Was ist KI? ML, Deep Learning und GenAI entwirrt

Der Begriffs-Salat

“KI” ist gerade das meistgenutzte und am wenigsten verstandene Wort der IT-Welt. Jede App hat plötzlich “KI-Funktionen”, jeder Chatbot wird als “künstliche Intelligenz” verkauft, und irgendwo dazwischen fallen noch Begriffe wie Machine Learning, Deep Learning und Generative KI, die alle irgendwie dasselbe zu meinen scheinen – aber nicht sind.

Die kurze Version: Es sind vier Kreise, die ineinander liegen wie eine russische Matroschka. Jeder folgende Begriff ist eine Teilmenge des vorherigen.

Künstliche Intelligenz (KI)
  └─ Machine Learning (ML)
       └─ Deep Learning (DL)
            └─ Generative KI (GenAI)

Alles, was Deep Learning ist, ist auch Machine Learning. Alles, was Machine Learning ist, ist auch KI. Aber nicht jede KI ist Deep Learning, und nicht jedes Machine Learning ist “generativ”. Gehen wir die Ebenen einzeln durch.

Künstliche Intelligenz: der Oberbegriff

Künstliche Intelligenz ist der weiteste Begriff und bezeichnet grundsätzlich jedes System, das Aufgaben löst, für die man normalerweise menschliche Intelligenz braucht: Muster erkennen, Entscheidungen treffen, Sprache verstehen, planen.

Das ist absichtlich vage, weil KI schon seit den 1950er-Jahren existiert – lange bevor es ChatGPT oder neuronale Netze gab. Ein simples Schachprogramm mit fest programmierten Regeln war schon “KI” im klassischen Sinn (sogenannte symbolische KI oder “Good Old-Fashioned AI”). Auch die Gegner-Logik in einem 20 Jahre alten Videospiel oder ein Navi, das die schnellste Route berechnet, zählt technisch als KI, auch wenn da kein einziges neuronales Netz mitläuft.

Machine Learning: aus Daten lernen statt Regeln programmieren

Machine Learning (ML), zu Deutsch maschinelles Lernen, ist der entscheidende Bruch mit der alten KI-Denkweise. Statt einem Programm jede Regel einzeln vorzugeben (“wenn X, dann Y”), zeigt man einem ML-System tausende oder Millionen Beispiele – und das System leitet die Regeln selbst aus den Daten ab.

Klassisches Beispiel: Spam-Filter. Statt jede Spam-Regel von Hand zu schreiben (“enthält ‘Millionengewinn’” → Spam), bekommt der Algorithmus hunderttausende E-Mails, die schon als Spam oder nicht-Spam markiert sind, und lernt selbst, welche Muster typisch für Spam sind.

Typische Verfahren aus dem klassischen ML, die dir heute noch überall begegnen:

Diese Verfahren brauchen oft deutlich weniger Rechenleistung als Deep Learning und sind für viele “langweilige”, aber extrem nützliche Aufgaben nach wie vor die bessere Wahl – nicht jedes Problem braucht ein riesiges neuronales Netz.

Deep Learning: neuronale Netze mit vielen Schichten

Deep Learning (DL) ist die Unterkategorie von ML, die für den aktuellen KI-Boom verantwortlich ist. Der Trick: künstliche neuronale Netze mit vielen (“deep” = tief) hintereinandergeschalteten Schichten von simulierten Neuronen.

Grob vereinfacht funktioniert das so: Ein Foto einer Katze wird in Zahlen zerlegt (Pixelwerte). Diese Zahlen laufen durch mehrere Schichten von Rechenoperationen, wobei jede Schicht etwas abstraktere Muster erkennt – erste Schicht erkennt Kanten, nächste erkennt Formen, nächste erkennt “das sieht aus wie ein Ohr”, bis die letzte Schicht sagt: “Katze, 97 % Sicherheit.”

