Künstliche Intelligenz Überblick

Dieser Artikel gibt einen kompakten Überblick über Künstliche Intelligenz (KI), ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

KI vs. ML vs. DL – Unterschiede

• Künstliche Intelligenz (KI) ist der Oberbegriff für Systeme, die menschliche Fähigkeiten wie Problemlösen, Planen, Sprache oder Wahrnehmung nachbilden. Dazu zählen sowohl regelbasierte als auch datengetriebene Verfahren.
• Maschinelles Lernen (ML) ist ein Teilbereich der KI. Modelle lernen Muster aus Daten, anstatt explizit programmiert zu werden (z. B. Entscheidungsbäume, SVM, Gradient Boosting).
• Deep Learning (DL) ist ein Teilbereich des ML. Es nutzt tiefe künstliche neuronale Netze und wird vor allem bei Bild-, Sprach- und Textverarbeitung eingesetzt. DL benötigt meist sehr große Datenmengen und hohe Rechenleistung und ist oft weniger gut erklärbar.

Kurzvergleich

Kriterium	KI (gesamt)	ML	DL
Ansatz	Regeln und Lernen	Lernen aus Daten	Tiefe neuronale Netze
Datenbedarf	variabel	mittel–hoch	sehr hoch
Erklärbarkeit	hoch–mittel	mittel	eher gering
Typische Aufgaben	Planung, Suche, Expertensysteme	Prognosen, Klassifikation	Bild-, Sprach-, Texterkennung, GenAI

Einsatzmöglichkeiten

• Office & Wissensarbeit: Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
• Kundenservice & Vertrieb: Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
• Industrie / IoT: Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
• Finanzen: Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
• Gesundheit: Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
• Bildung: Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
• Öffentlicher Sektor: Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

Wirtschaftliche Betrachtung

• Chancen: Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
• Kosten:
  • Daten (Beschaffung, Aufbereitung, Labeling)
  • Technik (Modelle, GPU, Speicher, APIs)
  • Betrieb (MLOps, Monitoring)
  • Compliance & Security (DSGVO, EU-AI-Act)
  • Personal & Change-Management (Schulungen)
• ROI-Hebel: Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
• Arbeitsmarkt: Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

Vorteile und Nachteile

Vorteile

• Skalierbare Automatisierung repetitiver Aufgaben
• Schnellere, datenbasierte Entscheidungen
• Personalisierung in Echtzeit
• Entlastung von Routinetätigkeiten

Nachteile und Risiken

• Bias & Fairness: Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
• Erklärbarkeit: Black-Box-Modelle erschweren Nachvollziehbarkeit
• Sicherheit & Robustheit: Halluzinationen, Prompt- und Datenangriffe
• Betriebsrisiken: Modell-Drift, Compliance- und IP-Risiken
• Abhängigkeiten: Vendor-Lock-in, hohe Rechen- und Energiekosten

Rechtliche und ethische Aspekte (EU-Fokus)

EU-KI-Gesetz (EU AI Act)

Das EU-KI-Gesetz ordnet KI-Systeme in Risikoklassen ein:

• Verbotene Systeme (inakzeptables Risiko):
  • Social Scoring,
  • biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
  • manipulative Beeinflussung.

• Hochrisiko-Systeme (streng reguliert):
  • Bewerbermanagement,
  • Kredit-Scoring,
  • Gesichtserkennung,
  • kritische Infrastrukturen...
  • Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

• Geringes Risiko (Transparenzpflichten):
  • Chatbots,
  • Emotionserkennung,
  • generative Bild- und Videosysteme.

• Minimales Risiko:
  • Spamfilter,
  • Predictive Maintenance,
  • Videospiel-KI.

Datenschutz (DSGVO)

• Zweckbindung, Datenminimierung, Transparenz und Sicherheit
• Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
• Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

Ethik und gute Praxis

• Fairness und Nichtdiskriminierung
• Transparenz und Erklärbarkeit
• Sicherheit und Robustheit
• Menschliche Aufsicht (Human-in-the-Loop)
• Protokollierung und Monitoring
• Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

Kurzmerksatz

KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.