Was ein Sprachmodell ist

Wenn über KI geredet wird, fallen drei Wörter fast immer durcheinander: KI, Sprachmodell und der Name irgendeines Programms. Sie meinen nicht dasselbe, und der Unterschied ist der Anfang von allem.

Drei Dinge, die oft verwechselt werden

Ein Sprachmodell ist ein Bauteil. Man kann es nicht anfassen und nicht starten; es ist eine sehr große Datei mit Zahlen, die aus Text weiteren Text erzeugen kann. Für sich allein tut es nichts.

Eine Anwendung ist das, was Sie bedienen. Sie hat ein Eingabefeld, merkt sich das Gespräch, kann Dateien annehmen und im Netz nachschlagen. Im Inneren benutzt sie ein Sprachmodell.

KI ist der Oberbegriff für das ganze Feld. Sprachmodelle sind ein Teil davon, aber längst nicht alles.

Das Beispiel, das man sich merken kann

ChatGPT ist die Anwendung. GPT ist das Sprachmodell.

Das lässt sich an der eigenen Geschichte der beiden zeigen. Als OpenAI ChatGPT am 30. November 2022 veröffentlichte, stand in der Ankündigung (externe Seite, openai.com) kein Modellname mit Versionsnummer. Dort hieß es, ChatGPT sei aus „einem Modell der GPT-3.5-Serie” feinjustiert worden. Die Anwendung bekam einen Namen und ein Gesicht, das Modell darunter blieb ungenannt.

Seitdem wurde dieses Modell mehrfach ausgetauscht: GPT-4 (externe Seite, openai.com) im März 2023, GPT-4o (externe Seite, openai.com) im Mai 2024, danach weitere. Der Name der Anwendung hat sich in dieser Zeit nicht geändert.

seitlich verschiebbar

eigene Darstellung nach den Ankündigungen von OpenAI, Stand 07/2026

Warum die Trennung wichtig ist

Weil sonst Eigenschaften verwechselt werden. Dass ein Chatprogramm eine aktuelle Nachricht kennt, liegt fast nie am Sprachmodell, sondern daran, dass die Anwendung im Netz nachgesehen und das Ergebnis mitgegeben hat. Dass eine Rechnung stimmt, liegt oft daran, dass die Anwendung einen Taschenrechner aufgerufen hat.

Woran Sie es im Alltag merken

Dasselbe Sprachmodell verhält sich in zwei Programmen unterschiedlich. Das eine antwortet knapp, das andere ausführlich; das eine kann Dateien lesen, das andere nicht. Der Unterschied steckt in der Anwendung, nicht im Modell.

Umgekehrt gilt dasselbe: Wenn eine Anwendung von heute auf morgen bessere Antworten gibt, ohne dass sich an der Oberfläche etwas geändert hat, wurde meist das Modell darunter getauscht.

Im nächsten Kapitel geht es darum, was das Bauteil eigentlich tut.

Was umgangssprachlich „die KI” heißt, ist fast nie ein einzelnes Ding, sondern ein Stapel aus mindestens drei Schichten. Wer die trennt, kann Aussagen über KI-Systeme viel genauer beurteilen.

Die drei Schichten

Der Modellkern. Architektur, gelernte Werte und ein Tokenizer. Er nimmt eine Folge von Zahlen entgegen und liefert eine Wahrscheinlichkeitsverteilung für die nächste Zahl zurück. Er hat kein Gedächtnis, keine Uhr, keinen Netzzugang und keinen Zustand zwischen zwei Aufrufen.

Die Laufzeitumgebung. Sie lädt den Kern, nimmt Anfragen über eine Schnittstelle entgegen, setzt Grenzen für Länge und Kosten und ruft Werkzeuge auf, wenn das Modell danach verlangt.

Die Anwendung. Oberfläche, Gesprächsverlauf, Systemanweisung, Dateiverarbeitung, Suche, Rechteverwaltung. Hier entsteht der weitaus größte Teil dessen, was Menschen als Verhalten wahrnehmen.

ChatGPT und GPT, am Kalender aufgezeigt

Die Trennung von Anwendung und Modell ist keine Spitzfindigkeit, sie lässt sich an Daten festmachen.

