Large Language Models einfach erklaert: Was Unternehmer wissen muessen

Was ein LLM wirklich ist

Large Language Model heisst uebersetzt grosses Sprachmodell. Das Modell wurde mit gewaltigen Mengen an Text trainiert: Buecher, Webseiten, Foren, Dokumentationen. Waehrend des Trainings hat es ein einziges Spiel millionenfach gespielt: Ein Wort ist verdeckt, sag voraus, welches folgt. Aus diesem simplen Prinzip entsteht ein System, das erstaunlich fluessig formuliert. Es hat dabei keine Datenbank mit Fakten gespeichert, sondern Muster der Sprache in Zahlen abgelegt.

Wichtig fuer dich als Unternehmer: Ein LLM ist kein Nachschlagewerk und keine Suchmaschine. Es erzeugt Antworten neu, Wort fuer Wort, auf Basis von Wahrscheinlichkeiten. Das erklaert, warum es fantastisch klingt, aber auch selbstbewusst Unsinn produzieren kann. Wer das Prinzip verstanden hat, trifft bessere Entscheidungen darueber, welche Aufgaben er dem Modell anvertraut und welche besser bei einem Menschen oder einer klassischen Software bleiben.

Wie das Modell aus Sprache Zahlen macht

Ein LLM kann mit Buchstaben nichts anfangen. Es zerlegt Text zuerst in sogenannte Token, kleine Bausteine, die etwa einem Wort oder Wortteil entsprechen. Jedes Token wird in eine lange Zahlenreihe uebersetzt. In diesem Zahlenraum liegen Woerter mit aehnlicher Bedeutung nah beieinander. Koenig und Koenigin, Rechnung und Beleg, Kunde und Gast landen in benachbarten Regionen. So entsteht ein rechenbares Abbild von Bedeutung.

Der zweite Schluessel heisst Aufmerksamkeit. Das Modell gewichtet, welche Woerter im Satz gerade wichtig sind, um das naechste vorherzusagen. In Der Anwalt reichte die Klage bei Gericht bezieht es Klage und Gericht aufeinander, obwohl andere Woerter dazwischenstehen. Diese Technik hat den Durchbruch gebracht. Fuer dich ist die Detailmathematik zweitrangig, aber sie erklaert, warum moderne Modelle Zusammenhaenge ueber lange Texte hinweg halten koennen.

Was ein LLM gut kann und was nicht

Stark ist ein LLM ueberall dort, wo Sprache das Produkt ist und kleine Fehler verzeihbar sind. Es entwirft E-Mails, verdichtet lange Protokolle, uebersetzt, sortiert Freitext in Kategorien und beantwortet wiederkehrende Fragen. Ein Handwerksbetrieb laesst Angebotstexte vorformulieren, eine Kanzlei Vertragsentwuerfe zusammenfassen, ein Onlinehaendler Produktbeschreibungen erstellen. In diesen Faellen spart das Modell echte Stunden und liefert einen soliden ersten Entwurf.

Schwach wird es, sobald exakte Fakten, aktuelle Zahlen oder rechtssichere Aussagen gefragt sind. Ein LLM kennt keinen Kontostand, keinen Lagerbestand und kein tagesaktuelles Gesetz, solange du es ihm nicht mitgibst. Es rechnet ungern zuverlaessig und erfindet Quellen. Fuer Buchhaltung, Preisberechnung oder verbindliche Auskuenfte ist es allein ungeeignet. Die Kunst liegt darin, das Modell mit deinen echten Daten zu fuettern und Ergebnisse pruefen zu lassen.

Das Halluzinationsproblem ehrlich betrachtet

Halluzination nennt man es, wenn ein LLM etwas erfindet und es ueberzeugend praesentiert. Das ist kein Bug, den man einfach wegprogrammiert, sondern eine Folge der Funktionsweise. Das Modell will eine plausibel klingende Fortsetzung liefern, nicht die Wahrheit sagen. Fragst du nach einer Rechtsprechung, kann es ein Urteil samt Aktenzeichen erfinden, das nie existiert hat. Genau solche Faelle haben schon Anwaelte vor Gericht in Verlegenheit gebracht.

