Tokens: die Grundeinheit
Sprachmodelle verarbeiten Wortbausteine, sogenannte Tokens. Deutsch braucht oft mehr Tokens als Englisch. Tokens bestimmen Kontextgrenzen und API-Kosten.
KI-Akademie · Modul 1
KI-Grundlagen für Mitarbeitende
Das Fundament jeder KI-Weiterbildung: Auf dieser Seite verstehen Sie ohne technisches Vorwissen, was künstliche Intelligenz ist, wie Sprachmodelle wirklich arbeiten und wo ihre Grenzen liegen. Genau das Grundverständnis, das Art. 4 EU AI Act von jedem KI-Nutzenden verlangt.
10Unterrichtseinheiten bilden das Fundament (UE 1–10)
4Begriffe, die Sie sicher unterscheiden lernen
0Technik-Vorkenntnisse nötig für den Einstieg
45Minuten pro Einheit im Selbststudium
Das Wichtigste in Kürze
Was muss jede:r Mitarbeitende über KI wissen?
KI-Grundkompetenz heißt: die Begriffe KI, Machine Learning, Deep Learning und generative KI sicher unterscheiden, das Funktionsprinzip von Sprachmodellen verstehen und ihre Grenzen kennen. Wer weiß, dass ein Sprachmodell Text Wort für Wort nach Wahrscheinlichkeiten erzeugt, versteht sofort, warum es glänzend formuliert und trotzdem Fakten erfinden kann.
- KI ist der Oberbegriff; Machine Learning lernt aus Daten, Deep Learning nutzt tiefe neuronale Netze, generative KI erzeugt Inhalte.
- Sprachmodelle erzeugen Text probabilistisch, Token für Token. Daraus folgen Stärken (Sprache, Struktur) und Grenzen (Fakten, Aktualität).
- Halluzinationen sind eine Systemeigenschaft, kein Ausnahmefehler. Der professionelle Umgang damit ist erlernbar.
- Dieses Grundverständnis ist die Foundation-Stufe der KI-Kompetenzpflicht nach Art. 4 EU AI Act.
- Modul 1 der Wissensbasis vertieft alles in 10 Unterrichtseinheiten, von der Begriffsklärung bis zum Arbeitsmarkt.
Stand: Juli 2026 · basiert auf Modul 1 (UE 1–10) der KI-Wissensbasis
Taxonomie
Vier Begriffe, die Sie nie wieder verwechseln.
Im Alltag wird alles „KI“ genannt. Für informierte Entscheidungen (und für den Regulierungskontext) braucht es die saubere Abgrenzung aus UE 1 der Wissensbasis:
- Künstliche Intelligenz (KI)
Der Oberbegriff: Systeme, die Aufgaben lösen, für die sonst menschliche Intelligenz nötig wäre. Von der Schachsoftware bis zum Sprachmodell.
- Machine Learning (ML)
Das Teilgebiet, in dem Systeme Muster aus Daten lernen, statt explizit programmiert zu werden. Beispiel: Spam-Erkennung, die aus Millionen Mails lernt.
- Deep Learning (DL)
Machine Learning mit tiefen neuronalen Netzen. Der Durchbruch von 2012, der moderne Bild- und Sprachmodelle technisch erst möglich machte.
- Generative KI (GenAI)
KI, die Inhalte erzeugt statt nur zu klassifizieren: Text, Bilder, Audio, Video, Code. ChatGPT, Claude und Midjourney gehören hierher.
Merksatz aus UE 1: Die Taxonomie ist kein Akademiker-Spielzeug. Der EU AI Act knüpft Pflichten an die Art des Systems und seinen Einsatz. Wer die Begriffe nicht trennt, kann seine eigenen Pflichten nicht einordnen.
Einordnung bekannter Werkzeuge: ChatGPT, Claude und Gemini sind generative Sprachmodelle. Der Spam-Filter ist klassisches ML. Die Gesichtserkennung im Smartphone ist Deep Learning. Alle drei sind KI, aber mit völlig unterschiedlichen Eigenschaften und Risiken.
Unter der Haube
Wie ein Sprachmodell wirklich arbeitet.
