Was ist eigentlich KI? Und brauche ich das?

TL;DR Zusammenfassung

Künstliche Intelligenz ist zum Buzzword geworden – doch was steckt wirklich dahinter? Die meisten „KI“-Anwendungen sind eigentlich „schwache KI“: spezialisierte Programme, die bestimmte Aufgaben automatisieren, aber nicht denken. Echter Fortschritt entsteht durch maschinelles Lernen, das Programme generiert statt sie zu programmieren. Doch Vorsicht: Marketing-Begriffe und technische Realität klaffen oft auseinander. Wer KI verstehen will, sollte weniger auf Schlagworte und mehr auf die zugrundeliegenden Methoden achten.

Ich gebe zu, schon irgendwie lustig. Ich schreibe seit einem halben Jahr fleißig Blogartikel über „Künstliche Intelligenz“ und jetzt (erst) komme ich auf die Idee, den Begriff einmal unter die Lupe zu nehmen.

Warum mache ich das:
Ich war mal wieder auf einer Fachkonferenz und höre zum zwanzigsten Mal den Begriff „Künstliche Intelligenz“. Mal geht es um eine Software, die E-Mails sortiert. Beim letzten Vortrag war es ein Chatbot für den Kundenservice. Davor eine App, die Gesichter erkennt.

Alle nennen es KI.

Aber ist es das wirklich? Was ist eigentlich „Künstliche Intelligenz“?
Bei meinen Vorträgen und Workshops gehe ich darüber schnell hinweg. Denn warum etwas definieren, was morgen doch sowieso schon wieder anders ist, weiter, gigantischer, unglaublicher? Warum den Anfang definieren wollen, wenn wir doch alle nur staunend nach Vorne starren.

Naja, vielleicht hilft es den Hype besser einzuordnen und für sich selbst eine realistischere Grundlage für Entscheidungen zu haben. Eine klarere Definition über den Grad der Sorge darüber, wie weit man zurückgefallen ist, im eigenen Unternehmen. Oder wie nah der Untergang der Welt tatsächlich vor der Tür steht. Beschäftigen wir uns also hier mal mit der grundlegenden Frage: wo fängt KI eigentlich an?

Das Problem beginnt schon bei der Definition

Bevor wir uns mit der Künstlichkeit im Begriff KI beschäftigen, sollten wir erst einmal Intelligenz definieren. Und hier liegt bereits der erste Stolperstein: Was ist überhaupt Intelligenz? Diese Frage beschäftigt Philosophen und Neurowissenschaftler seit Jahrhunderten – ohne eindeutige Antwort. Wenn wir schon menschliche Intelligenz nicht präzise definieren können, wie sollen wir dann eine künstliche Variante beschreiben?

Das Forschungsfeld der künstlichen Intelligenz versucht seit Jahrzehnten, menschliches Denken mechanisch nachzubilden. Die Hoffnung: Maschinen könnten sich ähnlich entwickeln wie ein Baby zum Erwachsenen – lernend, wachsend, verstehend.

Doch was wir heute in der Praxis sehen, ist meist etwas anderes: Programme, die sehr spezifische Aufgaben lösen und dabei scheinbar intelligent handeln.

„Schwache KI“ – warum das keine Beleidigung ist

Die meisten Anwendungen, die heute als „KI“ vermarktet werden – autonomes Fahren, Gesichtserkennung, Sprachassistenten – sind technisch gesehen „schwache KI“. Das klingt abwertend, ist aber eine präzise fachliche Einordnung.

Schwache KI bedeutet: Das System ist hochspezialisiert auf eine bestimmte Aufgabe, kann aber nicht über diesen Bereich hinausdenken oder sich eigenständig weiterentwickeln.

Ein Beispiel: Ein Spracherkennungssystem kann perfekt gesprochene Worte in Text umwandeln – aber es versteht nicht, was es da transkribiert. Es kann nicht mitreden, nicht nachfragen, nicht den Kontext erfassen. Es folgt erlernten Mustern.

