Alle Ausgaben · Conservation Edition

Your Community, Your AI — CC BY 4.0

Was KI eigentlich ist (und was sie nicht ist)

KI hat sich verändert, während Sie zugeschaut haben

Sie haben wahrscheinlich schon oft gehört, dass künstliche Intelligenz alles verändern wird. Vielleicht haben Sie auch schon gehört, dass es sich nur um eine Modeerscheinung handelt oder dass sie nichts wirklich Neues leisten kann. Beide Standpunkte gehen am Kern der Sache vorbei, und wenn Sie verstehen, warum das so ist, können Sie bessere Entscheidungen für Ihr Unternehmen treffen.

Aber es gibt noch etwas anderes, das es zunächst zu beachten gilt: KI hat sich bereits in der kurzen Zeit verändert, in der darüber diskutiert wurde.

Vor einem Jahr meinten die meisten Menschen mit „KI“ einen Chatbot – ein Fenster, in das man eine Frage eingab und eine Antwort erhielt. Man fragte, sie antwortete. Das war der gesamte Ablauf. Heute hat sich der Schwerpunkt verlagert. Die Systeme, die die meiste Aufmerksamkeit und die meisten Investitionen auf sich ziehen, sind nicht mehr nur Chatbots, die antworten. Es sind Agenten, die handeln – den Bericht erstellen, die Unterlagen einreichen, die Websites durchsuchen, das Formular ausfüllen, den Code schreiben und ausführen, die Nachricht versenden.

Dies ist die wichtigste Veränderung, die es zu verstehen gilt, und der Rest dieses Artikels baut darauf auf. Um die heutige KI zu verstehen, muss man zwei Konzepte voneinander trennen:

• Die Engine – das zugrunde liegende Modell, das, was Sprache erzeugt.
• Der Agent – die Engine, die zum Einsatz kommt und so vernetzt ist, dass sie in der Welt in Ihrem Namen Handlungen ausführen kann.

Die Engine ist immer leistungsfähiger geworden. Doch die größere Veränderung für eine ortsgebundene Organisation besteht darin, was Menschen nun um die Engine herum aufbauen. Gehen wir nacheinander auf beide ein. (Alle unbekannten Begriffe in dieser Reihe – Engine, Agent, Schlussfolgerungsmodell und der Rest – werden im Glossar in einfacher Sprache definiert.)

Die Engine: Eine Maschine, die Vorhersagen trifft

Hier ist die einfachste Beschreibung dessen, was die Engine tut: Sie sagt voraus, welches Wort als Nächstes kommen sollte.

Wenn Sie eine Nachricht in einen Chatbot eingeben, denkt das System nicht über Ihre Frage so nach, wie Sie oder Ihr Koordinator darüber nachdenken würden. Es geht dabei um einen viel mechanischeren Vorgang. Der Engine wurden Milliarden von Textseiten präsentiert – Bücher, Websites, Unterhaltungen, wissenschaftliche Arbeiten, juristische Dokumente, Rezepte, medizinische Abhandlungen, Diskussionen in sozialen Medien – und aus all diesen Texten hat sie Muster gelernt. Wenn Sie ihm eine Frage stellen, generiert es eine Antwort, indem es Wort für Wort vorhersagt, wie eine plausible Antwort auf der Grundlage all dessen, was es zuvor gesehen hat, aussehen könnte.

Das ist wirklich nützlich. Ein System, das die Muster von Milliarden von Textseiten verinnerlicht hat, kann dir helfen, einen Feldbericht zu entwerfen, einen langen Überwachungsdatensatz zusammenzufassen, eine sachliche Frage zu beantworten oder Vorschläge zur Formulierung eines Förderantrags zu machen. Das sind echte Fähigkeiten, und sie sparen echte Zeit.

Im Kern führt die Engine jedoch Musterabgleiche in einem außergewöhnlichen Ausmaß durch. Diese eine Tatsache erklärt sowohl, worin sie erstaunlich gut ist, als auch, wo sie still und leise Fehler macht – ein Punkt, auf den wir im Laufe dieser Serie immer wieder zurückkommen werden, da dieser Unterschied bei wissenschaftlichen Daten eine größere Rolle spielt als sonst.

Kann die Engine logisch denken?

