Künstliche Intelligenz
6 Min.
Was steckt hinter KI-Modellen und was ist bei der Benutzung für Kommunen wichtig?
Wie kann ich KI-Modelle überhaupt verstehen?
Wenn Sie den Unterschied zwischen GPT, Claude, Llama, Open Weight und Closed Weight nicht kennen oder auch die dahinterstehenden Themen wie Datenschutz und DSGVO böhmische Dörfer für Sie sind, stehen Sie nicht alleine da. Vielen Entscheidern und sogar technisch versierte Expert:innen fällt diese Differenzierung schwer. Zwar werden diese Begriffe schnell in den Raum geworfen. Kaum jemand kann jedoch explizit erklären, was genau ein KI-Modell ist und welches man am besten im Alltag benutzt.
Das Wichtigste in Kürze. Das sollten Sie über KI-Modelle wissen.
Ein KI-Modell ist im Kern nichts anderes als eine sehr große mathematische Formel. Mit Magie hat das nichts zu tun, sondern ausschließlich mit Mathematik.
Diese mathematische Formel besteht aus sogenannten „Weights“ oder Parametern. Das können Millionen oder sogar Milliarden sein , die beim Training auf große Datenmengen angepasst werden.
Die Qualität und Vorhersagekraft eines Modells hängt maßgeblich von der Struktur (Modellarchitektur) ab und mit wie vielen Trainingsdaten das Modell bislang gefüttert wurde.
GPT-4, Llama oder Claude sind deswegen so leistungsfähige Modelle, weil sie enorm viele Variablen enthalten und auf riesigen Datensätzen trainiert wurden.
Wer versteht, wie ein KI-Modell arbeitet, kann sich realistische Erwartungen setzen - und letztlich bessere strategische Entscheidungen treffen.
Warum ist es so schwer, KI-Modelle zu verstehen?
Seien Sie unbesorgt. Sie sind nicht der Einzige, der das Konzept, auf dem KI-Modelle beruhen, nicht versteht.
Gerade für Menschen in verantwortlichen Kommunen-Positionen, beispielsweise Sie als Digitalisierungsexpert:innen oder Unternehmensentscheider:innen stehen nun vor der nicht einfachen Frage: Welche KI führen wir bei uns im Haus ein? Was bedeuten eigentlich diese Begriffe „Open Weights“, „Closed Weights“, „GPT“ oder „Llama“?
Das Problem ist nicht die mangelnde Technikkompetenz. Vielmehr haben Kommunikation und Marketing in der KI-Branche dazu geführt, dass aus nachvollziehbaren mathematischen Grundlagen ein komplexes Rätsel für Außenstehende geworden ist. Neue Wörter wie „Neuronale Netze“, „Deep Learning“ oder „künstliche Intelligenz“ verstärken den Eindruck, dass all das viel zu schwer zu durchsteigen ist. Das ist es nicht.
Was ist eigentlich ein Modell und wie unterscheiden sich klassische Modelle vom Machine Learning?
Den Begriff „Modell“ gibt es schon viel länger als Künstliche Intelligenz. George Box, ein britischer Statistiker, hat es einmal perfekt formuliert:
"Alle Modelle sind falsch, aber manche sind nützlich."
In der Mathematik ist ein Modell immer eine vereinfachte Abbildung der Realität, um Vorhersagen treffen zu können. Das berühmte Newton’sche Gravitationsmodell F = G(m₁m₂)/r² ist ein Paradebeispiel: Es ist mathematisch korrekt, nützlich und bis heute praktisch unverzichtbar (u.a. für Satellitenbahnen), auch wenn wir dank Einstein wissen, dass diese Formel in Extremsituationen nicht mehr exakt stimmt.
Das gleiche Prinzip gilt für Wirtschaftsmodelle (z.B. Angebot und Nachfrage), Wettermodelle oder sämtliche statistische Prognosen. Sie alle sind Formeln mit Variablen, Parameterwerten und Annahmen. Und alle haben ein Ziel, nämlich die Komplexität der echten Welt durch Vereinfachung beherrschbar zu machen.
Der Übergang zu KI- und Machine-Learning-Modellen ist daher naheliegender, als Sie es sich vielleicht gerade vorstellen. Mit zunehmender Rechenleistung konnten Mathematiker immer komplexere Formeln mit immer mehr Variablen entwerfen. Der eigentliche Durchbruch erfolgte dann, als es genug Rechenpower gab, um eine Formel zu entwickeln, ohne selbst über die Zusammenhänge zwischen Input und Output nachdenken zu müssen.
Wie entsteht aus Daten ein lernendes KI-Modell?
Wahrscheinlich fragen Sie sich, was genau eigentlich beim Trainieren eines KI-Modells passiert? Im Grunde ist das Prinzip immer das Gleiche:
Am Anfang steht eine besonders flexible mathematische Formel mit sehr vielen zufällig eingestellten Variablen („Weights“).
Diese Formel wird mit möglichst großen und vielfältigen Datenmengen „gefüttert“, zum Beispiel mit Millionen von Texten, Bildern oder Audiodaten.
Während des Trainingsprozesses ändert das Modell seine Variablen so lange, bis es auf Basis der Trainingsdaten die gewünschten Vorhersagen trifft. Je mehr und je bessere Daten es gibt, desto präziser kann das Modell vereinfachen und verallgemeinern.
Das sollten Sie unbedingt wissen: Das KI-Modell weiß nicht, was es tut, auch wenn seine Antworten aussehen wie die eines echten Menschen. Es steuert einfach nur seine Variablen auf das Ziel hin, die Muster aus den vorhandenen Daten möglichst treffsicher vorherzusagen.
