Eine Frage zum Einstieg
Was haben diese drei Dinge gemeinsam?
- Ein Spamfilter, der nervige Mails erkennt
- Ein Navigationssystem, das Staus umfährt
- ChatGPT, das Ihnen einen Bericht schreibt
Alle drei sind KI. Und doch völlig verschieden.
Vom Spamfilter bis zum Leistungsnachweis
Grundlagen KI, sauber eingeordnet.
Diese Seite verpackt alle Kerninhalte aus dem Einstieg-PDF als visuelle One-Page-Story: Was KI ist, wie LLMs funktionieren, was generative KI leisten kann und wo ihre Grenzen klar bleiben.
Das KI-Universum
KI ist kein einzelnes Ding, sondern ein Methodenraum.
Der Begriff Künstliche Intelligenz umfasst verschiedene Ansätze. Genau diese Unterschiede entscheiden später darüber, wie gut man einem System vertrauen kann.
Regelbasierte Systeme
"WENN X, DANN Y"
Funktionieren über explizit programmierte Regeln.
Machine Learning
Lernt aus Daten
Das System wird nicht vollständig ausgeschrieben, sondern lernt Muster aus Beispielen.
Deep Learning
Neuronale Netze
Eine Unterform des Machine Learning mit mehrschichtigen Netzstrukturen.
Generative KI
Erstellt neue Inhalte
Texte, Bilder, Code oder Zusammenfassungen werden neu erzeugt statt nur erkannt.
Large Language Models
Sprachmodelle
LLMs sind eine zentrale Ausprägung generativer KI für alles, was mit Sprache zu tun hat.
Der Unterschied zwischen regelbasiert und lernend ist entscheidend für das Vertrauen in KI-Systeme.
Regelbasiert vs. lernend
Gleiche Aufgabe, völlig anderer Mechanismus.
Regelbasiert
- Programmiert
- Ja, explizit
- Beispiel
- Spamfilter (alt)
- Vorteil
- Erklärbar
- Nachteil
- Brittle
Machine Learning
- Programmiert
- Nein, lernt selbst
- Beispiel
- Spamfilter (neu)
- Vorteil
- Flexibel
- Nachteil
- Black Box
Wie denkt ein LLM?
Es denkt nicht. Es vervollständigt Muster.
Ein Large Language Model wählt das wahrscheinlichste nächste Wort. Nicht einmal, sondern Milliarden Mal hintereinander und in Millisekunden.
Next-Token-Prediction
Die Hauptstadt der Schweiz ist ...
Das Modell bewertet mögliche Fortsetzungen nach Wahrscheinlichkeit.
Wie entsteht dieses Wissen?
Vier Schritte vom Datenberg zum einsatzbereiten Modell.
Schritt 1
Daten sammeln
Bücher, Websites und Code liefern Billionen Wörter als Trainingsmaterial.
- Daten sammeln
- Vorhersage trainieren
- Feintuning mit menschlicher Bewertung (RLHF)
- Deployment: Modell wird eingefroren
Nach dem Training hat das Modell kein Gedächtnis und keine Verbindung zur Welt.
Was kann generative KI?
Stark überall dort, wo Sprache, Struktur und Varianten zählen.
Texte erstellen
E-Mails, Berichte, Zusammenfassungen und erste Entwürfe.
Übersetzen & umformulieren
Ton, Stil und Niveau lassen sich gezielt anpassen.
Code schreiben
Scripts, Formeln und kleine Automatisierungen sind typische Fälle.
Strukturieren
KI kann Chaos in Struktur verwandeln und Komplexität verdichten.
Ideen entwickeln
Gut für Brainstorming, Alternativen und Perspektivwechsel.
Analysieren
Dokumente lesen, clustern und verständlich zusammenfassen.
Kurz: Alles, was mit Sprache zu tun hat – und vieles mehr.
Und was kann sie nicht?
Die ehrliche Liste der Grenzen.
Keine Faktengarantie
Halluziniert selbstsicher, wenn Fakten fehlen oder Muster täuschen.
Kein aktuelles Wissen
Modelle haben einen Wissensstichtag aus dem Training.
Kein echtes Verstehen
Statistisches Muster, kein Sinnverständnis.
Kein Gedächtnis
Jeder Chat beginnt neu, sofern nichts explizit gespeichert wird.
Schwach bei Zahlen
Zuverlässigkeit bei Rechnen und Präzisionslogik ist begrenzt.
Keine Neutralität
Bias aus Trainingsdaten fließt in Antworten und Formulierungen ein.
Halluzination
Überzeugend ist nicht automatisch wahr.
Ein LLM erfindet Fakten, Quellen oder Namen nicht aus Bosheit, sondern weil es das wahrscheinlichste nächste Wort schreibt.
Beispiel
„Nennen Sie mir drei Studien zum Thema KI im HR-Bereich.“
Das Modell kann Titel, Autorinnen, Autoren oder Journals erfinden und dabei absolut überzeugend wirken.
Regel: KI-Output immer verifizieren, wenn Fakten zählen.
Bias
Kein neutrales Werkzeug.
Trainingsdaten spiegeln menschliche Vorurteile wider. Das Modell lernt sie mit und reproduziert sie.
- Welche Sprachen sind überrepräsentiert?
- Welche Berufsbilder werden stereotyp beschrieben?
- Wessen Perspektive fehlt?
Bias ist nicht vollständig behebbar, aber erkennbar und handhabbar.
Die entscheidende Frage
Was kann KI in meiner Arbeit?
KI ersetzt keine Menschen – vorerst. Aber Menschen, die KI nutzen, ersetzen Menschen, die es nicht tun.
Assistent
Entwürfe schreiben, zusammenfassen, erste Fassungen liefern.
Sparring
Ideen testen, Perspektiven aufzeigen und Denkwege spiegeln.
Automatisierer
Wiederholende Aufgaben delegieren und Prozesse beschleunigen.
Entscheidungen, Verantwortung und Urteil bleiben beim Menschen.
Ihr Leistungsnachweis
Der Transfer in die eigene Praxis ist der eigentliche Punkt.
Sie nehmen eine strukturierte Analyse Ihrer eigenen Arbeit mit. Das ist die Grundlage für den gesamten CAS.
Die Aufgabe
3 bis 5 Prozesse identifizieren
Finden Sie in Ihrem Unternehmen Prozesse, die durch generative KI verbessert werden könnten.
Die Bewertung
Potenzial und Risiko einschätzen
Nicht nur Chancen benennen, sondern auch Risiken sauber bewerten.
Die Haltung
Kein Code. Keine Technik. Reines Denken.
Es geht zuerst um Arbeit, Prozesse und Urteilsvermögen, nicht um Implementierungsdetails.
Leistungsnachweis – Struktur
- Eigene Arbeit systematisch betrachten
- Relevante Prozesse benennen
- Verbesserungspotenzial ableiten
- Risiken sichtbar machen
Zum Schluss
Fragen?
Die wichtigsten Leitlinien aus dem Einstieg bleiben schlicht: sauber unterscheiden, realistisch einschätzen, KI-Output verifizieren und Verantwortung nicht an das Modell abgeben.