KI verstehen.

Wie du dieses Heft nutzt.

Dieses Heft bringt dich auf einen gemeinsamen Wissensstand, damit wir im Workshop alle vom Gleichen ausgehen. Lies es in Ruhe an einem Abend durch. Du musst nichts auswendig lernen. Es reicht, wenn du danach die Begriffe einordnen kannst und weisst, worüber wir sprechen werden.

Am Ende jedes Kapitels findest du einen Merksatz mit dem Wichtigsten. Ganz hinten gibt es ein Glossar und die vollständige Quellenliste. Jede Zahl und jede Behauptung in diesem Heft lässt sich dort nachprüfen.

KI ist nicht neu.

Künstliche Intelligenz ist kein Produkt der letzten Jahre. Seit den 1950er-Jahren wird in diese Richtung geforscht, und KI-Anwendungen begegnen uns längst überall: in der Spam-Erkennung, in der Routenplanung, in der Bilderkennung der Handy-Kamera.

Neu ist eine bestimmte Spielart: die Generative KI (oft "Gen AI" abgekürzt). Das ist eine KI, die auf Basis eines riesigen Trainingsdatensatzes selbst neue Inhalte erschafft: Texte, Bilder, Code, Audio, Video. Genau diese Technologie steckt hinter ChatGPT, Gemini, Claude und den meisten Werkzeugen, von denen heute die Rede ist. Aus riesigen Datenmengen wird dabei zuerst ein Basismodell trainiert (ein Foundation Model), das anschliessend für konkrete Anwendungen verfeinert wird.

Den Durchbruch brachte in den 2010er-Jahren das Deep Learning, eine Form des maschinellen Lernens, die künstliche neuronale Netze nutzt. Zusammen mit stark gestiegener Rechenleistung und riesigen Datenmengen wurde plötzlich möglich, woran die Forschung jahrzehntelang gearbeitet hatte: Spracherkennung (Siri, Alexa), Gesichtserkennung, selbstfahrende Autos.

Vom Bilderkenner zum Chatbot: ein kurzer Zeitstrahl

Von der ersten grossen Bilderkennung bis zu den heutigen Chat-Werkzeugen vergingen nur gut zehn Jahre [11]:

Auffällig ist das Tempo: Zwischen "Computer erkennt Katzen auf Bildern" und "Computer schreibt mir einen Vertragsentwurf" liegt nur gut ein Jahrzehnt.

Was ist ein LLM?.

LLM steht für Large Language Model, auf Deutsch "grosses Sprachmodell". Das ist die Technologie hinter den bekannten Chat-Werkzeugen. Vereinfacht ist ein LLM ein sehr grosses, mit enormen Textmengen trainiertes Programm, das menschliche Sprache verstehen und erzeugen kann.

Die Wortwahrscheinlichkeits-Maschine

Im Kern tut ein LLM etwas überraschend Einfaches: Es sagt immer das nächste wahrscheinliche Wort voraus. Es ruft keine Faktentabelle ab, sondern berechnet, welches Wort am besten zur bisherigen Wortfolge passt.

Ein Beispiel: Auf "Der Himmel ist …" folgt mit hoher Wahrscheinlichkeit "blau", weil diese Fortsetzung in den Trainingsdaten am häufigsten vorkam. Das Modell wählt also nicht, weil es etwas über Himmel oder Physik "weiss", sondern weil "blau" statistisch am besten passt.

Warum das wichtig ist: Halluzinationen

Aus diesem Mechanismus folgt eine zentrale Eigenschaft: Ein LLM ist darauf optimiert, plausibel zu klingen, nicht darauf, wahr zu sein. Es kann eine falsche Antwort genauso flüssig und selbstsicher formulieren wie eine richtige. Solche überzeugend klingenden, aber falschen Aussagen nennt man Halluzinationen.

Ein typischer Fall: Du fragst nach Fachliteratur zu einem Thema, und die KI nennt dir einen plausibel klingenden Buchtitel samt Autorin und Erscheinungsjahr, nur gibt es das Buch nicht. Gerade bei Quellen und Fachwissen lohnt sich deshalb die Nachfrage: "Woher stammt diese Angabe?"

