KI-Begriffe erklärt: LLM, Machine Learning, NLP — was Unternehmer wissen müssen

Warum Entscheidungsträger diese Begriffe kennen sollten

KI-Angebote sind heute Alltag: Softwareanbieter versprechen KI-gestützte Automatisierung, Berater empfehlen Machine-Learning-Lösungen, in Ausschreibungen tauchen Begriffe auf, die kaum jemand einordnen kann. Wer diese Begriffe nicht kennt, ist in Verhandlungen strukturell im Nachteil. Es geht nicht darum, Informatik zu studieren, sondern vier Kernbegriffe zu verstehen, um Anbieterversprechen einordnen und die richtigen Fragen stellen zu können.

Die vier Kernbegriffe

Machine Learning (ML) ist der Oberbegriff: Ein System lernt aus Daten, statt für jeden Fall explizit programmiert zu werden. Klassisches Programmieren sagt „Wenn Rechnung, dann buche auf Konto X"; ML lernt aus tausenden Beispielrechnungen selbst, welche Muster auf welches Konto hinweisen. Typische Anwendungen: Spam-Filter, Betrugserkennung, Produktempfehlungen.

Deep Learning (DL) ist eine Unterkategorie von ML mit mehrstufigen neuronalen Netzen, die in Schichten von Abstraktionen arbeiten — ähnlich wie das menschliche Sehen zuerst Kanten, dann Formen, dann Objekte erkennt. Deep Learning ist die Grundlage dafür, dass KI heute Sprache versteht und Bilder analysiert. Für Anwender ist das kein direktes Handlungsthema, aber gut zu wissen, wenn der Begriff fällt.

Natural Language Processing (NLP) ist der KI-Teilbereich, der sich mit geschriebener und gesprochener Sprache befasst: Texte analysieren, Sentiment erkennen, übersetzen, zusammenfassen, generieren. Sortiert ein System Kundenbewertungen automatisch nach positiv und negativ, ist das NLP. Versteht ein Chatbot eine Frage und antwortet, ist das NLP. Für Unternehmen ist NLP der relevanteste Teilbereich, weil fast alle Geschäftsprozesse mit Sprache zu tun haben.

Large Language Models (LLM) sind sehr große neuronale Netze, die auf riesigen Textmengen trainiert wurden — ChatGPT, Claude, Gemini und LLaMA sind bekannte Beispiele. Sie sind generalistisch: Ein einziges Modell funktioniert gleichzeitig als Schreibassistent, Übersetzer und Programmierhilfe, ohne für jede Aufgabe neu trainiert zu werden. Was LLMs nicht sind: allwissend oder verlässlich bei Fakten. Sie produzieren plausibel klingende Texte auf Basis statistischer Muster — für Unternehmen bedeutet das: exzellente Schreibassistenten, aber keine Faktenquelle ohne Verifikation.

Weitere Begriffe im Überblick

• Inferenz: der laufende Betrieb eines trainierten Modells für echte Anfragen — das, was Anwender tun.
• Training: der rechenintensive Lernprozess, meist kein KMU-Thema.
• RAG (Retrieval Augmented Generation): eine Technik, um LLMs mit eigenen Dokumenten anzureichern, ohne sie neu zu trainieren.

KI-Angebote richtig einordnen

1. Welche Kategorie ist gemeint? Ein regelbasiertes System (kein echtes ML), ein klassisches ML-Modell (trainiert auf eigenen Daten) oder ein LLM (generalistisches Sprachmodell)? Das bestimmt Fähigkeiten, Kosten und Datenbedarf. 2. Was sind die Trainingsdaten? Ein Modell ist nur so gut wie seine Trainingsdaten — viele Produkte für den deutschen Mittelstand sind auf englischen Daten trainiert und liefern schlechtere Ergebnisse auf Deutsch. 3. Training oder Inferenz? Bietet der Anbieter ein fertiges Modell (Inferenz) oder soll neu trainiert werden? Training ist teuer und in den meisten Fällen nicht nötig — Fine-Tuning oder RAG reichen häufig aus. 4. Datenschutz klären: Wohin gehen die verarbeiteten Daten, besteht ein Auftragsverarbeitungsvertrag, werden Daten fürs Training genutzt? 5. ROI konkret beziffern lassen: konkrete Referenzzahlen und eine Testphase einfordern, bevor investiert wird.

Für die meisten sinnvollen KI-Anwendungen im Mittelstand braucht es weder Mathematikkenntnisse über neuronale Netze noch einen eigenen Data Scientist — es sind SaaS-Produkte oder API-Integrationen, die ohne Spezialwissen einführbar sind. Wer die Begriffe dennoch einordnen kann, verhandelt auf Augenhöhe und erkennt, wenn Komplexität vor allem Abhängigkeit erzeugen soll.