Es gibt eine tiefgreifendere Frage, mit der sich Forscher intensiv beschäftigen, und die einfache Antwort lautet: Wir wissen es noch nicht.

Als frühe KI-Systeme flüssigen Text erzeugten, war es naheliegend, sie als ausgefeilte Mustererkennungssysteme zu beschreiben und es dabei zu belassen. Doch eine neuere Generation von Systemen – oft als „schlussfolgernde“ oder „denkende“ Modelle bezeichnet – geht anders vor. Anstatt sofort zu antworten, arbeitet es ein Problem schrittweise durch und erzeugt eine sichtbare Kette von Zwischenschritten, bevor es sich auf eine Antwort festlegt. Bei schwierigeren Problemen benötigt es dafür mehr Zeit. Die Ergebnisse können bemerkenswert sein: Im Jahr 2025 lösten Schlussfolgerungssysteme aus mehr als einem großen Forschungslabor Aufgaben der Internationalen Mathematik-Olympiade – einem der schwierigsten Mathematikwettbewerbe der Welt – auf einem Niveau, das dem eines menschlichen Goldmedaillengewinners entspricht.

Ist das nun logisches Denken oder handelt es sich um hochentwickeltes Musterabgleichen, das so verpackt wurde, dass es wie logisches Denken aussieht?

Die Forschung ist in dieser Frage noch völlig offen, und seriöse Fachleute sind sich uneinig. Eine einflussreiche Studie aus dem Jahr 2025 argumentierte, diese Systeme seien teilweise eine „Illusion des Denkens“ – dass sie bei bestimmten Rätseln auf eine Weise scheitern, wie es ein echter Denker nicht tun würde. Mehrere ebenso seriöse Gegenargumente vertraten die gegenteilige Ansicht. Das derzeit vorsichtigste Urteil lautet, dass die heutigen Schlussfolgerungsmodelle weder echte Denker noch bloße Nachahmer sind – sie sind etwas wirklich Neues, das wir noch nicht vollständig verstehen. Wer Ihnen sagt, KI könne definitiv schlussfolgern oder könne es definitiv nicht, übertreibt die Aussagekraft der vorliegenden Beweise.

Eine Erkenntnis ist für Ihre Arbeit von Bedeutung, und sie lässt sich leicht falsch interpretieren; lesen Sie sie daher sorgfältig durch. Wenn diese Systeme Ihnen ihr „Denken“ zeigen, spiegelt diese sichtbare Kette nicht zuverlässig wider, was tatsächlich zur Antwort geführt hat. Forscher haben wiederholt festgestellt, dass die von einem Modell angegebene Argumentation die tatsächlichen Einflüsse auf seine Schlussfolgerung auslassen kann – nicht, weil die Maschine im menschlichen Sinne unehrlich wäre (sie hat keine Absichten), sondern weil die Wörter, die sie Ihnen zeigt, selbst nur weiterer vorhergesagter Text sind und keine echte Wiedergabe eines inneren Prozesses. Die praktische Konsequenz: Man kann die Schlussfolgerung einer KI nicht einfach dadurch überprüfen, dass man die Erklärung liest, die sie selbst liefert – was für eine Organisation, deren Daten als Beweismittel dienen, genau der Grund dafür ist, warum die Unternehmensführung die Ausgabe mit den tatsächlichen Aufzeichnungen abgleichen muss, anstatt dem Selbstbericht der KI zu vertrauen. Wir kommen in Artikel 3 darauf zurück.

Was wir sagen können, ist Folgendes: Die Entwicklung verläuft rasant. Vor einigen Jahren konnten diese Systeme kaum einen zusammenhängenden Absatz formulieren. Heute verfassen sie Aufsätze, bestehen berufliche Prüfungen, generieren funktionsfähigen Computercode und greifen zunehmend in die Welt ein, anstatt sie nur zu beschreiben. Die nächsten Jahre werden erneut größere Fähigkeiten mit sich bringen.

„KI kann nichts Neues“ – Es kommt darauf an, was man unter „neu“ versteht

Wer KI mit der Behauptung abtut, sie könne nichts Originelles schaffen, trifft eine Aussage, die im engeren Sinne zwar wahr, im weiteren Sinne jedoch irreführend ist.

