Woher der Begriff „Künstliche Intelligenz“ kommt
Der Begriff „Artificial Intelligence“ wurde 1956 auf einer Konferenz in Dartmouth geprägt – gemeint waren Maschinen, die Aufgaben lösen, für die man menschliche Intelligenz bräuchte. Diese Definition ist bewusst breit geblieben: Ein simples Schachprogramm aus den 1990ern fällt genauso darunter wie ein modernes Sprachmodell. Genau diese Weite ist der Grund, warum der Begriff heute so unscharf verwendet wird – und warum es sich lohnt, ihn in vier klar abgrenzbare Ebenen zu zerlegen.
Die vier Ebenen, die in der Praxis wirklich zählen
Ebene 1: AI – der Oberbegriff
AI (bzw. KI) ist das große Dach über allem: jedes System, das Aufgaben erledigt, die menschliche Intelligenz erfordern würden – auch wenn es dabei nie etwas lernt.
Ebene 2: Machine Learning – lernen statt programmieren
Machine Learning (ML) ist ein Teilbereich von AI mit einer entscheidenden Eigenschaft: Das System lernt Muster aus Daten, statt dass ein Mensch jede Regel einzeln vorgibt.
Ebene 3: Deep Learning – lernen mit vielen Schichten
Deep Learning ist ein Teilbereich von Machine Learning: künstliche neuronale Netze mit vielen Schichten, die zunehmend abstraktere Muster erkennen – auf Kosten von deutlich mehr Daten und Rechenleistung.
Ebene 4: Generative AI und LLMs – Inhalte erzeugen
Generative AI ist ein Teilbereich von Deep Learning, der nicht nur Muster erkennt, sondern neue Inhalte erzeugt. Large Language Models (LLMs) wie GPT oder Claude sind darauf spezialisiert, Sprache zu verstehen und zu erzeugen. Ein LLM ist also alle vier Ebenen zugleich – aber nicht jede AI ist ein LLM.
Warum diese Unterscheidung für dich als Entscheider zählt
Der praktische Nutzen zeigt sich, sobald ein Anbieter sagt: „Unser System nutzt AI.“ Diese Aussage ist fast immer wahr – und fast immer nichtssagend, weil sie auf jeder der vier Ebenen zutreffen kann. Die entscheidende Rückfrage: „Auf welcher Ebene – feste Regeln, lernendes Modell, oder ein generatives Sprachmodell?“ Ein regelbasiertes System verhält sich immer exakt gleich und lässt sich vollständig nachvollziehen. Ein generatives Sprachmodell kann kreativ mit unscharfen Eingaben umgehen – aber auch überzeugend klingende, falsche Antworten liefern (siehe Modul „Grenzen & Risiken“).