Für deine Praxis heisst das: Faktische Antworten einer KI solltest du bei Wichtigem immer gegenprüfen. Das Werkzeug ist ein extrem fähiger Assistent, aber keine verlässliche Wahrheitsquelle.

Worauf ist die KI trainiert?.

Die Datenmenge

Die Trainingsdaten sind gewaltig. Wir reden nicht von Gigabytes, sondern von der Grössenordnung Tausender Terabytes. Zur Einordnung: Das offene Schweizer Modell Apertus wurde auf rund 15 Billionen Wörter-Einheiten (Tokens) trainiert, verteilt auf über 1'000 Sprachen [2][3]. Diese Datenmengen bilden den "Rohstoff", aus dem das Modell sein scheinbares Wissen schöpft.

Die Datenquellen

Das Wissen stammt überwiegend aus dem öffentlichen Internet: Milliarden von Webseiten, Foren und sozialen Medien. Dazu kommen digitalisierte Bücher, wissenschaftliche Artikel und grosse öffentliche Code-Sammlungen.

Filter und Bias

Die Anbieter bauen Filter ein, um toxische, illegale oder urheberrechtlich geschützte Inhalte zu reduzieren. Der Datensatz ist aber so riesig, dass immer Reste von Voreingenommenheit (engl. Bias) und Fehlinformation durchsickern. Eine KI kann gesellschaftliche Verzerrungen aus ihren Trainingsdaten übernehmen und reproduzieren. Was das für deinen Berufsalltag bedeutet, schauen wir uns im Workshop genauer an.

Wo wird das alles berechnet? Rechenzentren und Energie

Das Training grosser Modelle verschlingt enorme Rechenleistung und damit Strom. Das Training von GPT-4 verbrauchte schätzungsweise rund 50 GWh und kostete über 100 Millionen US-Dollar [12]. Der Strombedarf von Rechenzentren wächst weltweit rasant [13], und auch die Schweiz spürt das: Hiesige Rechenzentren beanspruchen bereits 6–8 % des landesweiten Stromverbrauchs, Tendenz deutlich steigend [14].

Das Transparenz-Problem und die Schweizer Ausnahme

Die meisten Anbieter legen nicht offen, mit welchen Daten genau ihr Modell trainiert wurde. Bei den grossen kommerziellen Modellen können wir es nur vermuten.

Eine bemerkenswerte Ausnahme kommt aus der Schweiz: Apertus, entwickelt von ETH Zürich, EPFL und dem Schweizer Supercomputing-Zentrum CSCS und im September 2025 veröffentlicht. Bei Apertus sind Architektur, Modellgewichte, Trainingsdaten und das gesamte Rezept offen dokumentiert und nachvollziehbar. Das Modell wurde nur auf öffentlich verfügbaren Daten trainiert, respektiert maschinenlesbare Opt-out-Wünsche von Webseiten und entfernt persönliche Daten vor dem Training, ausdrücklich mit Blick auf Schweizer Datenschutz, Urheberrecht und die Transparenzpflichten des EU AI Act [2][3].

Die grossen Anbieter haben wenig Interesse daran, diesen Prozess offenzulegen: Der Wettkampf um das "beste" LLM ist hart, und niemand verrät gern, über welche Datensätze er verfügt oder wie genau sein Modell trainiert wurde. Deshalb sind die meisten Spitzenmodelle in diesem Punkt geschlossen.

Was ist ein Prompt?.

Ein Prompt ist die Eingabe, die du an die KI schickst: deine Anweisung, deine Frage, dein Auftrag. Der Prompt ist dein wichtigstes Werkzeug, denn die Qualität der Antwort hängt unmittelbar von der Qualität deiner Eingabe ab.

Denk an die KI wie an einen extrem fähigen, aber wörtlich nehmenden Assistenten. Sagst du nur "Mach einen Text", bekommst du etwas Generisches. Sagst du dagegen genau, was du willst, wird das Ergebnis brauchbar:

Je mehr Leitplanken, also Regeln, du der KI gibst, desto zielgerichteter arbeitet sie und desto klarer weiss sie, was zu tun ist. Vager Input = generischer Output.

