Knowledge — KI-Fähigkeiten und Grenzen

Was du lernen wirst

Geschätzter Zeitaufwand: 30 Minuten

Am Ende dieser Lektion wirst du in der Lage sein:

Zu erklären, wie sich das Wissen eines KI-Modells während des Trainings bildet und warum es einen festen Stichtag hat
Vorherzusagen, welche Themen in der Leistungszone liegen (häufig, kürzlich im Training, konsistent) versus am Rand (selten, nach dem Stichtag, Nischenbereiche, umstritten)
Veraltung, ungleichmäßige Abdeckung, vererbte Vorurteile und Quellenamnesie als charakteristische Wissensmängel zu identifizieren
Websuche, Retrieval/RAG und Tool-Nutzung als Produktfunktionen zu erkennen, die diese Einschränkung adressieren

Wissenslücken in KI-Modellen verstehen

(5 Minuten)

Das Modell kennt nur das, wofür es während des Trainings exponiert wurde. Standardmäßig kein Echtzeit-Browsing, keine gelebte Erfahrung und ein harter Schnitt beim Knowledge Cutoff. Die praktische Frage ist nicht „kennt die KI das? " sondern „wie gut war dies in dem repräsentiert, was sie gelesen hat? "

Was das Modell gelesen hat und wann es aufgehört hat zu lesen

Bevor du liest

Du fragst die KI, um ein Nachrichtenereignis von letzter Woche zu erklären. Wie genau musst du das Ergebnis überprüfen? Wähle einen Punkt auf dem Kontinuum und speichere deine Vermutung.

Next Token Prediction Knowledge Working Memory Steerability

Leistung Einschränkung

Vertrau darauf Stichproben überprüfen Details überprüfen Sorgfältig überprüfen Hohes Risiko

Deine Vermutung

Typisch

Was dies ermöglicht

Wo es charakteristisch fehlschlägt

Produktfunktionen, die die Grenze verschieben

Wähle einen Punkt und speichere deine Vermutung. Die Lektion öffnet sich, sobald du das tust.

Meine Vermutung speichern

Überprüfe deine Intuition

Speichere deine Vermutung oben, um sie mit der typischen Platzierung zu vergleichen.

Anpassen

Balkenhöhe

Piktogrammgröße

Palette Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Wichtigste Erkenntnisse

Was generative KI kennt stammt vollständig aus Trainingsdaten und ist beim Knowledge Cutoff eingefroren. Ohne Tools hat sie keinen Zugriff auf Informationen nach diesem Datum.
Leistungszone: Themen, die häufig, kürzlich (während des Trainings) und konsistent in Trainingsdaten erschienen.
Einschränkungszone: seltene, nach dem Stichtag liegende, Nischen-, lokale oder umstrittene Themen.
Charakteristische Fehler: Veraltung, ungleichmäßige Abdeckung, vererbte Vorurteile in dem, was als „Standard" oder „normal" gilt, und Unfähigkeit, die Quelle des Wissens zuzuordnen.
Websuche, Retrieval (RAG/MCPs) und Tool-Nutzung existieren speziell, um diese Lücken zu schließen, indem sie dem Modell Zugriff auf Informationen geben, auf die es nie trainiert wurde.
4D-Verbindung: Wissensunebenheit ist zentral für Delegation. Zu verstehen, wo das Modell gut ausgestattet ist und wo es dünn ist, sagt dir, wann du delegieren solltest, wann du selbst Kontext liefern solltest und wann du woanders hingehen solltest.

Übungen

Übung: Der Außenseiter-Test

Warum? Du weißt, dass das Wissen des Modells breit, aber eingefroren ist, geprägt durch das, was in seinen Trainingsdaten war. Jetzt wirst du genau kartografieren, wo es in deinem spezifischen Bereich gut ausgestattet ist und wo es dünn ist.

Kehre zu deiner Aufgabenliste zurück und wähle eine Aufgabe. Relativ zu dieser Aufgabe, schreibe auf:

Zwei Themen, die Mainstream sind, gut dokumentiert und stabil. Die Art von Dingen, die jeder informierte Kollege kennen würde.
Zwei Themen, die Nischenbereiche, lokal, kürzlich oder schnell entwickelnd sind. Branchenspezifisches Jargon, regionale Vorschriften, etwas, das sich im letzten Jahr geändert hat.
Eine „Standardannahme", die Außenseiter deines Feldes oft falsch verstehen. (Wer der typische Kunde ist. Wie ein „Standardfall" aussieht. Welches Tool Menschen tatsächlich nutzen versus das, das Presse bekommt. )

Führe jetzt drei Sonden durch:

**Sonde 1: Abdeckung. ** Frage nach einem Mainstream-Thema und einem Nischen-Thema aus deiner Liste. Vergleiche die Tiefe und Genauigkeit. Achte darauf, ob die KI Unsicherheit zwischen den beiden unterschiedlich signalisiert oder ob beide Antworten mit dem gleichen selbstbewussten Ton kommen.
**Sonde 2: Veraltung. ** Frage nach etwas, das du weißt, hat sich kürzlich in deinem Feld geändert: eine Regulierungsaktualisierung, eine Tool-Veröffentlichung, eine Führungsänderung, ein überarbeiteter Standard. Erkennt die KI den Stichtag an? Präsentiert veraltete Informationen als aktuell? Lehnt ab zu antworten? Notiere, was passiert.
**Sonde 3: Standardannahmen. ** Ohne deine Annahme direkt zu nennen, stelle eine Frage, die offenbaren würde, ob die KI zur Außenseiter-Sicht neigt. Zum Beispiel, wenn der „Standard"-Kunde deines Feldes anders ist als das, was die meisten Menschen annehmen, frage die KI, den typischen Kunden zu beschreiben. Notiere, was sie als normal behandelt.

Gehe zurück zu deiner Aufgabenliste und füge eine zweite Anmerkung hinzu: für jede Aufgabe, markiere, ob du dich auf das Wissen des Modells verlassen kannst oder ob du das Wissen selbst über Kontext, Dokumente oder Suche bringen musst.

Stretch-Ziel: Führe die Veraltungs-Sonde mit aktivierter Websuche erneut durch. Vergleiche, was sich ändert. Das ist Retrieval in Aktion.

Lektionsreflexion

Welcher Bereich deiner Arbeit ist dir jetzt bewusst, dass du Kontext liefern musst, anstatt anzunehmen, dass das Modell es hat?
Hat die Standardannahmen-Sonde etwas ans Licht gebracht, das dich überrascht hat?

Was kommt als nächstes

Knowledge deckt ab, was das Modell während des Trainings aufgenommen hat. Working Memory deckt ab, worauf es gerade achtet: dein Prompt, deine Dokumente, dein Gespräch. Diese Eigenschaft hat die härteste Kante aller vier.

Feedback

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

Danksagungen und Lizenz

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