Über "KI" sprechen – ein Aufruf zu differenzierter Terminologie
Der Begriff “KI” beschreibt keine einzelne Technologie — er ist ein Sammelbegriff für verschiedene Technologien, Anwendungen und Produkte. Für einen sinnvollen gesellschaftlichen Diskurs über die Fähigkeiten, Risiken und die Regulierung von KI sollten wir uns um eine differenziertere Terminologie bemühen. Das gilt insbesondere für Multiplikator*innen wie Journalist*innen, die die öffentliche Wahrnehmung prägen und neue Begriffe etablieren.
Im Jahr 2019 habe ich zusammen mit Daniel Leufer die Website aimyths.org ins Leben gerufen. Einer der 8 Mythen hieß: “The term AI has a clear meaning”. Jetzt im Jahr 2026 könnte der Begriff “KI” nicht mehrdeutiger sein: Eine neuartige Technologie. Ein 80-jähriges Forschungsfeld. Eine Industrie. Ein Marketing-Zauberwort. Eine Hypemaschinerie. Ja, sogar eine Ideologie und Weltanschauung.
Der Hype um “KI” hält seit 2022 an: Panisch wird mobilisiert zur AI Adoption: Benutzt deine Firma etwa noch nicht KI? Wir müssen jetzt alle ganz schnell “KI lernen” weil wir doch sonst abgehängt werden! AI Literacy ist der Begriff der Stunde. Anfang des Jahres sagte der Premierminister von Großbritannien, Keir Starmer, er möchte KI in die “Adern des Landes integrieren” — als wäre KI eine homogene Flüssigkeit, ein magisches Elixir.
Gleichzeitig formiert sich eine wachsende AI-Refusal-Bewegung. Für sie steht das Wort “KI” stellvertretend für die generative KI-Industrie mitsamt ihren ausbeuterischen Praktiken gegen Umwelt und Mensch, für einen komplexen “Apparatus” aus Technologie, Institutionen und Ideologien, für Akteure wie Sam Altman und einen ideologischen Dunstkreis namens “TESCREAL”.
Ich selbst habe von 2010 bis 2013 meinen Bachelor “Künstliche Intelligenz” an der Universität Amsterdam gemacht. Ich konnte während meines Studiums den Durchbruch von Deep Learning live erleben – und ich “verliebte” mich damals in das Prinzip der automatisierten Mustererkennung in Daten. In den folgenden Jahren beobachtete ich zwei Entwicklungen: 1. wie hochpolitisch und problematisch eben jene Mustererkennung ist und 2. wie der KI-Hype funktioniert.
Die chronische Unbestimmtheit des Begriffs “KI” ist faszinierend. Man spricht von einem “Moving Target” — die Definition ändert sich ständig, abhängig davon, was gerade der technische state of the art ist. “KI ist immer das, was noch nicht erreicht wurde”, habe ich mal gehört. Wenn sich nicht mal KI-Spezialist*innen darauf einigen können, wie KI zu definieren ist — wo sollen wir dann ansetzen?!
Ich denke: Wenn wir KI nicht definieren können, so können wir uns doch zumindest darum bemühen, konkrete Typen von KI-Systemen bei ihrem Namen zu nennen. Dazu soll dieser Artikel beitragen.
Von Fahrrädern und Flugzeugen
In ihrem Buch “AI Snake Oil” schlagen die Informatiker und Wissenschaftler Arvind Narayanan und Sayash Kapoor ein Gedankenexperiment vor:
“Imagine an alternate universe in which people don’t have words for different forms of transportation — only the collective noun “vehicle.” They use that word to refer to cars, buses, bikes, spacecraft, and all other ways of getting from place A to place B. Conversations in this world are confusing. There are furious debates about whether or not vehicles are environmentally friendly, even though no one realizes that one side of the debate is talking about bikes and the other side is talking about trucks”
Jetzt ersetze man das Wort “Vehicle” mit “KI” und es beschreibt perfekt, was gerade los ist.
Was kann alles mit “KI” gemeint sein? Der Chatbot ChatGPT. Ein Sensor an einem Patientenbett in einer Klinik, der detektiert, ob der Patient das Bett verlässt. Eine Software, die von einer Bank genutzt wird, um die Kreditwürdigkeit eines Menschen zu beurteilen. Ein Spamfilter im E-Mail-Programm. Ein Algorithmus, der den Social-Media-Feed bestimmt. Ein Bildbearbeitungs-Tool, das die Auflösung eines Fotos verdoppelt.
