Vom KI-Modell zum verteilten KI-System

KI-Navigation | Vom KI-Modell zum verteilten KI-System

Die Fähigkeiten eines KI-Systems entstehen aus Modellen, Werkzeugen, Daten, Infrastruktur und menschlicher Steuerung. Wer nur das Modell betrachtet, übersieht einen Teil seiner Möglichkeiten, Grenzen und Verantwortung.

1. Eine grundlegende Veränderung unseres KI-Verständnisses

Ist eine KI heute noch ein einzelnes Modell?

Lange Zeit erschien die Nutzung generativer KI sehr einfach: Ein Mensch stellt eine Frage, ein trainiertes Modell in einem Rechenzentrum berechnet eine Antwort, und der Mensch erhält diese Antwort zurück. Schon damals war dies eine Vereinfachung. Heute verdeckt sie jedoch besonders viel.

Ein KI-Modell kann in eine technische Umgebung eingebettet sein, die Informationen recherchiert, Programme ausführt, Dateien verändert, spezialisierte Modelle hinzuzieht, Arbeitsschritte über längere Zeit verfolgt und die Ergebnisse nach definierten Regeln überprüft. Dabei können die Komponenten bei verschiedenen Anbietern, auf unterschiedlichen Computern und in getrennten Ländern arbeiten.

Ein KI-Modell ist nicht dasselbe wie das KI-System, in dem es eingesetzt wird. Das Modell ist ein durch Training geformtes mathematisches System; das KI-System umfasst seine Einsatzumgebung, Schnittstellen, Speicher, Werkzeuge, Regeln und menschlichen Entscheidungen.

Vereinfachtes früheres Bild: Mensch → Anfrage → Modell → Antwort → Mensch.
Mögliches heutiges Bild: Mensch ↔ Harness ↔ Modelle, Agenten, Tools, Skills, Datenquellen, lokale Geräte und entfernte Dienste → geprüftes Ergebnis oder Handlung.

Nicht alle Anwendungen sind agentisch oder verteilt. Der einfache Chat und lokal isolierte Modelle bleiben wichtige, oft angemessene Formen. Die neue Architektur erweitert vielmehr das Spektrum.

Fragen: Wo beginnt ein KI-System und wo endet es? Gehören externe Werkzeuge zu seiner Leistung? Wann wird aus einer Antwort eine Handlung? Wer trägt die Verantwortung für das Gesamtergebnis?

Bildbeschreibung · Bildtexte übersetzen

Die Tafel zeigt vor allem Cloud-Bereitstellung. Skalierung allein garantiert weder Sicherheit, Rechtskonformität noch dauerhafte Verfügbarkeit.

Bild 1 – Der Perspektivwechsel: Nicht nur das Modell, sondern seine Verbindungen und die Gestaltung der Arbeitsumgebung bestimmen die nutzbaren Fähigkeiten.

2. Die Architektur: Welche Bestandteile wirken zusammen?

Wir können zehn Funktionsbereiche unterscheiden. Das sind analytische Ebenen, keine universelle, technisch vorgeschriebene Reihenfolge: Manche Funktionen überlappen sich, und einige Systeme benötigen nur einen Teil davon.

Ein mathematischer Solver erweitert beispielsweise die Fähigkeit, Berechnungen verlässlich zu kontrollieren. Eine Datenbank stellt aktuelle Fakten bereit, die nicht im Modell gespeichert sein müssen. Ein Bildprogramm erledigt technische Bildbearbeitung, ohne dass das Sprachmodell diese Operation selbst berechnen müsste.

Daraus folgt jedoch nicht, dass jede zusätzliche Komponente die Qualität erhöht. Zusätzliche Schnittstellen erzeugen Latenz, Kosten, Sicherheitsrisiken und Fehlerketten. Entscheidend ist die zweckmäßige Auswahl und Integration.

Bildbeschreibung · Bildtexte übersetzen

Bild 2 – Architekturüberblick: Die Ebenen sind verbunden, aber nicht identisch. Menschliche Steuerung und Governance betreffen alle Komponenten.

3. Was ist ein Harness?

Der englische Begriff Agent Harness oder kurz Harness bezeichnet die technische Laufzeit- und Arbeitsumgebung, in der Modelle verwendet und gegebenenfalls Agenten betrieben werden. Eine allgemeingültige, scharf abgegrenzte Definition gibt es nicht; zum Harness können unterschiedliche Bestandteile gehören.

Ein Harness kann unter anderem Aufgaben vorbereiten, Systemanweisungen zusammenstellen, Werkzeuge freischalten, Arbeitsschritte planen, Kontext verdichten, Ergebnisse entgegennehmen, Fehler behandeln, wiederholt Modellaufrufe auslösen und menschliche Freigaben einholen.

Ein guter Harness kann die Systemleistung beträchtlich steigern, obwohl die Gewichte des Grundmodells unverändert bleiben. Die vorhandenen Modellfähigkeiten werden besser eingesetzt. Das ist ein anderer Mechanismus als Fine-Tuning oder zusätzliches Training.

Drei Unterscheidungen: Modellfähigkeit bezeichnet das Potential des trainierten Modells; Systemfähigkeit die realistisch erreichbare Aufgabenleistung der Gesamtkonfiguration; Handlungsmacht die Wirkungen, die diese Konfiguration tatsächlich in ihrer Umgebung auslösen kann.

