Was ist AI eigentlich?

Warum sprechen alle über Künstliche Intelligenz?

Künstliche Intelligenz (kurz KI, auf Englisch AI für Artificial Intelligence) ist momentan in aller Munde. Egal ob in Tech-Zeitschriften, Wirtschaftsnachrichten oder beim Kaffeeklatsch im Büro – überall hört man vom neuesten KI-Trend. Spätestens seit ChatGPT Ende 2022 die Bühne betreten hat und in Rekordzeit Millionen von Nutzer:innen gewann, ist KI vom Nischenthema zum Mainstream geworden. Zur Einordnung: ChatGPT erreichte nur zwei Monate nach dem Start bereits rund 100 Millionen aktive Nutzer:innen – so schnell wie keine App zuvor. Kein Wunder also, dass Unternehmen aller Grössen neugierig werden: Was kann KI für uns tun?

Doch warum der ganze Wirbel? Der Grund ist simpel: Die Technologie hat in den letzten Jahren sprunghafte Fortschritte gemacht. Aufgaben, die früher reiner Science-Fiction entsprangen, erledigt KI heute im Alltag. Von Sprachassistenten über personalisierte Empfehlungen bis hin zur automatischen Bilderkennung – viele Lösungen, die noch vor einem Jahrzehnt unmöglich schienen, sind jetzt greifbar. Unternehmen wittern Effizienzgewinne, neue Geschäftsmodelle und die Chance, der Konkurrenz einen Schritt voraus zu sein. Alle sprechen über KI, weil sie das Potenzial hat, unsere Art zu arbeiten und Geschäfte zu führen, fundamental zu verändern.

Grundbegriffe verständlich gemacht: Machine Learning, Deep Learning, generative KI, RAG & Co.

Die Welt der KI steckt voller Buzzwords. Selbst wenn man kein Techie ist, stolpert man über Begriffe wie Machine Learning oder Deep Learning. Keine Panik – wir erklären die wichtigsten Konzepte in aller Einfachheit:

Machine Learning (Maschinelles Lernen): Das ist gewissermassen das Herzstück moderner KI. Maschinelles Lernen bedeutet, dass Computer aus Beispielen lernen, ohne explizit dafür programmiert zu sein. Anders ausgedrückt: Das System verbessert seine Fähigkeiten durch Erfahrung. Zeigt man dem Programm genug Daten (z.B. Bilder von kranken und gesunden Blättern einer Pflanze), kann es lernen, neue Bilder selbstständig zu beurteilen. Maschinelles Lernen ist ein Teilbereich der KI, bei dem Computer durch das Analysieren von Daten Muster erkennen und auf dieser Basis Vorhersagen oder Entscheidungen treffen. Viele Anwendungen im Alltag basieren darauf – vom Spamfilter über Empfehlungen im Online-Shop bis hin zur Betrugserkennung bei Kreditkartenzahlungen.

Deep Learning (tiefes Lernen): Hier wird’s eine Stufe spezieller. Deep Learning ist eine Methode des Machine Learning, die mit künstlichen neuronalen Netzen arbeitet – also grob gesagt mit „Computer-Hirnen“, die dem menschlichen Gehirn nachempfunden sind. „Deep“ (englisch für “tiefe“) heisst es, weil diese neuronalen Netze viele Schichten besitzen. Je tiefer (mehr Schichten), desto komplexere Zusammenhänge kann das Netz lernen. Deep-Learning-Systeme können z.B. unstrukturierte Daten wie Bilder oder Text direkt verarbeiten und selbstständig die wichtigen Merkmale darin erkennt. Das hat in den letzten Jahren zu grossen Durchbrüchen geführt: Gesichtserkennung auf Fotos, Spracherkennung (Hallo Siri!) oder auch selbstfahrende Autos basieren auf Deep Learning. Man kann sich Deep Learning als sehr leistungsfähiges maschinelles Lernen vorstellen, das riesige Datenmengen und Rechenpower braucht, dafür aber auch erstaunliche Ergebnisse liefert.

