Auch genannt: LLM, Großes Sprachmodell
Ein Large Language Model (LLM) ist ein sehr großes, vortrainiertes Deep-Learning-Modell für Sprache und andere Inhalte. Es verarbeitet Eingaben als kleinere Einheiten, sogenannte Tokens, und erzeugt Ausgaben schrittweise anhand gelernter statistischer Muster. Ein LLM kann Texte erklären, zusammenfassen, übersetzen oder Code vervollständigen. Es ist jedoch keine Datenbank mit garantiert richtigen Antworten und kein denkendes Gegenüber.
Ein LLM lernt aus sehr vielen Beispielen, welche Zeichenfolgen, Wörter und Bedeutungszusammenhänge häufig zusammenpassen. Vereinfacht gesagt: Nach einer Eingabe schätzt es, welches nächste Token im gegebenen Kontext plausibel ist. Tokens sind dabei nicht zwingend ganze Wörter; sie können auch Wortteile, Satzzeichen oder einzelne Zeichen sein. IBM beschreibt diesen Ablauf als wiederholtes Ermitteln von Wahrscheinlichkeiten für mögliche nächste Tokens. IBM
Die Bezeichnung „large“ verweist nicht auf eine feste Mindestgröße. Gemeint sind Modelle mit sehr vielen Parametern und umfangreichen Trainingsdaten. Parameter sind veränderbare Zahlenwerte im Modell, die beim Training angepasst werden. Ein einzelnes LLM kann dadurch für unterschiedliche Sprachaufgaben verwendet werden, ohne für jede Aufgabe von Grund auf neu gebaut zu werden. Das unterscheidet es von einem regelbasierten Programm, das für jede Variante ausdrücklich formulierte Regeln benötigt.
Viele heutige LLMs beruhen auf der Transformer-Architektur. Sie kann Beziehungen zwischen Tokens innerhalb einer Sequenz gewichten und dadurch Kontext berücksichtigen. Beim Vortraining werden große Text- und teils auch Codebestände in Tokens zerlegt. Das Modell versucht in vielen Beispielen, fehlende oder folgende Tokens vorherzusagen; Abweichungen dienen dazu, die Parameter schrittweise anzupassen. AWS erläutert, dass große transformerbasierte Netze sehr viele Parameter enthalten können und beim Training Werte so verändern, dass die Wahrscheinlichkeit passender nächster Tokens steigt. AWS
Bei der späteren Nutzung wird eine Eingabe ebenfalls tokenisiert. Bei autoregressiven generativen LLMs berechnet das Modell für mögliche Fortsetzungen Wahrscheinlichkeiten und wählt nach den vorgegebenen Einstellungen eine Folge aus. Diese Phase heißt Inferenz. Die Ausgabe entsteht dabei Token für Token; das schließt eine teilweise Memorisation von Trainingsinhalten nicht aus.
Auf ein allgemeines Vortraining kann eine Anpassung folgen. Beim Fine-Tuning wird ein vorhandenes Modell mit zusätzlichen Beispielen für eine Aufgabe oder Domäne weitertrainiert. Daneben kann die Gestaltung der Eingabe viel bewirken: Kontext, Beispiele und ein gewünschtes Ausgabeformat grenzen die Aufgabe ein. Beides ersetzt jedoch keine Prüfung, ob das Resultat fachlich zum jeweiligen Anwendungsfall passt.
Ein Support-Team möchte aus langen, freigegebenen Produktdokumenten eine kurze Antwort auf eine häufige Frage formulieren. Das LLM kann die Anfrage und den bereitgestellten Kontext in Tokens verarbeiten und einen Entwurf erzeugen. Es kann dabei Formulierungen verdichten oder verschiedene Absätze zusammenführen. Ob die Antwort tatsächlich zu der aktuellen Produktversion passt, lässt sich daraus allein nicht ableiten.