Der Aufbau eines guten Prompts

Ein brauchbarer Prompt besteht aus vier Bausteinen. Nicht jeder Prompt braucht alle vier, aber wenn das Ergebnis enttäuscht, fehlt fast immer einer davon:

Alles zusammen ergibt einen Prompt, der auf Anhieb Brauchbares liefert:

Mit diesem Gerüst arbeiten wir im Workshop weiter: Dort übst du in der Gruppe, schwache Prompts zu verbessern, und bekommst eine Checkliste zum Mitnehmen.

Noch ein Detail: Die gewohnten Chat-Fenster schreiben deinen einfachen Prompt im Hintergrund oft selbst um, damit das Ergebnis besser wird. Verlass dich nicht darauf: Wer selbst präzise formuliert, bekommt überall die besseren Ergebnisse.

System-Prompt vs. User-Prompt.

Wenn man mit KI ernsthafter arbeitet, trifft man auf zwei Arten von Prompts:

• Der System-Prompt legt das grundsätzliche Verhalten fest: Rolle, Ton, Regeln, was die KI tun und lassen soll. Er wird bei jeder Anfrage automatisch mitgeschickt und gilt so für das ganze Gespräch. Das LLM weiss dadurch immer, was seine Kernaufgabe und Rolle sind. Beispiel: "Du bist ein präziser Assistent. Antworte sachlich auf Deutsch und nenne immer deine Annahmen."
• Der User-Prompt ist die konkrete Aufgabe oder Frage, die du im jeweiligen Moment stellst. Beispiel: "Fasse mir dieses Konzeptpapier in fünf Punkten zusammen."

Im normalen Chat schreibst du meist nur User-Prompts; den System-Prompt setzt der Anbieter oder die Anwendung im Hintergrund.

Du begegnest dem System-Prompt aber öfter, als du denkst, nur mit freundlicher Oberfläche: "Custom Instructions" in ChatGPT, "Gems" in Gemini oder "Projekte" in Claude sind genau das. Dort hinterlegst du einmal etwas wie "Ich arbeite in der Sozialpädagogik mit Jugendlichen. Antworte in einfacher Sprache und frag nach, wenn dir Kontext fehlt", und es gilt ab dann für jedes neue Gespräch, ohne dass du es wiederholen musst.

Kontext: das Kurzzeitgedächtnis des Modells.

Jedes Gespräch startest du mit einem neutralen Modell. Es weiss nichts über dich, dein Projekt oder das, was ihr letzte Woche besprochen habt. Alles, womit es arbeiten kann, steht in seinem Kontextfenster, dem Textbereich, den es pro Anfrage "im Blick" hat. Dazu zählen dein Prompt, hochgeladene Dateien und der bisherige Gesprächsverlauf.

Dieses Fenster wird in Tokens gemessen (grob: Wortteilen). Modelle gibt es in sehr unterschiedlichen Grössen:

Das klingt nach "je mehr, desto besser", ist es aber nicht. Mehr Tokens heisst nicht automatisch genauer: Modelle beachten den Anfang und das Ende einer langen Eingabe zuverlässig, die Mitte dagegen schlecht ("lost in the middle"), und das effektiv nutzbare Fenster ist in der Praxis oft deutlich kleiner als beworben [15].

Praktisch heisst das: Gib dem Modell das Wichtige gezielt, nicht alles auf einmal. Ein langer, vollgestopfter Chat wird irgendwann ungenauer, nicht klüger.

Wie Werkzeuge sich trotzdem "erinnern"

Damit sich nicht jedes Gespräch wie ein Erstkontakt anfühlt, bauen viele grosse Anbieter ein Gedächtnis ein: Im Hintergrund werden deine Chats analysiert und das Wichtigste in einem dauerhaften Profil gespeichert, das mit der Zeit wächst. So wirkt das Werkzeug, als würde es dich kennen, obwohl jedes einzelne Modell-Gespräch technisch bei null beginnt.