Manche dieser Systeme sind relativ harmlos — von ihren Produktionsbedingungen über Datenschutz, Bias und Energieverbrauch. Andere stellen massive Probleme für die soziale Gerechtigkeit dar.
Weil ich den Vergleich von “Vehicle/AI” aus “AI Snake Oil” so liebe, möchte ich ihn noch einmal aufnehmen:
“Fahrräder” in der Welt von KI sind kleine Machine Learning Modelle, die lokal und ohne Internetverbindung auf einem Gerät laufen, Sensordaten verarbeiten, mit kleinen Datensätzen trainiert sind und eine spezielle Aufgabe sehr gut und vorhersehbar erfüllen. Bekannt ist das unter dem Begriff Edge AI.
“Flugzeuge” in der Welt von KI sind sogenannte Foundation Models, darunter auch Large Language Models (LLMs): Modelle mit Hunderten Milliarden von Parametern, erzeugt auf monopolisierten IT-Infrastrukturen, die Tonnen von CO2 ausstoßen und auf Ausbeutung beruhen: Ausbeutung der natürlichen Ressourcen der Erde, Ausbeutung von Arbeiter*innen im Globalen Süden und Ausbeutung von geistigem Eigentum.
Warum überhaupt differenzieren?
Der Einsatz von KI-Technologie wird in vielen kritischen Bereichen vorangetrieben, wie dem Bildungssystem, dem Gesundheitswesen, der Forschung, dem Militär. Aber von welchen Arten von KI sprechen wir hier? Bei KI-Systemen gibt es erhebliche Unterschiede hinsichtlich ihrer technischen Komplexität, Transparenz und Vorhersehbarkeit, Produktionsbedingungen, Herstellungskosten, Energieverbrauch, Datenschutz und IT-Security. Die Differenzierung von KI-Technologien hat reale Konsequenzen für die Beurteilung der Risiken, der Überwachungsanforderungen und ihrer Regulierung.
Umfragen und Datenerhebungen wie “Welche Unternehmen in Deutschland nutzen bereits KI?” sind wenig aussagekräftig ohne eine Differenzierung von KI-Technologien und ohne die Fähigkeit der Befragten, KI von Nicht-KI zu unterscheiden.
Die deutsche Organisation Superrr schreibt: “How can we talk meaningfully about AI when it can mean everything (and nothing)? A digital rights perspective on technology and its regulation must be specific.” Ich stimme den Autor*innen zu:
KI nicht zu differenzieren ist ein zentraler Mechanismus des KI-Hypes und als bewusste Irreführung zu bewerten: Das Framing von KI als Monolith, als etwas bahnbrechend Neuem, als eine unaufhaltsame Naturgewalt unterstützt das “AI inevitability”-Narrativ. Es entpolitisiert die KI-Industrie und erzeugt ein Gefühl des Ausgeliefertseins. In diesem Klima der Angst können sich nun jene Akteure profilieren, die unter dem Branding von “AI safety” diese Naturgewalt zähmen wollen — aber dabei ganz andere Interessen verfolgen.
KI 101 – Eine Kurzgeschichte
Ich habe das Gefühl, dass die Unklarheit zum KI-Begriff auch aus Unwissen über die Geschichte der KI-Forschung stammt. Dieser Teil ist ein vereinfachter Abriss der KI-Geschichte, der dazu dienen soll, die Konzepte Machine Learning, Deep Learning und Generative KI zu verorten.
Manche Menschen denken, “KI” gäbe es erst seit 2022, seit ChatGPT – Aber wer hat denn in den Jahrzehnten davor ihre Spam-E-Mails gefiltert und ihre Suchergebnisse sortiert?
KI als Forschungsfeld hat eine mehr als 70-jährige Geschichte. Ende der 1950er Jahre gab es bereits neuronale Netze, die zur einfachen Bilderkennung fähig waren. Eine Zeit lang dachten die KI-Forscher, man sollte die ganze Welt in Regeln (“wenn-dann-sonst”), Logik und Wissensdatenbanken abbilden, nur so ließe sich intelligentes Verhalten in Computern erzeugen. Diesen Ansatz nennt man Symbolic AI oder auch Good Old-Fashioned AI (GOFAI) und er kam in sogenannten Expertensystemen zum Einsatz.
