Was sind KI, Machine Learning und ein Large Language Model?

Drei Werkzeuge liegen gerade auf Ihrem Smartphone: ein Spamfilter, der unerwünschte Mails still entsorgt, eine Foto-App, die jedes Bild Ihres Hundes findet, und ChatGPT, das eine höfliche Antwort an Ihren Vermieter schreibt. Die meisten nennen alle drei „KI“. Technisch gesehen zu Recht. Aber diese drei Dinge funktionieren völlig unterschiedlich, und die Unterschiede zu verstehen ist das Nützlichste, was Sie über KI lernen können.

Sortieren wir das.

KI ist der große Sammelbegriff

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 →ünstliche Intelligenz (KI) ist ein weites Label für jedes Computersystem, das etwas tut, was wir normalerweise „smart“ nennen würden: ein Gesicht erkennen, einen Film empfehlen, Sie im Schach schlagen, eine E-Mail schreiben.

Das ist alles. KI ist die gesamte Kategorie. Sie sagt nichts darüber, *wie* das Smarte zustande kommt.

Ein Schachprogramm aus den 1980ern war KI. Die Autovervollständigung auf Ihrem Handy ebenso. ChatGPT auch. Unter der Haube haben sie fast nichts gemeinsam. „KI“ ist wie das Wort „Fahrzeug“: es umfasst Fahrräder, Lastwagen und Raketen.

Wenn also jemand sagt „wir haben KI in unsere App eingebaut“, haben Sie damit fast nichts erfahren. **Die nützliche Frage ist immer: *welche Art?***

Machine Learning: Systeme, die aus Beispielen lernen

Die meiste moderne KI basiert auf Machine Learning (ML): Statt dass ein Mensch Schritt-für-Schritt-Regeln schreibt, zeigen Sie dem Computer tausende Beispiele und lassen ihn das Muster selbst finden.

Hier der Kontrast.

Alter Weg (handgeschriebene Regeln): Ein Programmierer schreibt: „Wenn die E-Mail das Wort GRATIS in Großbuchstaben enthält, markiere sie als Spam.“ Brüchig. Spammer schreiben einfach „G R A T I S“.

Machine-Learning-Weg: Sie geben dem System 100.000 E-Mails, jede gelabelt als „Spam“ oder „kein Spam“. Das System lernt, welche Kombinationen von Wörtern, Absendern und Mustern typischerweise Spam bedeuten. Niemand hat die Regeln geschrieben. Das System hat sie aus den Beispielen abgeleitet.

Beispiel 1: der Spamfilter

Ihr Spamfilter ist ein Classifier: ein Modell, das Dinge in Kategorien einsortiert. Hier zwei Kategorien: Spam oder kein Spam.

Er schaut sich eine E-Mail an und gibt eine Wahrscheinlichkeit aus: „92 % Spam.“ Ab einem bestimmten Schwellenwert landet sie im Spam-Ordner. Wenn Sie etwas manuell als Spam markieren, geben Sie ihm ein neues gelabeltes Beispiel, und 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 → wird ein wenig besser.

Beispiel 2: die Foto-Erkennung

Ihre Foto-App, die jedes Bild Ihres Hundes findet, nutzt dieselbe Grundidee, angewendet auf Bilder. Sie wurde mit Millionen gelabelter Fotos trainiert („das ist ein Hund“, „das ist ein Strand“, „das ist ein Gesicht“). Sie hat die visuellen Muster gelernt.

Auch das ist ein Classifier, nur mit Pixeln als Input statt Wörtern. Gleiche Familie. Andere Sinne.

Beide Beispiele teilen ein zentrales Merkmal: Sie erledigen eine einzige, enge Aufgabe. Der Spamfilter kann Ihre Fotos nicht taggen. Die Foto-Erkennung kann Ihre E-Mails nicht sortieren. Sie sind Spezialisten.

Wenn Sie eine schnelle, zugängliche Grundlage dazu wollen, wie Machine Learning funktioniert: Googles Machine Learning Crash Course bietet eine kostenlose, gut lesbare Einführung.

Large Language Models: eine andere Art von Spezialist

Jetzt zu ChatGPT, das Ihre E-Mail schreibt. Das ist 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), eine spezifische, junge Form von Machine Learning, gebaut für eine Aufgabe: den nächsten Textbaustein vorhersagen.

