KI einfach erklärt, Teil 1: Was ist künstliche Intelligenz?

„Macht das jetzt die KI?“ – diese Frage hören wir in fast jedem Kundentermin. Dabei meint jeder etwas anderes: der eine den Chat in Copilot, die andere die Spamerkennung im Postfach, der Dritte einen Agenten, der selbstständig Rechnungen prüft. Mit dieser Serie wollen wir Ordnung in die Begriffe bringen. In sieben Teilen erklären wir Schritt für Schritt, was künstliche Intelligenz ist, wie sie funktioniert und was sie in der Microsoft-Welt bedeutet – vom ersten Begriff bis zur Einführung im Unternehmen.

Künstliche Intelligenz in einem Satz

Microsoft beschreibt es im Cloud Adoption Framework sehr nüchtern: Künstliche Intelligenz nutzt Algorithmen, um Daten zu analysieren und daraus Ergebnisse zu erzeugen. Viele KI-Modelle lernen dabei Muster aus vorhandenen Daten und wenden diese Muster anschließend auf neue Informationen an.

Dabei steckt der entscheidende Unterschied zu klassischer Software im Wort lernen. Ein herkömmliches Programm folgt Regeln, die ein Mensch vorher aufgeschrieben hat: „Wenn der Betreff ‚Gewinnspiel‘ enthält, dann ab in den Spam-Ordner.“ Ein KI-Modell bekommt dagegen sehr viele Beispiele – tausende Spam-Mails und tausende normale Mails – und findet die Regeln selbst. Deshalb erkennt es auch Spam, für den nie jemand eine Regel geschrieben hat.

Die Begriffe von außen nach innen

Die vielen Schlagwörter lassen sich gut wie eine Zwiebel ordnen. Jede Schicht ist ein Teil der nächstgrößeren:

• Künstliche Intelligenz ist der Oberbegriff für Systeme, die Aufgaben lösen, für die man bisher menschliche Intelligenz brauchte – etwa Sprache verstehen, Bilder erkennen oder Entscheidungen treffen.
• Maschinelles Lernen (Machine Learning) ist der Teil der KI, der aus Daten lernt, statt fest programmierte Regeln abzuarbeiten. Ein Beispiel ist die Prognose, wie viele Tickets nächste Woche im Service-Desk eingehen.
• Deep Learning ist eine besondere Form des maschinellen Lernens. Sie arbeitet mit künstlichen neuronalen Netzen aus vielen Schichten und erkennt damit auch sehr komplexe Muster, zum Beispiel Gesichter auf Fotos oder gesprochene Sprache.
• Generative KI schließlich nutzt sehr große Deep-Learning-Modelle, um neue Inhalte zu erzeugen: Texte, Bilder, Code oder Zusammenfassungen. Die bekanntesten Vertreter sind große Sprachmodelle (Large Language Models, kurz LLMs) wie GPT von OpenAI oder Claude von Anthropic.

Wenn heute jemand „KI“ sagt, meint er meistens den innersten Kreis. Trotzdem lohnt sich der Blick auf das Ganze, denn viele nützliche KI-Funktionen in euren Systemen sind gar nicht generativ.

Künstliche Intelligenz gibt es in drei Arten

Für Entscheidungen im Unternehmen unterscheidet Microsoft im Cloud Adoption Framework drei Arten von KI. Diese Einteilung nutzen wir auch durch die ganze Serie:

Klassische KI: erkennen und vorhersagen

Die klassische, also nicht-generative KI analysiert Daten für einen klar festgelegten Zweck. Sie sagt etwas voraus, ordnet Informationen in Kategorien ein oder findet Auffälligkeiten. Außerdem nutzt ihr sie längst täglich, oft ohne es zu merken: Der Spamfilter in Exchange Online, die Risikoerkennung bei Anmeldungen in Microsoft Entra oder die Texterkennung beim Scannen von Belegen basieren genau darauf. Allerdings sind solche Modelle spezialisiert. Ein Modell, das Spam erkennt, kann dagegen keine E-Mail schreiben.

Generative KI: Inhalte erstellen

Im Gegensatz dazu erstellt generative KI auf eine Anfrage hin neue Inhalte. Sie beantwortet Fragen, fasst Besprechungen zusammen, entwirft E-Mails oder schreibt Code. Microsoft Copilot ist zum Beispiel der bekannteste Vertreter. Der große Vorteil: Ein und dasselbe Sprachmodell beherrscht sehr viele Aufgaben, und ihr steuert es einfach mit natürlicher Sprache. Allerdings hat dieser Vorteil eine Kehrseite, denn generative KI kann auch überzeugend klingende Fehler machen. Warum das so ist, erklären wir in Teil 2.