Fuer dein Unternehmen bedeutet das eine klare Regel: Kein LLM-Output geht ungeprueft nach draussen, wenn Fakten, Zahlen oder Zusagen im Spiel sind. Sinnvoll ist ein Vier-Augen-Prinzip, bei dem ein Mensch das Ergebnis gegenliest. Wo das Modell auf hinterlegte Firmendokumente zugreift und Quellen zitiert, sinkt das Risiko deutlich. Behandle die KI wie einen begabten, aber unerfahrenen Praktikanten, dessen Arbeit du kontrollierst.

Wie du ein LLM im Unternehmen einsetzt

Der Einstieg gelingt am besten mit einer eng umrissenen Aufgabe, die oft anfaellt und wenig Schaden anrichtet, wenn sie mal daneben liegt. Ein Modell, das Kundenanfragen vorsortiert oder Entwuerfe fuer Standardantworten liefert, ist ein guter Startpunkt. Wichtig ist, dass ein Mensch die Kontrolle behaelt und die Ergebnisse in den Arbeitsalltag passen, statt einen zusaetzlichen Umweg zu schaffen.

Deutlich wertvoller wird es, wenn das Modell deine eigenen Inhalte kennt. Diese Technik heisst Retrieval, zu Deutsch etwa gezieltes Nachschlagen. Dabei bekommt das LLM zu jeder Frage die passenden Ausschnitte aus deinen Handbuechern, Preislisten oder Wissensdatenbanken mitgeliefert und antwortet nur auf dieser Basis. So verbindest du die sprachliche Staerke des Modells mit deinen echten, geprueften Daten und reduzierst Erfindungen spuerbar.

Kosten, Datenschutz und Anbieterwahl

LLM-Nutzung kostet meist pro verarbeiteter Textmenge, abgerechnet in Token. Kurze Anfragen sind guenstig, das massenhafte Durchpumpen langer Dokumente summiert sich. Rechne vor dem Rollout mit realistischen Mengen und teste an einem Ausschnitt. Oft reicht ein kleineres, guenstigeres Modell fuer Standardaufgaben, waehrend du das teure Spitzenmodell nur fuer komplexe Faelle reservierst. Diese Staffelung senkt die Kosten erheblich, ohne dass die Qualitaet leidet.

Beim Datenschutz gilt Vorsicht. Gibst du personenbezogene oder vertrauliche Daten an einen externen Dienst, brauchst du eine saubere rechtliche Grundlage und einen Anbieter, der deine Daten nicht fuers Training weiterverwendet. Fuer sensible Branchen wie Gesundheit, Recht oder Finanzen kann eine europaeische Loesung oder ein lokal betriebenes Modell sinnvoll sein. Klaere diese Fragen vor dem Produktivbetrieb mit einem Fachkundigen, nicht danach.

• Klein anfangen mit einer klar umrissenen, risikoarmen Aufgabe
• Menschliche Kontrolle bei allem, was nach draussen geht
• Eigene Daten per Retrieval einbinden statt blind vertrauen
• Modellgroesse an die Aufgabe anpassen, um Kosten zu sparen
• Datenschutz und Vertraulichkeit vor dem Start klaeren

Was in den naechsten Jahren wichtig wird

Die Modelle werden schneller, guenstiger und zuverlaessiger. Gleichzeitig verschiebt sich der Wettbewerb weg vom reinen Chat hin zu Systemen, die Aufgaben eigenstaendig erledigen, also Termine buchen, Daten abgleichen oder Prozesse anstossen. Diese sogenannten Agenten sind maechtig, aber auch fehleranfaelliger, weil sie handeln statt nur zu antworten. Wer heute ein solides Verstaendnis aufbaut, kann diese Entwicklung gelassen und gezielt nutzen.

Der wichtigste Rat bleibt unabhaengig von der Technik: Beginne beim Problem, nicht beim Werkzeug. Frag dich, welche sprachlastige, wiederkehrende Aufgabe in deinem Betrieb Zeit frisst, und pruefe dort einen kontrollierten Einsatz. Ein LLM ersetzt kein Fachwissen und keine Verantwortung, aber es nimmt dir Routinearbeit ab. Genau darin liegt der realistische, nachhaltige Wert fuer die meisten Unternehmen.

Prompting: Wie du dem Modell klare Anweisungen gibst

Die Qualitaet einer LLM-Antwort haengt stark davon ab, wie du fragst. Ein vager Auftrag wie "Schreib mir was zum Thema Kundenbindung" liefert vage Ergebnisse. Gibst du dagegen Rolle, Ziel, Zielgruppe und Format vor, wird die Antwort deutlich brauchbarer: "Du bist Marketing-Berater. Schreibe drei konkrete Massnahmen zur Kundenbindung fuer einen Handwerksbetrieb mit zehn Mitarbeitern, je zwei Saetze." Das Modell hat keine Gedanken, die es errät. Es arbeitet nur mit dem, was du ihm gibst.