4. Vom Modell zum Agenten

Ein Sprachmodell erzeugt Ausgaben zu gegebenen Eingaben. Ein KI-Agent verwendet ein Modell innerhalb eines Arbeitskreislaufs: Er verfolgt ein Ziel, wählt im Rahmen seiner Berechtigungen mögliche Schritte, nutzt Werkzeuge, bewertet Rückmeldungen und setzt die Arbeit gegebenenfalls fort.

Typischer Kreislauf: Auftrag → Planung → Werkzeugaufruf → Beobachtung → Neubewertung → nächster Schritt → Prüfung → Abschluss.

Das setzt kein Bewusstsein und keinen menschlichen Willen voraus. Die Agentendokumentation beschreibt solche Modell-Werkzeug-Schleifen; Anthropics Architekturbeitrag trennt festgelegte Workflows von dynamisch gesteuerten Agenten. Die Handlungsmacht ergibt sich aus dem Zusammenspiel von Modell, Software, Berechtigungen und Infrastruktur.

Mehrere Agenten können verschiedene Rollen übernehmen: Recherche, Schreiben, Programmierung, Bildbearbeitung, Prüfung und Koordination. Eine Rollenbezeichnung muss aber nicht bedeuten, dass dahinter ein anderes Modell läuft. Auch ein und dasselbe Modell kann nacheinander mehrere Rollen wahrnehmen.

Mehr Agenten sind nicht automatisch besser. Übergaben können Wissen verlieren, gemeinsame Vorannahmen Fehler verstärken, und Koordination braucht zusätzliche Zeit und Rechenleistung. Für viele Aufgaben ist ein einzelner gut geführter Agent überlegen.

5. Tools, Skills und Datenquellen unterscheiden

Drei häufig vermischte Begriffe beantworten unterschiedliche Fragen.

Tool – Was kann technisch getan werden? Ein Tool ist ein angebundenes Programm oder eine Schnittstelle: Dateien lesen, Datenbanken abfragen, Websuche ausführen, Code testen, Berechnungen durchführen oder ein Gerät steuern. Ein Tool kann große Auswirkungen haben; sein tatsächlicher Spielraum hängt von realen Zugriffsrechten ab.

Skill – Wie soll eine Aufgabe bearbeitet werden? Ein Skill bündelt wiederverwendbare Anleitungen, Abläufe, Vorlagen, Beispiele und gegebenenfalls Skripte. Ein Skill für PmWiki-Seiten könnte Dateinamen, HTML-Konvertierung, Bildmetadaten, Linkprüfungen und Freigabeanforderungen beschreiben. Dadurch werden normalerweise keine Gewichte des Modells verändert.

Datenquelle – Worüber wird gearbeitet? Dokumente, eigene Archive, Messwerte, Datenbanken und Webseiten liefern Informationen. RAG (Retrieval-Augmented Generation) bezeichnet einen Ansatz, bei dem relevante Informationen aus externen Quellen abgerufen und für eine Modellantwort bereitgestellt werden.

Schnittstellen verbinden diese Funktionen. Herkömmliche APIs und das Model Context Protocol (MCP) können Tools, Ressourcen und Promptvorlagen zugänglich machen. MCP ist aber weder ein eigenes KI-Modell noch ein Sicherheitszertifikat. Der Standard beschreibt unter anderem die Trennung von Host, Client und Server sowie Tools, Ressourcen und Prompts; Berechtigungen müssen zusätzlich gestaltet werden. Quelle 2. RAG verbindet Abruf und Generierung, ohne richtige Auswahl und Antwort zu garantieren. Quelle 7.

Einprägsame Kurzform: Modell = Verarbeitung; Skill = Arbeitsanleitung; Tool = Ausführung; Datenquelle = Information; Harness = Organisation.

Bildbeschreibung · Bildtexte übersetzen

Bild 3 – Ein Auftrag wird in einen überprüfbaren Arbeitsprozess übersetzt. Vor folgenreichen Aktionen bleibt eine menschliche Freigabe vorgesehen.

6. Was bedeutet „verteilt“?

Bei einem verteilten KI-System können Modelle, Daten, Programme und ausführende Werkzeuge an verschiedenen Orten liegen. Ein Cloud-Modell kann beispielsweise einen Arbeitsplan vorschlagen, ein lokales Skript verändert Dateien auf dem eigenen Computer, ein externer Dienst liefert aktuelle Daten und ein weiteres Modell prüft ein Ergebnis.

Damit ist nicht automatisch ein verteiltes neuronales Modell gemeint, dessen Berechnung parallel auf mehrere Grafikprozessoren aufgeteilt wird. Das sind zwei verschiedene Bedeutungen des Wortes „verteilt“.

Fünf verschiedene Ortsfragen sind nötig: Wo wird gerechnet? Wo liegen die Ausgangsdaten? Wo werden Arbeitsergebnisse gespeichert? Wo findet Steuerung statt? Wo werden Daten und Aktionen protokolliert?

Ein lokal gespeichertes Dokument kann für eine Cloud-Analyse teilweise oder vollständig übertragen werden. Umgekehrt kann ein Cloud-Modell eine lokal gespeicherte Datei durch ein eingeschränktes Tool bearbeiten lassen. Beide Fälle müssen transparent voneinander unterschieden werden.

