KI: Von Mustern zu Maschinen, die mitdenken.

Was ist eigentlich KI?

„Künstliche Intelligenz” ist ein Sammelbegriff. Wenn jemand „die KI” sagt, meinen die Leute meistens ganz unterschiedliche Dinge. Damit du den Durchblick behältst, hier die vier wichtigsten Stufen — von der ältesten zur neuesten Idee:

Wie ein neuronales Netz lernt

Stell dir vor, du sollst lernen, Äpfel von Birnen zu unterscheiden — und niemand erklärt dir die Regeln. Du bekommst nur Bilder gezeigt und jedes Mal gesagt, ob es richtig oder falsch war. Genau so lernt ein neuronales Netz.

Die Grundidee in vier Schritten

1. Eingabe

   Daten kommen rein — z. B. ein Bild, das in Zahlen (Pixel-Helligkeiten) übersetzt wird.

2. Verarbeitung

   Diese Zahlen wandern durch Schichten von Neuronen. Jedes Neuron mischt seine Eingangswerte mit Faktoren, sogenannten Gewichten.

3. Vorhersage

   Am Ende kommt eine Zahl raus: „87 % Apfel”.

4. Lernen

   Wenn die Vorhersage falsch ist, werden die Gewichte minimal angepasst — millionenfach, mit Mathematik namens Backpropagation. Mit jeder Runde wird das Netz besser.

Die Analogie zum menschlichen Gehirn

Auch dein Gehirn lernt durch Wiederholung. Wenn du Klavier übst, verstärken sich bestimmte Verbindungen zwischen deinen Nervenzellen. Künstliche Netze tun etwas Ähnliches — aber sie haben keine Gefühle, kein Verständnis und kein Bewusstsein. Sie sind extrem gute Mustererkenner, mehr nicht.

LLMs — Large Language Models

Ein LLM ist ein riesiges neuronales Netz, das auf einer absurden Menge Text trainiert wurde — Bücher, Wikipedia, Foren, Code, Webseiten. Sein einziger ursprünglicher Job ist eigentlich banal: Sage das nächste Wort voraus.

Tokens — die Bausteine

LLMs „sehen” keine Buchstaben oder Wörter, sondern Tokens: kleine Textstückchen, oft zwischen einem Buchstaben und einem ganzen kurzen Wort. „Schokolade” könnte z. B. zu drei Tokens werden: Schoko · la · de.

Kontextfenster — das Kurzzeitgedächtnis

Das Kontextfenster ist die Anzahl Tokens, die das Modell auf einmal lesen kann. 2026 ist das riesig: Claude Opus 4.7, Claude Sonnet 4.6 und Gemini 2.5 Pro schaffen 1 Million Tokens — das entspricht etwa 5–7 ganzen Romanen. Trotzdem: was ausserhalb dieses Fensters liegt, hat das Modell „vergessen”.

Training in drei Phasen

1. Pre-Training. Das Modell liest Milliarden Texte und lernt Sprachstrukturen. Dauert Monate, kostet Millionen.
2. Fine-Tuning / RLHF. Menschen bewerten Antworten, um dem Modell beizubringen, hilfreich, ehrlich und harmlos zu antworten.
3. Inference. Wenn du mit dem Modell chattest. Das Training ist da längst abgeschlossen — das Modell lernt nicht mehr aus eurem Gespräch (ausser du nutzt eine Memory-Funktion).

Die Modelle 2026 im Vergleich

KI-Modelle entwickeln sich rasant. Hier ein Überblick über die wichtigsten Familien — Stand Mai 2026. Behalte im Kopf: in einem halben Jahr ist diese Tabelle wahrscheinlich schon teilweise veraltet.

Closed vs. Open Source

Lokale Modelle: Ollama & LM Studio

Du willst ein LLM bei dir zuhause laufen lassen? Das geht 2026 einfacher denn je. Zwei Tools machen das fast trivial:

• Ollama (ollama.com) — Kommandozeile. Ein Befehl wie ollama run llama3.3 lädt und startet das Modell. Funktioniert auf macOS, Linux und Windows.
• LM Studio (lmstudio.ai) — Grafische Oberfläche. Modelle suchen, herunterladen, chatten — alles per Klick.

Prompt Engineering für Teens

Ein Prompt ist die Anweisung, die du einer KI gibst. Je besser dein Prompt, desto besser die Antwort. „Prompt Engineering” ist die Kunst, gute Prompts zu schreiben — und sie ist überraschend einfach zu lernen.

