Ist euch schon einmal aufgefallen, dass Sprachmodelle wie ChatGPT auf bestimmte offene Fragen überraschend häufig dieselben Antworten liefern?

Man kann das sehr einfach selbst ausprobieren.

Startet jeweils einen neuen Chat und stellt Fragen wie:

„Nenne mir eine Zahl zwischen 1 und 10.“
Eine auffällig häufige Antwort ist: 7

„Nenne mir eine Zahl zwischen 1 und 30.“
Hier taucht häufig die 17 auf.

„Nenne mir eine Zahl zwischen 1 und 100.“
Eine wiederkehrende Antwort ist 73.

Noch interessanter wird es bei dieser Frage:

„Nenne mir ein Datum.“

In Tests erscheint erstaunlich häufig:

17. Oktober 2026

Auch bei anderen offenen Fragen lassen sich solche Muster beobachten.

Fragt man beispielsweise:

„Nenne mir eine Haarfarbe.“

erscheint häufig Dunkelbraun, teilweise gefolgt von Kupferrot.

Bei:

„Nenne mir eine Farbe.“

tauchen Antworten wie Smaragdgrün oder, je nach Region, Blau auffällig häufig auf.

Ähnliche Effekte findet man bei Namen, Städten, Berufen oder anderen scheinbar beliebigen Begriffen.

Warum?

Der entscheidende Punkt ist:

Ein Sprachmodell ist kein Zufallsgenerator.

ChatGPT und andere Large Language Models erzeugen Sprache auf Basis von Wahrscheinlichkeiten.

Sie wurden mit riesigen Mengen an Text trainiert und haben dabei gelernt, welche Wörter, Begriffe und Formulierungen in bestimmten Zusammenhängen besonders wahrscheinlich sind.

Wenn wir also fragen:

„Nenne mir irgendeine Zahl.“

dann zieht das Modell nicht einfach mathematisch zufällig eine Zahl aus einer Liste.

Es erzeugt eine Antwort, die aufgrund seiner gelernten Muster besonders wahrscheinlich erscheint.

Manche Antworten sind für das Modell wahrscheinlicher als andere

Bestimmte Zahlen, Namen, Farben oder Begriffe kommen in Trainingsdaten häufiger vor oder werden häufiger in ähnlichen Kontexten verwendet.

Dadurch können sie eine höhere Wahrscheinlichkeit erhalten.

Das wird häufig als eine Form von Bias oder Sampling Bias beschrieben.

Bei Zahlen ist dieser Effekt besonders interessant.

Menschen selbst wählen nämlich ebenfalls nicht vollkommen zufällig.

Wenn man Personen bittet, eine Zahl zwischen 1 und 10 zu nennen, wird beispielsweise die 7 auffällig häufig gewählt.

Sprachmodelle lernen aus menschlich erzeugten Daten – und übernehmen damit teilweise auch menschliche Muster.

Aber Trainingsdaten allein erklären nicht alles.

Das Modell wird nach dem Training weiter beeinflusst

Moderne Sprachmodelle werden nach dem eigentlichen Training zusätzlich optimiert.

Dabei spielen unter anderem Verfahren wie RLHF – Reinforcement Learning from Human Feedback eine Rolle.

Menschen bewerten Antworten danach, ob sie beispielsweise:

• hilfreich
• verständlich
• relevant
• sicher
• natürlich formuliert

sind.

Das Modell lernt dadurch, bestimmte Arten von Antworten anderen vorzuziehen.

Auch Fine-Tuning, Systemvorgaben, Sampling-Parameter und andere technische Faktoren beeinflussen, welche Antwort am Ende erzeugt wird.

Dadurch können sich bestimmte Antwortmuster weiter verstärken.

Vereinfacht könnte man sagen:

Sprachmodelle entwickeln gewisse „Lieblingsantworten“.

Und genau hier beginnt das eigentliche Problem

Bei einer Zahl zwischen 1 und 10 ist es ziemlich egal, ob ChatGPT besonders gerne 7 sagt.

Bei kreativen oder strategischen Aufgaben sieht das anders aus.

Stellen wir uns vor, Millionen Menschen verwenden dieselben KI-Systeme für:

• Brainstorming
• Marketing
• Produktentwicklung
• Strategie
• Texte
• Werbung
• Namensfindung
• Designideen
• Geschäftsmodelle

Wenn das Modell bestimmte Antworten strukturell bevorzugt, entstehen nicht automatisch Millionen völlig unterschiedlicher Ideen.

Stattdessen können sich Antworten immer stärker ähneln.

Generative Monoculture

Für diesen Effekt wird unter anderem der Begriff Generative Monoculture verwendet.

Gemeint ist damit, dass generative KI-Systeme dazu beitragen können, dass Inhalte, Ideen und Lösungen zunehmend ähnlicher werden.

Das ist eine interessante Konsequenz der zunehmenden Nutzung von KI.

Wir verwenden künstliche Intelligenz häufig gerade deshalb, weil wir uns neue Perspektiven und kreative Ideen erwarten.

Doch wenn Millionen Menschen dasselbe Modell mit ähnlichen Fragen verwenden, besteht die Gefahr, dass genau das Gegenteil passiert:

Alle bekommen Varianten derselben Ideen.

Das betrifft nicht nur Texte.

Es kann sich auch auf:

• Marketingkampagnen
• Präsentationen
• Produktnamen
• Unternehmensstrategien
• Bildideen
• Headlines
• Social-Media-Beiträge

auswirken.

KI kann Kreativität beschleunigen.

Aber sie kann gleichzeitig auch zu einer gewissen Vereinheitlichung führen.

Zehn KI-Ideen sind nicht automatisch zehn unterschiedliche Ideen

Ein typischer Prompt lautet:

„Gib mir zehn Ideen für eine Marketingkampagne.“

Das Modell liefert tatsächlich zehn Vorschläge.

Doch zehn Vorschläge bedeuten nicht zwangsläufig zehn wirklich unterschiedliche Denkansätze.

Oft bewegen sie sich innerhalb ähnlicher Muster.

Deshalb kann es sinnvoll sein, die KI bewusst aus ihren bevorzugten Antwortmustern herauszudrängen.