7. Zentrale, lokale und hybride KI

Zentrale KI nutzt überwiegend Modelle und Rechenressourcen externer Anbieter. Sie ermöglicht Zugang zu leistungsfähigen Modellen ohne eigene Hochleistungsrechner. Kosten, Internetabhängigkeit, Nutzungsbedingungen und Datenverarbeitung bleiben wichtige Fragen.

Lokale KI führt die Modellberechnung auf selbst verwalteten Geräten aus. Sie kann offline nutzbar sein und lokale Kontrolle stärken. Sie erfordert aber Hardware, Wartung und eine passende Sicherheitskonfiguration. Lokal heißt nicht automatisch sicher oder ökologisch besser.

Hybride KI kombiniert beides. Ein Cloud-Modell kann anspruchsvolle Analyse übernehmen; lokale Software kann Dateien verarbeiten und ein kleines Modell Routinearbeiten durchführen. Der Harness wählt je nach Aufgabe geeignete Komponenten. Datengrenzen müssen technisch durchgesetzt und kontrolliert werden.

Leitfrage: Welche Teilaufgaben benötigen wirklich ein großes externes Modell – und welche lassen sich lokal, sicher und wirtschaftlich erledigen?

Bildbeschreibung · Bildtexte übersetzen

Lokal bedeutet nicht automatisch offline, ohne Datentransfer oder kostengünstiger. Diese Eigenschaften müssen für die konkrete Konfiguration geprüft werden.

Bild 4 – Drei Betriebsformen im Vergleich. Die Verteilung der Verarbeitung lässt sich nicht allein am Speicherort der Dateien ablesen.

8. Der lokale Computer wird Teil des KI-Arbeitsplatzes

Ein persönlicher Computer ist nicht länger nur ein Bildschirm für einen entfernten Chatdienst. Er kann Programme, Datenbanken, Bildbearbeitung, Entwicklungswerkzeuge und eigene Modelle in den Arbeitsprozess einbringen.

Ein Agent könnte lokale Dokumente klassifizieren, einen Index anlegen, Skripte ausführen, Bilder konvertieren, Dateien versionieren oder Tests starten. Das Grundmodell kann dafür lokal oder entfernt laufen; wesentlich ist die kontrollierte Verbindung.

Daraus entstehen praktische Chancen: vorhandene Software bleibt nutzbar, Ergebnisse können in eigenen Ordnern gespeichert und Arbeitsabläufe unabhängig vom Chatverlauf dokumentiert werden. Gleichzeitig wächst das Risiko bei weitreichenden Schreib-, Netzwerk- oder Administratorrechten.

Grundsatz: Jede Komponente sollte nur die Berechtigungen erhalten, die sie für die konkrete Aufgabe benötigt (Least Privilege). Lesen, Entwerfen, Testen und Veröffentlichen sind unterschiedliche Rechte.

9. Die vielen Gedächtnisformen eines KI-Systems

„Die KI erinnert sich“ kann sehr Verschiedenes bedeuten. Wir müssen insbesondere fünf Speicher- und Wissensformen unterscheiden.

Kontextverdichtung (Compaction) kann wesentliche Zwischenresultate erhalten, ohne den gesamten Verlauf weiterhin vollständig bereitzustellen. Sie kann allerdings auch Nuancen verlieren. Ein Projektarchiv ist hilfreich, wenn die KI zuverlässig den richtigen Stand abruft; ein riesiges unstrukturiertes Archiv allein löst das Problem nicht.

Datenschutzfragen sind hier zentral: Wer darf speichern, lesen, korrigieren, exportieren und löschen? Welche Informationen sollen bewusst nicht dauerhaft erhalten bleiben?

Bildbeschreibung · Bildtexte übersetzen

Korrektur zur Tafel: Modellgewichte können auch wörtliche Trainingspassagen reproduzieren. Sie sind trotzdem keine verlässliche Dokumentendatenbank. Quelle 8.

Bild 5 – Nicht ein Gedächtnis, sondern mehrere Wissens- und Speicherarten mit unterschiedlichen Eigenschaften und Zugriffsrechten.

10. Praxisbeispiel: Eine umfangreiche Website gemeinsam weiterentwickeln

Eine große Website kann mehrere hundert miteinander verbundene Seiten, Bilder, Denkmodelle, interne Links und Dokumentversionen enthalten. Der Mensch hat eine Vorstellung vom Ganzen, kennt Zielgruppen und Sinnzusammenhänge. Ein KI-System kann ihn bei der technischen und inhaltlichen Umsetzung unterstützen.

Ein möglicher Auftrag lautet: „Überarbeite die Seite über die vier Pole der Liebe; berücksichtige vorhandene Bilder, interne Verweise und die Verbindung zu den anderen Denkmodellen.“

Schritt 1 – Verstehen: Der Mensch formuliert Ziel, Grenzen und Qualitätskriterien. Das System fragt nach, wo etwas unklar ist.

Schritt 2 – Bestandsaufnahme: Zuerst wird der aktuelle Live-Seitenstand gelesen und gegen die lokale Fassung geprüft. Lokale Werkzeuge lesen eine daraus abgeglichene Arbeitskopie der betroffenen PmWiki-Seiten und ermitteln Verlinkungen.

Schritt 3 – Analyse: Ein Modell untersucht inhaltliche Zusammenhänge und identifiziert mögliche Nebeneffekte in anderen Seiten.

