Glossareintrag
Wir denken. KI tippt mit.
Large Language Model (kurz LLM, deutsch Großes Sprachmodell) bezeichnet ein KI-Modell, das mit Billionen von Textbausteinen trainiert wurde und Sprache erzeugt, indem es Schritt für Schritt das wahrscheinlichste nächste Token berechnet. Aus diesem Vorhersage-Prinzip entstehen Systeme, die Fragen beantworten, Texte schreiben, übersetzen, programmieren und Dokumente zusammenfassen. Technisch ist ein LLM ein tiefes neuronales Netzwerk, das seine Fähigkeiten per Deep Learning aus den Daten selbst entwickelt, ohne einprogrammierte Sprachregeln.
Im Alltag begegnen Ihnen LLMs meist verpackt in Produkte. ChatGPT ist die Anwendung von OpenAI, das eigentliche Sprachmodell dahinter heißt GPT-5.6 (Stand: August 2026). Genauso trennt Anthropic zwischen der App Claude und Modellen wie Claude Opus 5, Google zwischen der Gemini-App und den Gemini-3-Modellen.
Nahezu alle heutigen LLMs beruhen auf der Transformer-Architektur, die Google-Forscher 2017 im Aufsatz „Attention Is All You Need“ vorstellten. Ihr Kernstück, der Attention-Mechanismus, gewichtet beim Verarbeiten jedes Wort im Verhältnis zu allen anderen und erfasst so Bezüge über ganze Dokumente hinweg. Das gelernte Wissen steckt in den Parametern, Milliarden bis Billionen einstellbarer Zahlenwerte. Alibabas Spitzenmodell Qwen3.8-Max mit offenen Gewichten kommt nach eigenen Angaben auf 2,4 Billionen Parameter; OpenAI, Anthropic und Google verraten die Größe ihrer Top-Modelle nicht.
Text verarbeitet ein LLM nicht als Buchstabenfolge, sondern zerlegt ihn in Tokens, kleine Bausteine aus Wörtern und Wortteilen. Ein langes deutsches Wort wie „Badsanierung“ zerfällt dabei in mehrere Stücke, ein kurzes wie „und“ bleibt ein einziges Token. Weil das Modell Buchstaben nie einzeln sieht, verzählt es sich beim Buchstabenzählen auffallend oft.
Das Training läuft in mehreren Stufen ab. Im Pre-Training lernt das Modell aus gewaltigen Mengen an Trainingsdaten; Meta trainierte Llama 3 laut offizieller Llama-3-Ankündigung mit über 15 Billionen Tokens. Danach wird das Rohmodell zum brauchbaren Assistenten geformt, per Fine-Tuning auf Beispieldialogen und per RLHF, bei dem menschliche Bewertungen die Antworten verbessern. Anthropic ergänzt das hauseigene Verfahren Constitutional AI, bei dem sich das Modell an einem Katalog von Grundregeln selbst korrigiert. Seit Herbst 2024 kommt eine dritte Stufe dazu. Reasoning-Modelle lernen per Verstärkungslernen, vor der Antwort einen sichtbaren Denkprozess zu durchlaufen, was die Ergebnisse bei Mathematik und Programmierung messbar verbessert.
Die Modell-Landschaft ändert sich im Monatstakt (Stand: August 2026). Zu den führenden geschlossenen Modellen zählen die Claude-5-Familie von Anthropic, die GPT-5.6-Familie von OpenAI und Googles Gemini-3-Reihe. Daneben ist ein starkes Lager mit offenen Modellgewichten gewachsen; bekannte Vertreter sind Llama 4 (Meta), DeepSeek V4 und Qwen3.8 aus China sowie Mistral Large 3 aus Frankreich. Viele dieser Modelle nutzen die Mixture-of-Experts-Bauweise, bei der pro Anfrage nur ein Bruchteil der Parameter aktiv rechnet. Das Kontextfenster, also die Textmenge, die ein Modell auf einmal verarbeiten kann, ist bei Spitzenmodellen auf rund eine Million Tokens gewachsen, genug für mehrere Bücher am Stück. Aktuelle LLMs sind außerdem multimodal, sie verstehen neben Text auch Bilder und teils Audio, und sie bilden das Gehirn von KI-Agenten, die mehrstufige Aufgaben am Computer selbstständig erledigen. Den Gegentrend markieren kleine Sprachmodelle (Small Language Models, SLM), die direkt auf Laptop oder Smartphone laufen.
LLMs halluzinieren, sie liefern also erfundene Angaben in überzeugender Form; diese Schwäche steckt im Vorhersage-Prinzip selbst. Eine OpenAI-Studie zu Halluzinationen von 2025 führt das darauf zurück, dass Training und Tests das Raten belohnen und ein ehrliches „Ich weiß es nicht“ bestrafen. Dazu kommen übernommene Verzerrungen aus den Trainingsdaten und der Wissens-Cutoff, denn mit dem Ende des Trainings endet auch der Wissensstand des Modells. In der EU gelten LLMs als KI-Modelle mit allgemeinem Verwendungszweck (General Purpose AI). Für sie schreibt der EU AI Act seit dem 2. August 2025 Transparenz- und Urheberrechtspflichten vor, die die EU-Kommission seit dem 2. August 2026 auch mit Bußgeldern durchsetzen kann.
Handwerksbetriebe und lokale Unternehmen nutzen LLMs über fertige Produkte, nicht über eigene Modelle. Die gängigsten Wege sind ChatGPT, Claude, Microsoft 365 Copilot in Word und Outlook sowie Gemini in Google Workspace. Typische Aufgaben sind Angebots- und Rechnungstexte, Kundenmails, Stellenanzeigen, Social-Media-Beiträge und das Übersetzen von Arbeitsanweisungen für internationale Teams.
Nach einer Bitkom-Erhebung von 2025 setzen erst 4 Prozent der Handwerksbetriebe KI ein, weitere 9 Prozent planen den Einstieg. Eine Anfang 2026 veröffentlichte Auswertung von KfW Research zählt im gesamten Mittelstand 20 Prozent KI-Nutzer, im Baugewerbe nur 8 Prozent.
Ein Praxisbericht der Deutschen Handwerks-Zeitung von 2025 zeigt eine Schreinerei, die Angebots- und Marketingtexte per KI erstellt, und eine Tischlerei mit eigenem Chatbot zur Möbelberatung auf der Website. Ein Backhaus aus demselben Bericht produziert seine Social-Media-Inhalte mit KI. Das Dachdecker-Fachmagazin ddh beschreibt in einem Werkstattbericht zu ChatGPT im Dachdeckerbetrieb, wie ein Betrieb aus Kerpen Kundentexte, Materialvergleiche und die Einarbeitung neuer Mitarbeiter mit LLMs erledigt. Am Telefon übernehmen heute Voice Agents auf LLM-Basis die Anrufannahme und Terminvergabe.
Kundendaten gehören nicht ungeprüft in ein LLM. Die deutschen Datenschutzbehörden stellen in ihrer Orientierungshilfe zu KI und Datenschutz klar, dass schon die Eingabe von Namen oder Adressen eine Verarbeitung personenbezogener Daten ist und eine Rechtsgrundlage braucht. Außerdem muss ein Mensch jede fachliche Ausgabe prüfen, bevor sie zum Kunden geht; zu dieser Kontrolle rät auch das BSI in seiner Analyse zu Chancen und Risiken generativer KI.
