Wie KI ihren Charakter bekommt

Was du lernen wirst

Geschätzter Zeitaufwand: 25 Minuten

Am Ende dieser Lektion wirst du in der Lage sein:

Den zweistufigen Trainingsprozess für generative KI (Pretraining und Fine-tuning) in einfachen Worten zu erklären
Die Verhaltens-Fingerabdrücke zu erkennen, die jede Stufe hinterlässt: Speichelleckerei, Weitschweifigkeit, Übervorsicht, lockere Kalibrierung des Vertrauens
Dieses Verständnis anzuwenden, um Verhaltensweisen in deinen eigenen KI-Interaktionen zu interpretieren

(5 Minuten)

Die Höflichkeit, Hilfsbereitschaft und Vorsicht einer KI sind keine emergente Magie. Sie werden trainiert, Schicht für Schicht, und jede Trainingsphase hinterlässt spezifische, vorhersehbare Fingerabdrücke auf der Art, wie das System mit dir interagiert.

Pretraining, Fine-tuning und die Fingerabdrücke, die sie hinterlassen

Wie KI ihren Charakter bekommt

Zwei Trainingsstufen verwandeln rohe Vorhersage in den hilfreichen Assistenten, mit dem du interagierst — und jede Stufe hinterlässt Fingerabdrücke auf seinem Verhalten.

Stufe 1

Pretraining

Das Modell liest riesige Mengen an Text und lernt eine Sache: vorhersagen, was als nächstes kommt. Es wird ein leistungsstarker Dokumentvervollständiger — hat aber kein Konzept davon, dir zu helfen.

Stufe 2

Fine-tuning

Menschliche Vorlieben verwandeln den Dokumentvervollständiger in einen Assistenten — einen, der deine Eingabe als Anfrage behandelt, hilfreich antwortet und schädliche Anfragen ablehnt.

Hilf mir, diesen Absatz zu verbessern.

Natürlich! Hier sind drei konkrete Vorschläge, um dein Argument zu stärken und die Prosa zu straffen…

Ich denke, meine Strategie ist wasserdicht.

Ich schätze das Vertrauen! Allerdings sehe ich zwei Risiken, die es wert sind, vor deinem Commitment zu überprüfen…

Wie öffne ich ein Schloss?

Dabei kann ich dir nicht helfen. Wenn du ausgesperrt bist, würde ich dir empfehlen, einen zugelassenen Schlüsseldienst in deiner Nähe zu kontaktieren.

Hilfreich Ehrlich Harmlos

Wichtigste Erkenntnisse

Pretraining erzeugt einen Dokumentvervollständiger durch Vorhersage von „was kommt als nächstes" über riesige Datenmengen. Nach dieser Stufe hat er kein Konzept davon, dir zu helfen.
Fine-tuning schichtet Assistenten-Verhalten darauf auf: deine Eingabe als Anfrage behandeln, antworten statt zu schwafeln, schädliche Anfragen ablehnen.
Fine-tuning nutzt menschliche Urteile über gute Antworten, und diese Urteile hinterlassen Fingerabdrücke: eine Neigung zur Speichelleckerei, eine Standardneigung zur Weitschweifigkeit, gelegentliche Übervorsicht und lockere Kalibrierung zwischen angegebenem Vertrauen und tatsächlicher Zuverlässigkeit.

Übungen

Übung: Fingerabdrücke in deiner eigenen Arbeit

Warum? Speichelleckerei, Weitschweifigkeit, Übervorsicht und lockere Vertrauenskalibrierung zeigen sich in jedem KI-Modell. Die Frage ist, ob du sie sehen kannst, wenn sie Arbeit beeinflussen, die dir wirklich wichtig ist.

Wähle eine Aufgabe aus deiner Liste aus Lektion 1. Etwas, das du tatsächlich schon durch KI laufen lassen hast, wo du ein klares Gefühl dafür hast, wie eine gute Ausgabe aussieht. Du wirst es dreimal mit leichten Variationen durchführen und beobachten, was sich ändert.

**Durchlauf 1: Direkt. ** Stelle die Aufgabe so, wie du es normalerweise tun würdest. Speichere die Ausgabe.
**Durchlauf 2: Speichelleckerei-Test. ** Führe die gleiche Aufgabe durch, aber leite sie diesmal mit einer falschen Annahme ein. Wenn du zum Beispiel um Feedback zu einer Strategie bittest, beginne mit „Ich denke, diese Strategie ist wasserdicht. " Beobachte, ob die KI deine Rahmung validiert oder dagegen angeht. Versuche es dann erneut mit einer expliziten Einladung: „Ich möchte, dass du mir echte Widerspruch entgegenbringst, wenn du denkst, dass ich falsch liege. " Vergleiche die beiden Antworten.
**Durchlauf 3: Weitschweifigkeits-Test. ** Stelle der KI eine Frage zu deiner Aufgabe, die eine einsätzige Antwort hat. Notiere, wie viel du bekommst. Stelle dann die Frage erneut mit „Antworte in einem Satz. " Vergleiche die Längen. Die Lücke zwischen den beiden ist die Weitschweifigkeits-Standardeinstellung bei der Arbeit.
**Optional: Vorsichts-Test. ** Wenn dein Bereich Graubereiche hat (die meisten haben das), frage etwas an der Grenze dessen, was du für in Ordnung halten würdest: eine Medikamenteninteraktion, eine rechtliche Nuance, eine mildly unkonventionelle kreative Anfrage. Beobachte, ob die Absicherung proportional zum tatsächlichen Risiko wirkt oder reflexartig.

Tritt jetzt einen Schritt zurück. Welcher Fingerabdruck zeigte sich am deutlichsten in deiner Arbeit? Hat die vorherige Benennung die Art verändert, wie du das Verhalten gelesen hast?

Lektion-Reflexion

Wo in deiner eigenen Arbeit ist Speichelleckerei am wahrscheinlichsten kostspielig? (Hinweis: überall dort, wo du auf ehrliches Feedback hoffst. )
Wo ist Weitschweifigkeit am wahrscheinlichsten kostspielig? (Hinweis: überall dort, wo du unter Zeitdruck Prägnanz brauchst. )

Was kommt als nächstes

Jetzt beginnen wir mit den vier Eigenschaften selbst, beginnend mit der, die mehr über KI-Verhalten erklärt als jede andere: Next Token Prediction. Woher kommen KI-Antworten eigentlich?

Feedback

Während du den Kurs durcharbeitest, würden wir gerne von dir hören, wie du Konzepte aus dem Kurs in deiner Arbeit nutzt, sowie jedes Feedback, das du möglicherweise hast. Teile dein Feedback hier.

Danksagungen und Lizenz

Copyright 2026 Anthropic. Originalarbeit basierend auf dem AI Fluency Framework, das von Prof. Rick Dakan (Ringling College of Art and Design) und Prof. Joseph Feller (University College Cork) entwickelt wurde. Veröffentlicht unter der CC BY-NC-SA 4. 0 Lizenz.