Kritiker argumentieren zu Recht: Das ist keine echte Intelligenz, sondern sehr ausgeklügelte Automatisierung.

Tesler’s Theorem: Wenn Magie zur Routine wird

Der Informatiker Larry Tesler formulierte einmal treffend: „Künstliche Intelligenz ist alles das, was noch nicht geschafft wurde.“

Diesen Satz verstehe ich so: Sobald eine Technologie funktioniert und wir verstehen, wie sie arbeitet, verliert sie ihren „magischen“ KI-Status. Plötzlich ist es „nur noch“ ein Algorithmus, ein Programm, eine Rechenoperation.

Beispiel Schach: In den 1990ern galt es als Gipfel der KI, dass ein Computer den Schachweltmeister schlagen könnte. Heute ist Schach-Software Standard – und niemand würde mehr von „KI“ sprechen.

Das zeigt auch unser psychologisches Verhältnis zur Technologie: Was wir nicht verstehen, wirkt intelligent. Was wir durchschauen, wird zur Routine.

Trotzdem: Fortschritt ist Fortschritt

Lassen Sie uns ehrlich sein: Die Entwicklungen der letzten Jahre sind beeindruckend – auch wenn es „nur“ schwache KI ist.

Nehmen wir autonomes Fahren auf Level 5: Ein solches System muss gleichzeitig Objekte erkennen, Geschwindigkeiten berechnen, Verkehrsregeln befolgen, Wettereinflüsse berücksichtigen – und im Ernstfall sogar ethische Entscheidungen treffen. Wenn das Auto zwischen zwei möglichen Unfallszenarien wählen muss, reproduziert es menschliche Dilemmata.

Den Entwicklern solcher Systeme den „KI-Stempel“ zu verweigern, wäre unfair. Sie haben sich das Siegel verdient – auch wenn es „nur“ schwache KI ist.

Der entscheidende Punkt: Diese Systeme haben tatsächlich gelernt. Allerdings haben Menschen ihnen gesagt, was und wie sie lernen sollen. Eine eigenständige geistige Entwicklung hat nicht stattgefunden.

Maschinelles Lernen: Der eigentliche Game-Changer

Hier kommen wir zum Kern der modernen KI-Entwicklung: maschinellem Lernen (Machine Learning). Fast alle Produkte, die heute als „KI“ beworben werden, basieren auf Ergebnissen dieser Disziplin.

Der Unterschied zur herkömmlichen Programmierung ist fundamental:

Traditionelle Programmierung: Ein Entwickler schreibt ein Programm, das aus gegebenen Daten eine Lösung berechnet.

Maschinelles Lernen: Aus Daten und bekannten Lösungen wird automatisch ein Programm generiert, das neue Aufgaben lösen kann.

Ein konkretes Beispiel

Traditionell: Ich programmiere einen Taschenrechner, der mathematische Formeln abarbeitet.

Machine Learning: Ich zeige dem System tausende bereits gelöste Gleichungen. Das System erkennt Muster und generiert selbst ein „Rechenprogramm“, das neue Aufgaben lösen kann.

Das klingt abstrakt, wird aber sofort praktisch: Probleme, die zu komplex für manuell geschriebenen Code sind – wie Bilderkennung oder Sprachverarbeitung – lassen sich mit maschinellem Lernen elegant lösen.

Das Black-Box-Problem: Wenn wir nicht verstehen, was wir erschaffen haben

Doch hier entsteht ein neues Dilemma: Programme aus maschinellem Lernen funktionieren oft hervorragend – aber wir verstehen nicht mehr, warum.

Bei traditionell programmierten Systemen können wir jeden Schritt nachvollziehen. Wenn der Taschenrechner „2 + 2 = 4“ ausgibt, wissen wir genau, welche Befehle abgearbeitet wurden.

