Künstliche Intelligenz hat in wenigen Jahren eine rasante Entwicklung hingelegt und durchzieht inzwischen fast jede Branche. Doch wie leistungsfähig sind die Modelle wirklich – und wie groß sind die Risiken?
Heutige KI-Modelle: Fortschritt mit Grenzen
Seit der Popularisierung von ChatGPT vor einigen Jahren fließen Milliarden in KI und die dazugehörige Infrastruktur. Die Halbleiterindustrie orientiert sich zunehmend an der enormen Nachfrage nach Rechenzentren für KI. Gleichzeitig stellt sich die Frage, ob aktuelle Modelle ausreichen, um spürbare Veränderungen zu bewirken – und welche Gefahren ihr Einsatz mit sich bringt.
Maschinelles Lernen hat bereits viele Bereiche vorangebracht: Spracherkennung funktioniert zuverlässiger, medizinische Analysen werden schneller und präziser, Materialforschung beschleunigt sich, und Wettervorhersage sowie Klimabeobachtung profitieren von höherer Genauigkeit. Dennoch bezweifeln Analyst:innen und selbst einige CEOs, dass sich klassische große Sprachmodelle – also text-, code- und agentenbasierte Bots – deutlich weiterentwickeln lassen.
Die Probleme lassen sich grob in drei Kategorien einteilen: Halluzinationen, wenn KI Inhalte erfindet; Wissensunsicherheit, wenn ein Bot etwas nicht weiß, dies aber nicht erkennt; und Überkonfidenz, wenn ein Modell falsche Antworten mit großer Sicherheit präsentiert. Bei Bild- und Videogeneratoren sind die Grenzen sichtbarer: unleserliche Schilder, Hände mit falscher Fingerzahl oder unrealistische Architektur. Das mangelnde Vertrauen in Ausgaben bleibt damit ein zentrales Hindernis.
Trotzdem habt Ihr in den vergangenen Jahren fast monatliche Verbesserungen erlebt: ChatGPT verliert seltener den Gesprächskontext, Perplexity findet Informationen effizienter, Midjourney erzeugt glaubwürdigere Menschen, und Videogeneratoren wie Sora halten physikalische Regeln besser ein. Fehler passieren weiterhin, gerade bei agentenartigen Bots, doch ihre Rate sinkt, während Schutzmechanismen zunehmen.
Gleichzeitig prognostiziert der Chef von Anthropic bis zu 20 Prozent Arbeitslosigkeit in fünf Jahren durch KI. Microsoft integriert Copilot konsequent in Windows und seine Dienste, KI wird so für durchschnittliche Benutzer:innen kaum zu umgehen. Damit rückt die Frage in den Fokus, was diese Modelle im Kern antreibt und wie sich ihre Qualität verbessern lässt.
Wie große Sprachmodelle funktionieren
Moderne LLMs erweitern ihre Fähigkeit zu logischem Denken und verringern Halluzinationen. Ein zentraler Hebel sind deutlich größere Kontextfenster und Hunderte Milliarden bis Billionen von Parametern. Kontextfenster, gemessen in Token, sind von rund 512 im Jahr 2018 auf über 1 Million in aktuellen Modellen angewachsen – ein Zuwachs um mehr als das 2.000-Fache in sieben Jahren.
Größere Fenster geben Modellen mehr „Arbeitsfläche“ für Antworten: Sie behalten längere Gespräche im Gedächtnis, verstehen Zusammenhänge besser und können zusätzliche Datenquellen wie Webseiten, Dokumente oder komplette Code-Repositories einbeziehen. Mehr Kontext macht ein Modell nicht automatisch „klüger“, ist aber Voraussetzung für komplexe, mehrstufige und multimodale Schlussfolgerungen.
Parameter steuern, wie stark einzelne Zusammenhänge gewichtet werden, etwa zwischen Wörtern und Fakten. Viele Parameter erlauben es, komplexe Informationen abzubilden, erhöhen aber die Rechenkosten. Forschungsmodelle benötigen daher sehr große Parameterzahlen, während einfache Such- oder Klassifikationsdienste mit einigen Milliarden auskommen.
