Glossareintrag
Wir denken. KI tippt mit.
Hybride KI (englisch Hybrid AI) verbindet zwei Ansätze der Künstlichen Intelligenz miteinander: lernende neuronale Netze und fest programmierte Regeln mit formaler Logik. Der Fachbegriff für diese Verbindung lautet neurosymbolische KI (englisch Neuro-Symbolic AI).
Der lernende Teil (meist ein neuronales Netzwerk oder ein Sprachmodell) erkennt Muster in Daten, kann aber halluzinieren und seine Ergebnisse schlecht begründen. Der regelbasierte Teil arbeitet mit festen Wenn-dann-Regeln, rechnet exakt und ist prüfbar. Dazulernen kann er nicht.
Der Begriff hat zwei Nachbarbedeutungen. „Hybride Intelligenz“ meint die Zusammenarbeit von Mensch und KI im Team, und Gerätehersteller nennen teils den Mischbetrieb aus KI auf dem Gerät und in der Cloud „hybrid“.
Die Kombination gleicht spiegelbildliche Schwächen aus. Sprachmodelle wie ChatGPT, Gemini oder Claude erkennen Muster in großen Datenmengen, rechnen aber unzuverlässig und geben teils erfundene Angaben aus. Symbolische Verfahren liefern exakte, nachvollziehbare Ergebnisse, scheitern jedoch an allem, was sich nicht in Regeln fassen lässt, z. B. am Verstehen von Fotos oder Alltagssprache.
Bis in die 1980er Jahre war fast jede KI eine symbolische KI. Fachleute übersetzten ihr Wissen von Hand in Regelwerke (Expertensysteme). Seit den 2010er Jahren bestimmt das Deep Learning das Feld, bei dem KI-Modelle per Machine Learning selbstständig aus Daten lernen. Der Informatiker Henry Kautz beschreibt die aktuelle Phase als dritten Sommer der KI, in dem beide Schulen zusammenwachsen. Einen deutschen Überblick gibt der Kurzreport „KI Kompakt: Hybride KI“ der Plattform Lernende Systeme, der einige erfolgreiche KI-Anwendungen bereits als hybride Systeme einordnet.
Bei AlphaGeometry von Google DeepMind schlägt ein neuronales Sprachmodell Hilfskonstruktionen vor, eine symbolische Deduktionsmaschine baut daraus den exakten geometrischen Beweis. Das System hat 25 von 30 Geometrieaufgaben der Internationalen Mathematik-Olympiade (IMO) gelöst, der beste Vorgänger schaffte 10 (Nature-Studie zu AlphaGeometry, Januar 2024). Bei der IMO 2024 erreichten AlphaProof und AlphaGeometry 2 zusammen 28 von 42 Punkten und damit genug für Silber (DeepMind-Bericht zum IMO-Ergebnis 2024). Zu Gold fehlte ein einziger Punkt. AlphaProof schreibt seine Lösungen in der formalen Sprache Lean, die jeden einzelnen Schritt automatisch nachprüft. Ein halluzinierter Beweis fällt dort zwangsläufig durch.
Ein Jahr später erreichte Googles Gemini Deep Think bei der IMO 2025 die Goldmedaillen-Marke rein als Sprachmodell, ohne symbolische Werkzeuge (offizielle DeepMind-Ankündigung). Eine Studie in PNAS Nexus argumentiert, dass reines Hochskalieren von Sprachmodellen nicht auf neue Aufgabentypen generalisiert und neurosymbolische Ansätze effizienter arbeiten (Studie „Neurosymbolic AI as an antithesis to scaling laws“). Der Kognitionswissenschaftler Gary Marcus (bekanntester Fürsprecher der neurosymbolischen KI) wertet die Erfolge aktueller Reasoning-Modelle als Bestätigung. Systeme mit Code-Interpreter seien per Definition neurosymbolisch und schnitten oft besser ab als KI-Modelle ohne symbolische Werkzeuge (Analyse von Gary Marcus zu o3 und Grok 4).
Im Alltag arbeitet längst jeder große Chatbot hybrid. Wenn ChatGPT, Claude oder Gemini eine Rechenaufgabe lösen, schreiben sie Python-Code und lassen ihn von einem exakt arbeitenden Interpreter ausführen, statt das Ergebnis aus Sprachmustern zu raten (technisch läuft das über Function Calling). Dasselbe Muster steckt hinter der Anbindung der symbolischen Rechen-Engine Wolfram Alpha an ChatGPT und hinter RAG, wo das KI-Modell seine Angaben aus einer Wissensdatenbank zieht und nicht aus dem Gedächtnis. Ein systematisches Review zählte für die Jahre seit 2020 einen exponentiellen Anstieg der Veröffentlichungen zu neurosymbolischer KI (Übersichtsstudie „Neuro-Symbolic AI in 2024“).
Das Fraunhofer IAIS nennt geringeren Datenbedarf, mehr Robustheit und Erklärbarkeit als Kernvorteile, primär für regulierte Branchen wie Finanzen, Recht und Medizin (Fraunhofer-IAIS-Überblick zu hybrider KI). Grenzen hat der Ansatz dort, wo sich kein klares Regelwerk aufstellen lässt. Seine Stärken spielt er in strukturierten Feldern wie Mathematik, Technik-Normen, Buchhaltung und Recht aus. Die Integration beider Welten kostet Entwicklungsaufwand.
Hybride KI ist in Unternehmen der Normalfall. Fast jede Bürosoftware mit KI-Funktion kombiniert ein gelerntes Modell mit festen Regeln und Kontrollschichten.
Der Automatisierungsservice von DATEV erstellt Buchungsvorschläge aus gelernten Mustern. Nach Unternehmensangaben über 7,5 Millionen pro Monat (DATEV-Mitteilung zur KI-Buchführung). Eine feste Ampel-Logik zeigt an, wie sicher jede Erkennung ist. Als sicher eingestufte Vorschläge bucht das System auf Wunsch automatisch, alle übrigen erst nach menschlicher Bestätigung. Lexware Office liest Belege per KI aus, merkt sich bestätigte Zuordnungen und schlägt sie bei künftigen Buchungen automatisch vor.
Bei der E-Rechnung extrahiert eine KI die Rechnungsdaten aus PDF oder Foto, danach prüft ein Validator das Ergebnis gegen die festen Geschäftsregeln der Norm EN 16931. Der lernende Teil darf raten, der Regel-Teil entscheidet verbindlich über gültig oder ungültig.
Google Maps sagt den Verkehr mit einem trainierten Modell voraus und berechnet die Route anschließend mit einem klassischen Algorithmus auf dem Straßennetz (DeepMind-Bericht zur Verkehrsprognose in Google Maps). Spam-Filter kombinieren seit Jahren feste Erkennungsregeln mit einem trainierten Klassifikator.
Wer einen Chatbot oder KI-Agenten für Support, Kundenanfragen o. Ä. einführt, nutzt das Prinzip aktiv. Die Hersteller legen feste Leitplanken (Guardrails) über das Sprachmodell. Gesperrte Themen oder etwa Preisgrenzen werden definiert und es erfolgt die Weiterleitung an einen Mitarbeiter, wenn das Modell unsicher ist. Erst diese Regelschicht macht aus einem frei formulierenden Modell ein System, das ein Betrieb wirklich verantworten kann.
