KI verstehen: LLM, generative KI und GPT einfach erklärtUnderstanding AI: LLMs, generative AI and GPT explained

Künstliche Intelligenz verändert, wie Unternehmen arbeiten und womit sie Geld verdienen. Neue Geschäftsmodelle entstehen, Berufsbilder verschieben sich. Wer heute ein Unternehmen führt, muss einschätzen können, was davon das eigene Geschäft betrifft. Dafür reicht es nicht, ChatGPT ausprobiert zu haben. Du brauchst die Begriffe, um Angebote, Risiken und Chancen auseinanderzuhalten.

Der Begriff Disruption fällt dabei oft. Er geht auf Clayton Christensen zurück, der ihn 1995 mit Joseph Bower in einem Aufsatz und 1997 im Buch „The Innovator's Dilemma“ ausgearbeitet hat. Gemeint ist ein bestimmter Ablauf: Ein zunächst einfacheres oder günstigeres Angebot gewinnt neue Kunden und verdrängt später etablierte Anbieter. Nicht jede starke Neuerung ist also disruptiv. Bei KI lohnt sich die Frage trotzdem, weil sie Aufgaben billiger macht, die bisher teure Fachleute erledigt haben.

In Deutschland nutzt inzwischen die Mehrheit der Unternehmen KI. Laut Bitkom setzen 57 Prozent der Unternehmen ab 20 Beschäftigten KI ein, befragt wurden 603 Unternehmen im Sommer 2026. Dieser Beitrag erklärt die wichtigsten Begriffe und zeigt, welche Art von KI zu welcher Aufgabe passt.

Die wichtigsten KI-Begriffe im Überblick

KI, maschinelles Lernen, Deep Learning, generative KI und LLM liegen ineinander wie Schichten. Künstliche Intelligenz ist der Oberbegriff. Darunter fällt maschinelles Lernen, bei dem Systeme Muster aus Daten lernen statt aus festen Regeln. Deep Learning arbeitet mit vielschichtigen neuronalen Netzen. Generative KI erzeugt neue Inhalte. Ein Large Language Model ist eine Form generativer KI, die auf Sprache spezialisiert ist.

Wichtig ist, was außerhalb der inneren Kreise liegt. Regelbasierte Expertensysteme sind KI, lernen aber nicht aus Daten. Viele Systeme zur Fehlererkennung lernen aus Daten, erzeugen aber nichts. Wer KI mit ChatGPT gleichsetzt, übersieht den größten Teil des Feldes.

KI begegnet uns längst im Alltag

Viele KI-Anwendungen nutzen wir, ohne darüber nachzudenken. Die Smartphone-Kamera erkennt, ob du eine Katze, ein Gericht oder eine Landschaft fotografierst, und passt die Einstellungen an. Huawei hat 2017 mit dem Mate 10 einen eigenen KI-Rechenkern im Prozessor genau dafür beworben. Im Auto erkennen Kameras und Sensoren Fußgänger, Radfahrer und Querverkehr. Seit Juli 2024 schreibt die EU in allen neuen Fahrzeugen unter anderem einen Notbremsassistenten und einen Spurhalteassistenten vor.

Im Onlinehandel schlagen Empfehlungssysteme passende Produkte vor. Amazon hat sein Verfahren für „Andere Kunden kauften auch“ schon 2003 in einer Fachzeitschrift beschrieben. In der Fertigung prüfen Kamerasysteme Bauteile auf Kratzer und Maßabweichungen. Automatisierung und Robotik brauchen dabei nicht automatisch KI. Viele Produktionsstraßen laufen mit fest programmierten Abläufen.

Die Beispiele lassen sich nach drei Aufgaben sortieren. Ein System erkennt etwas, es empfiehlt etwas oder es erzeugt etwas. Nur die dritte Gruppe ist generative KI. ChatGPT ist die bekannteste Anwendung daraus. Die ChatGPT-App hat im Juni 2026 nach einer Schätzung des Marktforschers Sensor Tower, über die Reuters berichtete, die Marke von einer Milliarde monatlichen Nutzern überschritten.