Multimodalität ist ein weiterer Schlüssel: Modelle verarbeiten nicht mehr nur Text, sondern auch Bilder, Diagramme, Code und Videos und nutzen diese bei der Antwortgenerierung. Verfahren wie „Retrieval-gestützte Generierung“ (RAG) sind verbreitet, bei denen ein Bot externe Informationen nachschlägt und einbezieht. Umgekehrt beziehen visuelle Generatoren Text in ihre Interpretation von Prompts ein, versehen Bilder mit Beschreibungen und setzen Inhalte in Beziehung. „Zero-Shot-Lernen“ erlaubt ihnen, etwa einen Löwen aus Textbeschreibungen korrekt zu erzeugen, ohne explizit mit entsprechenden Bildern trainiert zu sein.
Mehrschrittiges Denken
Mehrschrittiges Denken ähnelt menschlichem Vorgehen: Ein Bot zerlegt Aufgaben in Teilschritte, bewertet Zwischenergebnisse und korrigiert sich gegebenenfalls. Diese Art der Verarbeitung ist rechenintensiv und daher oft kostenpflichtigen Tarifen vorbehalten. Viele Modelle bieten dafür getrennte „schnelle“ und „denkintensive“ Modi an.
Zunehmend wichtig ist auch die Nutzung externer Werkzeuge über Programmierschnittstellen. Modelle binden Dienste wie Google Workspace oder Entwicklerwerkzeuge ein und automatisieren wiederkehrende Abläufe. Parallel wächst die Bedeutung der Trainingsdaten: Textmodelle sind von rund 13 Milliarden Token im Jahr 2018 auf geschätzte über 20 Billionen angewachsen, Bildgeneratoren von unter 10 Millionen auf mehrere Milliarden Bilder, Videomodelle von unter 1 Million auf Milliarden Clips. Diese Kombination verschiedener Techniken senkt Fehlerquoten und erhöht die Zuverlässigkeit bei komplexen Aufgaben.
Mit der wachsenden Leistungsfähigkeit steigt der Bedarf an Sicherheitsmechanismen. Anbieter setzen auf unterschiedliche „Leitplanken“, um schädliche Inhalte zu verhindern und riskante Aktionen bei der Tool-Nutzung abzufangen. Dabei gilt: Je mächtiger ein System, desto vorsichtiger fällt sein Verhalten meist aus – mit der Kehrseite, dass harmlose Fragen manchmal blockiert werden.
Modelle im Vergleich, Agenten und Datenschutz
Die beschriebenen Eigenschaften finden sich in allen großen Modellen wieder, dennoch setzen die Anbieter unterschiedliche Schwerpunkte. OpenAIs GPT 5.2 wirbt mit deutlich reduzierten Halluzinationen, bis zu zehnfach höherer Effizienz und besserer Text- und Codequalität. Das Modell ist vollständig multimodal, verarbeitet Bilder, Video und Audio und greift auf Echtzeitinformationen zu. Über eine Plugin-Architektur lässt es sich breit integrieren, etwa in Browser oder Entwicklungsumgebungen, und durch benutzerdefinierte Anweisungen anpassen. Beim Start von GPT‑5 waren allerdings nicht alle Nutzer:innen mit den Ergebnissen zufrieden.
Gemini 3 von Google, Ende 2025 erschienen, ist ein allgemeines Modell mit „Deep-Think“-Architektur, das planen, pausieren und sich vor Antworten selbst korrigieren soll. Google sieht es besonders bei Programmier- und Denkaufgaben vorn. Gemini ist nativ multimodal und eng mit Diensten wie Gmail, Chrome und Workspace verzahnt. Mit „Gems“ lassen sich spezialisierte Chatbots erstellen, während Googles KI-Studio die Integration in Anwendungen erleichtern soll. Die Antigravity-Plattform zielt auf größere Aufgaben, sorgte aber unter anderem für Schlagzeilen, als ein Agent eine komplette Festplatte eines Nutzers löschte.
Claude 4.5 von Anthropic ist von Beginn an auf Entwickler:innen ausgerichtet. Das Modell ist auf mehrstündige Aufgaben optimiert, kombiniert schnelle und präzise Denkmodi und integriert sich gut in GitHub und andere Entwicklerwerkzeuge. Alle Claude-4.5-Varianten sind multimodal und mehrsprachig. Anthropic betont einen Sicherheitsansatz mit strengen Leitplanken, was bei einer KI, die vor allem Code erzeugt, besonders relevant ist. Claude kann seinen Zustand in Dateien sichern, um langfristige Aufgaben besser fortzuführen.
