KI für Entscheider | Teil 5: Nein, Ihre KI lernt nicht von selbst

Warum Lernen und Trainieren zwei völlig verschiedene Dinge sind – und was das für Ihre Strategie bedeutet

Es gibt einen Satz, den ich in fast jedem Gespräch mit Geschäftsführern höre: „Wir lassen unsere Mitarbeiter ChatGPT nutzen – damit lernt das System ja auch unser Geschäft kennen."

Dieser Satz klingt plausibel. Er ist falsch. Und das Missverständnis dahinter führt dazu, dass Unternehmen Monate oder Jahre vergeuden, bevor sie merken, dass sie keinen Schritt weitergekommen sind.

In Teil 4 dieser Serie haben wir gezeigt, dass die KI selbst zustandslos ist – sie merkt sich nichts. Die Reaktion vieler Leser war: „Okay, sie merkt sich nichts in einem einzelnen Gespräch. Aber im großen Ganzen lernt sie doch dazu, je mehr wir sie nutzen, oder?"

Nein. Sie wird nicht besser. Sie kann nicht besser werden. Und in diesem Artikel erfahren Sie, warum nicht – und was Sie stattdessen tun müssen, wenn Sie wollen, dass KI das Wissen Ihres Unternehmens nutzt.

Die Analogie: Lucy aus „50 erste Dates"

Kennen Sie den Film „50 erste Dates" mit Adam Sandler und Drew Barrymore? Lucy Whitmore, gespielt von Barrymore, hat nach einem Autounfall eine besondere Form von Gedächtnisverlust: Sie kann tagsüber alles erleben, lernen, fühlen – aber sobald sie einschläft, ist alles weg. Am nächsten Morgen wacht sie auf mit dem Wissensstand vom Tag des Unfalls. Jeden Tag. Jahr für Jahr.

Sie kann an einem Tag lernen. Sie kann nicht über Nacht behalten.

Ihr Freund Henry findet eine Lösung, die genial einfach ist: Er macht ihr jeden Abend ein Video, in dem alles Wichtige steht. Wer sie ist. Was passiert ist. Wer ihre Familie ist. Dass er ihr Freund ist und sie ihn liebt. Jeden Morgen, gleich nach dem Aufwachen, schaut Lucy das Video. Dann weiß sie wieder, wo sie steht. Dann kann sie ihren Tag beginnen.

Das ist die KI.

Sie ist nicht nur zustandslos zwischen einzelnen Anfragen (das war Teil 4). Sie ist auch eingefroren über die Zeit. Egal wie viele Menschen sie nutzen, egal wie viele Korrekturen sie erhält, egal wie viele Gespräche sie führt – ihr inneres Wissen verändert sich nicht. Sie bleibt auf dem Stand, mit dem sie ausgeliefert wurde.

Aber wie Lucy kann die KI „ihren Tag bestreiten", wenn ihr jemand das richtige Video zeigt.

Lernen versus Trainieren: Zwei völlig verschiedene Dinge

Das Wort „lernen" führt hier in die Irre. Im Alltag verwenden wir es für zwei Dinge:

• Ein Kind lernt, wenn es etwas Neues sieht und es dann kann. Lernen passiert kontinuierlich, nebenbei, durch Erfahrung.

• Ein Student lernt für eine Prüfung – konzentriert, zeitlich begrenzt, mit klarem Anfang und Ende.

Bei KI ist diese zweite Bedeutung gemeint – aber in einer viel extremeren Form. Was bei KI „lernen" heißt, nennt man technisch Training. Und Training ist nicht etwas, das nebenbei passiert. Es ist ein industrieller Großakt.

Was passiert beim Training einer KI?

Tausende von Hochleistungs-Grafikkarten arbeiten Monate lang an einer einzigen Aufgabe: Sie lesen einen riesigen Datensatz (im Falle von GPT-4 große Teile des öffentlichen Internets) und passen dabei Milliarden interner Parameter so an, dass das Modell statistisch sinnvolle Vorhersagen über Text machen kann. Das ist keine Software, die etwas „dazulernt" – das ist der einmalige Bauakt, der das Modell überhaupt erst entstehen lässt.

Wenn das Training abgeschlossen ist, wird das Modell sozusagen versiegelt und ausgeliefert. Ab diesem Moment verändert sich nichts mehr.

Was kostet das?

