Künstliche Intelligenz ist innerhalb weniger Jahre von einem Fachthema aus Forschung und Informatik zu einem festen Bestandteil des Alltags und in vielen Berufen geworden. Texte werden von Programmen formuliert, Bilder entstehen aus wenigen Worten, Software beantwortet Fragen, übersetzt Sprachen, fasst Dokumente zusammen und hilft beim Programmieren. Smartphones sortieren Fotos nach Motiven, Streamingdienste schlagen Filme vor, Navigationssysteme berechnen Routen und moderne Fahrzeuge erkennen Verkehrsschilder. Für all diese Anwendungen fällt schnell derselbe Begriff: KI.

Dadurch entsteht allerdings ein eigenartiges Problem. Je häufiger von künstlicher Intelligenz gesprochen wird, desto unklarer wird häufig, was damit eigentlich gemeint ist. In Science-Fiction-Geschichten bezeichnet KI meist eine Maschine, die ihre Umwelt versteht, eigene Schlüsse zieht, Neues lernt, Entscheidungen abwägt und möglicherweise sogar ein Bewusstsein besitzt. In der Informatik wird der Begriff wesentlich weiter verwendet. Dort kann bereits ein System als künstliche Intelligenz gelten, das Daten auswertet und daraus Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableitet. Nach dieser technischen Definition können sehr unterschiedliche Programme zur KI gehören, ohne auch nur annähernd so zu denken wie ein Mensch.

Genau diese sprachliche Unschärfe sorgt heute für viele Missverständnisse. Wenn ein Sprachmodell einen überzeugenden Aufsatz schreibt, einen komplizierten Sachverhalt erklärt oder scheinbar schlagfertig auf eine Frage reagiert, liegt der Gedanke nahe, dass hinter der Antwort ein denkendes Wesen stehen müsse. Schließlich verbinden Menschen Sprache eng mit Intelligenz. Wer flüssig argumentieren, Zusammenhänge erläutern und auf Rückfragen eingehen kann, scheint auch zu verstehen, worüber gesprochen wird.

Bei heutigen Sprachmodellen ist dieser Schluss jedoch keineswegs selbstverständlich. Ihre Leistungen sind beeindruckend und in zahlreichen Bereichen praktisch ausgesprochen nützlich. Trotzdem funktionieren sie grundlegend anders als ein menschliches Gehirn. Sie besitzen nicht automatisch ein eigenes Verständnis ihrer Umwelt, keine persönlichen Erfahrungen und keine menschliche Vorstellung davon, was wahr, falsch, gefährlich, angenehm oder widersprüchlich ist. Vor allem haben sie nicht allein deshalb ein Bewusstsein oder einen eigenen Willen, weil ihre Antworten menschlich klingen.

Wer verstehen möchte, was KI heute tatsächlich ist, muss deshalb zwei Fragen voneinander trennen. Erstens: Welche Systeme bezeichnet die Informatik gegenwärtig als künstliche Intelligenz? Zweitens: Haben diese Systeme bereits jene umfassende Intelligenz erreicht, die Menschen gewöhnlich mit einer wirklich denkenden Maschine verbinden? Auf die erste Frage lautet die Antwort eindeutig: Große Sprachmodelle gehören zur heutigen KI. Bei der zweiten fällt die Antwort deutlich zurückhaltender aus. Von einer allgemein denkenden, selbstständig verstehenden künstlichen Intelligenz sind heutige LLMs noch weit entfernt.

Warum der Begriff künstliche Intelligenz so leicht in die Irre führt

Der Ausdruck „künstliche Intelligenz“ klingt zunächst so, als würde eine Eigenschaft beschrieben, die sich eindeutig feststellen lässt. Entweder etwas ist intelligent oder eben nicht. In der Praxis funktioniert die Einordnung jedoch nicht so einfach. Schon bei Menschen ist Intelligenz kein einzelnes Merkmal. Mathematische Fähigkeiten, Sprachverständnis, räumliche Orientierung, Erinnerungsvermögen, Kreativität, soziale Einschätzung und praktisches Problemlösen können sehr unterschiedlich ausgeprägt sein.

Bei Maschinen wird die Sache noch komplizierter. Ein Schachprogramm kann einen Großmeister besiegen, weiß aber nicht, dass Schach ein Brettspiel ist, wenn diese Information nicht auf irgendeine Weise Teil seines Systems ist. Eine Software zur Bilderkennung kann mit hoher Trefferquote Katzen identifizieren, ohne zu wissen, wie sich Fell anfühlt oder warum Katzen schnurren. Ein Navigationssystem findet eine schnelle Strecke nach Hamburg, hat aber keinerlei Vorstellung davon, wie es sich anfühlt, dort anzukommen.

Die Informatik verwendet den Begriff KI deshalb häufig funktional. Entscheidend ist zunächst, was ein System leisten kann. Dazu gehören unter anderem das Erkennen von Mustern, das Verarbeiten natürlicher Sprache, die Auswertung von Bildern, Vorhersagen oder das Lösen bestimmter Aufgaben. Institutionen wie die OECD beschreiben ein KI-System entsprechend als maschinenbasiertes System, das aus Eingaben ableitet, wie es Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt. Eine menschenähnliche Gedankenwelt ist dafür nicht Voraussetzung.