Machine Learning (ML)
Der symbolische Ansatz kam an seine Grenzen: Die große Variation und Subtilität von menschlicher Wahrnehmung, Sprache und Denken ließ sich nur unvollständig in Regeln abbilden. Es wuchs die Idee, dass Daten für “künstliche Intelligenz” wichtig sein könnten. Das Feld des Machine Learning wurde in den 1980er Jahren prominenter. Beim Machine Learning werden durch statistische Algorithmen Muster aus vorhandenen Daten “erlernt” und in Form eines Modells abgebildet, was diese Muster so generalisiert, dass es auch mit neuen Daten umgehen kann. Dadurch kann Machine Learning Probleme lösen, die nicht mit regelbasierten Ansätzen lösbar wären.
In den 2000er Jahren eröffnete sich für die KI-Forschung eine neue, scheinbar unerschöpfliche Quelle von Bild-, Text- und Videodaten: Das Internet. Gleichzeitig gab es enorme Fortschritte in der Entwicklung von Graphical Processing Units (GPUs), das ist Computerhardware, die auf die Durchführung von vielen gleichzeitigen Rechenoperationen spezialisiert ist. Das Konzept von neuronalen Netzen hatte nun den idealen Nährboden, um sein Potential zu entfalten: Die Ära des Deep Learnings begann.
Seit 2012: Deep Learning
Deep Learning ist eine Form von Machine Learning, welches mehrschichtige (deep) neuronale Netze nutzt, um in großen Datenmengen Muster in verschiedener Komplexität zu erkennen und diese auf neue Daten zu generalisieren. Die Mathematik hinter Deep Learning ist eine Kombination aus linearer Algebra und Calculus.
Sie wird bei Aufgaben aus dem Bereich Klassifizierung, Vorhersage und Mustererkennung eingesetzt. Es ergeben sich vielfältige Anwendungen: die Bilderkennung, das Erkennen von Kreditkartenbetrug, bei der vorausschauenden Wartung (“predictive maintenance”) und Vorhersage von Kundenabwanderung (“churn prediction”), bei Recommendation Engines, bei der Rechtschreibprüfung, bei der Spracherkennung, bei OCR (Erkennen von Text in Bildern), bei einem Sensor, der detektiert, ob eine bestimmte Bewegung ausgeführt wurde.
Inzwischen nennt man diese Systeme “Traditionelle KI”. Traditionelle KI-Systeme sind narrow, d.h. sie werden für eine klar umrissene “schmale” Aufgabe gebaut und optimiert, z.B. “Ist eine Katze in diesem Bild?” oder “Wie wahrscheinlich ist es, dass der Kunde sein Abo kündigt?”.
Probleme von Deep Learning
1. Bias: Dadurch, dass es aus großen Datenmengen Muster erkennt, lernt es auch die Muster sozialer Ungleichheit und Diskriminierung und reproduziert diese. Aktivist*innen und Forscher*innen wie Cathy O’Neil, Joy Buolamwini, Sofya Noble und Virginia Eubanks haben bereits vor 10 Jahren auf die Gefahren rassistischer und sexistischer Diskriminierung durch Deep-Learning-Systeme hingewiesen.
2. Keine Intelligenz: Deep-Learning-Modelle verstehen weder den Kontext noch Kausalzusammenhänge oder die physikalische Welt, sondern stützen sich ausschließlich auf das Prinzip der Mustererkennung. Dadurch sind sie fehleranfällig.
3. Black Box: Die Entscheidungswege von neuronalen Netzen sind kaum nachvollziehbar oder erklärbar, da sie aus den Mustern der Daten inferiert werden. Bei KI-basierten Entscheidungssystemen, die konkrete Auswirkungen auf das Leben von Menschen haben und wo eine Rechenschaftspflicht besteht, ist diese fehlende Erklärbarkeit problematisch. Ansätze von Explainable AI (XAI) bleiben limitiert.
