Was ist künstliche Intelligenz?

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist ein Sammelbegriff für Computersysteme und Verfahren, die aus Eingaben ableiten, wie sie bestimmte Aufgaben lösen – etwa Erkennen, Klassifizieren, Vorhersagen, Empfehlen, Planen, Entscheiden oder das Erzeugen von Inhalten. Der Begriff umfasst sehr unterschiedliche Ansätze: von klassischen wissens- und regelbasierten Verfahren über Machine Learning und Deep Learning bis zu modernen generativen Modellen.

Wichtig gleich zu Beginn: Es gibt nicht die eine, weltweit verbindliche Definition von KI. Technische Alltagssprache, wissenschaftliche Fachliteratur und rechtliche Regelwerke verwenden den Begriff unterschiedlich. International etabliert ist die Definition der OECD, an die sich auch der EU AI Act anlehnt. Diese Seite gibt eine verständliche Landkarte des Feldes – die Detailthemen werden jeweils in eigenen Artikeln vertieft.

Drei Alltagsbeispiele

Der Unterschied wird an konkreten Beispielen schnell klar:

• Machine Learning: Ein Spamfilter, der aus vielen als „Spam" markierten E-Mails gelernt hat, neue Nachrichten einzustufen, ist ein einfaches Beispiel für maschinelles Lernen.
• Generative KI: Ein Chatbot mit einem großen Sprachmodell, der neue Texte formuliert, ist generative KI.
• Klassische Automatisierung: Eine feste Regel „Wenn Betreff = Rechnung, verschiebe in Ordner X" ist Automatisierung – dafür ist keine KI nötig.

Alle drei sind nützlich, aber technisch grundverschieden. Genau diese Unterscheidung ist der Kern dieser Seite.

Die KI-Landkarte

Die folgenden Begriffe stehen in einem Verhältnis von Ober- und Teilbereichen. Machine Learning ist ein Teilbereich der KI; Deep Learning wiederum ein Teilbereich des Machine Learning. Daneben gibt es weitere, nicht-lernende KI-Ansätze.

Was gilt rechtlich als KI-System?

Technische Alltagssprache und rechtliche Definition sind nicht identisch. Der EU AI Act (Verordnung (EU) 2024/1689) definiert ein „KI-System" in Artikel 3 sinngemäß als ein maschinengestütztes System, das mit unterschiedlichen Graden an Autonomie betrieben wird, nach der Einführung anpassungsfähig sein kann und für explizite oder implizite Ziele aus Eingaben ableitet, wie es Outputs erzeugt – etwa Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen –, die physische oder virtuelle Umgebungen beeinflussen können.

Zur praktischen Auslegung hat die Europäische Kommission Anfang 2025 Leitlinien zur Definition eines KI-Systems veröffentlicht. Diese Leitlinien sind ausdrücklich nicht rechtsverbindlich und als weiterentwickelbare Auslegungshilfe gedacht; die Rechtsgrundlage bleibt der AI Act selbst. Juristische Details und der aktuelle Stand stehen auf der Fachseite zum EU AI Act.

Was ist nicht automatisch künstliche Intelligenz?

Nicht alles, was automatisch abläuft, ist KI. Klassische Verfahren führen fest definierte Schritte aus, ohne aus Daten abzuleiten:

Klassische und symbolische KI

Historisch wurde KI nicht mit Machine Learning gleichgesetzt. Symbolische KI arbeitet mit expliziten Regeln, Symbolen, Logik und Wissensrepräsentationen. Bekannte Anwendungsformen waren Expertensysteme, logisches Schließen sowie Such- und Planungsverfahren. Aus „einfache Regeln sind nicht automatisch KI" folgt deshalb nicht, dass regelbasierte Systeme niemals KI sein könnten – der Begriff ist historisch gewachsen und kontextabhängig.