Zum Beispiel mit Prompts wie:

„Vermeide die fünf naheliegendsten Antworten.“

„Gib mir zehn Ideen, die sich maximal voneinander unterscheiden.“

„Welche Lösung würdest du normalerweise nicht vorschlagen?“

„Betrachte das Problem aus fünf völlig unterschiedlichen Perspektiven.“

„Nenne zuerst die offensichtlichen Antworten und entwickle anschließend Alternativen, die möglichst wenig damit gemeinsam haben.“

Damit zwingt man das Modell stärker dazu, weniger wahrscheinliche Bereiche seines Lösungsraums zu erkunden.

Auch regionale und sprachliche Unterschiede können eine Rolle spielen

Interessant ist außerdem, dass Antworten je nach Sprache oder Kontext unterschiedlich ausfallen können.

Ein Modell kann auf dieselbe Frage in deutscher Sprache andere typische Antworten erzeugen als auf Englisch oder in einem anderen sprachlichen Kontext.

Das liegt unter anderem daran, dass sich:

• Trainingsdaten
• kulturelle Zusammenhänge
• Worthäufigkeiten
• Formulierungen

zwischen Sprachen unterscheiden.

Auch deshalb sollte man KI-Antworten niemals automatisch als vollkommen neutrale Auswahl betrachten.

Besonders wichtig: KI ist kein sicherer Zufallsgenerator

Bei einer Frage wie:

„Nenne mir eine Zahl zwischen 1 und 100.“

ist dieses Verhalten hauptsächlich interessant.

In anderen Bereichen kann es jedoch sicherheitsrelevant werden.

Ein Beispiel:

„Generiere mir ein zufälliges Passwort.“

Das klingt zunächst praktisch.

Aber ein Sprachmodell sollte nicht mit einem kryptografisch sicheren Zufallsgenerator verwechselt werden.

Wenn ein System bestimmte Ausgaben bevorzugt, ist genau das Gegenteil dessen gegeben, was man bei sicheren Passwörtern oder kryptografischen Schlüsseln benötigt:

Unvorhersagbarkeit.

Für Passwörter, Sicherheitstokens oder kryptografische Schlüssel sollte man deshalb geeignete Passwortmanager oder kryptografisch sichere Zufallsverfahren verwenden.

Bias bedeutet nicht automatisch, dass die Antwort falsch ist

Wichtig ist dabei eine Unterscheidung.

Ein Bias bedeutet nicht automatisch, dass eine Antwort falsch ist.

Bias bedeutet zunächst nur:

Bestimmte Antworten sind wahrscheinlicher als andere.

Bei vielen normalen Fragen ist das sogar erwünscht.

Wenn wir ein Sprachmodell fragen:

„Welche Farbe hat Gras normalerweise?“

soll es natürlich nicht zufällig zwischen Grün, Rot und Violett auswählen.

Problematisch wird es dort, wo wir Vielfalt, Neutralität oder Zufälligkeit erwarten.

Die entscheidende Frage lautet deshalb nicht nur: Was antwortet die KI?

Wenn wir mit Sprachmodellen arbeiten, sollten wir uns angewöhnen, eine zweite Frage zu stellen:

Warum gerade diese Antwort?

Ist sie wirklich die beste Lösung?

Oder einfach die wahrscheinlichste?

Ist sie originell?

Oder nur eine besonders typische Antwort?

Welche Alternativen wurden gar nicht erst vorgeschlagen?

Gerade bei kreativen, strategischen und geschäftlichen Entscheidungen kann dieser Unterschied entscheidend sein.

Denn KI kann uns helfen, schneller zu denken.

Aber wir sollten aufpassen, dass sie nicht dazu führt, dass wir alle in dieselbe Richtung denken.

Mehr Prozessorpower – mehr Shader Cores – mehr TOPS – mehr TFLOPS = mehr Speed

Doch bei lokaler KI entsteht gerade ein völlig anderer Flaschenhals:

Wir haben schnelle GPUs – aber die Modelle passen nicht mehr hinein.
Wie in einem Lager, wenn das voll ist nützt auch der schnellste Stapler wenig.

Die aktuelle Highend Grafikkarte von NVIDIA – die RTX 5090 – besitzt beispielsweise 32 GB schnellen GDDR7-Speicher.

Fantastisch für Bildgenerierung, Diffusion, LoRA-Training und Modelle, die vollständig in diesen Speicher passen.

Aber was passiert bei einem großen Vision-Language-Modell, einem 70B-/100B+-LLM oder einer Pipeline aus mehreren Modellen?

Plötzlich werden nicht mehr die Tensor Cores zum Problem.
Bei großen lokalen Modellen wird die verfügbare GPU-Speicherkapazität zunehmend zu einem entscheidenden Flaschenhals.

Die Grafikkarte mit mehr Speicher aufrüsten – funktioniert nicht,
eine RTX 5090 mit 128GB – gibt es aktuell nicht – und wenn wäre sie vermutlich „fast unbezahlbar“.

Unified Memory könnte die Architektur von KI-Workstations verändern

Ein klassischer PC sieht vereinfacht so aus:

CPU → „günstiges“ System-RAM

und separat:

GPU → „teures“ VRAM

Dazwischen liegt der Bus.

Passt das Modell nicht in den VRAM, müssen Daten zwischen System-RAM und GPU-Speicher verschoben werden.
Wie ein Stapler der Kisten von einem Lager in ein anderes umräumt.

Das funktioniert – aber es kann brutal langsam werden!

Apple verfolgt seit Jahren mit den MACs einen anderen Ansatz:

CPU und GPU greifen auf denselben Speicherpool zu.

= Unified Memory.

Und plötzlich entstehen Maschinen, bei denen eine GPU nicht 24 oder 32 GB, sondern 128, 256 oder sogar 512 GB Speicher adressieren kann.

Jetzt beginnen NVIDIA und AMD, genau diese Richtung ebenfalls stärker zu verfolgen.

Die vier aktuell interessanten Architekturen

1. NVIDIA RTX 5090 – extreme Performance

32 GB GDDR7 = Rund 1,8 TB/s Speicherbandbreite

• CUDA + Tensor Cores + ein großes Ökosystem an optimierte KI-Kernels

Wenn ein Modell vollständig in 32 GB passt, ist diese Architektur schwer zu schlagen.

Für:
• Qwen Image
• FLUX
• Stable Diffusion
• ControlNets
• LoRA-Training
• experimentelle Modelle

ist NVIDIA derzeit häufig die unkomplizierteste Plattform.

