KI ist mehr als ChatGPT: Ein Überblick über Ansätze, Anwendungen und Grenzen
In vielen Gesprächen und Beratungen hören wir immer wieder denselben Satz:
„KI? Das ist doch dieses ChatGPT.“
Diese Einschätzung ist verständlich. Große Sprachmodelle sind sichtbar, leicht zugänglich und werden in den Medien stark diskutiert. Gleichzeitig führt genau das oft zu einer sehr eingeschränkten Sichtweise auf Künstliche Intelligenz (KI). Denn KI ist kein einzelnes Werkzeug und auch kein neues Phänomen: sie umfasst eine ganze Reihe unterschiedlicher Ansätze, Methoden und Technologien, die teilweise schon seit Jahren erfolgreich im Einsatz sind.
In diesem Artikel möchten wir den Blick weiten: Was gehört alles zu KI? Welche Anwendungsbereiche gibt es jenseits von Chatbots? Und welche Chancen und Herausforderungen ergeben sich insbesondere für kleine und mittlere Unternehmen (KMU)?
Was verstehen wir eigentlich unter Künstlicher Intelligenz?
Künstliche Intelligenz beschreibt ganz allgemein Systeme, die Aufgaben übernehmen, für die normalerweise menschliche Intelligenz notwendig wäre. Dazu zählt zum Beispiel das Erkennen von Mustern, das Treffen von Entscheidungen oder das Lernen aus Erfahrungen.
Wichtig ist dabei: Nicht jede KI lernt selbstständig und nicht jede KI basiert auf großen Datenmengen oder neuronalen Netzen. Viele Lösungen sind deutlich einfacher und gerade deshalb für KMU besonders interessant.
Einfache regelbasierte KI – oft unsichtbar, aber weit verbreitet
Nicht jede KI ist „lernend“. Eine der ältesten und am weitesten verbreiteten Formen sind regelbasierte Systeme, die ohne maschinelles Lernen auskommen.
Was versteht man darunter?
Regelbasierte KI arbeitet nach klar definierten Wenn-Dann-Regeln. Das System entscheidet nicht selbstständig, sondern folgt festen Vorgaben, die von Menschen erstellt wurden.
Ein einfaches Beispiel: Wenn ein Sensorwert einen bestimmten Grenzwert überschreitet, wird eine Warnung ausgelöst.
Typische Anwendungsbereiche
- Prozessüberwachung
- Entscheidungsunterstützung in klar strukturierten Abläufen
Chancen und Risiken
Der große Vorteil liegt in der Transparenz: Entscheidungen sind nachvollziehbar und gut kontrollierbar. Zudem sind solche Systeme vergleichsweise leicht umzusetzen.
Gleichzeitig stoßen sie schnell an ihre Grenzen, wenn Prozesse komplexer oder variabler werden. Regelbasierte KI kann nicht lernen und sich nicht an neue Situationen anpassen.
Maschinelles Lernen – wenn Systeme aus Daten lernen
Ein großer Schritt darüber hinaus ist maschinelles Lernen (ML). Hier lernen Systeme aus Daten, anstatt ausschließlich festen Regeln zu folgen.
Was ist Machine Learning?
Beim Machine Learning werden Algorithmen mit Beispieldaten trainiert. Das System erkennt Muster und kann auf dieser Basis Vorhersagen oder Entscheidungen treffen – auch für neue, bisher unbekannte Situationen.
Welche Arten von ML gibt es?
Machine Learning ist kein einheitliches Verfahren. Je nach Fragestellung und Datenlage kommen unterschiedliche Lernarten zum Einsatz. Die drei wichtigsten sind das überwachte Lernen, das unüberwachte Lernen und das bestärkende Lernen. Sie unterscheiden sich vor allem darin, wie das System lernt und welche Rolle der Mensch dabei spielt.
Überwachtes Lernen (Lernen aus Beispielen)
Beim überwachten Lernen (Abbildung 2) arbeitet das KI-System mit Daten, die bereits „beschriftet“ sind. Das bedeutet: Zu jedem Beispiel ist bekannt, welches Ergebnis richtig ist. Diese Beispiele dienen dem System als Orientierung. Überwachtes Lernen eignet sich daher für Anwendungsfälle, in denen historische Daten vorliegen und aus diesen ein Zusammenhang zwischen Eingabedaten und einem Zielwert abgeleitet werden soll. Während dieser Zielwert in den historischen Daten bekannt ist, fehlt er bei neuen Daten. Genau hier setzt das Modell an und versucht, ihn vorherzusagen.
