Quelle: https://cetin-consulting.de/fachartikel/wie-funktioniert-ki-claude-chatgpt Sprache: Deutsch Praxis / KI & Automatisierung24. Oktober 2026ca. 15 Min. Lesezeit # Wie funktioniert KI? Was Claude und ChatGPT mit deiner Frage machen Wie lernen Sprachmodelle, was passiert nach deiner Eingabe und warum entstehen Fehler? Eine verständliche Erklärung von Training, Tokens, Attention, Gedächtnis und Werkzeugen mit Beispielen für den Arbeitsalltag. [Yalcin Cetin Unternehmer · Dozent · Berater](https://cetin-consulting.de/#yalcin) DER GEDANKE ZUM MITNEHMENSprachmodelle erzeugen Antworten aus gelerntem Wissen und dem bereitgestellten Kontext. Training, zusätzliche Rechenschritte und Werkzeuge erklären ihre Fähigkeiten. Ob eine Antwort stimmt oder eine Aktion tatsächlich ausgeführt wurde, muss sich anhand von Quellen und Ergebnissen prüfen lassen. ## Warum derselbe Assistent richtige und falsche Antworten gibt Du gibst einer KI eine unübersichtliche Kundenanfrage. Sie sortiert die Informationen, formuliert eine Antwort und schlägt vor, welche Rückfrage noch fehlt. Das kann erstaunlich gut funktionieren. Beim nächsten Auftrag nennt dasselbe System eine Quelle, die es gar nicht gibt. Beides erscheint im gleichen ruhigen, überzeugenden Ton. Um zu verstehen, warum beides möglich ist, hilft ein Blick auf die Arbeitsweise moderner Sprachmodelle. Sie wurden darauf trainiert, aus einem vorhandenen Zusammenhang eine passende Fortsetzung zu berechnen. Daraus entstehen Fähigkeiten, mit denen sie Texte erklären, Programme schreiben und Probleme bearbeiten können. Eine Garantie für richtige Aussagen ergibt sich daraus jedoch nicht. Wer diese Arbeitsweise versteht, kann der KI bessere Aufgaben geben und erkennt eher, an welcher Stelle eine zusätzliche Prüfung nötig wird. ## Sprachmodell und Chat-Anwendung erfüllen unterschiedliche Aufgaben Künstliche Intelligenz ist ein Sammelbegriff für unterschiedliche Verfahren. Ein System zur Bilderkennung funktioniert nicht in jeder Hinsicht wie ein Chatbot. Dieser Beitrag beschäftigt sich mit großen Sprachmodellen, oft LLM genannt. Die Abkürzung steht für „Large Language Model“. Das Sprachmodell berechnet Ausgaben. Die Chat-Anwendung, über die du es nutzt, kann zusätzlich Dateien verwalten, frühere Informationen speichern, im Internet suchen oder Programme ausführen. Wenn du mit Claude oder ChatGPT arbeitest, erlebst du das Zusammenspiel dieser Komponenten. Das erklärt bereits eine häufige Verwirrung: Ein System kann eine aktuelle Information finden, obwohl diese beim Training noch gar nicht existierte. Dafür muss die Anwendung eine passende Quelle abrufen und dem Modell zugänglich machen. Das Wissen stammt dann aus der Recherche. ## Beim Training lernt das Modell, Text fortzusetzen Beim Grundtraining verarbeitet das Modell große Datenmengen. Dazu können Texte aus verschiedenen Quellen und Programmcode gehören. Modelle, die mehrere Datenarten verarbeiten können, werden als multimodal bezeichnet. Für ihr Training kommen weitere Datenarten hinzu. Welche Daten genau verwendet werden und wie sie aufbereitet sind, unterscheidet sich zwischen den Anbietern und Modellgenerationen. Für viele Sprachmodelle, die selbst Text erzeugen, lautet eine zentrale Trainingsaufgabe: Berechne, welches Textstück als Nächstes kommt. Nehmen wir als vereinfachtes Beispiel den Satzanfang: „Die Kundin hat die Rechnung bereits …“ Eine plausible Fortsetzung wäre „bezahlt“. Auch „erhalten“ oder „reklamiert“ könnte passen. Im Trainingsmaterial steht eine bestimmte Fortsetzung. Das Modell