Generative KI: Dieser Begriff sorgt seit Kurzem für Aufsehen. Generative KI (auch generative AI genannt) bezeichnet KI-Systeme, die neue Inhalte erstellen können. Das können Texte, Bilder, Audio oder sogar Videos sein. ChatGPT ist das bekannteste Beispiel für generative KI im Textbereich – es generiert Antworten auf Fragen oder Aufträge, die wir ihm geben. Andere Beispiele sind Bildgeneratoren wie DALL-E oder Midjourney, die aus Textbeschreibungen neue Bilder malen. Generative KI liefert Ergebnisse, die aussehen, als wären sie von Menschen gemacht. Für Unternehmen eröffnet generative KI spannende Möglichkeiten – von automatisierter Textproduktion über Produktdesign-Vorschläge bis zu Code-Generierung für Entwickler:innen.

RAG (Retrieval-Augmented Generation): Hinter diesem sperrigen Begriff verbirgt sich ein neuer Trend, um generative KI noch schlauer zu machen. Die Idee: Das KI-Modell greift auf externe Wissensquellen zurück, während es Inhalte generiert. Normalerweise beantworten Systeme wie ChatGPT Fragen basierend auf dem, was in ihren Trainingsdaten steckt (Stand: irgendwann 2021, im Falle von GPT-4). RAG erweitert das, indem es erst relevante Informationen recherchiert (z.B. in einer Firmendatenbank oder im Internet) und diese dann in die Antwort einbaut . Man kann sich das wie eine offene-Buch-Klausur für die KI vorstellen: Statt nur aus dem Kopf (dem statischen KI-Modell) zu antworten, schlägt sie vorher in einem Nachschlagewerk nach. Der Vorteil? Aktualität und Genauigkeit. Das Modell kann auf dem neuesten Stand bleiben, ohne permanent neu trainiert zu werden. In der Praxis ist RAG zum Beispiel nützlich, um Chatbots zu bauen, die immer die aktuellsten Produktinformationen parat haben, oder um aus internen Dokumenten exakte Antworten für Mitarbeitende zu liefern.

Soweit die Grundlagen im Schnelldurchlauf.

Chancen & Herausforderungen: Effizienz vs. Datenschutz und andere Fragen

Bei all den Möglichkeiten durch KI stellt sich natürlich die Frage: Wo liegen die Chancen und wo die Herausforderungen für Unternehmen, gerade für KMUs? Schauen wir zunächst auf die Chancen:

Chancen / Vorteile: KI kann unglaublich viel Effizienz bringen. Routineaufgaben, die früher Stunden gedauert haben, gehen plötzlich in Sekunden. Ein gut trainiertes KI-Modell kann z.B. in einem Berg von Daten Muster entdecken, wofür ein Mensch Wochen bräuchte. Das bedeutet schnellere Prozesse, schnellere Entscheidungen. Auch die Kostenersparnis ist ein Faktor: Wenn ein Chatbot 24/7 einfache Kundenanfragen beantwortet, muss euer Supportteam nachts nicht mehr ran. Mitarbeiter:innen werden entlastet und können sich auf anspruchsvollere Aufgaben konzentrieren, statt sich mit Copy-Paste-Arbeit aufzuhalten. Zudem ermöglicht KI neue Erkenntnisse: Durch Analysen können Trends oder Probleme sichtbar werden, die zuvor übersehen wurden. Nicht zu vergessen die Personalisierung: KI spricht Kunden individuell an (etwa mit personalisierten Produktvorschlägen in Echtzeit) und steigert damit die Kundenzufriedenheit. In diesem Sinne kann KI gerade kleineren Unternehmen helfen, mit den Grossen mitzuhalten – weil viele KI-Tools als günstige Dienste aus der Cloud kommen, muss man kein Tech-Gigant sein, um davon zu profitieren.

