Was ist eigentlich KI? Ein Beitrag für mehr Orientierung im Unternehmensalltag

Wenn wir heute über Künstliche Intelligenz (KI) sprechen, begegnen uns überall Schlagworte, Halbwissen und Scheindiskussionen. Mal geht es um rechtliche Aspekte – was erlaubt ist und was verboten.

Wenn wir heute über Künstliche Intelligenz (KI) sprechen, begegnen uns überall Schlagworte, Halbwissen und Scheindiskussionen.

Mal geht es um rechtliche Aspekte – was erlaubt ist und was verboten. Dann steht wieder die Frage im Raum, welche Business Cases verfolgt werden sollten und welchen strategischen Nutzen KI tatsächlich bringt. Gleichzeitig wird über technische und organisatorische Details gestritten: Welches Modell ist das richtige, welche Anforderungen gibt es an sichere KI-Systeme, wie ist das eigentlich mit dem Datenschutz und wer ist überhaupt verantwortlich für die KI-Transformation? Und nicht zuletzt finden wir uns regelmäßig in Diskussionen zu Ethik, Narrativen und Transparenz gegenüber Betroffenen wieder.

Das Problem an der Sache: Viele dieser Diskussionen bleiben verwaschen, weil uns ein gemeinsames, klares Verständnis fehlt, was „Künstliche Intelligenz“ eigentlich ist! Dadurch entstehen Gesprächsrunden, die eher an „Jugend forscht“ erinnern – aber kaum dazu beitragen, eine professionelle KI-Transformation im Unternehmen voranzubringen.

Hinzu kommt: Anders als viele andere geschäftsrelevante Themen ist KI kein „alter Wein in neuen Schläuchen“ – zumindest nicht der Teil, über den aktuell so intensiv diskutiert wird. Täglich erscheinen neue Studien, Whitepaper und Veröffentlichungen – mal mit mehr, mal mit weniger Tiefgang. Sie kommen aus der Wissenschaft, von Beratungshäusern, Anbietern und Herstellern, von Gesetzgebern, Behörden oder einschlägigen Normungsinstituten.

Das Ergebnis: Information Overload pur, der auf eine breite Masse von Menschen trifft, die mit sehr unterschiedlichem Kenntnisstand und zeitlichen Kapazitäten versuchen, sich in diesem hochkomplexen Thema zurechtzufinden. Ich selbst habe einen technischen Ausbildungsweg hinter mir – und fühle mich dennoch oft abgehängt: zwischen den tief informatischen Fachbegriffen auf der einen Seite und den glitzernden, marketinggetriebenen KI-Buzzwords auf der anderen.

Zeit also, für mehr Transparenz zu sorgen – und die elementaren Aspekte von KI so zu erklären, dass auch „normalsterbliche Menschen“ sie verstehen können. Praxisnah, reduziert auf das Wesentliche und möglichst einfach!

Was ist eigentlich KI?

KI ist zunächst einmal ein anspruchsvolles Teilgebiet der Informatik – komplex, mathematisch und technisch herausfordernd und ganz sicher nichts, was man „nebenbei“ versteht.

Umso erstaunlicher ist die Vielzahl an vermeintlichen „KI-Experten“ – oft aus Sozial- oder Geisteswissenschaften kommend – die Künstliche Intelligenz propagieren, als hätten sie jahrelange Erfahrung in Forschung, Entwicklung und praktischer Umsetzung gesammelt.

Was die Diskussion so schwierig macht, sind die vielen unterschiedlichen Perspektiven auf das Thema. Nicht einmal die Wissenschaft ist sich bislang einig, welche Definition eigentlich die „Richtige“ ist.

Im Unternehmenskontext ist diese Debatte aber ein Luxus, den wir uns nicht leisten können. Während die Experten noch diskutieren, verlangt die KI-Verordnung schon heute, dass wir in der Lage sind, KI-Systeme zu identifizieren, zu klassifizieren und die damit verbundenen Pflichten umzusetzen.

Die letzten Wochen habe ich daher viel Zeit mit Selbststudium verbracht und mir eine pragmatische Unterscheidung in vier Perspektiven erarbeitet:

1. Die Gesellschaftliche Perspektive

In der Gesellschaft gibt es kein einheitliches Verständnis von KI. Für die einen bedeutet sie vor allem ChatGPT, Copilot oder Gemini – Werkzeuge, die auf Knopfdruck beeindrucken, deren Funktionsweise und Grenzen aber nur wenige wirklich hinterfragen oder durchschauen.