Diese Schichten-Struktur ist nicht neu erfunden – Grundlagen gibt es seit den 1980er-Jahren –, aber erst durch drei Dinge gleichzeitig praktisch nutzbar geworden:

• Riesige Datenmengen aus dem Internet zum Trainieren
• Günstige, massiv parallele Rechenleistung durch Grafikkarten (GPUs), die ursprünglich fürs Gaming gebaut wurden
• Bessere Architekturen, allen voran der 2017 vorgestellte Transformer, der heute fast jedem grossen KI-Modell zugrunde liegt

Deep Learning ist besonders stark bei unstrukturierten Daten: Bilder, Audio, Text, Video. Genau das, was klassisches Machine Learning schlecht kann.

Generative KI: Deep Learning, das etwas Neues erzeugt

Generative KI (GenAI) ist die aktuellste und für dich als Nutzer sichtbarste Unterkategorie von Deep Learning. Der Unterschied zu “klassischem” Deep Learning: Statt nur zu klassifizieren oder vorherzusagen (“ist das eine Katze? ja/nein”), erzeugt die generative KI neue Inhalte, die es vorher so nicht gab.

Bekannte Beispiele (Stand: 2026-07):

• Textgenerierung: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google) – sogenannte Large Language Models (LLMs)
• Bildgenerierung: Midjourney, DALL·E, Stable Diffusion, Google Imagen
• Audio/Musik: ElevenLabs für Sprachsynthese, Suno für Musik
• Video: Sora (OpenAI), Veo (Google), Runway

Wie ein LLM konkret funktioniert – Tokens, Vorhersage des nächsten Worts, Trainingsphasen – ist ein eigenes grosses Thema, das der Artikel Wie ein LLM wirklich funktioniert im Detail auseinandernimmt. Für den Überblick hier reicht: Ein LLM ist im Kern ein extrem gutes Statistikmodell, das lernt, welches nächste Wort (genauer: welcher nächste Token) in einem Text am wahrscheinlichsten folgt – trainiert auf riesigen Mengen Text aus Büchern, Webseiten und Code.

Was ist überhaupt ein “Modell”?

Der Begriff Modell fällt in jedem KI-Kontext, ist aber selten erklärt. Ein Modell ist im Kern nichts anderes als eine riesige Datei voller Zahlen (Parameter oder Gewichte genannt), die während des Trainings so eingestellt wurden, dass sie eine bestimmte Aufgabe gut lösen.

Der Ablauf, stark vereinfacht:

1. Architektur festlegen: Wie viele Schichten, wie sind sie verschaltet? (Bei LLMs meist ein Transformer.)
2. Training: Das Modell bekommt riesige Mengen Beispieldaten (Text, Bilder) und passt seine internen Zahlen schrittweise so an, dass die Vorhersagen besser werden. Das kostet enorm viel Rechenzeit und damit Strom und Geld – bei grossen LLMs Millionen bis Milliarden Franken pro Trainingslauf.
3. Fertiges Modell: Am Ende steht eine Datei mit Milliarden bis Billionen Parametern. Diese Datei “ist” das Modell – bei lokal betreibbaren Modellen wie Llama oder Mistral kannst du sie tatsächlich herunterladen und auf eigener Hardware laufen lassen (mehr dazu in Lokale LLMs und Datenhoheit).
4. Inferenz: Wenn du eine Frage stellst, rechnet das fertige, bereits trainierte Modell die Antwort aus. Das ist der Teil, den du als Nutzer siehst – schnell, weil das Training schon längst gelaufen ist.

Wichtig: Ein Modell “weiss” nichts im menschlichen Sinn. Es speichert keine Fakten wie eine Datenbank, sondern statistische Muster. Das erklärt auch, warum Modelle manchmal überzeugt klingende, aber falsche Antworten geben – dazu mehr im Artikel Warum KI halluziniert.

Schwache KI vs. starke KI

Eine zweite, oft verwechselte Unterscheidung ist die zwischen schwacher und starker KI:

• Schwache KI (Narrow AI): Ein System, das eine bestimmte Aufgabe sehr gut löst, aber nichts anderes kann. ChatGPT kann brillant Texte schreiben, aber nicht autonom Schach spielen lernen, ohne dafür trainiert zu werden. Ein Schach-Programm kann Schach meistern, aber keine E-Mail formulieren. Jede KI, die heute existiert, ist schwache KI – auch die beeindruckendsten Chatbots.
• Starke KI (Artificial General Intelligence, AGI): Ein hypothetisches System mit menschenähnlicher, universeller Intelligenz, das jede intellektuelle Aufgabe genauso gut oder besser lösen kann wie ein Mensch – und das selbstständig auf neue, ungesehene Probleme überträgt. AGI existiert (Stand: 2026-07) nicht. Es ist ein erklärtes Forschungsziel grosser Labore (OpenAI, DeepMind, Anthropic), aber wann oder ob es je erreicht wird, ist unter Fachleuten heftig umstritten.