Agentische KI: Aufgaben erledigen

Agentische KI geht noch einen Schritt weiter. Ein Agent verfolgt ein Ziel und nutzt dafür KI-Modelle zusammen mit Anweisungen und Werkzeugen. Er versteht also nicht nur eine Anfrage, sondern entscheidet selbst, was als Nächstes zu tun ist, und handelt dann in verbundenen Systemen – immer innerhalb festgelegter Berechtigungen. Ein Beispiel ist Copilot Cowork, das mehrstufige Aufgaben über E-Mail, Kalender und Dateien hinweg erledigt. Was einen Agenten genau ausmacht, schauen wir uns in Teil 3 an.

Wie lernt eine KI eigentlich?

Ohne Mathematik lässt sich das Lernen gut mit einem Beispiel erklären. Stellt euch vor, ein Modell soll erkennen, ob ein Support-Ticket dringend ist:

1. Daten sammeln: Zuerst braucht ihr viele alte Tickets, bei denen bereits bekannt ist, ob sie dringend waren oder nicht.
2. Trainieren: Danach schaut sich das Modell diese Beispiele an und passt seine internen Gewichte immer wieder ein kleines Stück an, bis es die Einstufung möglichst oft richtig trifft.
3. Prüfen: Anschließend testet ihr das Modell mit Tickets, die es noch nie gesehen hat. Erst wenn die Trefferquote stimmt, ist es einsatzbereit.
4. Anwenden: Im Betrieb bekommt das Modell neue Tickets und gibt eine Einschätzung mit einer Wahrscheinlichkeit ab – etwa „zu 87 % dringend“.

Daraus folgen zwei wichtige Erkenntnisse. Erstens ist eine KI nur so gut wie die Daten, aus denen sie gelernt hat. Waren die alten Tickets falsch eingestuft, lernt das Modell genau diese Fehler. Zweitens liefert KI grundsätzlich Wahrscheinlichkeiten, keine Gewissheiten. Diese Eigenschaft begleitet uns durch die ganze Serie, besonders bei generativer KI.

Was künstliche Intelligenz kann – und was nicht

Gerade weil generative KI so menschlich formuliert, wird sie schnell überschätzt oder unterschätzt. Diese Faustregeln helfen bei der Einordnung:

KI ist stark bei …	KI ist schwach bei …
Mustern in großen Datenmengen	Fakten, die sie nie gesehen hat
Entwürfen, Zusammenfassungen, Übersetzungen	garantiert richtigen Antworten
wiederkehrenden, gut beschriebenen Aufgaben	Verantwortung und Urteil im Einzelfall
Sprache als Bedienoberfläche	Wissen über eure Firma – ohne Zugriff auf eure Daten

Der Work Trend Index 2026 von Microsoft und LinkedIn zeigt, wie erfahrene Anwenderinnen und Anwender damit umgehen: 86 % der befragten KI-Nutzenden behandeln die Ergebnisse der KI als Ausgangspunkt und nicht als fertige Antwort. Außerdem nennt die Hälfte die Qualitätskontrolle von KI-Ergebnissen als wichtigste menschliche Fähigkeit. Genau das ist die richtige Haltung: KI macht euch schneller, das Urteil bleibt aber bei euch.

Wo künstliche Intelligenz in der Microsoft-Welt steckt

Damit ihr die Begriffe gleich zuordnen könnt, hier ein kurzer Vorgeschmack auf Teil 5. Microsoft setzt alle drei Arten von KI ein:

• Klassische KI steckt zum Beispiel in Defender (Erkennung von Angriffen), in Entra ID Protection (riskante Anmeldungen) und in Azure Machine Learning für eigene Prognosemodelle.
• Generative KI steckt in Copilot Chat, in Microsoft Copilot in Word, Excel, Outlook und Teams sowie in den Copilots von GitHub, Power BI oder Dynamics 365.
• Agentische KI steckt in Copilot Cowork, in Agenten aus dem Agent Builder und Copilot Studio sowie in eigenen Agenten auf Microsoft Foundry.

Fazit und Ausblick

Künstliche Intelligenz ist kein Zauberwerk, sondern Software, die aus Daten lernt und mit Wahrscheinlichkeiten arbeitet. Klassische KI erkennt und sagt voraus, generative KI erstellt Inhalte und agentische KI erledigt Aufgaben. Wer diese drei Arten unterscheiden kann, versteht auch die meisten Ankündigungen rund um Copilot und Agenten deutlich besser.

Im nächsten Teil schauen wir unter die Haube der generativen KI: Wie ein Sprachmodell Text erzeugt, was Tokens und Kontextfenster sind und warum Copilot auf eure Daten zugreifen muss, um wirklich hilfreich zu sein.

Weiterführende Links

• Cloud Adoption Framework: KI-Einführung (Microsoft Learn)
• KI-Grundlagen: Was ist generative KI? (Microsoft)
• Was ist künstliche Intelligenz? (Azure)
• Work Trend Index 2026 (Microsoft WorkLab, Englisch)