Was Menschen meinen, wenn sie von KI sprechen

Sag “KI” in einem Meeting und zehn Menschen stellen sich zehn verschiedene Dinge vor. Eine Person denkt an einen Chatbot. Eine andere an das System, das Betrug erkennt. Eine dritte sieht Roboter vor sich. Alle haben ein Stück weit recht. Genau das ist das Problem.

Der Begriff ist ein Sammelbegriff geworden. Darunter fallen Tools mit sehr unterschiedlichen Stärken, Kosten und Arten zu scheitern. Wenn der Begriff unscharf ist, werden auch die Entscheidungen unscharf, die damit getroffen werden.

Dieser Beitrag gibt dir ein praktisches Denkmodell. Nicht technisch um der Technik willen, sondern nützlich für Entscheidungen. Beim nächsten “dafür sollten wir KI einsetzen” kannst du eine bessere Frage stellen.

Warum “KI” so ein breiter Begriff ist

Selbst offizielle Definitionen sind bewusst breit. Die OECD, deren Formulierung von der Europäischen Union, den Vereinigten Staaten und anderen übernommen wurde, definiert solche Systeme über eine einfache Idee: Sie leiten aus Eingaben ab, wie sie Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugen (OECD AI Principles).

Fällt viel darunter. Ein Spamfilter. Ein Tool, das Marketingtexte schreibt. Ein System, das Preise empfiehlt. Ein Bot, der Termine bucht.

Für Politik und Regulierung ist diese Breite sinnvoll. Für Investitionsentscheidungen hilft sie weniger. Dafür lohnt es sich, den Sammelbegriff in drei Kategorien aufzuteilen.

Drei Kategorien, die du trennen solltest

1. Prädiktive Modelle

Das ist der ältere und weniger auffällige Zweig. Er hält leise einen großen Teil der Wirtschaft am Laufen. Ein System bekommt viele Beispiele aus der Vergangenheit, lernt Muster und schätzt dann, was in einem neuen Fall passieren könnte.

Wandert dieser Kunde ab? Sieht diese Transaktion nach Betrug aus? Wie viele Einheiten verkaufen wir nächsten Monat?

Prädiktive Modelle funktionieren gut bei engen Fragen, brauchbaren historischen Daten und einer klaren Zielgröße. Sie funktionieren schlecht, wenn Daten dünn, unordentlich oder veraltet sind. Sie können außerdem Verzerrungen aus den Daten übernehmen, ohne dass es sofort sichtbar wird.

2. Generative Modelle

Das ist der Zweig, der in die Schlagzeilen kam. Diese Systeme erzeugen neue Inhalte: Text, Bilder, Audio, Code. Große Sprachmodelle hinter Chat-Assistenten sind das bekannteste Beispiel.

Die Verbreitung ist schnell gewachsen. Im AI Index von Stanford stieg der Anteil der Organisationen, die generative Tools in mindestens einem Geschäftsbereich nutzen, in einem Jahr von 33 Prozent auf 71 Prozent (Stanford HAI AI Index 2025).

Generative Modelle sind nützlich für erste Entwürfe, Zusammenfassungen, Übersetzungen, Umformulierungen, erste Ideen und dafür, lose Notizen lesbar zu machen. Sie sind schnell und flexibel. Ihr Problem liegt woanders: Sie sind nicht zuverlässig korrekt.

Ein Sprachmodell “weiß” nicht im menschlichen Sinn. Es sagt wahrscheinlichen Text voraus. Deshalb kann es Falsches mit voller Sicherheit behaupten. Es ist auch schwach bei exakter Arithmetik, beim Erkennen eigener Grenzen und bei Aufgaben, bei denen “klingt plausibel” nicht reicht.

3. Automatisierung und Agenten

Die dritte Kategorie beantwortet nicht nur Fragen. Sie führt Handlungen aus.

Einfache Automatisierung folgt festen Regeln: Wenn eine Rechnung eingeht, lege sie in diesem Ordner ab und informiere diese Person. Agenten sind ein neueres Muster: Ein generatives Modell bekommt Tools und Spielraum, einzelne Schritte selbst zu bestimmen, etwa eine Datenbank zu durchsuchen, ein Formular auszufüllen oder eine E-Mail zu senden.