Was ist ein Large Language Model?

Ein Large Language Model, kurz LLM, ist ein großes Sprachmodell. Es wird mit sehr großen Textmengen trainiert und lernt dabei sprachliche Muster und Zusammenhänge. Auf dieser Grundlage erzeugt es zu einer Eingabe einen passenden Text. Die Größenordnung liegt weit über Millionen Seiten. Meta hat Llama 3 mit mehr als 15 Billionen Tokens trainiert. Ein Token ist ein Wortbaustein, grob drei Viertel eines Worts.

Ein LLM ist keine Datenbank, in der diese Texte liegen. Es ist ein trainiertes Modell. Beim Antworten sagt es Stück für Stück voraus, welches Wort am plausibelsten folgt. Genau darin liegt seine Stärke und seine Schwäche.

Eine plausibel formulierte Antwort ist nicht automatisch richtig. OpenAI hat im September 2025 in einer Untersuchung erklärt, warum Sprachmodelle halluzinieren: Training und Bewertung belohnen Raten stärker als das Eingeständnis von Unsicherheit. Für dich heißt das: Fakten, Zahlen und Zitate aus einem LLM prüfst du, bevor du sie weitergibst.

Neben reinen Sprachmodellen gibt es multimodale Modelle. Sie verarbeiten neben Text auch Bilder, Audio oder Video. GPT, Gemini und Claude verarbeiten in ihren aktuellen Versionen zum Beispiel auch Bilder.

Was bedeutet generative KI?

Generative KI erzeugt neue Inhalte. Dazu gehören Texte, Bilder, Musik, Videos und Code. Ein System verarbeitet eine Eingabe und erstellt auf Grundlage gelernter Muster eine Ausgabe. Für die Einordnung hilft die Unterscheidung zwischen Erkennen und Erzeugen.

Erkennt ein System eine Katze auf einem Foto, ordnet es vorhandene Bildinformationen ein. Erstellt es ein Katzenbild, erzeugt es einen Inhalt. Nur das zweite ist generative KI. Bei Texten gilt dasselbe. Texterkennung, etwa aus einem eingescannten Dokument, ist für sich genommen nicht generativ. Das Verfassen eines neuen Textes schon.

Ob man das Ergebnis kreativ nennt, ist eine eigene Frage. Technisch lässt sich nicht garantieren, dass jedes Ergebnis neu ist. Ein Modell kann Formulierungen oder Motive aus seinen Trainingsdaten sehr nahe wiedergeben. Für Texte, die du veröffentlichst, und für Bilder mit Marken oder Personen ist das eine rechtliche Frage, keine technische.

Wofür steht GPT?

GPT steht für Generative Pre-trained Transformer. Generativ beschreibt die Fähigkeit, Inhalte zu erzeugen. Vortrainiert bedeutet, dass das Modell vor seiner Nutzung auf großen Datenmengen trainiert wurde. Transformer ist die Modellarchitektur, die Google-Forscher 2017 im Aufsatz „Attention Is All You Need“ vorgestellt haben. OpenAI hat das erste GPT-Modell im Juni 2018 veröffentlicht.

Für das Verständnis lohnt es sich, drei Ebenen auseinanderzuhalten. Die Technologie ist der Transformer. Das Modell ist zum Beispiel GPT von OpenAI, Gemini von Google, Claude von Anthropic, Llama von Meta oder ein Modell des französischen Anbieters Mistral AI. Die Anwendung ist das, womit du arbeitest: ChatGPT, die Gemini-App, Le Chat von Mistral oder Microsoft Copilot.

Copilot und GPT sind nicht dasselbe. Microsoft 365 Copilot nutzt vor allem Modelle von OpenAI und bietet in einigen Szenarien seit 2025 auch Modelle von Anthropic an. Welches Modell hinter einem Produkt steckt, hängt vom konkreten Angebot ab und ändert sich mit der Zeit.