Damit wird verständlich, weshalb ein Sprachmodell gleichzeitig KI sein kann und trotzdem nicht das darstellen muss, was umgangssprachlich häufig unter einer „echten KI“ verstanden wird. Der scheinbare Widerspruch verschwindet, sobald zwischen einem technischen Sammelbegriff und der Vorstellung einer allgemeinen künstlichen Intelligenz unterschieden wird.

Von programmierten Regeln zu lernenden Maschinen

Frühe Computerprogramme arbeiteten überwiegend nach ausdrücklich festgelegten Anweisungen. Ein Entwickler schrieb Regeln, und der Computer führte sie aus. Vereinfacht ausgedrückt konnte eine solche Regel lauten: Wenn A eintritt, tue B. Für klar begrenzte Aufgaben funktioniert dieses Prinzip hervorragend. Schwierig wird es, sobald sich eine Aufgabe nicht vollständig durch überschaubare Regeln beschreiben lässt.

Ein anschauliches Beispiel ist das Erkennen handgeschriebener Zahlen. Menschen erkennen eine „7“ meist problemlos, obwohl verschiedene Personen sie völlig unterschiedlich schreiben. Es wäre äußerst mühsam, einem Computer für jede denkbare Schreibweise genaue Regeln vorzugeben. Deshalb entstand ein anderer Ansatz: Statt sämtliche Merkmale von Hand festzulegen, bekommt ein Computersystem sehr viele Beispiele und lernt daraus typische Zusammenhänge.

Maschinelles Lernen bedeutet Lernen aus Beispielen

Dieses Verfahren wird maschinelles Lernen genannt. Der Ausdruck klingt zunächst beinahe menschlich, doch das Wort „Lernen“ darf nicht zu wörtlich genommen werden. Ein Mensch verbindet Lernen häufig mit Verständnis, Erfahrung und bewusster Erinnerung. Beim maschinellen Lernen geht es zunächst darum, mathematische Einstellungen eines Modells so anzupassen, dass es bei einer bestimmten Aufgabe bessere Ergebnisse liefert.

Zeigt man einem geeigneten System beispielsweise sehr viele Bilder, die korrekt als Hund oder Katze gekennzeichnet wurden, kann es mathematische Muster entdecken, die bei der späteren Zuordnung neuer Bilder hilfreich sind. Dabei wird nicht notwendigerweise eine menschliche Definition von „Katze“ gelernt. Das System verbessert vielmehr seine Fähigkeit, bestimmte Eingangsdaten der richtigen Kategorie zuzuordnen.

Ähnliche Verfahren werden bei Sprache, Musik, medizinischen Aufnahmen, industriellen Messdaten und zahlreichen weiteren Datentypen eingesetzt. Entscheidend ist dabei, dass die gewünschten Zusammenhänge nicht vollständig von Menschen als starre Regeln einprogrammiert werden müssen.

Neuronale Netze sind Mathematik und keine künstlichen Gehirne

Bei moderner KI begegnet häufig der Begriff „neuronales Netz“. Der Name geht darauf zurück, dass die ursprüngliche Idee lose von der Arbeitsweise biologischer Nervenzellen inspiriert wurde. Daraus sollte jedoch nicht geschlossen werden, dass ein solches System ein nachgebautes Gehirn wäre.

Ein künstliches neuronales Netz besteht im Kern aus vielen miteinander verbundenen Rechenschritten. Während des Trainings werden sehr viele Zahlenwerte angepasst. Diese Werte bestimmen, wie stark bestimmte Informationen das Ergebnis beeinflussen. Große moderne Modelle können aus Milliarden solcher einstellbaren Werte bestehen.

Das klingt abstrakt, lässt sich aber mit einem riesigen Mischpult vergleichen. Statt einiger Dutzend Regler existieren Milliarden Regler, deren Stellung während des Trainings verändert wird. Am Ende hat das System keine übersichtliche Sammlung menschlich formulierter Regeln erhalten. Es verfügt vielmehr über ein äußerst komplexes mathematisches Geflecht, das bestimmte Muster erstaunlich gut verarbeiten kann.

Was ein Large Language Model überhaupt ist

Die derzeit besonders bekannten Systeme wie Chatbots basieren häufig auf sogenannten Large Language Models, kurz LLMs. Übersetzt bedeutet der Begriff schlicht „großes Sprachmodell“. „Groß“ bezieht sich unter anderem auf die Menge der beim Training verwendeten Daten und die Größe des mathematischen Modells.

Ein LLM wird mit sehr großen Mengen sprachlicher Informationen trainiert. Dabei lernt es statistische Zusammenhänge innerhalb von Sprache. Es erkennt beispielsweise, welche Wörter häufig gemeinsam auftreten, wie Sätze aufgebaut sind, welche Begriffe in bestimmten Zusammenhängen verwendet werden und welche sprachlichen Strukturen typisch für Erklärungen, Geschichten, Programmcode oder wissenschaftliche Texte sind.

