Wie KI-Chatbots funktionieren: Einfach erklärt

Du musst die Mathematik dahinter nicht verstehen, um KI-Chats effektiv zu nutzen. Aber ein grundlegendes Verständnis erklärt vieles: warum Antworten selbst dann überzeugend klingen, wenn sie falsch sind, warum dieselbe Frage unterschiedliche Antworten liefert, warum die KI in langen Chats den Faden verliert und warum sie aktuelle Ereignisse vielleicht nicht kennt. Hier ist eine verständliche Erklärung – ganz ohne unnötigen Fachjargon.

Die Kurzfassung

Ein KI-Chatbot basiert auf einem großen Sprachmodell (LLM, Large Language Model): einem riesigen neuronalen Netz, das mit gewaltigen Textmengen trainiert wurde, um vorherzusagen, was als Nächstes kommt. Wenn du eine Nachricht sendest, liest das Modell den bisherigen Chat und generiert die Antwort Stück für Stück. Dabei wählt es jedes Mal einen wahrscheinlichen nächsten Textbaustein aus – basierend auf allem, was davor steht. Durch weiteres Training lernt es, Anweisungen zu befolgen, ein Gespräch zu führen und schädliche Anfragen abzulehnen.

Es gibt keine Datenbank mit vorgefertigten Antworten, die durchsucht wird, und im Hintergrund tippt kein Mensch. Fast alles Weitere in diesem Guide baut genau darauf auf.

Schritt 1: Aus Text werden Tokens

Modelle lesen weder Buchstaben noch ganze Wörter. Sie zerlegen Text in Tokens: Häufige Wörter bilden oft ein einziges Token, während längere oder seltenere Wörter in Teile zerlegt werden. Auch Leerzeichen, Satzzeichen und Zahlen werden zu Tokens. Deshalb stolpert KI manchmal über Aufgaben wie das Zählen von Buchstaben in einem Wort oder das Rückwärts-Schreiben: Sie sieht einzelne Buchstaben schlichtweg nicht so wie du.

Die gleiche Bedeutung kann in verschiedenen Sprachen unterschiedlich viele Tokens beanspruchen. Das ist ein Grund, warum Qualität und Längenlimits von Sprache zu Sprache variieren können.

Schritt 2: Pre-Training mit riesigen Datenmengen

In der ersten und aufwendigsten Phase bekommt das Modell eine enorme Menge an Text vorgelegt – je nach Entwickler etwa öffentlich zugängliche Websites, Bücher, Programmcode und andere Quellen – und lernt, das jeweils nächste Token vorherzusagen. Es wird millionenfach korrigiert und passt nach und nach seine internen Zahlenwerte an, die sogenannten Parameter oder Gewichte.

Um Text treffend vorherzusagen, verinnerlicht das Modell unzählige Muster zu Grammatik, Fakten, logischen Zusammenhängen und Schreibstilen. Es speichert jedoch keine Kopie seiner Trainingsdaten wie eine Bibliothek, sondern statistische Muster. Genau deshalb kann es ein Konzept flüssig erklären und sich trotzdem bei einem konkreten Datum, Namen oder Zitat irren.

Schritt 3: Fine-Tuning macht den Textvorhersager zum Assistenten

Ein Modell, das nur reinen Text vorhersagt, würde deine Nachricht einfach fortsetzen, anstatt sie zu beantworten. Entwickler trainieren es daher weiter: anhand von Beispielen für gelungene Konversationen und mithilfe von Feedback – von Menschen und zunehmend auch durch automatisierte Prüfungen sowie andere Modelle. So werden hilfreiche, ehrliche und sichere Antworten belohnt. Ein bekanntes Verfahren dafür ist Reinforcement Learning from Human Feedback (RLHF).

In dieser Phase lernt der Chatbot quasi seine Umgangsformen: Anweisungen befolgen, Formatierungen nutzen, Unsicherheiten zugeben und schädliche Anfragen ablehnen. Dabei können aber auch Eigenheiten entstehen, wie die Tendenz, dem Nutzer vorschnell zuzustimmen oder sicherer zu wirken, als es angebracht wäre.

Viele neuere Modelle werden zudem im logischen Denken (Reasoning) geschult: Sie gehen ein Problem in Zwischenschritten durch, bevor sie die endgültige Antwort ausgeben. Das verbessert die Ergebnisse bei Mathe, Coding und Planungsaufgaben – unfehlbar macht es sie jedoch nicht.

Schritt 4: Deine Konversation und das Kontextfenster

Wenn du chattest, sendet die App ein ganzes Textpaket an das Modell: Anweisungen des Dienstes, die du nicht siehst (der System-Prompt), die bisherigen Nachrichten des Chats und deine neue Eingabe. Das Modell selbst speichert zwischen den Anfragen keine Erinnerungen. Es „erinnert“ sich an den Chatverlauf nur deshalb, weil dieser jedes Mal komplett mitgeschickt wird.

Vereinfacht gesagt sieht das Paket bei deiner dritten Nachricht ungefähr so aus:

[system]    Du bist ein hilfreicher Assistent. Antworte präzise...
[user]      Was ist ein guter Name für eine Bäckerei?
[assistant] Hier sind ein paar Ideen: Krumenglück, Die Brotschmiede...
[user]      Lass sie französischer klingen.
[assistant] (diesen Teil schreibt das Modell, Token für Token)

„Lass sie französischer klingen“ funktioniert nur, weil die vorherigen Nachrichten mitgeliefert werden. Würde die App sie weglassen, wüsste das Modell überhaupt nicht, worauf sich „sie“ bezieht.