Machine Learning

Machine Learning (maschinelles Lernen) ist der Teilbereich der KI, bei dem Modelle anhand von Daten bzw. Beispielen Parameter oder Entscheidungsfunktionen lernen, statt jede Regel vollständig manuell vorzugeben. Grob unterscheidet man drei Lernformen – hier nur als Orientierung:

Wichtig: Nicht jedes ML-System lernt nach dem Deployment weiter, nutzt Deep Learning oder ist generativ.

Deep Learning und neuronale Netze

Deep Learning ist ein Teilbereich des Machine Learning und verwendet neuronale Netze mit mehreren Verarbeitungsebenen. Es ist die Grundlage für viele Anwendungen in Computer Vision, Sprache, Audio und für generative Modelle. Es wäre aber falsch zu sagen, Deep Learning sei die Grundlage jeder modernen KI – es gibt weiterhin relevante andere Verfahren (etwa klassische statistische Modelle, Entscheidungsbäume oder symbolische Ansätze).

Training und Inferenz

Zwei Phasen sind zu unterscheiden. Beim Training werden die Parameter eines Modells anhand von Daten angepasst. Bei der Inferenz wird ein bereits trainiertes Modell auf neue Eingaben angewendet – jede normale Chat-Antwort ist ein Inferenzvorgang.

Der AI Act erwähnt, dass ein KI-System nach dem Deployment anpassungsfähig sein kann. Manche Systeme verändern ihr Verhalten also weiter, viele Modelle bleiben nach dem Training jedoch unverändert. Ebenso beschreibt der AI Act unterschiedliche Autonomiegrade: Ein KI-System kann nur Vorschläge liefern, eine Entscheidung unterstützen oder bestimmte Aktionen automatisch ausführen. Autonomie ist ein Spektrum, kein Alles-oder-nichts.

Generative KI

Generative KI erzeugt neue Ausgaben wie Text, Code, Bild, Audio oder Video. „Generativ" ist dabei eine Eigenschaft bzw. Aufgabenklasse – nicht jede KI ist generativ. Ein Kreditrisikomodell etwa klassifiziert oder gibt einen Score aus, ohne lange neue Inhalte zu erzeugen.

Auf dieser Übersichtsseite genügt eine kompakte Einordnung: Viele heute verbreitete generative Sprachmodelle erzeugen Text autoregressiv anhand von Wahrscheinlichkeitsverteilungen über Tokens; daneben existieren weitere Sprachmodellierungs- und Generationsansätze. Generative Bildmodelle erzeugen Bilder aus gelernten Repräsentationen, wobei je nach Modell unterschiedliche Generationsverfahren zum Einsatz kommen. Die technischen Details stehen in den Detailartikeln, damit diese Seite keine LLM-Vorlesung wird.

Modell, System und Produkt sind nicht dasselbe

Ein häufiger Denkfehler ist, „die KI" mit „dem Modell" gleichzusetzen. Tatsächlich sind mehrere Ebenen zu unterscheiden:

KI, Software, Automatisierung und Daten

KI ist Software bzw. Teil eines Softwaresystems – aber nicht jede Software enthält KI, und ein KI-System besteht häufig aus sehr viel klassischer Software (Login, Datenbank, Benutzerrechte, API, Oberfläche). Diese Teile werden nicht dadurch zu KI, dass irgendwo ein Modell angebunden ist.

Auch der oft gehörte Satz „KI ist nur so gut wie ihre Daten" greift zu kurz. Die Qualität eines KI-Systems hängt unter anderem ab von Daten, Trainingsziel, Modellarchitektur, Evaluation, Softwareintegration, Kontext, menschlicher Nutzung, Sicherheitsmaßnahmen und Aktualität. Datenqualität ist wichtig – aber nicht die einzige Stellschraube. Ähnlich gilt: Machine Learning nutzt viele statistische Konzepte, doch KI und Statistik sind nicht synonym; statistische Modelle können Bestandteil eines KI-Systems sein.