berechnet zunächst die Wahrscheinlichkeiten möglicher Fortsetzungen. Das Trainingsverfahren bewertet anschließend, wie gut diese Vorhersage zu der Fortsetzung im Trainingsmaterial passt. Aus der Abweichung berechnet das Trainingsverfahren, wie es die veränderbaren Zahlenwerte des Modells anpassen soll. Diese Werte heißen Parameter. Viele davon werden auch als Gewichte bezeichnet. Sie bestimmen, wie Informationen innerhalb des neuronalen Netzes verarbeitet werden. Ein neuronales Netz ist eine Folge miteinander verbundener Rechenoperationen. Beim Training verändert sich deren Einstellung. Über sehr viele Beispiele lernt das Modell Zusammenhänge, die bessere Vorhersagen ermöglichen. Bei unserem Rechnungssatz können das grammatische Regeln sein. Für längere Texte werden auch andere Zusammenhänge relevant: wie ein Einwand begründet wird, welche Information eine Frage beantwortet oder welche Bestandteile zu einem funktionierenden Programm gehören. Das Trainingsziel ist einfach formuliert. Die Aufgabe dahinter kann anspruchsvoll sein. Um einen technischen Text sinnvoll fortzusetzen, helfen Kenntnisse über das beschriebene Verfahren. Bei einer Geschichte muss die Fortsetzung zu Figuren und bisherigen Ereignissen passen. Auf diese Weise kann ein Modell Fähigkeiten erwerben, die weit über das Ergänzen häufiger Wortpaare hinausgehen. ## Was das Modell sich beim Training merkt Die pauschale Aussage „Eine KI lernt keine Fakten, sondern nur Muster“ führt in die Irre. Modelle können Wissen in ihren Parametern abbilden. Sie lernen allgemeine Zusammenhänge und können sich zugleich einzelne Inhalte merken. In der Forschung wurden aus Sprachmodellen sogar wörtliche Passagen ihrer Trainingsdaten wiedergewonnen. Eine gewöhnliche Antwort funktioniert allerdings anders als das Nachschlagen in einem sauber geführten Lexikon. Dort gehört eine Aussage zu einem bestimmten Eintrag, möglichst mit einer Quelle und einem Datum. Modellwissen ist über zahlreiche Parameter verteilt. Aus einer passenden Antwort lässt sich deshalb nicht automatisch ablesen, woher die Information stammt oder ob sie noch aktuell ist. Für die Praxis heißt das: Ein Modell kann eine Frage richtig beantworten und bei einer ähnlichen Frage eine Einzelheit erfinden. Seine Fähigkeiten sind keine lückenlose Sammlung überprüfter Einträge. ## Warum die KI mit Tokens statt mit Wörtern arbeitet Vor der Verarbeitung im Modell zerlegt ein Tokenizer den Text in kleinere Einheiten. Diese Einheiten heißen Tokens. Ein Token kann ein ganzes Wort, ein Wortteil oder ein einzelnes Zeichen sein. Auch Satzzeichen und Leerzeichen können bei der Aufteilung eine Rolle spielen. Ein längeres deutsches Wort kann dadurch aus mehreren Tokens bestehen. Wie die Zerlegung genau aussieht, hängt vom verwendeten Tokenizer ab. Die verbreitete Faustregel „ein Token ist ein Wort“ ist deshalb für viele Texte zu ungenau. Zunächst erhält jedes Token eine Nummer. Das Modell ordnet dieser Nummer eine gelernte Zahlenreihe zu. Eine solche Zahlenreihe nennt man Vektor; die Darstellung eines Tokens durch diesen Vektor heißt Embedding. Sie macht es möglich, mit Sprache mathematisch zu rechnen. Diese Zahlenreihen haben nicht einfach beschriftete Felder wie „freundlich“, „Mehrzahl“ oder „Rechnung“. Ihre Bedeutung entsteht durch das Training und die weitere Verarbeitung im Netz. Im Verlauf dieser Verarbeitung wird auch der jeweilige Zusammenhang berücksichtigt. Das Wort „Bank“ in einem Text über einen Kredit steht in anderen Beziehungen als „Bank“ in einer Beschreibung des