Illustration Absmeier foto freepik ki

Die künstliche Intelligenz hat lange Zeit ein eher akademisches Dasein geführt. Erst mit der Einführung von ChatGPT und GPT-3.5 erlangte die KI eine weltweite Aufmerksamkeit, die zu einem regelrechten KI-Hype führte. Die Bedeutung der KI wird ähnlich hoch oder sogar noch höher eingeschätzt wie die Industrielle Revolution.

Frühe Pionierjahre (1950–1970)

Die Anfänge der künstlichen Intelligenz gehen auf Alan Turings Konzept der »Turing-Maschine« und den »Turing-Test« zurück, die 1950 den Grundstein für die Frage legten, ob Maschinen denken können. 1956 prägten John McCarthy, Marvin Minsky und weitere Forscher auf der Dartmouth-Konferenz den Begriff »künstliche Intelligenz« und starteten erste Programme, die einfache logische Schlüsse und symbolisches Rechnen ermöglichten. In den 1960er-Jahren entstanden frühe Expertensysteme, die fest codierte Regeln nutzten, um Probleme in Endlichkeitssprachen zu lösen. Obwohl die Systeme beeindruckende Ergebnisse lieferten, stieß die symbolorientierte KI bald an Grenzen, als die Komplexität realer Aufgaben anstieg.

Expertensysteme und die ersten KI-Winter (1970–1995)

In den 1970er- und 1980er-Jahren dominierten Expertensysteme wie MYCIN oder DENDRAL, die medizinische Diagnosen und chemische Analysen unterstützten. Diese Systeme brachten zunächst große Beachtung, litten jedoch unter hohem Wartungsaufwand und der Unfähigkeit, Wissen dynamisch zu erweitern. Die enttäuschenden Resultate führten zu reduzierten Fördergeldern für KI-Forschung und zum ersten »KI-Winter«. Erst gegen Ende der 1980er-Jahre gewann maschinelles Lernen an Fahrt, als statistische Methoden wie neuronale Netze und Bayessche Netze neue Perspektiven eröffneten.

Aufstieg des Machine Learning (1995–2012)

Mit wachsender Rechenleistung und verfügbar werdenden Datenbanken verschob sich der Fokus von symbolischen Systemen hin zu datengetriebenem Lernen. Support Vector Machines, Random Forests und einfache neuronale Netze fanden breite Anwendung in Spracherkennung, Bildklassifikation und Finanzprognosen. 2006 prägte Geoffrey Hinton den Begriff »Deep Learning«, als er zeigte, dass mehrschichtige neuronale Netzwerke (Deep Neural Networks) komplexe Muster effektiver extrahieren können. Diese Phase mündete in wichtige Durchbrüche wie die automatische Übersetzung und ausgereifte Sprachmodelle.

Durchbruch der Deep-Learning-Ära (2012–2018)

Der Siegeszug begann mit AlexNet (2012), das auf GPU-beschleunigten Convolutional Neural Networks basierte und den ImageNet-Wettbewerb dominierte. Parallel entwickelten Forscher leistungsfähige Recurrent Neural Networks und Long Short-Term Memory-Modelle für Sequenzdaten. 2016 demonstrierte AlphaGo, dass Reinforcement Learning in Kombination mit Deep Learning komplexe Brettspiele auf Profi-Niveau meistern kann. Diese Erfolge führten zu einem rasant wachsenden Interesse an neuronalen Architekturen und zur Gründung zahlreicher KI-Startups.

Entstehung großer Sprachmodelle (2018–2020)

2018 veröffentlichte OpenAI das erste GPT-Modell (Generative Pre-trained Transformer), das auf der Transformer-Architektur basierte und durch Selbstaufsicht im Vortrainingsschritt enorme Sprachrepräsentationen lernte. Dieses Konzept revolutionierte die Modellierung natürlicher Sprache, indem das Modell zunächst an einem großen Korpus trainiert und anschließend mit wenigen Beispielen auf spezifische Aufgaben feinjustiert wurde. Viele Teams adaptierten das Prinzip für Übersetzung, Frage-Antwort-Systeme und Textgenerierung.

