Auch genannt: KI, Artificial Intelligence, AI
Künstliche Intelligenz (KI) ist ein Sammelbegriff für Verfahren, mit denen Computersysteme Aufgaben bearbeiten, die beim Menschen etwa mit Wahrnehmen, Sprache verstehen, Lernen, Planen oder Entscheiden verbunden werden. KI ist kein einzelnes Programm und auch keine einheitliche Methode. Je nach Aufgabe kommen unterschiedliche Modelle, Daten und Regeln zum Einsatz. Entscheidend ist, ob das System für eine klar umrissene Aufgabe sinnvoll mit Informationen umgehen kann – nicht, ob es menschliches Denken nachahmt.
Ein Navigationssystem, das aus Verkehrsdaten eine Route berechnet, eine Software zur Erkennung von Auffälligkeiten in Bildern und ein Chatbot arbeiten sehr unterschiedlich. Sie können trotzdem als KI-Anwendungen gelten, weil sie Daten auswerten, Muster nutzen oder aus möglichen Antworten auswählen. Die IBM-Einordnung von KI nennt unter anderem Lernen, Verstehen, Problemlösen, Entscheiden, Kreativität und Autonomie als Fähigkeiten, die solche Technik simulieren kann.
Der Begriff wird im Alltag oft zu weit verwendet. Nicht jede automatisierte Funktion ist KI: Eine starre Wenn-dann-Regel arbeitet nach vorgegebenen Anweisungen. Regelbasierte oder symbolische Verfahren können dennoch je nach Aufgabenmodell dem KI-Feld zugeordnet werden; nicht jede automatisierte Datenverarbeitung ist bereits KI. Umgekehrt muss eine KI weder sprechen noch Bilder erzeugen. Viele Systeme im Hintergrund klassifizieren E-Mails, schätzen Wahrscheinlichkeiten oder priorisieren Hinweise. KI beschreibt daher ein Feld von Verfahren und Anwendungen, keine Aussage darüber, dass ein System Bewusstsein, Absichten oder allgemeines Weltwissen besitzt.
Häufig entsteht eine KI-Anwendung in zwei getrennten Schritten. Zuerst wird ein Modell entwickelt oder trainiert. Dafür werden Daten, eine Aufgabenbeschreibung und ein Lernverfahren zusammengebracht. Bei vielen Formen des maschinellen Lernens lernt ein Modell statistische Zusammenhänge aus Beispielen: Es soll etwa neue Bilder einer Kategorie zuordnen oder aus Eingabedaten eine Vorhersage ableiten. Die Qualität hängt unter anderem davon ab, ob die Daten zur Aufgabe passen und die spätere Nutzung ausreichend abbilden.
Danach folgt die Anwendung, oft Inferenz genannt. Das Modell erhält neue Eingaben und berechnet daraus eine Ausgabe, etwa eine Klassifikation, Rangfolge, Prognose oder Antwort. Manche KI-Systeme verbinden gelernte Modelle mit festen Regeln, Datenbanken oder menschlicher Prüfung. Bei besonders komplexen Mustern werden häufig neuronale Netze eingesetzt. Sie sind eine Modellfamilie, nicht gleichbedeutend mit KI insgesamt.
Wichtig ist die Trennung zwischen Ergebnis und Gewissheit: Eine hohe Modellwahrscheinlichkeit ist keine fachliche Begründung. Ein System kann in seinem Testbereich nützlich sein und außerhalb davon unzuverlässig werden. Deshalb gehören Zieldefinition, geeignete Testdaten, laufende Kontrolle und Zuständigkeiten zum Einsatz dazu.
Ein E-Mail-Programm soll unerwünschte Nachrichten vorsortieren. Für jede Nachricht kann ein Modell Merkmale berücksichtigen, zum Beispiel typische Formulierungen, technische Signale oder bekannte Muster. Es schätzt dann, ob die Nachricht wahrscheinlich Spam ist. Die Software kann sie in einen separaten Ordner legen; die Entscheidung bleibt aber überprüfbar und korrigierbar.