Die Formel besteht also aus den gefütterten Trainingsdaten. Auch ein Spam-Filter ist nichts anderes als eine Formel, die sich so angepasst hat, dass sie E-Mails reinsteckt und "Spam" oder "Nicht Spam" ausspuckt. Und auch ein Sprachmodell ist nichts anderes als eine Formel, die Wörter vorhersagen kann.
Wie sieht ein praktisches Modell-Beispiel aus?
Wählen wir ein ganz einfaches Beispiel aus der Geschäftswelt:
Die Vorhersage, ob ein Kunde seine Rechnung pünktlich bezahlt.
Ein einfaches statistisches Modell würde vielleicht die Variablen „Rechnungshöhe“ und „bisherige Zahlungshistorie“ beinhalten. Nach Analyse von 1.000 Kunden lautet eine mögliche Regel dann: „Bei Rechnungen über 5.000€ und mehr als zwei verspäteten Zahlungen liegt die Ausfallwahrscheinlichkeit bei 73 %.“
Ein modernes Machine-Learning-Modell würde diesen Prozess tausendfach wiederholen, aber mit Dutzenden, Hunderten, manchmal Millionen von Variablen. Zu diesen Variablen gehören demografische Daten, der Zeitpunkt der Bestellung, wie lange die Kundenbeziehung schon besteht und noch viele Parameter mehr.
Noch einmal hochskaliert: Bild-Erkennungsmodelle haben inzwischen Millionen von Parametern, Sprachmodelle wie GPT-4 sogar mehrere Milliarden. Dabei funktioniert das Prinzip aller KI-Modelle nach wie vor identisch. Die Formel wird durch die Trainingsdaten in eine bestimmte Richtung „geformt“ und lernt dabei, typische Muster zu erkennen und vorherzusagen.
Was sind „Weights“ und warum sind sie so wertvoll?
Im Machine Learning werden die Variablen eines Modells als „Weights“ bezeichnet. Ein “Weight” ist nichts anderes als ein „Parameter“. Doch Obacht. Was nach einer simplen Zahl klingt, ist in der Praxis eine der wichtigsten Ressourcen. Will heißen, wer diese Werte besitzt, versteht nicht nur das gesamte Modell, sondern kann es einsetzen, anpassen oder analysieren.
Insofern ist die Sache klar, dass große KI-Modell-Anbieter wie OpenAI (GPT-4) oder Anthropic (Claude) ihre Weights als Geschäftsgeheimnis behandeln. Sie stellen ihre Modelle lediglich als Schnittstelle (API) zur Verfügung. Es ist schier unmöglich, die eigentliche Formel zu analysieren oder lokal zu betreiben.
Firmen wie Meta gehen einen anderen Weg. Mit KI-Modellen wie Deepseek und Qwen werden die Weights offen zur Verfügung gestellt (Open Weight), was wesentlich mehr Kontrolle und Flexibilität bietet. Allerdings geht damit aber auch eine ganz neue Verantwortung einher.
Die Weights sind übrigens alles andere als klein. Das Dateiformat belegt bei 120 Milliarden Parametern gerne mal 65 GB oder sogar mehr - und bildet nichts anderes ab als eine große Werte-Tabelle“ für gelernte Wahrscheinlichkeiten.
Welche Denkfallen gibt es bei der Bewertung von KI-Modellen?
Gerade weil so viele Menschen KI-Modelle (noch) als Mysterium begreifen, häufen sich die Missverständnisse. Das sind die gängigsten :
Alles an dieser “Black Box” ist irgendwie undurchsichtig und magisch. Nein! Ein KI-Modell ist zwar hochkomplex, aber mit mathematischen Wahrscheinlichkeiten erklärbar.
Das KI-Modell gibt mir immer die richtige Antwort. Falsch, denn jedes Modell ist eine Vereinfachung und viele Faktoren (allen voran mangelnde Datenqualität) limitieren die Vorhersagegenauigkeit.
Diesen Modellen ist zu misstrauen, denn ihre Einzelentscheidungen erscheinen „unerklärbar“. Nein, denn zwar ist nicht jede Entscheidung 1:1 nachvollziehbar, aber das Grundprinzip ist transparent.
FAQs. Die häufigsten Fragen und Antworten zu KI-Modellen.
1. Denkt ein Sprachmodell wie GPT wirklich?
Nein, es sagt nur vorher, welches Wort als Nächstes am wahrscheinlichsten folgt, und zwar auf Basis trainierter Wahrscheinlichkeiten.
2. Was sind eigentlich “Weights” im KI-Kontext?
Das sind die Zahlen, die das Modell in der Trainingsphase für optimale Vorhersagen ausbildet. Sie sind das eigentliche „Wissen“ des KI-Modells.
3. Worin liegt der praktische Unterschied zwischen klassischen und KI-Modellen?
Klassische Modelle funktionieren meist mit wenigen händisch festgelegten Parametern. KI-Modelle hingegen passen sich durch Training auf große Datenmengen selbstständig an und nutzen dafür Millionen oder Milliarden Parameter.
Fazit: Was hilft für den Alltag in der Kommune?
Wenn Sie ein Künstliches-Intelligenz-Modell bei sich im Haus einführen oder bewerten wollen, sollten Sie dessen Grundprinzip verstehen. Das sind keine Wunderwerke oder „künstliche Gehirne“, sondern statistische Modelle, die durch das Training auf große Datenmengen ihre Parameter („Weights“) so eingestellt haben, dass sie Muster erkennen und Vorhersagen treffen. Nicht mehr, aber auch nicht weniger.
Lernen Sie Ayunis Core kennen - die Open Source KI-Lösung für die öffentliche Verwaltung.
Zitat (George Box): Alle Modelle sind falsch, aber manche sind nützlich
Stand: November 2025