Zero-Shot, One-Shot, Few-Shot.

Diese drei Begriffe beschreiben, wie viele Beispiele du der KI in deinem Prompt mitgibst:

• Zero-Shot: kein Beispiel, nur die Anweisung.
• One-Shot: ein Beispiel.
• Few-Shot: mehrere Beispiele, die das gewünschte Muster zeigen.

Beispiele zeigen dem Modell, wie das Ergebnis aussehen soll, ohne dass man es neu trainieren muss. Du möchtest eine speziell formatierte Tabelle, oder ein Satz soll genau einem Muster folgen? Dann gib der KI ein Beispiel mit.

So sieht das konkret aus

Angenommen, du willst aus Stichworten immer gleich formatierte Programmpunkte für den Wochenplan machen. Ein One-Shot-Prompt dafür:

Das Modell ergänzt den zweiten Programmpunkt im gleichen Muster: Wochentag, Ort, Titel in Anführungszeichen, Treffpunkt. Ohne das Beispiel hättest du das Format in Worten beschreiben müssen, und das Ergebnis wäre trotzdem jedes Mal etwas anders ausgefallen.

Was sich mit den heutigen Modellen geändert hat

Hier ist die wichtigste aktuelle Erkenntnis, und sie weicht von älteren Faustregeln ab: Moderne Spitzenmodelle sind im Zero-Shot bereits sehr stark. Für viele Alltagsaufgaben erreichen sie schon ohne Beispiele rund 80–85 % brauchbare Ergebnisse [7]. Der grosse Sprung, den Beispiele früher brachten, ist kleiner geworden.

Was heute gilt:

• Beispiele helfen am meisten bei strukturierten Aufgaben, etwa wenn das Ergebnis ein festes Format haben soll (Kategorisierung, immer gleiche Tabellenform, ein bestimmter Stil) [5][6].
• Der Nutzen flacht schnell ab. Den grössten Gewinn bringen ein bis zwei Beispiele; ab etwa vier bis fünf Beispielen steigen vor allem die Kosten, nicht mehr die Qualität [5].
• Qualität schlägt Menge. Zwei gute, korrekte Beispiele sind besser als zehn beliebige.
• Falsche Beispiele sind gefährlich. Enthält eines deiner Beispiele einen Fehler, ahmt das Modell diesen Fehler bereitwillig nach. Prüf deine Beispiele.

Praktische Faustregel für den Anfang: Probier es zuerst Zero-Shot. Wenn das Format wackelt oder das Ergebnis inkonsistent ist, gib ein bis zwei saubere Beispiele dazu.

Richtig prompten im Jahr 2026.

Viele bekannte Prompt-Tipps stammen aus den Jahren 2023/2024 und passen nicht mehr zu den heutigen "Reasoning"-Modellen (Modelle, die vor der Antwort selbst nachdenken). Was aktuelle Quellen empfehlen [4]:

• Schreib ruhig und direkt. Ein klarer Satz, was du willst, schlägt dramatische Befehle. Formulierungen wie "WICHTIG!", "DU MUSST" oder "NIEMALS" verschlechtern bei modernen Modellen oft das Ergebnis.
• "Denk Schritt für Schritt" brauchst du meist nicht mehr. Reasoning-Modelle denken bereits von sich aus nach. Der alte Trick ist heute oft überflüssig oder kontraproduktiv.
• Halt dich kurz. Der praktische Bereich liegt oft bei 150–300 Wörtern Anweisung. Sehr lange, vollgestopfte Prompts können die Qualität sogar senken.
• Gib Struktur. Trenn Anweisung, Kontext und Beispiele klar voneinander. Absätze oder kurze Zwischentitel reichen dafür völlig [4].
• Iterier. Prompten ist ein Dialog. Lass dir einen ersten Entwurf geben und steuere nach: "Mach es kürzer", "Formeller", "Gib ein Beispiel".
• Rechtschreibung ist zweitrangig. Das LLM versteht auch grobe Sätze gut, du interagierst ja nicht mit einem Menschen. Knappe Formulierungen reichen völlig aus.

