Historie der KI – von Turing bis GPT-5 (Meilensteine)

Lernziele

• Sie können mindestens acht historische Meilensteine der KI-Entwicklung korrekt zeitlich einordnen und inhaltlich beschreiben.
• Sie erklären die Ursachen der beiden KI-Winter (ca. 1974 und ca. 1987) und leiten ab, welche Faktoren zum heutigen Aufschwung beitragen.
• Sie beschreiben die technische Bedeutung der Transformer-Architektur (2017) für moderne Sprachmodelle in eigenen Worten.
• Sie schätzen den aktuellen KI-Entwicklungsstand (2025/26) realistisch ein und können ihn von früheren Hype-Phasen abgrenzen.
• Sie erläutern, was „emergente Fähigkeiten” bedeuten und welche praktischen Konsequenzen Skalierungsgesetze haben.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

„KI wird die Welt in 20 Jahren grundlegend verändern.” Diesen Satz hätte man 1958 hören können — von seriösen Wissenschaftlern an einer der renommiertesten Universitäten der Welt. Und er stimmte. Nur nicht so, wie gemeint, und nicht im vorgesagten Zeitrahmen.

Die Geschichte der KI ist eine Geschichte der Zyklen: Enthusiasmus, Überschätzung, Enttäuschung, Rückzug — und dann, manchmal Jahrzehnte später, ein echter Durchbruch, der nicht angekündigt wurde, sondern in einem Laborergebnis versteckt war. Das Verständnis dieser Zyklen schützt vor zwei gleichsam gefährlichen Haltungen: blindem Optimismus und reflexartiger Ablehnung.

Für IT-Berater:innen und Verantwortliche in Organisationen ist dieses historische Wissen direkt relevant. Die Frage „Ist das jetzt wirklich anders als früher?” verdient eine ehrliche, technisch fundierte Antwort: Ja — aus spezifischen technischen Gründen. Und Sie werden nach dieser Einheit in der Lage sein, diese Gründe zu nennen: die Transformer-Architektur, die Verfügbarkeit von Trainingsdaten in historischem Ausmaß, die GPU-Revolution und die Skalierungsgesetze.

Lerntext — Theorie und Konzepte

Vom Turing-Test zur Dartmouth Conference (1950–1956)

Der britische Mathematiker Alan Turing stellte 1950 in seinem Aufsatz „Computing Machinery and Intelligence” die Frage: „Can machines think?” — und schlug den heute nach ihm benannten Turing-Test als operationalisierbare Antwort vor. Ein Maschinentest gilt als bestanden, wenn ein menschlicher Prüfer in einer Textkonversation nicht zuverlässig unterscheiden kann, ob er mit einem Menschen oder einer Maschine kommuniziert. Der Turing-Test ist bis heute ein Bezugspunkt — obwohl er in seiner ursprünglichen Form keine praktische Messeinheit mehr darstellt, seit Sprachmodelle Varianten davon routinemäßig bestehen.

1956 prägte die Dartmouth Summer Research Project on Artificial Intelligence den Begriff „Artificial Intelligence” — und damit war das Forschungsfeld offiziell geboren. Die Stimmung war euphorisch: Marvin Minsky und John McCarthy, zwei der bedeutendsten Pioniere, schätzten, dass KI in einer Generation „gelöst” sein würde. Diese Einschätzung ist das erste dokumentierte Beispiel eines Musters, das sich wiederholen sollte.

Die KI-Winter: Warum Überschätzung zu Rückschlägen führt

Der Erste KI-Winter (ca. 1974–1980) entstand durch das Zusammentreffen mehrerer Faktoren. Der ALPAC-Report von 1966 stellte fest, dass maschinelle Übersetzung weit hinter den Erwartungen zurückblieb. Der Lighthill-Report von 1973 bescheinigte dem Forschungsfeld grundlegende konzeptionelle Grenzen. Kombiniert mit der technischen Realität — Rechenleistung war teuer, Daten waren knapp — führte dies zu drastischen Förderkürzungen in den USA und Großbritannien.

Der Zweite KI-Winter (ca. 1987–1993) folgte einem ähnlichen Muster. Diesmal waren es Expertensysteme, die den Hype angeheizt hatten. Diese regelbasierten Systeme — etwa MYCIN für medizinische Diagnose — zeigten im Labor beeindruckende Ergebnisse. In der Praxis scheiterten sie an der Wartungslast: Jede neue Ausnahmeregel musste manuell kodiert werden, jede Aktualisierung erforderte Expertenwissen. Als die kommerziellen Erwartungen nicht erfüllt wurden, kollabierte der Markt für Lisp-Maschinen und der Investitionsstrom versiegte erneut.

Das strukturelle Muster beider Winter ist lehrreich: Nicht technische Fortschritte an sich lösten die Krisen aus, sondern das Auseinanderklaffen zwischen kommunizierten Erwartungen und tatsächlicher Leistung. Diese Beobachtung sollte bei der heutigen KI-Kommunikation — intern wie gegenüber Stakeholdern — stets im Hinterkopf bleiben.

Merksatz

KI-Winter entstanden nicht durch mangelnden technischen Fortschritt, sondern durch das systematische Auseinanderklaffen zwischen versprochenen und tatsächlich realisierten Fähigkeiten. Das Muster — Hype, Überinvestition, Enttäuschung, Rückzug — ist historisch gut dokumentiert und ein Warnsignal für aktuelle KI-Kommunikation.

Der Deep-Learning-Durchbruch: AlexNet (2012)

Im September 2012 gewann das Team von Geoffrey Hinton an der Universität Toronto den ImageNet-Wettbewerb mit einem Vorsprung, der die Community schockierte. AlexNet erzielte eine Top-5-Fehlerrate von 15,3 %, während der zweitbeste Ansatz bei 26,2 % lag. Dieser Abstand von mehr als zehn Prozentpunkten war nicht inkrementell — er war ein Paradigmenwechsel.

Was hatte sich verändert? Drei Dinge gleichzeitig: Erstens die Verfügbarkeit von ImageNet — einem Datensatz mit 1,2 Millionen manuell kategorisierten Bildern, der erst 2009 veröffentlicht worden war. Zweitens der Einsatz von GPUs (Grafikkarten) für das Training neuronaler Netze — eine Idee, die Hintons Gruppe konsequent umgesetzt hatte. Drittens die Verwendung von Dropout und ReLU als Trainingstechniken, die das Modell effizienter machten.

Ab 2012 begann die Deep-Learning-Ära. Innerhalb weniger Jahre wurden DL-Modelle in allen Bereichen zur dominierenden Methode: Spracherkennung, maschinelle Übersetzung, Gesichtserkennung, medizinische Bildanalyse.

Die Transformer-Revolution: „Attention is All You Need” (2017)

Im Jahr 2017 veröffentlichte ein Team von Google-Forschenden den Aufsatz „Attention is All You Need” (Vaswani et al.). Darin wurde die Transformer-Architektur vorgestellt — eine neue Art, sequenzielle Daten wie Text zu verarbeiten.

Der entscheidende Mechanismus ist die Selbst-Aufmerksamkeit (Self-Attention): Statt Text Wort für Wort sequenziell zu verarbeiten (wie frühere RNN-Architekturen), berücksichtigt ein Transformer bei jeder Vorhersage simultan alle bisherigen Tokens und deren Beziehungen zueinander. Das erlaubt einerseits eine deutlich bessere Kontextualisierung — der Bezug eines Pronomens auf sein Substantiv kann über hunderte von Tokens hinweg korrekt aufgelöst werden. Andererseits ist der Mechanismus effizient parallelisierbar, was das Training auf großen Datenmengen erst wirtschaftlich macht.