Skalierungsschub: GPT-2 und GPT-3 (2019–2020)

GPT-2 (2019) bewies, dass eine vierfach größere Modelldimension zu erheblich kohärenteren Texten führt, obwohl Bedenken hinsichtlich Missbrauchspotenzial laut wurden. 2020 präsentierte OpenAI GPT-3 mit 175 Milliarden Parametern, was zu einem Quantensprung in Sprachverständnis und -erzeugung führte. GPT-3 beherrschte nun Zero-, One- und Few-Shot-Learning noch effektiver und fand in Chatbots, Content-Creation-Tools und sogar einfachen Codierhilfen breite Anwendung.

Feinschliff durch ChatGPT und GPT-3.5 (2022)

Im November 2022 sorgte ChatGPT für den Durchbruch in der KI-Anwendung, indem es eine nutzerfreundliche Weboberfläche und optimierte Dialogführung bot. Die zugrundeliegende GPT-3.5-Architektur verbesserte Kohärenz und Kontextbezug, während Latenzen sanken und die Stabilität anstieg. ChatGPT erreichte ein Millionenpublikum und löste eine Welle von Integrationen in Bildung, Business und Softwareentwicklung aus.

Multimodalität und GPT-4 (2023–2025)

März 2023 stellte OpenAI GPT-4 vor, das erstmals multimodale Ein- und Ausgaben (Text und Bild) unterstützte und ein deutlich größeres Kontextfenster bot. Durch fortgeschrittene Reasoning-Fähigkeiten wurden komplexe logische und wissenschaftliche Aufgaben besser gemeistert. Zwischenstufen wie GPT-4.5 (intern als »Orion« bezeichnet) bereiteten die nahtlose Integration in GPT-5 vor und führten spezialisierte Module für Codierung und Biosicherheit ein.

Aktueller Höhepunkt: GPT-5 (2025)

GPT-5 stellt einen Quantensprung dar, indem es verschiedene Modellvarianten (Base, Mini, Nano, Pro) in einer einzigen Engine vereint und automatisch den optimalen Verarbeitungspfad auswählt. Die Architektur nutzt eine Mixture-of-Experts mit intelligentem Routing, wodurch bei einfachen Anfragen schnelle Pfade und bei komplexen Aufgaben ein »Thinking-Mode« aktiviert werden. Das Kontextfenster wurde auf bis zu 256 000 Tokens erweitert, sodass Dokumente von über 600 Seiten in einem Durchgang verarbeitet werden können. Zusätzlich integriert GPT-5 persistenten Speicher, multimodale Verarbeitung (Text, Bild, Audio, Video) und native Tool-Anbindung, um Workflows wie Code-Interpretation, Datenanalyse und Terminmanagement in einem Prompt zu ermöglichen.

Diese Übersicht zeigt, wie sich die künstliche Intelligenz von einfachen symbolischen Systemen zu hochkomplexen multimodalen Assistenten entwickelt hat. Jeder Meilenstein spiegelt sowohl technologische Fortschritte als auch neue Anforderungen an Governance und Ethik wider.

Genki Albert Absmeier

Die Entwicklung von GPT-3 bis GPT-5

GPT-3 (2020)

GPT-3 erschien im Juni 2020 und stellte einen massiven Skalierungssprung gegenüber GPT-2 dar. Es verfügte über rund 100 Mal mehr Parameter als sein Vorgänger und ermöglichte erstmals kohärente Textgenerierung in menschenähnlicher Länge und Qualität.