Wann	Was	Ebene
12.06.2017	„Attention Is All You Need” (externe Seite, arxiv.org) stellt den Transformer vor	Forschung
11.06.2018	GPT-1 (externe Seite, openai.com), erstmals das Muster vortrainieren und nachjustieren	Modell
14.02.2019	GPT-2 (externe Seite, openai.com), das größte Modell zunächst zurückgehalten	Modell
28.05.2020	GPT-3 (externe Seite, arxiv.org), Aufgaben lösen anhand weniger Beispiele im Text	Modell
30.11.2022	ChatGPT (externe Seite, openai.com)	Anwendung
14.03.2023	GPT-4 (externe Seite, openai.com), verarbeitet auch Bilder	Modell
13.05.2024	GPT-4o (externe Seite, openai.com), Text, Bild und Ton in einem Modell	Modell

seitlich verschiebbar

eigene Darstellung nach arXiv und den Ankündigungen von OpenAI, Daten geprüft am 26.07.2026

Zwei Dinge fallen an dieser Reihe auf.

Zwischen der Grundlagenarbeit und dem Moment, in dem die Öffentlichkeit davon Notiz nahm, liegen fünfeinhalb Jahre. Die Technik war 2017 da, GPT-3 konnte 2020 bereits fast alles, was 2022 für Aufsehen sorgte. Was 2022 dazukam, war keine neue Modellgeneration, sondern eine Oberfläche, in die man einfach hineinschreiben konnte. Der Sprung war ein Bedienungssprung.

Die einzige Zeile in der Tabelle, die eine Anwendung nennt, ist die einzige, die fast jeder kennt. Das ist der ganze Punkt dieses Kapitels.

Die Verwechslung hat Folgen

Sie erklärt fast jede unklare Diskussion über KI:

• „Das Modell kann im Internet suchen.” Kann es nicht. Die Anwendung sucht und legt das Gefundene in den Kontext.
• „Das Modell erinnert sich an letzte Woche.” Tut es nicht. Die Anwendung speichert und schickt es erneut mit.
• „Das Modell hat sich verbessert.” Manchmal stimmt das. Oft wurde nur die Anweisung geändert oder ein Werkzeug ergänzt.

Was daraus folgt

Wer ein KI-Vorhaben plant, entscheidet an drei Stellen getrennt: welches Modell, welche Umgebung, welche Anwendung. Die meisten Projekte scheitern nicht an der ersten Frage.

Präzise formuliert ist ein Sprachmodell eine parametrisierte Funktion f(θ): Token-Sequenz → Verteilung über das Vokabular. Alles Weitere ist Umgebung.

Was zum Modell gehört

Die Architektur, die Gewichte θ, das Vokabular und der Tokenizer. Der Tokenizer wird gern vergessen, gehört aber zwingend dazu: Dieselben Gewichte mit einem anderen Vokabular ergeben ein anderes Modell.

Nicht zum Modell gehören: Systemanweisung, Sampling-Parameter, Kontextverwaltung, Werkzeugdefinitionen, Sicherheitsfilter, Zwischenspeicher. Alles davon verändert das beobachtbare Verhalten erheblich, ohne ein einziges Gewicht anzufassen.

Die Serving-Schicht

Zwischen Kern und Anwendung liegt in der Praxis eine eigene Ebene: Stapelverarbeitung mehrerer Anfragen, Wiederverwendung berechneter Zustände, gestreamte Ausgabe, Kontingente. Sie beeinflusst Latenz und Kosten stärker als die Modellwahl und ist der Grund, warum dieselben Gewichte bei zwei Anbietern unterschiedlich teuer und unterschiedlich schnell sind.

Warum die Unterscheidung trotzdem trägt

Weil sie die Frage nach der Zuständigkeit beantwortet. Wenn ein Ergebnis falsch ist, liegt die Ursache in genau einer der Schichten. Ohne die Trennung sucht man im Ganzen, mit ihr sucht man gezielt: Fehlte der Beleg im Kontext, hat das Werkzeug versagt, war die Anweisung mehrdeutig, oder hat der Kern trotz korrekter Eingabe daneben gegriffen.

Der letzte Fall ist der seltenste. Das ist die eigentliche Botschaft dieses Kapitels.