Stadtparks. Du musst diese Zahlen nicht kennen, um mit der KI zu arbeiten. Die Aufteilung erklärt aber, weshalb Textlänge technisch in Tokens gemessen wird. Eine Begrenzung auf eine bestimmte Tokenzahl ist etwas anderes als eine Begrenzung auf ebenso viele Wörter. ## Attention: Wie Wörter und Textstellen aufeinander bezogen werden Viele heutige Sprachmodelle folgen einer Bauweise, die Transformer-Architektur heißt. Vorgestellt wurde sie 2017 in der Forschungsarbeit „Attention Is All You Need“. Ihr zentraler Mechanismus heißt Attention, auf Deutsch Aufmerksamkeit. Gemeint ist damit eine Berechnung: Welche anderen Textstellen sind für die Verarbeitung eines bestimmten Tokens relevant, und wie stark sollen sie einfließen? Ein vereinfachtes Beispiel: „Der Kunde reklamiert die Lieferung, weil sie beschädigt ist.“ Für die Interpretation von „sie“ ist hier die Lieferung relevant. Ein Modell muss bei der Verarbeitung Beziehungen über mehrere Wörter hinweg berücksichtigen. Attention hilft, solche Bezüge rechnerisch herzustellen. Dass ein Modell die passende Beziehung im Einzelfall zuverlässig findet, ist damit noch nicht garantiert. Die Verarbeitung geschieht über mehrere Schichten des Netzes. Verschiedene Attention-Berechnungen können dabei unterschiedliche Beziehungen berücksichtigen. Weitere Teile des Netzes verarbeiten die daraus entstandenen Darstellungen. Attention ist ein wesentlicher Bestandteil des Modells, erklärt aber nicht allein jede seiner Fähigkeiten. Häufig heißt es, ein Transformer könne „den ganzen Text gleichzeitig sehen“. Diese Erklärung ist zu ungenau. Viele Berechnungen lassen sich parallel durchführen. Bei der üblichen Vorhersage des nächsten Tokens darf das Modell jedoch keine Tokens aus dem noch nicht erzeugten Teil seiner Antwort verwenden. Im Training verhindern entsprechende Beschränkungen, dass es die gesuchte Fortsetzung einfach abschaut. Zugänglich ist außerdem nur der bereitgestellte Kontext. Ein großes Sprachmodell liest bei einer Antwort nicht automatisch sämtliche alten Chats oder alle Unterlagen auf deinem Computer. ## Wie aus einem Sprachmodell ein hilfreicher Assistent wird Ein Modell, das Text gut fortsetzen kann, ist noch nicht automatisch ein brauchbarer Gesprächspartner. Auf „Bitte fasse diese Beschwerde zusammen“ könnte es beispielsweise mit einem weiteren Abschnitt einer Beschwerde reagieren. Für einen Assistenten wird deshalb zusätzlich trainiert, wie eine hilfreiche Antwort aussehen soll. Ein Verfahren beginnt mit guten Beispielen. Das Modell erhält Aufgaben und passende Antworten. An diesen Beispielen lernt es, Anweisungen zu befolgen und sich auf bestimmte Weise zu verhalten. Bei einem weiteren Verfahren vergleichen Menschen verschiedene Antworten. Mit ihren Bewertungen wird ein System trainiert, das einschätzt, welche Antwort bevorzugt würde. Dessen Bewertung kann anschließend dazu dienen, das Sprachmodell weiter anzupassen. Dafür steht die Abkürzung RLHF: Lernen mit Verstärkung durch menschliche Rückmeldungen. Die Qualität dieser Rückmeldungen ist entscheidend. Eine Antwort kann angenehm formuliert sein und trotzdem einen Fehler enthalten. Dass sie bei einer Bewertung gut abschneidet, ersetzt keine unabhängige Prüfung ihrer Aussagen. Anthropic hat mit „Constitutional AI“ ein Verfahren beschrieben, bei dem vorgegebene Prinzipien die Überarbeitung und Bewertung von Antworten anleiten. Dabei können auch KI-generierte Kritiken und Vergleiche für weiteres Training eingesetzt werden. Menschen legen unter anderem die Prinzipien und das Verfahren