Seit 2022: Generative KI & Foundation models
Das Jahr 2022 wurde zum Durchbruch einer neuen “Art” von KI auf Basis von Deep Learning: die generative KI. Zugrunde liegende Techniken wie die 2017 vorgestellte Transformer Architektur (für Text) und die Diffusion Technik (für Bilder) ermöglichten die Erstellung von Text und Medien in einem noch nie gesehenen Realismus.
Die KI-Forschung fokussiert sich zunehmend auf die Entwicklung von Foundation models, also großen, allgemeingültigen KI-Modellen. Dadurch entsteht ein “Größer-ist-besser”-Trend: Die Rechenleistung für das Training verdoppelt sich alle fünf Monate, die Datenmengen alle acht Monate und der Stromverbrauch jährlich. Aufgrund dieser Bedingungen sind zunehmend nur noch große, industrielle KI-Forschungslabore finanziell in der Lage, mitzuspielen.
Mit dem Durchbruch von generativer KI wurde KI-Technologie zum ersten Mal in der Geschichte zu einer Consumer Technology — von jedem benutzbar über ein einfaches Chat-Interface.
Probleme von generativer KI
Da generative KI auf Deep Learning basiert, erbt sie alle Schwachstellen und Probleme von Deep Learning und Machine Learning: Bias, keine Intelligenz und fehlende Erklärbarkeit.
Und generative KI bringt neue Problematiken mit sich:
2. Urheberrecht: Die meisten generativen KI-Modelle sind mit Daten trainiert, die urheberrechtlich geschützt sind und ohne Zustimmung der Urheber*innen verwendet werden.
3. Energieverbrauch: Der Skalierungstrend hat einen negativen Einfluss auf die Umwelt. KI-Datenzentren erschöpfen lokale Trinkwasserreserven, überlasten das Stromnetz und haben einen erheblichen CO2-Ausstoß.
Ein hilfreiches mentales Bild für einige der besprochenen KI-Systeme ist diese “Risiko-Pyramide”: KI-Technologien bauen aufeinander auf, auf ihren Stärken wie ihren Schwächen und Risiken. Wohlbemerkt: Diese Grafik enthält nicht alle Arten von KI-Technologie, dazu später mehr.
Cheatsheet
Nicht alle KI ist generative KI
Seit 2012 setzte sich Deep Learning durch, eine Form von Machine Learning auf Basis von sogenannten neuronalen Netzen
Generative KI beruht auf Deep Learning
Symbolic/GOFAI/Expertensysteme werden immer noch genutzt
Differenzieren, aber wie?
Zu den üblichen Differenzierungen von KI gehört die Differenzierung nach den klassischen KI-Forschungsbereichen: Natural Language Processing (für alles, was mit Sprachverarbeitung zu tun hat) und Computer Vision (für alles, was mit Bildverarbeitung zu tun hat). Eine sehr verbreitete Visualisierung ist die verschachtelte Darstellung AI > ML > Neural Networks > Deep Learning, nun oft auch ergänzt durch generative KI.
Eine Differenzierung nach Risikoklasse führt beispielsweise die KI-Grundverordnung (AI Act) durch.
Neben der Differenzierung nach Einsatzbereich (“KI in Pharma”), Usecase (“KI für Bildklassifizierung”), Art der Daten und Erklärbarkeitslevel könnte man KI-Systeme auch anhand ihrer technischer Eigenschaften differenzieren:
Wie groß sind die KI-Modelle: Wenige tausend oder mehrere hundert Milliarden Parameter?
Welche Art von Machine Learning wird verwendet: supervised, unsupervised, self-supervised oder reinforcement learning?
Wo “läuft” das KI-System: Local oder in der “Cloud”?
Ich habe mich gefragt: Wann sind welche Differenzierungen und Taxonomien hilfreich? In welchen Diskursen führen sie zu mehr Klarheit und zu einem besseren Verständnis der Chancen und Risiken?
Es bedarf einer sprachlichen “mittleren Ebene” zwischen einer Rhetorik, die alle Systeme unter dem Begriff "KI" zusammenfasst, und einer, die jedes KI-System als Einzelfall behandelt. Ich möchte hier ein paar Vorschläge zum Differenzieren machen, die für den allgemeinen Diskurs über KI geeignet sein könnten:
Differenzierung Nr. 1: Nicht alle KI ist generative KI
In den meisten Fällen, wenn Menschen gerade über “KI” sprechen, meinen sie ChatGPT oder andere Chatbots und Bildgeneratoren, d.h. sie meinen eigentlich generative KI. Aber nicht alle “KI” ist generative KI. Wie in der “Kurzgeschichte” oben erläutert, existiert die traditionelle KI auf Basis von Deep Learning schon lang (10+ Jahre) vor generativer KI.