Das Problem:

32 GB sind in der heutigen KI-Welt etwas mager.

2. NVIDIA DGX Spark – 128 GB CUDA-Speicher auf dem Schreibtisch

Der DGX Spark geht einen anderen Weg.

NVIDIA kombiniert eine Grace ARM-CPU mit einer Blackwell-GPU und 128 GB kohärentem Unified Memory (LPDDR5x).

CPU und GPU arbeiten damit auf einem gemeinsamen Speicher.

Klingt zunächst wie die perfekte KI-Workstation.
Es gibt allerdings einen gewaltigen Unterschied zur RTX 5090:

Speicherbandbreite: 273 GB/s.
Die RTX 5090 liegt bei ungefähr 1,8 TB/s.

Damit besitzt die 5090 grob die 6,5-fache Speicherbandbreite.

Der DGX Spark ist deshalb keine schnelle 5090 mit mehr RAM.
Sondern ein System mit großem „CUDA-Speicher“ für Modelle, die auf normalen Consumer-GPUs überhaupt nicht mehr hineinpassen.

Quelle: NVIDIA DGX Spark
NVIDIA – DGX Spark Specifications

3. AMD Ryzen AI Max+ 395 – der 128-GB-x86-PC

AMD hat mit „Strix Halo“ etwas gebaut, das auch sehr interessant klingt.

Der Ryzen AI Max+ 395 kombiniert:

• 16 Zen-5-CPU-Kerne
• Radeon 8060S
• 40 GPU Compute Units
• bis zu 128 GB LPDDR5X
• einen gemeinsamen Speicherpool

Und das Ganze läuft auf einem normalen x86-64-System mit Windows oder Linux.

Die AMD Halo Developer Platform erreicht:

128 GB Speicher mit 256 GB/s Speicherbandbreite
Damit liegt sie beim Speicher ungefähr auf DGX-Spark-Niveau – also eher gemächlich.

Der große Unterschied:
Kein CUDA.

AMD verwendet ROCm statt CUDA.
Und genau hier zeigt sich, dass Hardware allein nicht entscheidet.

Ein Projekt mit CUDA-spezifischen Kernels läuft auf NVIDIA häufig sofort.
Bei AMD muss aber die notwendige ROCm-Unterstützung vorhanden sein.

Quelle: AMD
AMD – Ryzen AI Max+ 395 / Halo Platform

4. Apple M5 Ultra – und plötzlich wird es wirklich interessant

Apple legt gut vor und zeigt, dass Unified Memory nicht automatisch langsam sein muss.

Der neue M5 Ultra kann mit bis zu:

512 GB Unified Memory

konfiguriert werden.

Aber die eigentlich bemerkenswerte Zahl ist:

1,2 TB/s Speicherbandbreite.

Damit befindet sich Apple plötzlich in einer völlig anderen Klasse als DGX Spark oder Strix Halo.

Zum Vergleich:

• DGX Spark: 273 GB/s
• Ryzen AI Max+ 395: 256 GB/s
• M5 Ultra: 1.200 GB/s
• RTX 5090: ungefähr 1.800 GB/s

Das bedeutet:

Der M5 Ultra besitzt einen riesigen gemeinsamen Speicherpool – und gleichzeitig eine Speicherbandbreite, die schon deutlich näher an dediziertem High-End-GPU-Speicher liegt.

Apple spricht ausdrücklich davon, Modelle mit Hunderten Milliarden Parametern vollständig lokal ausführen zu können.

Quelle: Apple
Apple – Mac Studio mit M5 Ultra

Das Problem?

Kein CUDA.

Apple verwendet Metal, MPS und MLX.
Gut unterstützte Modelle können darauf hervorragend funktionieren.

CUDA ist viel mehr als ein GPU-Treiber

Warum kann eine RTX 5090 trotz teilweise vergleichbarer Speicherbandbreite bei bestimmten KI-Workloads erheblich schneller sein?
Weil NVIDIA seit Jahren einen kompletten Software Stack optimiert:

Ein moderner KI-Kernel kombiniert mehrere Operationen:

z.B.: MatMul + Bias + Activation – in einem einzigen „fused kernel“.

• Weniger Speicherbewegungen.
• Weniger Overhead.
• Mehr reale Rechenleistung.

Jetzt kommt NVIDIA RTX Spark / N1X

Hier könnte es besonders spannend werden.
NVIDIA hat für Oktober 2026 eine neue RTX-Spark-Klasse angekündigt.
Die größere N1X-Konfiguration soll unter anderem bieten:

• 20-Core Grace CPU
• 6.144-Core NVIDIA Blackwell RTX GPU

und:

• bis zu 128 GB LPDDR5X Unified Memory

Das Ganze soll nicht nur als Entwicklerbox kommen, sondern in Premium-Laptops und kleinen PCs verschiedener Hersteller.

• Asus
• Dell
• HP
• Lenovo
• …

Aber eine wichtige Zahl fehlt momentan noch:

Die Speicherbandbreite!
Denn sie entscheidet darüber, was N1X wirklich wird.

Wenn NVIDIA bei der Speicherbandbreite in Richtung 1 TB/s geht, verändert sich die Situation fundamental.

Dann hätten wir plötzlich:

großen Unified Memory + CUDA + Blackwell + hohe Bandbreite.

Und genau so eine Hardware fehlt heute noch.

Quelle: Nvidia
Nvidia – RTX Spark

Die Frage ist daher nicht mehr unbedingt:

„Wie viele TOPS hat die nächste GPU?“

Sondern eher:

„Wie groß kann mein gesamter Modell- und Kontext-Workload werden, bevor ich zwischen schnellem GPU-Speicher und Systemspeicher verschieben muss?“

Fazit

• RTX 5090 zeigt, wie schnell lokale KI heute sein kann.
• Apple zeigt, wie groß ein schneller gemeinsamer Speicher werden kann.
• DGX Spark zeigt, dass NVIDIA CUDA und Unified Memory zusammenbringen kann.
• AMD zeigt, dass dieses Prinzip auch im normalen x86-PC funktioniert.
• Und N1X könnte zeigen, ob daraus schließlich eine neue Klasse von KI-PCs entsteht.

Dieses Projekt zeigt einen anderen Ansatz: KI wird nicht genutzt, um Inhalte zu erzeugen, sondern um Musik zu verstehen und in Echtzeit sichtbar zu machen.