Kein Hexenwerk, sondern Statistik in gigantischem Maßstab. Wer diese vier Konzepte aus UE 4 und UE 5 kennt, versteht das Verhalten jedes KI-Assistenten:
Wahrscheinlichkeit statt Wissen
Das Modell wählt Token für Token die wahrscheinlichste Fortsetzung. Es gibt keine innere Faktendatenbank, nur gelernte Sprachmuster.
Kontextfenster: das Arbeitsgedächtnis
Nur was im Kontextfenster steht, kann das Modell berücksichtigen. Was Sie nicht mitgeben, existiert für die KI nicht.
Training und RLHF
Vortraining auf riesigen Textmengen, danach Feinschliff durch menschliches Feedback (RLHF). So werden Modelle hilfreich und sicherer.
Temperature: der Kreativitätsregler
Ein Parameter steuert die Streuung: niedrig heißt präzise und wiederholbar, hoch heißt kreativ und variantenreich. Deshalb sind Antworten nie identisch.
System- vs. Nutzeranweisung
Eine übergeordnete Systemanweisung legt Rolle und Verhalten fest, Ihre Eingabe kommt obendrauf. Zwei Ebenen, ein Ergebnis.
Kurz-Check: Haben Sie das Prinzip?
Drei Fragen aus der Lernstandskontrolle von Modul 1.
1 / 3
Warum kann ein Sprachmodell überzeugend klingende, aber falsche Aussagen machen?
Grenzen kennen
Das Halluzinations-Radar: Fehler erkennen, bevor sie teuer werden.
UE 6 und UE 7 der Wissensbasis auf den Punkt gebracht: KI-Ausgaben sind Entwürfe, keine Wahrheiten. Diese Warnsignale und Gegenmaßnahmen gehören in jedes Grundlagen-Training:
Fünf Warnsignale für Halluzinationen
Bei diesen Mustern lohnt sich die Prüfung doppelt:
- Sehr präzise Zahlen, Daten oder Zitate ohne Quellenangabe
- Selbstbewusste Aussagen zu Nischenthemen und aktuellen Ereignissen
- Quellenangaben, die sich nicht öffnen oder finden lassen
- Perfekt passende Details, die zu gut klingen, um wahr zu sein
- Antworten außerhalb des Wissensstands des Modells
Drei Gegenmaßnahmen für den Alltag
- Quellen verlangen
Bitten Sie um Belege und prüfen Sie sie. Formulierung: „Wenn du dir nicht sicher bist, sag es offen.“ Das senkt die Erfindungsrate spürbar.
- Fakten trennen
Nutzen Sie KI für Struktur, Stil und Entwürfe. Zahlen, Namen und Rechtsaussagen verifizieren Sie in Originalquellen.
- Vier-Augen-Prinzip
Kritische Inhalte gehen nie ungeprüft nach außen. Der Mensch bleibt verantwortlich, die KI liefert den Rohstoff.
Wissensbasis · Volltexte
Modul 1 in voller Tiefe: alle 10 Einheiten.
Jede Unterrichtseinheit als kompletter Lerntext aus der Wissensbasis, mit Übungen, Branchen-Anwendungen und Quellen. Frei zugänglich.
- UE 1Begriffsklärung KI, ML, DL, GenAI – Taxonomie & Abgrenzung43 Min.
- UE 2Historie der KI – von Turing bis GPT-5 (Meilensteine)41 Min.
- UE 3KI-Ökosystem 2026 – Anbieter, Modelle, Open Source vs. Closed37 Min.
- UE 4Wie funktioniert ein LLM? Tokens, Embeddings, Kontextfenster40 Min.
- UE 5Trainingsarten – Supervised, Unsupervised, Reinforcement, RLHF38 Min.
- UE 6Stärken & Grenzen heutiger KI – was KI (nicht) kann45 Min.
- UE 7Halluzinationen verstehen – Ursachen und Gegenmaßnahmen42 Min.
- UE 8Multimodalität – Text, Bild, Audio, Video, Code41 Min.
- UE 9Marktüberblick: ChatGPT, Claude, Gemini, Mistral, Copilot, Perplexity41 Min.
- UE 10Auswirkungen auf Berufsbilder & Arbeitsmarkt (IAB-Studien)49 Min.
Selbsttest
Wie solide ist Ihr KI-Grundverständnis?