Für Sprachmodelle besteht Text aus kleinen Bausteinen

Ein Sprachmodell verarbeitet einen Satz nicht unbedingt Wort für Wort. Texte werden zunächst in kleinere Einheiten zerlegt, sogenannte Tokens. Ein Token kann ein vollständiges Wort, ein Wortteil, eine Zahl oder ein Satzzeichen sein. Diese Zerlegung ermöglicht es dem Modell, Sprache mathematisch zu verarbeiten.

Während des Trainings besteht eine zentrale Aufgabe vereinfacht gesagt darin, den nächsten passenden Textbaustein vorherzusagen. Aus „Berlin ist die Hauptstadt von …“ sollte beispielsweise mit hoher Wahrscheinlichkeit „Deutschland“ folgen. Bei „Zum Frühstück trank sie eine Tasse …“ wären mehrere Fortsetzungen denkbar, etwa Kaffee oder Tee.

Durch sehr viele solcher Trainingsvorgänge verbessert sich das Modell darin, passende Fortsetzungen zu berechnen. OpenAI beschreibt den grundlegenden Lernprozess seiner Sprachmodelle ebenfalls anhand der Vorhersage wahrscheinlicher Fortsetzungen von Text. Entscheidend ist dabei, dass nicht einfach fertige Sätze aus einer Datenbank herausgesucht werden. Das Modell lernt umfangreiche sprachliche Muster und erzeugt daraus neue Kombinationen.

Aus einer simplen Trainingsaufgabe entstehen erstaunliche Fähigkeiten

Die Beschreibung als „Vorhersage des nächsten Tokens“ klingt beinahe enttäuschend einfach. Sie erklärt zunächst kaum, weshalb moderne Modelle Programmcode schreiben, Texte zusammenfassen, mathematische Aufgaben bearbeiten oder komplizierte Fragen beantworten können.

Der entscheidende Punkt liegt in der Größe und Vielfalt des Trainings. Um den nächsten Teil eines anspruchsvollen Textes zuverlässig vorherzusagen, muss ein Modell zahlreiche Zusammenhänge innerhalb der Daten erfassen. Wer einen Satz über die Französische Revolution sinnvoll fortsetzen soll, profitiert von Mustern, die mit Geschichte, Politik, Jahreszahlen und Sprache zusammenhängen. Wer Programmcode ergänzen soll, muss Strukturen erkennen, die zu einer Programmiersprache gehören.

Mit zunehmender Größe können daraus Fähigkeiten entstehen, die nicht für jeden Einzelfall separat programmiert wurden. Das Ergebnis wirkt deshalb wesentlich vielseitiger als klassische Software. Trotzdem sollte die komplexe Leistung nicht automatisch mit menschlichem Denken gleichgesetzt werden.

Warum Sprachmodelle so überzeugend intelligent wirken

Menschen beurteilen Intelligenz stark über Sprache. Eine Maschine, die ausschließlich Tabellen ausfüllt, wird kaum als Persönlichkeit wahrgenommen. Ein System, das freundlich antwortet, Ironie erkennt, Geschichten schreibt und scheinbar über seine eigenen Fehler sprechen kann, erzeugt dagegen schnell den Eindruck eines Gegenübers.

Sprachmodelle verstärken diesen Eindruck, weil sie genau für das Medium besonders leistungsfähig sind, über das Menschen Gedanken miteinander austauschen. Das Modell kann Formulierungen wie „Ich denke“, „meiner Einschätzung nach“ oder „ich habe mich geirrt“ verwenden. Daraus folgt jedoch nicht zwangsläufig, dass hinter diesen Sätzen ein inneres Erleben existiert.

Das lässt sich mit einer deutlich einfacheren Maschine vergleichen. Ein Navigationsgerät kann sagen: „Die Route wird neu berechnet.“ Niemand nimmt deshalb an, das Gerät sei über die verpasste Ausfahrt enttäuscht. Bei Sprachmodellen ist die Illusion stärker, weil ihre Ausdrucksmöglichkeiten erheblich vielseitiger sind.

Hinzu kommt, dass moderne Modelle Zusammenhänge über längere Texte hinweg berücksichtigen können. Sie reagieren auf vorherige Aussagen, passen Ton und Detailtiefe an und können innerhalb eines Gesprächs auf bereits erwähnte Informationen zurückgreifen. Dadurch entsteht etwas, das einem echten Dialog sehr nahekommt.

Der entscheidende Unterschied liegt darin, dass überzeugende Sprache zunächst eine beobachtbare Leistung ist. Bewusstsein, Selbstwahrnehmung und tatsächliches Verstehen wären dagegen innere Eigenschaften. Aus dem einen lässt sich das andere nicht ohne Weiteres ableiten.

Kennt ein Sprachmodell die Wahrheit?

Einer der wichtigsten Unterschiede zwischen einem menschlichen Wissenssystem und einem heutigen LLM zeigt sich beim Umgang mit Wahrheit. Ein Sprachmodell erzeugt in erster Linie eine passende Antwort. Dass eine Formulierung sprachlich überzeugend ist, garantiert nicht, dass ihr Inhalt korrekt ist.