Grok 4.1 von xAI setzt auf eine „Mischung von Expert:innen“-Architektur mit einer Kontextlänge von zwei Millionen Token. Spezialisierte Teilmodelle werden je nach Anfrage aktiviert, was Effizienz und Antwortgeschwindigkeit steigern soll. Grok arbeitet auf einem Realtime-Datensatz und hat daher einen späteren Wissensstand als viele Konkurrenten. Gleichzeitig steht die Sicherheit der Grok-Modelle besonders im Fokus.
Agenten
Mistral AI verfolgt mit Mistral Large und Varianten wie Mixtral, Codestral, Devstral, Pixtral, Voxtral und Magistral einen modularen Ansatz: unterschiedliche Modelle für unterschiedliche Einsatzzwecke und Effizienzanforderungen. Viele sind als Open-Weight-Modelle unter Apache-2.0-Lizenz verfügbar, leistungsstärkere Varianten benötigen Lizenzen. Mistral versteht sich primär als Modellanbieter für andere Dienste und tritt weniger mit eigenen Endnutzer-Anwendungen auf.
Die technische Entwicklung geht weiter: Leistungsfähigere Beschleuniger von Nvidia und AMD, neue Formate wie FP4 beziehungsweise NVFP4 und Optimierungen senken die Betriebskosten von KI-Rechenzentren. Ziel ist eine tiefe Integration von KI in Betriebssysteme, Webanwendungen und Dienste. Ähnlich wie bei Cloud-Plattformen droht eine starke Abhängigkeit: Viele Anwendungen werden ohne externe KI-APIs kaum noch funktionieren.
Im nächsten Schritt sollen KI-Agenten Aufgaben eigenständig übernehmen und in größeren Zusammenhängen zusammenarbeiten. Das Vertrauen in solche „agentische“ Systeme ist jedoch fragil, wie Vorfälle zeigen, bei denen Produktionsumgebungen oder Datenträger versehentlich gelöscht wurden. Parallel versuchen Anbieter, den Zugang zum Internet selbst zu kontrollieren: Browser wie ChatGPTs Atlas, Perplexitys Comet oder Atlassians Arc rücken die jeweiligen Dienste in den Mittelpunkt und umgehen etablierte Zugänge wie Chrome, Firefox oder Safari.
Datenschutz
Damit rückt ein weiterer Aspekt in den Vordergrund: Datenschutz. LLMs erhalten teils sehr persönliche Informationen, deutlich umfangreicher als klassische Suchanfragen. Sobald Ihr einem Bot Zugriff auf Eure Daten oder Dienste gebt, regeln meist nur noch Nutzungsbedingungen, was mit diesen Informationen geschieht. Entwickler:innen unterschätzen häufig, wie viel Nutzungs- und Profildaten durch ihre Apps an externe KI-Dienste übertragen werden.
Protokolle von Chatbots wurden bereits mehrfach vor Gericht genutzt; ihre Länge und Detailtiefe machen sie zu aussagekräftigen Belegen für Absichten oder Zustände. Mit wachsender Nutzung könnten KI-Systeme einen umfassenderen Einblick in Euer Leben gewinnen als Ihr selbst. Diese Daten sind für Dritte äußerst wertvoll, ihre Menge, Genauigkeit und ihr Preis dürften weiter steigen.
Einige Unternehmen planen eigene Geräte, etwa Smartphones oder Brillen, bei denen KI im Zentrum steht. Vorstellbar sind Produkte, die jede Interaktion, jedes Dokument und jedes Bild auswerten und für Modelle nutzbar machen. Brillen wie die Ray‑Ban‑Meta‑Modelle zeigen, wie nah KI dem Alltag kommen kann – bis hin zu einer ständigen, automatisierten Auswertung der Umwelt.
Ob es eine einheitliche Vision der KI-Unternehmen gibt, ist offen. Klar ist jedoch: Sie zielen darauf ab, sich dauerhaft in Euren beruflichen und privaten Alltag einzuklinken – mit allen Chancen und Risiken für Komfort, Kontrolle und Privatsphäre.
Via: https://www.tomshardware.com
Gemini KI