Ein klassisches Beispiel findet sich in der Produktion. Anhand historischer Produktionsdaten ist bekannt, wie lange die Herstellung bestimmter Produkte mit individuellen Eigenschaften in der Vergangenheit gedauert hat. Das KI-System lernt aus diesen Daten Zusammenhänge und leitet daraus Regeln ab, die es anschließend auf neue Aufträge anwenden kann, um die voraussichtliche Produktionszeit zu prognostizieren.
Darüber hinaus gibt es zahlreiche weitere Einsatzmöglichkeiten. Überwachtes Lernen wird häufig in der Qualitätskontrolle eingesetzt, indem eine KI mit positiven und negativen Prüfergebnissen trainiert wird, um neue Produkte automatisch zu bewerten. Auch die Vorhersage von Maschinenausfällen (etwa im Rahmen der sogenannten Predictive Maintenance) basiert häufig auf diesem Ansatz.
Unüberwachtes Lernen (Muster erkennen ohne Vorgaben)
Beim unüberwachten Lernen (Abbildung 3) gibt es keine vorgegebenen Antworten. Das System bekommt Daten, aber keine Erklärung, was „richtig“ oder „falsch“ ist. Stattdessen sucht es selbstständig nach Mustern, Gruppen oder Auffälligkeiten.
Ein typischer Anwendungsfall ist die Analyse von Kund:innendaten oder Produktgruppen. Ohne vorher festzulegen, welche Gruppen existieren, kann das System eigenständig Gruppen mit ähnlichen Eigenschaften identifizieren. Diese Gruppen können anschließend als Grundlage für gezielte Maßnahmen, etwa im Marketing oder im Service, genutzt werden.
Auch in der Produktion oder im IT-Bereich kommt unüberwachtes Lernen zum Einsatz, beispielsweise um ungewöhnliche Abweichungen in Prozess- oder Sensordaten zu erkennen. Der Vorteil dieses Ansatzes liegt darin, dass er neue Zusammenhänge sichtbar machen kann, die zuvor nicht bekannt waren. Gleichzeitig erfordert unüberwachtes Lernen eine sorgfältige Interpretation: Die KI liefert Muster. Was diese konkret bedeuten und welche Konsequenzen daraus gezogen werden, muss durch den Menschen bewertet werden
Bestärkendes Lernen („Learning by doing”)
Das bestärkende Lernen (Abbildung 4) verfolgt einen anderen Ansatz. Hier lernt ein KI-System nicht aus festen Datensätzen, sondern durch Ausprobieren und Rückmeldung. Für bestimmte Entscheidungen oder Handlungen erhält das System eine positive oder negative Rückmeldung (Belohnung vs. Bestrafung), aus der es lernt, zukünftige Entscheidungen zu verbessern.
Ein anschauliches Beispiel findet sich in der Optimierung von Abläufen. Ein System trifft Entscheidungen, etwa zur Reihenfolge von Arbeitsschritten oder zur Ressourcennutzung, und erhält Feedback darüber, ob diese Entscheidung zu einer Zeitersparnis, geringeren Kosten oder besserer Qualität geführt hat. Über viele Wiederholungen hinweg lernt das System, welche Entscheidungen langfristig vorteilhaft sind.
Bestärkendes Lernen eignet sich besonders für dynamische und komplexe Umgebungen, in denen viele Faktoren zusammenspielen. Gleichzeitig ist dieser Ansatz anspruchsvoll: Ziele müssen klar definiert werden, und das System muss sorgfältig überwacht werden, damit es nicht unerwünschte Strategien entwickelt. Auch hier bleibt der Mensch entscheidend, um Rahmenbedingungen zu setzen und Ergebnisse einzuordnen.
Deep Learning (Erkennen von komplexen Mustern)
Deep Learning ist eine spezielle Form des maschinellen Lernens und baut auf sogenannten neuronalen Netzen mit vielen aufeinanderfolgenden Schichten auf. Diese Struktur ermöglicht es, besonders komplexe Zusammenhänge in großen Datenmengen zu erkennen. Deep Learning kommt daher vor allem dort zum Einsatz, wo klassische Machine-Learning-Ansätze an ihre Grenzen stoßen.
Deep-Learning-Modelle verarbeiten große Mengen an Daten und lernen dabei, sehr feine Muster zu erkennen. Besonders gut funktioniert dieser Ansatz bei unstrukturierten Daten, etwa Bildern, Sprache oder Texten. Das System lernt nicht einzelne Regeln, sondern entwickelt schrittweise ein eigenes Modell der Zusammenhänge.
Typische Einsatzfelder sind unter anderem:
- Bild- und Objekterkennung, etwa zur Qualitätsprüfung
- Spracherkennung, zum Beispiel für Sprachsteuerung
- komplexe Prognosen, bei denen viele Einflussfaktoren zusammenwirken
Deep Learning bildet die technologische Grundlage für viele moderne KI-Anwendungen und ist auch ein zentraler Baustein der Generativen KI.