LLMs und andere KI-Systeme: Unterschiede und Einsatzgebiete

Ein Sprachmodell beantwortet Fragen und formuliert Texte. Ein anderes KI-System erkennt auffällige Kreditkartenzahlungen oder warnt vor dem Ausfall einer Maschine. Beide nutzen KI, erfüllen aber verschiedene Aufgaben. Entscheidend ist, welche Aufgabe ein System lösen soll und welche Daten es dafür braucht.

Klassische Expertensysteme arbeiten mit hinterlegtem Fachwissen und festen Regeln. Frühe Beispiele gab es in der Medizin, wo solche Systeme Diagnosen unterstützten. Spezialisierte Systeme des maschinellen Lernens lernen dagegen Muster aus Daten. Sie erkennen Fehler in der Produktion oder schätzen das Ausfallrisiko einer Maschine ein, ohne dass jemand jede Regel vorgibt.

Auch der Rechenbedarf hängt von der Aufgabe ab. Große Sprachmodelle brauchen für das Training enorme Rechenleistung und laufen meist in Rechenzentren. Für eine eng begrenzte Überwachungsaufgabe reicht oft ein kleiner Rechner direkt an der Maschine.

Bei Sprachassistenten arbeiten meist mehrere Bausteine zusammen. Die Spracherkennung wandelt Gesprochenes in Text um, ein Sprachmodell verarbeitet die Anfrage, eine Sprachausgabe macht die Antwort hörbar. Spracherkennung und maschinelle Übersetzung funktionieren auch ohne LLM. Die EU-Kommission betreibt mit eTranslation seit Jahren einen eigenen Übersetzungsdienst auf Basis neuronaler Netze.

Vorausschauende Wartung: wenn der Techniker früher kommt

Predictive Maintenance heißt vorausschauende Wartung. Ein Beispiel, das viele aus dem eigenen Haus kennen: Die Heizung erkennt ein mögliches Problem und meldet es an den Service. Am nächsten Morgen steht ein Techniker vor der Tür, obwohl im Haus noch niemand etwas gemerkt hat. Im Winter ist das ein Unterschied zwischen kurzem Termin und kalter Wohnung.

Dahinter steckt ein System, das Betriebsdaten wie Druck, Temperatur oder Vibration auswertet und nach Anzeichen für einen Fehler sucht. Die Wartung kommt dann, bevor etwas ausfällt. In der Industrie überwachen Unternehmen so den Zustand ihrer Maschinen und richten Wartungen am tatsächlichen Bedarf aus statt an einem festen Kalender.

Deloitte hat 2017 die Spannen zusammengefasst: 20 bis 50 Prozent weniger Zeit für die Planung, 10 bis 20 Prozent mehr Anlagenverfügbarkeit und 5 bis 10 Prozent geringere Wartungskosten. Wie viel davon in einem Betrieb ankommt, hängt von der Datenlage ab. Ohne Sensordaten über einen längeren Zeitraum und ohne dokumentierte Ausfälle lernt das System wenig.

Qualität, Betrug, Logistik: weitere Aufgaben spezialisierter KI

In vielen Betrieben steht die Auswertung vorhandener Daten im Mittelpunkt, nicht das Erzeugen von Texten. In der Qualitätskontrolle prüfen Systeme Produkte oder Produktionsdaten auf Abweichungen. Banken und Versicherungen untersuchen auffällige Muster, etwa bei Kreditkartenzahlungen oder Schadenmeldungen. In der Logistik helfen Systeme bei der Planung von Touren und Lagerbeständen.

Bei Versicherungen können Fotos eines gemeldeten Schadens in die Prüfung einfließen. Eine erkannte Auffälligkeit ist dann ein Hinweis, der weiter untersucht wird. Ein Nachweis für Betrug ist sie für sich genommen nicht. Solche Systeme laufen rund um die Uhr. Wie zuverlässig sie sind, hängt von den Daten, vom Einsatzgebiet und davon ab, ob jemand ihre Trefferquote laufend überwacht.

