Künstliche Intelligenz – Definition, Funktionsweise & Überbl

Künstliche Intelligenz (kurz: KI; englisch: Artificial Intelligence, AI) bezeichnet die Fähigkeit von Computersystemen, Aufgaben zu übernehmen, die normalerweise menschliche Intelligenz erfordern. Dazu gehören Sprachverstehen, Bildwahrnehmung, logisches Schließen und Problemlösen. Als interdisziplinäres Forschungsfeld verbindet sie Informatik, Mathematik und Kognitionswissenschaft.

Definition und Begriffsgeschichte

Den Begriff Artificial Intelligence prägte der Informatiker John McCarthy im Jahr 1956. Er schlug ihn für eine Konferenz am Dartmouth College vor und definierte KI als die Wissenschaft, intelligente Maschinen herzustellen. Bis heute gibt es keine einheitliche, allgemein anerkannte Definition.

In der Praxis unterscheidet man zwei grundlegende Ausprägungen: Schwache KI (Narrow AI) ist auf spezifische Aufgaben spezialisiert, etwa Bilderkennung oder Sprachübersetzung. Starke KI (General AI) würde eine dem Menschen vergleichbare, domänenübergreifende Intelligenz beschreiben. Sie existiert bis heute nicht als reales System.

Für regulatorische Zwecke hat die Europäische Union eine pragmatische Definition entwickelt. Demnach sind KI-Systeme maschinenbasierte Systeme, die aus vorgegebenen Zielen heraus Schlussfolgerungen ziehen. Sie erzeugen Vorhersagen, Empfehlungen oder Entscheidungen und wirken damit auf reale oder virtuelle Umgebungen ein.

Funktionsweise und zentrale Teilgebiete der Künstlichen Intelligenz

Moderne KI-Anwendungen basieren überwiegend auf Methoden des Maschinellen Lernens (Machine Learning, ML). Modelle werden dabei nicht explizit programmiert; stattdessen lernen sie Muster und Zusammenhänge aus großen Datenmengen. Ein wichtiges Teilgebiet ist das Deep Learning, das auf mehrschichtigen neuronalen Netzen beruht. Diese Strukturen sind lose an die Verschaltung von Neuronen im menschlichen Gehirn angelehnt.^[2]

Die Verbindungsgewichte zwischen den Schichten werden in vielen Lerndurchläufen wiederholt angepasst. So erkennen solche Netze zunehmend komplexere Muster in Bild-, Sprach- oder Textdaten.

Künstliche Intelligenz in Teilgebieten im Überblick

Die wichtigsten Teilgebiete der KI lassen sich wie folgt systematisieren:

Teilgebiet	Beschreibung	Typische Anwendung
Maschinelles Lernen (ML)	Algorithmen lernen aus Daten ohne explizite Programmierung	Empfehlungssysteme, Betrugserkennung
Deep Learning	Mehrschichtige neuronale Netze für komplexe Mustererkennung	Bildklassifikation, Sprachsynthese
Natural Language Processing (NLP)	Verarbeitung und Erzeugung menschlicher Sprache	Chatbots, maschinelle Übersetzung
Computer Vision	Analyse und Interpretation von Bild- und Videodaten	Gesichtserkennung, autonomes Fahren
Expertensysteme	Wissensbasierte Systeme mit regelbasierter Schlussfolgerung	Diagnoseunterstützung, Rechtsberatung

KI-Systeme agieren auf Grundlage von Wahrnehmung und Analyse ihrer Umgebung mit einem gewissen Grad an Autonomie.^[1]

Einsatzbereiche

Künstliche Intelligenz findet heute in nahezu allen Branchen Anwendung. Im Gesundheitswesen unterstützen KI-Systeme die Auswertung medizinischer Bildgebung. Im Finanzsektor erkennen Algorithmen Transaktionsbetrug und schätzen Kreditrisiken ein. In der Industrie optimieren solche Systeme Produktionsprozesse und ermöglichen vorausschauende Wartung (Predictive Maintenance).