Die fünf Bausteine eines guten Prompts

1. Rolle. „Du bist ein erfahrener Mathe-Tutor.”
2. Aufgabe. „Erkläre mir, wie man quadratische Gleichungen löst.”
3. Kontext. „Ich bin in der 9. Klasse und habe das Thema noch nie gesehen.”
4. Format. „Antworte in 3 nummerierten Schritten mit Beispielen.”
5. Einschränkungen. „Verwende keine englischen Begriffe.”

Schlecht vs. Gut — ein direkter Vergleich

Drei Profi-Tricks

1. „Step by step” — Chain of Thought. Bei kniffligen Fragen sag der KI: „Denke Schritt für Schritt.” Das aktiviert oft eine sorgfältigere Denkweise und bessere Ergebnisse — besonders bei Mathe und Logik.

2. Beispiele geben (Few-Shot). Statt zu beschreiben, was du willst, zeige es. Gib zwei oder drei Beispiele für die Form der Antwort, dann die echte Frage. Das funktioniert verblüffend gut.

3. Iterieren statt aufgeben. Die erste Antwort ist selten perfekt. Sag: „Mach das kürzer”, „Anderer Ton”, „Mehr Beispiele”. Behandle die KI wie einen Praktikanten, dem du Feedback gibst.

Stimme: Speech-to-Text & TTS

Sprach-KI hat 2026 ein Niveau erreicht, bei dem es teils unmöglich ist, Mensch und Maschine zu unterscheiden. Es gibt zwei Hauptrichtungen:

Wofür benutzt man das?

• Untertitel automatisch erzeugen für YouTube oder TikTok
• Hörbücher selbst produzieren
• Vorlesefunktionen für Lerntools
• Voiceovers für Videos und Spiele
• Barrierefreiheit für Sehbehinderte

Computer Vision & Bildgenerierung

Sehende KI ist 2026 schon fast Standard. Sie zerfällt in drei grosse Bereiche: Erkennen, Verstehen und Erzeugen.

Erkennen — Object Detection & OCR

• YOLO (You Only Look Once) — der Klassiker für Echtzeit-Objekterkennung. Findet Personen, Autos, Tiere in Live-Videos. YOLO v11 (2025/26) läuft sogar auf Smartphones.
• OCR (Optical Character Recognition) — Texterkennung in Bildern. Tools wie Tesseract oder PaddleOCR können sogar handschriftliche Notizen lesen.

Verstehen — Vision-Language-Models (VLMs)

Modelle wie Claude Vision, GPT-5.5 Vision oder Gemini 2.5 können Bilder nicht nur erkennen, sondern beschreiben, analysieren und Fragen dazu beantworten. Du kannst ein Foto deiner Mathe-Hausaufgabe schicken und die KI erklärt dir den Lösungsweg.

Erzeugen — Bildgenerierung

AI-Agents — KI, die handelt

Das grosse Thema 2026: autonome Agenten. Während ein normales LLM nur mit dir chattet, kann ein Agent Werkzeuge benutzen — Webseiten lesen, Dateien schreiben, Code ausführen, Mails versenden. Er erledigt komplette Aufgaben selbstständig.

Der Agent-Loop

1. Plan

   Der Agent überlegt: „Was muss ich tun, um das Ziel zu erreichen?”

2. Tool Use

   Er wählt ein Werkzeug (Websuche, Dateischreiben, API-Call) und benutzt es.

3. Observe

   Er liest das Ergebnis und prüft, was er jetzt weiss.

4. Reflect

   Er fragt sich: „Bin ich am Ziel? Was ist der nächste Schritt?”

5. Wiederhole

   Bis das Ziel erreicht ist (oder ein Limit greift).

Bekannte Agenten 2026

MCP — der Standard für Tools

Model Context Protocol (MCP) ist 2026 zum De-facto-Standard geworden, mit dem Agenten Werkzeuge entdecken und benutzen. Statt für jeden Agenten alles neu zu schreiben, gibt es MCP-Server für Gmail, Notion, GitHub, Slack — und dein Agent kann sie alle benutzen.

Ethik & KI-Fallen

KI ist kein Spielzeug — sie verändert Gesellschaft, Bildung, Politik. Wer KI klug benutzt, denkt diese sechs Themen mit.

1. Halluzinationen

LLMs erfinden manchmal Fakten — sehr selbstbewusst. Buchtitel, die nicht existieren. Zitate, die nie gesagt wurden. Studien, die ausgedacht sind. Prüfe wichtige Behauptungen immer mit einer zweiten Quelle.

2. Bias (Verzerrung)

KI lernt aus menschlichen Daten — und übernimmt deren Vorurteile. Gegenüber Geschlecht, Hautfarbe, Akzent, Beruf. Modelle werden zwar getrimmt, aber Bias verschwindet nie ganz.