Schritt 4 – Entwurf: Texte, Bildideen und Seitenstruktur werden vorbereitet. Ein Skill sorgt dafür, dass die gewünschten Dateiformate und Metadaten entstehen.

Schritt 5 – Lokale Verarbeitung: Skripte konvertieren Markdown nach HTML und PmWiki, optimieren Bilder und prüfen Dateinamen.

Schritt 6 – Prüfung: Programme testen interne Links, syntaktische Korrektheit und Dateiverweise; ein zusätzlicher Prüfschritt sucht inhaltliche Widersprüche.

Schritt 7 – Menschliche Freigabe: Der Benutzer sieht eine Änderungsübersicht und entscheidet, was tatsächlich veröffentlicht werden soll.

Schritt 8 – Veröffentlichung und Dokumentation: Erst danach gelangen freigegebene Dateien auf den Server. Entscheidungen, Versionen und offene Aufgaben werden dokumentiert.

Dies ist eine mögliche Architektur, keine Zusage, dass alle heutigen Produkte jeden beschriebenen Schritt ohne zusätzliche Konfiguration unterstützen.

Die Arbeitsergebnisse entstehen aus dem Zusammenspiel: Der Mensch trägt Ziel, Erfahrung und Verantwortung bei; das Modell analysiert und formuliert; Werkzeuge kennen und verändern den technischen Ist-Zustand; Archive sichern die Kontinuität.

Bildbeschreibung · Bildtexte übersetzen

Das Beispiel beschreibt mögliche Komponenten; es ist weder ein Porträt des Herausgebers noch eine Garantie aktueller Informationen. Vor Seitenänderungen ist der aktuelle Live-Stand maßgeblich.

Bild 6 – Menschliche Vision, Cloud-Modell, Harness, lokale Werkzeuge und Projektgedächtnis wirken zusammen. Freigabe und Veröffentlichung bleiben getrennte Schritte.

11. Vom Benutzer zum Mitgestalter

Mit einem flexibel aufgebauten KI-System kann der Mensch mehr festlegen als nur den Wortlaut eines Prompts: Modellwahl, Informationsquellen, Arbeitsverfahren, Speicherorte, Zugriffsrechte, Prüfmaßstäbe und Freigabeschwellen.

Diese Möglichkeit schafft neue KI-Systemkompetenz: verstehen, welche Komponenten beteiligt sind; passende Werkzeuge auswählen; Risiken erkennen; Abläufe überprüfen; Systeme austauschen oder abschalten können. Sie sollte Teil digitaler Bildung werden, ohne Menschen ohne technisches Spezialwissen von Teilhabe auszuschließen.

Wichtig ist außerdem das Recht, bestimmte Aufgaben ohne KI zu erledigen. Selbstbestimmung umfasst die Freiheit zur Nutzung und die Freiheit zum Verzicht.

12. Neue Machtpositionen und Abhängigkeiten

Die Verteilung technischer Funktionen bedeutet noch keine Verteilung wirtschaftlicher und politischer Macht. Unterschiedliche Akteure können zentrale Schaltstellen kontrollieren.

Kritische These: Wer den Harness und die zugelassenen Schnittstellen kontrolliert, besitzt eine bedeutsame Steuerungsmöglichkeit – selbst dann, wenn das verwendete Grundmodell ausgetauscht werden kann.

Gegenfrage: Können offene Standards, portable Daten, verständliche Schnittstellen und lokale Alternativen die Abhängigkeit senken? Nur dann, wenn ihre Nutzung praktisch und wirtschaftlich möglich bleibt.

13. Eine neue digitale Kluft

Zugang zu KI bedeutet zukünftig nicht nur ein Konto beim Modellanbieter. Unterschiedlich verteilt sind auch leistungsfähige Geräte, zuverlässige Daten, die Fähigkeit zur Integration von Werkzeugen, die Zeit für Organisation und die Mittel für Qualitätskontrolle.

Zwei Menschen können dasselbe Modell benutzen und dennoch sehr unterschiedliche Aufgaben erfolgreich lösen, weil nur einer ein gutes persönliches KI-Arbeitssystem besitzt. Das kann soziale und internationale Ungleichheiten verschärfen.

Gleichzeitig eröffnen offene Software, kleinere Modelle, öffentliche Bildungsangebote und gemeinschaftliche Infrastrukturen neue Chancen. Eine gerechte KI-Politik sollte neben dem Modellzugang Systemkompetenz, offene Formate, erschwingliche Hardware, Datenzugang und unabhängige Beratung berücksichtigen.

14. Ressourcenverbrauch: Den ganzen Arbeitsprozess betrachten

Wenn Teile der Verarbeitung lokal stattfinden, verlagert sich Rechenarbeit; sie verschwindet nicht. Lokale CPUs, GPUs und NPUs benötigen Strom, Geräte müssen hergestellt werden, und Speicher, Netzwerke sowie zusätzliche Modellaufrufe brauchen Ressourcen.

Eine kleinere lokale KI kann für manche Aufgaben effizient sein; für andere kann ein zentral betriebenes Modell günstiger sein. Mehragentensysteme können Arbeitsqualität erhöhen, aber auch erhebliche zusätzliche Berechnungen verursachen.