Ein Audio-Visualizer, der Musik versteht

Klassische Audio-Visualizer reagieren auf Lautstärke oder Frequenzen. Sie erzeugen beeindruckende Effekte, wissen jedoch nicht, was gerade gespielt wird.

Mein Visualizer geht einen Schritt weiter.

Mithilfe eines neuronalen Netzwerks analysiert er das Audiosignal in Echtzeit und erkennt verschiedene Bestandteile der Musik. Dazu gehören unter anderem:

• Musikinstrumente
• Sprache und Gesang
• Melodien
• unterschiedliche Beat- und Rhythmusarten

Dadurch entsteht keine reine Frequenzdarstellung, sondern eine Visualisierung dessen, was die KI tatsächlich im Audiosignal erkennt.

KI auf zwei Ebenen

Künstliche Intelligenz spielt in diesem Projekt eine doppelte Rolle.

Zum einen wurde KI als Entwicklungspartner genutzt. Sie unterstützte bei der Konzeption, Entwicklung und Optimierung des Visualizers.

Zum anderen ist KI ein zentraler Bestandteil der Anwendung selbst. Das neuronale Netzwerk analysiert kontinuierlich den Audiostream und liefert Informationen darüber, welche musikalischen Elemente gerade vorhanden sind. Diese Informationen bilden die Grundlage für sämtliche visuellen Effekte.

Die Visualisierung

Die erkannten Informationen werden gleichzeitig auf mehreren Ebenen dargestellt.

Der amorphe Orb

Im Mittelpunkt steht ein amorpher Orb.

Je nach erkannter Instrumentierung verändert er seine:

• Farbe
• Form
• Oberflächenstruktur
• Wellenbewegung

Dadurch entsteht ein organisches Objekt, das sich kontinuierlich an die Musik anpasst.

Spektrum-Anzeige

Eine klassische Spektrum-Anzeige visualisiert die Frequenzverteilung in Echtzeit und zeigt zusätzlich die höchsten Ausschläge (Peak Hold) an.

Voice-Visualizer

Ein separater Visualizer reagiert gezielt auf Sprache und Gesang und stellt diese unabhängig von den übrigen Klängen dar.

Melodie als Partikelsystem

Erkannte Melodien werden mithilfe einer Partikel-Engine visualisiert. Die Partikel folgen dem musikalischen Verlauf und erzeugen fließende, dynamische Bewegungen.

Mehr als ein Musik-Visualizer

Ziel des Projekts war es nicht, einen weiteren Audio-Visualizer zu entwickeln.

Vielmehr sollte gezeigt werden, wie künstliche Intelligenz Musik nicht nur analysieren, sondern ihre Inhalte in eine neue visuelle Sprache übersetzen kann.

Die entscheidende Frage lautet dabei nicht:

„Wie laut ist die Musik?“

sondern vielmehr:

„Was passiert gerade in der Musik?“

Genau diese zusätzliche Ebene macht den Unterschied.

KI außerhalb des Mainstreams

Dieses Projekt zeigt, dass Künstliche Intelligenz weit mehr sein kann als ein Werkzeug zur Text- oder Bildgenerierung.

Sie kann Informationen verstehen, Muster erkennen und komplexe Inhalte in völlig neue Formen der Interaktion übersetzen.

Gerade an der Schnittstelle zwischen Musik, Visualisierung und künstlicher Intelligenz entstehen spannende Möglichkeiten, die bislang nur wenig Aufmerksamkeit erhalten. Während sich ein Großteil der Diskussion um generative KI dreht, eröffnet dieser Ansatz eine andere Perspektive: KI als Werkzeug zur Erweiterung unserer Wahrnehmung.

Fazit

Der Audio-Visualizer versteht Musik nicht im menschlichen Sinne – aber er erkennt Strukturen, Instrumente, Stimmen, Melodien und Rhythmen und macht diese in Echtzeit sichtbar.

Für mich ist genau das ein Beispiel für „AI außerhalb des Mainstreams“: Nicht Inhalte erzeugen, sondern bestehende Inhalte auf eine völlig neue Weise erlebbar machen.

Ich bin gespannt, welche kreativen und innovativen Einsatzmöglichkeiten für KI in den kommenden Jahren noch entstehen werden.

Ich liebe Flipper genauso wie den unverwechselbaren Steampunk-Look mit Messing, Zahnrädern, Dampfmaschinen und Nixie-Röhren. Gute Steampunk-Flipper gibt es allerdings nur wenige. Also entstand die Idee: Warum nicht mit Unterstützung von KI selbst einen entwickeln?

Ein ambitioniertes Ziel

Die Aufgabe war bewusst anspruchsvoll: Innerhalb „weniger“ Stunden sollte ein atmosphärischer Steampunk-Flipper entstehen. Als Grundlage diente die Unity-Game-Engine, ergänzt durch einige Assets und vor allem durch den gezielten Einsatz verschiedener KI-Dienste.

Der Anspruch war dabei keineswegs nur eine hübsche Grafik. Das Ziel lautete:

• flüssige und präzise Spielbarkeit
• stimmiges Steampunk-Design
• hochwertige Grafik
• atmosphärischer Sound und Musik
• und vor allem eine klare Übersicht

Gerade bei Flippern ist die Lesbarkeit entscheidend. Deshalb wurde bewusst auf überladene Hintergründe, unnötiges Scrolling oder dekorative 3D-Figuren verzichtet, die zwar spektakulär aussehen, während des Spiels aber nur vom eigentlichen Geschehen ablenken.

KI als Entwicklungswerkzeug

Der Begriff „KI-generiertes Spiel“ klingt oft so, als würde eine KI auf Knopfdruck ein fertiges Spiel erstellen. Die Realität sieht anders aus.

Künstliche Intelligenz war während der gesamten Entwicklung ein enormer Produktivitätsmultiplikator – den Entwickler ersetzt sie jedoch nicht.

Zum Einsatz kamen KI-Werkzeuge praktisch in allen Bereichen:

• Konzeption und Design
• Programmierung in C#
• Fehlersuche und Debugging
• Erstellung von 3D-Modellen
• Generierung und Optimierung von Texturen
• Soundeffekte
• Musik
• Ideenfindung und Iterationen

Natürlich war das erste Ergebnis selten perfekt. Entscheidend waren präzise Anweisungen, klare Vorstellungen und mehrere Iterationen. Genau dort entfaltet KI ihre Stärke: Sie liefert in kürzester Zeit hochwertige Entwürfe, die anschließend gezielt verbessert werden können.

