Meine KI versteht immer, was ich will,

sie erinnert sich an alles,

sie denkt mit –

und wenn sie etwas nicht weiß, lügt sie mir absichtlich ins Gesicht.

Halt, nicht gleich aufschreien… diese Zuschreibungen aus der Begrifflichkeit der menschlichen Interaktionen sind natürlich im Kontext generativer KI nicht korrekt.

Begrifflichkeiten der menschlichen Interaktionen im Kontext generativer KI

Verstanden hat den Satz trotzdem jeder sofort, und genau deshalb sagen wir es so. Weil uns das Vokabular fehlt, um es treffender zu bezeichnen.

Wenn ich “denken” durch “sequenzielle Token-Vorhersage unter Kontextkonditionierung” ersetze, liest das niemand und verstehen es nur wenige.

Das Problem ist nicht das Wort an sich. Ein Problem wird es erst, wenn der Unterschied nicht bewusst ist: wann bezeichnet ein Begriff im KI-Kontext etwas anderes als beim Menschen?

Denken<

Mensch: Ziel verfolgen, Zwischenschritte prüfen, abbrechen können. LLM: Token für Token die wahrscheinlichste Fortsetzung erzeugen. Was als “Reasoning” sichtbar wird, ist zusätzlich erzeugter Text, der die Ausgabe konditioniert. Keine Prüfung, sondern mehr Kontext.

Wissen<

Mensch: eine begründete Überzeugung + das Wissen darum, sie begründen zu können. LLM: Gewichte, die Muster aus Trainingsdaten abbilden. Es existiert keine Trennlinie zwischen “das stimmt” und “das klingt so, wie Richtiges klingt”.

Verstehen<

Mensch: Bedeutung, die an Erfahrung und Weltbezug hängt. LLM: Bedeutung als Position im Vektorraum, also als Beziehung zu anderen Zeichen. Im Ergebnis oft nicht unterscheidbar.

Erinnern<

Mensch: rekonstruieren, verzerren, vergessen. LLM: kein Gedächtnis im System. Nur Kontextfenster und gespeicherte Textnotizen, die bei Bedarf neu eingelesen werden. Es erinnert sich nicht, es liest noch einmal. Oder eben nicht.

Wollen<

Mensch: Motiv, Interesse, Präferenz, oft emotional beeinflusst. LLM: eine Zielfunktion aus dem Training. Wenn ein System “hilfreich sein will”, beschreibt das eine Optimierung, keinen Wunsch.

Lügen<

Setzt zwei Dinge voraus: Wissen (s.o.) um die Wahrheit und die Absicht (s.u.) zu täuschen. Beides fehlt bei der KI. Was tatsächlich passiert, ist Konfabulation (besser bekannt als Halluzinationen): flüssiger, plausibler Text ohne Wahrheitsprüfung. Er ist nicht gegen mich gerichtet.

Absicht<

Die gibt es. Nur nicht im Modell. Sie steckt in Trainingsentscheidungen, Systemprompts, Guardrails, Produktzielen. Wer sie im Output sucht, sucht an der falschen Stelle.

❓Ist die Lösung, diese Wörter dauerhaft in Anführungszeichen zu setzen?

Anführungszeichen markieren nur, dass etwas nicht wörtlich gemeint ist. Sie sagen nicht, was stattdessen gemeint ist. Wer den Unterschied ohnehin kennt, braucht sie nicht. Wer ihn nicht kennt, liest über sie hinweg und ergänzt still die menschliche Bedeutung.

Anthropomorphismus ist ein Denkfehler!

Die Sprache transportiert diesen Denkfehler nur. Reparieren lässt er sich deshalb auch nicht alleine auf der Sprachebene, sondern nur über das Modellverständnis dahinter.

Hier geht es zum Beitrag auf LinkedIn: Meine KI versteht mich immer