Sprachmodell (LLM)

Was bedeutet Sprachmodell (LLM)?

Ein Large Language Model wird darauf trainiert, Textfortsetzungen vorherzusagen, und zwar nicht Wort für Wort, sondern in Tokens, also Wörtern und Wortteilen. Grundlage fast aller heutigen Modelle ist die Transformer-Architektur aus dem Paper „Attention Is All You Need“ (Vaswani et al., 2017). Dass solche Modelle mit wachsender Größe Aufgaben aus wenigen Beispielen lösen, zeigte 2020 GPT-3 (Brown et al.). Ein Sprachmodell ist nicht dasselbe wie ein Chatbot oder eine KI-Suchmaschine: Diese Produkte bauen Suche, Regeln und Oberfläche um das Modell herum.

Auch genannt:LLMLarge Language Modelgroßes SprachmodellKI-Modell

So funktioniert es in der Praxis

Aus der einfachen Trainingsaufgabe entsteht die Fähigkeit, Fragen zu beantworten, zusammenzufassen und zu formulieren. Das Modell speichert dabei kein Faktenverzeichnis, sondern statistische Muster in seinen Gewichten, das sogenannte parametrische Wissen. Das erklärt, warum es Aussagen erzeugen kann, die plausibel klingen und trotzdem falsch sind. Es erklärt auch, warum ein Modell über ein Unternehmen, das selten erwähnt wurde, wenig oder Verwechseltes weiß.

Für die Sichtbarkeit sind drei Eigenschaften entscheidend. Erstens der Trainingsstand: Was nach dem Training-Cutoff passiert ist, kennt das Modell nur, wenn es live nachschlägt. Zweitens die Nichtdeterminiertheit: Dieselbe Frage kann in zwei Läufen verschiedene Antworten liefern, weil bei der Auswahl des nächsten Tokens Zufall im Spiel ist, gesteuert unter anderem über die Temperatur. Drittens das Produkt drumherum: Ob ein System im Web sucht, welche Quellen es bevorzugt und wie es zitiert, legt der Anbieter fest, nicht das Modell.

Ein verbreitetes Missverständnis lautet, ein Modell „durchsuche“ beim Antworten seine Trainingsdaten. Das tut es nicht. Es erzeugt Text aus gelernten Wahrscheinlichkeiten. Eine echte Suche findet nur statt, wenn das Produkt eine Suchkomponente vorschaltet, wie bei ChatGPT Search, Perplexity oder den KI-Funktionen der Google-Suche. Genau diese Kombination beschreibt RAG. Auch Reasoning-Modelle, die vor der Antwort Zwischenschritte erzeugen, ändern daran nichts; sie planen gründlicher, bleiben aber auf dieselben zwei Wissensquellen angewiesen.

Was ein System über dein Unternehmen sagt, stammt also aus dem Training oder aus dem Live-Abruf. Das Training kannst du nur langfristig beeinflussen, indem öffentliche, konsistente Informationen über dich existieren und Trainings-Crawler nicht blockiert sind. Der Live-Abruf reagiert schneller: Quellen, die heute indexiert, erreichbar und eindeutig sind, können schon in den nächsten Antworten auftauchen. Darauf zielt seriöse GEO-Arbeit, und dort entscheidet sich, ob Halluzinationen über dich seltener werden.

So sieht das konkret aus

Wenn du das nicht selbst aufbauen willst: Technik für KI-Sichtbarkeit: Crawler, Schema, llms.txt →

Verwandte Begriffe

Quellen: Vaswani et al.: Attention Is All You Need (arXiv 1706.03762, 2017) (Stand September 2026) · Brown et al.: Language Models are Few-Shot Learners (arXiv 2005.14165, 2020) (Stand September 2026)

Begriffe der KI-Suche verschieben sich schnell. Wir prüfen diesen Eintrag gegen die Dokumentation der Anbieter und aktualisieren ihn, wenn sich etwas ändert. Zurück zum Glossar