Gleichzeitig prägen Schlagzeilen über tiefgreifende Veränderungen in Wirtschaft und Arbeitswelt das gesellschaftliche Bild von KI und schüren Zukunftssorgen. Dazu kommen die vertrauten Bilder aus Filmen wie Terminator oder I, Robot – düstere Visionen einer übermächtigen Intelligenz, die eher Angst machen als Orientierung geben.

So schwankt die gesellschaftliche Wahrnehmung zwischen Faszination, alltäglicher Nutzung und Science-Fiction-Panik.

2. Die Wissenschaftliche Perspektive

Aus wissenschaftlicher Sicht ist KI vor allem eines: uneinheitlich. Bis heute existiert keine allgemein akzeptierte Definition dessen, was „Künstliche Intelligenz“ genau ist. Je nach Forschungsrichtung reicht das Spektrum von sehr engen Ansätzen, die KI ausschließlich auf maschinelles Lernen und datengetriebene Verfahren beschränken, bis hin zu weiten Konzepten, die jegliche Form automatisierter Entscheidungsfindung – also auch klassische, regelbasierte Systeme – darunter fassen.

In meinen Recherchen bin ich auf die Deutsche Normungsroadmap Künstliche Intelligenz gestoßen, die ich für ein besseres Verständnis sehr hilfreich fand. Sie unterscheidet zwischen KI-Fähigkeiten und KI-Methoden, die diese Fähigkeiten realisieren.

KI-Fähigkeiten sind ein bewusst einfaches Konzept. Sie orientieren sich an vertrauten menschlichen Fähigkeiten und übertragen diese auf Maschinen. Unterschieden wird zwischen vier Bereichen: Wahrnehmung, Verarbeitung, Handeln und Kommunizieren.

Ein anschauliches Beispiel ist die Verarbeitung natürlicher Sprache, die eng mit der Fähigkeit zur Kommunikation verknüpft ist. Maschinen, die diese Fähigkeiten künstlich nachbilden, sind heute weitläufig bekannt: Es handelt sich um Chatbots, wie ChatGPT, CoPilot und Co.

Es gibt aber natürlich noch eine Vielzahl weiterer Fähigkeiten, die ein KI-System nachbilden kann. Dazu findet ihr einige Ideen und Anregungen in der folgenden Grafik. Schnell wird darin ersichtlich, dass unsere Diskussionen im Unternehmensalltag häufig sehr verkürzt stattfinden und viele KI-Fähigkeiten gänzlich unter den Tisch fallen.

KI-Methoden umfassen die wissenschaftlichen Techniken, mit denen die zuvor beschriebenen KI-Fähigkeiten realisiert werden. Am Beispiel von Chatbots bedeutet das: KI-Methoden sind die Verfahren, die sowohl die Verarbeitung natürlicher Sprache als auch die Kommunikation ermöglichen. Was bei ChatGPT oder Copilot so beeindruckend wirkt, beruht im Kern auf Methoden des Maschinellen Lernens – allen voran auf neuronalen Netzen. Sie bilden das Fundament moderner Large Language Models (LLMs) und machen es möglich, dass Chatbots heute nahezu mühelos sprechen, erklären und antworten können wie ein Mensch.

Wichtig ist dabei: Neben neuronalen Netzen existiert eine Vielzahl weiterer KI-Methoden, die auf unterschiedlichen Formen von KI-Modellen beruhen bzw. deren Entwicklung überhaupt erst ermöglichen.

KI-Modelle kann man sich als eine Art technische Nachbildung des menschlichen Gehirns vorstellen. Sie enthalten das notwendige Wissen – oder zumindest eine formale Repräsentation davon, damit Maschinen und KI-Systeme ihre besonderen Fähigkeiten überhaupt erst entwickeln können. Die Modelle werden dazu während ihrer Entwicklungsphase mithilfe verschiedener KI-Methoden konstruiert bzw. erstellt. Hierbei werden sogenannte regelbasierte oder datengetriebene KI-Modelle unterschieden.

Regelbasierte KI-Modelle beruhen auf zuvor definierten Fakten, Regeln und Formeln. Ihre „Intelligenz“ entsteht in reiner Handarbeit durch den Menschen, der diese in maschinenverständlicher Sprache modelliert und technisch implementiert. Das hat den Vorteil, dass die Qualität des Wissens unmittelbar von Expertinnen und Experten gesichert und überprüft wird. Der Nachteil: Solche Modelle sind starr, können nicht auf Unbekanntes reagieren und sind immer nur so gut wie die Regeln, die zuvor mühsam implementiert wurden. Die KI-Methoden, mit denen solche regelbasierten Modelle erstellt werden, sind auch als Methoden der klassischen KI oder der symbolischen KI bekannt.

