungszeit, Praxisübungen und Ansprechpartner bereitstellen.

„Wer haftet bei Fehlern?“
KI-Ausgaben können überzeugend und dennoch falsch sein. Empfehlung: Freigabe- und Kontrollverantwortung beim Menschen belassen.

Die längerfristigen Beschäftigungseffekte sind unsicher. Der internationale Sicherheitsbericht beschreibt unterschiedliche wissenschaftliche Einschätzungen. Quelle: Bericht 2026, Zusammenfassung.

Warum klingen Medienberichte so widersprüchlich?

Schlagzeilen vermischen häufig heutige Schäden, Prognosen über die nächsten Jahre und hypothetische Extremereignisse. Hinzu kommt: „KI“ kann ein einfaches Empfehlungssystem oder einen hochleistungsfähigen autonomen Agenten meinen. Beides unter einem Begriff zu behandeln, führt zu Missverständnissen.

Einordnung	Beispiele	Evidenz
Heute beobachtbar	Falsche Ausgaben, Täuschung, Datenschutzprobleme und Missbrauch von KI-generierten Inhalten.	Dokumentierte Risikokategorien.
Entwicklung mit Unsicherheit	Veränderungen am Arbeitsmarkt, größere Autonomie von Agenten und neue Abhängigkeiten.	Teilweise Hinweise; Folgen offen.
Langfristige Szenarien	Verlust menschlicher Kontrolle über zukünftige besonders leistungsfähige Systeme.	Umstrittene Szenarien, keine gegenwärtig eingetretene Situation.

Kann KI außer Kontrolle geraten?
Bei heutigen Systemen können bereits unerwünschte Aktionen und schwer kontrollierbare Fehler auftreten, besonders wenn Agenten Zugriff auf Werkzeuge haben. Ein weitreichender Kontrollverlust im Sinne einer existenziellen Bedrohung ist dagegen ein hypothetisches Zukunftsszenario. Der International AI Safety Report 2026 hält fest, dass gegenwärtige Systeme die dafür erforderlichen Fähigkeiten nicht besitzen; Fachleute beurteilen die zukünftige Wahrscheinlichkeit unterschiedlich.

Kann KI denken oder bewusst sein?
Modelle können Aufgaben lösen, argumentieren und Sprache erzeugen. Ob solche Fähigkeiten Bewusstsein oder subjektives Erleben bedeuten, ist eine offene wissenschaftliche und philosophische Frage. Sprachliche Menschenähnlichkeit beweist kein Bewusstsein.

Fragen an jede KI-Schlagzeile: Was wurde tatsächlich beobachtet? Geht es um heutige Systeme oder Zukunftsszenarien? Wer hat die Aussage gemacht? Wie sicher ist die Evidenz?

Quelle: International AI Safety Report 2026

Wie setzen Unternehmen KI verantwortungsvoll ein?

Vier Schritte: Aufgabe definieren (Nutzen und Grenzen), Risiken prüfen (Daten und Folgen), Pilot messen (Qualität, Zeit, Fehler) und Freigabe regeln (menschliche Kontrolle).

• Daten: Keine vertraulichen oder personenbezogenen Inhalte ohne geprüfte Rechtsgrundlage und geeignete Schutzmaßnahmen eingeben.
• Qualität: Antworten stichprobenartig und bei kritischen Fällen vollständig gegen Originalquellen prüfen.
• Transparenz: Offenlegen, wo KI eingesetzt wird und wer entscheidet.
• Recht: Den EU AI Act und andere anwendbare Vorgaben im konkreten Anwendungsfall prüfen.
• Menschen: Beschäftigte beteiligen, schulen und Feedback systematisch einholen.

Weiterführend: EU-Kommission zum AI Act und NIST AI Risk Management Framework. Diese Übersicht ist keine Rechtsberatung.

Ein sinnvoller Einstieg in fünf Schritten

1. Eine konkrete Aufgabe wählen: beispielsweise interne Dokumente zusammenfassen.
2. Erfolg definieren: Bearbeitungszeit, Fehlerquote und Zufriedenheit vorab festlegen.
3. Daten prüfen: Klären, welche Informationen verwendet werden dürfen.
4. Kleinen Pilot durchführen: Mit Fachleuten, echten Beispielen und dokumentierten Ergebnissen.
5. Entscheiden: Fortführen, anpassen oder stoppen, auf Basis der Messwerte.

