Was können KI-Agenten? Wie denken sie? Und was hat das mit dir zu tun? — In vier Akten erklärt.
Du gehst vorbei. Im Fenster dreht sich ein 3D-Modell. Daneben ein QR-Code. Du hältst dein Telefon hin. Jemand fragt: „Was brauchst du?"
Du fotografierst das Teil. Schreibst diesen einen Satz. Und dann passiert etwas — das hier zeigt wie.
Lokal? Zwei Straßen weiter? München? Der Agent prüft Preise, Kapazität, Lieferzeit — in Sekunden. Er beauftragt den optimalen Drucker.
Dein Modell ist gut. Der Agent weiß das. Etsy, Printables, MakerWorld. Er schreibt die Beschreibung, setzt den Preis, antwortet auf Fragen.
Eine Person. Fünf Agenten. Design, Produktion, Vertrieb, Einkauf, Kundendienst. Das ist keine Zukunft.
Aber was ist da eigentlich drin? → Wir zoomen rein.
Ein Chatbot antwortet. Ein Agent handelt. Er hat ein Ziel. Er macht einen Plan. Er benutzt Werkzeuge. Er schaut ob es geklappt hat. Und macht weiter.
Browser öffnen. Code schreiben. Bilder analysieren. Kalender setzen. APIs aufrufen. Dinge bestellen. Der Agent wählt das richtige Werkzeug — genau wie du.
Komplexe Jobs brauchen Teams. Auch Agenten-Teams. Einer plant. Einer recherchiert. Einer designt. Einer verkauft. Sie reden miteinander.
Im Inneren des Agenten sitzt ein Sprachmodell. Das ist die eigentliche Denkmaschine. Verblüffend einfach — und verblüffend komplex.
Für einen Computer gibt es keine Buchstaben. Es gibt nur Zahlen. Das H in „Halterung" ist die Zahl 72. Das a ist 97. Das ist keine Magie — das ist eine Vereinbarung.
Das Modell hat Text gefressen. Sehr, sehr viel. Das gesamte Web. Millionen Bücher. Milliarden Posts. Code. Nachrichten. Auch Thingiverse-Beschreibungen von 3D-Modellen.
Das Modell liest nicht Buchstabe für Buchstabe. Es liest Stücke — Tokens. Manchmal ein ganzes Wort. Manchmal nur eine Silbe.
„Halterung" = Halterung — 2 Tokens!
Das Modell kennt nicht die Bedeutung von Wörtern. Es kennt ihre Nachbarschaft. „Halterung" liegt nah bei „Bracket" und „Mount". Das ist keine Magie — das ist Geometrie.
Klick auf ein Wort um seine Nachbarn zu sehen.
Jeder Läufer ist ein Neuron. Er kriegt Zahlen rein. Multipliziert sie mit seinen eigenen Gewichten. Addiert alles. Gibt das Ergebnis weiter.
Viele Neuronen nebeneinander = eine Schicht. Viele Schichten übereinander = das Netzwerk.
GPT-4 hat 96 solcher Schichten. Claude hat über 100. Jede Schicht verfeinert das Verständnis.
Stell dir ein riesiges Mischpult vor — wie im Tonstudio, nur mit 175 Milliarden Schiebereglern. Jeder Regler ist ein Gewicht.
Regler hoch = diese Verbindung ist wichtig.
Regler runter = diese Verbindung ignorieren.
Zusammen steuern diese 175 Milliarden Regler alles was das Modell „weiß". Bevor Training: alle Regler zufällig eingestellt. Nach Training: perfekt abgestimmt.
Das Token „Halterung" kommt rein als Vektor — eine Reihe von Zahlen. Dann fährt es durch alle Schichten, Etage für Etage.
In jeder Etage passiert dasselbe: Attention (was gehört zusammen?) + Feed-Forward (Wissen aus dem Training anwenden).
Am Ende der letzten Etage: das Modell weiß, welches Wort am wahrscheinlichsten als nächstes kommt.
Das Modell rät: „Das nächste Wort in ‚Die Halterung sitzt auf dem ___' ist … Dach." Richtige Antwort: Tisch.
Der Abstand zwischen Vorhersage und Realität heißt Loss — der Fehler. Je größer der Loss, desto schlechter das Modell. Training-Ziel: Loss so klein wie möglich.
Diese Messung passiert für jedes einzelne Wort im gesamten Trainings-Datensatz. Billionen Mal.
Wenn das Modell falsch lag, bekommt jeder Regler einen kleinen Schuldzettel. Wer mehr zur Falschantwort beigetragen hat, kriegt mehr Schuld. Das nennt sich Backpropagation.
Dann passt sich jeder Regler winzig an — in die Richtung die den Fehler kleiner macht. Das nennt sich Gradient Descent: immer ein kleines Stück bergab, Richtung Tal.
GPT-4 Training: ~10.000 GPUs · 90 Tage · $100 Mio. Dieser Klick: 1 von 10 Billionen solcher Schritte.
In jeder Schicht fragt jedes Wort alle anderen: „Bist du für mich relevant?" Die Antwort ist eine Zahl zwischen 0 und 1. Das ist Attention.
Drei Rollen: Query (was suche ich?), Key (was biete ich an?), Value (was gebe ich wenn ich gefunden wurde?).
Klick auf ein Wort.
Jede der 96 Schichten versteht das Wort ein bisschen tiefer. Die erste Schicht erkennt Buchstabengruppen. Die zehnte erkennt Grammatik. Die fünfzigste versteht Kontext. Die letzte kennt die Absicht.
Das ist kein Design — das ist was das Netz von selbst lernt wenn man es mit genug Texten füttert.
Niemand hat gesagt: „Schicht 12 ist für Grammatik." Das entstand durch Training.
Das Modell rät ein Wort. Schaut auf das was es geschrieben hat. Rät das nächste. Und so weiter.
Ein rohes Sprachmodell schreibt einfach weiter. Erst durch weiteres Training wird es hilfreich. Erst durch Werkzeuge wird es zum Agenten.
Das Foto des Sensors — das ist für das Modell auch nur eine lange Zahlenreihe. Pixel für Pixel. Das Modell hat gelernt, auch Bilder zu lesen.
Dall-E, Midjourney — die fangen mit Rauschen an. Und lernen wie man das Rauschen wegputzt bis ein Bild entsteht.
Prompt: „Metallhalterung, industriell"
Es gibt nicht eine KI. Es gibt viele. Klick auf ein Modell.
Nicht alles. Nicht nichts. Manche Dinge werden leichter. Manche Jobs verändern sich. Neue entstehen. Das kennen wir — beim Strom war's genauso.
Was du jetzt verstehst ist die Mechanik von 2024. 2025: Agenten die Pläne machen. 2026: Teams von Agenten. Was kommt als nächstes?
Die Zwiebel ist offen. Von innen nach außen: das LLM denkt, der Agent handelt, die Maschine produziert.
Du hast einen Prusa. Du kaufst und verkaufst schon. Du baust Dinge. Das ist genau der Startpunkt.
Fragen? Meld dich.