Datengetriebene KI-Modelle funktionieren anders. Sie entstehen nicht durch manuell erstellte Wenn-Dann-Regeln, sondern durch Algorithmen, die ohne direktes menschliches Zutun riesige Datenbestände durchforsten, darin eigenständig Zusammenhänge entdecken und daraus ein Modell aufbauen. Ihr Wissen beruht also auf Daten, die in einem technischen Trainingsprozess verarbeitet und verinnerlicht werden. Die Verfahren, mit denen diese Modelle entstehen, lassen sich in Methoden des Maschinellen Lernens und Methoden des hybriden Lernens unterscheiden.

Mir haben Beispiele geholfen, um die Arbeitsweise von datengetriebenen KI-Modellen besser zu verstehen:

Man stelle sich eine Anwendung vor, die Tiere auf Bildern erkennen und benennen kann. Solche Tools beruhen auf datengetriebenen KI-Modellen, die mit Millionen von Tierfotos trainiert wurden – etwa Katzen, Hunde, Elefanten oder Vögel. Mithilfe von Methoden des Maschinellen Lernens hat das Modell in seiner Lernphase typische Merkmale erfasst, die eine Katze von einem Hund oder ein Pferd von einer Kuh unterscheiden. Bekommt es später ein neues Bild präsentiert, benötigt es keine starren Wenn-dann-Regeln mehr. Stattdessen greift es auf die gelernten Muster zurück und bestimmt selbstständig – mit einer gewissen Wahrscheinlichkeit auch korrekt –, um welches Tier es sich handelt.
Nach demselben Prinzip arbeiten auch KI-Textgeneratoren: Anstelle von Bildern wurden sie mit Millionen von Texten trainiert und haben dabei Muster von Grammatik, Ausdruck, Inhalten und Zeichensetzung erlernt. Wenn sie heute Texte verfassen oder Fragen beantworten, greifen sie auf diese gelernten Strukturen zurück – und formulieren erstaunlich flüssige, oft auch inhaltlich treffende Antworten.

Wichtig ist jedoch: Die datengetriebenen KI-Modelle verfügen über kein echtes fakten- oder regelbasiertes Wissen, das sie gezielt abrufen könnten. Man kann sie sich eher wie Kinder vorstellen, die aus dem Gehörten und Gesehenen einzelne Phrasen aufschnappen – manches einfach nachplappern, anderes wild miteinander vermischen, ohne ein Bewusstsein dafür zu haben.

Datenbasierte KI-Systeme funktionieren ganz ähnlich: Im Trainingsprozess werden sie mit Millionen von Beispielen gefüttert und nutzen diese Muster, um ihre Ausgaben zu erzeugen. Doch häufig bleibt es bei sprachlich zwar exzellenten, inhaltlich jedoch unvollständigen Wissensfragmenten, Teilwahrheiten oder es entstehen gänzlich falsche Aussagen. Für dieses Phänomen hat sich übrigens der Begriff „Halluzinieren“ etabliert.

3. Die Regulatorische Perspektive

Manch einer mag sich nun fragen, inwiefern die wissenschaftliche Perspektive auf KI-Systeme im Unternehmensalltag wirklich relevant ist. Schließlich liefert die KI-Verordnung ihre eigenen Begriffe und Definitionen – oder etwa nicht?

Eines ist klar: Die regulatorische Sicht folgt keiner strengen wissenschaftlichen Abgrenzung. Stattdessen werden Begriffe eingeführt, die regulatorisch geprägt sind. Im Kern unterscheidet der europäische Gesetzgeber zwischen KI-Modellen und KI-Systemen.

Der Begriff KI-Modell taucht in der Verordnung allerdings nur eingeschränkt auf – nämlich nur in Bezug auf KI-Modelle mit allgemeinem Verwendungszweck. Gemeint sind in erster Linie die großen Sprachmodelle (Large Language Models) wie GPT-4, Mistral oder LLaMA, die die Basis für KI-Lösungen wie ChatGPT, Copilot, Claude oder Perplexity bilden.

