Der Begriff entsteht: die Dartmouth-Konferenz 1956
Den Anfang setzte 1950 der britische Mathematiker Alan Turing mit der Frage „Können Maschinen denken?“ und einem Testverfahren dafür. Den eigentlichen Gründungsmoment des Feldes markiert aber ein Sommer-Workshop 1956 am Dartmouth College: Eine kleine Gruppe von Forschern um John McCarthy und Marvin Minsky prägte dort bewusst den Begriff „Artificial Intelligence“ – auch, um Forschungsgelder für ein neues, eigenständiges Feld zu gewinnen. Begriffswahl und Marketing gehörten also von Anfang an dazu.
Frühe Ansätze: Regeln statt Lernen
Die ersten Jahrzehnte der AI-Forschung folgten einer komplett anderen Idee als heutige Modelle: Statt aus Daten zu lernen (siehe „Wie ‚denkt‘ ein Sprachmodell wirklich?“), programmierten Menschen Regeln und Fachwissen fest in das System – „symbolische AI“. Ein bekanntes Beispiel ist ELIZA (1966), ein einfaches Programm, das über simple Mustererkennung Gesprächspartner-Antworten nachahmte. Viele Nutzer schrieben ELIZA damals echtes Verständnis zu, obwohl dahinter nur Textmuster steckten – eine frühe Version des Hypes, den „AI-Hype vs. echten Nutzen erkennen“ heute beschreibt.
Boom und Einbruch: die AI-Winter
In den 1980ern erlebte ein Ableger der symbolischen AI einen kommerziellen Boom: „Expert-Systeme“, die das Fachwissen einzelner Spezialisten als Regelwerk abbildeten und in Unternehmen eingesetzt wurden. Das Problem: Diese Systeme skalierten schlecht und waren bei unerwarteten Fällen hilflos. Als die hohen Erwartungen nicht erfüllt wurden, brachen Förderung und Interesse mehrfach drastisch ein – zuerst schon in den frühen 1970ern (der britische Lighthill-Report kritisierte den mageren Fortschritt scharf), dann erneut Ende der 1980er. Diese Phasen bekamen den Namen „AI-Winter“.
Warum das für dich als Entscheider zählt
Diese Geschichte ist keine Nebensache: Sie zeigt, dass Begeisterung für AI schon mehrfach hoch stieg und wieder einbrach, wenn Versprechen die tatsächliche Leistungsfähigkeit überstiegen. Der heutige Sprachmodell-Boom (dazu mehr im nächsten Modul) unterscheidet sich von früheren Zyklen vor allem durch die schiere Menge an Daten und Rechenleistung – nicht dadurch, dass „AI“ plötzlich neu erfunden wurde. Das hilft, Anbieter-Behauptungen wie „wir haben AI neu erfunden“ (siehe „AI-Hype vs. echten Nutzen erkennen“ und „Anbieter-Pitches durchschauen“) mit der nötigen Distanz zu lesen.