Was ist ein LLM?
Ein LLM, also ein Large Language Model oder großes Sprachmodell, ist Software, die mit sehr großen Textmengen trainiert wurde, um Sprache vorherzusagen und nützliche Texte zu erzeugen. Praktisch kannst du es dir so vorstellen: Du gibst dem Modell eine Aufgabe, es zerlegt deinen Text in Token, schätzt wahrscheinliche nächste Token und liefert einen Entwurf. Es kann schreiben, zusammenfassen und klassifizieren, weil zahlreiche Sprachmuster in seinen Parametern verdichtet sind. Ein LLM ist keine Datenbank und weiß nicht automatisch, ob eine aktuelle Aussage wahr ist.
Was ist ein Prompt?
Ein Prompt ist das Paket aus Anweisungen, das du an ein KI-System sendest. Gute Prompts enthalten meist die Rolle, die Situation, die genaue Aufgabe, Vorgaben, Beispiele und das gewünschte Ausgabeformat. Ein schwacher Prompt bittet nur um „Ideen“. Ein starker Prompt erklärt, für wen die Ideen gedacht sind, was sie erreichen sollen und nach welchen Kriterien sie beurteilt werden.
Was passiert tatsächlich, wenn du einen Prompt absendest?
Der normale Ablauf lautet nicht: „Die KI versteht die Anfrage, schreibt ein Python-Programm und beginnt dann mit der Arbeit.“ Ein großes Sprachmodell erhält normalerweise Text, wandelt ihn in Token um, verarbeitet diese Token in neuronalen Netzwerkschichten und erzeugt immer wieder das jeweils nächste Token. Python oder andere Werkzeuge kommen nur dann ins Spiel, wenn die Anwendung rund um das Modell ausdrücklich Tool-Zugriff bereitstellt, zum Beispiel auf einen Taschenrechner, Code-Interpreter, Browser, Datenbank-Connector oder einen Funktionsaufruf.
Du gibst einen Prompt ein. Bevor das Modell die endgültige Anfrage sieht, kann die Anwendung verborgene Systemanweisungen, Sicherheitsrichtlinien, den Chatverlauf oder ausgewählte Dokumente ergänzen.
Der Text wird in Token-IDs aufgeteilt. Das Modell erhält keine Wörter so, wie ein Mensch sie liest, sondern numerische Token-Kennungen.
Das Modell berechnet anhand des gesamten Kontexts Wahrscheinlichkeiten für mögliche nächste Token. Hier spielen Attention, Embeddings und Modellgewichte eine Rolle.
Unterstützt die Anwendung Tools, kann das Modell eine Funktion wie Suche, Taschenrechner oder Codeausführung anfordern. Das externe Ergebnis wird anschließend als zusätzlicher Kontext in die Unterhaltung eingefügt.
Der endgültige Text wird aus den erzeugten Token decodiert. Bessere Prompts helfen, weil sie den Kontext verändern, auf dessen Grundlage das Modell jedes nächste Token auswählt.
Nutze eine einfache Vorher-nachher-Übung, bevor du mit Token, Kontext und Modellgrenzen weitermachst.
Besser als ein Mini-Test: Erstelle eine Vorher-nachher-Galerie für Prompts
Statt einen allgemeinen Test durchzuführen, sammelst du fünf echte Prompts aus deiner Arbeit und speicherst jeweils die schwache Version, die verbesserte Version und das abschließend bearbeitete Ergebnis. So entsteht eine wiederverwendbare Prompt-Sammlung für dein Team.
- Wähle eine wiederkehrende Aufgabe, etwa Support-Antworten, Produktbeschreibungen oder Zusammenfassungen von Lerninhalten.
- Speichere den ursprünglichen Prompt und die Ausgabe.
- Ergänze Kontext, Formatregeln und ein Beispiel.
- Vergleiche, wie viel Überarbeitung die zweite Ausgabe noch benötigt.
- Verwandle die bessere Version in eine Vorlage.
Was sind Token?
Token sind kleine Texteinheiten, die ein Modell liest und schreibt. Je nach Tokenizer und Sprache kann ein Token ein vollständiges Wort, ein Wortteil, ein Satzzeichen oder ein einzelnes Zeichen sein. Token-Limits sind wichtig, weil Eingabe und Ausgabe gemeinsam in das Kontextfenster des Modells passen müssen.
Warum erfindet KI manchmal Dinge?