Generative KI (Inhalte automatisch erzeugen)
Ein aktuell stark diskutierter Bereich ist die Generative KI. Im Unterschied zu vielen anderen KI-Ansätzen analysiert sie nicht nur bestehende Daten, sondern kann selbst neue Inhalte erzeugen. Dazu greift sie auf Muster zurück, die sie während des Trainings gelernt hat.
Generative KI kann Texte verfassen, Bilder erstellen, Musik komponieren oder Programmcode generieren. Grundlage dafür sind große Datenmengen, aus denen das System typische Strukturen und Zusammenhänge ableitet und auf neue Inhalte überträgt.
Typische Anwendungsbereiche
In der Praxis wird Generative KI häufig eingesetzt für:
- Textentwürfe und Zusammenfassungen
- Marketing- und Kommunikationsinhalte
- kreative und gestalterische Prozesse
Große Sprachmodelle (Leistungsstark, aber nicht allmächtig)
Große Sprachmodelle, auch bekannt als Large Language Models (LLMs), sind ein Teilbereich der Generativen KI. Sie stehen aktuell besonders im Fokus, da sie leicht zugänglich sind und viele alltägliche Aufgaben unterstützen können. LLMs sind KI-Modelle, die darauf trainiert wurden, Sprache zu verstehen und zu erzeugen. Bekannte Beispiele sind ChatGPT, Copilot oder Gemini. Sie basieren auf sehr großen Textmengen und lernen daraus, wie Sprache typischerweise aufgebaut ist.
| Was können LLMs? | Was können LLMs nicht? |
| – das Formulieren und Zusammenfassen von Texten – das Beantworten von Fragen – das Strukturieren und Aufbereiten von Informationen | – Wahrheiten garantieren – Verantwortung übernehmen – Inhalte im menschlichen Sinne verstehen – fachliche oder rechtliche Entscheidungen eigenständig treffen |
LLMs sind damit leistungsstarke Werkzeuge zur Unterstützung, aber keine Alleskönner. Ihr Einsatz erfordert klare Rahmenbedingungen und eine bewusste menschliche Kontrolle.
Chancen und Risiken
| Ansatz | Chancen | Risiken |
| Überwachtes Lernen | – Liefert zuverlässige Ergebnisse bei klar definierten Fragestellungen – Gut geeignet für Prognosen und Bewertungen auf Basis historischer Daten – Entscheidungen lassen sich datenbasiert unterstützen | – Starke Abhängigkeit von der Qualität und Vollständigkeit der Trainingsdaten – Hoher Aufwand bei der Erstellung beschrifteter Daten (wenn noch nicht vorhanden) – Modelle können an Aussagekraft verlieren, wenn sich Prozesse oder Rahmenbedingungen ändern |
| Unüberwachtes Lernen | – Erkennt Muster, Gruppen und Auffälligkeiten in Daten, ohne dass diese vorher bekannt sein müssen – Besonders geeignet für explorative Analysen | – Ergebnisse sind nicht immer selbsterklärend und erfordern fachliche Interpretation – Gefahr der Über- oder Fehlinterpretation von Mustern – – Liefert eher Hinweise als konkrete Handlungsempfehlungen |
| Bestärkendes Lernen | – Ermöglicht die Optimierung komplexer und dynamischer Abläufe – Systeme können aus Erfahrung lernen und Entscheidungen über Zeit verbessern | – Hoher technischer und organisatorischer Aufwand – Ziele müssen sehr klar definiert sein – Ohne sorgfältige Überwachung besteht das Risiko, dass das System unerwünschte Strategien entwickelt |
| Deep Learning | – Erkennt sehr komplexe Muster in großen Datenmengen – Besonders leistungsfähig bei Bildern, Sprache und Texten – Ermöglicht Anwendungen, die mit klassischen ML-Ansätzen kaum umsetzbar sind | – Hoher Bedarf an Daten, Rechenleistung und Fachwissen – Ergebnisse oft schwer nachvollziehbar („Black Box“) – Fehler oder Verzerrungen sind schwer zu erkennen und zu korrigieren |
| Generative KI (GenAI) | – Spart Zeit bei der Erstellung von Texten, Bildern oder anderen Inhalten – Senkt Einstiegshürden für kreative und kommunikative Aufgaben – Unterstützt Mitarbeitende im Arbeitsalltag | – Ergebnisse können inhaltlich falsch oder unzuverlässig sein – Risiken bei Urheberrecht, Datenschutz und Vertraulichkeit – Erfordert klare Regeln und menschliche Prüfung |
| Large Language Models (LLMs) | – Sehr flexibel einsetzbar für Texte, Fragen und Wissensaufbereitung – Niedrige Einstiegshürde und hohe Benutzerfreundlichkeit – Gut geeignet zur Unterstützung von Wissensarbeit | – Keine Garantie für korrekte oder vollständige Antworten – Verstehen Inhalte nicht im menschlichen Sinne – Können fachliche Entscheidungen nicht eigenständig treffen – Gefahr der Überbewertung ihrer Fähigkeiten |
Praxisbeispiele aus dem Zukunftszentrum
Auch wir innerhalb des Zukunftszentrums konnten bereits verschiedenen Unternehmen bei der Wahl der passenden KI Anwendung unterstützen und gemeinsam testen, wie eine solche KI in dem entsprechenden Kontext performt:
Überwachtes maschinelles Lernen
Bei der PRINZ VERBINDUNGSELEMENTE GMBH wurde KI eingesetzt, um mögliche Qualitätsabweichungen frühzeitig zu erkennen. Auf Basis von Produktionsdaten konnte abgeschätzt werden, wann Korrekturbedarf entsteht, lange bevor fehlerhafte Teile produziert wurden.