Das schließt aber nicht aus, dass auch andere Modelle einen allgemeinen Verwendungszweck haben könnten. In der Wissenschaft werden schließlich auch Entscheidungsbäume, Ontologien oder Prozessgraphen als KI-Modelle geführt. Ob und inwieweit diese unter den regulatorischen Begriff fallen, bleibt im Einzelfall zu prüfen.

Weiterhin führt die KI-Verordnung den Begriff des KI-Systems ein – allerdings nicht als wissenschaftlich fundierte, sondern als rein regulatorische Definition. Ob ein System als KI-System gilt, ergibt sich allein aus den in der Verordnung genannten Eigenschaften, die jedoch teils sehr allgemeingehalten sind. Ein KI-System soll demnach …

… ein maschinengestütztes System sein – wer hätte das gedacht?
… irgendwie „ein bisschen“ autonom sein.
… anpassungsfähig sein – muss es aber nicht!
… mit expliziten oder impliziten Zielen arbeiten.
… Eingaben entgegennehmen und „irgendetwas“ ableiten.
… Ausgaben erzeugen …
… die am Ende Umgebungen beeinflussen – sonst wäre das System nur Deko 🙂

Bezieht man diese Definition auf die zuvor beschriebenen vier KI-Fähigkeiten(Wahrnehmen, Verarbeiten, Kommunizieren und Handeln) zeigt sich eine gewisse Entsprechung:

Eingaben entgegennehmen = Wahrnehmen
Irgendetwas ableiten = Verarbeiten
Ausgaben erzeugen = Kommunizieren
Umwelt beeinflussen = Handeln

Soweit so klar. Spannend wird es aber mit Blick auf Erwägungsgrund 12 der KI-Verordnung. Dort heißt es nämlich, die Verordnung solle nicht für Systeme gelten, „die auf ausschließlich von natürlichen Personen definierten Regeln für das automatische Ausführen von Operationen beruhen“. Andererseits weißt derselbe Erwägungsgrund auch ausdrücklich darauf hin, dass „logik- und wissensgestützte Konzepte“ zu den Techniken gehören, mithilfe derer KI-Systeme entwickelt werden können.

Genau hier entsteht Diskussionsstoff, denn eben diese „logik- und wissensgestützte Konzepte“ gehören aus einer wissenschaftlichen Perspektive zu den regelbasierten KI-Modellen und -Methoden, die in mühsamer Handarbeit von Menschen erstellt werden. Die KI-Verordnung wirkt in diesem Punkt also sehr widersprüchlich und muss in Kombination mit den zugehörigen Leitlinien zur Definition von KI-Systemen gelesen werden.

Dort finden sich konkrete Beispiele, welche Systeme nicht unter die regulatorische Definition fallen, auch wenn sie aus wissenschaftlicher Sicht möglicherweise KI-Methoden beinhalten oder KI-Fähigkeiten aufweisen. Das bedeutet, Unternehmen müssen im Einzelfall prüfen, welche Systeme KI-relevant sind und welche Pflichten daraus folgen. Dazu habe ich auf Basis der Leitlinien eine kleine Hilfestellung abgeleitet.

Die Business Perspektive

Kommen wir nun zur unternehmerischen Perspektive auf das Thema KI. Hier wird es unübersichtlich, denn im Geschäftsumfeld gibt es bislang – ähnlich wie in der Gesellschaft – kaum Standardisierung.

KI-Lösungen schießen wie Pilze aus dem Boden: Darunter finden sich völlig neuartige native KI-Services, aber auch altbekannte Anwendungen, die plötzlich mit einem KI-Etikett versehen werden. Oft dient „KI“ weniger als technische Beschreibung, sondern als Marketing- und Sales-Argument. Fast alle großen Hersteller und Anbieter von IT-Lösungen versuchen derzeit, ihre Werkzeuge als „KI-Lösungen“ zu vermarkten – um relevant zu bleiben oder sich mit dem Veränderungswind sogar eine bessere Marktposition zu sichern.

In Unternehmen, die KI-Lösungen einsetzen, schwankt die Stimmung zwischen Begeisterung und Besorgnis. Einerseits locken große Chancen: Automatisierung, Effizienzgewinne und Innovation. Andererseits bringen die Systeme Unsicherheit, neue Pflichten und den Druck mit sich, Prozesse und Arbeitsweisen grundlegend zu überdenken. Entsprechend zeigt sich die Haltung im Unternehmen oft ambivalent – vor allem, weil zuerst die regulatorische Grundlagenarbeit erledigt werden muss, bevor sich die versprochenen Potenziale überhaupt angehen lassen.