Baue dir feste Vorlagen fuer wiederkehrende Aufgaben. Wenn du jede Woche Angebotstexte, Social-Media-Posts oder E-Mail-Antworten brauchst, lohnt sich ein durchdachter Standard-Prompt, den du nur noch mit den konkreten Daten fuellst. So bekommst du gleichbleibende Qualitaet statt jedes Mal bei null anzufangen. Ein guter Prompt ist wie eine gute Arbeitsanweisung an einen neuen Mitarbeiter: je praeziser, desto weniger Nacharbeit.

Gib dem Modell auch Beispiele. Zeigst du zwei oder drei Muster deiner gewuenschten Antwort, orientiert es sich daran erstaunlich zuverlaessig. Diese Technik nennt sich Few-Shot-Prompting und ist oft wirkungsvoller als lange Erklaerungen. Wenn ein Ergebnis nicht passt, formuliere nach statt es wegzuwerfen. Der Dialog mit dem Modell ist iterativ, nicht einmalig.

Ein durchgerechnetes Beispiel aus dem Alltag

Nimm einen Betrieb, der monatlich 400 Kundenanfragen per E-Mail beantwortet. Eine Mitarbeiterin braucht im Schnitt sechs Minuten pro Antwort, macht 40 Stunden im Monat. Setzt du ein LLM ein, das Entwuerfe vorschlaegt, die nur noch geprueft und angepasst werden, sinkt die Zeit realistisch auf zwei bis drei Minuten pro Antwort. Das sind rund 20 gesparte Stunden im Monat, ohne dass ein Kunde je einen unfertigen Text sieht.

Die Kosten dafuer sind ueberschaubar. 400 Anfragen mit je etwa 800 Woertern Kontext und Antwort liegen bei den meisten Anbietern im niedrigen einstelligen bis mittleren zweistelligen Eurobereich pro Monat. Selbst grosszuegig gerechnet steht ein zweistelliger Eurobetrag gegen einen halben Personentag pro Woche. Der Punkt ist nicht, Personal zu ersetzen, sondern die Mitarbeiterin von Routine zu entlasten und ihr Zeit fuer schwierige Faelle zu geben.

Wichtig bleibt die Kontrolle. Rechne nicht mit hundert Prozent Automatisierung, sondern mit einem Entwurfssystem, bei dem ein Mensch freigibt. Genau dieser Zwischenschritt ist es, der aus einer riskanten Spielerei ein verlaessliches Werkzeug macht. Miss den tatsaechlichen Zeitgewinn nach vier Wochen ehrlich nach, statt dich auf Versprechen zu verlassen.

Haeufige Missverstaendnisse, die dich Geld kosten

Ein verbreiteter Irrtum ist, dass ein LLM die Wahrheit kennt. Es kennt Wahrscheinlichkeiten fuer das naechste Wort, nicht Fakten. Deshalb klingt eine falsche Antwort genauso souveraen wie eine richtige. Wer dem Modell blind vertraut, veroeffentlicht irgendwann eine erfundene Zahl oder ein falsches Zitat. Behandle jede Ausgabe als Entwurf eines fleissigen, aber manchmal irrenden Assistenten.

Ein zweites Missverstaendnis: mehr Text im Prompt sei immer besser. Zu viel unstrukturierter Kontext verwirrt das Modell eher, als dass er hilft. Klar gegliederte, relevante Information schlaegt eine Textwand. Ebenso glauben viele, ein einziges Werkzeug loese alle Aufgaben. In der Praxis kombinierst du oft ein LLM mit deiner Datenbank, einer Suche oder festen Regeln, damit es auf echte Firmendaten zugreift statt zu raten.

Drittens unterschaetzen viele die Bedeutung klarer Zustaendigkeiten. Wenn niemand im Betrieb dafuer verantwortlich ist, Ergebnisse zu pruefen und Prompts zu pflegen, verwaessert die Qualitaet schnell. Ein LLM ist kein Selbstlaeufer, sondern ein Werkzeug, das jemand bedienen und im Blick behalten muss. Wer das einplant, vermeidet die typischen Enttaeuschungen der ersten Monate.