3. Deepfakes

Realistische Fake-Videos und -Audios sind 2026 in Minuten erstellbar. Politiker, die nie etwas gesagt haben. Mitschüler in Situationen, die nie passiert sind. Verbreite nichts, bei dem du nicht 100 % sicher bist, dass es echt ist.

4. Privatsphäre

Was du in einen KI-Chat tippst, kann zum Trainingsmaterial werden — oder gespeichert bleiben. Gib nie Passwörter, Adressen, Bankdaten oder vertrauliche Informationen anderer Personen preis.

5. Urheberrecht

KI-Bilder im Stil eines bestimmten Künstlers — ist das erlaubt? Die Rechtslage ist 2026 weltweit noch nicht final. Faustregel: für privates Üben okay. Für kommerzielle oder öffentliche Nutzung lieber recherchieren.

6. KI-Inhalte erkennen

• Bilder: zu glatte Haut, falsch gezählte Finger, seltsame Ohren oder Schmuck, unscharfe Hintergründe.
• Texte: zu glatt, zu vorhersehbar, viele „jedoch”, „letztendlich”, „es ist wichtig zu beachten”.
• Videos: unscharfe Übergänge an Händen, falsche Schatten, Lippen passen nicht zum Ton.
• Audio: zu perfekte Aussprache, keine Atmer, falsche Betonungen bei Eigennamen.

Deine ersten KI-Projekte

Genug Theorie. Hier sind vier Projekte, die du dieses Wochenende starten kannst — vom Anfänger bis fortgeschritten.

Projekt 1 · Mini-Chatbot mit der Anthropic-API

Niveau: Einsteiger · Zeit: 1 Stunde · Sprache: Python

import anthropic

client = anthropic.Anthropic()  # API-Key aus Umgebungsvariable

response = client.messages.create(
    model="claude-haiku-4-5",
    max_tokens=200,
    messages=[
        {"role": "user",
         "content": "Erzähl mir einen Witz über Python."}
    ],
)
print(response.content[0].text)

Brauchst nur einen API-Key (kostet wenige Cents), Python und 10 Zeilen Code.

Projekt 2 · Lokales LLM mit Ollama

Niveau: Einsteiger · Zeit: 30 Min · Hardware: Laptop mit 8 GB RAM

# Terminal:
ollama pull llama3.2:3b
ollama run llama3.2:3b

# >>> Erkläre mir Schwarze Löcher in 3 Sätzen.

Komplett offline, keine Kosten, kein Account. Daten bleiben bei dir.

Projekt 3 · Discord-Bot mit KI-Persönlichkeit

Niveau: Mittel · Zeit: 1 Wochenende · Stack: Python, discord.py, Anthropic-API

Bau einen Bot, der in deinem Server auf Erwähnung antwortet — als Pirat, Roboter aus dem Jahr 3000, oder Mathe-Lehrer. Der System-Prompt definiert die Persönlichkeit, jedes @bot löst eine Antwort aus. Grossartiges Lernprojekt für Asynchron-Programmierung.

Projekt 4 · Bilderkennung mit Webcam

Niveau: Mittel · Zeit: 2–4 Stunden · Stack: Python, OpenCV, YOLO

Mit ca. 20 Zeilen Code öffnest du deine Webcam und lässt YOLO Personen, Tassen, Telefone in Echtzeit erkennen — und Bounding Boxes um sie zeichnen. Funktioniert komplett lokal, ohne Cloud.

Mini-Glossar

Token

Kleinster Textbaustein, mit dem ein LLM rechnet. Etwa 0,75 Wörter im Englischen.

Embedding

Mathematische Repräsentation eines Wortes/Satzes als Zahlenvektor. Ähnliche Bedeutungen liegen nahe beieinander.

RAG

Retrieval Augmented Generation. Das Modell sucht erst in einer Datenbank nach Fakten, dann antwortet es. Reduziert Halluzinationen.

Fine-Tuning

Ein vortrainiertes Modell mit eigenen Daten weitertrainieren, um es auf eine spezifische Aufgabe zu trimmen.

Prompt

Die Eingabe an die KI. Inkl. System-Prompt (verborgene Anweisung), User-Prompt (deine Frage) und Beispiele.

Halluzination

Wenn die KI Fakten erfindet, die plausibel klingen, aber falsch sind.

Agent

Ein KI-System, das mehrere Schritte plant und Werkzeuge benutzt, um ein Ziel zu erreichen.

Tool Use

Wenn ein LLM externe Funktionen aufrufen darf — z. B. Websuche, Taschenrechner, API.

MCP

Model Context Protocol. Offener Standard, mit dem Agenten Tools entdecken und benutzen.

Multimodal

Modelle, die mehrere Eingabetypen verstehen: Text, Bild, Audio, Video.