Anbieter wählen: Sitz allein ist kein Datenschutz

Bei der Auswahl eines KI-Dienstes spielen europäische Anbieter für viele Unternehmen eine Rolle. Der Sitz eines Anbieters allein garantiert aber nicht, dass jeder Einsatz die Datenschutzanforderungen erfüllt. Entscheidend sind der konkrete Vertrag, der Ort der Verarbeitung, die Einstellungen zur Nutzung deiner Eingaben für das Training und die Daten, die du überhaupt eingibst. Auch der EU AI Act ist kein Gütesiegel. Er regelt Pflichten je nach Risiko des Einsatzes und garantiert für sich genommen keine Konformität eines bestimmten Produkts.

Welche KI passt zu deiner Aufgabe?

Fang beim Ergebnis an, nicht beim Werkzeug. Nimm eine Aufgabe aus deinem Unternehmen und beschreibe das gewünschte Ergebnis möglichst genau. Soll ein System einen Text formulieren, einen Fehler erkennen oder vor einem Ausfall warnen? Prüfe dann, welche Daten vorhanden sind und wie zuverlässig das Ergebnis sein muss.

Eine kleine Übung für die nächste Woche: Schreib drei Anwendungen auf, die du schon nutzt, und ordne jede ein. Erkennt sie etwas, empfiehlt sie etwas oder erzeugt sie etwas? Dann nimm eine Tätigkeit in deinem Unternehmen, die sich durch eine dieser drei Arten verändern könnte. Daraus entsteht dein erstes Zukunftsszenario, und es ist konkreter als jede Schlagzeile über KI.

Quellen

• Joseph L. Bower, Clayton M. Christensen: Disruptive Technologies: Catching the Wave, Harvard Business Review, 1995.
• Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI, 14.09.2026.
• Verordnung (EU) 2019/2144 über die Typgenehmigung von Kraftfahrzeugen hinsichtlich ihrer allgemeinen Sicherheit, EUR-Lex.
• Linden, Smith, York: Amazon.com Recommendations: Item-to-Item Collaborative Filtering, IEEE Internet Computing, 2003.
• Reuters: ChatGPT app hits 1 billion monthly active users, 02.06.2026.
• Meta: Introducing Meta Llama 3, 18.04.2024.
• OpenAI: Why language models hallucinate, 05.09.2025.
• Vaswani u. a.: Attention Is All You Need, 2017.
• OpenAI: Improving language understanding with unsupervised learning, 11.06.2018.
• Microsoft: Expanding model choice in Microsoft 365 Copilot, 24.09.2025.
• Deloitte Insights: Industry 4.0 and predictive technologies for asset maintenance, 09.05.2017.
• Europäische Kommission: eTranslation.

Grafiken sind eigene Darstellungen. Wortwahrscheinlichkeiten, Sensorverlauf und die Umrechnung der Tokens in Seiten sind Beispiel- bzw. Rechenwerte.

Artificial intelligence is changing how companies work and how they make money. New business models appear, job profiles shift. If you run a company today, you need to judge which of this affects your own business. Having tried ChatGPT is not enough for that. You need the terms to tell offers, risks and opportunities apart.

The word disruption comes up a lot. It goes back to Clayton Christensen, who developed it with Joseph Bower in a 1995 article and in the 1997 book “The Innovator's Dilemma”. It describes a specific pattern: an offer that starts simpler or cheaper wins new customers and later displaces established providers. So not every strong innovation is disruptive. With AI the question is still worth asking, because it makes tasks cheaper that used to need expensive specialists.

In Germany, a majority of companies now use AI. According to Bitkom, 57 percent of companies with 20 or more employees use AI; 603 companies were surveyed in summer 2026. This article explains the key terms and shows which kind of AI fits which task.