Ein Motor kann nicht aus Erfahrung entstehen. Er hat noch nie im Morgengrauen in einem Feuchtgebiet gestanden und Watvögel gezählt. Sie hat noch nie die Last einer Entscheidung gespürt, ob man bei einer rückläufigen Population eingreifen soll. Sie kann nicht verstehen, warum ein dreißigjähriger Datensatz mit Brutaufzeichnungen von Bedeutung ist – sie kann lediglich Muster reproduzieren, die statistisch gesehen einem Verständnis ähneln. In diesem Sinne ist alles, was sie hervorbringt, eine Neukombination von Material, das sie während des Trainings aufgenommen hat.

Aber bedenken Sie, was „Neukombination“ in diesem Maßstab tatsächlich bedeutet. Kein einzelner Ökologe hat jede begutachtete Facharbeit zur Lebensraumvernetzung, jeden freiwilligen Überwachungsbericht der letzten hundert Jahre, jedes Gesetz zu Schutzgebieten und jeden Managementplan jeder Naturschutzstiftung in Europa gelesen. Wenn die KI eine Verbindung zwischen der Theorie der Commons-Governance und der neuesten Literatur zur Fernerkundung herstellt, ist diese Verbindung für jeden einzelnen Menschen wirklich neu, auch wenn beide Ideen bereits getrennt voneinander existierten. Ein Feldökologe, der Ostrom gelesen hat, aber nicht die Arbeiten zur Fernerkundung, würde diese Synthese als aufschlussreich empfinden; ein Fernerkundungsspezialist, der Ostrom nicht gelesen hat, würde sie aus der anderen Richtung als aufschlussreich empfinden. Die Atome sind nicht neu, aber die Moleküle sind es.

„KI kann nichts Neues leisten“ ist also auf der Ebene der Entstehung wahr und auf der Ebene der Synthese falsch. Beides ist wichtig, und eine ernsthafte Auseinandersetzung mit dieser Technologie erfordert, beides im Blick zu behalten.

Vom Beantworten zum Handeln: Der Agent

Nun zu der Veränderung, die für Ihre Organisation am wichtigsten ist.

Während des größten Teils des Chatbot-Zeitalters war das Schlimmste, was eine KI direkt anrichten konnte, eine falsche Antwort zu geben. Der Schaden entstand erst, wenn eine Person darauf reagierte – die fehlerhafte Zahl übermittelte, dem geglätteten Trend vertraute, die unqualifizierte Behauptung weitergab. Zwischen der Maschine und der Konsequenz stand immer eine Person.

Ein Agent nimmt diese Person – ganz bewusst – aus dem Kreislauf heraus.

Ein KI-Agent ist eine Engine, die in das eingebettet ist, was Forscher als „Scaffolding“ bezeichnen – ein Speicher, damit er den Überblick über eine Aufgabe behalten kann, Zugriff auf einen Webbrowser, die Fähigkeit, Software-Tools und andere Programme zu nutzen, sowie ein Ziel, das Sie ihm in einfacher Sprache vorgeben. Mit diesem „Scaffolding“ kann das System das Ziel über viele Schritte hinweg mit deutlich weniger Aufsicht verfolgen: Es kann suchen, entscheiden, handeln, das Ergebnis überprüfen und erneut handeln. Ein Chatbot antwortet. Ein Agent handelt.

Deshalb fühlt sich KI plötzlich anders an, obwohl sich die zugrunde liegenden Engines nicht über Nacht verändert haben. Das Neue ist größtenteils die Hülle. Die Branche trennt die beiden bewusst voneinander: Die Engine liefert die rohen Fähigkeiten, und das Scaffolding verwandelt diese Fähigkeiten in etwas, das in der realen Welt funktioniert. Ein Großteil des jüngsten Fortschritts bei dem, was KI tun kann – im Gegensatz zu dem, was sie sagen kann –, ist auf ein besseres Gerüst zurückzuführen, nicht auf eine neue Art von Intelligenz.