Die Transformer-Architektur ist die Grundlage aller modernen Sprachmodelle: BERT (Google, 2018), GPT-1 bis GPT-4o (OpenAI), Claude (Anthropic), Gemini (Google). Ohne Transformer gäbe es kein ChatGPT.

Von GPT-1 zu GPT-4o und darüber hinaus (2018–2026)

OpenAI veröffentlichte 2018 GPT-1 (117 Millionen Parameter) als Beleg dafür, dass großes unüberwachtes Vortraining auf Textmengen funktioniert. GPT-2 (2019, 1,5 Milliarden Parameter) wurde zunächst nicht vollständig veröffentlicht, weil OpenAI Missbrauch befürchtete — ein Zeichen dafür, wie ernst die Fähigkeiten des Modells genommen wurden.

GPT-3 (2020, 175 Milliarden Parameter) zeigte erstmals Fähigkeiten, die auf emergente Eigenschaften hindeuteten: Das Modell konnte Aufgaben lösen, für die es nicht explizit trainiert worden war, wenn nur wenige Beispiele im Kontext gegeben wurden (Few-Shot-Learning). ChatGPT — technisch eine Erweiterung von GPT-3.5 mit RLHF-Feintuning — wurde im November 2022 veröffentlicht und erreichte in zwei Monaten 100 Millionen Nutzer.

GPT-4 (2023) und GPT-4o (2024) brachten multimodale Fähigkeiten: Das Modell verarbeitet sowohl Text als auch Bilder. Die aktuellen Modelle der Generation 2025/26 (Claude 4, Gemini 2.5, GPT-5) zeigen zusätzlich verbesserte Reasoning-Fähigkeiten durch mehrstufige Denkprozesse.

Abb. 2.1 — KI-Meilensteine 1950–2025: Zeitstrahl mit Winter-Perioden und technischen Durchbrüchen

Was macht den aktuellen Aufschwung strukturell anders?

Die entscheidende Frage: Befindet sich die Entwicklung in einem erneuten Hype-Zyklus — oder ist diesmal etwas grundlegend anders?

Die Argumente für „strukturell anders”: Erstens haben aktuelle KI-Systeme messbaren wirtschaftlichen Nutzen in breiten Anwendungsfeldern bewiesen — nicht nur im Labor. Zweitens ist die Infrastruktur (GPU-Cloud) demokratisiert verfügbar. Drittens sind Foundation Models generalistisch einsetzbar, nicht auf Einzelprobleme beschränkt. Viertens zeigen Skalierungsgesetze noch keine Sättigung.

Die Argumente für Vorsicht: Halluzinationen und mangelnde Zuverlässigkeit bremsen Hochrisiko-Einsätze. Regulatorische Unsicherheiten erhöhen Compliance-Kosten. Die Energiekosten des Trainings und der Inferenz sind ein nachhaltiges Gegenargument.

Die sachlich fundierte Position lautet: Dieser Zyklus ist anders als die KI-Winter, aber er ist kein Ende der Geschichte. Es wird weitere Kurskorrekturen, gescheiterte Pilotprojekte und überhöhte Erwartungen geben. Was als Fundament trägt, sind die technischen Durchbrüche — Transformer, Skalierung, Multimodalität — die nicht rückgängig zu machen sind.

Aktuelle Entwicklungen: Das Reasoning-Zeitalter (ab 2023)

Ab 2022/2023 beginnt mit ChatGPT und GPT-4 eine qualitativ neue Phase:

Skalierungsgesetze brechen Erwartungen: OpenAI-Forscher entdeckten, dass größere Modelle (mehr Parameter + mehr Trainingsdaten) zu überproportional besseren Fähigkeiten führen — „emergent capabilities”. Fähigkeiten wie mehrstufiges Schlussfolgern entstehen ab einer gewissen Modellgröße scheinbar qualitativ neu.

Reasoning-Modelle (2024/25): Mit o1, o3 (OpenAI) und ähnlichen Modellen entsteht eine neue Architektur-Klasse: Modelle, die vor der Antwort intern „nachdenken” — Schlussfolgerungssequenzen durchlaufen, bevor sie die endgültige Ausgabe produzieren. Diese Modelle zeigen qualitative Sprünge bei mathematischen, logischen und wissenschaftlichen Aufgaben.

Multimodalität als Standard: GPT-4o, Claude 3.5 Sonnet, Gemini 2.5 — alle modernen Spitzenmodelle verarbeiten nativ Text, Bild, Audio und Video. Der Begriff „Sprachmodell” wird damit zunehmend unzureichend.

Open-Source-Aufholen: Meta’s Llama 3 (2024) und Llama 4 (2025) bringen Open-Source-Modelle auf ein Leistungsniveau, das den kommerziellen Modellen der vorherigen Generation nahekommt. Das verändert die Machtdynamik im KI-Ökosystem.

Merksatz

Der aktuelle KI-Aufschwung unterscheidet sich von den Booms der 1960er und 1980er Jahre durch zwei fundamentale Faktoren: echte, breit einsetzbare Praxistauglichkeit (kein Laborergebnis) und massenhafte Verbreitung — ChatGPT erreichte 100 Millionen Nutzer in 60 Tagen, schneller als jedes andere Konsumentenprodukt in der Geschichte des Internets.

Vertiefung — Skalierungsgesetze und ihre Grenzen

Die sogenannten Skalierungsgesetze (Scaling Laws) wurden 2020 systematisch von Kaplan et al. bei OpenAI beschrieben (arXiv 2001.08361). Das Kernergebnis: Die Verlust-Funktion (ein Maß für die Modellqualität) verbessert sich vorhersagbar, wenn Modellgröße, Datenmenge und Rechenleistung gleichzeitig skaliert werden. Dieses Gesetz hat seither Milliarden-Dollar-Investitionen in KI-Hardware gerechtfertigt.

Doch Skalierungsgesetze haben auch Grenzen — und diese Grenzen sind seit 2024 intensiv diskutiert. Erstens: Datenmangel. Die Menge hochwertiger Textdaten auf dem Internet ist endlich. Synthetische Daten (von Modellen selbst generiert) werden zunehmend als Trainingsquelle eingesetzt, mit unklaren Auswirkungen auf Modellqualität. Zweitens: Energieeffizienz. Das Training von GPT-4 hat nach Schätzungen etwa 50 Megawattstunden Strom verbraucht — vergleichbar mit dem Jahresverbrauch von 500 deutschen Haushalten. Mit größeren Modellen steigt dieser Aufwand überproportional, was ökologische und wirtschaftliche Grenzen setzt.

Drittens: Architekturinnovation. Die Forschungsgemeinschaft arbeitet an effizienteren Architekturen — Mixture-of-Experts (MoE, bei Modellen wie GPT-4 und Mistral eingesetzt), State Space Models (z. B. Mamba) und neuartige Attention-Varianten, die denselben oder besseren Output mit weniger Rechenaufwand erzielen sollen. Diese Innovationen könnten die Abhängigkeit von reiner Skalierung reduzieren.

Für Praktiker:innen bedeutet das: Die Geschichte der KI ist noch nicht zu Ende geschrieben. Die aktuelle Leistungsfähigkeit ist beeindruckend — aber nicht unendlich steigerbar durch bloße Größe. Die nächste Qualitätsstufe wird wahrscheinlich durch Architekturinnovation, bessere Datenkuration und neue Trainingsmethoden erreicht.

Vertiefung II — Daten als Produktionsfaktor: Ökonomische Theorien

Die Bedeutung von Daten für die moderne Wirtschaft ist seit den frühen 2010er Jahren Gegenstand intensiver Debatte. Was technisch als „Trainingsdaten” bezeichnet wird, hat in der wirtschaftswissenschaftlichen Theorie eine präzisere Beschreibung gefunden: Daten als neuer Produktionsfaktor.

