Was heißt LLM? Große Sprachmodelle einfach und ehrlich erklärt

Sie tippen eine Frage, drücken Enter, und Sekunden später steht eine Antwort da. Was dazwischen passiert, wissen die wenigsten. Genau dort liegt der Unterschied zwischen einem Werkzeug, das man blind nutzt, und einem, das man gezielt einsetzt.

Was heißt LLM? Die Abkürzung einfach erklärt

Die drei Buchstaben stehen für Large Language Model, auf Deutsch: großes Sprachmodell. Der Name beschreibt die Sache recht genau. „Groß" meint den Umfang des Trainingsmaterials und die Zahl der internen Rechenwerte, „Sprache" meint den Umgang mit Text, und „Modell" meint ein mathematisches Gebilde, das aus Beispielen ein Muster gelernt hat.

Die Kernidee dahinter ist älter als der aktuelle Hype. Ein Sprachmodell sagt voraus, welches Wort als Nächstes passt. That's it. Es lernt nicht wie ein Mensch Regeln, sondern zählt in riesigen Textmengen nach, welche Wörter häufig zusammen auftreten. Aus diesem Nachzählen entsteht etwas, das verblüffend gut funktioniert.

Sie fragen also nicht eine Datenbank ab, die fertige Antworten vorhält. Sie sprechen mit einem System, das seine Antwort Stück für Stück zusammensetzt, Wort für Wort, auf Grundlage von Wahrscheinlichkeiten. Klingt das nicht nach einem sehr unsicheren Verfahren für etwas, das angeblich so viel weiß?

Wie ein Sprachmodell aus Wörtern Zahlen macht

Computer rechnen, sie lesen keine Buchstaben. Bevor ein Text ins Modell gelangt, wird er in kleine Einheiten zerlegt, sogenannte Token. Ein Token ist oft ein Wortteil, manchmal ein ganzes kurzes Wort, selten ein Satzzeichen. „Sprachmodell" kann je nach Zählweise ein einzelnes Token oder zwei sein.

Jedes Token bekommt eine Zahl, genauer eine lange Reihe von Zahlen. Diese Zahlenreihe heißt Vektor. Ähnliche Wörter erhalten ähnliche Zahlenreihen, deshalb liegen „Hund" und „Katze" rechnerisch nah beieinander, „Hund" und „Steuererklärung" weit auseinander. Das klingt trocken, ist aber der Grund, warum das Modell überhaupt Zusammenhänge erfassen kann.

Das Modell verarbeitet die Zahlen dann durch viele Schichten, die ursprünglich von der Gehirnforschung inspiriert wurden und heute nichts mehr mit Biologie zu tun haben. Am Ende steht eine Liste mit Wahrscheinlichkeiten für das jeweils nächste Token. Der höchste Wert gewinnt meist. Wichtig: Das Modell wägt immer aufs Neue ab, es schreibt nicht einfach fort.

Was LLM von einer Suchmaschine unterscheidet

Wer Google gewohnt ist, erwartet bei einer KI-Frage dieselbe Art von Trefferliste. Genau da setzt die häufigste Verwechslung an. Eine Suchmaschine findet vorhandene Seiten und verweist darauf. Ein Sprachmodell erzeugt neuen Text.

Der Unterschied hat Folgen. Ein LLM kann flüssig antworten, ohne die Quelle zu nennen, und es kann dabei falschliegen. Fachleute nennen das Halluzination: Das Modell erfindet Zahlen, Zitate oder Quellen, weil sie im erlernten Muster plausibel klingen. Nicht aus Böswilligkeit, sondern weil es darauf trainiert ist, wahrscheinlichen Text zu produzieren, nicht wahren.

Deshalb gilt eine schlichte Regel: Fakten, die Konsequenzen haben, prüfen Sie nach. Die Jahreszahl in einer Steuererklärung, die Dosierung eines Medikaments, den Namen eines Ansprechpartners. Für Formulierungen, Zusammenfassungen und Brainstorming ist das Modell dagegen ein starkes Werkzeug.

Wofür LLMs heute im Alltag taugen

Die Bandbreite hat sich in den Jahren seit dem Durchbruch stark verbreitert. Einige der praktischsten Einsatzbereiche:

• Texte schreiben und überarbeiten: E-Mails, Protokolle, Bewerbungen. Sie geben den Tonfall vor, das Modell liefert den Rohtext, den Sie glätten.
• Erklären statt googeln: Statt zehn Forenbeiträge zu lesen, lassen Sie sich ein Thema in einfachen Worten aufschlüsseln und stellen nach.
• Code unterstützen: Programmierer nutzen LLMs zum Vervollständigen, Umstellen und Fehlersuchen. Siehe dazu auch den separaten Blick auf das beste LLM für Coding.
• Übersetzen und zusammenfassen: Lange Dokumente auf den Kern eingedampft, in der gewünschten Sprache.
• Daten ordnen: Unstrukturierte Notizen in Tabellenform bringen, Kategorien vorschlagen, Muster erkennen.

Urheberrecht, Datenschutz und der deutsche Blick

Zwei Fragen tauchen in deutschen Unternehmen immer wieder auf. Die erste betrifft das Training: Viele große Modelle wurden mit Texten aus dem offenen Netz gefüttert, darunter urheberrechtlich geschützte Werke. Wie Gerichte das bewerten, ist in Deutschland und der EU noch nicht abschließend geklärt.

Die zweite Frage betrifft Ihre Eingaben. Wer einer KI eine Vertragsklausel oder einen Personaldatensatz übergibt, sollte wissen, wohin die Daten fließen. Einige Anbieter trainieren mit den Chats, andere nicht, und der Unterschied versteckt sich oft in den Einstellungen. Prüfen Sie das, bevor Sie interne Daten hineingeben. Für sensible Fälle gibt es mittlerweile Modelle, die auf eigenen Servern laufen, siehe den Überblick zu Open-Source-LLMs.

Für den beruflichen Einsatz zählt außerdem der Rahmen, den die DSGVO setzt: Ein Modell ohne Auftragsverarbeitungsvertrag ist für personenbezogene Daten keine Option.

Was LLM nicht können

Ein nüchterner Blick auf die Grenzen schützt vor Enttäuschung. Ein Sprachmodell hat kein Gedächtnis über die Unterhaltung hinaus, sofern die Software kein eigenes anlegt. Es kennt den Tag seiner eigenen Wissensgrenze nicht zuverlässig und kann ältere Antworten mit aktuellen verwechseln. Und es hat kein Verständnis im menschlichen Sinn: Es weiß nicht, was eine Steuererklärung bedeutet, es weiß nur, wie der Text darüber üblicherweise aussieht.

Kein Download, kein Setup, keine Datenbank. Und trotzdem ein System, das bisweilen so sicher klingt, dass man die Schwächen vergisst.

Was das für Sie bedeutet

Ein LLM ist ein Sprachgenerator, kein Wahrheitsfinder. Wer das im Kopf behält, nutzt es deutlich souveräner. Formulieren lassen, prüfen selbst, und bei allem, was zählt, die Quelle nachschlagen. Wenn Sie wissen möchten, welches Modell für Ihre Aufgaben das richtige ist, lohnt der Vergleich der aktuellen Modelle und ihrer Stärken.