Artificial Intelligence

Q: Was ist der Unterschied zwischen Machine Learning und Large Language Models (LLMs?)

Machine Learning bezeichnet Methoden, bei denen Modelle aus Daten für klar definierte Aufgaben lernen, etwa für Prognosen, Klassifikationen oder Optimierungen. Die Modelle sind in der Regel auf einen spezifischen Anwendungsfall trainiert und liefern dort besonders präzise Ergebnisse. Large Language Models (LLMs) sind eine spezialisierte Form von Machine Learning, die auf Sprache ausgerichtet ist. Sie werden mit sehr grossen Textmengen trainiert und können sprachbasierte Aufgaben flexibel lösen, auch solche, für die sie nicht explizit trainiert wurden.

Q: Wann wird Artificial General Intelligence erreicht sein?

Das wissen wir nicht. Es existieren jedoch zwei unterschiedliche philosophische Sichtweisen zu AGI: Artificial General Intelligence ist eine Form von künstlicher Intelligenz mit menschenähnlicher, flexibler Intelligenz, die in der Lage ist, aus neuen Erfahrungen zu lernen, sich anzupassen und Wissen flexibel auf völlig neue und unerwartete Situationen anzuwenden. Big Tech setzt darauf, dass mit zunehmender Komplexität von AI-Systemen neue Fähigkeiten entstehen, die über ihre Einzelteile hinausgehen – etwa echtes Argumentieren oder ein tieferes Weltverständnis. Die massiven Investitionen in Chips und Rechenzentren zielen auf genau diesen möglichen Sprung ab. Denker wie Alfred Korzybski oder Nassim Nicholas Taleb argumentieren hingegen, dass die Landkarte nicht das Territorium ist. Anders gesagt: Ein Modell der Wirklichkeit ist nicht die Wirklichkeit selbst und bleibt damit fragil und anfällig für Denkfehler. Diese Denkschule bezweifelt, dass sich auf diesem Weg eine echte AGI entwickeln kann. Taleb fast seinen Standpunkt in folgendem Tweet unverblühmt zusammen: Alexander Lerchner von Google Deepmind argumentiert, dass echte AGI vermutlich eine physische Einbettung in die Welt erfordert und daher nicht allein durch reine Software erreicht werden kann: Wir sehen uns nicht als AI-Philosophen, sondern als Praktiker der künstlichen Intelligenz. Routineaufgaben wie Klassifizierungen lassen sich heute sehr zuverlässig mit AI automatisieren – und genau dort sollte die AI-Reise in einem Unternehmen beginnen.

Q: Was versteht man unter Context Rot?

Ein LLM verarbeitet Informationen innerhalb eines begrenzten Kontextfensters. Werden Gespräche sehr lang oder kommen viele neue Informationen hinzu, können frühere Annahmen, Definitionen oder Ziele an Gewicht verlieren. Das Modell bezieht sich dann stärker auf jüngere Inhalte, interpretiert Begriffe anders oder zieht inkonsistente Schlüsse – der ursprüngliche Kontext «verrottet» gewissermassen. Um diesem Effekt entgegenzuwirken, existieren Methoden, mit denen wichtige Informationen persistent gespeichert und über längere Zeiträume für LLMs zugänglich gemacht werden können. Solche Ansätze eignen sich beispielsweise für Anwendungsfälle, bei denen über längere Zeit ein fortlaufender Dialog zwischen Mensch und LLM geführt wird, beispielsweise in einem Kundenchat.

Undokumentiertes Wissen zugänglich machen

Eines ist klar: AI ist gekommen, um zu bleiben. Die grossen Hyperscaler planen, bis 2030 rund 5,2 Billionen US-Dollar in AI-Infrastruktur zu investieren. avolut setzt sich intensiv damit auseinander, wie Schweizer KMU diese Entwicklung im Unternehmensalltag gewinnbringend nutzen können.

AI: weniger Science-Fiction, mehr Produktivität

Vieles beim Thema AI ist noch immer Zukunftsmusik. AI ermöglicht aber bereits heute, Daten auf eine Art zu verarbeiten und zu interpretieren, die vor wenigen Jahren noch als unmöglich galt.

In Schweizer KMU existieren zahlreiche Geschäftsprozesse, in denen Daten noch manuell bearbeitet und analysiert werden. Gerade in der Schweiz, einem Land mit hohen Lohnkosten lohnt es sich daher besonders, solche Arbeitsprozesse mithilfe von AI zu automatisieren.

Gut durchdachte AI-Lösungen liefern eine konstant hohe Qualität und sind rund um die Uhr im Einsatz. Die dadurch frei werdende Arbeitszeit der Mitarbeitenden kann für persönliche Kundenbetreuung oder Tätigkeiten mit höherer Wertschöpfung genutzt werden.

Know-How im Unternehmen sichern: Gen AI hilft Gen Z

Gemäss dem National Bureau of Economic Research (NBER) entfaltet generative AI dort ihre grösste Wirkung, wo Erfahrung fehlt. Neue, unerfahrene Mitarbeitende werden mit Unterstützung von Gen AI deutlich schneller produktiv, da sie vom impliziten Wissen erfahrener Kolleginnen und Kollegen profitieren. Mit AI kann Wissen, das früher über Jahre hinweg aufgebaut werden musste, gezielt und skalierbar auf neue Mitarbeitende übertragen werden.

avolut kann Ihnen schon heute helfen, Gen AI bei Ihnen im Unternehmen als Instrument der Wissenssicherung und -weitergabe einzuführen. Insbesondere vor dem Hintergrund, dass in den kommenden Jahren geburtenstarke Jahrgänge mit viel Wissen in den Ruhestand treten, kann dies eine sehr sinnvolle Investition sein.

