Ein LLM tut im Kern eine Sache: das wahrscheinlich nächste Wortstück vorhersagen, Milliarden Mal geübt an Text aus dem Internet, aus Büchern, aus Code. Aus dieser simplen Aufgabe entsteht erstaunlich viel — Übersetzen, Zusammenfassen, Argumentieren. Was nicht entsteht: ein eingebauter Begriff von wahr und falsch. Das Modell kennt Plausibilität, keine Wahrheit.
Ein Beispiel
Ein LLM beantwortet keine Frage. Es setzt einen Text fort. Auf „Die Hauptstadt von Frankreich ist“ folgt „Paris“, weil diese Fortsetzung in den Trainingstexten überwältigend häufig war. Auf „Die Rechtsprechung des BGH zu Az. VIII ZR 402/19 besagt“ folgt ebenfalls eine flüssige Fortsetzung — auch dann, wenn es dieses Aktenzeichen nie gab. Das Modell unterscheidet die beiden Fälle nicht, weil es in beiden dieselbe Operation ausführt: die wahrscheinlichste Fortsetzung erzeugen.
Genauer betrachtet
Ein LLM schätzt für jede Position die Wahrscheinlichkeit des nächsten Tokens und wählt daraus aus. Die Fähigkeiten, die dabei sichtbar werden — übersetzen, zusammenfassen, programmieren — sind nicht einzeln antrainiert, sondern Nebenprodukte dieser einen Aufgabe auf sehr großen Textmengen.
Warum das zählt
Aus dieser einen Eigenschaft folgt fast alles, was man im Betrieb wissen muss. Ein LLM ist stark, wo Sprachform die Aufgabe ist: umformulieren, zusammenfassen, übersetzen, strukturieren, Entwürfe erzeugen. Es ist unzuverlässig, wo Faktentreue die Aufgabe ist und die Fakten nicht im Kontext stehen. Die Konsequenz ist keine Warnung, sondern ein Bauprinzip: Wer belastbare Auskünfte will, gibt dem Modell die Quelle mit, statt sich auf sein Gedächtnis zu verlassen. Genau das leisten Grounding und Retrieval-Augmented Generation.
Häufig missverstanden
Ein Sprachmodell hat keine Datenbank, in der es nachschlägt, und keine Trennung zwischen dem, was es weiß, und dem, was es plausibel ergänzt. Deshalb klingen richtige und falsche Antworten gleich.