fest. Diese Methoden erklären einen Teil der Entwicklung heutiger Assistenten. Sie sind keine vollständige Bauanleitung für jedes aktuelle Modell. Anbieter kombinieren und verändern ihre Trainingsverfahren; nicht sämtliche Details werden veröffentlicht. ## Was nach dem Klick auf „Senden“ passiert Wenn du eine Frage eingibst, verarbeitet normalerweise ein bereits trainiertes Modell deine Eingabe. Die Anwendung eines trainierten Modells heißt Inferenz. Vereinfacht läuft eine Textantwort so ab: 1. Die Anwendung stellt den Kontext zusammen. Dazu können deine Nachricht, relevante Teile des Gesprächs, zusätzliche Anweisungen und bereitgestellte Dokumente gehören. 2. Der Text wird in Tokens umgewandelt. Das Modell verarbeitet die zugehörigen Zahlenreihen und berücksichtigt dabei die Beziehungen im vorhandenen Kontext. 3. Das Modell berechnet die Wahrscheinlichkeiten möglicher nächster Tokens. 4. Ein Token wird ausgewählt. Welches Verfahren dabei eingesetzt wird, hängt vom System ab. Die Auswahl muss nicht immer auf den Kandidaten mit der höchsten Wahrscheinlichkeit fallen. 5. Die Berechnung wird fortgesetzt. Das ausgewählte Token gehört nun ebenfalls zum bisherigen Text. Die nächsten Tokens werden erzeugt, bis die Antwort beendet ist oder eine Begrenzung erreicht wird. Das ist der Grundablauf. Anwendungen können zusätzliche Rechenschritte oder Werkzeugaufrufe dazwischenschalten. Technische Optimierungen können außerdem mehrere Schritte effizienter ausführen. Die Antwort entsteht dabei schrittweise. Eine früh gewählte Formulierung beeinflusst die weitere Fortsetzung. ## Warum dieselbe Frage unterschiedliche Antworten bekommen kann Für viele Aufgaben gibt es mehrere passende Formulierungen. Bei der Auswahl der nächsten Tokens kann ein System Spielraum zulassen. Dann entstehen aus ähnlichen Ausgangsbedingungen unterschiedliche Antworten. Daneben können sich der verfügbare Kontext oder die Anwendungseinstellungen unterscheiden. Mehr Variation kann bei Ideen und Formulierungen nützlich sein. Sie ist kein Maß für die Zuverlässigkeit von Fakten. Auch eine sehr gleichförmige, wiederholbare Ausgabe kann falsch sein. Umgekehrt macht eine abwechslungsreiche Formulierung eine Aussage nicht automatisch unzuverlässig. ## Was bei einer KI mit „Nachdenken“ gemeint ist Manche Modelle verwenden vor der sichtbaren Antwort zusätzliche Verarbeitungsschritte. Sie können eine Aufgabe in Teilprobleme zerlegen, Lösungsansätze durchgehen und Zwischenergebnisse berücksichtigen. Dafür wird häufig der Begriff Reasoning verwendet. Für eine schwierige Aufgabe kann zusätzlicher Rechenaufwand während der Anwendung die Ergebnisse verbessern. Das unterscheidet sich vom vorherigen Training: Das Modell bearbeitet die konkrete Aufgabe ausführlicher, ohne deshalb bei jeder Anfrage seine Parameter neu anzupassen. Ein Beispiel wäre die Planung eines Termins mit mehreren Bedingungen. Eine direkte Antwort könnte eine Überschneidung übersehen. Ein Verfahren, das die möglichen Termine gegen sämtliche Bedingungen prüft, hat eine bessere Grundlage für die Auswahl. Auch dabei können Fehler auftreten. Ein falscher Ausgangswert kann über mehrere Schritte korrekt weiterverarbeitet werden und am Ende zu einem falschen Ergebnis führen. Mehr Rechenschritte machen den Ausgangswert nicht wahr. Für Anwender ist deshalb eine nachvollziehbare Begründung hilfreich: Welche Annahmen wurden verwendet? Worauf stützt sich das Ergebnis? Eine angezeigte Erklärung ist allerdings kein vollständiges Protokoll aller internen Berechnungen. ## Warum