So funktioniert künstliche Intelligenz.

Ein Stapel Briefe liegt auf dem Küchentisch: Einladungen zum Vereinsfest, Werbung für einen Ausflug, eine persönliche Nachricht. Als Vergleich für künstliche Intelligenz dient hier eine gedachte Sortierhilfe. Sie soll unterscheiden, was eine Einladung ist und was Werbung. An dieser kleinen Aufgabe lässt sich ein wichtiges Prinzip verstehen, ohne gleich ein ganzes Computerprogramm erklären zu müssen.

KI bezeichnet keine einzelne Maschine und auch keine bestimmte App. Unter dem Begriff werden unterschiedliche Verfahren zusammengefasst. Maschinelles Lernen ist ein Teil davon: Ein System wird mit Daten trainiert, um daraus Zusammenhänge abzuleiten und sie auf neue Fälle anzuwenden. Die Bundeszentrale für politische Bildung erklärt diese Einordnung.

Die Sortierhilfe lernt aus Beispielen.

Für die gedachte Sortierhilfe gibt es zunächst Briefe, die Menschen bereits richtig eingeordnet haben. Diese Beispiele heißen Trainingsdaten. Das System sucht darin nach Merkmalen, die bei Einladungen häufiger vorkommen als bei Werbung. Das Ergebnis ist ein Modell, also eine mathematische Beschreibung solcher Zusammenhänge. Später kann es einen neuen Brief einordnen, dessen Zuordnung noch nicht vorgegeben ist. So beschreibt es auch Googles Einführung in maschinelles Lernen.

Ein stark vereinfachtes Rechenbeispiel zeigt, warum das helfen und trotzdem schiefgehen kann. Alle folgenden Briefe und Zahlen sind erfunden; sie beschreiben keinen getesteten Dienst.

1. In zehn vorsortierten Briefen kommt das Wort „Feier“ vor. Acht davon sind Einladungen, zwei sind Werbung.
2. Die Sortierhilfe zählt: Acht von zehn, also 80 Prozent, gehören in dieser kleinen Sammlung zu den Einladungen.
3. Für dieses Beispiel wird eine einfache Entscheidung vereinbart: Taucht „Feier“ in einem neuen Brief auf, wählt die Sortierhilfe die bisher häufigere Gruppe, also „Einladung“.
4. Nun kommt Werbung mit dem Satz „Zur Feier unseres Jubiläums gibt es Sonderangebote“. Unsere Sortierhilfe würde sie falsch ablegen, weil sie nur auf ein Wort achtet.

Die 80 Prozent sagen lediglich etwas über die zehn Beispielbriefe aus. Sie sind keine Garantie, dass der nächste Brief mit 80-prozentiger Sicherheit eine Einladung ist. Der Unterschied ist wichtig: Ein häufiges Muster kann ein guter Hinweis sein, aber der einzelne Fall kann anders liegen.

Für die Sortieraufgabe wären weitere Merkmale hilfreich, etwa Preisangaben und der Zusammenhang, in dem ein Wort steht. Auch ein verbessertes Modell müsste sich an neuen Briefen bewähren. Nur die schon bekannten Beispiele richtig zuzuordnen, wäre noch kein Nachweis dafür, dass es im Alltag zuverlässig arbeitet. Deshalb werden Daten zum Lernen und zum Prüfen getrennt.

Aus Mustern entstehen auch neue Texte.

Ein Textgenerator erledigt eine andere Aufgabe als die Sortierhilfe. Er ordnet nicht bloß eine Nachricht ein, sondern erzeugt eine neue. Dafür wird häufig ein Sprachmodell verwendet: ein Rechenmodell, das Wahrscheinlichkeiten für Textbausteine ermittelt. Solche Bausteine heißen Tokens und können beispielsweise Wörter oder Wortteile sein.

Beim Schreiben wird eine Antwort Baustein für Baustein fortgesetzt. Dabei zählt der verfügbare Zusammenhang, etwa deine Frage und der bisherige Text. Es geht also nicht nur darum, welches einzelne Wort zuletzt gefallen ist. Je nach Verfahren muss auch nicht immer der wahrscheinlichste nächste Baustein gewählt werden. Googles Erklärung zu Sprachmodellen beschreibt diese Grundlagen.

So kann ein gut formulierter Entwurf entstehen, in dem trotzdem eine Jahreszahl oder ein Name falsch ist. Solche überzeugend vorgetragenen Falschangaben werden oft „Halluzinationen“ genannt. Das Wort bezeichnet hier einen Ausgabefehler; es ist keine Diagnose und sagt nichts über eine Täuschungsabsicht aus. Das US-Institut NIST beschreibt dieses Problem in seinem Bericht zu generativer KI.

Wo diese Erklärung an Grenzen stößt.

Die Sortierhilfe zeigt einen Grundgedanken des Lernens aus Beispielen. Sie erklärt weder jede KI-Methode noch alle Schritte eines heutigen Chatbots. Insbesondere sind moderne Sprachmodelle erheblich komplexer als das Zählen eines einzelnen Wortes. Die kleine Rechnung macht einen möglichen Fehler nachvollziehbar; sie ist kein Bauplan für solche Systeme.

Auch die Frage nach Bewusstsein lässt sich mit diesem Vergleich nicht entscheiden. Fachleute diskutieren, ob und wie sich Bewusstsein bei KI überhaupt feststellen ließe. Ein Forschungsbeitrag von Patrick Butlin und anderen aus dem Jahr 2025 beschreibt die offenen Fragen. Menschlich klingende Sprache allein ist kein ausreichender Beleg für inneres Erleben.