Einführung von Few-Shot- und Zero-Shot-Learning: Nutzer konnten das Modell mit wenigen Beispielen anweisen und für neue Aufgaben einsetzen.
Erste breit angelegte API-Integration: Entwickler gewannen einfachen Zugriff auf leistungsstarke Sprachmodelle.
Anwendungsschwerpunkte: Chatbots, automatisierte Textproduktion, Prototyping von Content-Workflows.

GPT-3.5 und ChatGPT (2022)

Im November 2022 setzte OpenAI mit ChatGPT einen neuen Standard für nutzerfreundliche KI-Interaktion. Das zugrunde liegende Modell (GPT-3.5) bot:

Optimierte Antwortkohärenz und Kontextbezug innerhalb eines Dialogs.
Niedrigere Latenz und verbesserte Stabilität im kostenfreien Chat-Interface.
Breite Öffentlichkeit: Durch einfache Web-UI jagte ChatGPT alte Hürden für KI-Nutzer in der Breite.

GPT-4 (2023)

März 2023 markierte den Launch von GPT-4, das in mehreren Dimensionen fortschrittlicher war als alle bisherigen Versionen:

Multimodalität: Neben Textverarbeitung erstmals Unterstützung von Bild-Inputs.
Größeres Kontextfenster: Deutlich längere Unterhaltungen und Dokumentanalysen konnten auf einmal verarbeitet werden.
Verbesserte Reasoning-Fähigkeiten: Stärkere Leistung bei komplexen logischen und abstrakten Aufgaben.
Robustere Guardrails: Weniger Halluzinationen und gezielteres Fehlermanagement.

Zwischenstufe: GPT-4.5 (Februar 2025)

Am 12. Februar 2025 veröffentlichte Sam Altman eine Roadmap, die GPT-4.5 ankündigte und es in eine einheitliche Produktfamilie mit GPT-5 einordnete. Unter dem Schlagwort »magic unified intelligence« sollen alle Modelle künftig nahtlos miteinander verschmelzen, um für jede Anfrage automatisch die passende Kapazität und Funktionalität zu wählen.

Geschärfte Spezialmodule für kodierungsnahe Aufgaben und wissenschaftliches Reasoning.
Optimierungen in Latenz und Kostenstruktur bei API-Aufrufen.
Vorbereitung der Infrastruktur für den nahtlosen Übergang zu GPT-5.

GPT-5 (August 2025)

Mit GPT-5 erreicht OpenAI laut eigener Aussage einen neuen Quantensprung in Architektur und Anwendungsbreite. GPT-5 führt multimodales Verstehen und Kontrolllogiken in einem einheitlichen System zusammen und agiert zunehmend als kognitives Assistenzsystem.

Vollintegrierte Multimodalität: Verarbeitung von Text, Bildern, Audio und Video in einer einzigen Anfrage.
Tiefere Kontextverständnismodelle: Nutzung umfangreicher Datensätze und erweiterter Kontrolllogiken für präzisere Antworten.
Kognitive Assistenz: Ausführung komplexer Workflows und adaptive Entscheidungsfindung, die über reine Textgenerierung hinausgehen.
Gesellschaftliche, ethische und wirtschaftliche Implikationen: Einsatz in Bildung, Medizin und Industrie wirft neue Governance- und Datenschutzfragen auf.

GPT-5 symbolisiert damit den aktuellen Höhepunkt der »intelligenten Automatisierung«, in der Maschinen nicht nur textbasiert kommunizieren, sondern als interaktive Partner in vielfältigen Domänen fungieren.

Genki Albert Absmeier

GPT-5: Was es kann – und was (noch) nicht

10. August 2025

Illustration Absmeier foto freepik

GPT-5 ist das bislang leistungsstärkste Sprachmodell von OpenAI und bringt zahlreiche Verbesserungen gegenüber seinen Vorgängern. Dennoch gibt es auch Grenzen, die Nutzer kennen sollten.