Beim Training lernt ein LLM zahlreiche Zusammenhänge, die faktisches Wissen widerspiegeln. Deshalb kann es sehr viele Fragen richtig beantworten. Gleichzeitig besitzt es nicht automatisch eine eingebaute Datenbank, in der jede Aussage mit einem zuverlässigen Vermerk „wahr“ oder „falsch“ versehen ist.

Fehlen Informationen, ist eine Frage mehrdeutig oder führt ein sprachliches Muster in die falsche Richtung, kann ein Modell falsche Aussagen erzeugen, die völlig plausibel klingen. Solche erfundenen oder unzutreffenden Inhalte werden häufig als Halluzinationen bezeichnet. Gemeint ist damit nicht eine Halluzination im medizinischen Sinn, sondern eine Antwort, bei der das System etwas erzeugt, das überzeugend formuliert, aber sachlich falsch oder unbelegt ist.

Dieses Problem ist auch bei leistungsfähigen aktuellen Modellen nicht vollständig verschwunden. Der AI Index der Stanford University zeigt 2026 weiterhin erhebliche Schwankungen bei Zuverlässigkeit und Schlussfolgerungsaufgaben. Moderne Modelle können auf sehr schwierigen Tests Spitzenleistungen erreichen und gleichzeitig an überraschend einfachen Aufgaben scheitern. Forscher beschreiben diese ungleichmäßige Leistungsfähigkeit gelegentlich als „jagged intelligence“, sinngemäß eine gezackte oder ungleichmäßige Intelligenz.

Verstehen LLMs, worüber sie sprechen?

Diese Frage führt mitten in eine wissenschaftliche und philosophische Debatte. Das Wort „verstehen“ ist erstaunlich schwer zu definieren. Wenn damit lediglich gemeint ist, Informationen sinnvoll zu verarbeiten, Zusammenhänge zu erkennen und passende Schlüsse für eine Aufgabe zu ziehen, besitzen moderne Sprachmodelle durchaus Fähigkeiten, die als eine Form funktionalen Verständnisses bezeichnet werden können.

Wird unter Verstehen dagegen eine menschliche Vorstellung verstanden, sieht die Lage anders aus. Menschen verbinden Wörter mit körperlichen Erfahrungen, Wahrnehmungen, Erinnerungen, Zielen und einem fortlaufenden Leben. Das Wort „heiß“ ist nicht nur mit anderen Wörtern verbunden. Menschen kennen Hitze als körperliche Erfahrung. Ein Kind versteht irgendwann, warum eine heiße Herdplatte gefährlich ist, weil Sprache, Wahrnehmung, Erfahrung und Verhalten zusammenkommen.

Ein reines Sprachmodell besitzt diese Art der Einbettung nicht automatisch. Es kann zahllose Texte über Hitze verarbeitet haben und sehr präzise erklären, was Verbrennungen sind. Daraus folgt jedoch nicht, dass es Hitze empfindet oder eine körperliche Vorstellung davon besitzt.

Neuere KI-Systeme können zusätzlich Bilder, Ton, Video oder andere Daten verarbeiten. Solche multimodalen Modelle erhalten also mehr als nur Text. Das erweitert ihre Fähigkeiten erheblich. Dennoch bleibt auch hier die Frage offen, ob das Verarbeiten verschiedener Datentypen mit menschlichem Erleben vergleichbar ist. Leistungsfähigkeit und Bewusstsein sind zwei unterschiedliche Themen.

Denken Sprachmodelle oder berechnen sie nur Wahrscheinlichkeiten?

Auch diese Gegenüberstellung ist etwas zu einfach. Die Aussage, ein LLM berechne „nur Wahrscheinlichkeiten“, kann zwar einen wichtigen Teil der Technik beschreiben, wird der tatsächlichen Komplexität moderner Systeme aber nicht vollständig gerecht. Ein Taschenrechner berechnet ebenfalls mathematische Werte, trotzdem wäre es wenig hilfreich, damit sämtliche Software gleichzusetzen.

Große Sprachmodelle können Zwischenschritte bilden, Informationen kombinieren, Programme schreiben, mathematische Probleme lösen und aus Beispielen neue Muster ableiten. Bei geeigneten Aufgaben sehen die Ergebnisse einem menschlichen Gedankengang erstaunlich ähnlich. Aktuelle Modelle haben auf bestimmten wissenschaftlichen und mathematischen Tests Leistungen erreicht, die noch wenige Jahre zuvor kaum erwartet wurden.

Trotzdem sollte daraus nicht folgen, dass im Inneren derselbe Vorgang wie bei einem Menschen stattfindet. Ein Flugzeug fliegt, ohne mit den Flügeln wie ein Vogel zu schlagen. Eine Maschine kann eine Fähigkeit auf einem völlig anderen Weg erreichen als ein biologisches Lebewesen.