Bei Machine-Learning-Systemen ist das anders. Wir sehen den Input (Daten), wir sehen den Output (Ergebnis) – aber der Weg dazwischen bleibt eine Black Box.

Beispiel: Ein KI-System erkennt auf Röntgenbildern Tumore mit 95-prozentiger Genauigkeit. Großartig! Aber auf welche Bildmerkmale achtet es? Warum ist es bei diesem Bild sicher, bei jenem unsicher? Wir wissen es nicht.

Das ist nicht nur philosophisch unbefriedigend – es kann praktisch problematisch werden, besonders in kritischen Bereichen wie Medizin oder Rechtsprechung.

Ein praktisches Beispiel: Tic-Tac-Toe

Lassen Sie mich das Zusammenspiel von KI und maschinellem Lernen an einem einfachen Beispiel verdeutlichen.

Klassische KI-Lösung für Tic-Tac-Toe:

Wenn der Gegner zwei Felder in einer Reihe hat, blockiere das dritte
Wenn du selbst zwei Gewinner-Felder schaffen kannst, tue es
Nimm das Zentrum, wenn frei
Nimm eine Ecke gegenüber der gegnerischen Ecke
Nimm eine beliebige freie Ecke
Nimm ein beliebiges freies Feld

Dieses Regelwerk ist von Menschen entwickelt, logisch nachvollziehbar und spielt perfekt. Es ist schwache KI – wirkt intelligent, folgt aber festen Regeln.

Machine-Learning-Lösung: Zeige dem System tausende Tic-Tac-Toe-Partien. Es entwickelt selbst eine Spielstrategie – möglicherweise eine andere als die obige, aber ebenfalls erfolgreich. Warum es bestimmte Züge wählt, können wir nicht im Detail erklären.

Beide Ansätze führen zum Ziel. Der Unterschied liegt in der Nachvollziehbarkeit und Entwicklungsweise.

Was bedeutet das für die Praxis?

Wenn Sie als Unternehmer vor der Entscheidung stehen, ob eine Lösung „echte KI“ nutzt, achten Sie weniger auf Marketing-Begriffe und mehr auf die Methodik:

Red Flags bei KI-Versprechungen:

Vage Beschreibungen ohne technische Details
„Revolutionäre KI“ für einfache Automatisierungsaufgaben
Übertriebene Versprechungen ohne Belege

Positive Indikatoren:

Konkrete Angaben zu Machine-Learning-Verfahren
Transparenz über Trainingsdaten und Erfolgsmetriken
Realistische Einschätzung von Grenzen und Unsicherheiten

Fazit: Ehrlichkeit schafft Vertrauen

Die meisten „KI“-Produkte sind schwache KI – und das ist völlig in Ordnung. Das Adjektiv „schwach“ ist keine Abwertung, sondern eine präzise fachliche Einordnung.

Problematisch wird es, wenn:

Marketing-Versprechen und technische Realität auseinanderklaffen
Unternehmen bewusst mit dem KI-Begriff übertreiben
Kunden unrealistische Erwartungen entwickeln

Mein Rat: Achten Sie weniger auf das Label „KI“ und mehr auf den konkreten Nutzen. Eine gut funktionierende Automatisierung kann wertvoller sein als eine schlecht implementierte „echte KI“.

Und wenn Sie den Begriff „maschinelles Lernen“ in einer Produktbeschreibung finden, ist das oft ein Zeichen dafür, dass sich der Anbieter wirklich mit der Technologie auskennt – statt nur mit Marketing-Buzzwords zu jonglieren.

Letztendlich geht es nicht darum, ob etwas „echte“ KI ist. Es geht darum, ob es Ihnen hilft, Ihre Probleme zu lösen. Und dafür reicht oft schon sehr gute schwache KI völlig aus.

Was denken Sie? Haben Sie schon einmal erlebt, dass ein „KI-Produkt“ nicht hielt, was es versprach? Lassen Sie uns darüber sprechen – in den Kommentaren oder in einem persönlichen Gespräch.