✅ Was GPT-5 kann

Intelligente Antwortsteuerung

Nutzt ein hybrides Modell: schnelle Antworten bei einfachen Fragen, tiefes Denken („Thinking Mode“) bei komplexen Aufgaben2.
Erkennt automatisch, wann intensives Nachdenken nötig ist – etwa bei logischen, medizinischen oder rechtlichen Fragen.

Höchste Genauigkeit und weniger Halluzinationen

45 % weniger Fehler als GPT-4o, 80 % weniger als ältere Modelle1.
Besonders zuverlässig bei offenen Fragen, medizinischen Informationen und wissenschaftlichem Reasoning3.

Programmierung & Softwareentwicklung

Erstellt komplette Web-Apps, Spiele oder Tools aus einem einzigen Prompt3.
Beherrscht komplexe Frontend-Designs, Debugging und Code-Optimierung6.

Kreatives Schreiben & Stilkontrolle

Kann Texte in literarischen Formen wie iambischem Pentameter oder freier Lyrik verfassen.
Unterstützt verschiedene Tonlagen: sachlich, unterstützend, technisch – je nach Nutzerwunsch.

Medizinische Kompetenz

Höchste Punktzahl auf dem HealthBench-Test.
Erkennt potenzielle Risiken, stellt Rückfragen und passt Antworten an Wissensstand und Region an.

Tool-Integration & API-Funktionen

Unterstützt freie Tool-Calls: SQL, Python, CLI-Befehle etc..
Kann mit Gmail, SharePoint und Kalendern interagieren (in ChatGPT-Agenten).

❌ Was GPT-5 (noch) nicht kann

Kontinuierliches Lernen

Lernt nicht live aus neuen Informationen oder Gesprächen.
Kein dynamisches Fine-Tuning während der Nutzung – Updates erfolgen zentral durch OpenAI.

Begrenzte Kreativität

Einige Nutzer berichten von weniger emotionaler Tiefe und kürzeren Antworten im Vergleich zu GPT-4o.
Charakterkonsistenz in längeren Texten kann schwanken.

Geschwindigkeit & Token-Ausgabe

Teilweise langsamer als erwartet, besonders bei komplexen Aufgaben.
Antwortlänge wird manchmal künstlich begrenzt – vermutlich zur Kostensenkung.

Modellumschaltung nicht transparent

Nutzer können nicht mehr selbst zwischen Modellen wählen2.
Router entscheidet automatisch, ob „Thinking Mode“ aktiviert wird – was nicht immer zuverlässig funktioniert.

Biologische & chemische Sicherheit

GPT-5 wird als „High Capability“ in sensiblen Bereichen eingestuft.
OpenAI hat Schutzmaßnahmen aktiviert, um Missbrauch zu verhindern – etwa bei Bioengineering-Fragen.

Genki Albert Absmeier

Vorteile und Nachteile von GPT-5

Vorteile

Einheitliches, intelligentes Modell

GPT-5 vereint verschiedene Vorgängermodelle in einer Engine und wählt automatisch jene Architektur, die für eine Anfrage am geeignetsten ist.

Nutzer müssen nicht mehr manuell zwischen GPT-4.1, GPT-4o oder anderen Versionen wechseln.
Das Modell entscheidet je nach Komplexität und Thema, ob es den »Thinking-Mode« einsetzen soll.
Dadurch erhalten Anwender stets die optimale Balance aus Geschwindigkeit und Tiefe.

Verbesserte Denkprozesse (»Thinking-Mode«)

Das neue »Thinking-Mode« führt intern eine mehrstufige Überlegung durch, bevor eine Antwort ausgegeben wird.

Steigert die Qualität und Präzision bei komplexen Anfragen.
Proaktive Rückfragen ermöglichen einen interaktiven Dialog auf Expertenniveau.
Auch in der Gratis-Version kann dieser Modus nun zumindest einmal pro Tag genutzt werden.

Größeres Kontextfenster und Multimodalität

GPT-5 unterstützt ein Kontextfenster von bis zu 5 Millionen Tokens und verarbeitet gleichzeitig Text, Bilder, Audio und Video.