Herausforderungen / Risiken: Auf der Kehrseite ist KI aber kein Selbstläufer und auch kein Wundermittel ohne Tücken. Ein zentrales Thema ist der Datenschutz. KI-Systeme brauchen jede Menge Daten, um zu lernen – häufig auch personenbezogene oder sensible Daten. Hier müssen Unternehmen sehr genau aufpassen, welche Daten sie verwenden und wie sie diese schützen. Gerade in Europa gilt die DSGVO: Wird zum Beispiel ein externer KI-Dienst genutzt (sagen wir, ein Cloud-Dienst in den USA), darf man nicht einfach Kundenlisten oder interne Dokumente dort hochladen, ohne die rechtlichen Konsequenzen zu kennen. Datenschutz und Privatsphäre sind also wichtige Faktoren. Viele Firmen zögern daher, Daten in die Cloud zu geben – nachvollziehbar.

Ein weiteres Thema: das Know-how. KI einzuführen ist nicht wie einen Lichtschalter umzulegen. Man braucht Fachwissen oder Partner, um die passenden Lösungen auszuwählen und zu implementieren. In einer aktuellen Umfrage führten die meisten Unternehmen fehlendes Know-how als Hauptgrund für ihr KI-Zögern an, gefolgt von rechtlichen Unklarheiten und Datenschutzbeden. Hinzu kommt oft die Angst vor Veränderung: Nicht alle Mitarbeiter:innen jubeln, wenn plötzlich KI ins Spiel kommt. Eine der grössten Ängste in KMUs ist die Sorge um Jobverlust – man fürchtet, die KI könnte irgendwann den eigenen Arbeitsplatz ersetzen. Hier ist Führung gefragt: Es muss kommuniziert werden, dass KI in erster Linie unterstützt, nicht ersetzt.

Dann wäre da noch das Thema Qualität und Kontrolle. KI ist nicht unfehlbar. Sie kann Vorurteile aus Daten übernehmen (Bias) oder schlicht Fehler machen. Ein KI-Textgenerator wie ChatGPT kann zum Beispiel faktisch falsche Infos ausgeben, aber so tun, als wäre alles korrekt (man spricht von „Halluzinationen“). Solche Ausgaben müssen von Menschen überprüft werden, bevor man sie 1:1 übernimmt. Auch haftungsrechtlich ist vieles Neuland: Wenn eine KI eine Entscheidung trifft (z.B. einen Kreditantrag ablehnt), wer trägt die Verantwortung und nach welchen Kriterien wurde entschieden? Diese Fragen muss jedes Unternehmen für sich klären, bevor es KI auf sensible Bereiche loslässt.

Kurzum, die Herausforderungen lassen sich meistern, aber sie dürfen nicht ignoriert werden. Es braucht eine strategische Herangehensweise: die richtigen Anwendungsfälle auswählen, Mitarbeiter:innen mitnehmen, Datenschutz und Ethik bedenken, und realistische Erwartungen haben (eine schlechte analoge Vorgehensweise wird durch KI nicht automatisch gut – sie wird nur schneller schlecht). Wer diese Punkte beachtet, kann die Chancen von KI nutzen und die Risiken minimieren.

Nächste Schritte und Beratung

Neugierig geworden, was KI für euer Unternehmen bedeuten könnte? In unserem nächsten ongoing Insight gehen wir noch tiefer darauf ein, wie ihr den Einsatz von KI ganz konkret angehen könnt – von der Ideenfindung bis zur Umsetzung. Bleibt also dran!

Und wenn ihr nicht so lange warten wollt: Habt ihr Fragen oder wünscht Unterstützung auf dem Weg zur KI-Nutzung? Wir bei ongoing helfen euch gern weiter. Egal ob erste Beratungsgespräche, Workshops zur Ideenfindung oder die konkrete Implementierung einer KI-Lösung – unser Team steht bereit.