„Künstliche Intelligenz“ ist zu einem jener Begriffe geworden, die gleichzeitig alles und nichts bedeuten — ein Chatbot, ein Empfehlungsalgorithmus, ein selbstfahrendes Auto und eine Tabellenkalkulationsformel, die Umsätze vorhersagt, werden irgendwann alle „KI“ genannt. Entfernt man das Marketing, steckt hinter der aktuellen Welle vor allem eine recht spezifische Technologie: Large Language Models (LLMs) und verwandte Deep-Learning-Systeme, trainiert auf riesigen Datensätzen, um statistische Muster in Sprache, Bildern und anderen Daten zu erkennen und daraus neue, den Mustern folgende Inhalte zu erzeugen.
Was sich in den letzten Jahren geändert hat, war nicht die Grundidee — neuronale Netze gibt es seit den 1950er-Jahren, und die „Transformer“-Architektur hinter modernen LLMs stammt aus dem Jahr 2017 —, sondern der Maßstab: Modelle mit Hunderten Milliarden Parametern, trainiert auf einem bedeutenden Anteil des gesamten digitalisierten menschlichen Textes, ausgeführt auf eigens dafür gebauter Hardware. Dieser Maßstab führte zu einem tatsächlich überraschenden Ergebnis: Fähigkeiten wie Übersetzung, Zusammenfassung, Code-Generierung und offenes Gespräch entstanden aus einem so simplen Trainingsziel wie „sage das nächste Wort voraus“, ohne dass jemand diese Fähigkeiten explizit einprogrammiert hätte.
Für technische Bereiche wie Automatisierung und Ingenieurwesen zeigt sich der praktische Nutzen an einigen konkreten Stellen: KI-gestützte Codegenerierung und Fehlersuche bei SPS- und Skriptaufgaben, natürlichsprachliche Schnittstellen über Gebäudeautomationssystemen, vorausschauende Wartungsmodelle, die Anomalien in Sensordaten erkennen, bevor ein Ausfall eintritt, sowie Assistenzwerkzeuge, die Dokumentation entwerfen, technische Texte übersetzen oder Normen und Vorschriften zusammenfassen können. Nichts davon ersetzt das Urteilsvermögen des Ingenieurs — ein Modell kann eine plausibel klingende, aber falsche Antwort mit voller Überzeugung liefern —, aber sorgfältig eingesetzt, nimmt es viel von der repetitiven Arbeit mit geringem Entscheidungsanspruch ab, die früher einen großen Teil des Arbeitstags gefressen hat.
Der ehrliche Vorbehalt, den man klar benennen sollte: Heutige KI-Systeme „verstehen“ nicht so, wie ein Mensch versteht — sie sind extrem ausgefeilte Mustererkenner, und ihre typischen Fehler (selbstsicher falsche Antworten, Empfindlichkeit gegenüber der Formulierung einer Frage, kein echtes Gedächtnis zwischen getrennten Gesprächen, sofern nicht explizit eingebaut) spiegeln genau das wider. KI als unermüdlichen, belesenen Assistenten zu behandeln, der trotzdem überprüft werden muss — statt als Orakel —, ist die Haltung, mit der man den größten echten Nutzen aus ihr zieht, im Ingenieurwesen genauso wie überall sonst.