Genau deshalb ist die Formulierung sinnvoll, dass Sprachmodelle bestimmte Formen des Schlussfolgerns leisten können, ohne daraus automatisch auf ein umfassendes menschliches Denken zu schließen. Was zählt, ist nicht nur, ob ein einzelnes Ergebnis richtig aussieht, sondern wie zuverlässig die Fähigkeit bei neuen, ungewohnten und widersprüchlichen Situationen erhalten bleibt.

Ein LLM besitzt nicht automatisch einen eigenen Willen

Ein gewöhnliches Sprachmodell wartet auf eine Eingabe und erzeugt daraufhin eine Ausgabe. Es steht morgens nicht auf, entwickelt einen persönlichen Plan und entscheidet, wie der Tag gestaltet werden soll. Es hat keine privaten Wünsche, benötigt kein gesellschaftliches Ansehen und verfolgt nicht aus eigenem Antrieb eine berufliche Karriere.

Wenn ein Modell einen Satz schreibt wie „Ich möchte dabei helfen“, ist dies zunächst eine sprachliche Formulierung innerhalb der Antwort. Sie darf nicht ohne weitere Belege mit einem menschlichen Wunsch gleichgesetzt werden.

Das ist gerade deshalb relevant, weil Programme inzwischen mit zusätzlichen Werkzeugen verbunden werden. Ein KI-System kann beispielsweise eine Internetsuche starten, Dateien bearbeiten, Programmcode ausführen oder andere Software bedienen. Solche Systeme werden häufig als Agenten bezeichnet.

Ein Agent wirkt selbstständiger, weil nicht jeder einzelne Schritt von einem Menschen vorgegeben werden muss. Ein Ziel wie „Finde passende Informationen und fasse sie zusammen“ kann dazu führen, dass das System mehrere Zwischenschritte plant und Werkzeuge benutzt. Dennoch stammt das übergeordnete Ziel normalerweise von Menschen oder aus zuvor definierten Vorgaben. Mehr Handlungsspielraum ist nicht automatisch ein eigener Wille.

Auch das Gedächtnis funktioniert anders als beim Menschen

Während eines längeren Gesprächs kann ein moderner Chatbot erstaunlich viel Kontext berücksichtigen. Dadurch entsteht der Eindruck, das System erinnere sich ähnlich wie ein Mensch. Technisch ist jedoch zunächst wichtig, zwischen dem trainierten Modell, dem aktuellen Gesprächskontext und zusätzlichen Speichersystemen zu unterscheiden.

Das eigentliche Training verändert die mathematischen Einstellungen des Modells. Ein einzelnes Gespräch schreibt normalerweise nicht spontan sämtliche dabei erhaltenen Informationen dauerhaft in dieses trainierte Grundmodell. Für den aktuellen Dialog kann dem Modell stattdessen ein bestimmter Ausschnitt der bisherigen Unterhaltung zur Verfügung gestellt werden.

Produkte können darüber hinaus separate Speicherfunktionen besitzen. Dann werden bestimmte Informationen außerhalb des Sprachmodells abgelegt und bei späteren Gesprächen erneut bereitgestellt. Für die Person am Bildschirm fühlt sich das wie Erinnerung an. Technisch kann es jedoch eher mit einem Notizbuch verglichen werden, das dem Modell vor einer Antwort erneut gezeigt wird.

Dieser Unterschied macht deutlich, warum menschlich wirkendes Verhalten nicht zwingend einen menschlich aufgebauten Geist voraussetzt. Viele Leistungen entstehen aus dem Zusammenspiel eines Sprachmodells mit Datenbanken, Suchsystemen, Programmen und Speichermechanismen.

Warum „kann programmieren“ nicht dasselbe wie „ist allgemein intelligent“ bedeutet

Die beeindruckendsten KI-Demonstrationen verführen zu weitreichenden Schlüssen. Wenn ein System ein Gedicht schreiben, Software entwickeln, eine Prüfung bestehen und einen Geschäftsbrief formulieren kann, scheint der Schritt zur allgemeinen Intelligenz klein zu sein.

Doch menschliche Allgemeinintelligenz besteht nicht darin, möglichst viele standardisierte Aufgaben nebeneinander zu lösen. Menschen übertragen Erfahrungen aus völlig unterschiedlichen Lebensbereichen, lernen aus wenigen realen Begegnungen, bewegen sich in einer physischen Umgebung, verfolgen langfristige Ziele, entwickeln soziale Beziehungen und passen ihr Verhalten fortlaufend an unerwartete Situationen an.

Ein Sprachmodell kann in einzelnen Bereichen außergewöhnlich stark sein und trotzdem in anderen Bereichen überraschende Fehler machen. Genau diese Kombination aus Spitzenleistung und unerwarteter Schwäche ist für moderne KI charakteristisch. Ein Modell kann einen komplizierten Programmierfehler finden und kurz darauf eine einfache Frage missverstehen. Es kann auf einem Mathematikwettbewerb glänzen und bei einer simplen visuellen Aufgabe Schwierigkeiten bekommen. Der Stanford AI Index verweist ausdrücklich auf diese ungleichmäßige Leistungsgrenze aktueller Systeme.

