Eine kleine Geschichte der KI, Teil 3: Werkzeuge im Ausnahmezustand

Von der Pandemie bis zur Gegenwart – und warum KI trotz allem nicht denkt

Hier geht es zu Teil 1 (Link) und Teil 2 (Link)

Als 2020 die Welt zum Stillstand kam, begann gleichzeitig die vielleicht schnellste Beschleunigung der Digitalisierung in der Geschichte. Homeoffice, Videokonferenzen, Online-Unterricht, digitale Verwaltung, Telemedizin – alles, was zuvor „Zukunft“ hieß, war plötzlich Gegenwart. Und mit ihr: die KI.

Doch bevor wir in die Pandemiejahre eintauchen, lohnt sich ein kurzer Blick zurück – auf die Akteure, die in den Jahren davor die Grundlage für das geschaffen haben, was heute unter dem Schlagwort künstliche Intelligenz allgegenwärtig ist.

Die Geburt der modernen Sprachmodelle

Ab etwa 2017 änderte sich die Dynamik in der KI-Forschung dramatisch. Der entscheidende Impuls kam aus einer Arbeit von Google Brain mit dem schlichten Titel Attention Is All You Need. Darin beschrieben Ashish Vaswani und seine sieben Kollegen eine neue Architektur: den Transformer.

Im Gegensatz zu früheren neuronalen Netzen, die Wort für Wort verarbeiteten, konnte der Transformer Kontext über ganze Textpassagen hinweg erfassen. Damit entstand die Grundlage moderner Sprachmodelle (LLMs).

Aus dieser Idee gingen binnen weniger Jahre die großen Namen hervor:

• Google (BERT, T5): machte Transformer-Modelle zum Standard in der Forschung.
• OpenAI (GPT-Serie): setzte auf Größe, Datenmenge und Skalierung – die Modelle lernten, Sprache zu imitieren, zu erklären, zu ergänzen.
• Meta (LLaMA) und Anthropic (Claude) folgten mit ihren eigenen Varianten.
• DeepMind kombinierte neuronale Netze mit klassischem Denken in Projekten wie AlphaGo oder AlphaFold.

Der Grundgedanke blieb jedoch derselbe: Es geht nicht um Verstehen, sondern um Wahrscheinlichkeitsrechnung auf Textmuster. KI hat kein Denken, kein Bewusstsein, kein Wollen. Es ist nur Statistik, aber das in atemberaubender Größenordnung.

 

Die Pandemie als Katalysator

Dann kam COVID-19. Und mit der Krise explodierte die Nachfrage nach digitalen Werkzeugen. Für die Kommunikation waren es Zoom, Teams, Slack und Co. nutzten KI zur Spracherkennung, Transkription und automatischen Übersetzung. Was vorher als „nice to have“ galt, wurde zur Notwendigkeit.

In der Wissenschaft und Medizin halfen KI-Systeme bei der Analyse von Virus-Genomen, der Modellierung von Impfstoffwirkungen und der Auswertung klinischer Daten. Open-Science-Plattformen kombinierten erstmals auf globaler Ebene Machine-Learning-Pipelines in Echtzeit. OpenCV, von dem ich bereits frühernschrieb, wurde plötzlich an abertausenden neuen Plätzen für die Video-Erkennung, ob Maskenpflicht eingehalten wurde, eingesetzt.

Von Chatbots in Gesundheitsportalen bis zu automatisierten Kundendiensten – KI wurde zum Filter zwischen Mensch und System. Sie war überall, auch wenn kaum jemand sie als solche wahrnahm. Und doch zeigte sich in diesen Jahren etwas Grundlegendes:
Je stärker die Systeme in den Alltag eingriffen, desto sichtbarer wurde, wie sehr sie Werkzeuge und keine Denker waren. Sie halfen, sie beschleunigten, sie unterstützten, und doch verstanden sie nichts.