The key AI terms at a glance

AI, machine learning, deep learning, generative AI and LLM sit inside each other like layers. Artificial intelligence is the umbrella term. Below it is machine learning, where systems learn patterns from data instead of fixed rules. Deep learning uses many-layered neural networks. Generative AI creates new content. A large language model is one form of generative AI, specialised in language.

What lies outside the inner circles matters. Rule-based expert systems are AI but do not learn from data. Many defect detection systems learn from data but generate nothing. If you equate AI with ChatGPT, you miss most of the field.

AI is already part of everyday life

We use many AI applications without thinking about it. Your smartphone camera recognises whether you are taking a picture of a cat, a dish or a landscape and adjusts the settings. In 2017 Huawei promoted a dedicated AI core in the Mate 10 processor for exactly that. In cars, cameras and sensors detect pedestrians, cyclists and cross traffic. Since July 2024 the EU has required, among other things, an emergency braking assistant and a lane keeping assistant in all new vehicles.

In online retail, recommender systems suggest matching products. Amazon described its method for “customers who bought this also bought” in a journal back in 2003. In manufacturing, camera systems inspect parts for scratches and dimensional deviations. Automation and robotics do not automatically need AI, though. Many production lines run on fixed programmed sequences.

The examples fall into three tasks. A system recognises something, recommends something or generates something. Only the third group is generative AI. ChatGPT is the best-known application in it. In June 2026, according to an estimate by the market research firm Sensor Tower reported by Reuters, the ChatGPT app passed one billion monthly users.

What is a large language model?

A large language model, or LLM, is a big model of language. It is trained on very large amounts of text and learns language patterns and relationships. On that basis it produces fitting text for an input. The scale goes far beyond millions of pages. Meta trained Llama 3 on more than 15 trillion tokens. A token is a piece of a word, roughly three quarters of a word.

An LLM is not a database that holds these texts. It is a trained model. When it answers, it predicts piece by piece which word most plausibly comes next. That is both its strength and its weakness.

A plausibly worded answer is not automatically correct. In September 2025 OpenAI explained in a study why language models hallucinate: training and evaluation reward guessing more than admitting uncertainty. For you this means: check facts, figures and quotes from an LLM before you pass them on.

Besides pure language models there are multimodal models. They process images, audio or video as well as text. The current versions of GPT, Gemini and Claude, for example, also process images.

What does generative AI mean?

Generative AI creates new content. That includes text, images, music, video and code. A system processes an input and produces an output based on learned patterns. The difference between recognising and generating helps to sort this out.

If a system recognises a cat in a photo, it classifies existing image information. If it creates a cat picture, it generates content. Only the second is generative AI. The same applies to text. Text recognition, for example from a scanned document, is not generative by itself. Writing a new text is.

Whether you call the result creative is a separate question. Technically, there is no guarantee that every result is new. A model can reproduce wording or motifs from its training data very closely. For texts you publish and for images with brands or people, that is a legal question, not a technical one.

What does GPT stand for?

GPT stands for Generative Pre-trained Transformer. Generative describes the ability to create content. Pre-trained means the model was trained on large amounts of data before use. Transformer is the model architecture that Google researchers introduced in 2017 in the paper “Attention Is All You Need”. OpenAI released the first GPT model in June 2018.

It helps to keep three layers apart. The technology is the transformer. The model is, for example, GPT by OpenAI, Gemini by Google, Claude by Anthropic, Llama by Meta or a model by the French provider Mistral AI. The application is what you work with: ChatGPT, the Gemini app, Le Chat by Mistral or Microsoft Copilot.

Copilot and GPT are not the same. Microsoft 365 Copilot mainly uses OpenAI models and, since 2025, also offers Anthropic models in some scenarios. Which model sits behind a product depends on the specific offer and changes over time.

LLMs and other AI systems: differences and uses

A language model answers questions and writes texts. Another AI system spots suspicious credit card payments or warns that a machine is about to fail. Both use AI but do different jobs. What matters is the task a system should solve and the data it needs for it.

