Was ein Modell tatsächlich tut: Vorhersage, nicht Verständnis

Tippen Sie „Die Hauptstadt von Frankreich ist“ in ein beliebiges KI-Tool, und es antwortet „Paris“. Es fühlt sich an, als *wüsste* das Modell das. Tut es nicht. Es hat lediglich berechnet, dass „Paris“ das wahrscheinlichste nächste Wort ist, basierend auf Mustern in Milliarden von Sätzen, mit denen es trainiert wurde. Die Antwort ist richtig, aber der Mechanismus ist Vorhersage, nicht Wissen.

Diese eine Idee erklärt fast alles, was bei der Arbeit mit KI seltsam wirkt: warum Prompts so viel ausmachen, warum dieselbe Frage unterschiedliche Antworten liefert und wann Sie nachprüfen sollten, bevor Sie vertrauen.

Die extrem belesene Autovervollständigung

Sie nutzen Vorhersage bereits jeden Tag. Ihr Smartphone schlägt beim Tippen das nächste Wort vor. Schreiben Sie „Ich bin in fünf“, bietet es „Minuten“ an. Das ist eine winzige Autovervollständigung, trainiert auf gängigen Formulierungen.

Ein Large Language ModelLarge Language ModelEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → (LLM, die Technologie hinter ChatGPT, Claude und Gemini) ist dieselbe Idee, massiv hochskaliert. Es hat einen enormen Ausschnitt des Internets, von Büchern und Code gelesen und die statistischen Muster gelernt, nach denen Sprache funktioniert.

Wenn Sie ihm eine Frage stellen, schlägt es keine Antwort in einer Datenbank nach. Es erzeugt die Antwort TokenTokenEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen → für Token. Ein Token ist ein Stück Text, meist ein Wort oder ein Wortteil („walking“ kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte „walk“ + „ing“ sein). Bei jedem Token fragt sich das Modell: *Was kommt nach allem Bisherigen als Nächstes?*

Es wählt ein wahrscheinliches Token, hängt es an und wiederholt den Vorgang. Ein ganzer Aufsatz ist nichts anderes als dieses Ratespiel, tausende Male durchlaufen.

Warum „belesen“ wichtig ist

Weil das Modell so viel Text gesehen hat, sind seine Vorhersagen oft wirklich nützlich. Es hat aufgenommen, wie Verträge formuliert sind, wie Python-Funktionen aufgebaut sind, wie eine höfliche E-Mail beginnt. Das ist echtes, wertvolles Pattern-Matching.

Es bleibt aber Pattern-Matching. **Das Modell hat keinen Begriff von *wahr* oder *falsch***. Es hat einen Begriff von *wahrscheinlich* oder *unwahrscheinlich*. Meistens deckt sich das. Manchmal nicht, und genau in dieser Lücke geht es schief.

Warum dieselbe Frage unterschiedliche Antworten liefert

Bitten Sie ChatGPT dreimal „Gib mir einen Namen für mein Café“, und Sie bekommen drei verschiedene Listen. Das überrascht viele. Sollte ein Computer nicht konsistent sein?

Darum ist ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → es nicht: Bei jedem Schritt wählt das Modell nicht einfach das eine wahrscheinlichste Token. Es wählt aus einer Bandbreite wahrscheinlicher Optionen, mit etwas Zufall dabei. Gesteuert wird das über eine Einstellung namens TemperatureTemperatureEine Einstellung, die steuert, wie zufaellig oder vorhersehbar die Ausgabe eines KI-Modells ist: niedrig fuer Konsistenz, hoch fuer Kreativitaet.Vollständige Definition ansehen →.

• Niedrige Temperature (nahe 0): Das Modell wählt fast immer das wahrscheinlichste Token. Der Output ist repetitiv und vorhersehbar.
• Höhere Temperature (etwa 0,7 bis 1,0): Das Modell geht mehr Risiko ein. Der Output ist kreativer und vielfältiger.

Die meisten Chat-Tools laufen standardmäßig mit mittlerer Temperature, deshalb erhalten Sie jedes Mal neue Antworten. Wenn Sie die APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → nutzen (die Entwicklerschnittstelle, über die Anfragen direkt an das Modell gehen), können Sie den Wert selbst setzen:

from openai import OpenAI
client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4.1-mini",
    temperature=0.2,  # niedrig = konsistentere, fokussiertere Antworten
    messages=[
        {"role": "user", "content": "Name 3 ideas for a coffee shop."}
    ]
)
print(response.choices[0].message.content)

Setzen Sie temperature=0.2 und führen Sie den Code zweimal aus: Die Antworten sind sehr ähnlich. Setzen Sie den Wert auf 1.0, gehen die Listen weit auseinander. Gleicher Prompt, anderer Würfelwurf.