Erlaubt das Arbeiten mit ganzen Dokumenten, umfangreichen Codebasen und Multimedia-Inhalten.
Multimodale Eingaben können in einer einzigen Anfrage kombiniert werden.
Ideal für Anwendungen, die große Datenmengen oder verschiedene Medienformate analysieren müssen.

Langfristiges Memory und Tool-Integration

Persistente Speicherfunktionen und direkte Einbindung von Tools erweitern den praktischen Nutzen erheblich.

GPT-5 behält konfigurierbar Informationen aus früheren Unterhaltungen und reagiert darauf.
Werkzeuge wie Code Interpreter, Browser und Custom Functions sind nativ verfügbar.
Verbessert die Automatisierung und reduziert Wiederholungsfragen im laufenden Dialog.

Leistungssteigerungen: Geschwindigkeit, Zuverlässigkeit und Genauigkeit

OpenAI bezeichnet GPT-5 als ihr klügstes, schnellstes und nützlichstes Modell.

Deutliche Reduktion von Halluzinationen im Vergleich zu älteren Versionen.
Schnellere Antwortzeiten und geringere Latenz, insbesondere bei API-Anfragen.
Höhere Präzision in Fachbereichen wie Programmierung (Frontend, Codeerstellung) und Gesundheitsfragen.

Strategische Preispolitik und breiter Zugang

OpenAI bietet GPT-5 kostenlos an, um Marktanteile zu gewinnen, setzt aber Limits für Gratis-Nutzer.

Entwickler und Unternehmen profitieren von aggressiver Preisgestaltung über die API.
Kostenloser Zugang für Privatnutzer, jedoch mit gedrosselter Mini-Variante bei hohem Volumen.
Plus- und Pro-Abonnements schalten uneingeschränkte Funktionalität und höhere Intelligenzstufen frei.

Spezialvarianten für unterschiedliche Anwendungsfälle

Ein durchgesickertes Leak enthüllte vier GPT-5-Modelvarianten für maßgeschneiderte Einsatzzwecke.

GPT-5 (Base) für komplexes Reasoning und mehrstufige Aufgaben.
GPT-5-Mini für kostenbewusste, standardintelligente Anwendungen.
GPT-5-Nano für extrem niedrige Latenz und Echtzeitsysteme.
GPT-5-Chat für kontextbewusste, unternehmensnahe Dialogsysteme.

Nachteile

Nutzungsbeschränkungen und Abonnementstufen

Die Gratis-Version ist in Funktionalität und Volumen limitiert.

Thinking-Mode nur einmal täglich zugänglich, danach Abschaltung.
Automatischer Wechsel zu GPT-5-Mini bei Überschreiten von Freikontingenten.
Uneingeschränkte Nutzung erfordert Plus- (≈ 20 $/Monat) oder Pro-Abo (≈ 200 $/Monat). 4

Halluzinationen und Zuverlässigkeit noch nicht vollständig gelöst

Trotz Verbesserungen sind sachliche Fehler weiterhin möglich.

Offizielle Benchmarks zur Reduzierung von falschen Angaben stehen noch aus.
Kritiker warnen, dass die breite Anwendung erst beweisen muss, wie robust die Faktenbasis ist.

Komplexität und Lernkurve für Entwickler

Die Vielfalt an Varianten und Features erhöht die Einarbeitungszeit.

Auswahl der optimalen Modelvariante erfordert technisches Verständnis.
Integration von Memory- und Tool-Funktionen über API kann komplex sein.
Für Enterprise-Kunden existiert Warteliste zur API-Freischaltung.

Datenschutz und ethische Fragestellungen

Persistentes Memory und multimodale Verarbeitung werfen neue Fragen auf.

Speicherung persönlicher Daten in Langzeitgedächtnis erfordert sorgfältige Governance.
Multimodale Analysen bergen Risiken bei sensiblen Bildern oder Audio-Daten.

