Wie lernt künstliche Intelligenz? Training einfach erklärt
Wie künstliche Intelligenz lernt: Training vor der Veröffentlichung statt live im Chat, ein Beispiel zum Nachprüfen und warum du das Ergebnis prüfst.
Die ehrliche Antwort zuerst: Ein Chat-Assistent wie ChatGPT, Claude oder Gemini lernt nicht während eures Gesprächs. Das Modell wurde vorher, über Wochen oder Monate, auf riesigen Textmengen trainiert und verändert sich durch ein einzelnes Gespräch danach nicht mehr. Was sich wie Verständnis anfühlt, ist in Wirklichkeit ein bereits abgeschlossener Lernprozess, der auf deine konkrete Frage angewendet wird.
Was „lernen" bei einem Sprachmodell tatsächlich bedeutet
Beim Training bekommt das Modell enorme Mengen an Text zu sehen — Bücher, Webseiten, Code, Gespräche — und übt dabei immer dieselbe Aufgabe: das nächste Wort in einem Satz vorherzusagen. Aus Milliarden solcher Übungsdurchläufe entstehen interne Parameter, die festlegen, welches Wort in welchem Zusammenhang wahrscheinlich ist. Das ist statistisches Mustererkennen in gewaltigem Maßstab, kein Verstehen im menschlichen Sinn — und genau das erklärt, warum ein Modell flüssig über ein Thema schreiben kann, ohne die zugrunde liegenden Fakten tatsächlich zu kennen.
Nach diesem Haupttraining folgt meist eine zweite, kürzere Phase: Menschen bewerten Beispiel-Antworten und das Modell wird darauf abgestimmt, hilfreichere statt nur wahrscheinliche Antworten zu geben. Erst danach wird eine Version veröffentlicht, mit der du tatsächlich chattest.
Was sich nicht ändert, wenn du mit dem Modell chattest
Ein einzelnes Gespräch verändert die zugrunde liegenden Parameter des Modells nicht. Innerhalb eines Chats kann sich das Modell an das erinnern, was weiter oben im selben Fenster stand — das ist aber ein temporärer Kontext, kein neues Training. Schließt du den Chat und beginnst einen neuen, startet das Modell wieder bei demselben trainierten Stand wie zuvor, nicht bei dem, was du ihm gestern erzählt hast. Dieselbe Frage ergibt deshalb an zwei verschiedenen Tagen eine sehr ähnliche, nicht zwangsläufig eine „dazugelernte" Antwort.
Ein Beispiel, das den Unterschied sichtbar macht
Frag ein Modell nach einem Ereignis, das nach seinem Trainingsstand liegt — etwa nach dem Ergebnis eines Spiels, das erst gestern stattgefunden hat. Schwache Erwartung: Das Modell kennt die Antwort, weil es ja „alles weiß". Tatsächliches Ergebnis: Es antwortet entweder, dass es diese Information nicht hat, oder es füllt die Lücke mit einer plausibel klingenden Vermutung — ohne dabei zu signalisieren, dass es sich dabei um eine Vermutung handelt.
Der Prüfschritt dazu: Stelle dieselbe Frage mit der Bitte um eine Quelle, und vergleiche die Antwort anschließend mit einer echten, aktuellen Quelle — einer Nachrichtenseite oder der offiziellen Webseite des Ereignisses. Stimmt die Antwort nicht überein, liegt das fast immer am Trainingsstand des Modells, nicht an böser Absicht.
Ein Modell, das „ich weiß es nicht" sagt, ist kein schlechtes Modell. Gefährlich ist die Antwort, die sich genauso sicher anhört wie eine richtige — und es trotzdem nicht ist.
Wo die Grenzen liegen
Drei Dinge folgen direkt aus diesem Trainingsprinzip. Erstens: Jedes Modell hat einen Trainingsstand, nach dem es keine neuen Ereignisse automatisch kennt. Zweitens: Weil das Modell auf Wahrscheinlichkeit trainiert ist, nicht auf Wahrheit, klingt eine erfundene Angabe genauso flüssig wie eine richtige. Drittens: Ein Modell korrigiert sich nicht automatisch, wenn du ihm widersprichst — es passt seine nächste Antwort lediglich an den neuen Kontext an, ohne die ursprüngliche Aussage tatsächlich zu überprüfen.
Wie schnell sich diese Modelle insgesamt weiterentwickeln, verfolgt der Stanford AI Index Jahr für Jahr — die Fähigkeiten wachsen sichtbar, doch der Abstand zwischen einer überzeugend klingenden und einer tatsächlich richtigen Antwort schließt sich langsamer, als es sich beim ersten Ausprobieren anfühlt. Die OECD-Leitlinien zu KI benennen die menschliche Prüfung deshalb ausdrücklich als festen Bestandteil eines verantwortungsvollen Einsatzes, nicht als optionalen letzten Schritt.
Wie verbreitet der Einsatz solcher Werkzeuge im Arbeitsalltag inzwischen ist, erhebt regelmäßig der Bitkom in seinen Untersuchungen zu deutschen Unternehmen. Welche Aufgaben sich davon technisch grundsätzlich automatisieren lassen und welche weiterhin eine Prüfung durch eine Person brauchen, untersucht laufend das IAB. Genau diese Prüffähigkeit ist Teil dessen, wofür der Arbeitsmarkt laut PwC AI Jobs Barometer einen deutlichen Gehaltsaufschlag zahlt — nicht das bloße Nutzen eines Chat-Fensters.
Was du am Montag ausprobierst
- Frag ein Modell nach etwas, das erst in den letzten Tagen passiert ist, und sieh dir an, ob es seine Unsicherheit benennt oder einfach eine Vermutung liefert.
- Bitte anschließend um eine Quelle für die Antwort und prüfe diese Quelle gegen eine echte, aktuelle Webseite.
- Widersprich dem Modell bei einer falschen Angabe und beobachte, ob die Korrektur nur für dieses Gespräch gilt — starte danach einen neuen Chat und stell dieselbe Frage erneut.
- Halte bei wichtigen Antworten fest, welcher Trainingsstand plausibel ist — neuere Ereignisse verdienen grundsätzlich mehr Skepsis als etablierte Fakten.
Geht es dir konkret um den Büroalltag statt um die Technik dahinter, zeigt KI im Büro denselben Prüfschritt an einer alltäglichen Aufgabe. Willst du verstehen, wie sich dieselbe Unsicherheit beim Formulieren einer Anfrage äußert, zeigen ChatGPT-Prompts konkrete Beispiele dafür, was ein Prompt enthalten muss, damit das Modell weniger rät. Geht es nicht um einen Chat, sondern um ein generiertes Bild, zeigt KI-Bildgenerator von Google dieselbe Grenze an Text und Details statt an Fakten. Soll regelmäßig dieselbe wiederkehrende Aufgabe geprüft werden, lohnt sich Custom GPT erstellen, um den Kontext nicht jedes Mal neu zu erklären. Stellt sich eher die Frage, welches Chat-Werkzeug überhaupt zur eigenen Aufgabe passt, hilft ein Blick in ChatGPT Alternative mit einem direkten Vergleich statt einer Rangliste.
Genau diese Fähigkeit — zu wissen, wann ein Modell wirklich etwas weiß und wann es nur plausibel klingt — vermittelt Coursium in kurzen Lektionen fürs Handy. Bleib der KI voraus mit Übungen an echten Aufgaben statt an Demo-Beispielen. Mehr zu diesem Ansatz steht über Coursium.