Künstliche Intelligenz: Ein Werkzeug, das man lernen muss

Es war ein Freitagabend, kurz vor Feierabend. Eine Log-Analyse, die seit Stunden nicht vorankam — hunderte Zeilen, ein Muster, das offensichtlich und dennoch schwer zu fassen war. Ich kopierte die Ausgabe in ein KI-Werkzeug und stellte eine Frage. Dreißig Sekunden später lag die Antwort da: präzise, korrekt, elegant begründet. Ein Kollege hätte länger gebraucht.

Eine Stunde später wollte ich dasselbe Werkzeug eine einfache YAML-Datei umsortieren lassen. Es halluzinierte ein Feld hinzu, das nie existiert hatte, behauptete steif und fest, es sei erforderlich, und reproduzierte denselben Fehler viermal hintereinander — obwohl ich jedes Mal mit dem Finger genau darauf zeigte.

Genau da liegt der Bruch. Dieselbe Technologie, Minuten auseinander: brillant und borniert. Hellsehend und blind. Das ist kein Bug, den ein Patch repariert. Das ist die Natur dieses Werkzeugs.

Der Bruch mit allem, was wir kannten

Wer lange mit Maschinen gearbeitet hat, hat eine stabile Erwartung: Determinismus. Gleiche Eingabe, gleiche Ausgabe. Ein Compiler tut, was er soll, oder er tut gar nichts. Ein Skript bricht deterministisch an derselben Stelle.

Künstliche Intelligenz bricht diesen Vertrag. Sie produziert unterschiedliche Antworten auf identische Fragen. Sie erfindet Fakten — Quellen, die es nicht gibt, API-Aufrufe, die nie existierten, Bibliotheken mit plausiblem Namen und erfundenem Inhalt. Sie insistiert auf einem Fehler, selbst wenn man ihr den Beweis vorlegt. Wer das noch nie erlebt hat, hat sie nicht genutzt.

Das irritiert. Wer KI wie eine Suchmaschine behandelt — Frage rein, Wahrheit raus —, wird scheitern. Wer sie wie ein Orakel betrachtet, wird enttäuscht. Sie ist keines von beidem. Sie ist etwas Neues, und Neues muss verstanden werden.

Ein Werkzeug, kein Orakel

So banal es klingt: KI ist ein Werkzeug. Und Werkzeuge wollen gelernt sein. Keiner setzt sich zum ersten Mal hinter ein Auto und erwartet, sofort souverän zu fahren. Niemand drückt jemandem einen Taschenrechner in die Hand und staunt, wenn das Ergebnis falsch ist, weil die Eingabe falsch war.

Bei der KI ist das nicht anders — nur dass die Schnittstelle natürliche Sprache ist, und natürliche Sprache suggeriert Vertrautheit, wo keine ist.

Die Qualität dessen, was eine KI liefert, hängt maßgeblich davon ab, was man ihr gibt und wie. Der bessere Prompt bringt die bessere Antwort. Das ist keine Zauberformel, es ist Handwerk: Kontext liefern, Rahmen setzen, Annahmen benennen, die Aufgabe präzise statt diffus formulieren. Wer undeutlich fragt, bekommt eine undeutliche Antwort. Wer suggestiv fragt — „Das ist doch ein Bug, oder?" —, erhält nicht selten genau die Bestätigung, nach der er gesucht hat, unabhängig davon, ob sie stimmt.

Das kennen wir von Menschen. Suggestive Fragen führen zu suggestiven Antworten. Auch bei der KI. Der Unterschied: ein Mensch würde vielleicht zögern, widersprechen, nachfragen. Die KI hingegen tendiert dazu, gefällig zu sein. Wer das nicht weiß, produziert Ergebnisse, die überzeugend klingen und trotzdem unbrauchbar sind.

Natürliche Sprache ist keine Narrenfreiheit

Gerade weil die Interaktion in natürlicher Sprache erfolgt, entsteht eine Illusion: Man könne nichts falsch machen. Schließlich spricht man ja nur. Man formuliert, probiert, fragt nochmal.

Aber das Gegenteil trifft zu. Gerade weil die Barriere so niedrig ist, bemerken viele nicht, dass sie es verbessern können — und sollten. Gute Prompts sind ein Können. Sie lassen sich üben, verfeinern, systematisieren. Wer das erste brauchbare Ergebnis nimmt und weiterzieht, hinterlässt Potenzial auf der Straße. Wer iterativ arbeitet, Kontext nachreicht, die KI zwingt, ihre Schritte offenzulegen, bekommt deutlich bessere Resultate.