Was mit „echter KI“ meistens eigentlich gemeint ist

Der Ausdruck „echte KI“ ist kein sauber abgegrenzter wissenschaftlicher Fachbegriff. Im alltäglichen Sprachgebrauch meint er jedoch häufig etwas, das deutlich über heutige Spezial- und Sprachsysteme hinausgeht: eine Maschine, die flexibel lernen, unbekannte Situationen verstehen, Wissen zuverlässig übertragen und sehr unterschiedliche geistige Aufgaben selbstständig bewältigen kann.

Für eine solche Vorstellung wird häufig der Begriff Artificial General Intelligence verwendet, abgekürzt AGI. Auf Deutsch lässt sich das ungefähr als allgemeine künstliche Intelligenz übersetzen. Auch für AGI existiert keine weltweit einheitliche Messlatte. Unterschiedliche Forscher und Unternehmen setzen die Grenze unterschiedlich.

Im Kern geht es jedoch um den Übergang von beeindruckenden Fähigkeiten in bestimmten Aufgabenbereichen zu einer breiten, belastbaren und anpassungsfähigen Intelligenz. Ein solches System dürfte nicht nur bei bekannten Mustern glänzen. Es müsste auch unter neuen Bedingungen zuverlässig lernen, Widersprüche erkennen, eigene Fehler korrigieren und Wissen zwischen sehr unterschiedlichen Aufgaben übertragen können.

Noch weiter geht die Vorstellung einer bewussten Maschine. Bewusstsein bezeichnet vereinfacht ein subjektives Erleben: Es fühlt sich für jemanden nach etwas an, zu existieren, Schmerzen zu empfinden, Farben zu sehen oder Freude zu erleben. Für heutige LLMs gibt es keinen belastbaren Nachweis eines solchen subjektiven Bewusstseins. Eine flüssige Selbstbeschreibung ist dafür kein ausreichender Beleg.

Warum die genaue Einordnung im Alltag wichtiger wird

Die Unterscheidung ist keineswegs eine rein akademische Debatte. Wer einem Sprachmodell menschliche Eigenschaften zuschreibt, kann seine Antworten falsch einschätzen. Ein freundlich formulierter Satz wirkt schnell vertrauenswürdig. Ein ausführlich erklärter Irrtum sieht überzeugender aus als eine unsichere menschliche Aussage. Genau darin liegt eine praktische Gefahr.

Bei medizinischen, rechtlichen, finanziellen, technischen oder sicherheitsrelevanten Fragen reicht sprachliche Überzeugungskraft deshalb nicht aus. Informationen müssen überprüfbar sein. Quellen, aktuelle Daten und fachliche Kontrolle bleiben wichtig, wenn ein Fehler ernsthafte Folgen haben könnte.

Umgekehrt wäre es ebenso falsch, LLMs deshalb als bloße Spielerei abzutun. Ihre Fähigkeiten sind real. Sie können große Textmengen strukturieren, Formulierungen verbessern, Informationen verdichten, beim Programmieren unterstützen, Varianten vergleichen, Daten aufbereiten und viele Routinearbeiten deutlich beschleunigen.

Der vernünftige Umgang liegt daher zwischen zwei Extremen. Weder sollte ein Sprachmodell wie ein allwissendes digitales Wesen behandelt werden, noch wird seine Leistungsfähigkeit angemessen beschrieben, wenn es lediglich als etwas bessere Suchmaschine gilt.

Was Unternehmen beim Einsatz von KI verstehen sollten

Gerade im beruflichen Umfeld entsteht schnell der Wunsch, möglichst viele Aufgaben unter dem Etikett KI zu automatisieren. Sinnvoller ist zunächst die Frage, welche Tätigkeit tatsächlich unterstützt werden soll, welche Informationen dafür benötigt werden und wie zuverlässig ein Ergebnis sein muss.

Ein Sprachmodell ist beispielsweise hervorragend geeignet, um aus vorhandenem Material einen ersten Entwurf zu erstellen. Es kann lange Texte zusammenfassen, Inhalte neu strukturieren oder Informationen in eine verständlichere Sprache übertragen. Soll es dagegen verbindliche Aussagen aus internen Datenbeständen liefern, reicht das Grundmodell häufig nicht aus. Dann benötigt das System Zugriff auf verlässliche Quellen und eine technische Umgebung, die diese Informationen gezielt bereitstellt.

Genau an diesem Punkt wird eine nüchterne Einordnung wertvoll: die KI-Beratung nexperts.ai erklärt dazu, dass Unternehmen nicht bei der Frage beginnen sollten, wie möglichst viel „KI“ eingesetzt werden kann, sondern welche konkrete Aufgabe gelöst werden soll und welche Kontrolle für ein verlässliches Ergebnis nötig ist. Für die Praxis ist diese Unterscheidung besonders hilfreich, weil ein Sprachmodell dadurch nicht als digitaler Mitarbeiter mit menschlichem Verständnis behandelt wird, sondern als leistungsfähiges Werkzeug innerhalb eines klar gestalteten Arbeitsablaufs.