Traditionelle (nicht generative) KI ist keine veraltete Technologie, sondern immer noch im Einsatz, weil sie Probleme bestimmter Problemkategorien (Klassifizieren, Vorhersagen, Anomalien erkennen) effektiver, d.h. akkurater und resourceneffizienter, löst als generative KI.
Warum nicht einfach KI zu beidem sagen?
Generative KI bringt alle die Probleme von traditioneller KI (Deep Learning) mit sich — aber setzt noch weitere Problematiken oben drauf: Diebstahl von geistigem Eigentum, Halluzinationen und Falschinformationen, immenser Energieverbrauch für das Trainieren und die Nutzung. Deswegen sollten wir generativer KI bei ihrem Namen benennen.
Differenzierung Nr. 2: Unterscheidungen innerhalb von generativer KI
Da nun generative KI so omnipräsent ist, sollten wir auch innerhalb dieser Sparte konkrete Dinge benennen:
Foundation models (oder: “General Purpose AI”)
Das sind generative KI-Modelle, die eine große Bandbreite von Aufgaben erfüllen können, anstatt wie traditionelle narrow KI auf spezifische Aufgaben beschränkt zu sein. Beispiele sind: GPT-5 (für Text), Midjourney oder DALL-E (für Bildgenerierung) oder Sora (für Video).
Warum nicht einfach “KI” dazu sagen?
Weil sie das “Holz” sind, aus dem viele heutige KI-Systeme und Produkte geschnitzt sind. Die Herstellung eines Foundation Models ist resourcenaufwendig und kostet mehrere Hunderte Millionen Dollar – dadurch sind nur wenige Akteure überhaupt in der Lage, sie herzustellen. Der große Rest kann jedoch durch Finetuning dieser Foundation-Modellen eigene Modelle ableiten. Bei vielen aktuellen Diskussionen um Chancen, Risiken und Regulierung sind Foundation Models der Hauptfokus (siehe z.B. den aktuellen “International AI Safety Report 2026” oder den Abschnitt “KI-Modelle mit allgemeinem Verwendungszweck” in der KI-Grundverordnung).
LLMs
Large Language Models (LLMs) sind die Technologie hinter Chatbots und KI-Agenten. Technisch gesehen sind sie einfach nur sehr raffinierte “Autocompletes”, d.h. sie können das nächste Wort voraussagen, weil sie auf Basis von großen Textmengen gelernt haben, wie menschliche Sprache funktioniert. Dadurch werden sie auch als “stochastic parrots” bezeichnet. Sie können sehr überzeugende Falschinformationen produzieren. Ein LLM ist eine Form von General Purpose AI (oder Foundation model) und generativer KI.
Warum nicht einfach “KI” dazu sagen?
LLMs sind das Herzstück der neuen KI-Ära und deswegen sollten wir diese Technologie bei ihrem Namen nennen. Gleichzeitig gibt es eine Vielzahl von KI-Technologien, die sich nicht auf LLMs reduzieren lassen.
KI-Agenten
Anders als normale KI-Chatbots sind KI-Agenten mit einer Art “Exekutive” ausgestattet, d.h. sie können nicht nur Text produzieren, sondern auch auf Funktionen des Betriebssystems zugreifen oder ganze Benutzeraccounts steuern. Sie werden eingesetzt in der Softwareentwicklung, in der Forschung, aber zunehmend auch im Privatgebrauch: “Buche mir eine Reise nach Berlin”. KI-Agenten zeigen einen bedenklichen Paradigmenwechsel auf, in dem menschliche Kontrolle bewusst abgegeben wird an ein nur scheinbar “denkendes” und autonom agierendes System.
