Was ist Künstliche Intelligenz? Eine verständliche Einordnung

Kaum ein Begriff wird derzeit so häufig verwendet und so selten präzise erklärt wie „Künstliche Intelligenz". Er steht auf Produktverpackungen, in Werbeanzeigen und in politischen Reden. Dabei verdeckt die Allgegenwart des Wortes, dass dahinter ein klar umrissenes Forschungsfeld mit einer über siebzig Jahre langen Geschichte steht. Wer verstehen will, was Künstliche Intelligenz für ein Unternehmen leisten kann – und was nicht –, sollte zuerst wissen, wovon eigentlich die Rede ist. Dieser Artikel ordnet den Begriff nüchtern ein: woher er kommt, was er meint und welche Formen von KI heute existieren.

Ein Begriff mit Geburtsdatum

Anders als viele technische Modewörter hat die Künstliche Intelligenz ein exaktes Geburtsdatum. Im Sommer 1956 trafen sich am Dartmouth College in Hanover, New Hampshire, eine Handvoll Mathematiker und Ingenieure zu einem mehrwöchigen Forschungsseminar. Der Mathematiker John McCarthy hatte dafür ein Jahr zuvor den Begriff „Artificial Intelligence" geprägt – bewusst neutral gewählt, um sich von benachbarten Feldern wie der Kybernetik abzugrenzen. Im Antrag von 1955 formulierten McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon die Leitidee des Feldes in einem Satz, der bis heute gilt: Man gehe von der Vermutung aus, dass sich jeder Aspekt des Lernens oder jedes andere Merkmal von Intelligenz im Prinzip so präzise beschreiben lasse, dass eine Maschine ihn nachbilden könne.

Diese Definition ist bemerkenswert vorsichtig. Sie behauptet nicht, dass Maschinen denken. Sie stellt lediglich die Arbeitshypothese auf, dass intelligentes Verhalten beschreibbar und damit maschinell simulierbar sein könnte. Genau diese Haltung – Intelligenz als beschreibbaren Vorgang zu behandeln, nicht als Geheimnis – bildet bis heute das Fundament des gesamten Feldes.

Die Frage vor dem Begriff: Können Maschinen denken?

Noch bevor der Begriff existierte, hatte der britische Mathematiker Alan Turing die entscheidende Frage gestellt. In seinem 1950 erschienenen Aufsatz „Computing Machinery and Intelligence" beginnt er mit dem Satz: „Ich schlage vor, die Frage zu betrachten: Können Maschinen denken?" Turing hielt diese Frage für zu unscharf und ersetzte sie durch eine praktischere: Kann eine Maschine in einem Gespräch so antworten, dass ein menschlicher Prüfer nicht zuverlässig erkennt, ob er mit einem Menschen oder einer Maschine schreibt? Dieses Gedankenexperiment ist als Turing-Test bekannt geworden.

Der Turing-Test verschob den Fokus von einer philosophischen auf eine operationale Ebene: nicht, ob eine Maschine ein Bewusstsein besitzt, sondern ob sie sich intelligent verhält. Diese pragmatische Wende erklärt, warum KI bis heute meist über Verhalten und Ergebnisse definiert wird, nicht über inneres Erleben. Eine gängige Arbeitsdefinition lautet daher: Künstliche Intelligenz ist die Fähigkeit technischer Systeme, Aufgaben zu bewältigen, die beim Menschen Intelligenz erfordern – etwa Sprache verstehen, Muster erkennen, Entscheidungen treffen oder aus Erfahrung lernen.

Schwache und starke KI

Um das Feld zu ordnen, hat sich eine grundlegende Unterscheidung durchgesetzt. Die sogenannte schwache oder enge KI („narrow AI") bezeichnet Systeme, die eine klar umrissene Aufgabe beherrschen: Sprachübersetzung, Bilderkennung, Betrugserkennung, Routenplanung. Solche Systeme können in ihrem Spezialgebiet den Menschen deutlich übertreffen, sind aber außerhalb davon nutzlos. Ein Übersetzungssystem kann kein Auto steuern, ein Schachprogramm keine Rechnung prüfen.

Sämtliche KI-Systeme, die heute im Einsatz sind – auch die großen Sprachmodelle –, gehören in diese Kategorie. Sie wirken oft breit einsetzbar, bleiben aber im Kern Mustererkennungssysteme ohne eigenes Verständnis der Welt.