Weitere Bausteine kurz eingeordnet

Rund um moderne KI-Systeme tauchen viele Begriffe auf. Hier nur die Einordnung, mit Links zur Vertiefung:

Was KI heute praktisch kann

KI umfasst sehr unterschiedliche Aufgaben. Kein einzelnes System kann all das gleichzeitig:

KI oder nicht? Konkrete Beispiele

Zur Übung – bewusst vereinfacht (die endgültige rechtliche Einordnung nach AI Act lässt sich damit nicht abschließend bestimmen):

Spezialisierte KI, General-Purpose und AGI

Begriffe wie „schwache/enge KI" (Narrow AI), „starke KI" oder „AGI" werden in Forschung, Literatur und Öffentlichkeit nicht einheitlich verwendet. Sie sind keine universell normierte Taxonomie.

Die einfache Gleichung „Narrow AI = heute, AGI = Zukunft" ist für 2026 zu grob. Heutige General-Purpose-Modelle können sehr viele Aufgaben bearbeiten, ohne dass damit eine allgemein akzeptierte AGI-Definition erfüllt wäre. AGI (Artificial General Intelligence) ist ein uneinheitlich definierter Begriff für hypothetische Systeme mit sehr breiter allgemeiner Problemlösungsfähigkeit; es gibt keine weltweit verbindliche Schwelle und keine belastbare Vorhersage, wann oder ob AGI erreicht wird.

GPAI ist nicht AGI

Ein wichtiger Unterschied, der oft vermischt wird: GPAI („general-purpose AI model", KI-Modell mit allgemeinem Verwendungszweck) ist ein rechtlicher Begriff des EU AI Act. Er beschreibt Modelle mit erheblicher Allgemeinheit, die ein breites Aufgabenspektrum bewältigen und in viele nachgelagerte Systeme integriert werden können. AGI ist dagegen ein technisch-konzeptioneller Begriff ohne diese rechtliche Bedeutung.

Verwandt ist der Begriff Foundation Model: breit vortrainierte Modelle, die für unterschiedliche nachgelagerte Aufgaben verwendet oder angepasst werden. „Foundation Model", „LLM", „generativ" und „GPAI" sind verwandt, aber keine vollständigen Synonyme.

„Versteht" KI etwas?

KI-Systeme verarbeiten Informationen anders als Menschen. Sie besitzen keine automatisch vorauszusetzende menschliche Wahrnehmung, Erfahrung oder Bedeutungserfassung. Welche Form von „Verstehen" man einem Modell zuschreibt, hängt davon ab, wie der Begriff definiert und gemessen wird – die Frage ist wissenschaftlich und philosophisch komplex.

Aus überzeugend klingender Sprache lässt sich nicht automatisch auf menschliches Bewusstsein schließen. Formulierungen wie „die KI möchte", „die KI glaubt", „die KI weiß, dass sie falschliegt" oder „die KI schaut sich das Bild an wie ein Mensch" sind Anthropomorphisierungen. Wenn Alltagssprache verwendet wird, sollte sie technisch eingeordnet werden.

Grenzen und Risiken

KI-Ergebnisse sind nicht automatisch richtig. Generative Modelle können falsche, unbelegte oder erfundene Informationen erzeugen – sogenannte Halluzinationen. „Halluzination" ist allerdings kein sinnvoller Sammelbegriff für jeden Fehler jedes KI-Systems; ein Prognosemodell etwa liefert einen Score oder eine Wahrscheinlichkeit, keine „Antwort".

Bias (Verzerrung) entsteht nicht allein aus Trainingsdaten. Er kann durch Daten, Labels, Modellierung, Zielmetriken, Sampling, Deployment und menschliche Prozesse entstehen oder verstärkt werden. Eine einfache „Daten rein, Bias raus"-Erklärung greift zu kurz.

Transparenz und Erklärbarkeit variieren: Bei komplexen neuronalen Modellen kann es schwierig sein, einen konkreten Output vollständig kausal zu erklären. Das heißt aber nicht, dass KI grundsätzlich eine „Blackbox" sei – Erklärbarkeit hängt von Modelltyp, System, Anwendung und der gewünschten Art der Erklärung ab.

