Lexikon

Unter Künstlicher Intelligenz (KI) versteht man IT-Systeme, die in der Lage sind, Aufgaben wie Lernen, logisches Denken, das Lösen von Problemen sowie die Erkennung komplexer Muster zu bewältigen – Tätigkeiten, die üblicherweise menschliche Kognition erfordern.

Agentenbasierte KI (Agentic AI) beschreibt eine spezialisierte Form der KI, die Verfahren des maschinellen Lernens (ML), Large Language Models (LLMs), Natural Language Processing (NLP) sowie weitere moderne Technologien kombiniert, um autonome „KI-Agenten“ zu realisieren. Diese eigenständig agierenden Systeme können komplexe Aufgabenstellungen über integrierte Werkzeuge und Schnittstellen zu externen Systemen bewältigen, ohne dass eine kontinuierliche menschliche Steuerung oder Intervention erforderlich ist.

Im Gegensatz zu gegenwärtigen KI-Systemen, die als „schwache“ oder „schmale“ Intelligenz gezielt auf hochspezifische Aufgaben ausgerichtet sind, strebt die Forschung im Bereich der Künstlichen Generalisierten Intelligenz (AGI) die Entwicklung von Systemen an, deren kognitive Leistung dem menschlichen Niveau entspricht oder dieses übertrifft. Eine solche „starke KI“ wäre in der Lage, eigenständig – unabhängig von ihrer ursprünglichen Programmierung – neues Wissen aufzunehmen und komplexe Problemstellungen domänenübergreifend zu bewältigen.

Der Artificial Intelligence Act (AI Act) der Europäischen Union schafft einen verbindlichen rechtlichen Rahmen, um die Entwicklung und Nutzung vertrauenswürdiger sowie verantwortungsvoller KI-Innovationen in Europa gezielt zu fördern. Angesichts der zentralen Rolle, die Künstliche Intelligenz (KI) mittlerweile in der digitalen Wirtschaft – etwa im Gesundheitswesen, im Finanzsektor oder in der Fertigung – einnimmt, setzt die Verordnung auf einen strukturierten, risikobasierten Ansatz.

Seit ihrem Inkrafttreten am 1. August 2024 stehen die EU-Mitgliedsstaaten in der Pflicht, die Vorgaben des AI Acts in nationales Recht zu überführen. Auch wenn die genaue Ausgestaltung der rechtlichen Anforderungen an verschiedenen Stellen derzeit noch konkretisiert wird, sollten sowohl KI-entwickelnde als auch KI-anwendende Unternehmen bereits frühzeitig Maßnahmen zur Umsetzung ergreifen und sich intensiv mit den komplexen Bestimmungen vertraut machen.

Unter generativer KI (häufig auch Gen AI genannt) versteht man Systeme künstlicher Intelligenz, die auf Basis von Benutzereingaben (Prompts) eigenständige Inhalte erzeugen. Dazu zählen unter anderem Texte, Bilder, Videos, Audiodateien und Programmcode.

Technologisch gestützt wird die generative KI durch fortschrittliche Deep-Learning-Modelle – spezielle Algorithmen des maschinellen Lernens, die an die Funktionsweise des menschlichen Gehirns angelehnt sind. Indem sie komplexe Muster und Zusammenhänge in umfangreichen Datenbeständen analysieren und strukturiert verarbeiten, können diese Modelle Anfragen in natürlicher Sprache erfassen und passgenaue, neu erstellte Antworten generieren.

Als Unterklasse von Deep-Learning-Modellen werden Large Language Models (LLMs) auf umfangreichen Datenbeständen trainiert. Dadurch können sie vielfältige Aufgaben bewältigen, indem sie natürliche Sprache sowie weitere Inhaltsformen verstehen und erzeugen. Als technologische Grundlage dient die Transformer-Architektur – eine spezielle Struktur neuronaler Netze, die sich optimal eignet, um Wortketten zu verarbeiten und sprachliche Muster zu erkennen.

Im Kern fungieren LLMs als mächtige statistische Prognosewerkzeuge, die fortlaufend das jeweils nachfolgende Wort einer Sequenz bestimmen. Sie erfassen die zugrunde liegenden Textstrukturen und formulieren darauf aufbauend passende Sprache.

Bei einer lokalen KI wird ein Sprachmodell direkt auf eigenen Servern oder Workstations im Unternehmen betrieben. Nach dem einmaligen Herunterladen steht das Modell allen Mitarbeitenden zur Verfügung, ganz ohne die Einbindung externer Anbieter.

In technischer Hinsicht basieren diese Systeme auf denselben Modellarchitekturen wie ChatGPT oder Claude. Der entscheidende Unterschied besteht darin, dass viele Entwickler ihre Sprachmodelle als offene Gewichte bereitstellen. Dadurch können Unternehmen diese kostenfrei beziehen und vollständig auf ihrer eigenen Hardware ausführen.

Unter Prompt Engineering versteht man die gezielte Gestaltung von Eingabeaufforderungen, um die Qualität der Ausgaben generativer KI-Systeme maßgeblich zu steigern. Es unterstützt die Modelle dabei, unterschiedlichste Anfragen – von einfachen Aufgaben bis hin zu komplexen, technischen Problemen – präziser zu erfassen und optimal zu beantworten.

Hierbei gilt der Grundsatz: Je hochwertiger die Prompts, desto exakter fallen die Ergebnisse aus. Durch die schrittweise Anpassung und Verfeinerung verschiedener Prompt-Methoden lernen generative Systeme fortlaufend dazu. Dies hilft dabei, Missverständnisse sowie Verzerrungen zu reduzieren und verlässliche Antworten zu liefern.