Die Textmenge, die ein Modell auf einmal erfassen kann, nennt man Kontextfenster (Context Window). Apps kürzen lange Chats oft, um innerhalb dieser Limits zu bleiben. Deshalb kann es passieren, dass die KI in sehr langen Unterhaltungen Details vom Anfang vergisst. Meistens hilft es, einen neuen Chat mit einer kurzen Zusammenfassung zu starten.

Einige Dienste bieten eine separate Memory-Funktion, die Fakten über dich über mehrere Chats hinweg speichert. Das ist jedoch ein Feature der App rund um das Modell und nichts, was das Modell von sich aus tut.

Schritt 5: Die Antwort wird generiert

Für jedes nachfolgende Token berechnet das Modell Wahrscheinlichkeiten für viele mögliche Kandidaten. Die App wählt dann eines aus – meist mit einer gezielten Portion Zufall, damit der Text nicht mechanisch klingt. Das erklärt zwei Dinge, die dir vielleicht schon aufgefallen sind:

• Dieselbe Frage kann unterschiedliche Antworten liefern. Die Antwort neu generieren zu lassen, ist ein schneller Weg, Alternativen zu sehen.
• Ein flüssiger Satz ist nicht automatisch wahr. Das Modell wählt Wörter, die statistisch passen; es prüft beim Schreiben keine Fakten.

Probier es selbst aus: Bitte den Chat, Tokens anhand eines Beispiels zu erklären, generiere die Antwort neu und vergleiche die beiden Varianten.

Warum KI Dinge erfindet

Wenn ein Modell überzeugend klingende, aber falsche Informationen liefert, spricht man von einer Halluzination. Das passiert, weil das Modell darauf trainiert ist, plausiblen Text zu erzeugen – und eine plausibel wirkende Quellenangabe, Statistik oder Biografie lässt sich leicht generieren, selbst wenn die echte Information fehlt. Durch besseres Training kommt das seltener vor, ganz gelöst ist das Problem aber nicht. Besonders fehleranfällig sind:

• Genaue Zahlen, Daten und Zitate.
• Verweise auf Bücher, wissenschaftliche Arbeiten, Gerichtsurteile und Webseiten.
• Nischenthemen mit wenigen Trainingsdaten.
• Ereignisse, die nach dem Trainingsschluss des Modells stattfanden.

Unser Faktencheck-Guide erklärt dir, wie du Antworten schnell überprüfst.

Warum KI aktuelle Ereignisse oft nicht kennt

Das Wissen eines Modells stammt aus Daten, die bis zu einem bestimmten Zeitpunkt gesammelt wurden – dem Knowledge Cutoff. Alles, was danach passiert ist, kennt es nicht, es sei denn, die App füttert es mit frischen Informationen, etwa über eine Websuche oder von dir eingefügten Text. Nutzt ein Assistent die Websuche, ist seine Antwort allerdings nur so gut wie die gefundenen Seiten. Ein Blick auf die Quellen lohnt sich also weiterhin. Hängt deine Frage von aktuellen Infos ab, füge den relevanten Text am besten selbst ein oder prüfe die Antwort mit einer aktuellen Quelle gegen.

Modelle, Entwickler und das Modell-Menü

Mehrere Unternehmen entwickeln große Sprachmodelle, darunter OpenAI (die GPT-Modelle hinter ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), xAI (Grok), DeepSeek, Alibaba (Qwen) und Mistral AI. Manche veröffentlichen ihre Modellgewichte als Open Source, sodass jeder sie herunterladen und betreiben kann; andere bieten ihre Modelle ausschließlich über eigene Apps und Schnittstellen (APIs) an. Die Modelle unterscheiden sich in Stil, Stärken, Sprachabdeckung und Vorsicht. Unsere Modell-Guides und Vergleiche wie ChatGPT vs Claude gehen näher darauf ein.

Bei ChatG kannst du im Menü das gewünschte Modell auswählen oder die Einstellung auf ChatG Auto belassen. ChatG ist eine unabhängige Website und steht in keiner geschäftlichen Verbindung zu diesen Unternehmen.

Häufige Fragen (FAQ)

Versteht die KI, was sie sagt?

Darüber wird viel diskutiert. Modelle erfassen erstaunlich viele Strukturen von Sprache und Welt und können Probleme lösen, die sie zuvor noch nie gesehen haben. Aber sie haben kein echtes Bewusstsein oder Erleben und können Fehler machen, die einem Menschen mit echtem Verständnis niemals unterlaufen würden. Betrachte KI in der Praxis am besten als nützliches Werkzeug, nicht als unfehlbare Autorität.

Lernt die KI aus meiner Konversation?

Nicht während des Chats: Die Gewichte des Modells ändern sich nicht, während du mit ihm schreibst. Einige Dienste nutzen Unterhaltungen eventuell später, um künftige Modelle zu trainieren – je nach ihren Nutzungsbedingungen und deinen Einstellungen.

Ist die KI mit dem Internet verbunden?

Das Modell selbst nicht. Es arbeitet rein mit dem, was es im Training gelernt hat, plus den Inhalten des aktuellen Chats. Manche Apps binden eine Websuche als separates Werkzeug ein. Sofern in einer Antwort keine recherchierten Quellen angezeigt werden, solltest du davon ausgehen, dass sie aus den – teils veralteten – Trainingsdaten stammt.

Warum sind manche Antworten auf Englisch besser als auf Deutsch?

Modelle sehen beim Training in der Regel deutlich mehr englische Texte als Inhalte in anderen Sprachen. Zudem erfordern andere Sprachen oft mehr Tokens, um dasselbe auszudrücken. Weit verbreitete Sprachen wie Deutsch werden meist sehr gut beherrscht; bei selteneren Sprachen kann die Qualität jedoch spürbar nachlassen.