Risiko ist kontextabhängig. Dieselbe Technologie kann sehr unterschiedliche Risiken haben – ein Textvorschlag für Social Media ist etwas anderes als eine medizinische Diagnoseunterstützung. Risiko ergibt sich also nicht allein aus dem Modell, sondern aus Einsatz, Nutzern, Auswirkungen und Systemintegration (mehr im Risikomanagement).

Menschliche Kontrolle löst Probleme nur, wenn sie kompetent, tatsächlich möglich, ausreichend informiert und zeitlich realistisch ist – sonst besteht sie nur formal (Automation Bias). Bei risikoreichen Entscheidungen sollte KI nicht die alleinige, ungeprüfte Grundlage sein; das gilt besonders in Recht, Medizin und Finanzen. Für Datenschutzfragen gilt: Diese hängen von Daten, Anbieter, Produkt, Tarif, Hosting und Verarbeitungszweck ab – „Cloud-KI ist unsicher" ist als Pauschalaussage nicht haltbar (mehr unter Datenschutz).

Open Source, Open Weights und lokale KI

Nicht jedes frei herunterladbare Modell ist automatisch Open Source. Zu unterscheiden sind Open Source, Open Weights, offene Lizenzen und proprietäre Modelle (Details unter Open Weights und Open-Source-KI). Einige Modelle lassen sich lokal auf eigener Hardware betreiben – mit möglichen Vorteilen bei Datenlokalität, Offline-Nutzung und Kontrolle. Aber: lokal ist nicht automatisch sicher oder datenschutzkonform.

KI-Kompetenz und der EU AI Act

Der EU AI Act ist seit dem 1. August 2024 in Kraft und gilt gestaffelt. Verbotene Praktiken, die KI-Definitionen und die Pflicht zur KI-Kompetenz greifen seit dem 2. Februar 2025; Regeln für GPAI und Governance seit dem 2. August 2025; der allgemeine Geltungsbeginn der Verordnung liegt beim 2. August 2026. Weitere Pflichten – etwa Teile der Hochrisiko-Anforderungen – folgen später; die genauen Fristen werden auf EU-Ebene fortgeschrieben. Maßgeblich sind die offiziellen EU-Quellen und die Detailseite zum EU AI Act.

Zur KI-Kompetenz (AI Literacy): Anbieter und Betreiber sollen nach besten Kräften ein ausreichendes Maß an KI-Kompetenz der Personen sicherstellen, die in ihrem Auftrag mit KI-Systemen arbeiten – unter Berücksichtigung von Wissen, Erfahrung, Ausbildung, Einsatzkontext und den betroffenen Personen. Das ist eine risiko- und kontextangemessene Pflicht.

Kurze Geschichte der KI

KI ist kein Produkt der 2020er-Jahre. Das Forschungsfeld ist Jahrzehnte alt – generative Chatbots haben es nur einer breiten Öffentlichkeit sichtbar gemacht.

Wann KI sinnvoll ist – und wann klassische Software besser ist

Für BOMOTS ist die praktische Frage entscheidend: Brauche ich dafür überhaupt KI? Oft ist die Antwort nein. KI ist häufig unnötig, wenn feste Regeln reichen, eine Datenbankabfrage die Antwort liefert, eine Formel exakt rechnet (z. B. Mehrwertsteuer), ein normaler Suchfilter genügt oder ein klassischer Workflow stabiler und günstiger ist.

KI kann dagegen sinnvoll sein, wenn unstrukturierte Inhalte verarbeitet werden, Muster aus vielen Beispielen gelernt werden sollen, mehrere plausible Ausgaben möglich sind, natürliche Sprache als Schnittstelle nützlich ist oder klassische Regeln kaum vollständig formulierbar sind.

Häufige Missverständnisse

KI weiter verstehen

Von hier aus führen die vertiefenden Themen des KI-Clusters weiter:

Wenn du noch nicht weißt, welche Kategorie passt: der KI-Tool-Finder und der KI-Modell-Finder helfen bei der Auswahl. Nachschlagen kannst du Begriffe im Glossar; wie BOMOTS arbeitet, steht in der Methodik.