AI-Lösungen beginnen mit konkreten Problemen

Wir verfügen über ausgewiesene Erfahrung im Einsatz von AI in Handel, Gesundheit und Transport. Allen erfolgreichen Lösungen ist gemeinsam: Eine solide Datenbasis ist Voraussetzung. Ein wesentlicher Teil in AI-Projekten besteht darin, diese Datenbasis zusammenzustellen und aufzubereiten. Zudem zeigt die Praxis, dass zu Projektbeginn nicht immer klar ist, wie gut sich ein konkretes Problem mithilfe von AI lösen lässt.

Für KMU stellt sich daher die Frage, wie AI sinnvoll angegangen werden soll. Wir plädieren für Pragmatismus statt grosse Strategien. Um Mike Tyson zu paraphrasieren: Jeder hat einen Plan, bis die Realität zuschlägt. Eine eloquente AI-Strategie löst noch keine konkreten Probleme – besonders in einem Bereich, in dem sich Best Practices erst noch etablieren müssen.

Repetitive Tätigkeiten, schwer übertragbares Wissen, manuelle Entscheidungen – solche Ansatzpunkte finden sich in nahezu jedem Unternehmen. Genau dort lohnt es sich zu starten. Der grösste Mehrwert entsteht durch frühe, konkrete Anwendungsfälle: So wird rasch sichtbar, wo AI wirkt und wo Anpassungen nötig sind.

In Schweizer KMU existieren zahlreiche Geschäftsprozesse, in denen Daten noch manuell bearbeitet und analysiert werden. Gerade in der Schweiz, einem Land mit hohen Lohnkosten lohnt es sich daher besonders, solche Arbeitsprozesse mithilfe von AI zu automatisieren.

Bewährte Einsatzfelder für LLMs

Vor der Einführung von Large Language Models waren viele sprachbasierte Anwendungsfälle nur mit hohem Aufwand oder stark eingeschränkt umsetzbar. Kategorisierung erforderte umfangreiche Trainingsdaten, die Textgenerierung war meist starr, und semantische Zusammenhänge liessen sich nur begrenzt abbilden. Mit LLMs hat sich diese Ausgangslage grundlegend verändert – sie ermöglichen es, Sprache, Bedeutung und Kontext gemeinsam zu verarbeiten und eröffnen damit neue Einsatzmöglichkeiten.

Kategorisierung & Datenanreicherung

LLMs verfügen über ein grundlegendes Weltwissen, auf dem sich aufbauen lässt. Dadurch können Produkte oder Dokumente ohne umfangreiches Training analysiert und mit Attributen angereichert werden. Ein Fashionhändler kann so beispielsweise Kragentyp, Material oder Stil automatisiert aus Produktbildern und -daten extrahieren.

Kundenberatung

Dank LLMs können auch komplexe, vielschichtige Sachverhalte in natürlicher Sprache wiedergegeben werden. Mittels Funktion Calling können LLMs spezifische unternehmensinterne Daten zu Kunden abrufen und diese in ihren Antworten integrieren. Somit lassen sich beispielsweise Chat-Interfaces für Kunden erstellen in denen sie mittels natürlicher Sprache Termine vereinbaren oder auf Daten aus ihrer letzten Besprechung zugreifen können.

Suche

Eine Vektor-Suchmaschine kann semantische Zusammenhänge zwischen Begriffen abbilden und damit die Suchintention eines Nutzers approximieren. Dafür werden sogenannte Embedding-Modelle eingesetzt, die technologisch mit LLMs verwandt sind. Sucht eine Benutzerin beispielsweise nach «etwas Elegantes für einen exklusiven Anlass» in einem Onlineshop für Damenbekleidung, können passende Abendkleider oder elegante Schuhe gefunden werden, selbst wenn in den Stammdaten keine expliziten Angaben zur Eleganz vorhanden sind. Die Zuordnung erfolgt über Vektoren (Embeddings), die aus Text- und Bildinformationen der bestehenden Produktdaten erzeugt werden.

Prozessoptimierung

LLMs können in Geschäftsprozessen Entscheidungen treffen, die bisher menschliches Urteilsvermögen erforderten. Im Gegensatz zu klassischen regelbasierten Systemen verstehen sie Kontext und können mit unstrukturierten Eingaben umgehen. Ein Beispiel: Bei der Bearbeitung eingehender Supportanfragen kann ein LLM das Anliegen erfassen, die Dringlichkeit einschätzen, relevante Kundendaten abrufen und eine passende Antwort vorschlagen oder die Anfrage an die richtige Abteilung weiterleiten.

McKinsey & Company (2025): The cost of compute: A $7 trillion race to scale data centers
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers

Brynjolfsson, E., Li, D. & Raymond, L. (2023): Generative AI at Work
https://www.nber.org/system/files/working_papers/w31161/w31161.pdf