Paul Romers Endogene Wachstumstheorie und Wissen als Produktionsfaktor

Der Nobelpreisträger Paul Romer entwickelte in den 1980er und 1990er Jahren eine Theorie, die Wissen — und nicht nur Kapital und Arbeit — als eigenständigen Produktionsfaktor identifiziert. Der entscheidende Unterschied zu klassischen Produktionsfaktoren: Wissen ist nicht rival (es kann gleichzeitig von unbegrenzt vielen Personen genutzt werden) und kann prinzipiell nicht erschöpft werden. Diese Eigenschaft macht Wissen — und damit auch Daten — zu einem Produktionsfaktor mit außergewöhnlicher Skalierungsdynamik.

Auf KI-Trainingsdaten übertragen: Ein Datensatz mit einer Million Kundeninteraktionen kann von unbegrenzt vielen Modellen gleichzeitig genutzt werden. Das Trainieren eines Modells verbraucht die Daten nicht. Die einzige Engpassressource ist die Rechenleistung für das Training, nicht der Datensatz selbst. Das erklärt, warum Unternehmen mit großen Datenbeständen (Google, Meta, Amazon) strukturelle Vorteile beim KI-Training haben, die schwer einzuholen sind.

Merksatz

Daten sind nicht-rival und prinzipiell nicht erschöpfbar — sie verhalten sich damit wie Wissen in Romers Wachstumstheorie. Unternehmen, die frühzeitig große, qualitativ hochwertige Datensätze aufgebaut haben, besitzen einen strukturellen Wettbewerbsvorteil, der durch nachträgliche Investitionen nur schwer aufzuholen ist.

Erik Brynjolfssons Messung von digitalem Kapital

Erik Brynjolfsson und Andrew McAfee von der MIT Sloan School of Management prägten mit ihrem Werk „The Second Machine Age” (2014) den Begriff des „digitalen Kapitals”. Ihre empirische Forschung zeigte, dass die wirtschaftliche Produktivität von digitalen Technologien systematisch unterschätzt wird, weil traditionelle volkswirtschaftliche Messgrößen wie das BIP nicht für die Erfassung digitaler Güter ausgelegt sind.

Besonders relevant ist Brynjolfssons Forschung zur „intangible value of data” (immaterieller Datenwert): In einer Studie analysierten Brynjolfsson et al. (2019), dass Unternehmen, die datengetriebene Entscheidungsfindung einsetzen, eine um 5–6 % höhere Produktivität aufweisen als vergleichbare Unternehmen ohne diese Praxis. Diese Produktivitätsprämie ist statistisch robust und über verschiedene Branchen hinweg nachweisbar.

Das Datenwert-Paradox in der Praxis

Trotz der theoretisch klaren Bedeutung von Daten als Produktionsfaktor gibt es in der Praxis ein fundamentales Bewertungsproblem: Daten erscheinen in keiner Bilanz. Nach den International Financial Reporting Standards (IFRS) und den deutschen HGB-Vorschriften sind selbst erstellte immaterielle Wirtschaftsgüter weitgehend nicht aktivierungsfähig. Ein Unternehmen mit einem Datensatz aus zehn Jahren Kundeninteraktionen, der KI-Modelle mit erheblichem Marktwert trainieren könnte, hat diesen Vermögenswert nicht in seiner Bilanz.

Das erzeugt Fehlanreize: Investitionen in Datenqualität, Datenverfügbarkeit und Dateninfrastruktur erscheinen als reine Kostenposition, nicht als Kapitalaufbau. Für Organisationen, die KI strategisch einsetzen wollen, ist das Verständnis dieses Paradoxons wichtig: Der Aufbau einer hochwertigen, konsistenten Datenbasis ist eine strategische Investition, auch wenn sie in herkömmlichen Kennzahlensystemen unsichtbar bleibt.

Datenmärkte und Datenschutz: Der europäische Sonderweg

Die Europäische Union hat mit dem Data Act (in Kraft seit September 2023) und dem Data Governance Act (in Kraft seit September 2023) eine Regulierungsarchitektur für Datenmärkte geschaffen. Das strategische Ziel: Europa will die Dominanz US-amerikanischer Plattformunternehmen bei der Datenkontrolle durch Interoperabilitätspflichten und Datenteilungsmechanismen beschränken.

Für Unternehmen bedeutet das konkret: Wer Produkte mit eingebetteten digitalen Elementen in der EU vertreibt, muss den Nutzern Zugang zu den generierten Nutzungsdaten ermöglichen. Das verändert das Geschäftsmodell datenreicher Produkte (Maschinen, Fahrzeuge, Smart Devices) grundlegend. Aus der ökonomischen Theorie heraus ist das ein Regulierungseingriff in die Aneignung von Daten als Produktionsfaktor — mit dem Ziel, die Produktionsfaktoren breiter zu verteilen.

Die Datenwirtschaft in konkreten Zahlen

Um die Bedeutung von Daten als Produktionsfaktor greifbar zu machen, lohnt ein Blick auf wirtschaftliche Kennzahlen. McKinsey Global Institute schätzte 2021, dass das globale Datenvolumen bis 2025 auf rund 175 Zettabytes anwachsen würde — eine Steigerung um den Faktor 23 gegenüber 2011. Davon wird nach Schätzungen weniger als 2 % tatsächlich analysiert und genutzt. Das impliziert ein enormes ungenutztes Potenzial, das durch KI-gestützte Analysetools zunehmend erschlossen werden kann.

Für Unternehmen relevant ist die Unterscheidung zwischen Datenmenge und Datenqualität. Forschungen zeigen konsistent, dass schlechte Datenqualität der häufigste Grund für das Scheitern von ML-Projekten in Unternehmen ist — nicht Mangel an Daten an sich. Ein Unternehmen mit 100.000 sauberen, konsistenten, korrekt gelabelten Datensätzen ist für KI-Anwendungen besser aufgestellt als eines mit 10 Millionen inkonsistenten, fehlerhaften oder veralteten Datensätzen. Das „Garbage in, garbage out”-Prinzip gilt bei ML mit besonderer Schärfe, weil Modelle systematische Fehler in den Trainingsdaten nicht eigenständig erkennen und korrigieren, sondern als Muster lernen und auf neue Daten übertragen.

Die praktische Konsequenz für Organisationen: Investitionen in Datenqualität — Datenvervollständigung, Duplikatbereinigung, einheitliche Taxonomien, Labeling-Prozesse — sind KI-Investitionen. Sie erscheinen im Budget als IT- oder Prozesskosten, sind aber strategisches Fundament für alle zukünftigen ML-Anwendungen.

Regulierung des Datenwerts: Europas Ansatz

Die Europäische Datenstrategie (2020) und die darauf aufbauenden Verordnungen — Data Governance Act (DGA) und Data Act (DA) — verfolgen das Ziel, Europa als führende Datenökonomie zu positionieren. Der Data Act (in Kraft September 2023) regelt unter anderem, wer unter welchen Bedingungen auf Daten aus vernetzten Produkten und damit verbundenen Diensten zugreifen darf — eine direkte Regulierung der Eigentumsrechte am Produktionsfaktor Daten.

Für Unternehmen, die vernetzte Produkte herstellen (IoT-Geräte, Maschinen, Fahrzeuge, Smart Devices), ändert der Data Act die strategischen Kalkulationen: Die Daten, die ein Produkt generiert, gehören nicht mehr ausschließlich dem Hersteller. Kunden und öffentliche Stellen erhalten unter bestimmten Bedingungen Zugangsrechte. Das verändert Geschäftsmodelle, die auf exklusiver Datenverwertung basieren — und erzeugt Anreize, Datenallianzen und Plattformen zu entwickeln, die Datenpools teilen, anstatt sie zu isolieren.