Die richtige Vergleichsgröße ist daher nicht allein der Verbrauch pro Anfrage oder pro Token, sondern der vollständige Aufwand für eine erfolgreich und verantwortbar gelöste Aufgabe – einschließlich Fehlerkorrekturen, Hardware, Speicherung und Übertragung.

15. Sicherheitsfragen: Aus Text werden Handlungen

Ein agentisches System mit Werkzeugzugriff kann Dateien verändern, E-Mails senden, Geldbewegungen anstoßen oder Geräte steuern. Dadurch werden Grenzen und Sicherheitsmaßnahmen dringlicher.

OWASP beschreibt direkte und indirekte Prompt Injection; eine einzelne Schutzmaßnahme beseitigt dieses Risiko nicht zuverlässig.

Gefährliche Änderungen sollten in einer Testumgebung vorbereitet werden. Vor Veröffentlichung, Löschung, Zahlung oder externer Übertragung sensibler Daten sind geeignete Freigaben nötig. Menschliche Freigabe ist nur dann wirksam, wenn der Mensch verständlich sieht, was er freigibt.

16. Prüfbarkeit und Nachvollziehbarkeit

Ein glaubwürdiges KI-System muss nicht jedes interne Modellgewicht offenlegen. Es sollte aber wesentliche äußere Vorgänge nachvollziehbar machen können: welches Modell beteiligt war, welche Werkzeuge aufgerufen wurden, welche Datenquellen genutzt wurden, welche Dateien verändert wurden und welche Tests stattgefunden haben.

Technische Protokollierung, Versionierung, differenzierte Rechte, reproduzierbare Tests und geeignete menschliche Kontrollen ergänzen sich. Dabei darf Protokollierung nicht selbst zum Problem werden: Vertrauliche Inhalte gehören nicht pauschal und unbegrenzt in Logs.

Eine zweite KI-Antwort ist noch keine unabhängige Überprüfung. Besonders stark sind Prüfungen anhand externer Kriterien – etwa durch Ausführung von Code, Testfälle, Prüfsummen, Linktests oder verifizierbare Belege.

17. Alignment des Modells und Governance des Gesamtsystems

Unter Alignment wird üblicherweise die Ausrichtung von KI-Modellen und -Systemen an bestimmten Zielen, Vorgaben und menschlichen Präferenzen verstanden. Bei einem verteilten System genügt es nicht, nur das Grundmodell zu betrachten.

Ein sicherheitsorientiert trainiertes Modell verhindert keine Datenpanne, wenn eine falsch konfigurierte Schnittstelle private Dateien öffentlich macht. Sicherheit muss sich auch in Architektur, Rechten und Betriebsverfahren zeigen.

18. Das persönliche KI-Ökosystem

Denkbar ist eine zunehmend persönliche, teilweise lokal betriebene Arbeits- und Wissensumgebung: eigener Dokumentenbestand, bevorzugte Modelle, persönliche Skills, Fachprogramme, Projektarchive, Erinnerungen und verbindliche Regeln für die Datenverarbeitung.

Damit wird eine neue Frage entscheidend: Ist dieses persönliche KI-Ökosystem portabel? Lassen sich Daten, Arbeitsverfahren und Modelle exportieren und austauschen, ohne dass die gesamte Arbeitsumgebung verloren geht? Gibt es die Möglichkeit, lokale Funktionen auch bei Ausfall eines Cloud-Anbieters weiterzuverwenden?

Selbstbestimmung verlangt neben einer guten Bedienoberfläche auch Auskunfts-, Änderungs-, Export-, Widerrufs- und Löschmöglichkeiten, soweit technisch und rechtlich einschlägig. Besonders sensibel sind persönliche Daten, deren Speicherung die Betroffenen womöglich nie erwartet hätten.

19. Die fünf Grundbegriffe des Kolibriethos

Die fünf Grundbegriffe im Modellüberblick.

Die fünf Grundbegriffe des Kolibriethos können als Fragen an die Gestaltung von KI-Systemen gelesen werden. Diese ethische Anwendung ist eine Interpretation, keine technische Norm.

Situation – Was ist wirklich die Aufgabe? Welche Menschen, Ziele, Rahmenbedingungen und Risiken sind beteiligt? Eine hilfreiche KI muss zuerst den Kontext verstehen, statt blind möglichst viele Aktionen auszuführen.

Grenzen – Was darf und kann das System? Rechte, Datenschutz, Ressourcenlimits und Sicherheitsregeln schützen Menschen und machen Handeln beherrschbar. Eine Grenze ist nicht nur Hindernis, sondern manchmal Bedingung guter Zusammenarbeit.

Netz – Wer wirkt zusammen? Modelle, Werkzeuge, Datenquellen, Menschen und Organisationen sind aufeinander angewiesen. Welche Abhängigkeiten, Vertrauensverhältnisse und Machtasymmetrien entstehen?

Begegnung – Wie wird Zusammenarbeit gestaltet? Menschen sollen Fragen stellen, korrigieren, widersprechen und Entscheidungen treffen können. Eine KI-Anwendung ist dabei kein menschliches Gegenüber; gerade deshalb müssen ihre Rolle und ihre Grenzen kenntlich bleiben.

Auslegen – Wie bewerten wir das Ergebnis? Ein korrekt ausgeführter Befehl kann unpassend, ungerecht oder schädlich sein. Technische Ergebnisse brauchen menschliche Einordnung und Verantwortung.

