Was ist KI eigentlich?

Warum alle über Künstliche Intelligenz sprechen

Die Technologie hat in wenigen Jahren Sprünge gemacht, die vorher als Science-Fiction galten. Sprache verstehen, Bilder erkennen, Texte schreiben: was vor zehn Jahren noch Forschungsprojekt war, läuft heute als Dienst in der Cloud, ohne eigene Infrastruktur.

Für Schweizer Unternehmen heisst das zwei Dinge. Erstens: du brauchst kein Data-Science-Team mehr, um KI einzusetzen. Zweitens: deine Mitbewerber brauchen auch keins. Genau deshalb steht die Frage plötzlich auf jeder Geschäftsleitungs-Agenda, und zwar nicht als „ob", sondern als „wo konkret".

Dieser Artikel klärt zuerst die Begriffe, ohne Buzzword-Bingo. Danach zeigen wir, wo KI im Geschäftsalltag wirklich etwas bringt, und was du beim Datenschutz beachten musst, wenn deine Daten die Schweiz nicht verlassen sollen.

Grundbegriffe verständlich gemacht: Machine Learning, Deep Learning, generative KI und RAG

Die KI-Welt steckt voller Buzzwords. Vier Begriffe reichen, um die meisten Gespräche zu verstehen.

Machine Learning (maschinelles Lernen) ist das Herzstück moderner KI. Der Computer lernt aus Beispielen, statt dass ihm jemand Regeln einprogrammiert. Zeig dem System genug Daten, etwa Bilder von kranken und gesunden Pflanzenblättern, und es beurteilt neue Bilder selbstständig. Spamfilter, Produktempfehlungen und Betrugserkennung bei Kartenzahlungen laufen alle so.

Deep Learning ist eine Methode des Machine Learning, die mit künstlichen neuronalen Netzen arbeitet: vielen Schichten, die Daten Stufe für Stufe abstrahieren. „Deep" heisst genau das, viele Schichten. Der Vorteil: solche Netze verarbeiten unstrukturierte Daten wie Bilder oder Text direkt und finden die relevanten Merkmale selbst. Gesichtserkennung, Spracherkennung und selbstfahrende Autos basieren darauf. Der Preis: sehr viele Daten und viel Rechenleistung.

Generative KI erzeugt neue Inhalte, statt sie nur zu bewerten: Text, Bilder, Audio, Code. ChatGPT, Claude und Gemini sind die bekanntesten Vertreter im Textbereich. Für Unternehmen steckt hier der Bereich mit den meisten kurzfristig nutzbaren Anwendungen, von Entwürfen für Produkttexte bis zu Code-Vorschlägen für Entwickler:innen.

RAG (Retrieval-Augmented Generation) löst das grösste Problem generativer KI: ein Sprachmodell kennt nur, was in seinen Trainingsdaten stand, und weiss nichts über dein Unternehmen. RAG stellt dem Modell vor der Antwort die passenden Dokumente zur Seite, etwa aus deiner Produktdatenbank oder deinem Intranet. Stell es dir als Prüfung mit offenem Buch vor: das Modell antwortet nicht aus dem Gedächtnis, sondern schlägt vorher nach. Das ist der Standardweg, wenn ein Chatbot verbindliche Auskunft über deine eigenen Inhalte geben soll.

Chancen und Herausforderungen: Effizienz gegen Datenschutz

Was KI bringt. Routineaufgaben, die Stunden dauerten, laufen in Sekunden. Muster in grossen Datenmengen werden sichtbar, für die früher Wochen Analyse nötig waren. Ein Chatbot beantwortet einfache Anfragen auch um drei Uhr nachts, ohne Pikettdienst. Und weil die meisten KI-Dienste aus der Cloud kommen, brauchst du keine eigene Infrastruktur: ein Zehn-Personen-Betrieb hat Zugang zu denselben Modellen wie ein Konzern.

Wo es klemmt: Datenschutz. KI-Systeme brauchen Daten, oft auch Personendaten. In der Schweiz gilt das revidierte Datenschutzgesetz (revDSG), bei Kund:innen im EU-Raum zusätzlich die DSGVO. Praktisch heisst das: du kannst Kundenlisten, Personaldossiers oder Vertragsentwürfe nicht einfach in einen US-Cloud-Dienst hochladen und hoffen, dass es niemand merkt. Wer damit sorglos umgeht, riskiert nicht nur eine Busse, sondern das Vertrauen seiner Kundschaft.

Lösbar ist das auf zwei Wegen. Entweder läuft das Modell auf Infrastruktur in der Schweiz, oder die Personendaten verlassen dein Haus nie: der ongoing Anonymizer maskiert sie vor jeder Anfrage an eine Cloud-KI und setzt sie danach lokal wieder ein. So nutzt du GPT, Claude oder Gemini, ohne dass sensible Informationen deine Infrastruktur verlassen. Wie wir das organisatorisch absichern, steht unter Security & Compliance.

Wo es klemmt: Know-how. KI einzuführen ist kein Schalter, den du umlegst. Es braucht Urteilsvermögen, welche Fälle sich lohnen und welche nicht. Der häufigste Fehler, den wir sehen: ein Unternehmen sucht sich ein Vorzeigeprojekt mit hoher Sichtbarkeit statt eines langweiligen Prozesses, der täglich Zeit frisst. Das zweite ist fast immer die bessere Wahl.

Wo es klemmt: Verlässlichkeit. KI ist nicht unfehlbar. Sie übernimmt Verzerrungen aus ihren Trainingsdaten und erfindet gelegentlich Fakten, die überzeugend klingen. Deshalb gehört vor jede Veröffentlichung ein Mensch. Und bevor ein Modell Entscheidungen mit Folgen trifft, etwa über einen Kreditantrag oder eine Bewerbung, musst du klären, wer die Verantwortung trägt und wie die Entscheidung nachvollziehbar bleibt.

Alle drei Punkte sind lösbar, keiner löst sich von allein. Es braucht die Auswahl der richtigen Fälle, einen ehrlichen Blick auf die eigenen Daten und realistische Erwartungen. Ein schlechter Prozess wird durch KI nicht gut, er wird schnell schlecht.

Nächste Schritte

Wenn du wissen willst, wo KI in deinem Unternehmen konkret etwas bringt, ist der AI Opportunity Scan der schnellste Weg: ein Workshop, danach hast du drei bis fünf priorisierte Anwendungsfälle, ehrlich bewertet nach Aufwand und Nutzen. Auch die, von denen wir abraten.

Willst du direkt über eine Umsetzung sprechen, findest du unter KI-Integration und Automation, wie wir dabei vorgehen.