Im Bereich der Prozessautomatisierung ergänzt KI klassische Ansätze wie Robotic Process Automation. Sie erweitert regelbasierte Automatisierung um lernfähige, adaptive Komponenten. Im Bereich der Sprachverarbeitung ermöglichen Large Language Models leistungsfähige Textgenerierung und Dialogsysteme. Ein bekanntes Beispiel dafür ist ChatGPT.

Laut Statistischem Bundesamt nutzte 2023 etwa jedes achte Unternehmen in Deutschland (12 %) KI. Bis 2024 stieg dieser Anteil auf rund jedes fünfte Unternehmen (20 %).^[4]

Chancen und Grenzen

KI-Systeme bieten erhebliche Effizienzgewinne. Sie verarbeiten große Datenmengen in kurzer Zeit und identifizieren Muster, die für Menschen schwer erkennbar sind. Bei klar definierten Aufgaben übertreffen spezialisierte Modelle die menschliche Leistung – etwa bei der Mustererkennung in medizinischen Bilddaten.

Gleichzeitig weisen diese Systeme charakteristische Grenzen auf. Sie benötigen große, qualitativ hochwertige Trainingsdaten. Sind die Daten nicht repräsentativ, entstehen sogenannte Bias-Effekte – systematische Verzerrungen im Modellverhalten. Generative Systeme neigen außerdem dazu, plausibel klingende, aber sachlich falsche Inhalte zu erzeugen. Dieses Phänomen wird als Halluzinieren bezeichnet.

Ein weiteres Problem ist das sogenannte Black-Box-Problem: Die Entscheidungsprozesse komplexer Modelle sind oft schwer nachzuvollziehen. Die Interaktion mit KI-Sprachsystemen erfordert gezielte Eingaben. Techniken dafür werden unter dem Begriff Prompting zusammengefasst.

Regulierung und gesellschaftliche Einordnung

Mit dem EU AI Act (Verordnung über Künstliche Intelligenz) trat 2024 der erste umfassende europäische Rechtsrahmen für KI in Kraft. Das Regelwerk folgt einem risikobasierten Ansatz. Anwendungen werden in Risikoklassen eingeteilt – von minimalem Risiko bis hin zu verbotenen Praktiken.

Hochrisikoanwendungen in Bereichen wie kritische Infrastruktur oder Bildung unterliegen strengen Anforderungen. Sie müssen Transparenz, Datenschutz und menschliche Aufsicht gewährleisten.

Gesellschaftlich wirft der KI-Einsatz grundlegende Fragen auf: Wie verteilen sich wirtschaftliche Gewinne? Welche Auswirkungen hat die Technologie auf den Arbeitsmarkt? Wer trägt Verantwortung bei KI-generierten Schäden? Die UNESCO verabschiedete 2021 eine Empfehlung zur Ethik der KI. Sie betont Grundsätze wie Transparenz, Fairness und menschliche Kontrolle.^[3]

KI gilt heute als eine der zentralen Querschnittstechnologien der digitalen Transformation.

Abgrenzung zu verwandten Begriffen

Künstliche Intelligenz wird häufig mit verwandten Konzepten gleichgesetzt, die sich jedoch unterscheiden. Maschinelles Lernen ist ein Teilgebiet der KI, nicht deren Synonym. Automatisierung im weiteren Sinne bezeichnet das Ausführen von Aufgaben ohne menschlichen Eingriff; lernende Systeme sind dafür nicht zwingend nötig.

Robotik bezeichnet die Konstruktion und den Betrieb von Maschinen in der physischen Welt. KI kann Bestandteil eines Roboters sein, muss es aber nicht. Business Intelligence (BI) beschreibt die datengestützte Entscheidungsfindung auf Basis strukturierter Berichte. BI und KI werden zunehmend kombiniert, sind aber konzeptionell eigenständige Felder.

Literaturempfehlungen

Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach. Pearson, Hoboken, 4. Auflage 2020, ISBN 9781283736855.
Ethem Alpaydin: Maschinelles Lernen. De Gruyter Oldenbourg, Berlin/Boston, 2022, ISBN 9783110617894.
Katharina Zweig: Ein Algorithmus hat kein Taktgefühl. Heyne, München 2019, ISBN 9783453207301.