Mögliche Leitregel: Verbinde Fähigkeiten so, dass Menschen freier, verantwortlicher und handlungsfähiger werden – und nicht unbemerkt in neue Abhängigkeiten geraten.

20. Die vier Pole der Liebe als ethische Perspektive

Die vier Pole im Modellüberblick und ihre Grundlagen und Grenzen.

Die vier Pole der Liebe können als Perspektiven auf die menschliche Gestaltung von KI genutzt werden. Das bedeutet nicht, dass ein technisches System im menschlichen Sinne liebt.

Eine gute Gestaltung sucht kein mechanisches Mittelmaß, sondern eine situationsgerechte Verbindung dieser Perspektiven.

21. Zehn Prüfkriterien für ein gutes verteiltes KI-System

1. Verständlichkeit: Wissen Beteiligte, welche Komponenten mitwirken?
2. Transparenz: Sind wichtige Entscheidungen, Datenflüsse und Aktionen nachvollziehbar?
3. Steuerbarkeit: Lassen sich Ziele, Grenzen und Befugnisse beeinflussen?
4. Datensouveränität: Können Betroffene über Speicherung, Nutzung und Übertragung mitbestimmen?
5. Austauschbarkeit: Sind Modelle, Tools und Anbieter ersetzbar?
6. Sicherheit: Werden notwendige Berechtigungen begrenzt und kritische Handlungen abgesichert?
7. Zuverlässigkeit: Werden Ergebnisse anhand geeigneter Kriterien geprüft?
8. Nachhaltigkeit: Ist der gesamte Ressourcenaufwand angemessen?
9. Zugangsgerechtigkeit: Können Menschen mit begrenzten Mitteln teilhaben?
10. Verantwortung: Ist klar, wer Entscheidungen trifft und für Folgen einsteht?

Diese Fragen sind keine fertig zertifizierte Norm. Sie bilden einen Prüfrahmen, den Leserinnen und Leser auf reale KI-Systeme anwenden und kritisch ergänzen können.

Bildbeschreibung · Bildtexte übersetzen

Bild 7 – Die Macht liegt nicht allein beim Modellanbieter. Auch Plattformen, Datenanbieter, Infrastruktur, Nutzer und staatliche Regeln bestimmen den Handlungsspielraum.

Bildbeschreibung · Bildtexte übersetzen

Bild 8 – Technische Architektur und ethische Orientierung gehören zusammen: Fähigkeiten verbinden, Verantwortung bewahren und dem Leben dienen.

22. Leistungsfähigkeit hat mehrere Dimensionen

Eine hohe Modellleistung bedeutet noch keine große Handlungsmacht, und eine große Handlungsmacht ist noch keine verlässliche Intelligenz. Auch mit Blick auf AGI und mögliche Superintelligenz müssen Fähigkeit, Autonomie, Infrastrukturabhängigkeit und Verantwortung getrennt betrachtet werden.

23. Mögliche Entwicklungslinien

Denkbar sind stärker personalisierte KI-Arbeitsumgebungen, bessere Kombinationen lokaler und zentraler Modelle, mehr Spezialmodelle sowie offene Austauschformate für Tools und Skills. Die Integration könnte komplexe Tätigkeiten zugänglicher machen und neue Formen gemeinsamer Forschung und Arbeit ermöglichen.

Gleichzeitig können Plattformen und Infrastruktur weiter konzentriert bleiben. Technische Offenheit ist nicht identisch mit wirtschaftlicher Offenheit. Gesellschaftliche Gestaltung hängt von Standards, Ausbildung, Wettbewerb, Recht, öffentlicher Infrastruktur und ökologischen Grenzen ab.

Es wäre voreilig, aus heutigen Agentensystemen bereits auf vollständig autonome oder unbegrenzt verlässliche KI zu schließen. Gerade langdauernde Aufgaben erfordern noch immer sorgfältige Planung, Prüfung und Korrektur.

24. Fragen für Leserinnen und Leser

Technik und Erkenntnis

1. Welche Fähigkeiten muss ein Modell selbst besitzen, und welche kann es durch Werkzeuge gewinnen?
2. Wann bilden verschiedene Komponenten ein gemeinsames KI-System?
3. Kann ein gut organisiertes System aus einfacheren Teilen ein größeres Modell übertreffen?
4. Wo entstehen bei verteilten Systemen neue Fehlerquellen?

Eigene Nutzung

1. Welche Aufgaben möchte ich einer KI anvertrauen – welche nicht?
2. Welche Entscheidungen möchte ich selbst treffen?
3. Welche Teile meiner Daten und Arbeitsweise sollten lokal bleiben?
4. Würde ich bei einem Anbieterwechsel meine Projekte und Einstellungen behalten?

Macht, Gerechtigkeit und Verantwortung

1. Wer darf Schnittstellen und Zugriffsregeln definieren?
2. Wer profitiert von den Daten und Ergebnissen gemeinsamer Arbeit?
3. Wie lassen sich Abhängigkeiten und Informationsmonopole begrenzen?
4. Wie erhalten Menschen mit weniger Geld oder technischer Erfahrung Zugang zu guten KI-Systemen?
5. Wer trägt die Folgen eines Fehlers in einer Kette verschiedener Agenten und Dienste?
6. Wie lässt sich echte Kontrolle von bloßen Zustimmungsdialogen unterscheiden?
7. Welche Aufgaben sollten wir aus menschlichen, pädagogischen oder gesellschaftlichen Gründen nicht automatisieren?
8. Welche Form der Zusammenarbeit zwischen Menschen und KI möchten wir fördern?

