Sprachmodelle für sprachliche Aufgaben – empfohlen
Generative Sprachmodelle sind darauf trainiert, Sprache zu reproduzieren. Daher eignet sich ihr Einsatz besonders für Sprachoptimierungen, Stiländerungen oder Übersetzungen. In diesem Anwendungsbereich sind Fehler vergleichsweise selten. Sprachanwendungen beherrschen grundsätzlich alle leistungsfähigen Sprachmodelle wie z.B. Gemini, ChatGPT oder Claude.
Speziell auf die sprachliche Überarbeitung von Texten ausgerichtet ist jedoch DeepL Write: ein KI-gestütztes Schreibassistenz-Tool, das Texte sprachlich verbessert, alternative Formulierungen vorschlägt und den Stil gezielt anpassen kann.
Sprachmodelle für Inhaltliche Abfragen – mit Vorsicht zu verwenden
In der Technologie von Sprachmodellen sind keine inhaltlichen Konzepte hinterlegt; entsprechend sind Fehler und Unschärfen im Output gut möglich. Da Sprachmodelle Sätze auf Basis von Wahrscheinlichkeiten generieren, bleibt eine gewisse Unschärfe dieser Technologie grundsätzlich erhalten.
Als Faustregel gilt: Gut dokumentierte Themen sind in den Trainingsdaten stark vertreten und werden daher mit höherer Wahrscheinlichkeit korrekt generiert. Bei weniger bekannten, lokalen oder sehr spezifischen Fakten besteht hingegen ein erhöhtes Risiko für inhaltlich falsche Angaben – sogenannte Halluzinationen. Diese klingen oft plausibel und sind sprachlich überzeugend, sind aber inhaltlich unscharf oder falsch. Fakten aus KI-Antworten sollten daher regelmässig mit einer Websuche überprüft und mit zwei bis drei vertrauenswürdigen Quellen abgeglichen werden. Dieser Faktencheck sollte bei der Arbeit mit KI fester Bestandteil der Arbeitsroutine sein.
Die Unschärfe von Sprachmodellen verträgt sich zudem schlecht mit der Präzision, die in naturwissenschaftlichen Bereichen wie Mathematik, Chemie oder Physik erforderlich ist. Für entsprechende Fragestellungen empfiehlt es sich, spezialisierte Tools zu verwenden, etwa Wolfram Alpha oder MathGPT. Bei solchen KI-Tools sind Sprachmodelle mit symbolischen Ansätzen (z. B. mathematischen oder physikalischen Funktionen) gekoppelt, weshalb in der Regel zuverlässigere Ergebnisse zu erwarten, aber Fehler weiterhin wahrscheinlich sind.
Die gleiche Problematik zeigt sich auch beim Erstellen von Quellenangaben. Die Präzision, die korrekte Referenzen erfordern, können viele generative Sprachmodelle nicht zuverlässig leisten. Es ist daher stets mit Fehlern zu rechnen – etwa mit nicht existierenden Publikationen, ungenauen bibliografischen Angaben oder nicht funktionierenden Links.
Texte zusammenfassen lassen
Das Zusammenfassen von Texten ist eine verbreitete Anwendung, die jedoch eine kritische Prüfung erfordert. Da KI nicht zuverlässig beurteilen kann, was in einem bestimmten Kontext relevant und vollständig ist, bleibt es ungewiss, ob alle wichtigen Aspekte des Originaltextes tatsächlich enthalten sind. Es ist hilfreich im Prompt bereits konkret Aspekte zu benennen, welche in der Zusammenfassung zwingend berücksichtigt werden sollen und das Zielpublikum der Zusammenfassung zu benennen.
Ein Upload von Textdokumenten zur Zusammenfassung ist nur zulässig, wenn die Zustimmung der Urhebendenschaft vorliegt. Nicht erlaubt ist es, einen Text, der aus einem geschützten Bibliotheksbereich bezogen wurde, hochzuladen. Anders verhält es sich bei bereits öffentlich zugänglichen Texten; hier ist anzunehmen, dass diese ohnehin schon für KI-Trainingszwecke verwendet wurden.