Ersetzt KI den Entwickler?

Ganz klar: Nein.

Damit aus vielen Einzelbausteinen ein stimmiges Spiel entsteht, braucht es weiterhin:

• eine klare Vision
• Erfahrung im Game-Design
• gute Kenntnisse der Unity-Engine
• solide Programmierkenntnisse – in diesem Fall C#

KI nimmt einem nicht das Denken ab. Sie beschleunigt aber nahezu jeden Entwicklungsschritt. Wer weiß, was er erreichen möchte, erhält ein Werkzeug, das die eigene Produktivität erheblich steigern kann.

Das Ergebnis

Entstanden ist ein Flipper im Steampunk-Stil mit verschiedenen Spielmodi und einer Atmosphäre, die ohne KI-Unterstützung in dieser Entwicklungszeit kaum realisierbar gewesen wäre.

Ob das Experiment gelungen ist, muss letztlich jeder Spieler selbst entscheiden.

Um die Einstiegshürde möglichst niedrig zu halten, wurde das Spiel direkt als Web-Version veröffentlicht. Es läuft ohne Installation in jedem modernen Browser und kann dank Progressive Web App (PWA) auch wie eine normale App installiert werden.

Ein kleiner Hinweis bleibt allerdings: Hochwertige Grafik und umfangreicher Sound benötigen ihren Platz. Deshalb umfasst das Spiel trotz zahlreicher Optimierungen rund 88 MB.

Hier geht’s zum Spiel: HighPressure

Wer sich das Gameplay ansehen möchte, findet das Video auf YouTube:
HighPressure Video

Das Video wurde auf einem hochkant montierten Monitor aufgenommen, damit das Spielfeld optimal zur Geltung kommt.

Fazit

Für mich zeigt dieses Projekt sehr deutlich, wohin sich die Spieleentwicklung entwickelt. KI ersetzt weder Kreativität noch Erfahrung – sie verstärkt sie. Wer eine klare Idee hat und moderne Werkzeuge sinnvoll einsetzt, kann heute Projekte umsetzen, die vor wenigen Jahren noch deutlich mehr Zeit und Ressourcen erfordert hätten.

Der Steampunk-Flipper ist für mich deshalb nicht nur ein Spiel, sondern auch ein praktisches Beispiel dafür, wie künstliche Intelligenz die Software- und Spieleentwicklung bereits heute verändert.

Viel Spaß beim Ausprobieren – und vielleicht inspiriert das Projekt ja den einen oder anderen, selbst ein kreatives KI-Experiment zu starten.

Dieses Modul vermittelt die Grundlagen der Künstlichen Intelligenz und richtet sich insbesondere an Berufserfahrene, die verstehen möchten, wie moderne KI-Systeme funktionieren und in der Praxis eingesetzt werden.

Zu Beginn werden die wichtigsten Begriffe, Konzepte und Anwendungsgebiete der Künstlichen Intelligenz vorgestellt. Anschließend lernen die Teilnehmenden klassische Verfahren des Maschinellen Lernens kennen, darunter Regression, k-nächste Nachbarn (k-NN) und Entscheidungsbäume. Anhand anschaulicher Beispiele wird gezeigt, wie diese Verfahren Muster erkennen und Vorhersagen treffen.

Ein weiterer Schwerpunkt liegt auf neuronalen Netzwerken. Deren Funktionsweise wird zunächst mithilfe eines leicht verständlichen Wassersystem-Modells erklärt und anschließend technisch fundierter mit den Konzepten Inferenz, Training und Optimierung betrachtet. Darüber hinaus werden grundlegende Trainingsmethoden sowie die Entwicklung und Verbesserung von KI-Modellen erläutert.

Zur Veranschaulichung der Inhalte werden mehrere interaktive Demonstrationen vorgestellt. Dazu gehören unter anderem die Schätzung von Immobilienpreisen mit Regressionsverfahren, ein handschriftliches Ziffernerkennungssystem, bei dem Teilnehmende selbst Ziffern zeichnen können, sowie das Training eines Convolutional Neural Networks (CNN) zur automatischen Erkennung verschiedener Obstsorten anhand von Bildern.

Abgerundet wird das Modul durch einen Einblick in die Mensch-Maschine-Interaktion. Dabei wird beleuchtet, wie Menschen und KI-Systeme zusammenarbeiten, welche Möglichkeiten moderne KI bietet und warum menschliche Bewertung und Kontrolle weiterhin eine zentrale Rolle spielen.

Der Kurs basiert auf einer Aufzeichnung einer Live-Durchführung mit dem KI-Agenten Brainy und PresenterOS und verbindet verständliche Erklärungen mit praxisnahen Demonstrationen und realen Anwendungsbeispielen.

Wenn heute von künstlicher Intelligenz gesprochen wird, denken die meisten Menschen sofort an ChatGPT, Bildgeneratoren oder digitale Assistenten.
Doch KI existiert nicht erst seit dem aktuellen Hype.

Tatsächlich begleiten uns intelligente Systeme bereits seit Jahrzehnten – oft unbemerkt im Hintergrund unseres Alltags.

Viele Anwendungen, die wir heute selbstverständlich nutzen, basieren auf Verfahren, die lange vor modernen Sprachmodellen entwickelt wurden.

Die stille Erfolgsgeschichte der klassischen KI

Bereits seit vielen Jahren unterstützen KI-Systeme Unternehmen bei Entscheidungen, Prognosen und Analysen.
Sie berechnen Risiken, erkennen Muster und helfen dabei, große Datenmengen auszuwerten.

Typische Beispiele sind:

• Kreditbewertungen bei Banken
• Risikoberechnungen bei Versicherungen
• Produktempfehlungen im Onlinehandel
• Spamfilter im E-Mail-Verkehr
• Navigationssysteme
• Medizinische Diagnosesysteme

Diese Verfahren basieren häufig auf mathematischen Modellen und klar definierten Regeln.
Dadurch sind ihre Entscheidungen oft nachvollziehbar und überprüfbar.

Moderne (generative) KI ist spektakulär.