Zur Erfolgsgeschichte
Ein weiteres Beispiel ist die Robert GmbH, mit denen wir getestet haben, ob KI bei der Erstellung von Farbrezepturen helfen kann. Statt auf langwierige Versuchsreihen angewiesen zu sein, unterstützt das System dabei, schneller zu präzisen Farbmischverhältnissen zu kommen.
Zur Erfolgsgeschichte
LLM
Bei der Siegener Zeitung wurde mit einem KI-basierten, spezialisiertem Chatbot eine Unterstützungsstruktur für die Erstellung von Pressemitteilungen geschaffen, durch die Mitarbeiterinnen und Mitarbeiter den aufwendigen Schreibprozess deutlich effizienter durchführen konnten.
Zur Erfolgsgeschichte
Auch bei ERCO kam ein KI-basierter Chatbot zum Einsatz, der bei Produktempfehlungen unterstützt und interne Wissensbestände nutzbar macht.
Zur Erfolgsgeschichte
Wo sind Multi-Agenten-Systeme einzuordnen?
Multi-Agenten-Systeme beschreiben keinen eigenen KI-Ansatz, sondern eine Art der Organisation von KI-Systemen. Dabei arbeiten mehrere spezialisierte KI-Agenten zusammen, um ein gemeinsames Ziel zu erreichen. Jeder Agent übernimmt eine klar abgegrenzte Aufgabe, etwa das Sammeln von Informationen, das Bewerten von Ergebnissen oder das Auslösen bestimmter Aktionen.
Wichtig ist dabei: Multi-Agenten-Systeme können auf sehr unterschiedlichen KI-Technologien aufbauen. Sie können regelbasierte Logiken nutzen, mit Modellen des maschinellen Lernens arbeiten oder Large Language Models integrieren. In der Praxis werden diese Ansätze häufig kombiniert. Dadurch lassen sich komplexe Abläufe abbilden, ohne dass ein einzelnes System alles gleichzeitig leisten muss.
Mehr zum Thema Multi‑Agenten-System und Agentic AI finden Sie in unserem Blogbeitrag „Agentic AI – was steckt dahinter und warum ist genau jetzt der Zeitpunkt für KMU, hinzuschauen“
Fazit: KI ist vielfältig – und genau darin liegt ihre Stärke
Künstliche Intelligenz ist weit mehr als ChatGPT oder große Sprachmodelle. Sie reicht von einfachen regelbasierten Systemen über lernende Modelle bis hin zu generativer KI und Multi-Agenten-Systemen.
Für KMU bedeutet das vor allem eines: Es gibt nicht die eine KI-Lösung, sondern viele unterschiedliche Ansätze, die je nach Problem sinnvoll sein können. Wer KI einsetzen möchte, sollte daher nicht mit der Technologie beginnen, sondern mit der Frage: Welches Problem wollen wir lösen?
Ein breiter Blick auf KI hilft dabei, realistische Erwartungen zu entwickeln, passende Lösungen zu finden und Chancen gezielt zu nutzen, ohne sich von einzelnen Trends blenden zu lassen. Gerne stehen wir als Zukunftszentrum KI NRW hierbei zur Seite und unterstützen Sie mit unserem kostenlosen Beratungsangebot.
Die Bilder wurden teilweise mit ChatGPT erstellt aber insbesondere bei den Bildern innerhalb des Beitrags noch eigenständig mit Figma angepasst, so dass nur Teile aus den generierten Bildern genutzt wurden.
Zurück
Newsletter Anmeldung
Ansprechpartner:in
