Was KI heute wirklich kann – Die 16 Fähigkeiten im Realitäts-Check

Zwei Geschichten dominieren die KI-Diskussion. Geschichte 1: KI verändert alles, jeder Job wird automatisiert, wer nicht mitmacht wird abgehängt. Geschichte 2: Die Qualität ist nicht gut genug, Halluzinationen überall, Sicherheitsrisiken ungeklärt. Manche spielen aus Gatekeeping die Relevanz runter. Andere überschätzen die Geschwindigkeit des Wandels.

Beide Seiten übersehen dasselbe: Die Technologie ist weiter, als die meisten Menschen bereit sind zu akzeptieren. Aber Veränderung passiert langsamer, als die Technik es ermöglicht. Weil Menschen im Spiel sind. Pauschale Aussagen über eine Technologie mit 16 verschiedenen Fähigkeiten sind ungefähr so nützlich wie eine Wettervorhersage für ganz Europa.

Was diese Lesson anders macht

In der Lesson Generative KI verstehen hast du die drei Superkräfte kennengelernt: Erschaffen, Reduzieren, Umwandeln. Das war die Vogelperspektive. Diese Lesson geht eine Ebene tiefer. Du bekommst eine konkrete Landkarte mit 16 Fähigkeiten in 4 Gruppen. Und für jede Fähigkeit eine ehrliche Einschätzung: Funktioniert das schon? Oder ist das noch Science Fiction?

Bevor wir in die Details gehen, brauchst du das Gesamtbild. Die folgende Matrix zeigt alle 16 Fähigkeiten generativer KI, gruppiert in vier Bereiche. Jede Fähigkeit hat einen Reifegrad. Nicht "gut" oder "schlecht". Sondern: Wo steht sie heute?

Die drei Reifegrade

Die Gesamtübersicht

Das Ergebnis: Von 16 Fähigkeiten sind 11 produktionsreif, 5 im Early-Adopter-Stadium und keine experimentell. KI ist also weder "kann alles" noch "kann nichts". Sie ist ein Werkzeugkasten, in dem manche Werkzeuge scharf geschliffen und andere noch Prototypen sind.

Text war der Anfang. GPT-3 konnte 2020 erstmals überzeugend Texte schreiben. Seitdem hat sich diese Gruppe am schnellsten entwickelt. Heute sind alle vier Fähigkeiten produktionsreif. Und da die meisten Arbeitsaufgaben textbasiert sind, ist das die Gruppe mit dem unmittelbarsten Nutzen.

Textverständnis 🟢

KI kann Dokumente lesen, analysieren und einordnen. Nicht nur kurze Texte. Aktuelle Modelle verarbeiten Kontextfenster bis zu einer Million Tokens. Das entspricht mehreren hundert Seiten. Du kannst ein komplettes Vertragswerk hochladen und Fragen dazu stellen.

Textgenerierung 🟢

Von der kurzen E-Mail bis zum 20-seitigen Report. KI generiert Text in verschiedenen Sprachen, Stilen und Formaten. Die Qualität hängt davon ab, wie präzise du die Aufgabe beschreibst. Mit dem Prompt-Baukasten aus der gleichnamigen Lesson steuerst du das gezielt.

Reasoning 🟢

Reasoning heißt: KI kann mehrstufig denken. Nicht nur Muster reproduzieren, sondern Schritt für Schritt Probleme durcharbeiten. Durch Extended Thinking zeigen aktuelle Modelle ihren Denkprozess. Sie zerlegen komplexe Fragen in Teilschritte, prüfen Zwischenergebnisse und korrigieren sich selbst.

Code 🟢

Code-Generierung hat den klarsten Return on Investment aller KI-Fähigkeiten. Professionelle Entwickler arbeiten heute mit KI-Assistenten wie Cursor, Claude Code oder GitHub Copilot. Die KI schreibt Code, findet Fehler, erklärt Zusammenhänge und baut ganze Anwendungen. Auch wenn du selbst nicht programmierst: Zu wissen, dass KI programmieren kann, verändert, welche Projekte machbar sind.

Bei "KI und Bilder" denken die meisten an Midjourney und DALL-E. An generierte Bilder. Das ist nur die halbe Geschichte. Die andere Hälfte ist mindestens so wichtig: KI kann sehen. Das gilt für Bilder wie für Video. Beide Medien haben zwei Seiten, Verstehen und Erzeugen. Und die Reifegrade der beiden Seiten liegen weit auseinander.