KI-Agenten beruhen auf LLMs, die wiederum auf Deep Learning basieren. KI-Agenten tragen also alle oben erwähnten Schwachstellen ihrer Elterntechnologien (Unvorhersehbarkeit, Halluzinationen, Fehler, Bias) und werden gleichzeitig mit größerer Autonomie und Zugangsrechten ausgestattet. What could possibly go wrong? Viele IT-Expert*innen warnen vor den immensen Risiken für IT-Sicherheit und Privatsphäre, und es kam bereits zu etlichen Schäden. Außerdem: KI-Agenten laufen oft in einem Dauer-Loop, teilweise über Stunden oder Tage hinweg — dementsprechend hoch ist ihr Energieverbrauch.
Warum nicht einfach “KI” dazu sagen?
Weil KI-Agenten momentan im Zentrum des KI-Hypes stehen und einen gefährlichen Paradigmenwechsel hin zu Human-out-of-the-loop aufzeigen. Wie in der Risiko-Pyramide oben beschrieben, kombinieren sie die Schwachstellen von LLMs und DeepLearning mit reduzierter menschlicher Kontrolle.
Differenzierung Nr. 3: ADM Systeme
Automated Decision Making (ADM) Systeme bezeichnen eine Sparte von Software, die in Situationen eingesetzt wird, wo automatisiert über Menschen verfügt wird: Banken setzen sie ein, um zu entscheiden, ob einer Person ein Kredit genehmigt wird. Firmen setzen sie im Bewerbungs-Prozess ein, um Bewerber automatisiert vorzusortieren. Diese Systeme beruhen auf “traditioneller KI” und nicht generativer KI. Achtung: Oft schließt diese Bezeichnung aber auch Systeme ein, die mitunter gar nicht unter “KI” fallen würden, z.B. weil sie Entscheidungen auf Basis von einprogrammierten Regeln treffen.
Warum nicht einfach “KI” dazu sagen?
Weil diese Systeme eine ganz besonders hervorzuhebende Anwendung von KI-Technologie sind: Sie haben einen erheblichen Einfluss auf die Rechte und Teilhabe von Menschen in unserer Welt und durch die Verwendung von Deep Learning kann hier sehr leicht zu Diskriminierung führen. Laut KI-Grundverordnung fallen sie unter die Kategorie “Hochrisiko-Systeme”.
Differenzierung Nr. 4: Edge AI
Edge AI (Auch bekannt als: Embedded Machine Learning), das sind energieeffiziente kleine neuronale Netze, die direkt auf einem Gerät laufen — ohne Netzwerkverbindung und ohne Anbindung an eine “Cloud”. Sie arbeiten oft mit Sensordaten, z.B. Bewegungsdaten, Audiodaten oder auch Kameradaten. Beispiele: Face-ID auf Smartphones, “Wakeword” Erkennung bei Sprachassistenten, Noise-cancelling Kopfhörer oder eine Halskette mit “Stürzsensor” für Senior*innen.
Warum nicht einfach “KI” dazu sagen?
Weil sie die “Fahrräder” im KI-Bereich sind: kleine, resourceneffiziente Modelle, gut für die Privatsphäre. Sie spielen in einer völlig anderen Liga als die großen Foundation Modelle.
Differenzierung Nr. 5: Produkte vs. Technologie
Auch wenn das nicht immer trennscharf abzugrenzen ist, können wir doch sagen:
In ChatGPT befinden sich verschiedene KI-Modelle (z.B. GPT-5 , GPT-Image, früher DALL-E) und kombiniert mit einem Chat-Interface und anderen Funktionalitäten wird es erst zu dem funktionalen Produkt namens “ChatGPT”.
Ob die Prompts eines Nutzers gespeichert werden und womöglich selbst in den Trainingsdaten landen, all das sind produktstrategische Entscheidungen einer Firma und keine technische Notwendigkeit von LLMs.
Und auch der schmeichelnde Ton eines KI-Chatbots (bekannt als “Sycophancy”) ist nicht inhärent der LLM-Technologie, sondern eine Folge des Produktdesigns.
Differenzierung Nr. 6: Ist es überhaupt KI?
An dieser Stelle möchte ich noch sagen, dass vieles, was wie “KI” klingt oder als solches vermarktet wird, gar keine KI-Technologie implementiert. Ein Tool, das Kalender synchronisiert, klingt vielleicht nach KI, aber ist am Ende einfach ein regelbasierter Algorithmus. Viele Probleme brauchen gar kein KI/Machine Learning! Die meiste Software, die auf unseren Computern oder “in der Cloud” läuft ist immer noch einfach ganz normaler Programmiercode, also if-else-Anweisungen, Switch statements und Datenbankabfragen. Und das ist auch gut so, denn so sind digitale Prozesse transparenter, vorhersehbarer und sicherer.