Die Modell-Landschaft (Stand Juni 2026).

Der Markt verändert sich monatlich. Die folgende Übersicht zeigt die Lage im Juni 2026 [1] und ist als grobe Orientierung gedacht, nicht als feste Rangliste. Wichtiger als einzelne Namen ist das Muster: Es gibt eine Handvoll grosser Anbieter, und ihre Herkunft entscheidet mit darüber, wohin deine Daten fliessen und welche Datenschutz-Regeln gelten (mehr in Teil 11).

Sprachmodelle (LLM) nach Herkunft

Bild und Video

Auch hier gilt: kein "bestes" Modell, sondern das passende je nach Zweck. Bei Bildern sind GPT Image 2 (direkt in ChatGPT eingebaut und derzeit besonders stark, gerade auch bei lesbarem Text im Bild), Flux (Fotorealismus) und Midjourney (künstlerische Bildsprache) die bekanntesten Namen [9]. Video ist der jüngste Bereich; hier führen aktuell Seedance 2.0 (ByteDance) und Kling, beide aus China [10].

Du musst dir diese Namen nicht merken: Konkrete Empfehlungen, welche Werkzeuge sich für deinen Alltag lohnen, bekommst du am Ende des Workshops. Und wenn du tiefer einsteigen willst, findest du unter benchlm.ai/models eine Übersicht von über 200 Modellen.

Ein Vorgeschmack: zwei Anwendungsfälle.

Über das blosse Chatten hinaus gibt es zwei Anwendungen, die wir im Workshop ausführlich anschauen. Hier nur der Vorgeschmack, damit dir die Begriffe vertraut sind.

Mit den eigenen Dateien "sprechen"

Du kannst einer KI Dokumente geben, etwa ein Konzeptpapier, ein Sitzungsprotokoll oder eine Broschüre, und dann Fragen dazu stellen, eine Zusammenfassung verlangen oder gezielt Stellen suchen lassen. Die KI antwortet dann nicht nur aus ihrem Trainingswissen, sondern aus deinen Unterlagen. Das spart bei Recherche und Einarbeitung viel Zeit. (Wichtig: Datenschutz beachten, siehe Teil 11.)

Modelle mit grossem Kontextfenster verkraften dabei erstaunlich viel: Ein 500-Seiten-Dokument (rund 200'000 Tokens) passt heute in vielen Modellen in einen Rutsch, ohne dass man es zerstückeln muss [16]. Ein Test über 5'000 Dokumente (2026) ergab bei Zusammenfassungen brauchbare Genauigkeiten von rund 87–94 %, je nach Modell [16]. Trotzdem gilt: Wichtiger Kontext kann verloren gehen, und Halluzinationen bleiben möglich. Was wirklich wichtig ist und was weggelassen werden darf, entscheidet weiterhin besser der Mensch.

Agents (KI-Agenten)

Ein Agent ist eine KI, die nicht nur antwortet, sondern mehrschrittige Aufgaben selbständig erledigt und dabei Werkzeuge benutzt: im Web suchen, eine Datei erstellen, einen Termin eintragen. Statt "Schreib mir einen Aushang" übernimmt ein Agent eher "Such drei Ideen für eine Gruppenaktivität zum Thema Natur, prüf die Wettervorhersage für nächste Woche und entwirf den Aushang dazu". Agenten sind 2026 eines der grossen Themen.

Im Hintergrund steckt dabei ein LLM, davor eine Anwendung, etwa dein Chatfenster. In dieser Anwendung sind oft viele Werkzeuge hinterlegt, die die KI je nach Aufgabe nutzen kann. Sobald die KI selbstständig weiterarbeitet und diese Werkzeuge eigenständig einsetzt, um ein Ziel zu erreichen, sprechen wir von einem Agent.

Sicher und rechtlich sauber arbeiten.

Gerade am Anfang ist die wichtigste Regel die einfachste.