Acht Aussagen, acht Mal Ja oder Nein. Am Ende sehen Sie Ihren Grundlagen-Score. Ohne Anmeldung, die Auswertung passiert direkt in Ihrem Browser.
- Ich kann KI, Machine Learning und generative KI in eigenen Worten unterscheiden.
- Ich weiß, dass Sprachmodelle Text nach Wahrscheinlichkeiten erzeugen.
- Ich kenne den Begriff Kontextfenster und seine praktische Bedeutung.
- Ich weiß, warum dieselbe Frage unterschiedliche Antworten ergeben kann.
- Ich erkenne typische Warnsignale für Halluzinationen.
- Ich prüfe Zahlen und Quellen aus KI-Antworten, bevor ich sie verwende.
- Ich weiß, welche Daten ich in welche Tools eingeben darf.
- Ich kann Kolleg:innen erklären, wofür KI gut ist und wofür nicht.
0/8Ihr Grundlagen-Score
Stark! Das Fundament steht.
Sie haben die Foundation-Stufe sicher drauf. Der nächste Schritt ist Anwendung: Prompt Engineering macht aus Verständnis produktive Ergebnisse.
Gutes Halbwissen, ein paar Lücken.
Die Richtung stimmt, aber einzelne Konzepte sitzen noch nicht. Lesen Sie die Stationen oben noch einmal in Ruhe, besonders das Halluzinations-Radar.
Startpunkt erkannt: Hier beginnt Ihr Weg.
Kein Problem, genau dafür gibt es Modul 1. Arbeiten Sie diese Seite von oben nach unten durch. Danach sitzt das Fundament für alle weiteren Module.
FAQ
Häufige Fragen zu den KI-Grundlagen.
Die Einstiegsfragen, die wir in jedem Grundlagen-Training hören.
Ja. Moderne KI-Assistenten sind auf normale Sprache ausgelegt: Wer eine gute Anweisung an eine Kollegin formulieren kann, kann auch mit KI arbeiten. Technisches Vorwissen hilft beim Vertiefen, ist aber keine Eintrittskarte. Modul 1 der Wissensbasis setzt bewusst bei null an.
Sprachmodelle haben eine eingebaute Variabilität (Temperature): Sie erzeugen Text nach Wahrscheinlichkeiten und wählen nicht immer dieselbe Fortsetzung. Das ist gewollt, denn es macht Antworten natürlicher und kreativer. Für reproduzierbare Ergebnisse helfen präzisere Prompts mit klaren Vorgaben.
Weil sie keine Faktendatenbank abfragt, sondern die statistisch plausibelste Textfortsetzung erzeugt. Plausibel und wahr sind zwei verschiedene Dinge. Diese sogenannten Halluzinationen sind eine Systemeigenschaft. Der richtige Umgang: Quellen verlangen, Zahlen prüfen, kritische Inhalte nie ungeprüft übernehmen.
Die Studienlage (u. a. IAB, UE 10 der Wissensbasis) zeigt: KI verändert Tätigkeiten schneller, als sie ganze Berufe ersetzt. Routineanteile in der Wissensarbeit werden automatisiert, dafür steigt der Wert von Prüfung, Kontext und Entscheidungen. Wer KI kompetent nutzt, macht sich wertvoller, nicht überflüssiger.
Das Tool, das in Ihrer Organisation bereits freigegeben und lizenziert ist, oft Microsoft 365 Copilot oder ein Enterprise-Chat. Erstens ist das datenschutzkonform, zweitens lernen Sie im echten Arbeitskontext. Erst Grundlagen im freigegebenen Tool, dann gezielt erweitern.
Weiterlernen
Der nächste Schritt nach den Grundlagen.
Diese Seite ist Teil der KI-Akademie. So geht es weiter:
Nächster Schritt
Bringen Sie Ihr ganzes Team auf Foundation-Niveau.
Unsere Grundlagen-Trainings holen alle ab, vom Skeptiker bis zum Poweruser: verständlich, praxisnah und als Art.-4-Nachweis dokumentiert.
Die Plattform
OneMachine: Ihre KI, in Ihrem System.
Produktive KI, die sicher in Ihrer Organisation läuft: mit eigenen Daten, Rechten und Freigaben. Aus echter Projektpraxis zum lizenzierbaren Produkt verdichtet.
OneMachine ansehen