überzeugend formulierte Antworten falsch sein können Eine häufige Fehlerart wird als Halluzination bezeichnet: Das Modell erzeugt eine plausibel klingende Aussage, die sachlich nicht stimmt. Eine erfundene Quellenangabe kann beispielsweise alle Merkmale einer echten Quelle haben. Der Titel klingt fachlich passend, der Autorenname wirkt glaubwürdig, das Erscheinungsjahr ist plausibel. Diese Form allein belegt ihre Existenz nicht. Das Problem liegt unter anderem darin, dass beim Erzeugen einer passenden Fortsetzung nicht automatisch jede Behauptung überprüft wird. Auch Trainings- und Bewertungsverfahren können das Raten begünstigen, wenn eine konkrete Antwort eher belohnt wird als das Eingestehen fehlender Informationen. Stell dir vor, du fragst nach dem Inhalt eines bestimmten Vertrags, hast den Vertrag aber nicht bereitgestellt. Das Modell kann erklären, welche Regelungen in vergleichbaren Verträgen vorkommen. Eine Aussage darüber, was in deinem Dokument steht, braucht jedoch dieses Dokument als Grundlage. Eine noch so professionelle Formulierung schließt die Informationslücke nicht. Hilfreich ist deshalb eine Antwort, die erkennen lässt, was tatsächlich in den vorliegenden Unterlagen steht, welche Einschätzungen daraus abgeleitet wurden und welche Fragen offenbleiben. Die KI sollte diese Unterschiede sichtbar machen. Die Aufforderung „Erfinde nichts“ kann diese Arbeitsweise unterstützen. Sie ersetzt weder die benötigten Informationen noch die Prüfung des Ergebnisses. ## Wissen, Gesprächskontext und gespeicherte Erinnerungen Wenn eine KI eine frühere Anweisung übersieht, heißt es schnell, sie habe etwas vergessen. Dabei können verschiedene Vorgänge gemeint sein. Das beim Training entstandene Wissen steckt in den Parametern. Davon zu unterscheiden ist der Kontext, den die Anwendung für die aktuelle Antwort bereitstellt. Der dafür verfügbare Umfang wird als Kontextfenster bezeichnet. Zum Kontext können frühere Nachrichten gehören, allerdings innerhalb technischer und organisatorischer Grenzen. Lange Verläufe werden je nach Anwendung gekürzt, zusammengefasst oder durch ausgewählte Inhalte ergänzt. Eine Anwendung kann außerdem Informationen außerhalb des aktuellen Gesprächs speichern und später wieder bereitstellen. Das können persönliche Vorlieben, Projektdateien oder Arbeitsnotizen sein. Ob und wie das geschieht, hängt vom Produkt, seinen Funktionen und den Einstellungen ab. Die Aussage „Eine KI hat außerhalb des Chats grundsätzlich kein Gedächtnis“ ist deshalb falsch. Entscheidend ist, welche Informationen gespeichert wurden und bei der nächsten Aufgabe tatsächlich verfügbar sind. Anthropic beschreibt etwa Systeme, die Arbeitsnotizen außerhalb des Kontextfensters ablegen und später wieder einlesen. Für ein längeres Projekt gehört der aktuelle Stand deshalb in ein verlässliches Dokument. Dort sollten die verbindlichen Entscheidungen und noch offenen Aufgaben stehen. Eine beiläufige Bemerkung weit oben in einem langen Gespräch ist als einzige Ablage dafür ungeeignet. Auch „Die KI lernt aus jeder meiner Nachrichten“ ist missverständlich. Eine neue Nachricht kann die nächste Antwort beeinflussen, weil sie zum Kontext gehört. Das ist keine automatische Veränderung der Modellparameter. Ob ein Anbieter Nutzungsdaten später für Training verwendet, ist eine separate Frage seiner Angebote, Einstellungen und Datenregeln. ## Was Websuche, Dokumente und Werkzeuge verändern Eine KI kann nur mit aktuellen Unternehmensdaten arbeiten, wenn sie diese erhält oder abrufen darf. Ein Sprachmodell