Wo KI längst in deinem Alltag steckt

KI ist nicht nur der Chatbot, den du bewusst öffnest. Sie läuft im Hintergrund an vielen Stellen, die dir gar nicht als “KI” auffallen:

• Smartphone-Kamera: Erkennt Gesichter, optimiert Belichtung, trennt Vorder- von Hintergrund für Porträtmodus
• Autokorrektur & Textvorschläge: Auf der Handytastatur, in Word, in Gmail
• Spam-Filter in deinem E-Mail-Postfach
• Streaming-Empfehlungen: Netflix, Spotify, YouTube
• Navigation: Google Maps berechnet Routen und schätzt Ankunftszeiten basierend auf Echtzeitdaten
• Übersetzung: DeepL, Google Translate
• Betrugserkennung: Deine Bank prüft Transaktionen in Echtzeit auf ungewöhnliche Muster
• Gesichtsentsperrung am Smartphone
• Rechtschreibprüfung und Grammatikvorschläge in Office-Programmen

Die meisten dieser Beispiele sind klassisches Machine Learning oder älteres Deep Learning, kein GenAI – aber eben auch KI. Der aktuelle Hype dreht sich fast ausschliesslich um den generativen Teil, weil der am sichtbarsten und am meisten “Wow-Effekt” hat.

YouTube

Hype vs. Realität

Gerade weil generative KI so beeindruckend wirkt, entstehen schnell übertriebene Erwartungen – in beide Richtungen.

Was KI wirklich gut kann:

• Texte zusammenfassen, umformulieren, übersetzen
• Erste Entwürfe liefern (E-Mails, Code, Bilder), die du danach überarbeitest
• Muster in grossen Datenmengen finden, die einem Menschen entgehen
• Repetitive, klar definierte Aufgaben massiv beschleunigen

Was KI (noch) nicht zuverlässig kann:

• Fakten garantiert korrekt wiedergeben (siehe Halluzinationen)
• Echtes Verständnis oder “Denken” im menschlichen Sinn
• Zuverlässig neue, noch nie dagewesene Probleme lösen, ohne Beispiele dafür gesehen zu haben
• Verantwortung für Entscheidungen übernehmen – die liegt immer beim Menschen, der das Tool einsetzt

Eine ausführlichere Einordnung, was aktuelle Modelle können und wo die Grenzen liegen, findest du in Was KI kann und nicht kann.

Entscheidungshilfe: Brauche ich für mein Problem überhaupt “KI”?

Brauchst du für dein Problem KI?
│
├─ Gibt es eine klare, feste Regel? ("wenn Betrag > 1000, dann Freigabe nötig")
│   → Normale Programmierung reicht, kein ML nötig
│
├─ Musst du aus grossen Mengen strukturierter Daten Muster/Vorhersagen ableiten?
│   → Klassisches Machine Learning (z.B. Regression, Random Forest)
│
├─ Geht es um Bilder, Audio oder komplexe Muster in unstrukturierten Daten?
│   → Deep Learning
│
└─ Sollen neue Texte, Bilder oder Code erzeugt werden?
    → Generative KI (LLM, Bildmodell, ...)

Weiterlernen

• Nächster Artikel in dieser Reihe: Wie ein LLM wirklich funktioniert
• Warum KI halluziniert – wichtig, bevor du KI-Ausgaben blind vertraust
• Was KI kann und nicht kann – realistische Einschätzung der Fähigkeiten
• Anthropic-Glossar zu KI-Fachbegriffen – kurze Definitionen zentraler Begriffe (englisch)
• Google: Einführung in maschinelles Lernen – kostenloser Einsteigerkurs (englisch)
• Wikipedia: Deep Learning – solider technischer Hintergrund auf Deutsch

Videos

YouTube