Vom Chatbot zum Eigenmodell: KI-Kürzel verständlich erklärt für Entscheidungsträger
Photo: Y. Bengio, S. Mindermann, D. Privitera, T. Besiroglu, R. Bommasani, S. Casper, Y. Choi, P. Fox, B. Garfinkel, D. Goldfarb, H. Heidari, A. Ho, S. Kapoor, L. Khalatbari, S. Longpre, S. Manning, V. Mavroudis, M. Mazeika, J. Michael, J. Newman, K. Y. N
Kaum ein Technologiebereich produziert so viele Abkürzungen wie die Künstliche Intelligenz. Für Entscheidungsträger ohne Informatik-Hintergrund entsteht daraus ein doppeltes Risiko: entweder Fehlinvestitionen aus Unverständnis – oder paralysierende Zurückhaltung, während Wettbewerber längst produktive Anwendungen betreiben. Dieser Beitrag ordnet die zentralen Begriffe ein.
KI, ML, LLM: Die Begriffspyramide
KI (Künstliche Intelligenz) ist der Oberbegriff für Systeme, die Aufgaben lösen, die traditionell menschliche Intelligenz erfordern. ML (Machine Learning) ist ein Teilbereich: Systeme, die aus Daten Muster lernen, statt fest programmiert zu werden.
LLM steht für Large Language Model – große Sprachmodelle wie GPT, Claude oder Gemini. Sie wurden auf gewaltigen Textmengen trainiert und erzeugen Texte, Übersetzungen oder Zusammenfassungen. Wichtig für das Verständnis: Ein LLM „weiß" nichts, sondern sagt statistisch wahrscheinliche Wortfolgen voraus. Daraus ergibt sich das bekannteste Risiko: die Halluzination – die plausibel klingende, aber falsche Antwort.
RAG: Das Kürzel, das im Unternehmen am meisten bringt
Retrieval-Augmented Generation (RAG) beschreibt eine Technik, bei der das Sprachmodell vor der Antwort interne Dokumente durchsucht und nur auf dieser Grundlage antwortet. Praktisch heißt das: Der KI-Assistent antwortet aus der eigenen Wissensbasis – etwa Handbüchern, Verträgen oder dem Intranet – statt aus Trainingsdaten.
Für deutsche Unternehmen ist RAG der realistischste Einstieg: geringer Entwicklungsaufwand, kontrollierbare Quellen, deutlich geringeres Halluzinationsrisiko. Typische Anwendungen: Support-Mitarbeiter, die in Sekunden die passende Vertragsklausel finden, oder Einkäufer, die Lieferantenvereinbarungen zusammenfassen lassen.
Fine-Tuning, Prompt, Token: Begriffe der Praxis
- Prompt: Die Eingabeaufforderung an das Modell. Die Qualität der Antwort hängt maßgeblich von der Qualität der Anweisung ab.
- Fine-Tuning: Nachträgliches Training eines Modells auf unternehmenseigene Beispiele. Teuer, aufwendig – und in vielen Anwendungsfällen unnötig, weil RAG dasselbe Ziel günstiger erreicht.
- Token: Die Recheneinheit der Sprachmodelle; Kosten und Kontextfenster werden in Tokens gemessen. Wer Preise vergleicht, vergleicht Tokenverbräuche.
- Agent: Systeme, die nicht nur antworten, sondern mehrstufig handeln – etwa E-Mails lesen, Daten abrufen und Antworten entwerfen. Noch überwiegend im Pilotstadium.
Was der Büroalltag heute realistisch leistet
Erfahrungsberichte aus deutschen Mittelstand und Verwaltung zeigen ein klares Muster: Stark sind Textproduktion und -verdichtung – E-Mail-Entwürfe, Protokolle, Stellenanzeigen, Übersetzungen. Solide sind Such- und Wissensaufgaben mit RAG. Schwach bleiben alles, was exakte Zahlen, Rechtsverbindlichkeit oder aktuelle Daten erfordert, ohne dass ein Mensch das Ergebnis prüft.
Ein Beispiel aus der Praxis: Eine Kanzlei lässt Vertragsänderungen vorprüfen und markieren – die finale Prüfung bleibt beim Anwalt. Die Zeitersparnis ist real, die Haftung bleibt kontrollierbar.
Rechtlicher Rahmen: DSGVO und AI Act
In Deutschland kommt zur Technik die Regulierung. Der EU AI Act stuft KI-Systeme nach Risiko ein; Hochrisiko-Anwendungen im Personalwesen oder in der Kreditvergabe unterliegen strengen Anforderungen. Zugleich gilt die DSGVO: Wer personenbezogene Daten an Cloud-KI-Dienste übermittelt, braucht eine Rechtsgrundlage und meist einen Auftragsverarbeitungsvertrag. Besonders sensibel: Beschäftigtendaten. Betriebsräte sind bei KI-Einführung im Personalbereich früh einzubinden.
Drei Warnsignale bei Vendor-Versprechen
- „KI-gestützt" ohne Substanz: Wenn nicht klar wird, welches Modell welche Aufgabe löst, steckt dahinter häufig klassische Regeltechnik mit modernem Etikett.
- Garantierte Genauigkeit: Seriöse Anbieter benennen Fehlerquoten und empfehlen menschliche Prüfung. Wer 100 Prozent verspricht, verkauft kein LLM.
- „Ihr eigenes KI-Modell" für den Mittelstand: Eigene Modellentwicklung ist ein Vorhaben für Konzerne. Fast immer sind konfigurierte Standardmodelle mit RAG die bessere Wahl.
Fazit: Begriffe verstehen, Anwendungen begrenzen, prüfen lassen
Die KI-Kürzel sind keine Magie, sondern Werkzeuge mit klar definierten Stärken und Grenzen. Wer RAG vom Fine-Tuning unterscheiden kann, erkennt auch, welche Angebote seriös sind. FBSDE empfiehlt: klein starten, Datenschutz von Anfang an mitdenken und jedes KI-Ergebnis menschlich verifizieren – zumindest solange die Technik es verlangt.