kennt beispielsweise nicht automatisch den Bearbeitungsstand einer Bestellung in deinem Shopsystem. Eine Anwendung könnte passende Informationen zuerst in einer Wissenssammlung suchen und die gefundenen Passagen anschließend für die Antwort bereitstellen. Diese Verbindung aus Abruf und Textgenerierung wird häufig als RAG bezeichnet. Die Abkürzung steht für Retrieval-Augmented Generation, also eine durch Informationsabruf unterstützte Textgenerierung. Ein Support-Assistent könnte so die gültigen Lieferbedingungen eines Unternehmens berücksichtigen. Die Antwort hängt dann auch davon ab, ob die richtige Fassung gefunden wurde und ob das Modell sie korrekt verarbeitet. Eine veraltete Datei bleibt eine veraltete Grundlage, selbst wenn die Zusammenfassung fehlerfrei ist. Über Werkzeuge kann eine Anwendung dem Modell beispielsweise den Abruf einer Bestellung oder das Ausführen einer Berechnung ermöglichen. Dafür stellt sie eine Schnittstelle bereit, über die das Modell eine entsprechende Aktion anfordern kann. Die Software führt die angeforderte Aktion aus und liefert das Ergebnis zurück. Damit wird die Unterscheidung zwischen Beschreiben und Ausführen wichtig. „Ich habe die Bestellung geprüft“ sollte sich auf einen tatsächlichen Abruf stützen. „Die Änderung ist veröffentlicht“ braucht einen bestätigten Veröffentlichungsschritt. Eine formulierte Erfolgsmeldung allein ist noch kein Nachweis, dass die Aktion stattgefunden hat. ## Wie Bilder und gesprochene Sprache verarbeitet werden Viele heutige KI-Anwendungen können weitere Eingabearten verarbeiten. Dafür werden etwa Bild- oder Audiosignale in geeignete Darstellungen aus Zahlen umgewandelt. Je nach Modell und Anwendung greifen dabei unterschiedliche Komponenten ineinander. Eine Textbeschreibung eines Fotos und das Erkennen eines Motivs im tatsächlichen Bild sind deshalb verschiedene technische Situationen. Ebenso kann eine Sprachanwendung Sprache zunächst in Text umwandeln oder Audiosignale auf andere Weise direkt verarbeiten. Der sichtbare Chat verrät nicht immer, welche Verarbeitungsschritte im Hintergrund genutzt werden. Für die praktische Arbeit zählt, ob das System die benötigte Eingabe tatsächlich erhalten und verarbeitet hat. Eine Antwort auf einen Dateinamen beweist noch nicht, dass der Inhalt der Datei gelesen wurde. ## Bedeutet das, dass die KI denkt oder fühlt? Sprachmodelle können Leistungen zeigen, die wir beim Menschen mit Denken verbinden: Sie bearbeiten Aufgaben, vergleichen Möglichkeiten und formulieren Begründungen. Was daraus über ein mögliches subjektives Erleben folgt, ist eine andere Frage. Eine Aussage wie „Das freut mich“ belegt für sich genommen kein Gefühl. Umgekehrt sollte ein technischer Erklärtext die wissenschaftlich und philosophisch offene Frage nach KI-Bewusstsein nicht mit einer unbelegten Gewissheit beantworten. Auch Anthropic beschreibt hierzu erhebliche Unsicherheit. Im Arbeitsalltag lassen sich die nützlichen Fragen konkreter stellen: Welche Aufgabe kann das System bearbeiten? Welche Informationen hat es verwendet? Hält das Ergebnis einer Prüfung stand? Diese Fragen helfen bei einer Entscheidung, unabhängig davon, wie menschlich eine Antwort klingt. ## Wie du daraus bessere Arbeitsaufträge machst Ein guter Auftrag beschreibt, was entstehen soll, und liefert die dafür nötigen Informationen. „Schreib eine Antwort an den Kunden“ lässt beispielsweise offen, welches Anliegen bearbeitet werden soll und was bereits zugesagt wurde. Damit fehlen der KI wesentliche Angaben für ihre Antwort. Hilfreicher wäre ein Auftrag wie dieser: „Formuliere eine Antwort auf die folgende Kundenanfrage. Verwende dafür ausschließlich die angehängte Bestellung und unsere Lieferbedingungen. Nenne keinen Liefertermin, wenn er darin nicht bestätigt ist. Falls dir eine Information fehlt, stelle dafür eine konkrete Rückfrage. Der Ton soll freundlich und knapp sein.