Hier kommt der Teil, der die Leute überrascht.

Ein LLM ist im Kern ein sehr, sehr guter Vorhersager des nächsten Wortes.

Das Nächstes-Wort-Spiel

Vervollständigen Sie diesen Satz:

„Ich habe mir eine Tasse ___ eingeschenkt“

Sie haben „Kaffee“ gesagt (oder vielleicht „Tee“). Sie mussten es nicht nachschlagen. Sie haben genug gelesen und gehört, dass das Muster offensichtlich ist.

Ein LLM macht genau das, in enormem MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab. Im Training hat es einen riesigen Teil des Internets gelesen: Bücher, Artikel, Websites, Code, Foren. Seine einzige Aufgabe, milliardenfach wiederholt, war: gegeben ein Stück Text, vorhersagen, was als Nächstes kommt. Raten, mit dem echten Text abgleichen, anpassen, wiederholen.

Macht man das lange genug, mit genug Text und genug Rechenleistung, passiert etwas Bemerkenswertes. Um das nächste Wort gut vorherzusagen, muss das Modell Grammatik, Fakten, Argumentationsmuster, Tonalität und die Struktur von Argumenten aufnehmen. **Text *gut* vorherzusagen erfordert offenbar ein funktionierendes Modell davon, wie Sprache und Ideen zusammenpassen**.

„Wörter“ sind eigentlich TokensTokensEin 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 →

Eine kleine Klarstellung. LLMs arbeiten nicht mit ganzen Wörtern, sondern mit Tokens: Textbausteine, oft ein Wort oder Teil eines Wortes. „Kaffee“ ist vielleicht ein Token; „unglaublich“ vielleicht drei. Wenn Sie hören „das Modell sagt das nächste Token vorher“, heißt das nur: den nächsten kleinen Textbaustein.

Wie das Schreiben Ihrer E-Mail tatsächlich abläuft

Wenn Sie „Schreibe eine höfliche E-Mail, in der ich meinen Vermieter bitte, die Heizung zu reparieren“ eintippen, schlägt das Modell keine Vorlage nach. Es sagt Token für Token vorher, wie eine hilfreiche, höfliche E-Mail zu Ihrer Anfrage aussehen würde. „Sehr“ dann „geehrter“ dann „Herr Smith“, dann „ich“ dann „schreibe“ dann „Ihnen“ … jedes Token gewählt, weil es eine wahrscheinliche, sinnvolle Fortsetzung ist.

Deshalb können zwei LLMs (oder dasselbe zweimal) leicht unterschiedliche E-Mails liefern. Es gibt ein wenig kontrollierte Zufälligkeit darin, *welches* wahrscheinliche Wort gewählt wird. Diese Zufälligkeit ist auch der Grund, warum LLMs halluzinieren können: selbstbewusst Text produzieren, der richtig klingt, aber faktisch falsch ist. Es sagt plausible Wörter vorher, es prüft keine Wahrheitsdatenbank.

Das Ganze im Code

Sie müssen kein Programmierer sein, aber den tatsächlichen Aufruf zu sehen, nimmt der Sache das Mystische. So würden Sie ein LLM (hier Claude) über seine 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 → bitten, diese E-Mail zu schreiben:

import anthropic

client = anthropic.Anthropic()  # nutzt Ihren API-Key

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[
        {
            "role": "user",
            "content": "Write a short, polite email asking my landlord to fix the broken heater in apartment 4B."
        }
    ],
)

print(response.content[0].text)

Das ist die ganze Idee. Sie senden Text hinein (das content), das Modell sagt Token für Token guten Text zurück. Die Antwort kommt als Liste von Content-Blöcken zurück, deshalb lesen Sie den ersten Block mit response.content[0].text. ChatGPT und Gemini funktionieren genauso; nur der Modellname und ein paar Details ändern sich.

Ihnen fällt max_tokens=300 auf. Das begrenzt, wie viel Text zurückkommt. Denken Sie daran: Das Modell denkt in Tokens, also budgetieren Sie seinen Output buchstäblich in diesen Bausteinen.

Warum diese Unterscheidungen tatsächlich wichtig sind

Das ist kein Detailwissen. Zu wissen, mit welcher Art von KI Sie es zu tun haben, verändert, wie Sie sie nutzen.