Ein Haken: Reasoning-Modelle wie GPT-5 und die o-Serie von OpenAI akzeptieren in der API keine eigene Temperature. Wer temperature=0.2 an gpt-5 schickt, bekommt einen Fehler zurück. Diese Modelle „denken“ vor der Antwort mehrere Schritte durch, und OpenAI legt ihre Sampling-Einstellungen fest. Wenn Sie den Zufall direkt steuern müssen, nehmen Sie ein Standardmodell wie das oben.

Praktische Konsequenz: Beim kreativen Brainstorming nutzen Sie die Variation. Bei Aufgaben, die Konsistenz verlangen (Datenextraktion, Klassifizierung, Formatierung), senken Sie die Temperature bei einem Modell, das dies unterstützt, und geben dem Modell ein striktes Ausgabeformat vor.

Warum Vorhersage Halluzinationen erklärt

Eine Halluzination liegt vor, wenn das Modell mit voller Überzeugung etwas Falsches behauptet. Es erfindet ein Gerichtsurteil, eine Studie, ein Zitat oder eine Statistik, die es nicht gibt.

Wer das Prinzip der Vorhersage verstanden hat, findet das nicht mehr rätselhaft. Die Aufgabe des Modells ist es, *plausiblen* Text zu erzeugen. Eine erfundene Quelle wie „Smith et al., 2019, *Journal of Applied Linguistics*“ sieht genauso aus wie eine echte. Sie passt ins Muster. Das Modell hat keinen internen Faktenprüfer, der fragt: „Moment, gibt es diese Studie überhaupt?“ Es setzt einfach die wahrscheinlichste Sequenz fort.

Deshalb sind Halluzinationen am gefährlichsten, wenn:

• Sie nach konkreten Fakten fragen, bei denen das Modell unsicher ist (genaue Daten, Namen, Zahlen, juristische Fundstellen).
• das Thema eine Nische ist und in den Trainingsdaten kaum vorkommt.
• Sie eine Frage so formulieren, als wäre eine falsche Prämisse wahr. Fragen Sie „Warum hat Einstein zwei Nobelpreise gewonnen?“, erfindet das Modell womöglich einen zweiten Preis, weil „die Frage beantworten“ das wahrscheinliche Muster ist, obwohl Einstein nur einen gewonnen hat.

Das Modell gibt Ihnen lieber eine selbstsichere, flüssige falsche Antwort, als „Ich weiß es nicht“ zu sagen, weil es darauf trainiert wurde, flüssige Antworten zu produzieren.

Was das für Ihre Prompts bedeutet

Wenn das Modell auf Basis des Kontexts vorhersagt, ist der Kontext, den Sie liefern, Ihr Lenkrad. Besserer Input bedeutet bessere Vorhersagen.

Geben Sie das richtige Ausgangsmuster vor

Das Modell setzt jedes Muster fort, das Sie anlegen. Legen Sie also ein gutes an.

Schwacher Prompt:

Schreib etwas über Marketing.

Starker Prompt:

Du bist Marketingberater für eine kleine Bäckerei. Schreib 3 konkrete Ideen für Instagram-Posts, um ein neues Sauerteigbrot zu bewerben. Jede Idee unter 40 Wörtern.

Der zweite Prompt gibt dem Modell eine Rolle, ein Thema, ein Format und eine Vorgabe. Das lenkt die Vorhersage genau auf das, was Sie wollen.

Liefern Sie die Fakten selbst

Verlassen Sie sich nicht darauf, dass das Modell sich an entlegene Details erinnert. Fügen Sie sie ein. Wenn Sie eine Zusammenfassung eines bestimmten Berichts wollen, geben Sie ihm den Bericht. Diese Technik, dem Modell das Quellmaterial mitzugeben, reduziert Halluzinationen drastisch, weil das Modell jetzt aus *Ihrem* Text vorhersagt und nicht aus seiner verschwommenen Erinnerung.

Hier sind unsere Verkaufsdaten für Q3: [einfügen]. Fasse die 3 wichtigsten Trends in einfachen Worten zusammen.

