Large Language Model

Hinter ChatGPT, Gemini, Claude und den KI-Antworten in der Google-Suche steckt dieselbe Grundtechnik: ein Large Language Model, auf Deutsch großes Sprachmodell, kurz LLM. Es hat aus riesigen Textmengen gelernt, wie Sprache weitergeht, und erzeugt Antworten, indem es immer wieder das nächste Wortstück vorhersagt.

Für Unternehmen ist das LLM der Ausgangspunkt jeder Diskussion über KI-Sichtbarkeit. Wer versteht, was ein solches Modell weiß, was es nur errät und wann es im Web nachschlägt, kann einschätzen, welche Maßnahmen etwas bringen und welche nur gut klingen.

Vom Übersetzungsmodell zum Chatbot

Der Ausdruck ist älter als der heutige KI-Boom. Im Juni 2007 stellte ein Google-Team um Thorsten Brants und Jeffrey Dean „Large Language Models in Machine Translation“ vor. Gemeint waren statistische Modelle, die Wortfolgen aus bis zu zwei Billionen Tokens auszählten. Die heutige Bedeutung entstand erst mit neuronalen Netzen:

Die Nachfrage in Deutschland folgt diesem Verlauf: Laut Google-Ads-Daten wird „large language model“ ab Ende 2022 gesucht, erreicht 2024 bis zu rund 12.000 Suchen im Monat und liegt 2026 stabil zwischen gut 6.000 und 9.100. Der Begriff ist im Alltag von Marketing und IT angekommen.

Wie ein LLM eine Antwort baut

Ein LLM ist ein neuronales Netz mit Milliarden einstellbarer Zahlenwerte, den Parametern. Im Training liest es Text und lernt dabei im Kern eine einzige Aufgabe: das jeweils nächste Token vorherzusagen, also das nächste Wort oder Wortstück. Aus dieser einfachen Aufgabe entstehen bei genügend Daten und Rechenleistung Grammatik, Faktenwissen und die Fähigkeit, Anweisungen zu folgen. Für den Einsatz als Assistent wird das Modell anschließend mit Beispieldialogen und menschlichen Bewertungen nachtrainiert.

Bei der Antwort läuft dasselbe Verfahren vorwärts. Das Modell berechnet für jedes mögliche nächste Token eine Wahrscheinlichkeit, wählt eines aus, hängt es an und rechnet neu. Drei Folgen sind für die Praxis wichtig:

• Antworten schwanken. Weil meist nicht stur das wahrscheinlichste Token gewählt wird, liefert dieselbe Frage unterschiedliche Formulierungen und manchmal unterschiedliche Fakten. Ein einzelner Test im Chat ist deshalb keine Messung.
• Wissen hat ein Ablaufdatum. Was das Modell aus dem Training kennt, endet mit seinem Knowledge Cutoff. Neuere Informationen kommen nur über eine Websuche in die Antwort.
• Plausibel ist nicht wahr. Kennt das Modell eine Antwort nicht, verteilt sich die Wahrscheinlichkeit auf viele Möglichkeiten, und es wählt trotzdem eine. So entstehen Halluzinationen.

Wie viel Text ein Modell auf einmal berücksichtigen kann, begrenzt das Kontextfenster. Darin liegen die Frage, der bisherige Gesprächsverlauf und gegebenenfalls die abgerufenen Webseiten.

Modell, App, Suche: drei Ebenen, die oft verwechselt werden

Im Marketing wird „das LLM“ gern mit ChatGPT oder der KI-Suche gleichgesetzt. Für Ihre Sichtbarkeit lohnt die Unterscheidung, denn auf jeder Ebene entscheiden andere Dinge darüber, ob Ihr Unternehmen vorkommt.

Google beschreibt seine KI-Funktionen ausdrücklich als Zusammenspiel: Die zentralen Ranking-Systeme der Suche holen relevante Seiten aus dem Index, das Modell formuliert daraus die Antwort. Google nennt das Retrieval Augmented Generation (Google Search Central: Website für generative KI-Funktionen optimieren). Das LLM selbst vergibt also keine Rankings, es arbeitet mit dem, was ihm die Suche vorlegt.

Ein Beispiel aus dem Maschinenbau

Zur Veranschaulichung, kein echter Fall: Ein Einkäufer fragt einen KI-Assistenten ohne Websuche nach Lohnfertigern für Laserschneiden in Franken. Das Modell nennt drei Firmen, die in seinen Trainingsdaten häufig vorkamen, eine davon hat ihren Standort inzwischen verlegt. Mit zugeschalteter Websuche stützt sich der Assistent auf aktuelle Seiten und nennt andere Betriebe, darunter einen kleinen Anbieter mit einer klaren Leistungsseite. Dieselbe Frage, zwei Wissensquellen, zwei Ergebnisse.

Was ein LLM nicht ist

Viele Fehlannahmen über KI-Sichtbarkeit beginnen mit einem falschen Bild vom Modell. Ein LLM ist:

• keine Datenbank. Es speichert keine Dokumente zum Nachschlagen, sondern Muster in seinen Parametern. Ein einzelner Eintrag lässt sich weder abrufen noch gezielt korrigieren.
• keine Suchmaschine. Ohne angeschlossenes Suchwerkzeug kennt es keine Seite, die nach dem Training entstanden ist.
• kein Faktenprüfer. Es bewertet Formulierungen nach Wahrscheinlichkeit, nicht nach Wahrheit.

Daraus folgt eine nüchterne Arbeitsteilung. Ins Modellwissen gelangen Sie langfristig über eine starke, konsistente Präsenz im Web, auf die Sie nur indirekt Einfluss haben. Kurzfristig wirksam ist, was die Suche findet: indexierte, klar formulierte Seiten, die die Fragen Ihrer Kunden beantworten. Diese Arbeit heißt Generative Engine Optimization; einen Einstieg gibt der Beitrag GEO-Optimierung: In ChatGPT und Google AI Mode sichtbar.