Keine sensiblen Daten in Gratis-Werkzeuge

Gib in kostenlose oder unbekannte KI-Werkzeuge keine sensiblen oder personenbezogenen Daten ein: keine Kundendaten, keine Gesundheitsdaten, keine Geschäftsgeheimnisse. Viele Anbieter dürfen deine Eingaben zur Verbesserung ihrer Modelle weiterverwenden. Für erste Schritte gilt: nur allgemeine Fragen, keine echten Personendaten.

Für deinen Arbeitsalltag heisst das ganz konkret: keine Namen von Klientinnen und Klienten, keine Falldokumentationen, keine Angaben zu Gesundheit oder Familie in ein Chat-Werkzeug eingeben. Auch "ich habe ja den Namen rausgelöscht" reicht oft nicht, denn aus Alter, Wohnort und Situation lässt sich eine Person wiedererkennen. Wie du Texte sauber anonymisierst und wann eine Eingabe in Ordnung ist, üben wir im Workshop Schritt für Schritt.

Wohin fliessen die Daten?

Wo ein Anbieter sitzt, bestimmt mit, welche Datenschutz-Regeln greifen. Grobe Einteilung:

• EU / Schweiz (z. B. Mistral, Apertus): datenschutzrechtlich am unkompliziertesten.
• USA: Übermittlung ist möglich, in der Regel über zusätzliche vertragliche Garantien abgesichert.
• Länder ohne Angemessenheits-Entscheid (u. a. mehrere chinesische Anbieter): hier ist besondere Vorsicht und meist eine ausdrückliche Einwilligung nötig.

Kennzeichnungspflicht: der EU AI Act

Ab dem 2. August 2026 greifen die Transparenzpflichten nach Artikel 50 des EU AI Act [8]. Kernpunkte:

• Menschen müssen erfahren, wenn sie mit einer KI interagieren (sofern es nicht offensichtlich ist).
• KI-generierte oder -manipulierte Inhalte (Bild, Audio, Video, Text) müssen als künstlich erzeugt erkennbar und maschinenlesbar gekennzeichnet werden.

Und die Schweiz?

Die Schweiz hat noch kein eigenes KI-Gesetz, arbeitet aber daran: Der Bundesrat hat 2025 den Auftrag für eine Vernehmlassungsvorlage zur KI-Regulierung erteilt [17]. Bis dahin gelten das bestehende Datenschutzrecht und die eigene Sorgfalt. Weitere Regeln werden mit Sicherheit folgen. Es ist die erste Regulierung einer Branche, die bisher weitgehend ein "wilder Westen" war.

Erste Schritte zur Workshop-Vorbereitung.

Wenn du bisher wenig mit KI gemacht hast: Fang heute Abend einfach an. Öffne ein Werkzeug deiner Wahl, gerne in der Gratisversion (ChatGPT, Claude, Mistral, Magus), und stell ein paar allgemeine Fragen. Probier aus, wie sich die Antwort ändert, wenn du eine Rolle, ein Format oder eine Länge vorgibst.

Der Einstieg in die KI war noch nie so einfach, und gleichzeitig am Anfang noch nie so überfordernd. Fragen wie "Was soll ich überhaupt eingeben?", "Was kann ich glauben?" oder "Was darf ich eingeben?" tauchen fast immer auf.

Unsere Empfehlung: Starte mit einem echten Anwendungsfall, bei dem du vom Ergebnis wirklich etwas erwartest.

• Lass dir Ideen für eine Gruppenaktivität zu einem Thema vorschlagen.
• Schreib ein Mail oder eine Dokumentvorlage.
• Lass dir einen Aushang oder eine Einladung entwerfen.
• Lass dir "Snake" programmieren, einfach um zu sehen, dass auch das geht.

Wenn dir nichts einfällt, frag einfach die KI, wie du gemeinsam mit ihr etwas erarbeiten kannst. Sie führt dich durch.

Glossar.

Quellen.

Alle Quellen abgerufen am 9. Juni 2026.

Hinweis zur Aktualität: Modellnamen und Rangfolgen (Teil 9) entsprechen dem Stand Juni 2026 und veralten schnell.