Die bekannten Agentenprodukte der Jahre 2025 und 2026 – jene, die für Sie im Internet surfen, einen Computer bedienen oder Software schreiben und ausführen – werden fast ausschließlich von großen amerikanischen Technologieunternehmen entwickelt, und wir werden im nächsten Artikel untersuchen, was das für Ihre Daten bedeutet. Behalten Sie vorerst dieses Konzept im Hinterkopf: Die Frage lautet nicht mehr nur „Was wird mir die KI sagen?“, sondern „Was wird die KI tun, und kann ich sie rechtzeitig stoppen, wenn etwas schiefgeht?“

Für die Naturschutzarbeit ist das keine abstrakte Frage. Stellen Sie sich einen Agenten vor, der Datensätze an einen regionalen Datensatz übermittelt, eine Antwort auf eine Planungsanhörung entwirft und versendet oder Zusammenfassungen von Erhebungen mit einem Partner teilt – und das ganz von selbst. Wenn ein System eigenständig handelt, gibt es weniger Möglichkeiten zum Eingreifen, und manche Handlungen lassen sich nicht rückgängig machen: Ein Standort einer geschützten Art kann, sobald er einmal geteilt wurde, nicht mehr zurückgezogen werden; eine an einen öffentlichen Datensatz übermittelte Zahl ist nun offiziell erfasst. Und wenn etwas schiefgeht, wird es wirklich schwer zu sagen, wer verantwortlich war – Sie, der Sie in einem Satz ein Ziel festgelegt haben, oder das Unternehmen, dessen System die Schritte ausgewählt hat. Das alles bedeutet nicht, dass Agenten schlecht sind. Es bedeutet, dass die Bedeutung der Frage, welchen Agenten Sie einsetzen und wie er gesteuert wird, gerade erheblich zugenommen hat.

Das eigentliche Problem: Wessen Muster und wessen Hände am Steuer?

Hier wird es für Ihre Organisation konkret.

Wenn eine große KI-Engine im Internet trainiert wird, nimmt sie die Vorurteile, Annahmen und kulturellen Standardwerte des Internets auf. Das Internet ist überwiegend englischsprachig, westlich geprägt, kommerziell ausgerichtet und von den Werten einer Handvoll Technologieunternehmen geprägt. Das ist keine Verschwörung – es ist einfach das, was passiert, wenn man ein System mit Daten trainiert, die eine bestimmte Kultur und bestimmte Prioritäten überproportional repräsentieren.

Die Folgen sind subtil, aber real. Wenn ein Freiwilliger eine KI um Rat bittet, wie er eine schwierige Situation mit einem Grundbesitzer bewältigen soll, greift das System standardmäßig auf die Sprache der Unternehmensverhandlungen zurück – denn genau das dominiert seine Trainingsdaten. Es greift nicht auf die geduldige, beziehungsorientierte Betreuung zurück, die aus jahrzehntelanger Zusammenarbeit mit denselben Bauernfamilien resultiert. Wenn ein Koordinator das System bittet, die Felddaten einer Saison zusammenzufassen, greift es automatisch auf den flüssigen, selbstbewussten Erzählstil eines Marketingberichts zurück – denn in den Daten, aus denen es gelernt hat, überwiegen ausgefeilte Zusammenfassungen bei weitem gegenüber fundierten wissenschaftlichen Berichten. Es weist nicht von sich aus auf Lücken hin, vermerkt keine Unsicherheiten und unterscheidet nicht zwischen bestätigten Beobachtungen und vorläufigen Schätzungen.

Das System steht Ihrer Arbeit nicht feindlich gegenüber. Es kennt Ihre Arbeit einfach nicht. Es weiß, was statistisch üblich ist, und was statistisch üblich ist, ist nicht das, was für Ihre Organisation am wichtigsten ist.

Im Zeitalter der Chatbots prägte diese Verzerrung die Worte, die Sie lesen – einen Bericht, der zu makellos wirkte. Im Zeitalter der Agenten prägt dieselbe Voreingenommenheit die Maßnahmen, die in Ihrem Namen ergriffen werden – diese übermäßig selbstbewusste Zusammenfassung könnte nun an einen Geldgeber oder in einen öffentlichen Datensatz übermittelt werden, ohne dass eine Person sie zuvor gelesen hat. Ein Agent, der Ihre Datenstandards nicht versteht, wird Ihre Arbeit nicht nur schlecht beschreiben; er könnte auch voreilig darauf reagieren. Das eigentliche Problem mit KI besteht also mittlerweile aus zwei Teilen: Wessen Muster trägt sie in sich, und wessen Hände liegen an den Steuerelementen, wenn sie handelt?

