Richtig begegnet bin ich Künstlicher Intelligenz 2022 bei SAP — nicht als Schlagwort, sondern ganz praktisch: beim Testen, wie gut KI programmieren kann, und bei einem Doku-Tool, das Dokumentation durchsucht und Fragen dazu beantwortet. Im selben Jahr, Ende November, kam ChatGPT heraus — und plötzlich war KI kein Thema mehr nur für Fachleute, sondern für alle. Seitdem beschäftigt mich eine Frage, mit der diese Reihe beginnt: Woher kommt das eigentlich, und was steckt wirklich dahinter?
Teil 1 der Reihe „KI verstehen“. Bevor wir fragen, was KI in einem Unternehmen leisten kann, lohnt ein Blick darauf, woher sie kommt. Denn vieles, was heute wie ein Durchbruch aus dem Nichts wirkt, ist eine Idee, die über 70 Jahre alt ist.
1950: Kann eine Maschine denken?
Der britische Mathematiker Alan Turing stellte 1950 eine Frage, die bis heute nachwirkt: Kann eine Maschine denken? Weil sich „Denken“ kaum sauber definieren lässt, schlug er einen praktischen Test vor. Wenn ein Mensch im schriftlichen Gespräch nicht mehr unterscheiden kann, ob er mit einem Menschen oder einer Maschine schreibt, dann verhält sich die Maschine intelligent. Das ist der berühmte Turing-Test.
Schon einige Jahre vorher, 1943, hatten Warren McCulloch und Walter Pitts ein einfaches mathematisches Modell einer Nervenzelle beschrieben. Das künstliche Neuron war geboren — der Grundbaustein, auf dem auch heutige Sprachmodelle stehen.
1956: Die KI bekommt einen Namen
Im Sommer 1956 trafen sich Forscher um John McCarthy, Marvin Minsky, Claude Shannon und Nathaniel Rochester am Dartmouth College in den USA. Für ihren Antrag erfanden sie den Begriff „Artificial Intelligence“. Die Erwartung war groß: Man glaubte, wesentliche Teile menschlicher Intelligenz in wenigen Jahren nachbauen zu können.
Die Idee der KI ist älter als der PC, das Internet und fast jede Software, mit der wir heute arbeiten.
Zwei Wege: Regeln oder Lernen
Von Anfang an gab es zwei Ansätze, die sich bis heute durch die Geschichte ziehen:
- Regeln aufschreiben: Menschen formulieren Wissen als „Wenn … dann …“. Der Computer folgt diesen Regeln. Das ist nachvollziehbar, aber nur so gut wie die Regeln, die jemand vorher aufgeschrieben hat.
- Aus Beispielen lernen: Das Programm bekommt viele Beispiele und findet die Muster selbst. Frank Rosenblatts „Perzeptron“ von 1958 war ein früher Versuch dazu. Dieser Weg ist mächtiger, aber schwerer zu durchschauen.
Heutige Systeme wie ChatGPT gehören klar zum zweiten Weg. Das erklärt vieles: warum sie so flexibel sind — und warum sie manchmal überzeugend klingende Antworten geben, die schlicht falsch sind.
1966: ELIZA und der erste Chatbot
Joseph Weizenbaum baute am MIT ein Programm namens ELIZA, das ein Gespräch mit einer Psychotherapeutin nachahmte. Es verstand nichts, sondern spiegelte die Sätze der Nutzer nach einfachen Mustern zurück. Trotzdem vertrauten Menschen ihm persönliche Dinge an. Weizenbaum war darüber so erschrocken, dass er später zu einem der schärfsten Kritiker eines unreflektierten Umgangs mit Computern wurde.
Die Lehre daraus gilt heute mehr denn je: Dass etwas wie ein Mensch klingt, heißt nicht, dass es versteht.
Die KI-Winter: Wenn Versprechen größer sind als Ergebnisse
Die großen Erwartungen erfüllten sich nicht. Rechner waren zu langsam, Daten zu knapp. In den 1970er-Jahren wurden Forschungsgelder gekürzt — der erste „KI-Winter“. In den 1980ern kam ein Aufschwung mit sogenannten Expertensystemen, die das Wissen von Fachleuten in Regeln fassten. Auch Unternehmen investierten. Doch die Systeme waren teuer zu pflegen und scheiterten an allem, was nicht in ihren Regeln stand. Ende der 1980er folgte der zweite Winter.
Für mich ist das der spannendste Teil der Geschichte, weil er sich wiederholt: Eine Technik wird überschätzt, Projekte starten ohne klares Ziel, die Enttäuschung ist groß — und die Technik selbst wird zu Unrecht abgeschrieben.