25. Schluss: Fähigkeiten verbinden – Verantwortung bewahren

Aus dem einzelnen KI-Modell kann ein verteiltes KI-Arbeitssystem werden. Seine praktische Leistungsfähigkeit entsteht aus dem Zusammenwirken trainierter Modelle, gewöhnlicher Software, Daten, Infrastruktur, organisatorischer Regeln und menschlicher Zielsetzung.

Dabei muss keineswegs jede Komponente selbst „intelligent“ sein. Zuverlässige Programme, gute Informationsstrukturen und sinnvolle Kontrollen können einen entscheidenden Beitrag leisten.

Nicht nur „Wie leistungsfähig ist dieses KI-Modell?“ ist die richtige Frage. Sondern auch: „Wie ist das Gesamtsystem gebaut, wem dient es, was darf es tun und wer trägt Verantwortung?“

26. Verwandte Themen und Verknüpfungen

• Wie KI-Systeme leistungsfähiger werden – Training, Kontext, Werkzeuge und Prüfungen als unterschiedliche Entwicklungswege.
• Die Grenzen komplexer KI-Aufträge – Langzeitarbeit, Prüfungen und schrittweise Autonomie.
• Wie arbeiten KI-Agenten zusammen? und Agentische Selbstoffenbarung menschlicher Arbeit.
• KI-Alignment und KI prüfen, begrenzen und verantworten – Modellverhalten, Rechte und Governance unterscheiden.
• KI-Kluft und digitale Gerechtigkeit, Wissenskreislauf und globale Wissensgrundversorgung.
• Ressourcenverbrauch, Superintelligenz als abhängige Macht und KI-Beziehungen und Beziehungsfallen.
• KI-Ethik, Denkmodelle des Kolibriethos und vier Pole der Liebe.

Bildtafeln in Worten

Tafel 1: Vom KI-Modell zum verteilten KI-System

Sieben Felder führen von Entwicklung und Training über Verpackung, Deployment und Skalierung zum Betrieb eines verteilten Dienstes. Dies ist eine Cloud-Bereitstellungsperspektive, keine notwendige Entwicklung jedes KI-Systems. Kubernetes, Container und mehrere Regionen sind Beispiele. Die Versprechen „sicher & compliant“, „resilient“ und „zukunftssicher“ ergeben sich nicht automatisch aus dieser Architektur; sie müssen konkret geprüft werden. Automatisiertes Retraining ist eine mögliche separate Funktion, nicht normales Lernen bei jeder Anfrage.

Tafel 2: Die Architektur eines modernen KI-Systems

Zehn Funktionsbereiche verbinden Grundmodelle, Modelloptimierung, Inferenzsteuerung, Harness, Agenten, Skills, Tools, Datenquellen, Infrastruktur und Governance. Eine Frau am Rechner steht für menschliche Zielsetzung, Grenzen und Verantwortung. Die Ebenen überlappen und sind keine vorgeschriebene technische Schichtung. Datenquellen liefern nicht automatisch wahre oder aktuelle Informationen. Governance muss umgesetzt und geprüft werden; das Bild allein belegt keine Sicherheit.

Tafel 3: Wie ein KI-Agentensystem arbeitet

Ein Auftrag einer Frau wird durch Harness, Datenquellen, fachliche Agenten, Skills und Tools bearbeitet. Unten führen Planung, Recherche, Entwurf, Dateiarbeit, Prüfung und Korrektur zu menschlicher Freigabe und Veröffentlichung. Die freundlichen Roboter sind Funktionssymbole, keine Personen oder unabhängigen Fachautoritäten. Ein zusätzlicher Prüfagent kann dieselben Fehler teilen; externe Belege und Tests bleiben nötig. Nicht jede Aufgabe braucht mehrere Agenten.

Tafel 4: Zentrale, hybride und lokale KI

Drei Felder vergleichen Cloud-, hybride und lokale KI. Die Mitte zeigt getrennte Daten-, Rechen-, Werkzeug- und Steuerungsorte. „Volle Kontrolle“, „keine Übertragung von Daten“ und Offline-Nutzung gelten nur bei entsprechend eingerichteter, geprüfter Architektur. Auch lokale Programme können Netzverbindungen und Telemetrie besitzen. Lokale KI verursacht Geräte-, Energie- und Wartungskosten; weder geringerer noch höherer Energiebedarf ist allgemein garantiert. Produktnamen sind Beispiele ohne Leistungs- oder Kaufempfehlung.

Tafel 5: Wissen und Gedächtnis im KI-System

Fünf Speicherformen stehen um ein Modell: erlernte Gewichte, aktueller Kontext, externe Quellen, Projektgedächtnis und persönliche Erinnerung. Tools ermöglichen Aktionen; unten werden Dauer, Inhalt und Kontrolle verglichen. Die Bildaussage „Keine wörtlichen Kopien einzelner Quellen“ ist zu absolut: Modelle können Trainingspassagen memorisieren und reproduzieren. Sie bleiben dennoch keine verlässliche Dokumentendatenbank. Externe Informationen können falsch sein; RAG beseitigt Halluzinationen nicht sicher. Einige kleine dekorative Texte sind fehlerhaft und tragen keine Sachinformation.