Dieses Beispiel zeigt den Unterschied zwischen einer abgegrenzten Aufgabe und einer allgemein intelligenten Maschine. Das Modell versteht weder die Absichten eines Absenders noch die Bedeutung einer Nachricht wie ein Mensch. Es verarbeitet Eingaben nach dem Verfahren, für das es entwickelt wurde. Werden Angriffe oder normale E-Mails anders gestaltet als in den verfügbaren Beispielen, kann die Einordnung schlechter werden.
KI kann Muster in großen oder komplexen Datenmengen sichtbar machen, Inhalte einordnen, Sprache und Bilder verarbeiten oder Entscheidungen vorbereiten. Im privaten Bereich begegnet sie etwa bei Suchfunktionen, Übersetzungen, Empfehlungen oder Assistenzfunktionen. In Organisationen kann sie beispielsweise Dokumente vorsortieren, Supportanfragen bündeln, Qualitätsprüfungen unterstützen oder Prognosen berechnen.
Eine sichtbare Untergruppe ist die generative KI. Sie erzeugt neue Inhalte und Ideen, etwa Gespräche, Texte, Bilder, Videos oder Musik, wie die AWS-Erklärung zu generativer KI beschreibt. Das unterscheidet sie von vielen Systemen, die vor allem klassifizieren, suchen oder vorhersagen. Generative KI ist damit ein Teilbereich der KI, nicht ihr Synonym. Sprachbasierte Anwendungen können zudem auf einem Large Language Model beruhen; auch ein großes Sprachmodell deckt jedoch nicht das gesamte KI-Feld ab.
Ob ein Einsatz sinnvoll ist, entscheidet nicht allein die technische Möglichkeit. Vorab sollten Verantwortliche klären, welche Aufgabe unterstützt wird, welche Fehler folgen können, welche Daten verarbeitet werden und wie Menschen Ergebnisse prüfen oder übersteuern. Gerade bei Entscheidungen mit Folgen für Personen oder Sicherheit ist diese Einbettung wichtiger als eine überzeugend klingende Ausgabe.
KI lernt keine Wahrheit aus Daten. Modelle erkennen statistische Regelmäßigkeiten und erzeugen oder bewerten Ergebnisse innerhalb ihrer technischen Ausgestaltung. Unvollständige, verzerrte oder unpassende Daten können Fehler übertragen. Auch ein gut trainiertes System kann bei neuen Situationen, mehrdeutigen Eingaben oder veränderten Rahmenbedingungen falsche Ergebnisse liefern.
Bei generativen Systemen ist sprachliche oder visuelle Plausibilität keine Quellenprüfung. Eine Antwort kann flüssig formuliert sein und dennoch sachlich falsch, unvollständig oder für den konkreten Kontext ungeeignet sein. Deshalb sollten wichtige Aussagen gegen verlässliche Quellen geprüft werden. KI ist außerdem keine Garantie für Produktivität oder bessere Entscheidungen: Nutzen, Aufwand und Risiken hängen von Aufgabe, Datenqualität, Gestaltung und Kontrolle ab.
Ein weiteres Missverständnis betrifft Autonomie. Manche Anwendungen führen einen eng begrenzten Ablauf selbstständig aus. Daraus folgt weder allgemeine Handlungsfähigkeit noch Bewusstsein. KI ist ein Werkzeugfeld; Verantwortung für Auswahl, Einführung, Überwachung und Folgen bleibt bei den Menschen und Organisationen, die es einsetzen.
Automatisierung: Automatisierung führt festgelegte Abläufe aus. Sie kann KI einsetzen, muss es aber nicht. Ein zeitgesteuerter Export ist automatisiert, ohne aus Daten zu lernen.
Maschinelles Lernen: Maschinelles Lernen ist ein wichtiger Teilbereich der KI. Es trainiert Modelle auf Daten; KI umfasst daneben weitere Ansätze und Anwendungen.
Generative KI: Generative KI erzeugt neue Inhalte. Viele KI-Systeme erzeugen keine neuen Medieninhalte, sondern erkennen Muster, sortieren Informationen oder unterstützen Vorhersagen.