AI ist längst nicht mehr nur Text
Ein reines Sprachmodell arbeitet mit Text (siehe Modul 2). Ein multimodales Modell kann zusätzlich mit anderen Arten von Inhalten umgehen – Bildern, Ton, Video. „Multimodal“ heißt genau das: Es verarbeitet mehrere Modalitäten, nicht nur eine. Für dich als Entscheider ist das wichtig, weil viele reale Probleme gar keine Text-, sondern Bild- oder Sprach-Probleme sind.
Verstehen ist nicht dasselbe wie Erzeugen
Bei jeder Modalität lohnt es sich, zwei Richtungen zu unterscheiden. Verstehen (Analyse) heißt: AI nimmt vorhandene Inhalte auf – beschreibt ein Foto, liest Text aus einem Bild, transkribiert eine Tonaufnahme. Erzeugen (Generierung) heißt: AI erstellt neue Inhalte – ein Bild aus einer Beschreibung, eine vorgelesene Stimme, ein kurzer Videoclip. Verstehen ist meist ausgereifter und risikoärmer als Erzeugen – erzeugte Bilder, Stimmen und Videos werfen eigene Fragen auf (Kennzeichnung, Deepfakes – siehe Modul 4 und Modul 20).
Wo das im Alltag zählt
Sobald du AI nicht mehr nur als Chat denkst, öffnen sich neue Anwendungsfälle: Meetings automatisch transkribieren und zusammenfassen, ein eingereichtes Schadensfoto beschreiben lassen, Text aus abfotografierten Dokumenten auslesen, Produktbilder oder erste Marketing-Entwürfe generieren. Oft ist die passende Modalität schon die halbe Lösung.
Warum das für dich als Entscheider zählt
Wenn ein Problem auftaucht, lohnt die Frage: Ist das eigentlich ein Text-, ein Bild-, ein Sprach- oder ein Video-Problem? Die richtige Modalität zu wählen erspart Umwege. Und bei generierten Inhalten gilt dieselbe Sorgfalt wie bei Text: prüfen, kennzeichnen, nicht blind vertrauen (siehe Modul 4).