Du musst KI nicht verstehen, damit sie dich betrifft. Wenn du sie verstehst, merkst du nur eher, wann sie es tut.
Öffnest du eine Karten-App, ist die angezeigte Ankunftszeit eine Vorhersage. Scrollst du durch einen Feed, ist die Reihenfolge der Beiträge eine Vorhersage darüber, was deine Aufmerksamkeit hält. Zahlst du mit Karte, hat ein Modell in Sekundenbruchteilen geschätzt, wie wahrscheinlich es sich um Betrug handelt. Die meiste KI um dich herum ist kein Chatbot. Sie ist ein ständiger Strom kleiner Vorhersagen im Hintergrund, und zusammen entscheiden sie über einen großen Teil dessen, wie die digitale Welt mit dir umgeht.
Von Regeln zu Vorhersagen
Klassische Software folgt Regeln, die ein Programmierer aufgeschrieben hat: Wenn der Kontostand unter null liegt, Zahlung ablehnen. Machine Learning ersetzt viele dieser handgeschriebenen Regeln durch Muster, die aus Daten gelernt werden. Niemand schreibt eine Regel, wie eine betrügerische Zahlung aussieht. Stattdessen bekommt ein Modell Millionen früherer Zahlungen gezeigt, jeweils als echt oder betrügerisch markiert, und leitet das Muster selbst ab.
Das Rezept ist immer ungefähr gleich: Daten sammeln, Muster darin finden und diese Muster dann nutzen, um für neue Fälle in Echtzeit Vorhersagen zu treffen. Andrew Ng hat KI einmal „die neue Elektrizität“ genannt, und zumindest in einer Hinsicht stimmt der Vergleich. Wie Strom verschwindet KI größtenteils in der Infrastruktur, und man bemerkt sie erst, wenn etwas schiefläuft.
Wo du ihr schon begegnest
- Gesundheit. Modelle helfen beim Auswerten medizinischer Bilder und erkennen Risiken früh. In einer Studie von 2018 stellten DeepMind und das Moorfields Eye Hospital ein System vor, das für mehr als 50 Augenerkrankungen die richtige Überweisungsempfehlung ungefähr so treffsicher gab wie führende Fachärzte.
- Bankwesen. Betrugserkennung, Kreditscoring und automatisierte Anlageberatung (Robo-Advisor) laufen alle über Modelle.
- Einkaufen. Amazons Empfehlungen sind aus dem kollaborativen Filtern von Artikel zu Artikel entstanden: Wer dies kaufte, kaufte auch das. Auf vielen Seiten bewegen sich die Preise inzwischen mit der vorhergesagten Nachfrage.
- Social Media und Streaming. Dein Feed, deine „Für dich“-Seite und deine Spotify-Playlists werden von Modellen sortiert, die vorhersagen, was du als Nächstes anschaust, likest oder hörst.
- Unterwegs. Navigations-Apps sagen den Verkehr voraus, Fahrdienst-Apps schätzen die Nachfrage und setzen Preise, und Fahrassistenzsysteme erkennen Fahrspuren und Verkehrszeichen.
- Lernen und Schreiben. Schreibassistenten und Sprach-Apps geben sofort Rückmeldung und passen die nächste Übung an die Fehler an, die du gerade gemacht hast.
- Logistik und Landwirtschaft. Paketdienste prognostizieren die Nachfrage und planen Routen; Landwirte erkennen mit Drohnenbildern und Modellen Pflanzenkrankheiten, bevor sie sich ausbreiten.
Was ein Modell in einer App kostet
Machine Learning in Alltagsprodukten einzusetzen ist vor allem eine Frage von Kompromissen, und als Nutzer spürst du sie, auch wenn du sie nicht siehst. Der erste betrifft die Geschwindigkeit. Ein Modell auf deinem Handy antwortet in wenigen Millisekunden, und deine Daten verlassen das Gerät nie, aber das Modell muss klein sein. Ein großes Modell in der Cloud kann viel mehr, doch jede Anfrage geht über das Netz. Das kostet spürbar Zeit und bedeutet, dass deine Daten auf dem Server von jemand anderem landen.
| Wo das Modell läuft | Typische Verzögerung | Datenschutz | Wichtigste Grenze |
|---|---|---|---|
| Auf dem Gerät (Core ML, ONNX Runtime) | Unter 10 ms | Daten bleiben auf dem Handy | Speicher und Akku |
| Server in der Nähe mit optimierten Modellen | Einige zehn Millisekunden | Daten werden verschlüsselt übertragen | Server- und GPU-Kosten |
| Große Sprachmodelle in der Cloud | Eine halbe bis mehrere Sekunden | Mehr deiner Daten verlassen das Gerät | Langsame, schwer vorhersehbare Antworten zu Stoßzeiten |
Der zweite Kompromiss liegt zwischen Genauigkeit und Nebenwirkungen:
- Empfehlungssysteme, die auf Engagement getrimmt sind, zeigen dir immer mehr von dem, was ohnehin beliebt ist, und Nischeninhalte sind schwerer zu finden.
- Zu strenge Betrugsmodelle senken die Verluste der Bank, blockieren aber echte Kundinnen und Kunden an der Kasse.
- Autovervollständigung spart Tipparbeit, schiebt aber alle in Richtung derselben Formulierungen und kann Vorurteile aus ihren Trainingsdaten wiederholen.
Was das für dich bedeutet
KI ist kein fernes oder theoretisches Thema mehr. Sie steckt in Entscheidungen darüber, was du liest, was du bezahlst und manchmal, ob du einen Kredit bekommst. Programmieren musst du dafür nicht lernen. Ein Grundgefühl dafür, wie diese Systeme arbeiten, macht dich aber zu einem besser informierten Kunden, Mitarbeiter und Bürger.
- Bleib neugierig. Lerne die Grundideen und Begriffe: Trainingsdaten, Vorhersage, Empfehlung, Verzerrung. Damit kannst du den meisten Debatten folgen.
- Frag nach dem Warum. Wenn eine Empfehlung auftaucht, frag dich, worauf sie optimiert ist. Hilft sie dir, oder lenkt sie dich?
- Erwarte Transparenz. Je mehr Modelle in öffentlichen Diensten, bei Bewerbungen und bei Krediten mitentscheiden, desto berechtigter ist die Frage, wie Entscheidungen zustande kommen und wie man ihnen widersprechen kann.
Den Unterschied machen die Menschen, die sie nutzen
KI ersetzt Menschen weniger, als dass sie verstärkt, wer sie gut einsetzt. Ob du ein Unternehmen führst, studierst, Politik machst oder Kunst: Zu wissen, wie diese Systeme ungefähr funktionieren und wo sie versagen, wird zu einem Teil der digitalen Grundbildung, so wie es vor zwanzig Jahren dazugehörte, im Netz suchen zu können.
