Large Language Models (LLMs)

Klassische Software folgt expliziten Regeln: Wenn Bedingung A erfüllt ist, führe Aktion B aus. LLMs funktionieren grundlegend anders: Sie haben aus Milliarden von Texten statistische Muster gelernt und generieren Antworten, die auf diesen Mustern basieren — ohne dass jemand explizit codiert hat, was die richtige Antwort in einem bestimmten Kontext ist. Diese Eigenschaft macht LLMs flexibel und adaptiv, bringt aber auch eine fundamentale Unsicherheit mit sich: Die Ausgabe ist probabilistisch, nicht deterministisch.

Der wichtigste konzeptuelle Unterschied für Unternehmensanwender ist das Konzept der Halluzination: LLMs können faktisch falsche Aussagen mit hoher Zuversicht formulieren, weil sie nicht 'nachschlagen', sondern 'generieren'. Ein LLM weiß nicht, was es nicht weiß — es erzeugt immer eine kohärent klingende Antwort, unabhängig davon, ob diese korrekt ist. Dieser Umstand ist keine Fehlfunktion, sondern eine strukturelle Eigenschaft, die bei der Integration in Unternehmensprozesse aktiv berücksichtigt werden muss.

Gleichzeitig sind LLMs in Domänen, in denen Sprachverständnis, Textsynthese, Klassifikation und Mustererkennung gefragt sind, bestehenden Regelwerken in der Praxis weit überlegen. Die Kunst liegt darin, sie für die richtigen Aufgaben einzusetzen — und menschliche Überprüfung dort zu integrieren, wo die Konsequenzen von Fehlern hoch sind.

Die direktesten und am schnellsten realisierbaren Produktivitätsgewinne durch LLMs liegen in der Wissensarbeit: Zusammenfassen langer Dokumente, Erstellen erster Entwürfe, Klassifizieren von Anfragen, Übersetzen, Formatieren und Strukturieren von Informationen. Diese Aufgaben nehmen in vielen Wissensarbeitsrollen erhebliche Zeit in Anspruch — und LLMs können sie mit moderater Überprüfung zuverlässig unterstützen.

Im zweiten Schritt entstehen integrierte Anwendungsfälle: LLMs, die in Unternehmenssysteme eingebettet sind und auf firmenspezifischen Daten operieren. Dies erfordert Retrieval-Augmented Generation (RAG), sorgfältige Datenselektion und Qualitätssicherungsprozesse. Der Unterschied zur einfachen Tool-Nutzung ist erheblich: Hier wird die LLM-Fähigkeit in operative Prozesse eingebettet, was sowohl größere Wirkung als auch höhere Anforderungen an Governance und Datenqualität mit sich bringt.

Für Führungskräfte ist das entscheidende Verständnis: LLMs sind Werkzeuge für Aufgaben, nicht Lösungen für Probleme. Wer ein schlecht definiertes Problem in ein LLM eingibt, erhält eine schlecht fundierte Antwort — nur eloquenter formuliert. Die Qualität des Inputs bestimmt die Qualität des Outputs. Prompt Engineering und klare Aufgabendefinition sind deshalb keine Spielerei, sondern operative Kompetenz.

Die bekannteste Grenze ist Halluzination: LLMs erfinden plausibel klingende, aber falsche Fakten. In Low-Stakes-Kontexten (erster Entwurf, kreative Ideengenerierung) ist das tolerierbar. In High-Stakes-Kontexten (rechtliche Dokumente, medizinische Information, Finanzdaten) ist es inakzeptabel ohne systematische Überprüfung. Unternehmen müssen für jeden Anwendungsfall explizit definieren, welches Fehlerrisiko akzeptabel ist und welche Gegenmechanismen greifen.

Die zweite wichtige Grenze ist das Kontextfenster: LLMs haben ein maximales Eingabevolumen, jenseits dessen sie keine Information mehr verarbeiten können. Bei sehr langen Dokumenten oder komplexen Analysen mit vielen Quellen ist dies eine operative Einschränkung. RAG-Architekturen adressieren dies teilweise, lösen aber nicht alle Probleme.

Datenschutz ist die dritte kritische Dimension: Welche Daten dürfen in externe LLM-APIs eingegeben werden? Personenbezogene Daten, Geschäftsgeheimnisse und regulierte Informationen unterliegen strengen Anforderungen. Viele Unternehmen nutzen LLMs, ohne diese Frage systematisch beantwortet zu haben — was ein erhebliches DSGVO-Risiko darstellt. KI-Governance beginnt hier: mit einer klaren Datenklassifikation, die definiert, was mit welchem LLM verarbeitet werden darf.