Praxisvertiefung: Die wirtschaftliche Dimension von ChatGPT — eine Fallstudie

Die Einführung von ChatGPT im November 2022 ist nicht nur ein technologischer Meilenstein, sondern eine wirtschaftliche Fallstudie der schnellsten Produktadoption in der Geschichte des Internets. Das Verständnis dieser Dynamik ist für strategische KI-Entscheidungen relevant.

Adoption-Geschwindigkeit: ChatGPT erreichte 1 Million Nutzer in 5 Tagen und 100 Millionen in 2 Monaten. Zum Vergleich: Netflix brauchte 3,5 Jahre für 1 Million Nutzer, Instagram 2,5 Monate für 1 Million. Diese Geschwindigkeit signalisierte institutionellen Investoren, dass die Technologie das kritische Adoptionsschwelle überschritten hatte — und löste einen globalen KI-Investitionsboom aus.

Die Infrastruktur-Wette: Microsoft investierte 10 Milliarden US-Dollar in OpenAI und integrierte GPT-Technologie in alle seine Produkte (Office, Teams, Azure, Bing). Diese strategische Entscheidung war nicht primär eine technologische Wette, sondern eine Marktpositionierungswette: Wer die KI-Infrastruktur kontrolliert, kontrolliert den Zugang für Unternehmenskunden. Das erklärt auch, warum Google mit Gemini, Amazon mit Bedrock und Meta mit Llama massive Investitionen tätigten — nicht um ChatGPT zu kopieren, sondern um keine KI-Infrastruktur-Monopolstellung von Microsoft/OpenAI entstehen zu lassen.

Konsequenzen für Unternehmenskunden: Für Organisationen bedeutet diese Dynamik: Die KI-Infrastruktur-Entscheidungen der nächsten 2–3 Jahre (Welcher Cloud-Anbieter? Welche APIs?) werden mittelfristige strategische Abhängigkeiten schaffen, die schwer reversibel sind. Diese historische Einordnung — wie das ChatGPT-Momentum institutionelle KI-Investitionen ausgelöst hat — erklärt, warum der heutige Aufschwung strukturell anders ist als die früheren KI-Winter: Die wirtschaftliche Infrastruktur ist diesmal bereits gebaut, nicht erst versprochen.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

In einem IT-Beratungshaus begegnet die KI-Geschichte täglich den Mitarbeitenden, ohne dass sie es wissen. Wenn der Projektleiter ChatGPT nutzt, um Meeting-Protokolle zu strukturieren, setzt er die Technologie der Transformer-Ära (2017+) ein. Wenn ein Entwickler GitHub Copilot verwendet, nutzt er ein Modell, das auf dem GPT-4-Nachfolger basiert und aus Millionen öffentlicher Code-Repositories trainiert wurde — das Ergebnis eines Jahrzehnts Deep-Learning-Forschung seit AlexNet.

Das historische Wissen ist für IT-Berater:innen wertvoll, wenn Kunden fragen: „Ist das jetzt der KI-Winter der dritten Generation?” Eine fundierte Antwort — „Nein, weil dieser Aufschwung auf realem Produktivnutzen basiert und nicht nur auf Labordergebnissen” — zeigt Kompetenz und verhindert, dass Kunden aus falscher Vorsicht auf tatsächlich nützliche Technologie verzichten.

Industrie & Fertigung

Ein Fertigungsunternehmen, das seit den 1990er Jahren Automatisierungszyklen erlebt hat, ist gegenüber neuen Technologiehypes oft skeptisch. „Wir haben die Robotik-Welle, die ERP-Welle und die IoT-Welle miterlebt — jedes Mal wurden die Versprechen übertrieben.” Diese Haltung ist historisch verständlich — aber sie bedarf einer Differenzierung: Die aktuellen generativen KI-Modelle sind in der Lage, Dokumentationsaufgaben, Wartungsanleitungen und Fehlerdiagnosen in natürlicher Sprache zu unterstützen. Das ist kein IoT-Sensor-Hype — es ist eine Qualitätsstufe, die 2015 noch nicht existierte. Die historische Einordnung aus UE 2 hilft, diese Differenzierung überzeugend zu kommunizieren.

Finanzdienstleistung & Versicherung

Banken und Versicherungen gehören zu den Branchen, die historisch am stärksten von KI-Frühwellen profitierten und von ihnen enttäuscht wurden. Expertensysteme für Kreditscoring der 1980er Jahre (zweiter KI-Winter) wurden durch statistisches ML in den 2000ern ersetzt, das durch DL in den 2010ern übertroffen wurde. Für Compliance-Verantwortliche ist das relevant: Jede Generation hatte andere Bias-Risiken, Erklärungsanforderungen und Regulierungsanforderungen. Das Verständnis der historischen Entwicklung hilft, aktuelle Regulierungsanforderungen (EU AI Act, EBA-Leitlinien für KI in der Kreditvergabe) im richtigen Kontext zu verorten.

Öffentliche Verwaltung

Verwaltungsbehörden stehen vor einem besonderen historischen Dilemma: Sie haben die früheren KI-Wellen durch Budgetkürzungen mitverursacht (als staatliche Forschungsförderung in den KI-Wintern zurückgefahren wurde) und sind gleichzeitig oft die letzten, die von neuen Technologiewellen profitieren. Das Wissen um historische Fehleinschätzungen — und die strukturellen Unterschiede zum heutigen Stand — ist für öffentliche IT-Verantwortliche wichtig, um weder zu früh zu investieren noch zu lange abzuwarten.

Übung 1 — Meilenstein-Puzzle: Zeitliche Einordnung

Übung 1 — Meilenstein-Puzzle

Aufgabe: Sie erhalten zwölf Ereignisbeschreibungen (auf Karten oder als Liste), die zwölf KI-Meilensteine beschreiben — ohne Jahreszahlen. Ordnen Sie sie chronologisch, schätzen Sie die Jahreszahlen und begründen Sie Ihre Einordnung.

Material: Zwölf Ereignisbeschreibungen. Die Ereignisse sind: (1) Turing-Test-Konzept, (2) Begriff „Artificial Intelligence” geprägt, (3) ALPAC-Report bremst Übersetzungsforschung, (4) Expertensystem MYCIN für Medizin entwickelt, (5) Backpropagation-Algorithmus praktikabel gemacht, (6) Deep Blue schlägt Garri Kasparow im Schach, (7) ImageNet-Wettbewerb DL-Durchbruch, (8) Transformer-Architektur „Attention is All You Need”, (9) GPT-3 mit 175 Milliarden Parametern, (10) ChatGPT-Launch, (11) Multimodale Modelle GPT-4 Vision, (12) Claude 4 / Gemini 2.5 Reasoning-Modelle.

Schritt-für-Schritt: 1. Legen Sie alle Karten aus oder notieren Sie die Ereignisse in einer Liste. 2. Ordnen Sie sie ohne Hilfsmittel in eine chronologische Reihenfolge. 3. Schätzen Sie für jedes Ereignis eine Jahreszahl (Toleranz: ±3 Jahre gilt als korrekt). 4. Markieren Sie, welche Ereignisse in oder direkt vor einem KI-Winter lagen. 5. Vergleichen Sie Ihre Einordnung mit der Zeitleiste aus dem Lerntext. 6. Diskutieren Sie in der Gruppe: Welches Ereignis hat Sie am meisten überrascht?

Erwartetes Ergebnis: Korrekte chronologische Reihenfolge aller zwölf Ereignisse; mindestens acht korrekte Jahreszahlen (±3 Jahre).

Musterlösung:

Übung 2 — Transferanalyse: Hätte ein KI-Winter heute die gleichen Ursachen?