“ Damit ist der fachliche Rahmen beschrieben. Bei der abschließenden Prüfung lässt sich gezielt kontrollieren, ob die Bestellangaben stimmen, ein genannter Termin tatsächlich bestätigt ist und die Rückfrage zum offenen Punkt passt. Bei komplexeren Projekten sollte auch feststehen, woran ein Arbeitsschritt als erledigt gilt. Eine geänderte Website kann technisch starten und trotzdem ein defektes Kontaktformular enthalten. Ein Text kann grammatisch einwandfrei sein und eine unzutreffende Behauptung enthalten. Die Prüfung muss sich auf das gewünschte Ergebnis beziehen. Für wiederkehrende Aufgaben lohnt sich deshalb eine kurze, verlässliche Arbeitsanweisung mit den benötigten Quellen und den passenden Prüfschritten. Werden die Anforderungen geändert, muss auch diese Anweisung aktualisiert werden. Wenn ein Ergebnis schlecht ist, hilft das Wissen über die Arbeitsweise von Sprachmodellen bei der Fehlersuche: Haben Informationen gefehlt, war eine Anweisung unklar oder hat die Verarbeitung selbst einen Fehler erzeugt? Der nächste Versuch lässt sich dann gezielt an dieser Stelle verbessern. ## Begriffe aus diesem Artikel. [Großes Sprachmodell](https://cetin-consulting.de/wiki/sprachmodell-llm)[Token](https://cetin-consulting.de/wiki/token)[Kontextfenster](https://cetin-consulting.de/wiki/kontextfenster)[RAG](https://cetin-consulting.de/wiki/rag)[KI-Agent](https://cetin-consulting.de/wiki/ki-agent) ## Dein nächster Schritt. Teste einen konkreten Arbeitsauftrag aus deinem Unternehmen. Stelle die benötigten Unterlagen bereit, benenne fehlende Informationen und lege vorab fest, wie du das Ergebnis prüfst. [Passende Unterstützung ansehen](https://cetin-consulting.de/ki-automatisierung) [Auf LinkedIn teilen ↗](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fcetin-consulting.de%2Ffachartikel%2Fwie-funktioniert-ki-claude-chatgpt) DEIN ANSPRECHPARTNERYalcin CetinUnternehmer, Dozent und Berater. 20 Jahre Vertrieb, Marketing und Unternehmerpraxis. [Mehr über meinen Weg ↗](https://cetin-consulting.de/#yalcin) WEITERLESEN [Trends 27. Oktober 2026 Wann muss dein Unternehmen KI-Inhalte kennzeichnen? Artikel 50 der EU-KI-Verordnung gilt seit August 2026. Entscheidend sind die Rolle deines Unternehmens, die Art des KI-Systems und der veröffentlichte Inhalt. ca. 5 Min. Lesezeit](https://cetin-consulting.de/fachartikel/ki-inhalte-kennzeichnen-ai-act-artikel-50) [Praxis 19. Oktober 2026 „Das habe ich übersehen“: Was ich aus der täglichen Arbeit mit KI gelernt habe Ich arbeite täglich mit KI für Kunden und eigene Projekte. Dabei erlebe ich viele Fehler. So begrenze ich das Risiko, dass daraus tagelange Nacharbeit wird. ca. 9 Min. Lesezeit](https://cetin-consulting.de/fachartikel/ki-steuern-fehler-vermeiden) [Trends 04. November 2026 YouTube testet Titel und Thumbnails: Was ein Gewinner wirklich zeigt YouTube Studio vergleicht bis zu drei Titel, Thumbnails oder Kombinationen. Entscheidend ist der Watchtime-Anteil. So planst du Varianten, liest Ergebnisse und vermeidest vorschnelle Schlüsse. ca. 5 Min. Lesezeit](https://cetin-consulting.de/fachartikel/youtube-titel-thumbnail-ab-test-watchtime) Kontakt: info@cetin-consulting.de Website: https://cetin-consulting.de/