KI & Machine Learning

Der Sammelbegriff für Systeme, die Aufgaben lösen, für die man gemeinhin menschliche Intelligenz braucht: verstehen, schließen, planen, lernen. In der Praxis ist „KI“ fast immer Machine Learning — Software, deren Verhalten aus Daten gelernt wurde statt aus handgeschriebenen Regeln. Wichtig für jede seriöse Diskussion: KI ist keine einzelne Technologie, sondern ein Spektrum — vom Spamfilter bis zum Sprachmodell.

Statt einem Programm Regeln vorzugeben, zeigt man ihm Beispiele. Im Training stellt ein Algorithmus aus tausenden Beispielen (etwa: Rechnung + korrekt erkannte Felder) ein statistisches Modell auf. In der Inferenz wendet das fertige Modell das Gelernte auf neue Fälle an. Der fundamentale Unterschied zur klassischen Automatisierung: Das Verhalten ist gelernt und probabilistisch — es gibt keine Zeile Code, in der „die Regel“ steht, und keine Garantie, nur Wahrscheinlichkeiten.

Die Modellfamilie hinter fast allen heutigen KI-Durchbrüchen: Netze aus Millionen bis Milliarden einfacher Recheneinheiten („Neuronen“), in Schichten gestapelt. Jede Schicht verwandelt ihre Eingabe in eine abstraktere Darstellung — aus Pixeln werden Kanten, aus Kanten Formen, aus Formen Objekte. Deep Learning heißt nur: viele Schichten. Je größer Netz und Trainingsdaten, desto fähiger das Modell — eine Beobachtung, die als Skalierungsgesetz die letzten zehn Jahre KI-Entwicklung getrieben hat.

Ein sehr großes neuronales Netz, trainiert auf einem erheblichen Teil aller je geschriebenen Texte, mit einer scheinbar simplen Aufgabe: das nächste Wort vorhersagen. Aus dieser Aufgabe, milliardenfach geübt, entsteht etwas Bemerkenswertes — die Fähigkeit, Sprache zu verstehen, Wissen abzurufen, zu argumentieren und Anweisungen zu befolgen. LLMs sind der Motor agentischer Systeme: Sie liefern das Sprach- und Weltverständnis, das klassischer Automatisierung immer gefehlt hat.

Heutige Spitzenmodelle werden danach mit Reinforcement Learning weitertrainiert: Sie denken vor der Antwort in Zwischenschritten, prüfen Lösungswege und korrigieren sich. Das macht sie bei Logik, Code und mehrstufigen Aufgaben deutlich stärker – aber nicht fehlerfrei, und jeder Denkschritt kostet Zeit und Token.

Genauso wichtig ist, was ein LLM nicht ist: keine Datenbank, kein Rechenwerk, keine Quelle von Garantien. Es erzeugt plausible Antworten — deshalb braucht es im Unternehmenseinsatz Belege, Prüfungen und Grenzen.

Der Prompt ist alles, was das Modell für eine Aufgabe zu sehen bekommt: Anweisung, Rolle, Regeln, Beispiele, Dokumente. Das Kontextfenster ist die maximale Menge davon — das Kurzzeitgedächtnis des Modells. Was nicht im Kontext steht, existiert für das Modell in diesem Moment nicht. Spitzenmodelle fassen heute eine Million Token und mehr – verlässlich genutzt wird davon weniger, denn mit wachsender Eingabe sinkt die Genauigkeit messbar. In agentischen Systemen heißt die Disziplin deshalb Context Engineering: Welche Daten, Regeln und Werkzeuge bekommt der Agent in welchem Moment zu sehen – und was bleibt draußen?

Wenn ein Sprachmodell etwas Falsches mit voller Überzeugung sagt: eine erfundene Rechnungsnummer, ein nicht existierendes Gerichtsurteil, eine plausible, aber falsche Zahl. Halluzinationen verschwinden nicht vollständig: Bei selten belegten Fakten erzeugt schon das Training zwangsläufig Fehler, und viele Tests belohnen Raten statt eines „weiß ich nicht“ — auch Modelle, die vor der Antwort nachdenken, sind davor nicht gefeit. Der professionelle Umgang damit: Aussagen an Quellen binden (RAG), Ergebnisse maschinell prüfen (Evals, Verify-Schritt) und kritische Entscheidungen von Menschen freigeben lassen.

Die gängigste Antwort auf Halluzinationen und veraltetes Modellwissen: Bevor das Modell antwortet, sucht das System die relevanten Passagen aus euren Dokumenten — Verträgen, Handbüchern, Tickets — und legt sie ihm in den Kontext. Das Modell antwortet dann auf Basis dieser Belege und kann sie zitieren. RAG macht aus einem allgemein gebildeten Modell ein System, das eure Wirklichkeit kennt — ohne dass dafür ein Modell trainiert werden muss.

RAG senkt Fehler, beseitigt sie aber nicht — Aussagen werden dadurch prüfbar. Bei Agenten ist die Suche zunehmend ein Werkzeug, das der Agent gezielt selbst aufruft.

Zwei Wege, ein Modell auf eine Aufgabe einzustellen. Prompting (mit RAG und Beispielen) verändert nichts am Modell — schnell, günstig, sofort korrigierbar. Fine-Tuning trainiert das Modell auf eigenen Daten nach — teurer, träger, dafür formbar bei Ton, Spezialformaten und eng umrissenen Aufgaben — etwa wenn ein kleineres, günstigeres Modell dort so gut werden soll wie ein großes. Die Praxisregel im Unternehmenseinsatz: Prompting und RAG zuerst; Fine-Tuning erst, wenn nachweislich nötig. Die meisten „wir brauchen ein eigenes Modell“-Projekte brauchen in Wahrheit bessere Prompts und besseres Retrieval.

Der Softwaretest für probabilistische Systeme: eine Sammlung realer Fälle mit bekannten richtigen Ergebnissen, gegen die das System automatisiert geprüft wird — nach jeder Prompt-Änderung, jedem Modell-Update, vor jedem Release. Ohne Evals ist jede Aussage über die Qualität eines KI-Systems ein Bauchgefühl. Mit ihnen wird aus „das Modell wirkt gut“ ein Messwert: 96,4 % korrekt auf 1.200 echten Fällen, kein Rückschritt gegenüber letzter Woche. Für uns der Kern seriöser Agenten-Entwicklung.

Bei Agenten reicht das Endergebnis nicht: Bewertet werden auch der Weg — welche Werkzeuge mit welchen Werten aufgerufen wurden, ob Grenzen eingehalten sind — und der tatsächliche Endzustand im System. Weil derselbe Fall unterschiedlich ausgehen kann, läuft jeder Test mehrfach; wo es kein eindeutiges Ergebnis gibt, bewertet oft ein zweites Modell, das regelmäßig an menschlichen Urteilen geeicht werden muss.