Sprachmodelle und generative KI¶
Begriff und Einordnung¶
Large Language Models, kurz LLMs, sind Sprachmodelle, die Text auf Basis von Wahrscheinlichkeiten erzeugen. ChatGPT ist eine Chatbot-Anwendung, die solche Modelle nutzt; GPT-5.5 oder ähnliche Modellnamen bezeichnen konkrete Sprachmodelle (Niessner 2026).
Generative KI erzeugt neue Inhalte: Text, Code, Bilder, Audio oder andere Formate. Bei Sprachmodellen steht Text im Zentrum, auch wenn moderne Systeme zusätzliche Medien einbeziehen können (Niessner 2026).
Diese Seite erklärt den Grundmechanismus von Sprachmodellen. Für klassische Prognosen, Klassifikation oder Clustering ist Machine Learning für Unternehmen die bessere Einstiegsseite. Für die Frage, wie Sprachmodelle trainiert, genutzt und durch Kontextfenster begrenzt werden, baut Training, Inferenz und Kontextfenster auf dieser Seite auf (Niessner 2026).
Funktionsweise in Grundzügen¶
Sprachmodelle zerlegen Text in Tokens, also Wortbestandteile. Diese Tokens werden mathematisch dargestellt, in Zusammenhang gesetzt und dann Token für Token weitergeschrieben. Das Modell berechnet, welche Fortsetzung wahrscheinlich passt (Niessner 2026).
Embeddings bilden Wörter, Textteile oder Dokumente als Zahlenvektoren ab. Ähnliche Bedeutungen liegen in diesem mathematischen Raum näher beieinander. Diese Idee ermöglicht semantische Suche und bildet eine Grundlage für RAG-Anwendungen, bei denen Unternehmen externe Wissensquellen einbinden (Niessner 2026).
Self-Attention hilft dem Modell, Kontext zu berücksichtigen. Das Wort „Bank“ erhält je nach Umfeld eine andere Bedeutung: Parkbank oder Finanzinstitut. Das Modell nutzt diesen Zusammenhang für die nächste Textfortsetzung (Niessner 2026).
Abbildung: Self-Attention gewichtet andere Tokens je nach Kontext. Im Beispiel „Die Bank im Park“ zeigt der stärkere Bezug zu „Park“, warum „Bank“ als Sitzbank und nicht als Finanzinstitut interpretiert wird. Für Unternehmen erklärt das, warum Sprachmodelle mit Kontext arbeiten können, aber trotzdem keine verlässliche fachliche Prüfung ersetzen. Quelle: eigene Darstellung nach Niessner 2026.
Bedeutung für Unternehmen¶
Sprachmodelle sind keine Wissensdatenbanken im klassischen Sinn. Sie erzeugen plausible Sprache und können dabei Fakten erfinden, Quellen verwechseln oder selbstbewusst falsche Antworten liefern. Unternehmen sollten sie daher für Entwürfe, Strukturierung, Zusammenfassung und Assistenz nutzen, aber kritische Ergebnisse prüfen (Niessner 2026).
Der Wahrscheinlichkeitsmechanismus erklärt zugleich, warum Prompting Führung und nicht Magie ist: Ziel, Kontext, Grenzen, Beispiele und Prüfkriterien verändern die Richtung der Antwort. Fehlende Vorgaben erhöhen das Risiko, dass das Modell Lücken mit plausiblen, aber ungeprüften Aussagen füllt (Glöckner 2026).
💡 Aus meiner Praxis: Ein Sprachmodell gibt oft lieber eine falsche Antwort als gar keine. Das ist kein Charakterfehler, sondern Folge des Trainings und der Zielsetzung: Es soll hilfreiche Antworten erzeugen.
Die Datenbasis prägt die Fähigkeiten und Grenzen. Sprachmodelle wurden mit großen Mengen Text trainiert: Webseiten, Foren, Bücher, Fachtexte, Code und Nachrichten. Sie haben über Dinge gelesen, aber keine menschliche Erfahrung mit ihnen gemacht (Niessner 2026).
Für Entscheider:innen ergibt sich eine einfache Regel: Nutzen Sie Sprachmodelle für Sprache, Wissenserarbeitung und Arbeit mit Text. Nutzen Sie für Berechnungen, rechtsverbindliche Bewertungen, operative Entscheidungen oder Prognosen zusätzliche Fachsysteme, Datenquellen und menschliche Kontrolle. Für Unternehmenswissen in Kombination mit Sprachmodellen siehe Retrieval-Augmented Generation (RAG); für Kontextgrenzen siehe Training, Inferenz und Kontextfenster; für typische Fehler und Prüfschritte siehe Fehler und Halluzinationen bei KI-Antworten (Niessner 2026).