LLMs sind Generalisten; klassische ML-Modelle sind Spezialisten. Der Spamfilter macht eine Sache perfekt. Ein LLM kann eine E-Mail entwerfen, einen Report zusammenfassen, übersetzen, Namen brainstormen und ein Steuerformular erklären. Diese Flexibilität ist der Durchbruch der letzten Jahre. Aber sie hat einen Haken.

LLMs sagen plausiblen Text vorher, nicht geprüfte Wahrheit. Ein Spamfilter ist selten „kreativ falsch“. Ein LLM kann mit völliger Überzeugung einen erfundenen Gerichtsfall oder eine falsche Statistik produzieren. Also: Nutzen Sie LLMs für Entwürfe, zum Denken und zum Umformen von Text. Prüfen Sie alles Faktische.

Das richtige Werkzeug hängt von der Aufgabe ab. Sie müssen 50.000 Kundenbewertungen in „zufrieden“ oder „verärgert“ sortieren? Ein einfacher Classifier ist günstiger und zuverlässiger als ein LLM. Sie wollen auf jede verärgerte eine persönliche Antwort schreiben? Das ist LLM-Terrain. Immer häufiger kombinieren smarte Systeme beides.

Eine kurze mentale Landkarte

• KI: der Sammelbegriff. Alles „Smarte“, was ein Computer tut.
• Machine Learning: KI, die Muster aus Beispielen lernt statt aus handgeschriebenen Regeln. (Spamfilter, Foto-Erkennung.)
• Large Language Model: eine spezifische Form von Machine Learning, trainiert darauf, den nächsten Textbaustein vorherzusagen, was es verblüffend gut in Sprachaufgaben macht. (ChatGPT, Claude, Gemini.)

Jedes LLM ist Machine Learning. Jedes Machine Learning ist KI. Aber nicht jede KI ist ein LLM, und genau diese Verwirrung soll diese Lektion auflösen.

Das Mindset für alles Weitere

Wenn Sie ChatGPT, Claude oder Gemini im weiteren Verlauf dieses Kurses nutzen, behalten Sie dieses Bild im Kopf: Sie steuern einen leistungsfähigen Vorhersager des nächsten Wortes.

Diese einzige Idee erklärt fast alles über die Arbeit mit diesen Werkzeugen. Sie erklärt, warum klare Prompts bessere Ergebnisse liefern (Sie geben ein besseres Ausgangsmuster zur Fortsetzung). Sie erklärt, warum es wunderbar schreiben, aber ein Datum falsch angeben kann. Sie erklärt, warum es besser ist, ihm Ihr tatsächliches Dokument als Grundlage zu geben, statt aus dem Gedächtnis zu fragen.

Sie sprechen nicht mit einer Suchmaschine oder einer Datenbank. Sie arbeiten mit einer Vorhersagemaschine zusammen, die enorm viel gelesen hat und sehr gut darin ist, fortzusetzen, was Sie beginnen.

Die wichtigsten Erkenntnisse

• Fragen Sie immer „welche Art von KI?“ „KI“ ist nur der Sammelbegriff. Die nützliche Frage ist, ob Sie es mit einem engen Classifier (Spamfilter, Foto-Erkennung) oder einem flexiblen LLM (ChatGPT, Claude, Gemini) zu tun haben.
• Ein LLM ist im Kern ein Next-Token-Predictor. Es wurde darauf trainiert, den nächsten Textbaustein über einen riesigen Teil des Internets hinweg zu erraten, und deshalb ist es sowohl beeindruckend flüssig als auch gelegentlich selbstbewusst falsch.
• Nutzen Sie LLMs für Entwürfe, Zusammenfassungen und das Umformen von Text; prüfen Sie Fakten immer. Sie produzieren *plausiblen* Text, nicht *geprüften* Text.
• Passen Sie das Werkzeug zur Aufgabe. Ein einfacher Classifier schlägt ein LLM beim repetitiven Sortieren in großem Maßstab. Ein LLM gewinnt bei offener Spracharbeit.
• Steuern Sie es wie eine Vorhersagemaschine. Klare, spezifische Prompts und eigenes Ausgangsmaterial schlagen vage Anfragen zuverlässig.