Ein häufiger Gesprächsstoff am Büro-Wassertrinker lautet: „ChatGPT ist keine echte Künstliche Intelligenz – es ist nur eine Such- und Zusammenfassungstool.“ Diese Ansicht spiegelt eine weit verbreitete Verwirrung wider, die durch übermäßige medial vermittelte Bilder von AI als übermenschlicher, allwissender Superintelligenz entstanden ist – etwa wie Skynet aus Terminator oder die fremdenweltlichen KI-Systeme aus Dune. Doch die Realität ist viel nüchterner. Aktuelle große Sprachmodelle wie ChatGPT funktionieren nicht durch echtes Denken oder Verstehen, sondern durch statistische Mustererkennung auf Basis riesiger Textdatensätze. Sie „lernen“, welche Wörter nach anderen wahrscheinlich sind, und generieren daher menschenähnliche Texte – oft überzeugend, aber keinesfalls immer korrekt. Um dies zu verstehen, hilft die Unterscheidung zwischen zwei Denkformen: deduktivem und induktivem Denken. Deduktives Denken folgt klaren Regeln – wenn die Prämissen wahr sind, muss die Schlussfolgerung zwangsläufig richtig sein (z. B. „Alle Menschen sind sterblich, Sokrates ist ein Mensch, also ist Sokrates sterblich“). Es ist deterministisch, konsistent und fehlerfrei, sofern die Logik korrekt angewandt wird. Induktives Denken hingegen geht von Beobachtungen aus, um allgemeine Schlussfolgerungen zu ziehen – etwa: „Die Sonne ist jeden Tag aufgegangen, also wird sie morgen auch aufgehen.“ Dieses Denken ist stochastisch, basiert auf Annahmen über die Stabilität von Mustern und ist daher grundsätzlich fehleranfällig. Es ist das, was Daniel Kahnemans System 1 beschreibt: schnelle, intuitive, aber fehleranfällige Urteile. Große Sprachmodelle (LLMs) arbeiten genau wie induktives Denken. Sie analysieren Muster in Texten, um die wahrscheinlichste Fortsetzung eines Satzes vorherzusagen. Sie verstehen keine Inhalte, sondern „ahnen“, was als nächstes logisch klingt. Selbst wenn sie Argumente mit einer Struktur erzeugen, die wie Deduktion aussieht, ist dies nur eine Illusion. Sie können falsche Informationen erfinden („Halluzinationen“), weil sie nicht über Wahrheit entscheiden, sondern über Plausibilität. Die Zahl möglicher Wortkombinationen ist astronomisch groß – weit größer als die Menge aller existierenden Texte – daher können LLMs nie alle Kombinationen kennen. Stattdessen schätzen sie Wahrscheinlichkeiten auf Basis statistischer Modelle. Ein wichtiger Fortschritt ist die „Chain of Thought“-Technik (CoT), bei der das Modell angeregt wird, Schritt für Schritt zu denken, bevor es eine Antwort liefert. Dadurch wird die Wahrscheinlichkeit erhöht, dass die Antwort plausibel ist – doch auch hier bleibt das zugrunde liegende Denken induktiv. Die Methode verbessert die Qualität, verändert aber nicht die grundlegende Natur der KI. OpenAI’s o1-Modell demonstrierte, dass selbst komplexe Probleme durch solche Schritt-für-Schritt-Ansätze besser angegangen werden können. Die Schlussfolgerung: KI ist kein Mensch, kein Denker, kein Prophet. Sie ist ein Werkzeug, das auf Muster basiert und durch geschicktes Prompting besser funktioniert. Um ihre Grenzen zu erkennen und sie sinnvoll einzusetzen, ist es entscheidend, zwischen echtem Denken und scheinbarem Denken zu unterscheiden. Nur so können wir Erwartungen realistisch gestalten und die Technologie verantwortungsvoll nutzen. In der Branche wird die Kritik an der Überhöhung von LLMs zunehmend ernst genommen. Experten betonen, dass CoT und andere Techniken zwar nützlich sind, aber keine echte Kognition simulieren. Unternehmen wie pialgorithms setzen auf RAG (Retrieval-Augmented Generation), um die Genauigkeit zu steigern und Halluzinationen zu reduzieren. Die Zukunft der KI liegt nicht in der Illusion von Intelligenz, sondern in der klaren Anerkennung ihrer Induktivität – und in der konstruktiven Nutzung, die auf Transparenz, Kontrolle und menschliche Aufsicht basiert.