Übung 2 — KI-Winter-Risikoanalyse

Aufgabe: Analysieren Sie, welche der historischen KI-Winter-Ursachen heute potenziell noch wirksam sein könnten — und welche durch die aktuelle Infrastruktur strukturell überwunden wurden. Schreiben Sie eine strukturierte Einschätzung (ca. 200 Wörter) und präsentieren Sie diese in der Gruppe.

Schritt-für-Schritt: 1. Identifizieren Sie aus dem Lerntext die vier Hauptursachen der KI-Winter (Rechenleistungsgrenzen, Datenmangel, Überschätzung der Fähigkeiten, Wartungslast regelbasierter Systeme). 2. Bewerten Sie für jede Ursache, ob sie heute noch relevant ist — mit Begründung. 3. Identifizieren Sie zwei neue Risikofaktoren, die es in früheren KI-Wintern nicht gab (z. B. regulatorische Risiken, Energiekosten, Talentmangel). 4. Formulieren Sie eine Gesamtbewertung: Wie hoch schätzen Sie das Risiko eines erneuten KI-Winters in den nächsten fünf Jahren ein?

Erwartetes Ergebnis: Strukturierte Analyse mit vier klassischen und zwei neuen Risikofaktoren, klare Position mit Begründung.

Musterlösung (Kurzfassung):

Klassische Ursachen heute: Rechenleistungsgrenzen sind durch GPU-Cloud weitgehend überwunden — aber Energiekosten steigen. Datenmangel ist umgekehrt: zu viel unstrukturierte, qualitativ minderwertige Daten. Überschätzung der Fähigkeiten ist aktuell stark präsent (Agentic AI, AGI-Versprechen). Wartungslast regelbasierter Systeme entfällt bei LLMs — ersetzt durch Halluzinationsrisiken.

Neue Risikofaktoren: (1) Regulatorische Kosten durch EU AI Act und ähnliche Regelwerke könnten Pilotprojekte verteuern und verlangsamen. (2) Geopolitische Spannungen um GPU-Exportkontrolle (NVIDIA, TSMC) könnten Trainingskapazitäten beschränken. Gesamteinschätzung: Ein harter KI-Winter ist unwahrscheinlich, weil der wirtschaftliche Nutzen realer ist als in früheren Zyklen. Eine Konsolidierungsphase mit verlangsamtem Wachstum ist hingegen gut möglich.

Erweiterte Übung 3 — Datenwert-Analyse für eine Organisation

Übung 3 — Datenwert-Analyse

Aufgabe: Sie analysieren den impliziten Datenwert einer Organisation systematisch und leiten daraus KI-Nutzungspotenziale ab. Diese Transfer-Aufgabe verknüpft ökonomische Theorie (Daten als Produktionsfaktor) mit praktischer Strategie-Entwicklung.

Material: Wählen Sie eine Organisation, die Ihnen bekannt ist (eigene, Kundenunternehmen oder öffentlich bekanntes Beispiel). Nutzen Sie das nachfolgende strukturierte Analyseraster.

Schritt-für-Schritt:

1. Bestandsaufnahme Daten: Identifizieren Sie mindestens sechs relevante Datenquellen in der Organisation. Unterscheiden Sie dabei: (a) strukturierte Daten (Datenbank, ERP, CRM), (b) unstrukturierte Daten (E-Mails, Dokumente, PDFs), (c) generierte Daten (Maschinendaten, Log-Dateien, Sensordaten).
2. Qualitätsbewertung: Bewerten Sie jede Datenquelle auf drei Kriterien: Vollständigkeit (Wie viel fehlt?), Aktualität (Wie aktuell sind die Daten?) und Zugänglichkeit (Wie einfach ist der Zugriff für KI-Systeme?). Nutzen Sie eine Skala von 1 (sehr schlecht) bis 3 (gut).
3. Nutzenpotenzial: Formulieren Sie für die drei Datenquellen mit dem höchsten Qualitätsscore je einen konkreten KI-Anwendungsfall, der mit diesen Daten realisierbar wäre.
4. Datenlücken: Identifizieren Sie zwei Datenquellen, die theoretisch wertvoll wären, aber aktuell nicht verfügbar oder nicht nutzbar sind. Was würde es kosten, diese Lücken zu schließen?
5. Priorisierung: Welcher der drei identifizierten KI-Anwendungsfälle hat das beste Verhältnis aus Aufwand und erwartetem Nutzen? Begründen Sie Ihre Entscheidung in fünf Sätzen.

Erwartetes Ergebnis: Ausgefülltes Daten-Inventar (mind. 6 Quellen), Qualitätsbewertung, drei KI-Anwendungsfälle mit Priorisierungsentscheidung und Begründung.

Musterlösung (Beispiel-Szenario: Rechtsanwaltskanzlei, 30 Anwälte):

KI-Anwendungsfälle für Top-Datenquellen:

1. Abrechnungssystem (Score 8): Automatische Erkennung von Zeiterfassungsanomalien und Optimierungsvorschläge für Mandats-Budgets auf Basis historischer Abrechnungsmuster.
2. Schriftsatzdatenbank (Score 7): Semantische Suche in eigenen Schriftsätzen zum schnellen Auffinden ähnlicher Argumentation für neue Mandate.
3. E-Mail-Korrespondenz (Score 7): Automatische Zusammenfassung von Mandatskommunikation für interne Übergaben bei Personalwechsel.

Datenlücken: - Öffentliche Gerichtsentscheidungen (Volltext): Würden die Schriftsatz-Suche erheblich verbessern; Kosten: Lizenz für juristische Datenbank (z. B. beck-online) bereits vorhanden, aber API-Integration fehlt. - Mandantenzufriedenheitsdaten: Nicht systematisch erhoben; kurze Post-Mandat-Befragung (3 Fragen, digital) würde den Aufbau ermöglichen.

Priorisierung: Der KI-Anwendungsfall „Semantische Suche in Schriftsatzdatenbank” hat das beste Aufwand-Nutzen-Verhältnis. Begründung: Die Daten sind bereits vorhanden, müssen nur zugänglich gemacht werden (Indexierung in einem RAG-System). Der Zeitgewinn pro Anwalt ist messbar (geschätzte 30–60 Minuten pro komplexem Mandat), das Risiko ist gering (die KI ersetzt keine Entscheidung, sondern unterstützt die Recherche). Die Implementierung ist mit bestehenden Open-Source-Tools (Llama + ChromaDB) mittelfristig ohne hohe Lizenzkosten realisierbar.

Cheatsheet — Die wichtigsten Punkte

• 1950: Alan Turing — „Computing Machinery and Intelligence” — Turing-Test.
• 1956: Dartmouth Conference — Begriff „Artificial Intelligence” geprägt.
• 1974–1980: Erster KI-Winter — Rechenleistungs- und Datengrenzen, ALPAC-Desillusionierung.
• 1987–1993: Zweiter KI-Winter — Kollaps der Expertensystem-Unternehmen.
• 2012: AlexNet — Deep-Learning-Durchbruch, Fehlerrate von 26 % auf 15 % gesenkt.
• 2017: Transformer-Architektur — „Attention is All You Need” (Vaswani et al., Google).
• 2022: ChatGPT-Launch — 100 Mio. Nutzer in 2 Monaten.
• KI-Winter entstanden stets durch Überschätzung kurzfristiger Möglichkeiten.
• Transformer + Skalierungsgesetze + GPU-Verfügbarkeit sind die drei technischen Fundamente des aktuellen Aufschwungs.
• Skalierungsgesetze: Mehr Parameter + Mehr Daten + Mehr Rechenleistung = Besseres Modell (bisher ohne klare Sättigungsgrenze, aber mit wachsenden Kostenfragen).