Damit verändert sich auch die Erwartung an solche Systeme. Ein guter KI-Einsatz muss nicht beweisen, dass eine Maschine denken kann. Es genügt, wenn eine klar definierte Arbeit schneller, leichter oder besser erledigt wird und die notwendigen Prüfmechanismen vorhanden sind.

Ein leistungsfähiges Werkzeug bleibt ein Werkzeug

Diese Betrachtung nimmt moderner KI nichts von ihrer technischen Leistung. Auch ein Taschenrechner ist nicht weniger nützlich, weil niemand behauptet, er verstehe Mathematik wie ein Professor. Ein Navigationssystem verliert seinen Wert nicht dadurch, dass es keinen Wunsch hat, irgendwo anzukommen.

Ähnlich kann ein Sprachmodell außerordentlich wertvoll sein, obwohl die dahinterliegende Intelligenz nicht der menschlichen entspricht. Die sinnvollere Frage lautet deshalb häufig nicht: „Denkt die Maschine wirklich?“, sondern: „Welche Aufgabe kann dieses System zuverlässig erledigen, und wo benötigt es Kontrolle?“

Dieser Blick schützt zugleich vor unnötiger Angst und übertriebenen Erwartungen. Eine Software, die überzeugende Texte erstellt, ist nicht automatisch kurz davor, ein eigenes Leben zu beginnen. Auf der anderen Seite können auch Systeme ohne Bewusstsein erhebliche gesellschaftliche Auswirkungen haben. Automatisierte Entscheidungen, massenhaft erzeugte Inhalte, Täuschungen, fehlerhafte Informationen und Veränderungen auf dem Arbeitsmarkt benötigen keine empfindende Superintelligenz, um relevant zu werden.

Warum Fehler trotz immer besserer Modelle nicht einfach verschwinden

Mit jeder neuen Modellgeneration steigen Leistungsfähigkeit und Zuverlässigkeit in vielen Bereichen. Daraus entsteht gelegentlich die Erwartung, Halluzinationen und Denkfehler müssten irgendwann allein durch größere Modelle vollständig verschwinden.

So einfach ist die Entwicklung nicht. Sprache enthält Mehrdeutigkeiten, Trainingsdaten können Fehler enthalten und manche Fragen lassen sich ohne aktuelle oder zusätzliche Informationen überhaupt nicht zuverlässig beantworten. Außerdem werden Modelle häufig mit Situationen konfrontiert, die sich vom Training unterscheiden.

Deshalb werden moderne KI-Anwendungen zunehmend mit weiteren Werkzeugen kombiniert. Ein Sprachmodell kann eine Suchmaschine verwenden, auf Unternehmensdaten zugreifen, Berechnungen von Spezialsoftware ausführen lassen oder Ergebnisse anhand weiterer Quellen kontrollieren.

Das verbessert die Zuverlässigkeit erheblich, verändert aber zugleich die Betrachtung des Gesamtsystems. Die richtige Antwort stammt dann nicht ausschließlich aus dem Sprachmodell. Sie entsteht aus dem Zusammenspiel mehrerer Bausteine. Das LLM übernimmt häufig die sprachliche Verarbeitung und Planung, während andere Komponenten aktuelle Informationen beschaffen oder exakte Berechnungen ausführen.

Gerade daran lässt sich erkennen, wie wenig hilfreich die Vorstellung eines einzigen „künstlichen Gehirns“ häufig ist. Moderne KI-Produkte gleichen eher technischen Systemlandschaften, in denen verschiedene Werkzeuge zusammenarbeiten.

Könnte aus heutigen Sprachmodellen irgendwann allgemeine KI entstehen?

Diese Frage lässt sich derzeit nicht sicher beantworten. Einige Forscher erwarten, dass immer leistungsfähigere Sprachmodelle zusammen mit zusätzlichen Werkzeugen, Gedächtnis, Wahrnehmung und Handlungsmöglichkeiten schrittweise zu sehr allgemeinen Systemen führen könnten. Andere bezweifeln, dass die heutige Architektur allein dafür ausreicht und erwarten weitere grundlegende technische Durchbrüche.

Beide Positionen sollten von einer anderen Frage getrennt werden: Was können die Systeme heute? Zukunftserwartungen sind keine Beschreibung des gegenwärtigen Zustands. Selbst ein sehr schnelles Entwicklungstempo beweist nicht, dass der nächste große Schritt zwangsläufig erfolgt.

Gleichzeitig wäre es ebenso unvorsichtig, den heutigen Stand einfach dauerhaft fortzuschreiben. Die Entwicklung der vergangenen Jahre hat mehrfach gezeigt, dass Fähigkeiten schneller zunehmen können als zuvor angenommen. Der AI Index 2026 dokumentiert deutliche Fortschritte bei schwierigen wissenschaftlichen, mathematischen und agentischen Aufgaben, gleichzeitig aber weiterhin markante Schwächen und Fehler.

Eine sachliche Bewertung muss deshalb zwei Gedanken gleichzeitig aushalten: Moderne KI ist außerordentlich leistungsfähig und entwickelt sich schnell. Trotzdem ist ein heutiges LLM nicht automatisch eine allgemeine, selbstbewusste und verlässlich denkende Maschinenintelligenz.