 

Die Nach-Pandemie-Explosion (2022 – heute)

2022 war das Jahr, in dem KI endgültig im Mainstream ankam. OpenAI öffnete ChatGPT für die Öffentlichkeit, und plötzlich war „KI“ nicht mehr nur Fachbegriff, sondern Alltagssprache. Innerhalb weniger Monate passierte, was Forscher über Jahrzehnte vorbereitet hatten:

• Text, Bild, Ton, Video – alles ließ sich generieren.
• Programmieren, Übersetzen, Zusammenfassen – alles wurde ein Prompt entfernt.
• Millionen Menschen interagierten täglich mit Systemen, die auf Wahrscheinlichkeiten basierten – und verwech­selten sie mit Verstehen.

Auch andere Hersteller zogen nach:

• Google Bard / Gemini, Anthropic Claude, Meta LLaMA, Mistral, xAI Grok – ein neues Ökosystem entstand.
• Open-Source-Modelle wie Stable Diffusion und LLaMA 2 machten KI-Generierung für jeden zugänglich.

Die Modelle wurden größer, schneller, billiger. Doch sie blieben, was sie immer waren:
Werkzeuge, die menschliche Ausdrucksformen nachahmen, ohne je zu begreifen, was sie tun.

 

Warum der Turing-Test nichts über Intelligenz aussagt

Ich habe 2020 bereits in meinem Beitrag „Asoziale Medien, künstliche Dummheit und die Krise der Demokratie“ (Link) darüber geschrieben, dass Algorithmen in sozialen Netzwerken keine Intelligenz zeigen, sondern Muster verstärken. Damals nannte ich das „künstliche Dummheit“ – Systeme, die aus Daten nur das lernen, was sie ohnehin finden, und damit kollektive Verzerrungen noch vergrößern.

An dieser Einschätzung hat sich bis heute nichts geändert. LLMs, so beeindruckend sie sind, verstehen nicht, was sie schreiben. Sie berechnen Wahrscheinlichkeiten dafür, was ein Mensch am ehesten in welcher Reihenfolge sagen oder schreiben würde. Genau deshalb halte ich den Turing-Test für totalen Nonsense, um Intelligenz zu beweisen.

Der Turing-Test – Turings berühmte Idee aus dem Jahr 1950 – misst, ob eine Maschine einen Menschen täuschen kann. Doch das war nie ein Test für Intelligenz, sondern für Täuschungskompetenz.

Ein System, das geschickt formuliert, hat damit noch kein Bewusstsein. Es besteht die Prüfung, wenn der Prüfer sich irrt – nicht, wenn die Maschine denkt. Heute zeigt sich, wie fatal dieses Missverständnis war: Wir beurteilen Modelle nach dem, wie „menschlich“ sie klingen, statt danach, ob sie verstehen, was sie tun.

Ein Sprachmodell kann in Sekunden einen wissenschaftlichen Aufsatz, eine Liebeserklärung oder einen Social Media Post formulieren, aber es weiß nichts über Liebe, Wahrheit oder Ethik. Es ist ein Werkzeug für Ausdruck, nicht für Einsicht.

Trotz all der Fortschritte halte ich an meinem Urteil fest: KI ist nicht intelligent – sie ist präzise, berechenbar und ein nützliches Werkzeug. Nicht mehr, aber auch nicht weniger. Sie kann Wissen strukturieren, Sprache erweitern, Bilder erzeugen, Prozesse automatisieren. Aber sie bleibt ein Spiegel menschlicher Sprache und Logik, kein Ursprung eigener Gedanken.

Wir sollten sie deshalb nicht fragen, was sie denkt, sondern wie wir sie nutzen.
Denn wie jedes Werkzeug kann sie schöpferisch oder zerstörerisch sein – je nachdem, wer sie führt.

 

Nach der Illusion

Von Turing über OpenCV bis ChatGPT zieht sich ein klarer Faden: Es ist nicht die Intelligenz, sondern die Nützlichkeit, die den Fortschritt antreibt. Die spannendste Frage ist deshalb nicht, wann KI denkt – sondern wann wir aufhören, ihr das Denken zuzuschreiben.

Im nächsten Teil (und vielleicht auch in vielen weiteren Diskussionen) geht es nicht mehr um die Geschichte der KI, sondern um ihre Ethik, Verantwortung und die Frage, was „menschliche Intelligenz“ im Zeitalter immer besserer Simulation eigentlich noch bedeutet. Ich werde ein paar (steile) Thesen aufstellen, was möglicherweise noch auf uns zukommen kann. Deshalb: stay tuned!