Ordnung in die KI-Terminologie bringen – Eine schwierige Aufgabe
Das ist natürlich weit davon entfernt, eine vollständige Taxonomie zu sein: Die erwähnten Konzepte überlappen sich und erstrecken sich über verschiedene Dimensionen.
Bei einem Feld, das sich in rasender Geschwindigkeit weiterentwickelt (so sagt man), neue Trends und Technologien von heute auf morgen aufploppen, alles driftet und fluide ist – kann dem eine Taxonomie, ein starres sprachliches System überhaupt gerecht werden? Ich denke, so schnell bewegt sich das Feld KI am Ende doch nicht. Zumindest nicht auf einer grundsätzlichen zugrundeliegenden technologischen Ebene. Die “Anwendungs/Produkte” Ebene mag sich in Lichtgeschwindigkeit fortbewegen. Aber lassen wir uns davon nicht täuschen.
Gleichzeitig deutet sich gerade ein neuer “KI-Winter” an: Es wird zunehmend deutlich, dass Deep Learning allein durch Skalierung keine Fortschritte mehr macht. Neuere Forschung versucht beispielsweise symbolische KI mit Deep Learning zu kombinieren (Neuro-Symbolic AI). Gleichzeitig wird der Wert von kleineren, narrow KI-Modellen und Anwendungen wiederentdeckt, die auf Consumerhardware ohne eine Cloud laufen können. Das, was früher ein Flugzeug war, könnte unter Umständen vielleicht zu einem Fahrrad schrumpfen.
Dieser Artikel ist eine Aufforderung, darüber nachzudenken, wie und wann wir den mehrdeutigen und hochdimensionalen Begriff “KI” ersetzen mit klarerer Terminologie – um besser zu kommunizieren über Fähigkeiten und Risiken einer bestimmten Technologie in einem bestimmten Einsatzfeld.
Oft ist selbst die Benennung der Art von KI-System nicht genug um zu differenzieren. In dem Paper “What Do We Mean When We Say “AI?” Why Context — Not Volume — Should Guide Emergency Medicine” schreibt Christian Rose, bei der Evaluierung von KI-Nutzung sollte man außerdem den Kontext differenzieren: “Which tool, for which patient, in which workflow, and at what acceptable trade-off?”
Daniel Leufer, mein Kollege von AIMyths und Senior Policy Analyst bei Access Now meint dazu: “You need to drop down to the level of specificity necessary to make your point in a specific context.”
Welche Arten von KI-Systemen sind besonders relevant für dich? Welche Kategorisierung macht für dich Sinn?
Resources
Mehr KI-kritische Denker*innen
Arvind Narayanan, Karen Hao, Matteo Pasquinelli, Tante, Gary Marcus
Institutionen: Ada Lovelace Institute, AI Now Institute, DAIR, AlgorithmWatch, Algorithmic Justice League
Bias und soziale Gerechtigkeit: , Timnit Gebru, Margaret Mitchell, Emily M. Bender, Alex Hanna, Abeba Birhane, Safiya Umoja Noble, Ruha Benjamin, Johanna Bryson, Joy Buolamwini
KI + Umwelt: Emma Strubell, Sasha Luccioni,
KI + Cybersecurity: Meredith Whittaker, Georg Zoeller
Mehr zu “Wie wir über KI sprechen”
Für die AI-Myths Website habe ich ein “Terminology swap tool” und ein “Headline Rephraser” gebaut
Margaret Mitchell: “No, ‘AI’ is not a stochastic parrot”, ein Pladoyer gegen die Gleichsetzung von LLMs = KI
Mehr technische Einordnungen
Der aktuelle “2025 AI Index Report” vom Stanford Institute for Human-Centered Artificial Intelligence (HAI)
Risiken von General-purpose AI systems: International AI Safety Report (2026) https://arxiv.org/abs/2602.21012
IBM über Foundation Models: https://www.ibm.com/think/topics/foundation-models
Die Bundesnetzagentur bietet gute Erläuterungen zum AI Act: https://www.bundesnetzagentur.de/DE/Fachthemen/Digitales/KI/start_ki.html