Klassische KI ist oft unsichtbar – aber unverzichtbar.

KI ist mehr als ChatGPT

Der aktuelle Fokus auf generative KI vermittelt schnell den Eindruck, als bestünde künstliche Intelligenz ausschließlich aus Chatbots.
Das ist jedoch nur ein kleiner Teil der KI-Welt.

Künstliche Intelligenz umfasst viele verschiedene Verfahren:

• Analysieren
• Vergleichen
• Vorhersagen
• Klassifizieren
• Entscheiden
• Generieren

Während ChatGPT Texte erstellt, lösen andere KI-Verfahren oft ganz andere Aufgaben.

In vielen Unternehmen sind genau diese klassischen Verfahren bis heute die wichtigste Form künstlicher Intelligenz.

Warum klassische KI weiterhin wichtig bleibt

Moderne Sprachmodelle sind beeindruckend.
Dennoch haben klassische Verfahren häufig entscheidende Vorteile:

Erklärbarkeit

Die Entscheidung eines Modells kann oft nachvollzogen werden.

Geschwindigkeit

Viele klassische Verfahren benötigen deutlich weniger Rechenleistung.

Stabilität

Die Ergebnisse sind reproduzierbar und konsistent.

Geringerer Datenbedarf

Für viele Aufgaben reichen vergleichsweise kleine Datenmengen aus.
Deshalb werden klassische und moderne KI auch in Zukunft parallel eingesetzt.
Es geht nicht um Ersatz.
Es geht um die richtige Methode für die richtige Aufgabe.

Lineare Regression – Vorhersagen mit Mathematik

Eine der bekanntesten Methoden der klassischen KI ist die lineare Regression.

Das Prinzip ist einfach:
Vergangene Daten werden genutzt, um zukünftige Werte vorherzusagen.

Ein Immobilienportal könnte beispielsweise folgende Faktoren berücksichtigen:

• Wohnfläche
• Lage
• Zustand
• Zimmeranzahl
• Baujahr

Aus tausenden bekannten Verkaufsdaten erkennt das System Muster und berechnet daraus einen wahrscheinlichen Verkaufspreis.

Wichtig dabei:
Die Maschine versteht keine Häuser.
Sie erkennt lediglich statistische Zusammenhänge in den Daten.

KI besitzt kein eigenes Verständnis.
Sie erkennt Muster.
Dieses Prinzip gilt übrigens nicht nur für klassische KI, sondern auch für moderne Sprachmodelle.

Entscheidungsbäume – Wenn-Dann-Logik in großem Maßstab

Entscheidungsbäume unterstützen Unternehmen dabei, Entscheidungen systematisch zu treffen.
Das Modell lernt aus früheren Fällen und erkennt, welche Bedingungen zu welchem Ergebnis geführt haben.

Ein vereinfachtes Beispiel aus dem Kreditgeschäft:

• Einkommen hoch + Bonität gut → Kredit bewilligt
• Einkommen mittel + Bonität schlecht → Kredit abgelehnt
• Einkommen mittel + Bonität gut → Kredit bewilligt

Das Modell arbeitet dabei Schritt für Schritt.
Es prüft Bedingungen und gelangt schließlich zu einer Entscheidung.

Der große Vorteil:
Der Entscheidungsweg bleibt nachvollziehbar.

KNN – Lernen durch Ähnlichkeit

Viele Empfehlungssysteme arbeiten nach einem einfachen Prinzip:
Wer ähnliche Interessen hat, interessiert sich oft für ähnliche Produkte.

Das sogenannte K-Nächste-Nachbarn-Verfahren sucht nach Nutzern mit vergleichbarem Verhalten.
Anschließend werden Empfehlungen ausgesprochen.

Typisches Beispiel:

Kunden, die dieses Produkt gekauft haben,
kauften auch …

Ähnliche Nutzer erkennen

Muster vergleichen

Empfehlungen erzeugen

Keine Garantie auf Treffer

So entstehen Produktempfehlungen bei Online-Shops, Streamingdiensten oder Lernplattformen.

Ähnlichkeit bedeutet nicht automatisch Übereinstimmung.

Nur weil zwei Kunden ähnliche Produkte gekauft haben, bedeutet das nicht, dass sie dieselben Bedürfnisse haben.
Deshalb liefern KI-Systeme Wahrscheinlichkeiten – keine Gewissheiten.

Fazit

Die Geschichte der künstlichen Intelligenz begann nicht mit ChatGPT.

Schon seit Jahrzehnten helfen intelligente Systeme dabei, Muster zu erkennen, Vorhersagen zu treffen und Entscheidungen zu unterstützen.

Moderne generative KI erweitert diese Möglichkeiten erheblich.

Doch die klassischen Verfahren bilden bis heute das Fundament vieler erfolgreicher Anwendungen.

Wer KI verstehen möchte, sollte deshalb nicht nur auf die neuesten Tools schauen.

Er sollte verstehen, auf welchen Grundlagen die gesamte Entwicklung aufbaut.

Vielleicht fragst du dich, ob künstliche Intelligenz deinen Arbeitsplatz verändert oder sogar ersetzt.
Diese Sorge ist verständlich.
Doch die Realität sieht anders aus: KI ersetzt erfahrene Menschen nicht. Sie unterstützt sie.

Stell dir KI wie einen hoch motivierten Junior-Assistenten vor. Sie arbeitet schnell, liefert Ideen, erstellt Entwürfe und hilft bei Routineaufgaben. Doch am Ende bist immer noch du die Person, die bewertet, entscheidet und Verantwortung übernimmt.

Dein neuer digitaler Kollege

Stell dir vor, du hättest einen Mitarbeiter, der:

• rund um die Uhr verfügbar ist,
• innerhalb von Sekunden recherchiert,
• erste Entwürfe erstellt,
• Ideen liefert,
• Informationen zusammenfasst,
• und niemals genervt auf Rückfragen reagiert.

Genau diese Rolle kann KI übernehmen.
Sie nimmt dir nicht die Arbeit ab.
Sie nimmt dir einen Teil der Vorarbeit ab.

Merke:
KI liefert Antworten.
Du entscheidest, welche davon richtig und sinnvoll sind.

Warum deine Erfahrung wichtiger wird

Viele Menschen glauben, dass KI Erfahrung überflüssig macht.
Tatsächlich passiert das Gegenteil.
Je leistungsfähiger KI wird, desto wertvoller wird deine Erfahrung.