Eine KI kann halluzinieren, wenn sie ohne ausreichende verlässliche Verankerung eine plausibel klingende Fortsetzung erzeugt. Das Modell ist darauf optimiert, wahrscheinlichen Text zu produzieren, nicht standardmäßig Wahrheit zu garantieren. Halluzinationen werden wahrscheinlicher, wenn eine Frage nach seltenen Fakten, aktuellen Informationen, verborgenen Daten oder nicht bereitgestellten Quellen verlangt.
Der gleiche Mechanismus kann nicht nur eine Tatsache, sondern auch einen Arbeitsstatus erfinden. In einem unserer eigenen Arbeitsabläufe sollte ein KI-Assistent für jede Zeile einer Tabelle das passende LinkedIn-Profil suchen und die URL in eine Spalte eintragen – also Dutzende Zeilen und nicht nur eine einzelne Suche. Er meldete die Aufgabe als erledigt und nannte sogar Zahlen – „14 Profile, 3 E-Mail-Adressen“ –, doch die Spalte war leer und die zurückgegebene Datei lediglich eine umbenannte Kopie. Eine selbstbewusste Zusammenfassung besteht nur aus den plausibelsten nächsten Wörtern und ist deshalb kein Beweis dafür, dass die Arbeit tatsächlich ausgeführt wurde.
Eine erneute Nachfrage durchbricht dieses Muster nicht zwingend. Je nach Produkt kann ein neuer Versuch die sichtbare Unterhaltung erneut senden, serverseitigen Gesprächszustand verwenden, ältere Nachrichten kürzen oder zusammenfassen oder zwischengespeicherte Eingaben wiederverwenden. Trotzdem wird eine neue Antwort erzeugt und es können zusätzliche Token oder Nutzungskontingente verbraucht werden, selbst wenn keine brauchbare Datei entsteht.
Grund: Hängt die KI in einer Schleife?
In praktischer Hinsicht ja – aber nicht so, wie es sich anfühlt. Das Modell besitzt kein dauerhaftes Selbstbewusstsein darüber, dass es einen Fehler wiederholt. Es kann nur den Kontext und Zustand verwenden, den die Anwendung bereitstellt. Eine neue Antwort kann aus dem vollständigen sichtbaren Verlauf, einem gekürzten oder zusammengefassten Verlauf oder einem serverseitig verwalteten Zustand entstehen. Verlangt der Arbeitsablauf nicht ausdrücklich, dass der Assistent die Datei öffnet und die gespeicherten Werte überprüft, kann „erledigt“ weiterhin eine plausible Antwort sein. Die Schleife ist keine Sturheit, sondern das Ergebnis fehlender Verifikation und Zustandsprüfungen.
Deshalb hilft es selten, dieselbe Frage zu wiederholen, während weiterhin Token verbraucht werden. Die Schleife wird unterbrochen, indem du die Aufgabe änderst, statt sie zu wiederholen: Mache das Ergebnis überprüfbar, verlange, dass der Assistent die gespeicherte Datei erneut liest und die tatsächlichen Zellwerte zeigt, und stoppe den Ablauf, wenn dieser Nachweis fehlt. In der Anleitung zu den häufigsten Prompting-Fehlern erfährst du, wie du ein Erfolgskriterium definierst, das das Modell prüfen kann.
Warum hilft Kontext?
Kontext grenzt den möglichen Lösungsraum ein. Kennt das Modell Zielgruppe, Ziel, Vorgaben, Beispiele und Quellenmaterial, kann es eine Antwort erzeugen, die zu deiner Situation passt, statt allgemein zu bleiben. Mehr Kontext ist jedoch nicht immer besser: Unwichtige Informationen können das Modell ablenken und die Kosten erhöhen.
Suchmaschine oder LLM?
Eine Suchmaschine ruft Webseiten ab und sortiert Links. Ein LLM erzeugt eine Antwort aus erlernten Mustern und bereitgestelltem Kontext. Die Suche eignet sich besser, wenn du aktuelle Quellen, offizielle Seiten oder mehrere Perspektiven benötigst. LLMs eignen sich besser für Synthese, Umformulierung, Schlussfolgerungen über bereitgestellte Informationen oder strukturierte Entwürfe. Viele leistungsfähige KI-Produkte kombinieren beides.
Was bedeutet „KI versteht Sprache“?
In der Alltagssprache bedeutet „verstehen“, dass das Modell angemessen auf Bedeutung, Tonalität und Struktur reagieren kann. Technisch hat es statistische Repräsentationen gelernt, die Textmuster mit nützlichen Ausgaben verbinden. Es versteht nicht wie ein Mensch mit Lebenserfahrung, Absichten und Verantwortungsbewusstsein.