Automatisierung mit festen Regeln passt gut zu stabilen Prozessen. Sie ist vorhersehbar und leicht zu prüfen. Agenten können bei unordentlicheren Aufgaben mit mehreren Schritten helfen, erben aber die Schwächen des Modells dahinter. Dazu kommt ein neues Risiko: Eine falsche Handlung ist meist teurer als eine falsche Antwort.

Die meisten echten Produkte mischen Kategorien. Ein Support-Tool kann vorhersagen, welche Tickets dringend sind, Antworten entwerfen und einfache Fälle selbst schließen. Für gute Entscheidungen musst du wissen, welchen Teil du gerade bewertest.

Ein paar Begriffe, einfach erklärt

Modell. Das trainierte System. Es nimmt eine Eingabe und erzeugt eine Ausgabe. Stell es dir eher als ein aus Beispielen gelerntes Rezept vor, nicht als von Hand geschriebene Regel.

Trainingsdaten. Die Beispiele, aus denen das Modell gelernt hat. Ihre Qualität setzt die Grenze. Sind die Daten begrenzt, alt oder verzerrt, trägt das Modell diese Probleme mit.

Token. Die Einheit, in der ein Sprachmodell liest und schreibt, meist ein Wort oder Teil eines Wortes. Das zählt praktisch aus zwei Gründen: Viele Dienste rechnen nach Token ab, und jedes Modell hat eine Grenze dafür, wie viele Token es gleichzeitig berücksichtigen kann. Stanford berichtet, dass der Preis für ein Modell auf dem Qualitätsniveau von 2022 in rund zwei Jahren von etwa 20 Dollar pro Million Token auf 7 Cent gefallen ist (Stanford HAI AI Index 2025).

Halluzination. Wenn ein generatives Modell Inhalte erzeugt, die richtig klingen, aber falsch sind. Eine wissenschaftliche Übersichtsarbeit beschreibt das als plausible, aber nicht faktische Inhalte (ACM Transactions on Information Systems). NIST bevorzugt den Begriff “Konfabulation” und behandelt ihn als strukturelles Merkmal dieser Systeme, nicht als seltenen Fehler (NIST AI 600-1, Generative AI Profile).

Die wichtigste Idee für Entscheider ist einfach: sicher formuliert und korrekt sind nicht dasselbe.

Die Distanz zwischen Demo und Dienstag

Eine Demo ist darauf ausgelegt, zu funktionieren. Sie nutzt ein sauberes Beispiel, ein geduldiges Publikum und jemanden, der genau weiß, was er eingeben muss. Echte Arbeit sieht anders aus: unvollständige Daten, Ausnahmen, müde Menschen und Kundinnen oder Kunden, die warten.

Ein Tool kann zehn Minuten lang beeindrucken und trotzdem oft genug falschliegen, um am Ende mehr zu kosten, als es spart. Die Kosten entstehen beim Prüfen, Korrigieren, Erklären oder Rückgängigmachen.

Die nützlichen Fragen sind nicht spektakulär. Wie oft liegt es falsch? Wie merken wir das? Was passiert mit Fällen, die die Demo nicht gezeigt hat? Wer ist verantwortlich, wenn es schiefgeht?

Behandle eine Demo als Ausgangshypothese, nicht als Urteil.

Wo dich das hinführt

Du musst nicht technisch werden. Du brauchst ein Modell, das klar genug ist, um bessere Fragen zu stellen.

Wenn jemand sagt “lass uns KI einsetzen”, kannst du fragen: zum Vorhersagen, zum Erzeugen oder zum Handeln? Wo ist diese Kategorie stark? Wo scheitert sie? Wie groß ist die Distanz zwischen dieser Demo und verlässlicher Nutzung in einer normalen Arbeitswoche?

Das ist die Grundlage. Sobald der Begriff konkreter wird, folgt die praktische Frage: Wo lohnt sich der Einsatz im Unternehmen wirklich? Das behandeln wir in Wo KI in einem Unternehmen wirklich passt. Und wenn dein Team diese Tools schon ohne gemeinsamen Plan nutzt, lohnt sich auch Was dein Team bereits macht.

Verstehe zuerst, was du hast. Entscheide danach, was du damit machst. Diese Reihenfolge spart mehr Geld, als es zunächst wirkt.