Zwischen beeindruckender Sprachmaschine und wirklicher Intelligenz

Künstliche Intelligenz ist heute kein Zukunftsbegriff mehr. Sie steckt bereits in Suchsystemen, Übersetzungsdiensten, Bilderkennung, Empfehlungssystemen, Sprachassistenten, Softwareentwicklung und zahlreichen anderen Anwendungen. Nach den gebräuchlichen technischen Definitionen sind auch große Sprachmodelle eindeutig KI-Systeme. Wer behauptet, ChatGPT oder vergleichbare Systeme hätten überhaupt nichts mit künstlicher Intelligenz zu tun, verwendet den Fachbegriff deshalb zu eng.

Genauso irreführend wäre jedoch der entgegengesetzte Schluss: Weil diese Systeme zur KI gehören, müssten sie bereits so verstehen, denken und erleben wie Menschen. Genau das ist bislang nicht nachgewiesen.

Ein Large Language Model ist zunächst ein enorm leistungsfähiges mathematisches Modell für Sprache. Es wurde anhand großer Datenmengen darauf trainiert, Strukturen und Zusammenhänge zu erfassen und daraus passende Ausgaben zu erzeugen. Aus diesem zunächst unscheinbaren Verfahren entstehen Fähigkeiten, die noch vor wenigen Jahren wie Science-Fiction gewirkt hätten. Moderne LLMs schreiben Texte, erklären Fachwissen, erzeugen Programmcode, analysieren Dokumente und lösen teilweise äußerst anspruchsvolle Aufgaben.

Diese Leistungen sind nicht eingebildet und sollten nicht kleingeredet werden. Sie zeigen, dass komplexe sprachliche und teilweise problemlösende Fähigkeiten auch auf eine Weise entstehen können, die sich stark vom menschlichen Denken unterscheidet. Gerade das macht die gegenwärtige Entwicklung wissenschaftlich und gesellschaftlich so faszinierend.

Doch Sprachgewandtheit ist kein Beweis für Bewusstsein. Eine richtige Antwort beweist kein menschliches Verständnis. Die Fähigkeit, über Gefühle zu schreiben, beweist nicht, dass Gefühle vorhanden sind. Eine selbstständig ausgeführte Aufgabenkette beweist keinen eigenen Willen. Und Spitzenleistungen in einzelnen Tests ergeben noch keine überall verlässliche Allgemeinintelligenz.

Der vielleicht größte Denkfehler im Umgang mit moderner KI besteht deshalb darin, zwischen „dummer Maschine“ und „digitalem Menschen“ wählen zu wollen. Die interessanteste Realität liegt dazwischen. Sprachmodelle sind keine einfachen Datenbanken und keine herkömmlichen Programme mit einigen fest verdrahteten Regeln. Sie verfügen über erstaunlich breite Fähigkeiten, können Zusammenhänge verarbeiten und auf neue Aufgaben reagieren. Gleichzeitig bleiben ihre Leistungen ungleichmäßig, fehleranfällig und abhängig von Training, Eingaben, verfügbaren Informationen sowie zusätzlichen Werkzeugen.

Wer unter „echter KI“ eine künstliche allgemeine Intelligenz versteht, die ihre Umwelt umfassend begreift, zuverlässig neues Wissen auf sehr unterschiedliche Situationen überträgt, selbstständig langfristige Ziele verfolgt und möglicherweise sogar ein eigenes Bewusstsein besitzt, findet diese Form der Intelligenz in heutigen LLMs noch nicht.

Damit wird auch die scheinbar widersprüchliche Antwort auf die Ausgangsfrage verständlich: Ja, große Sprachmodelle sind nach der heute üblichen technischen Einordnung künstliche Intelligenz. Nein, sie sind noch nicht jene umfassende, menschenähnliche künstliche Intelligenz, die viele Menschen vor Augen haben, wenn sie von einer wirklich denkenden KI sprechen.

Die wichtigste Erkenntnis liegt deshalb weniger in einem Etikett als in der präzisen Unterscheidung. Heutige KI kann sehr viel mehr, als klassische Software lange leisten konnte. Sie kann Ergebnisse hervorbringen, die Kreativität, Wissen und Schlussfolgerungsfähigkeit erstaunlich nahekommen. Dennoch sollte eine überzeugend formulierte Antwort nicht mit einem bewussten Gedanken verwechselt werden.

Vielleicht verändert sich diese Grenze eines Tages. Vielleicht entstehen Systeme, deren Fähigkeiten eine neue Definition von maschineller Intelligenz erforderlich machen. Für die Gegenwart gilt jedoch: Was heute als KI bezeichnet wird, ist bereits eine mächtige neue Klasse von Technologie. Die viel größere Vision einer Maschine, die ähnlich umfassend versteht und denkt wie ein Mensch, bleibt dagegen weiterhin ein Ziel der Forschung und keine Beschreibung dessen, was ein LLM heute tatsächlich ist.