Die nächste Entscheidung: Gibt es in Ihrem Unternehmen eine klar abgegrenzte Aufgabe, bei der KI einen messbaren Nutzen bringen könnte, ohne unvertretbare Risiken?

KI-Glossar von A bis Z

Die wichtigsten Fachbegriffe zum Nachschlagen. Wählen Sie einen Anfangsbuchstaben.

Agent

KI-System, das Aufgaben über mehrere Schritte mit Werkzeugen ausführen kann.

Algorithmus

Festgelegtes Verfahren zur Verarbeitung von Eingaben.

Alignment

Ausrichtung des Systemverhaltens an menschlichen Zielen und Vorgaben.

Artificial General Intelligence (AGI)

Hypothetische breit einsetzbare KI mit weitreichenden Fähigkeiten; keine einheitlich akzeptierte Definition.

Benchmark

Standardisierte Aufgabe zum Vergleich von Systemen.

Bias

Systematische Verzerrung von Daten oder Ergebnissen.

Computer Vision

Maschinelle Verarbeitung und Interpretation von Bildern.

Deep Learning

Teilbereich des maschinellen Lernens mit mehrschichtigen neuronalen Netzen.

Embedding

Numerische Repräsentation von Texten oder anderen Inhalten.

Fine-Tuning

Zusätzliches Training eines vorhandenen Modells für bestimmte Zwecke.

Foundation Model

Breit trainiertes Basismodell für viele nachgelagerte Aufgaben.

Generative KI

Systeme, die neue Inhalte wie Texte, Bilder oder Audio erzeugen.

Grounding

Verknüpfung von Modellantworten mit konkreten Daten oder Quellen.

Halluzination

Plausibel klingende, aber falsche oder unbelegte Modellausgabe.

Inference

Anwendung eines trainierten Modells auf neue Eingaben.

KI-Agent

Software, die ein Modell mit Planung und Werkzeugzugriff verbindet.

Kontextfenster

Menge an Information, die ein Modell in einem Verarbeitungsschritt berücksichtigen kann.

Large Language Model (LLM)

Großes Sprachmodell, das Muster in Sprachdaten erlernt hat.

Machine Learning

Maschinelles Lernen: Systeme erkennen Muster aus Beispieldaten.

Multimodal

Verarbeitung verschiedener Datenarten, etwa Text, Bild und Ton.

Neuronales Netz

Rechenstruktur mit trainierbaren Verbindungen zur Mustererkennung.

Parameter

Beim Training angepasste Modellwerte.

Prompt

Anweisung oder Eingabe an ein KI-System.

Prompt Injection

Versuch, ein KI-System durch manipulierte Inhalte zu unerwünschtem Verhalten zu bewegen.

RAG

Retrieval-Augmented Generation: Antwortgenerierung mit zuvor abgerufenen Informationen.

Reasoning

Bezeichnung für Fähigkeiten oder Verfahren zur mehrschrittigen Problembearbeitung; kein Beleg für menschliches Denken.

Reinforcement Learning

Lernen durch Rückmeldungen zu Handlungen oder Ergebnissen.

Supervised Learning

Lernen anhand von Beispielen mit bekannten Zielwerten.

Token

Text- oder Dateneinheit, die ein Modell verarbeitet.

Training

Prozess, in dem Modellparameter anhand von Daten angepasst werden.

Transformer

Netzwerkarchitektur, auf der viele moderne Sprachmodelle beruhen.

Unsupervised Learning

Lernen von Strukturen ohne vorgegebene Zielwerte.

Validierung

Überprüfung von Qualität und Verhalten anhand geeigneter Tests.

Überanpassung (Overfitting)

Modell lernt Trainingsbeispiele zu spezifisch und verallgemeinert schlecht.

Quellen und redaktionelle Hinweise

Technische Aussagen und zeitabhängige Produktinformationen sollten vor Veröffentlichung und anschließend regelmäßig gegen die Herstellerdokumentation geprüft werden. Eine Quelle belegt nur die jeweils dort tatsächlich beschriebenen Funktionen.

• Microsoft: Copilot und Modellauswahl
• Microsoft: Copilot Cowork Modelle
• GitHub: Unterstützte Modelle
• Google: Modelle in Gemini Apps
• International AI Safety Report 2026
• EU: AI Act
• NIST: AI Risk Management Framework
• IBM: Was ist Machine Learning?

Stand der redaktionellen Zusammenstellung: 27.10.2026. Grafiken sind vereinfachte didaktische Darstellungen. Modellnamen und Produktfunktionen können sich kurzfristig ändern.