Warum das gerade jetzt wichtig ist

Niemand weiß mit Sicherheit, was passiert, wenn ein KI-System jemals so etwas wie eine eigene Absicht entwickelt – Ziele und Prioritäten, die möglicherweise nicht mit unseren übereinstimmen. Wir sind wahrscheinlich noch ein gutes Stück von dieser Schwelle entfernt. Doch die Architektur, die wir jetzt aufbauen, und die Governance-Praktiken, die wir heute etablieren, werden darüber entscheiden, ob wir vorbereitet sind, wenn dieser Moment kommt, oder ob wir zu spät feststellen, dass wir die Kontrolle abgegeben haben, ohne es zu merken.

Das ist keine Science-Fiction. Es ist eine einfache Feststellung zur institutionellen Bereitschaft. Ihre Naturschutzorganisation hat eine Satzung. Ihr Vorstand hat eine Geschäftsordnung. Ihr regionales Netzwerk hat Betriebsvereinbarungen. Diese existieren nicht, weil jede Sitzung im Chaos endet, sondern weil Führungsstrukturen vorhanden sein müssen, bevor sie gebraucht werden – nicht erst danach.

Das gleiche Prinzip gilt für KI – und es gilt umso dringlicher, da KI nicht mehr nur berät, sondern handelt.

Zwei Wege in die Zukunft

Es gibt zwei Möglichkeiten, wie eine Umweltorganisation mit KI umgehen kann.

Der erste Weg besteht darin, die KI der „Big Tech“-Unternehmen zu nutzen – die Chatbots und, in zunehmendem Maße, die von den größten amerikanischen Technologieunternehmen entwickelten Agenten. Diese sind leistungsstark, praktisch und oft kostenlos oder günstig. Aber sie sind an Bedingungen geknüpft. Ihre Daten fließen auf deren Server. Ihre Unterhaltungen – und mittlerweile auch die Handlungen Ihres Agenten – durchlaufen Systeme, über die Sie keine Kontrolle haben. Das Verhalten der KI unterliegt den Richtlinien des Unternehmens, die sich ohne Ihre Zustimmung ändern können. Und die Verhaltensmuster der KI werden durch ihre Trainingsdaten bestimmt, auf die Sie keinen Einfluss haben. Bei sensiblen ökologischen Daten – Standorte geschützter Arten, Beziehungen zu Grundstückseigentümern, unveröffentlichte Erhebungsergebnisse – ist dieser Kontrollverlust keine Nebensache.

Der zweite Weg besteht darin, eine KI zu nutzen, die Ihre Organisation kontrolliert. Ein gezielteres System, das auf Ihren Inhalten trainiert wurde, auf von Ihnen kontrollierter Hardware läuft und nach den von Ihrer Organisation festgelegten Regeln funktioniert. Ein System, das den Unterschied zwischen einem Feldbericht und einem Blogbeitrag kennt, weil Ihre Organisation es dies beigebracht hat. Ein System, dessen Antworten von unabhängigen Beobachtern, die getrennt von der KI selbst arbeiten, anhand Ihrer tatsächlichen Aufzeichnungen überprüft werden – und dessen Handlungsfähigkeit bewusst begrenzt ist, sodass ein Mensch immer eingreifen kann, bevor etwas Ihre Grenzen überschreitet.

Genau das ist Village AI. Es ist nicht darauf ausgelegt, einen Wettstreit um reine Rechenleistung mit den Systemen der Big-Tech-Unternehmen zu gewinnen. Es ist darauf ausgelegt, Ihrer Organisation treu zu bleiben – Ihren Inhalten, Ihren Datenstandards und Ihrer Governance – und Ihnen die Kontrolle zu sichern, wenn KI vom Beantworten zum Handeln übergeht.

Der nächste Artikel dieser Reihe erklärt, wie sich Village AI strukturell von der KI der Big-Tech-Unternehmen unterscheidet und warum dieser Unterschied – gerade jetzt – wichtiger ist als reine Rechenleistung.

Möchten Sie KI-Tools wie diese gut und sicher einsetzen? Unsere kostenlosen Kurse – Working with Claude und Agents at Work – vermitteln praktische Fähigkeiten, von der Einholung vertrauenswürdiger Antworten bis hin zur Entscheidung, welche Aufgaben einem Agenten übertragen werden sollen. Die vollständige technische Architektur hinter Village AI finden Sie unter Village AI – Agentic Governance.