Classic expert systems work with stored expertise and fixed rules. Early examples came from medicine, where such systems supported diagnoses. Specialised machine learning systems, in contrast, learn patterns from data. They detect defects in production or estimate the failure risk of a machine without anyone writing every rule.

Compute needs depend on the task as well. Large language models need enormous computing power for training and mostly run in data centres. For a narrowly defined monitoring task, a small computer right at the machine is often enough.

Voice assistants usually combine several building blocks. Speech recognition turns spoken words into text, a language model processes the request, speech output makes the answer audible. Speech recognition and machine translation also work without an LLM. The European Commission has run its own neural machine translation service, eTranslation, for years.

Predictive maintenance: when the technician comes early

Predictive maintenance means maintenance before something breaks. An example many people know from home: the heating detects a possible problem and reports it to the service company. The next morning a technician is at the door, although nobody in the house has noticed anything yet. In winter, that is the difference between a short appointment and a cold flat.

Behind it is a system that analyses operating data such as pressure, temperature or vibration and looks for signs of a fault. Maintenance then happens before anything fails. In industry, companies monitor the condition of their machines this way and plan maintenance by actual need instead of a fixed calendar.

Deloitte summarised the ranges in 2017: 20 to 50 percent less time for planning, 10 to 20 percent more equipment availability and 5 to 10 percent lower maintenance costs. How much of this a company actually gets depends on its data. Without sensor data over a longer period and without documented failures, the system learns little.

Quality, fraud, logistics: more tasks for specialised AI

In many companies, analysing existing data matters more than generating text. In quality control, systems check products or production data for deviations. Banks and insurers look for unusual patterns, for example in credit card payments or claims. In logistics, systems help plan routes and stock levels.

At insurers, photos of a reported damage can feed into the review. A detected anomaly is then a signal that gets investigated further. By itself it is not proof of fraud. Such systems run around the clock. How reliable they are depends on the data, the field of use and whether someone keeps monitoring their hit rate.

Choosing a provider: location alone is not data protection

For many companies, European providers play a role in choosing an AI service. A provider's location alone does not guarantee that every use meets data protection requirements. What counts is the specific contract, where processing happens, the settings for using your inputs for training and the data you enter in the first place. The EU AI Act is no seal of approval either. It sets obligations by the risk of a use and does not by itself guarantee that a particular product complies.

Which AI fits your task?

Start with the result, not with the tool. Take a task from your company and describe the desired result as precisely as possible. Should a system write a text, detect a defect or warn of a failure? Then check which data you have and how reliable the result has to be.

A small exercise for next week: write down three applications you already use and classify each one. Does it recognise something, recommend something or generate something? Then take one activity in your company that one of these three kinds could change. That is your first future scenario, and it is more concrete than any headline about AI.

Sources

• Joseph L. Bower, Clayton M. Christensen: Disruptive Technologies: Catching the Wave, Harvard Business Review, 1995.
• Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI, 14 September 2026 (in German).
• Regulation (EU) 2019/2144 on type-approval requirements for motor vehicles as regards their general safety, EUR-Lex.
• Linden, Smith, York: Amazon.com Recommendations: Item-to-Item Collaborative Filtering, IEEE Internet Computing, 2003.
• Reuters: ChatGPT app hits 1 billion monthly active users, 2 June 2026.
• Meta: Introducing Meta Llama 3, 18 April 2024.
• OpenAI: Why language models hallucinate, 5 September 2025.
• Vaswani et al.: Attention Is All You Need, 2017.
• OpenAI: Improving language understanding with unsupervised learning, 11 June 2018.
• Microsoft: Expanding model choice in Microsoft 365 Copilot, 24 September 2025.
• Deloitte Insights: Industry 4.0 and predictive technologies for asset maintenance, 9 May 2017.
• European Commission: eTranslation.

The graphics are my own work. Word probabilities, sensor curve and the conversion of tokens into pages are example or worked values.