FAQ

Nein. Ein LLM berechnet die wahrscheinlichste Fortsetzung deines Textes – Token für Token. Das Ergebnis wirkt oft wie Verstehen und ist praktisch auch so nutzbar, aber es gibt kein Bewusstsein und keine Absicht dahinter. Wichtig wird der Unterschied bei Halluzinationen: Das Modell „lügt“ nicht, es rät plausibel.

Nein. Nach dem Training sind die Gewichte eingefroren – im Gespräch lernt das Modell nichts dauerhaft. Was wie Gedächtnis wirkt, ist der Gesprächsverlauf im Kontextfenster oder eine separate Memory-Funktion. Ob deine Eingaben später für Training verwendet werden dürfen, regeln die Einstellungen/Verträge des Anbieters – bei Business-APIs standardmäßig meist nicht.

ChatGPT ist ein Produkt (von OpenAI) rund um die GPT-Modelle – so wie Claude (Anthropic) und Gemini (Google) andere Produkte mit anderen Modellen sind. Und Sprachmodelle sind wiederum nur ein Teil von KI. Die Einordnung zeigt Schaubild 1, den Produktvergleich die Seite Modelle & Anbieter.

Zu einfach. Lokal (Betrieb) hält Daten im Haus – aber du bist selbst für Updates, Zugriffe und Backups verantwortlich. Seriöse Cloud-Anbieter bieten vertraglich geregelten Datenschutz (kein Training auf Geschäftsdaten, EU-Regionen). Entscheidend ist die Datenklasse: Hochvertrauliches lokal, Übriges dort, wo Qualität und Aufwand am besten passen.

Längst nicht mehr. Datenqualität, Trainingsmethode und Architektur (z.B. MoE) schlagen rohe Größe – aktuelle 20B-Modelle übertreffen ältere 70B-Modelle regelmäßig. Besser: aktuelle Vergleiche ansehen (Links → Benchmarks) und mit eigenen Aufgaben testen (Modellwahl).

Gefährlichster Irrtum. Modelle tragen Falsches genauso überzeugt vor wie Richtiges (Halluzination). Regel: Entwürfe und Ideen von der KI, Fakten mit Quelle (RAG, Websuche) – und kritische Angaben immer gegenprüfen.

Die Modell-Datei kostet nichts – aber du zahlst mit Hardware, Strom und Betriebsaufwand, und die Lizenzen unterscheiden sich (Apache 2.0 vs. Community-Lizenzen mit Auflagen). Dafür bekommst du Datenhoheit und Unabhängigkeit. Es ist ein Tausch, kein Geschenk.

Agenten (Erklärung) erledigen beeindruckend viel – aber Fehler multiplizieren sich über Arbeitsschritte, und ohne Prüfschleife merkt es niemand. Erfolgsrezept: klare Aufträge, prüfbare Ergebnisse (Tests, Review) und kritische Aktionen hinter menschlicher Freigabe. Abschreckendes Lehrstück: openClaw.

Modelle sind toleranter geworden – aber Kontext, Beispiele und Formatvorgaben verbessern Ergebnisse weiterhin drastisch (Prompt Engineering). Die Disziplin hat sich nur verschoben: vom Formulieren einzelner Sätze zum Context Engineering ganzer Arbeitsumgebungen (Steuer-Dateien, Skills, RAG).

KI verschiebt Arbeit: Routine wird automatisiert, dafür werden Spezifizieren, Prüfen und Verantworten wichtiger (Agentic Coding). Wer die Werkzeuge beherrscht, wird produktiver – wer Ergebnisse ungeprüft übernimmt, riskiert Qualität und Sicherheit (Vibe Coding).

Benchmarks messen allgemeine Aufgaben – nicht deine. Testfragen können zudem in Trainingsdaten „durchgesickert“ sein (Kontamination). Deshalb: Ranglisten zur Vorauswahl nutzen, dann 20–50 echte eigene Fälle blind vergleichen (eigenes Eval-Set).

Die Technik ist der kleinere Teil. Erfolgsfaktoren sind Datenqualität (Daten & Wissen), klare Anwendungsfälle, Schulung der Nutzer, Governance (wer darf was mit welchen Daten?) und die EU-Regeln (AI Act – siehe Links). Am besten klein anfangen, messen, ausweiten.