1997 bis 2017: Rechenleistung, Daten, Durchbrüche
- 1997 schlägt IBMs Deep Blue den Schachweltmeister Garri Kasparow — mit Rechenkraft, nicht mit Lernen.
- 2012 gewinnt ein neuronales Netz (AlexNet) einen großen Bilderkennungs-Wettbewerb mit deutlichem Abstand. Möglich wird das durch viel mehr Daten und Grafikkarten als Rechenmotor. „Deep Learning“ wird zum Begriff.
- 2016 besiegt AlphaGo von DeepMind einen der weltbesten Go-Spieler — in einem Spiel, das als zu komplex für Computer galt.
- 2017 veröffentlichen Forscher bei Google die Transformer-Architektur („Attention Is All You Need“). Sie ist die technische Grundlage fast aller heutigen Sprachmodelle — das „T“ in GPT.
2022: Warum plötzlich alle über KI reden
Ende November 2022 veröffentlichte OpenAI ChatGPT. Neu war dabei weniger die Technik als der Zugang: Zum ersten Mal konnte jeder ohne Programmierkenntnisse mit einem großen Sprachmodell schreiben. Innerhalb weniger Wochen nutzten es Millionen Menschen. Seitdem ist KI kein Thema mehr nur für Forschungslabore, sondern für jedes Büro, jede Schule und jeden Betrieb.
Was das für heute bedeutet
Drei Dinge nehme ich aus 70 Jahren KI-Geschichte mit:
- KI ist kein Wunder, sondern Statistik in großem Maßstab. Sie erkennt Muster in Daten — das kann sie beeindruckend gut, aber sie „weiß“ nichts im menschlichen Sinn.
- Überzogene Erwartungen sind das größte Risiko. Die KI-Winter kamen nicht, weil die Technik nichts konnte, sondern weil mehr versprochen wurde, als sie halten konnte.
- Verstehen kommt vor dem Einsetzen. Wer weiß, wie KI funktioniert, kann besser einschätzen, wofür sie taugt — und wofür nicht. Genau darum geht es in dieser Reihe, und genau das ist der erste Schritt im Kaufmann-Prinzip.
Häufige Fragen
Seit wann gibt es Künstliche Intelligenz?
Als Forschungsgebiet seit 1956, als der Begriff auf der Dartmouth-Konferenz geprägt wurde. Die Grundideen — das künstliche Neuron und der Turing-Test — stammen aus den 1940er- und 1950er-Jahren.
Was ist der Unterschied zwischen KI, Machine Learning und Deep Learning?
KI ist der Oberbegriff für Maschinen, die Aufgaben lösen, für die man sonst menschliche Intelligenz braucht. Machine Learning ist der Teil davon, bei dem Programme aus Beispielen lernen, statt feste Regeln zu befolgen. Deep Learning ist Machine Learning mit großen neuronalen Netzen aus vielen Schichten — darauf beruhen heutige Sprachmodelle wie ChatGPT.
Ist ChatGPT intelligent?
Es erzeugt Texte, indem es sehr gut vorhersagt, welches Wort als Nächstes passt. Das wirkt intelligent und ist für viele Aufgaben enorm nützlich. Ein eigenes Verständnis der Welt oder ein Bewusstsein hat es nicht — deshalb gehören Prüfen und eigenes Urteil immer dazu.
Die Reihe „KI verstehen“
Teil 1: Woher KI eigentlich kommt (dieser Beitrag)
Teil 2: Wie ein Sprachmodell funktioniert — ohne Mathematik
Teil 3: Warum KI halluziniert und wie du falsche Antworten erkennst
Teil 4: Was KI im Unternehmen heute wirklich kann
Teil 5: Daten, Datenschutz und der EU AI Act
Teil 6: KI einführen, ohne dass es ein IT-Projekt wird, das scheitert
Titelbild: KI-generiert mit Midjourney.
Über den Autor
Tino Kaufmann ist Gründer von TKC – Tino Kaufmann Consulting in Dresden und begleitet Unternehmen bei ERP-Einführung, Cloud-Architektur und dem sinnvollen Einsatz von KI. Nach zwölf Jahren SAP- und Cloud-Architektur — zuletzt als Development Manager bei der SAP SE — und sieben Jahren in Führung und Teamentwicklung gründete er im Januar 2026 sein eigenes Unternehmen. Er ist zertifizierter Ausbilder (AdA) und Odoo Learning Partner.
→ Website · LinkedIn · Erstgespräch buchen