Denn du erkennst:

• ob eine Antwort plausibel ist
• welche Risiken übersehen wurden
• welche Informationen fehlen
• und welche Lösung wirklich zur Situation passt

KI kann Informationen verarbeiten.
Du verstehst den Kontext.

Tools kommen und gehen – Grundlagen bleiben

Jedes Jahr erscheinen neue KI-Tools.

Heute nutzt du vielleicht ChatGPT.
Morgen ein anderes System.

Wenn du nur einzelne Werkzeuge lernst, musst du ständig von vorne beginnen.
Wenn du jedoch die Grundlagen verstehst, kannst du dich schnell auf neue Systeme einstellen.

Deshalb solltest du nicht nur lernen, welches Tool du verwendest, sondern vor allem verstehen:

• wie KI grundsätzlich funktioniert,
• wo ihre Grenzen liegen,
• warum Fehler entstehen,
• und wie du Ergebnisse richtig bewertest.

Das Motorsport-Prinzip

Ein Rennfahrer baut sein Auto nicht selbst.
Trotzdem versteht er Motor, Getriebe, Bremsen und die Grenzen seines Fahrzeugs.

Warum?
Weil er nur dann das volle Potenzial nutzen kann.

Genauso verhält es sich mit künstlicher Intelligenz.

Du musst kein Entwickler sein.
Aber du solltest verstehen, wie das System arbeitet.
Nur dann kannst du die Ergebnisse richtig einschätzen und sinnvoll nutzen.

Was künstliche Intelligenz eigentlich ist

Künstliche Intelligenz beschreibt Computersysteme, die bestimmte menschliche Fähigkeiten nachahmen können.

Dazu gehören:

• Lernen
• Muster erkennen
• Sprache verstehen
• Planen
• Probleme lösen
• Kreative Unterstützung

Dabei denkt KI nicht wie ein Mensch.
Sie analysiert große Datenmengen, erkennt Muster und berechnet Wahrscheinlichkeiten.
Die Antworten wirken oft intelligent.

Trotzdem benötigt KI weiterhin einen Menschen, der beurteilt, ob die Ergebnisse tatsächlich sinnvoll sind.

Dein Fazit

Künstliche Intelligenz ist kein Ersatz für dein Wissen.

Sie ist ein Werkzeug, das deine Fähigkeiten erweitert.

Je mehr Erfahrung du mitbringst, desto besser kannst du KI einsetzen.

Die Zukunft gehört deshalb nicht der künstlichen Intelligenz allein.

Die Zukunft gehört Menschen, die ihre Erfahrung mit den Möglichkeiten moderner KI verbinden.

Oft höre ich:

„Ich möchte KI verstehen – aber ohne Hype, Fachchinesisch oder Programmierung.“

Genau dafür entwickle ich aktuell ein neues Lernformat – speziell für erfahrene Berufstätige.

Der Fokus liegt bewusst auf Verstehen statt Prompt-Sammlungen oder Copy-Paste-Tricks.

✓ KI verständlich erklärt – von Grundlagen bis ChatGPT & Co
✓ verstehen, wie KI arbeitet, wo sie stark ist – und wo ihre Grenzen liegen
✓ konkrete Anwendungen für den Berufsalltag
✓ Lernen ohne technischen Overload

Im KI-Zeitalter zählt Erfahrung nicht weniger – sondern mehr, wenn man KI versteht.

Wer KI versteht, kann jahrzehntelange Erfahrung oft in einen außergewöhnlichen Hebel verwandeln – wirkungsvoller, schneller und mit neuem Handlungsspielraum.

Das Format:

Live via Zoom
Kleine Gruppe (max. 8 Personen), damit genug Raum für Fragen, Austausch und echtes Verstehen bleibt
2 Termine à 2 Stunden
Lernvideo inklusive

Und weil man KI am besten versteht, wenn man sie erlebt:

KI wird nicht nur Thema sein – ein KI-Co-Presenter macht moderne Mensch-KI-Zusammenarbeit direkt erlebbar.

Ab Juni plane ich mehrere Pilotdurchläufe.

Die Teilnahme ist kostenfrei, weil ich das Format gemeinsam mit den Teilnehmenden weiterentwickle.

Wer Interesse hat, kommt auf die Warteliste für einen der Pilotdurchläufe.

KI verstehen + deine Erfahrung = die Formel für deinen Vorsprung!

„Schreib mir das.“
oder
„Könntest du mir bitte dabei helfen?“

Klingt nach einem kleinen Unterschied.
Aber genau dieser Ton kann beeinflussen, wie gut eine KI antwortet.

Was Studien zeigen

Mehrere aktuelle Forschungsarbeiten haben genau das untersucht – mit einem klaren Trend:

 Höfliche Prompts führen im Schnitt zu besseren Ergebnissen.

Eine internationale Studie (arXiv:2402.14531) zeigt:

• Unhöfliche Prompts schneiden oft schlechter ab
• Die besten Ergebnisse liegen zwischen neutral und moderat höflich

Eine neuere Arbeit (arXiv:2604.16275) geht noch weiter:

 Höfliche Formulierungen können die Qualität im Schnitt um etwa 11 % steigern

Mehr Höflichkeit ≠ bessere Ergebnisse

Zu viele Floskeln, zu viel „Bitte“ und „Danke“?
Das bringt überraschend wenig.

Studien zeigen:

Übertriebene Höflichkeit hat keinen klaren Vorteil

Das Optimum liegt eher bei:

• klar
• strukturiert
• moderat höflich

Wenn Direktheit gewinnt

Eine einzelne Studie (arXiv:2510.04950) mit GPT-4o fand etwas Unerwartetes:

 Direkte, sogar leicht unhöfliche Prompts waren minimal genauer

Das bedeutet aber nicht, dass Unhöflichkeit „besser“ ist.

Wahrscheinlicher ist:

• Die Prompts waren kürzer
• Klarer formuliert
• Weniger „verpackt“

 Direktheit schlägt unnötige Höflichkeitsfloskeln

Kein universelles Rezept

Die Forschung zeigt auch:

 Der ideale Ton hängt ab von:

• Sprache
• Modell
• Kontext

Was im Englischen gut funktioniert, kann in anderen Sprachen anders wirken.