Hier wird der Realitäts-Check unbequem. Konkrete Zahlen aus öffentlich verfügbaren Quellen:

• GPT-3: ca. 4 Millionen Dollar Trainingskosten

• GPT-4: über 100 Millionen Dollar (laut Sam Altman, OpenAI-CEO)

• GPT-5: geschätzt 2,5 Milliarden Dollar

• Energieverbrauch eines GPT-4-Trainings: ca. 50 Gigawattstunden – genug, um eine deutsche Kleinstadt monatelang zu versorgen

Die Vorstellung, dass „die KI nebenbei lernt, wenn Mitarbeiter sie nutzen", ist angesichts dieser Zahlen absurd. Ein Training ist ein einmaliges, monatelanges, milliardenschweres Großprojekt – kein Hintergrundprozess.

Was bedeutet das praktisch?

Wenn Sie heute ChatGPT eine Million Mal sagen: „Bei uns heißt das nicht Auftrag, sondern Order" – wird das nächste GPT-Modell von OpenAI nichts davon wissen. Wenn Sie korrigieren: „Diese Berechnung ist bei uns anders" – die nächste Person, die dasselbe fragt, bekommt wieder die ursprüngliche Antwort.

Die KI lernt nicht durch Nutzung. Sie lernt einmal – beim Training. Danach wird sie ausgeliefert. Punkt.

„Aber Custom GPTs und Fine-Tuning?"

An dieser Stelle kommt von technisch versierten Lesern oft ein Einwand: „Es gibt doch Custom GPTs. Und Fine-Tuning. Damit kann man die KI doch anpassen."

Stimmt – aber es ist wichtig zu verstehen, was diese Mechanismen wirklich tun und wo ihre Grenzen liegen.

Custom GPTs / Assistants: Das ist keine Anpassung des Modells. Sie geben dem Modell bei jeder Anfrage eine Anweisung mit: „Antworte als wärst du ein Experte für X, halte dich an Stil Y, nutze diese Dokumente Z." Die KI selbst bleibt unverändert. Sie bekommt nur einen besseren Notizzettel.

Fine-Tuning: Das ist tatsächlich eine Anpassung – aber kein „Lernen durch Nutzung". Es ist ein kleines, gezieltes Nachtraining mit kuratierten Beispieldaten. Es kostet Geld, dauert, erfordert technisches Können und liefert ein eigenständiges Modell, das danach wieder eingefroren ist. Für die meisten Anwendungsfälle im Mittelstand ist Fine-Tuning weder nötig noch der richtige Weg.

RAG (Retrieval-Augmented Generation): Das ist die heute übliche Methode, KI mit firmeneigenem Wissen zu versorgen – und sie ist genau das, was Henry für Lucy macht. Das Modell selbst lernt nichts. Stattdessen wird bei jeder Anfrage automatisch im Firmenwissen gesucht, und relevante Auszüge werden dem Modell mitgegeben. Das „Video", das die KI vor jeder Antwort schaut.

Die wichtige Erkenntnis: Keine dieser Methoden funktioniert „nebenbei" oder „durch Nutzung". Alle erfordern eine bewusste, gestaltete Anwendung – mit Architektur, Daten, Pipelines.

Was Sie stattdessen tun: Sie müssen Henry sein

Zurück zu Lucy. Wenn sie nicht über Nacht behalten kann – wie wird sie trotzdem zu einer Frau, die ihr Leben führt, ihre Familie kennt, ihren Freund liebt?

Henry findet die Lösung. Er produziert das Video. Er pflegt es jeden Tag. Wenn etwas Neues passiert, wenn ein Familienmitglied einen Geburtstag hat, wenn etwas Wichtiges gesagt wurde – kommt es ins Video. Lucy schaut es jeden Morgen, und plötzlich ist sie nicht mehr verloren. Sie hat einen aktuellen Wissensstand. Sie kann handeln, entscheiden, lieben.

Nicht Lucy lernt. Das Video wächst.

Genau das ist Applied AI.

Sie als Unternehmen müssen Henry sein. Sie müssen das Video produzieren und pflegen. Bei Applied AI heißt das Video: strukturierte Daten, dokumentiertes Wissen, klare Prozesse. Ihre Kundendatenbank. Ihr Produktkatalog. Ihre interne Dokumentation. Ihre Vertragsbedingungen. Ihre Prozesshandbücher.

Aber roh sind diese Daten unbrauchbar – wie ein chaotischer Aktenschrank. Sie müssen strukturiert, angereichert, verknüpft, durchsuchbar gemacht werden. Und es muss eine Logik geben, die bei jeder Anfrage entscheidet: Welche Auszüge aus dem Video sind jetzt relevant?

Die KI bekommt bei jeder Anfrage nicht nur Ihre Frage, sondern auch die zwei oder drei relevantesten Auszüge aus Ihrem „Video". Daraus formuliert sie eine Antwort, die zu Ihrem Unternehmen passt – auf Basis Ihres aktuellen Wissensstands, nicht des eingefrorenen Wissensstands der KI selbst.