Prompt-Beispiel: KI-historischen Kontext für Stakeholder-Kommunikation nutzen

Rolle: Sie sind IT-Leiter eines mittelständischen Unternehmens und präsentieren dem Aufsichtsrat die KI-Strategie.

Aufgabe: Erstellen Sie drei Argumentationsbausteine (je 2–3 Sätze), die den historischen KI-Kontext nutzen, um folgende Botschaft überzeugend zu vermitteln: „Die aktuelle KI-Welle ist diesmal strukturell anders als frühere Hype-Phasen — aber ohne unrealistische Erwartungen.”

Kontext: Der Aufsichtsrat hat die KI-Winter der 1980er und 1990er Jahre miterlebt und ist entsprechend vorsichtig. Drei Mitglieder sind über 60 Jahre alt und haben beruflich die Einführung von ERP-Systemen begleitet, die damals ebenfalls als „revolutionär” angekündigt wurden.

Format: Drei nummerierte Argumentationsbausteine à 2–3 Sätze. Sachlich, keine Superlative, konkrete Zahlen wo möglich.

Beispiel-Ergebnis (gekürzt): „1. Die früheren KI-Winter entstanden, weil die Technologie im Labor funktionierte, aber im Praxiseinsatz scheiterte. Heute nutzen weltweit über 100 Millionen Menschen täglich KI-Tools produktiv — das ist kein Laborbeweis, sondern Marktbeweis. 2. Der entscheidende technische Unterschied zu den 1980er Jahren: Damals mussten Regeln manuell kodiert werden und wurden mit jeder Ausnahme teurer. Heute lernen Systeme aus Daten und werden mit mehr Daten besser statt aufwändiger. 3. Realistische Erwartung: Die nächsten drei Jahre werden deutlichen Produktivnutzen bringen, aber auch Fehlschläge und Kurskorrekturen — genau wie bei jeder anderen Technologiewelle nach ERP und Internet.”

Vertiefung: Geoffrey Hinton, Yann LeCun, Yoshua Bengio — die wissenschaftliche Genealogie des Deep Learning

Hinter jedem technischen Durchbruch stehen Personen und wissenschaftliche Netzwerke. Das Verständnis der wissenschaftlichen Genealogie des Deep Learning ist nicht nur historisch interessant, sondern hilft, die aktuellen Debatten um KI-Risiken und -Potenziale zu kontextualisieren.

Geoffrey Hinton (geb. 1947) ist die Schlüsselfigur der modernen KI. Er promovierte 1978 in Edinburgh über künstliche neuronale Netze — zu einem Zeitpunkt, als der Mainstream die Forschung für aussichtslos hielt. In den 1980er Jahren machte er den Backpropagation-Algorithmus praktikabel, was das Training tiefer Netze erst ermöglichte. 2012 gewann sein Schüler Alex Krizhevsky mit AlexNet den ImageNet-Wettbewerb und löste die Deep-Learning-Revolution aus. Hinton erhielt 2024 den Nobelpreis für Physik — gemeinsam mit John Hopfield — für grundlegende Entdeckungen, die maschinelles Lernen mit neuronalen Netzen ermöglichten. Im Jahr 2023 verließ er Google, um unabhängig über KI-Risiken sprechen zu können.

Yann LeCun (geb. 1960) entwickelte in den 1980er und 1990er Jahren Convolutional Neural Networks (CNNs) — die Architektur, die heute in nahezu jeder Bilderkennung steckt. LeCun ist heute Chief AI Scientist bei Meta und einer der prominentesten Skeptiker gegenüber übertriebenen AGI-Befürchtungen. Er argumentiert, dass aktuelle LLMs trotz beeindruckender Sprachfähigkeiten keine echten Weltmodelle entwickeln und fundamentale Schwächen in räumlichem Denken sowie Kausalität zeigen.

Yoshua Bengio (geb. 1964) ist Professor an der Université de Montréal und Mitbegründer des Montreal Institute for Learning Algorithms (Mila). Er trug wesentlich zur Entwicklung von Attention-Mechanismen und vortrainierten Modellen bei. Alle drei — Hinton, LeCun, Bengio — erhielten 2018 den Turing Award, den höchsten Preis der Informatik. Ihre divergierenden öffentlichen Positionen seit 2023 (Bengio und Hinton warnen vor KI-Risiken, LeCun relativiert) illustrieren, dass selbst unter den größten Experten keine Einigkeit über die Trajektorie der KI-Entwicklung besteht.

Merksatz

Das „Turing-Trio” Hinton, LeCun und Bengio haben die moderne KI maßgeblich geprägt — und sind heute in ihrer Risikoeinschätzung uneinig. Das ist kein Widerspruch, sondern ein Zeichen für die genuine Offenheit der Fragen um zukünftige KI-Entwicklung.

Branchen-Vignette: Industrie & Fertigung — Der historisch informierte Investitionsentscheid

Ein Hersteller von Industriepumpen (1.400 Mitarbeitende, B2B-Fokus, Märkte in Europa und Asien) steht vor der Entscheidung, ob er 2 Millionen Euro in ein KI-gestütztes Predictive-Maintenance-System investieren soll. Der Produktionsleiter ist skeptisch: „Wir haben die Robotik-Welle in den 1990ern miterlebt. Die Kosten explodierten, der ROI kam nie.”

Der IT-Leiter kann jetzt differenzieren: Die Robotik-Welle scheiterte nicht an Robotern per se, sondern an unrealistischen Integrations- und Wartungsversprechen. Das Predictive-Maintenance-Modell basiert auf Sensordaten, die bereits vorhanden sind, und auf ML-Modellen, die auf tatsächlichen Ausfallhistorien trainiert werden. Der entscheidende Unterschied zu regelbasierten Systemen der 1990er: Das Modell lernt aus neuen Ausfällen und verbessert sich mit der Zeit — es wird nicht teurer mit jeder Ausnahme, sondern besser. Diese historisch fundierte Differenzierung ist das stärkste Argument gegenüber skeptischen Entscheidungsträgern. Sie setzt jedoch das Verständnis der historischen Muster voraus, das UE 2 aufbaut.

Übung 4 — Historische Parallelen: Welche aktuellen KI-Trends zeigen Hype-Muster?

Aufgabe: Sie analysieren aktuellen KI-Hype mit historischem Methodenwissen und identifizieren Parallelen zu früheren Überschätzungsmustern. Ziel ist eine nüchterne, evidenzbasierte Einschätzung — weder übertrieben optimistisch noch pauschal ablehnend.

Schritt-für-Schritt: 1. Wählen Sie zwei aktuelle KI-Trends oder -Versprechen aus der öffentlichen Diskussion (Beispiele: AGI bis 2030, KI-Ärzte, autonomes Fahren Level 5, Agentic AI). 2. Analysieren Sie für jeden Trend: Welche technischen Grundlagen sind bereits nachgewiesen? Welche Versprechen gehen über den nachgewiesenen Stand hinaus? 3. Vergleichen Sie mit einem historischen Parallel-Fall aus der KI-Geschichte (z. B. Expertensystem-Versprechen der 1980er, frühere Robotik-Prognosen). 4. Formulieren Sie je eine sachliche Einschätzung: In welchem Zeitraum könnte das Versprechen realistisch eingelöst werden — und unter welchen Bedingungen? 5. Schreiben Sie einen kurzen „Reality-Check”-Absatz (ca. 80 Wörter) für einen internen Newsletter.

Erwartetes Ergebnis: Strukturierte Analyse zweier Trends mit historischem Vergleich und einem formulierten Reality-Check-Text.