KI spiegelt deinen Ton

Der Ton beeinflusst nicht nur die Qualität, sondern auch den Stil der Antwort:

• höflich → ausführlicher, kooperativer
• neutral → sachlich, stabil
• unhöflich → kürzer, manchmal rauer

KI reagiert auf Ton – und spiegelt ihn.

Was wirklich zählt

Wenn man alle Studien zusammennimmt, ergibt sich ein klares Bild:

 Höflichkeit hilft oft – aber Klarheit ist entscheidender.

Fazit

Höfliche Prompts verbessern häufig die Ergebnisse
Unhöfliche Prompts verschlechtern sie oft
Übertriebene Höflichkeit bringt wenig
Direktheit und Klarheit sind der wichtigste Faktor

Oder einfacher gesagt:

 Sei freundlich – aber vor allem klar.

Kurz & knapp

• Höflichkeit kann Qualität steigern
• Unhöflichkeit schadet oft
• Direktheit hilft fast immer
• Kein universeller „perfekter Ton“
• Modelle reagieren unterschiedlich stark

 Der beste Stil: klar, neutral, leicht höflich

Die Debatte über künstliche Intelligenz hat ein Gesicht bekommen: ChatGPT
Seitdem ist „KI“ plötzlich überall. In Meetings, auf LinkedIn, in Produktbeschreibungen.

Doch mit der Popularität kam auch eine Verkürzung:

KI wird oft gleichgesetzt mit ChatGPT.

Das ist nachvollziehbar.
Aber es verfehlt den Kern.

Eine wichtige Einordnung

ChatGPT ist KI. Aber ein Großteil der KI ist nicht ChatGPT.

Während generative Modelle Texte schreiben, Bilder erzeugen und Code vorschlagen, laufen die entscheidenden Systeme im Hintergrund – leise, stabil und seit Jahren im Einsatz.

Und diese Systeme haben meist eines gemeinsam:

Sie basieren nicht auf LLMs, sondern auf klassischen Methoden.

Was ist „klassische KI“?

Bevor es Chatbots gab, war KI vor allem eines: angewandte Statistik.

Typische Beispiele:

• Regression
  → analysiert Zusammenhänge
  (z. B. wie stark beeinflusst die Wohnfläche den Preis?)
• Entscheidungsbäume
  → treffen Entscheidungen über Regeln
  („Wenn Einkommen > X → Risiko niedrig“)
• Ensemble-Methoden
  → kombinieren viele Modelle für bessere Ergebnisse

Diese Verfahren sind:

• robust
• effizient
• gut erklärbar

Und genau deshalb sind sie bis heute im Einsatz.

Die KI, die wirklich entscheidet

Wenn du wissen willst, wo KI heute Wirkung hat, schau nicht auf Chatbots.

Schau auf:

• Kreditentscheidungen
• Preisberechnung
• Betrugserkennung
• Nachfrageprognosen

Diese Systeme entscheiden täglich über Geld, Risiken und Ressourcen.

Und sie basieren oft auf:

Regressionen, Entscheidungsbäumen und ähnlichen Modellen

Nicht, weil sie „veraltet“ sind.
Sondern weil sie für diese Probleme besser geeignet sind.

Das oft unterschätzte Datenproblem

Ein Punkt wird im aktuellen Hype gerne übersehen:

Deep Learning entfaltet seine Stärke vor allem bei großen Datenmengen.

Modelle wie GPT wurden auf gigantischen Datensätzen trainiert.

Die Realität in Unternehmen:

• begrenzte Daten
• fragmentierte Daten
• seltene Ereignisse

In solchen Fällen gilt oft:

Ein einfacheres Modell ist nicht nur günstiger – sondern besser.

Warum Tabellen anders sind

Viele reale Probleme bestehen aus:

• strukturierten Daten
• klaren Variablen
• überschaubaren Zusammenhängen

Zum Beispiel:

• Alter
• Einkommen
• Fläche

Für solche Daten gilt in vielen Fällen:

Klassische Modelle bleiben die stärkste Lösung.

Nicht aus Tradition,
sondern weil sie:

• daten-effizient sind
• stabil generalisieren
• wenig Overfitting zeigen

LLMs hingegen sind für etwas anderes gebaut:

Sprache, Kontext und unstrukturierte Information

Medizin und Recht

Auch in kritischen Bereichen zeigt sich ein klares Muster:

Medizin

• Bildanalyse → Deep Learning
• Entscheidungen → strukturiert, nachvollziehbar

Recht

• Dokumentanalyse → zunehmend automatisiert
• Urteile → nicht durch generative KI ersetzt

Die neue KI hilft.
Aber sie ersetzt nicht den Kern.

ChatGPT: Die sichtbare Schicht

Modelle wie GPT sind ein Durchbruch.

Aber ihre Stärke liegt vor allem hier:

• Text
• Kommunikation
• Interface

Deshalb gilt:

ChatGPT macht KI sichtbar – aber nicht vollständig aus.

Wie moderne KI wirklich aufgebaut ist

In der Praxis entsteht eine klare Struktur:

1. Kern (klassisch)
→ trifft Entscheidungen

2. Erweiterung (Deep Learning)
→ verarbeitet komplexe Daten

3. Interface (LLMs)
→ macht Systeme zugänglich

Der entscheidende Punkt:

GPT sitzt meist oben – nicht im Entscheidungszentrum.

Die gefährliche Vereinfachung

Wenn heute jemand sagt:

„Wir machen KI“

meint er oft:

„Wir nutzen ChatGPT“

Das Problem:

• es blendet den Großteil realer Systeme aus
• es verzerrt Erwartungen
• es unterschätzt bestehende Lösungen

Was bedeutet das für „KI-Expertise“?

Prompting ist eine Anwendung – aber nicht das Fundament von KI.

Wer KI wirklich versteht:

• kennt auch klassische Modelle
• versteht Daten
• kann das richtige Werkzeug wählen

Fazit

ChatGPT hat KI sichtbar gemacht.
Aber die entscheidenden Systeme bleiben oft unsichtbar.

Viele der Modelle, die heute über Preise, Risiken und Entscheidungen bestimmen, basieren weiterhin auf klassischen Methoden.

Und das ist kein Übergang.

Sondern eine einfache Konsequenz:

Nicht jedes Problem braucht ein großes Modell –
sondern das passende.