Grundlagenarbeit bedeutet hier vor allem: Transparenz schaffen über die bestehende Anwendungslandschaft. Welche vermeintlichen KI-Lösungen sind wirklich KI und was ergeben sich daraus für Pflichten – bereits heute und in naher Zukunft?

Eine erste Orientierung zur Identifikation der im KI-Lösungen bietet erneut die Deutsche Normungsroadmap Künstliche Intelligenz, die typische Softwaremärkte und Produkte kategorisiert. Ich habe diese Übersicht für mich angepasst und ein Raster mit kurzen Definitionen und Beispielen entwickelt.

Steht die Transparenz, müssen weitere Fragen zur regulatorischen Einordnung geklärt werden:

Welche dieser KI-Lösungen gelten auch im regulatorischen Sinne als KI-Systeme?
Welchen Risikograd haben sie?
In welcher Rolle ist das Unternehmen tätig – Anbieter, Betreiber oder etwas anderes?
Und welche Pflichten leiten sich daraus ab?

Die KI-Begriffe auf einen Blick

Fassen wir das bislang Gesagte und die verwendeten Begriffe nochmals zusammen:

👉 KI-Modelle sind das „Gehirn“ von KI-Lösungen – Es handelt sich um das trainierte Wissen, welches entweder regelbasiert oder datenbasiert erworben wurde.
👉 KI-Methoden sind wissenschaftlichen Verfahren, mit denen KI-Modelle konstruiert bzw. entwickelt werden.
👉 KI-Fähigkeiten bilden menschliche Fähigkeiten, wie Wahrnehmen, Verarbeiten, Kommunizieren oder Handeln künstlich und mithilfe der KI-Methoden nach.
👉 KI-Systeme verfügen über eine oder mehrere KI-Fähigkeiten, um konkrete Aufgaben zu übernehmen.
👉 KI-Lösungen sind verkaufsfähige Produkte, die aus einem oder mehreren KI-Systemen bestehen, die im unternehmerischen Kontext eingesetzt werden können.

Wie nun weiter?

Durch die Grundlagenarbeit und den Intensiven KI-Diskurs in diesen Tagen springen einem immer mehr Potenziale und Anwendungsmöglichkeiten ins Auge. Gefühlt gibt es eine Million Anwendungsfälle und am liebsten würden wir sie alle gleichzeitig realisieren. Doch genau hier braucht es echten Fokus.

Sonst läuft es wie im Spielzeugladen: Man gibt kleinen Kindern die „wahnsinnig tolle Möglichkeit“, sich selbst ein Spielzeug auszusuchen – und glaubt, damit Freude zu schenken. In der Praxis stehen sie dann vor den Regalen, völlig überwältigt von der Auswahl – und am Ende gibt es Tränen, Frust und Geschrei. Noch absurder wird es, wenn die kleinen Zwerge ausgerechnet im Wissenschaftsgang landen: Physikkoffer, Miniaturbausets, Chemie-Experimente. Spielzeuge für große Kinder oder jung gebliebene Eltern – aber nichts, womit die Kleinen im Hier und Jetzt auch nur ansatzweise umgehen können.

Genau so fühlt sich die KI-Transformation manchmal für mich an. Wir stehen in einem gigantischen KI-Spielzeugladen. Alles wirkt spannend, alles verspricht Mehrwert – und wir möchten am liebsten alles auf einmal ausprobieren. Aber nicht alles ist für unsere aktuellen Fähigkeiten und Bedürfnisse wirklich geeignet.

In der Realität sind Ressourcen knapp, der gefühlte Zeitdruck hoch, und oft wissen wir viel zu wenig über die vermeintlich „tollen Tools“ – was sie wirklich können, welchen Nutzen sie tatsächlich bringen und wie wir sie so einsetzen, dass sie Wirkung entfalten. Die Folge: Überforderung, Fehlentscheidungen und KI-Projekte, die scheitern, weil die Erwartungen zu hoch waren.

Was wir also brauchen, ist mehr Grundlagenwissen und Orientierung. Ich hoffe, dass mein kleiner Artikel dazu einen Beitrag leisten kann und im Unternehmensalltag ein Stück Klarheit schafft.

Lasst mir gerne eure Gedanken und Hinweise da, teilt den Beitrag mit eurem Netzwerk und habt einen tollen Tag 🙂