Reflexionsfragen

1. Wenn Sie die Geschichte der KI-Winter kennen: Welche Aussagen von KI-Anbietern oder in der Fachpresse würden Sie heute mit größerer Skepsis lesen?
2. Die Transformer-Architektur wurde 2017 bei Google entwickelt — warum konnte Google dennoch nicht verhindern, dass OpenAI mit ChatGPT den Massenmarkt erreichte?
3. Die KI-Winter entstanden durch zu hohe Erwartungen. Sehen Sie heute ähnliche Mechanismen — und wenn ja, in welchen Bereichen?
4. Wie würden Sie einem Gesprächspartner erklären, dass das heutige KI-Niveau trotz früherer Fehlschläge auf einem soliden Fundament steht?

Prompt-Beispiel: Historische KI-Argumente für eine Entscheidungsvorlage einsetzen

Rolle: Sie sind Strategieberater bei einem Unternehmen, das eine Investitionsentscheidung für ein KI-Projekt vorbereitet.

Aufgabe: Verfassen Sie zwei Absätze (je ca. 80 Wörter) für eine Investitionsvorlage, die den historischen Kontext der KI-Entwicklung nutzt, um (a) die Chancen des aktuellen KI-Einsatzes zu begründen und (b) realistische Erwartungen an Implementierungsrisiken zu setzen.

Kontext: Das Projekt: Einführung eines KI-gestützten Customer-Service-Bots (Chatbot mit LLM-Basis) für ein Telekommunikationsunternehmen. Investitionsvolumen: 400.000 Euro. Ziel: 30 % Reduktion der Support-Ticket-Bearbeitungszeit. Entscheidungsträger: CFO und Vorstand.

Format: Zwei separate Absätze mit Überschriften „Chancen im Kontext der technologischen Entwicklung” und „Realistische Risikoeinschätzung auf Basis historischer Muster”. Sachlich, keine Superlative, konkret.

Beispiel-Ergebnis (gekürzt): „Chancen im Kontext der technologischen Entwicklung: Die aktuelle Generation der Sprachmodelle basiert auf der Transformer-Architektur (Vaswani et al., 2017) und hat seit 2022 in industriellen Pilotprojekten weltweit Produktivitätssteigerungen von 20–40 % im Kundensupport nachgewiesen — nicht im Labor, sondern im Produktionsbetrieb. Das unterscheidet diesen Investitionszyklus fundamental von den KI-Winters der 1970er und 1980er Jahre, die an mangelnder Praxistauglichkeit scheiterten. Realistische Risikoeinschätzung: Historisch gescheiterte KI-Projekte hatten oft denselben Nenner: überzogene Erwartungen an zu kurzen Zeiträumen. Für dieses Projekt bedeutet das: Die 30 %-Zielmarke gilt für Routineanfragen; komplexe Tickets werden weiterhin menschliche Bearbeitung erfordern.”

Zusätzliche Reflexionsfragen — Vertiefung

1. Welche drei konkreten Warnsignale würden Sie in einem aktuellen KI-Anbieter-Pitch erkennen, die auf eine erneute Überschätzung hinweisen?
2. Die Skalierungsgesetze zeigen, dass größere Modelle besser werden — aber diese Entwicklung ist mit steigenden Energiekosten verbunden. Welche gesellschaftlichen und strategischen Konsequenzen hat das für die KI-Industrie?
3. Warum ist das Jahr 2017 (Transformer-Architektur) aus technischer Sicht wichtiger als das Jahr 2022 (ChatGPT) — obwohl ChatGPT den größeren gesellschaftlichen Impact hatte?

Weiterführende Vertiefung: Das Compute-Dreieck — Daten, Algorithmen, Rechenleistung

Die KI-Forschungsgemeinschaft beschreibt technischen Fortschritt häufig anhand von drei miteinander verbundenen Faktoren, die als „Compute-Dreieck” oder „Heilige Dreifaltigkeit der KI” bekannt sind: Daten, Algorithmen und Rechenleistung (Compute).

Rechenleistung (Compute): Die Verfügbarkeit leistungsfähiger Grafikprozessoren (GPUs) und später spezialisierter KI-Chips (TPUs von Google, Trainium von AWS) war ein entscheidender Enabler der Deep-Learning-Revolution. Zwischen 2010 und 2020 verdoppelte sich die für KI-Training verfügbare Rechenleistung alle drei bis vier Monate — deutlich schneller als Moores Gesetz für allgemeine Halbleiter. NVIDIA wurde durch diesen Trend zu einem der wertvollsten Unternehmen der Welt; die strategische Bedeutung von GPU-Chips ist heute vergleichbar mit der von Öl im 20. Jahrhundert — ein geopolitisches Gut mit hoher strategischer Bedeutung.

Daten: Daten sind das Trainingsmaterial für ML-Modelle. Das Internet hat in den 2000er und 2010er Jahren eine historisch einmalige Menge hochwertiger Textdaten generiert — Wikipedia, wissenschaftliche Paper, Code-Repositories, digitalisierte Bücher. Diese Daten wurden für das Vortraining der großen Sprachmodelle genutzt. Mit wachsender Modellgröße entstehen jedoch Engpässe: Der Pool an qualitativ hochwertigen englischen Texten ist nach Schätzungen weitgehend ausgeschöpft. Synthetische Daten (durch KI selbst generiert) und multimodale Daten (Bilder, Audio, Video) gewinnen an Bedeutung.

Algorithmen: Architekturinnovationen wie der Transformer (2017), Mixture-of-Experts (MoE), Gruppenabfrage-Attention und verbesserte Trainingsverfahren (Direct Preference Optimization, DPO als Alternative zu RLHF) haben die Effizienz von Modellen erheblich verbessert. Effizientere Algorithmen bedeuten: Gleiche Leistung mit weniger Rechenaufwand — oder höhere Leistung bei gleichem Budget. Diese Innovationen können die strukturellen Vorteile der Hyperscaler beim Compute-Zugang teilweise ausgleichen.

Das Compute-Dreieck erklärt, warum der aktuelle KI-Aufschwung trotz früherer Rückschläge auf einem stabileren Fundament steht: Alle drei Faktoren haben gleichzeitig Fortschritte gemacht — und zwar nachhaltig, nicht nur im Labormaßstab.

Quellen & Weiterlesen

Trainer-Hinweise

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 2

Timing (45 Min): 5 Min Einstieg (Impulsstatement: „KI wird die Welt in 20 Jahren verändern” — wann wurde das gesagt?), 15 Min Zeitstrahl-Aufbau gemeinsam mit der Gruppe (Miro oder Whiteboard), 12 Min Jigsaw: Kleingruppen je für einen Zeitabschnitt verantwortlich, 10 Min Plenum-Diskussion, 3 Min Cheatsheet.

Methodische Empfehlung: Die Jigsaw-Methode funktioniert in UE 2 besonders gut: Vier Gruppen decken je einen Zeitabschnitt ab (1950–70, 1970–90, 1990–2012, 2012–heute) und präsentieren ihre Erkenntnisse den anderen. Das schafft aktive Auseinandersetzung mit dem historischen Material, ohne dass alle alles lesen müssen.

Häufige Stolpersteine: (a) Teilnehmende unterschätzen die Länge der Stagnationsphasen — 13 Jahre KI-Winter ist schwer vorstellbar. Visualisierung auf einer Zeitachse hilft. (b) Der Begriff „emergente Fähigkeiten” wird oft als mystisch wahrgenommen — ein konkretes Beispiel (GPT-2 kann keine deutschen Texte schreiben, GPT-3 plötzlich ja) macht es greifbar. (c) Manche Teilnehmende glauben, ChatGPT sei von Google entwickelt worden — das ist eine gute Gelegenheit, das Ökosystem zu erklären.

Diskussionsfragen für Plenum: (1) „Warum scheiterten Expertensysteme im zweiten KI-Winter — und welches heutige KI-System hat ein ähnliches Risiko?” (2) „Wann glauben Sie, wird der nächste KI-Winter kommen — falls er kommt?”

