Was ist der Unterschied zwischen einem LLM und einem klassischen KI-System?

Klassische KI: regelbasiert und domänen-spezifisch

KI gibt es seit Mitte der 1960er Jahre. Die ersten Systeme waren Expertensysteme: Sie haben viele Daten gesammelt und nach festgelegten Regeln Antworten generiert. Ein medizinisches Expertensystem hilft zum Beispiel bei Diagnosen. Eine Heizung mit Predictive Maintenance erkennt, ob sie demnächst ausfällt, und ruft selbstständig den Wartungstechniker. Versicherungen prüfen mit klassischen KI-Systemen, ob Schadenfotos manipuliert wurden. Diese Systeme sind spezialisiert, eng definiert und auf ein klar abgegrenztes Aufgabenfeld zugeschnitten.

LLMs: generativ und multimodal

Large Language Models wie GPT, Claude oder Gemini wurden mit gewaltigen Datenmengen trainiert. ChatGPT hat praktisch das gesamte Internet als Trainingsdaten bekommen. Diese Modelle erkennen Muster und können daraus neue Inhalte generieren: Texte verfassen, Sprache übersetzen, Bilder erstellen, Musik komponieren. Du kennst LLMs aus Alltagsanwendungen: Spracherkennung in Siri und Alexa, automatische YouTube-Untertitel, automatische Übersetzungen der Europäischen Union, ChatGPT als Schreib-Assistent.

Worin liegt der praktische Unterschied?

Klassische KI ist deterministisch: gleicher Input ergibt gleichen Output. Ein LLM ist probabilistisch: Es kann auf dieselbe Frage unterschiedlich antworten, weil es Wahrscheinlichkeiten über mögliche Antworten ermittelt. Für Unternehmen heißt das: Bei reproduzierbaren Aufgaben (Buchungsregeln, Schwellenwerte) eignen sich klassische Systeme. Wo Sprache, Kreativität oder Mustererkennung in unstrukturierten Daten gefragt sind, spielen LLMs ihre Stärke aus.