Dem gegenüber steht die Idee einer starken KI oder „Allgemeinen Künstlichen Intelligenz" (AGI): ein System, das wie ein Mensch beliebige intellektuelle Aufgaben lernen und lösen könnte. Eine solche KI existiert nicht und ist Gegenstand intensiver Forschung und Debatte. Es ist wichtig, diese Grenze klar zu ziehen: Wenn heute von KI-Produkten die Rede ist, geht es ausnahmslos um schwache KI. Die Verwechslung beider Ebenen ist eine häufige Quelle überzogener Erwartungen.

KI, maschinelles Lernen und Deep Learning

Ein zweites Missverständnis betrifft die Beziehung dreier Begriffe, die oft synonym verwendet werden. Man kann sie als ineinander liegende Kreise verstehen.

Künstliche Intelligenz ist der weiteste Begriff – das gesamte Bestreben, intelligentes Verhalten maschinell zu erzeugen. Dazu zählten in den frühen Jahrzehnten vor allem regelbasierte Systeme, in denen Fachleute das Wissen von Hand in „Wenn-dann"-Regeln übersetzten.

Das maschinelle Lernen ist ein Teilgebiet der KI. Statt Regeln vorzugeben, lässt man das System aus Beispieldaten selbst die Zusammenhänge ableiten. Ein Programm lernt etwa aus Tausenden markierter E-Mails, wie sich Spam von erwünschter Post unterscheidet – ohne dass jemand die Regeln explizit festlegt.

Das Deep Learning schließlich ist ein Teilgebiet des maschinellen Lernens. Es nutzt künstliche neuronale Netze mit vielen Schichten, um besonders komplexe Muster in großen Datenmengen zu erkennen. Der Durchbruch dieser Methode gilt heute als Auslöser der aktuellen KI-Welle. Als Wendepunkt gilt das Jahr 2012, in dem ein tiefes neuronales Netz namens AlexNet einen wichtigen Bilderkennungswettbewerb mit deutlichem Vorsprung gewann und damit zeigte, dass gelernte Merkmale die zuvor mühsam von Hand entworfenen übertreffen konnten.

Warum die Einordnung praktisch zählt

Diese Unterscheidungen sind kein akademischer Selbstzweck. Für Unternehmen entscheidet die richtige Einordnung darüber, ob ein Projekt gelingt. Wer glaubt, ein Sprachmodell „verstehe" den Betrieb wie ein Mitarbeiter, wird enttäuscht. Wer dagegen erkennt, dass es sich um ein leistungsfähiges, aber begrenztes Werkzeug zur Mustererkennung handelt, kann es gezielt dort einsetzen, wo es wirkt: bei wiederkehrenden, datenreichen und klar abgegrenzten Aufgaben.

Ebenso wichtig ist die Erkenntnis, dass KI von Daten lebt. Ohne verlässliche, gut strukturierte Daten bleibt selbst das beste Modell blind. Die entscheidende Frage in einem Unternehmen lautet deshalb selten „Welche KI kaufen wir?", sondern „Welche Aufgabe wollen wir lösen, und liegen die dafür nötigen Daten in brauchbarer Form vor?".

Fazit

Künstliche Intelligenz ist kein magisches Wesen und keine Software, die von selbst denkt. Sie ist ein über Jahrzehnte gewachsenes Forschungsfeld mit dem klaren Ziel, intelligentes Verhalten maschinell nachzubilden. Die heute verfügbaren Systeme sind durchweg spezialisierte Werkzeuge – beeindruckend leistungsfähig in ihrem Bereich, aber ohne allgemeines Verständnis. Wer diese nüchterne Einordnung verinnerlicht, trifft bessere Entscheidungen: Er erkennt echte Chancen und durchschaut überzogene Versprechen.

Genau an dieser Stelle setzt die Arbeit von ULTRA Intelligence an: Wir helfen deutschen Unternehmen, den Unterschied zwischen Marketingbegriff und tragfähigem Werkzeug zu erkennen – und KI dort einzusetzen, wo sie messbaren Nutzen stiftet.

Quellen

• Dartmouth Summer Research Project on Artificial Intelligence (1956), Wikipedia: https://en.wikipedia.org/wiki/Dartmouth_workshop
• A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (1955), John McCarthy et al.: http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
• Alan M. Turing, „Computing Machinery and Intelligence" (1950), zusammengefasst bei Wikipedia: https://en.wikipedia.org/wiki/Turing_test
• AlexNet, Wikipedia: https://en.wikipedia.org/wiki/AlexNet