Eine robuste Anwendung trennt deshalb zwei Aufgaben: Das LLM formuliert oder strukturiert Sprache; das umgebende System stellt aktuelle, überprüfbare Informationen bereit und zeigt sie gegebenenfalls als Quellen an. Ein Retrieval-Augmented Generation-System kann relevante Dokumentausschnitte vor der Antwortsuche zuführen. RAG ändert die Modellgewichte nicht automatisch und macht eine Ausgabe auch nicht fehlerfrei, kann aber den verfügbaren Kontext gezielter machen.
LLMs eignen sich vor allem für Aufgaben, bei denen Sprache verstanden, umgeformt oder erzeugt werden soll. Beispiele sind Zusammenfassungen, Übersetzungsentwürfe, Klassifikation von Texten, Suche über Dokumentbestände, Assistenz beim Programmieren und dialogorientierte Oberflächen. IBM nennt unter anderem Texterzeugung, Zusammenfassung, Code-Unterstützung und Stimmungsanalyse als Einsatzfelder. IBM
Im Unternehmen ist entscheidend, welche Rolle das Modell im Ablauf hat. Ein Entwurf für eine interne E-Mail hat andere Risiken als eine automatisch versandte Kundenantwort. Bei vertraulichen Daten gehören Zugriffsrechte, Datenflüsse, Aufbewahrung und eine menschliche Freigabe zum Systemdesign. Für Aufgaben mit Folgen außerhalb des Chats können KI-Agenten Werkzeuge ansteuern; ein Agent ist aber mehr als ein LLM allein und braucht klar begrenzte Rechte sowie Kontrollpunkte.
Sprachliche Flüssigkeit ist kein Wahrheitsbeweis. Ein LLM kann plausible, aber unzutreffende Aussagen, Quellen oder Begründungen erzeugen. Solche unbelegten beziehungsweise erfundenen Ausgaben werden als Halluzinationen (KI) bezeichnet. Sie können durch unklare Eingaben, lückenhaften Kontext oder Muster aus den Trainingsdaten begünstigt werden. Deshalb sollten überprüfbare Fachinformationen an ihren Primärquellen kontrolliert werden.
Auch die Begriffe „versteht“ und „weiß“ sind im Alltag nur Kurzformen. Das Modell bildet statistische Zusammenhänge ab und optimiert die nächste Ausgabe; daraus folgt weder Bewusstsein noch eine Garantie für logisches Schlussfolgern. Seine Qualität hängt unter anderem von Modell, Training, Eingabe, Kontextfenster und gewählter Ausgabeart ab. Ein gut formulierter Prompt kann die Aufgabe eingrenzen, aber keine fehlenden Daten ersetzen. Sicherheitskontrollen müssen außerhalb bloßer Promptvorgaben technisch durchgesetzt werden.
Ein weiteres Missverständnis betrifft die Größe: Mehr Parameter oder ein längerer Kontext sind keine allgemeine Qualitätsgarantie. Für eine konkrete Aufgabe zählen beispielsweise Aktualität der bereitgestellten Informationen, Evaluierung mit passenden Fällen, Datenschutz und die Möglichkeit, Fehler zu erkennen und zu korrigieren. Vor einem produktiven Einsatz sollten Organisationen daher Testfälle, Verantwortlichkeiten und einen Umgang mit fehlerhaften Ausgaben festlegen.
Ein Large Language Model ist eine Modellklasse innerhalb der Künstlichen Intelligenz, nicht die gesamte KI. Generative KI bezeichnet breiter Systeme, die neue Inhalte erzeugen können, etwa Text, Bilder oder Audio; ein LLM ist besonders auf sprachliche Verarbeitung ausgerichtet, kann aber Teil eines multimodalen Systems sein.
Ein Chatbot ist eine Anwendung oder Benutzeroberfläche für einen Dialog. Er kann ein LLM nutzen, muss es aber nicht. Umgekehrt kann ein LLM auch ohne Chatfenster in einer Suchfunktion, einer API oder einer internen Software arbeiten. Schließlich ist ein LLM nicht mit einem Wissensspeicher gleichzusetzen: Aktuelle oder organisationsspezifische Inhalte müssen gezielt bereitgestellt und überprüft werden.
Stand der Quellenprüfung: 13. September 2026.