Lassen Sie es Unsicherheit zeigen

Sie können das Modell per Prompt anweisen, kenntlich zu machen, wenn es rät:

Beantworte diese Frage. Wenn du dir nicht sicher bist oder die Information nicht hast, sag das ausdrücklich, statt zu raten.

Das macht das Modell nicht perfekt, schiebt den vorhergesagten Text aber in Richtung Ehrlichkeit. Einen ausführlicheren, kostenlosen Leitfaden zum Schreiben wirksamer Prompts bietet OpenAI mit seinem Prompt-Engineering-Guide, ein solider Einstieg.

Wann Sie vertrauen können und wann Sie prüfen sollten

Vorhersage ist bei manchen Aufgaben verlässlich und bei anderen riskant. Hier eine einfache Faustregel, die darauf beruht, was das Modell tatsächlich tut.

In der Regel sicher (das Modell verarbeitet Text, den Sie geliefert haben):

• Umschreiben, Zusammenfassen oder Übersetzen von Text, den Sie bereitgestellt haben.
• Brainstorming (wo „falsch“ keine Rolle spielt).
• Struktur entwerfen: Gliederungen, E-Mail-Vorlagen, erste Entwürfe.
• Bekannte, breit dokumentierte Konzepte erklären.

Sorgfältig prüfen (das Modell ruft Fakten ab oder erfindet sie):

• Konkrete Statistiken, Daten, Namen und Zitate.
• Juristische, medizinische oder finanzielle Details.
• Quellenangaben (immer prüfen, ob es sie gibt).
• Aktuelle Ereignisse kurz vor oder nach dem Trainingsstichtag des Modells.

Eine nützliche Abkürzung im Kopf: Das Modell ist am stärksten, wenn es Informationen *verarbeitet*, die Sie ihm gegeben haben, und am schwächsten, wenn es Informationen aus dem Gedächtnis *abruft*.

Ein Hinweis zu Tools mit Websuche

Aktuelle Versionen von ChatGPT, Claude und Gemini können inzwischen im Web suchen oder angebundene Tools nutzen. Wenn ein Modell sucht und eine Live-Quelle zitiert, ist das deutlich vertrauenswürdiger, weil es aus tatsächlich abgerufenem Text vorhersagt statt aus dem Gedächtnis. Klicken Sie den Link trotzdem an. Manchmal fasst das Modell eine Quelle falsch zusammen oder zitiert eine Seite, die nicht das sagt, was es behauptet.

Der Perspektivwechsel

Behandeln Sie die KI nicht länger wie eine Suchmaschine oder ein Orakel. Behandeln Sie sie wie einen brillanten, schnellen, etwas zu selbstsicheren Praktikanten, der alles gelesen hat, sich aber an Details nur unvollkommen erinnert.

Sie würden den ersten Entwurf eines Praktikanten nicht ungelesen an einen Kunden schicken. Sie würden seiner Erinnerung an eine bestimmte Vertragsklausel nicht trauen, ohne das Dokument zu prüfen. Aber Sie würden ihn ohne Zögern entwerfen, brainstormen, umformatieren und erklären lassen.

Genau das ist die richtige Beziehung zu einem LLM. Es sagt vorher; Sie prüfen und entscheiden.

Key Takeaways

• Das Modell sagt das nächste Token vorher, es „kennt“ keine Fakten. Flüssig und selbstsicher heißt nicht korrekt. Behandeln Sie jede konkrete Aussage als Entwurf, den Sie prüfen.
• Unterschiedliche Antworten auf dieselbe Frage sind normal. Zufall (Temperature) ist eingebaut. Senken Sie ihn für mehr Konsistenz bei Modellen, die das erlauben; Reasoning-Modelle wie GPT-5 akzeptieren in der API keine eigene Temperature.
• Halluzinationen entstehen aus dem Bestreben des Modells, plausibel zu sein. Es produziert lieber eine glaubwürdige falsche Antwort, als zuzugeben, dass es etwas nicht weiß. Seien Sie besonders skeptisch bei Nischenfakten, Daten, Zahlen und Quellenangaben.
• Steuern Sie über den Kontext. Geben Sie dem Modell eine klare Rolle, ein Format und das tatsächliche Quellmaterial. Es sagt aus dem vorher, was Sie liefern, also führt guter Input zu gutem Output.
• Vertrauen Sie ihm beim Verarbeiten, prüfen Sie es beim Abrufen. Ihr Dokument zusammenzufassen ist sicher; eine Statistik aus dem Gedächtnis aufzusagen nicht.