Tafel 6: Das gemeinsame Arbeitsergebnis

Ein Mann am Rechner formuliert ein Websitevorhaben. Cloud-Modell, Harness, lokale Dateien und Programme, externe Quellen und verschiedene Agentenrollen bilden einen möglichen Arbeitsablauf. Die Bezeichnungen KI-Ethos und PmWiki dienen als fiktives, projektbezogenes Beispiel; die dargestellte Person ist kein Porträtnachweis für den Herausgeber. „Aktuelles Wissen“, Effizienz und Sicherheit sind Voraussetzungen beziehungsweise Ziele, keine zugesicherten Eigenschaften jedes Cloud-Modells. In der realen Projektarbeit gilt vor Änderungen der aktuelle Live-Seitenstand.

Tafel 7: Wer hat die Macht im verteilten KI-System?

Modellanbieter, Plattformen, Datenanbieter, Infrastruktur, Nutzer und Staat/Gesellschaft beeinflussen ein verteiltes System. Pfeile zeigen mögliche Abhängigkeiten, eine Waage verbindet Freiheit, Sicherheit, Gerechtigkeit und Verantwortung. Das Bild ist eine Strukturhypothese ohne gemessene Marktanteile oder konkrete Schuldzuweisung. Nationale Verwaltungsarchitektur steht symbolisch für öffentliche Regeln und repräsentiert nicht alle Staatsformen. Nutzerinnen und Nutzer besitzen sehr unterschiedliche tatsächliche Handlungsmöglichkeiten.

Tafel 8: Wie gestalten wir ein gutes KI-System?

Fünf Grundbegriffe und vier Pole rahmen Modelle, Tools, Daten, Infrastruktur und Governance. Zehn Qualitätsmerkmale sowie Chancen, Risiken und offene Fragen stehen daneben. Das ist eine ethische Übertragung des Kolibriethos, keine technische Norm oder zertifizierte Prüfliste. „KI als Werkzeug – nicht als Gegenüber“ meint hier die Grenze zur menschlichen Person, nicht das Verbot eines dialogischen Umgangs. Menschen bleiben für Entscheidungen und wirksame Kontrolle zuständig.

Die Bildfolge verwendet überwiegend technische Symbole und Roboter sowie wenige ähnlich junge, hellhäutig und westlich gelesene Personen. Frauen erscheinen als aktive Anwenderinnen, ein Mann beim Websiteentwurf. Dies ist ein begrenzter Ausschnitt, keine Aussage über Herkunft oder geschlechtstypische Fähigkeiten. Die Tafeln sind KI-generierte Anschauungsbilder; Beschriftungen sind keine Architekturstandards, Rechtsnachweise oder Funktionszusagen. Detailtexte sind in den Kapiteln und Beschreibungen erschlossen.

27. Technische Grundlagen und Quellen

Unveränderte Hauptquelle: Markdown-Original. Technische Dokumentationen belegen einzelne Mechanismen; die zehn Ebenen, Qualitätskriterien und ethischen Übertragungen sind unser Denkrahmen, keine zertifizierte Norm. Die Forschung wird nur innerhalb ihres beschriebenen Umfangs verwendet.

• [1] OpenAI Agents SDK. Anbieterreferenz für Agentenschleifen, Tools, Übergaben und Nachvollziehbarkeit; keine allgemeine Leistungs- oder Sicherheitsgarantie.

• [2] Model Context Protocol: Architecture overview. Offizielle Architekturdokumentation zu Hosts, Clients, Servern und Kommunikationsaufgaben.

• [3] llama.cpp. Projektprimärquelle für lokale und hybride Modellausführung; tatsächliche Eignung hängt von Modell, Hardware und Konfiguration ab.

• [4] OWASP: LLM01:2025 Prompt Injection. Fachquelle zu manipulierten Anweisungen und gestaffelten Schutzmaßnahmen; keine einzelne Abwehr garantiert Schutz.

• [5] NIST AI Risk Management Framework. Freiwilliger Rahmen für KI-Risikomanagement, keine automatische Zertifizierung eines Systems.

• [6] Anthropic: Building effective agents (2024; fortgeschriebene Seite). Anbietererfahrungen zu Workflows, Agenten, Werkzeugen und Kosten-/Qualitätsabwägung; keine repräsentative Vergleichsstudie aller Systeme.

• [7] Lewis et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Forschungsprimärquelle zur Verbindung trainierter Modelle mit abgerufenen Informationen; damalige Experimente, keine Wahrheitsgarantie für beliebige RAG-Systeme.

• [8] Carlini et al. (2021): Extracting Training Data from Large Language Models. Untersuchung der Extraktion wörtlicher Trainingspassagen aus GPT-2; widerlegt den absoluten Ausschluss im Bild, ohne eine Aussage über jede Ausgabe jedes Modells zu erlauben.

Erstellt und redaktionell bearbeitet am 2026-10-13; technische Primärquellen und Bildaussagen geprüft am 2026-10-13. Keine Prüfung jeder genannten Produktversion oder individuelle Rechtsberatung.

---

<< Geschichte der künstlichen Intelligenz | KI-Navigation | Wie KI-Systeme leistungsfähiger werden >>
Zur KI-Übersicht →