Tafelbild-Vorschlag: Horizontale Zeitachse 1950–2026 mit den Markierungen: Dartmouth (1956), ALPAC (1966), Winter 1 (1974–80), MYCIN (1974), Winter 2 (1987–93), AlexNet (2012), Transformer (2017), ChatGPT (2022). Zwischen den Wintern: „Hype” in roter Farbe, in den Wintern: „Realitätscheck” in grau.

Differenzierung: Einsteiger fokussieren auf die chronologische Einordnung (Übung 1). Power-User lesen zusätzlich das Originalpaper „Attention is All You Need” (Abstract und Einleitung) und berichten, was sie verstanden haben.

Tipp zur Branchenauswahl: Für Industrieunternehmen ist die Vignette „Industrie & Fertigung” passend — hier ist die Skepsis gegenüber neuen Technologiehypes oft am ausgeprägtesten und die historische Einordnung am wertvollsten. Für Finanzdienstleister eignet sich die Diskussion der Expertensystem-Ära, da Banken damals zu den größten Investoren in diese Technologie gehörten.

Übergang zur nächsten UE: „Wir kennen die Geschichte — aber wie sieht der KI-Markt heute aus? In UE 3 kartieren wir das aktuelle Ökosystem: Wer sind die wichtigsten Anbieter, und nach welchen Kriterien wählen wir das richtige Tool für die richtige Aufgabe?”

Selbstlerner-Hinweise — UE 2

Für Selbstlernende ohne Kurs-Kontext:

Lernpfad: Erstellen Sie nach dem Lerntext eine eigene Zeitleiste (Papier oder Miro/draw.io). Tragen Sie die zwölf Meilensteine aus Übung 1 mit Jahreszahlen ein. Markieren Sie die beiden KI-Winter in einem anderen Farbton — diese Visualisierung ist ein effektives Gedächtniswerkzeug.

Empfohlene Ergänzungsquellen: Der Stanford AI Index Report (jährlich, kostenlos) bietet aktuelle Statistiken. „Our World in Data — Brief History of AI” bietet eine hervorragende interaktive Zeitleiste.

Vertiefte Reflexion: Recherchieren Sie einen der KI-Winter genauer: Was schrieben Zeitungen 1987 über KI? Ein Blick in historische Quellen schärft das Gefühl für die Wiederkehr von Hype-Mustern.

Zeitaufwand: Lerntext: ca. 60 Minuten. Zeitleiste erstellen: 20 Minuten. Übung 2 (KI-Winter-Analyse): 30 Minuten. Gesamt: ca. 2 Stunden.

Selbstkontrollfragen: Können Sie drei Unterschiede zwischen dem aktuellen KI-Aufschwung und früheren KI-Wintern benennen? Können Sie Transformer-Architektur in zwei Sätzen erklären?

Multiplikatoren-Hinweise — UE 2

Für Trainer, Führungskräfte und interne Botschafter:

Die historische Perspektive aus UE 2 ist wichtig für eine reife Haltung gegenüber KI. Helfen Sie Ihrem Umfeld, den aktuellen Boom einzuordnen — weder als erste Revolution noch als letzte Enttäuschung.

Empfehlungen für die Nachbereitung im eigenen Bereich: - Stellen Sie im nächsten Meeting die Frage: „Wissen Sie, was der erste KI-Winter war — und was wir daraus lernen können?” - Verwenden Sie die Hype-Cycle-Einordnung gezielt, wenn Kolleginnen und Kollegen entweder zu euphorisch oder zu pessimistisch auf KI-Neuigkeiten reagieren. - Teilen Sie eine historische KI-Zeitleiste (z. B. die aus Lernmodul 2) per E-Mail mit einer kurzen Notiz, was Sie persönlich daran überraschend fanden.

Empfohlene Nachbereitungsfrage: „Welcher historische KI-Moment hat Sie am meisten überrascht — und warum?”

Zeitinvestition: 5 Minuten Einstiegsfrage + Kurzgespräch.

Übung 5 (Transferaufgabe): Den Hype-Cycle auf ein aktuelles KI-Tool anwenden

Ziel: Den Gartner Hype Cycle als Analyseinstrument auf ein reales KI-Produkt anwenden.

Aufgabe: Wählen Sie ein KI-Tool oder -Produkt, das Sie selbst kennen oder nutzen (z. B. eine Bild-KI, einen Code-Assistenten, ein Sprach-KI-System). Ordnen Sie es in den Gartner Hype Cycle ein und begründen Sie Ihre Einordnung.

Leitfragen: 1. In welcher Phase des Hype Cycles befindet sich das Tool Ihrer Einschätzung nach? 2. Welche Belege (Nachrichten, eigene Erfahrungen, Benchmarks) stützen Ihre Einordnung? 3. Welche realen Risiken entstehen, wenn Nutzer dieses Tool überschätzen?

Format: Kurze schriftliche Begründung (5–8 Sätze) oder Poster-Skizze mit Einordnung.

Hinweis: Es gibt keine falsche Antwort — die Einordnung ist interpretativ. Wichtig ist die argumentative Begründung.

Kernaussagen — UE 2 auf einen Blick

1. KI-Entwicklung verläuft in Zyklen: Euphorie, Ernüchterung, Reife. Der aktuelle Boom ist historisch außergewöhnlich — aber kein Garant für linearen Fortschritt.

2. Der Durchbruch von Deep Learning 2012 (AlexNet) markiert den Beginn der modernen KI-Ära — ermöglicht durch Datenmenge, Rechenleistung und Algorithmen-Innovationen.

3. Skalierungsgesetze zeigen: Mehr Daten + mehr Compute = bessere Modelle. Diese Logik treibt die aktuelle LLM-Entwicklung.

4. Geschichte schützt vor Naivität: Wer KI-Winter kennt, schützt sich vor überzogenen Erwartungen.

5. Wirtschaftliche Auswirkungen von KI entstehen nicht sofort, sondern mit einer Adoptions-Verzögerung von oft 5–10 Jahren nach der technologischen Reife.

Vertiefende Literaturhinweise — UE 2

Zur Geschichte der KI: - Nils Nilsson: „The Quest for Artificial Intelligence: A History of Ideas and Achievements” (Cambridge University Press, 2010). Die akademisch gründlichste Geschichte der KI — kostenlos online verfügbar. - Pamela McCorduck: „Machines Who Think” (2. Aufl. 2004). Klassisches Werk zur KI-Geschichte, gut lesbar auch für Nicht-Informatiker. - Stuart Russell & Peter Norvig: „Artificial Intelligence: A Modern Approach” (4. Aufl. 2021). Das Standardlehrbuch der KI — Kapitel 1 bietet hervorragende historische Einordnung.

Zu Skalierungsgesetzen und LLM-Entwicklung: - Kaplan et al. (2020): „Scaling Laws for Neural Language Models” (arXiv:2001.08361). Das Originalpaper zu Skalierungsgesetzen — Abstract und Einleitung sind zugänglich. - Hoffmann et al. (2022): „Training Compute-Optimal Large Language Models” (arXiv:2203.15556). Das „Chinchilla”-Paper, das Kaplan’s Empfehlungen revidierte — wichtig für das Verständnis effizienter Modellentwicklung.

Zu KI-Investitionen und Wirtschaftsdynamik: - Stanford HAI: „AI Index Report 2024” — umfassende Statistiken zu KI-Investitionen, Adoptionsraten, Benchmarks. Kostenlos unter aiindex.stanford.edu. - Our World in Data: „Artificial Intelligence” — interaktive Visualisierungen zu KI-Entwicklungen und wirtschaftlichen Auswirkungen. Kostenlos unter ourworldindata.org.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.