Geringe Innovationssprünge laut Kritik

Einige Experten sehen GPT-5 eher als evolutionären Schritt denn als Revolution.

Präsentation enthielt einen peinlichen Chart-Fauxpas, der Fragen zur Sorgfalt aufwarf.
Nutzer berichten, dass sich das Nutzererlebnis gegenüber GPT-4 nur marginal anders anfühlt.

Genki Absmeier

Die Entwicklung von GPT-3 bis GPT-5

GPT-3 (2020)

Einführung von Few-Shot- und Zero-Shot-Learning: Nutzer konnten das Modell mit wenigen Beispielen anweisen und für neue Aufgaben einsetzen.
Erste breit angelegte API-Integration: Entwickler gewannen einfachen Zugriff auf leistungsstarke Sprachmodelle.
Anwendungsschwerpunkte: Chatbots, automatisierte Textproduktion, Prototyping von Content-Workflows.

GPT-3.5 und ChatGPT (2022)

Im November 2022 setzte OpenAI mit ChatGPT einen neuen Standard für nutzerfreundliche KI-Interaktion. Das zugrunde liegende Modell (GPT-3.5) bot:

Optimierte Antwortkohärenz und Kontextbezug innerhalb eines Dialogs.
Niedrigere Latenz und verbesserte Stabilität im kostenfreien Chat-Interface.
Breite Öffentlichkeit: Durch einfache Web-UI jagte ChatGPT alte Hürden für KI-Nutzer in der Breite.

GPT-4 (2023)

März 2023 markierte den Launch von GPT-4, das in mehreren Dimensionen fortschrittlicher war als alle bisherigen Versionen:

Multimodalität: Neben Textverarbeitung erstmals Unterstützung von Bild-Inputs.
Größeres Kontextfenster: Deutlich längere Unterhaltungen und Dokumentanalysen konnten auf einmal verarbeitet werden.
Verbesserte Reasoning-Fähigkeiten: Stärkere Leistung bei komplexen logischen und abstrakten Aufgaben.
Robustere Guardrails: Weniger Halluzinationen und gezielteres Fehlermanagement.

Zwischenstufe: GPT-4.5 (Februar 2025)

Geschärfte Spezialmodule für kodierungsnahe Aufgaben und wissenschaftliches Reasoning.
Optimierungen in Latenz und Kostenstruktur bei API-Aufrufen.
Vorbereitung der Infrastruktur für den nahtlosen Übergang zu GPT-5.

GPT-5 (August 2025)

Vollintegrierte Multimodalität: Verarbeitung von Text, Bildern, Audio und Video in einer einzigen Anfrage.
Tiefere Kontextverständnismodelle: Nutzung umfangreicher Datensätze und erweiterter Kontrolllogiken für präzisere Antworten.
Kognitive Assistenz: Ausführung komplexer Workflows und adaptive Entscheidungsfindung, die über reine Textgenerierung hinausgehen.
Gesellschaftliche, ethische und wirtschaftliche Implikationen: Einsatz in Bildung, Medizin und Industrie wirft neue Governance- und Datenschutzfragen auf.

Genki Absmeier

10698 Artikel zu „KI“

News | Trends Wirtschaft | Business | Trends Security | IT-Security | Kommentar

Cybersecurity: Sind Schulungen im Zeitalter von KI noch sinnvoll?

9. August 2025

Ein Kommentar von Richard Werner, Security Advisor bei Trend Micro Wir müssen aufhören, die Schuld abzuschieben. Auch wenn es unpopulär ist: der Schutz des Unternehmens bleibt Aufgabe der IT-Sicherheitsabteilung. Andere Mitarbeitende können lediglich eine unterstützende Funktion einnehmen, indem sie gefährliche Mails rechtzeitig erkennen. Das ist nicht selbstverständlich und wird in Zukunft immer seltener passieren –…