Natürliche Sprache bedeutet eben nicht, dass es keine Methode gibt. Es bedeutet nur, dass die Methode anders aussieht als bei SQL oder Bash. Wer bereit ist, diese Methode zu lernen, zieht einen echten Nutzen. Wer es nicht ist, bleibt bei Anekdoten.

Die Umweltbilanz — und warum es nicht so einfach ist

Nun die unbequeme Wahrheit: KI verbraucht Energie. Viel Energie. Training und Inferenz fressen Strom in Dimensionen, die früher ganzen Rechenzentren vorbehalten waren. Wer das abstreitet, streitet gegen Physik.

Aber es ist nicht so einfach. Erstens wird ein Gutteil der Debattenführung mit pauschalen Zahlen geführt, die selten vergleichbar sind. Zweitens sinkt der Verbrauch pro Anfrage, sobald Modelle kleiner, quantisiert und spezialisierter werden. Und drittens — und das ist der eigentliche Punkt — liegt das Problem nicht bei der KI als solcher, sondern bei der Art, wie sie bereitgestellt wird.

Da versuchen Tech-Giganten, gigantische Rechenzentren hochzuziehen, angeschlossen an eigene Atomreaktoren. Das ist eine schlechte Idee von Anfang an. Atomkraft ist für mich kein akzeptabler Weg — die Risiken bleiben ungelöst, und wer sie für Rechenzentren normalisiert, schiebt die Kosten auf kommende Generationen ab. Doch selbst darüber hinaus lautet die zentrale Frage nicht „Wo kommt der Strom her?", sondern „Brauchen wir diese Konzentration überhaupt?". Wer KI verteilt, schlanker und näher am Anwender betreibt, braucht keine milliardenerschweren Reaktoren. Wer aber im Wettlauf der Supermächte mithalten will, baut größer, nicht klüger.

Dieser Wettkampf ist längst Realität. Er nährt sich von Handelskriegen, nationaler Prestigesucht und der Angst, abgehängt zu werden. KI ist dabei gleichzeitig Segen und Fluch: Sie beschleunigt Forschung, Medizin, Materialwissenschaft — und sie treibt einen Rüstungskurs an, bei dem Vernunft gegenüber Größe verliert. Wer das eine lobt und das andere ignoriert, redet an der Sache vorbei.

Was libcom.de daraus gemacht hat

Ich nutze KI seit Jahren — nicht als Experiment, sondern im Alltag einer IT-Praxis. Für Code-Reviews, Dokumentation, Log-Analyse, Skizzierung von Architekturen, Übersetzung, Erklärung. Aus dieser Erfahrung komme ich zu zwei Urteilen.

Erstens: Es ist entscheidend, Wissen um KI aufzubauen. Zu wissen, was ein Modell kann, wo es halluziniert, wie man es richtig fragt, wann man ihm vertraut und wann besser nicht. Das ist kein Luxuswissen, es wird zur Grundkompetenz.

Zweitens — und das ist mindestens genauso wichtig: Man muss wissen, welche KI-Angebote man nutzen sollte und welche nicht. Die öffentlichen, großen Modelle sind bequem, aber sie sind Black Boxes. Was man eingibt, verlässt den eigenen Einflussbereich. Für eine private Frage mag das egal sein. Für Kundendaten, Interna, Quellcode, Konfigurationen ist es das nicht.

Darum betreibt libcom.de KI auch On-Premise — lokal, auf eigener Hardware, ohne Datenabfluss. Das ist aufwendiger als ein API-Aufruf. Es ist langsamer, teurer in der Anschaffung, pflegeintensiver. Aber es löst das größte Problem der KI-Nutzung, das niemand gerne nennt: Datenschutz. Wer sensible Daten in ein fremdes Modell speist, hat die Kontrolle bereits abgegeben. Wer lokal inferiert, behält sie.

Und hier zeigt sich, dass die Frage nicht „KI ja oder nein" lautet, sondern „welche KI, wo, unter wessen Kontrolle". Genau das ist die Arbeit: nicht ein Produkt verkaufen, sondern gemeinsam herausfinden, welcher Einsatz sinnvoll ist — und welcher nicht.

Wenn Sie sich fragen, ob und wie KI in Ihrer Umgebung sinnvoll eingesetzt werden kann — on-premise, datenschutzkonform, ohne Abhängigkeit von Hyperscalern: Schreiben Sie an contact@libcom.de. Wir nehmen das ehrlich auseinander. Ohne Verkaufsdruck. Mit dem Blick auf das, was langfristig Bestand hat.

KI ist weder Erlösung noch Untergang. Sie ist ein Werkzeug — mächtig, fehlerhaft, lernbedürftig. Wie jedes Werkzeug entscheidet die Hand, die es führt.