Was das für Entscheider bedeutet

Aus dieser Erkenntnis ergeben sich vier strategische Konsequenzen, die für Ihre KI-Strategie entscheidend sind.

1. „Wir lassen unsere Leute ChatGPT nutzen, damit es uns kennenlernt" ist eine Illusion. ChatGPT wird Ihr Unternehmen nie kennenlernen. Egal wie viele Ihrer Mitarbeiter es nutzen, egal wie lange. Das ist nicht eine Frage von Geduld oder Datenmenge – es ist technisch ausgeschlossen.

2. Wenn Sie wollen, dass eine KI Ihr Geschäft kennt, müssen Sie es ihr aktiv geben. Das bedeutet: Ihre Daten zugänglich machen. Ihr Wissen explizit dokumentieren. Ihre Prozesse beschreiben. Was bisher im Kopf von Frau Müller war, muss in eine Form gebracht werden, die ein System nutzen kann.

3. Die Qualität Ihres „Videos" entscheidet über die Qualität Ihrer KI-Anwendung. Das Modell selbst ist Commodity geworden. Was den Wettbewerbsvorteil ausmacht, ist die Qualität der Daten und Strukturen, die Sie der KI zur Verfügung stellen. Wer das ernst nimmt, gewinnt. Wer hofft, dass die KI es schon irgendwie hinbekommt, scheitert.

4. Wissensaufbau ist eine Daueraufgabe. Henry macht das Video nicht einmal und legt es weg. Er pflegt es jeden Tag. Genauso ist es bei Applied AI: Neue Produkte, neue Kunden, neue Erkenntnisse müssen laufend eingepflegt werden. Wer einmal aufsetzt und dann liegen lässt, hat in zwei Jahren ein veraltetes System. Wer kontinuierlich pflegt, hat einen wachsenden Wettbewerbsvorteil.

Genau hier wird Wissensmanagement plötzlich zur strategischen Investition. Was viele Unternehmen jahrelang vernachlässigt haben – das systematische Dokumentieren von Erfahrungen, Prozessen, Entscheidungen – wird mit Applied AI zum entscheidenden Hebel. Das Wissen Ihres Unternehmens ist nicht mehr nur „nice to have", es wird zur Datenquelle, aus der Ihre KI-Anwendungen ihre Qualität ziehen.

Drei Fragen zur Selbstprüfung Ihrer KI-Strategie

Wenn Sie als Entscheider prüfen wollen, ob Ihre aktuelle KI-Strategie tragfähig ist, helfen drei Fragen:

1. Wo soll das Wissen unseres Unternehmens für die KI verfügbar sein – und wer ist verantwortlich, es dort hinzubringen? Wenn die Antwort lautet „naja, die KI lernt das schon" – Problem. Wenn die Antwort lautet „wir bauen eine Wissensbasis, betreut von X, gespeist aus Y" – Sie sind auf dem richtigen Weg.

2. Wenn wir einen Mitarbeiter mit zwanzig Jahren Erfahrung verlieren – ist sein Wissen dokumentiert? Diese Frage hat zwei gute Antworten. Entweder: „Ja, wir arbeiten gerade daran." Oder: „Wir machen ein Übergabeprojekt." Wenn die Antwort „nein, geht verloren" lautet, ist das nicht nur ein KI-Problem, sondern ein Geschäftsproblem.

3. Wie oft wird unser Firmenwissen aktualisiert – und nach welchem Prozess? Eine KI-Anwendung mit veralteten Daten ist gefährlicher als gar keine. Wer keinen klaren Pflegeprozess hat, baut auf Sand.

Wie dataso Wissen für KI strukturiert

Bei dataso bauen wir nicht „KI-Anwendungen", sondern Wissenssysteme, in denen KI ein Baustein ist. Das ist mehr als Wortklauberei – es ist ein anderes Mindset.

Wir starten bei unseren Kunden mit der Frage: Welches Wissen aus Ihrem Unternehmen muss verfügbar sein, damit eine KI sinnvoll arbeiten kann? Wo liegt es heute? Wer pflegt es? Wie kommt es in eine Form, die ein System nutzen kann? Erst danach kommt die KI ins Spiel.

Das Ergebnis: Anwendungen, die nicht „irgendwann lernen", sondern von Tag eins genau das wissen, was sie wissen müssen – weil wir das „Video" mit Ihnen zusammen gebaut haben. Souverän auf europäischer Infrastruktur. Modular aufgebaut. Mit klaren Verantwortlichkeiten für die Pflege.

Wenn Sie wissen wollen, wie Ihr Unternehmenswissen für KI nutzbar gemacht werden kann – ohne Illusionen und mit einem realistischen Bild der Möglichkeiten – sprechen Sie mit uns. Ein erster Potenzial-Check ist kostenlos.