Vision Input 🟢 — Der unterschätzte Durchbruch

Du fotografierst ein Whiteboard nach einem Workshop. Die KI liest den Inhalt, strukturiert die Notizen und erstellt eine To-Do-Liste. Du machst einen Screenshot einer Fehlermeldung. Die KI erklärt das Problem und schlägt eine Lösung vor. Du lädst ein Diagramm hoch. Die KI analysiert die Daten und zieht Schlüsse.

Vision Input funktioniert mit Fotos, Screenshots, Diagrammen, Tabellen, handschriftlichen Notizen und sogar Memes. Die Fehlerrate bei Standard-Szenarien ist niedrig genug für den professionellen Einsatz.

Video verstehen 🟢 — Aufzeichnungen werden durchsuchbar

Was für Bilder gilt, gilt inzwischen auch für Video: KI kann Aufzeichnungen ansehen und beantworten, was drin ist. Das Webinar von letzter Woche, das aufgezeichnete Meeting, das Schulungsvideo. Du lässt zusammenfassen, durchsuchst nach Themen oder lässt Auffälligkeiten finden. Statt eine Stunde zu spulen, fragst du: "An welcher Stelle ging es um das Budget?"

Eine Grenze gehört dazu: Bei üblichen Längen trägt das zuverlässig. Bei sehr langen Aufzeichnungen und bei Fragen, die exaktes zeitliches Schlussfolgern verlangen ("Was passierte genau zwischen Minute 14 und 15?"), wird es schwächer.

Bildgenerierung 🟢 — Kontrollierbar geworden

Bildgenerierung war vor zwei Jahren ein Zufallsgenerator. Heute ist sie ein Werkzeug. Modelle wie Flux, Midjourney und GPT Image liefern konsistente, steuerbare Ergebnisse. Text in Bildern funktioniert. Stilkonsistenz ist möglich. Und mit Frameworks wie dem 4K Framework wird aus Trial-and-Error ein strukturierter Prozess.

Video erzeugen 🟡 — Mit Aufwand produktiv nutzbar

Veo, Runway, Kling, Seedance. Hier gab es einen deutlichen Sprung durch neue Modelle. Die Ergebnisse sind beeindruckend, wenn du bereit bist, Zeit und Geduld zu investieren. Aufwand und Kosten sind noch hoch. Konsistenz über Szenen hinweg bleibt eine Herausforderung. Aber wer hartnäckig iteriert, bekommt produktionsreife Ergebnisse.

Audio ist das Medium, das am meisten unterschätzt wird. Während alle über Bilder und Videos reden, hat KI leise drei Audio-Fähigkeiten zur Reife gebracht. Und eine vierte steht kurz davor.

Audio Input 🟢 — Transkription unter 5% Fehlerrate

Meetings aufnehmen und transkribieren lassen. Interviews in Text umwandeln. Sprachnotizen durchsuchbar machen. Die Fehlerrate liegt unter 5%. Bei klarer Sprache und gängigen Sprachen (Deutsch, Englisch) deutlich darunter. Tools wie Whisper, Deepgram oder die eingebauten Funktionen von Gemini und ChatGPT machen Transkription zur Routine.

Audio Output 🟢 — Natürliche Stimmen generieren

Text-to-Speech hat einen Qualitätssprung gemacht. Generierte Stimmen klingen natürlich, mit emotionalen Nuancen, Pausen und Betonungen. Anwendungen: Voiceover für Präsentationen, Podcast-Intros, Vorlese-Funktionen für eigene Texte. Tools wie ElevenLabs oder die Advanced Voice von ChatGPT zeigen, wohin das geht.

Musik & Klang 🟢 — Jingles, Effekte, Hintergrundmusik

Neben Sprache erzeugt KI inzwischen auch Musik und Klang: einen Jingle fürs Videointro, Soundeffekte, Hintergrundmusik für Schulungsvideos und interne Formate. Aus einer Textbeschreibung wird ein fertiges Stück, in Minuten statt Tagen. Die Anbieter in diesem Feld wechseln schnell, deshalb bleibt es hier bei der Fähigkeit statt bei Produktnamen.

Technisch ist das reif. Die offene Frage ist die rechtliche: Ob du das Ergebnis kommerziell nutzen darfst, hängt an den Nutzungsbedingungen des jeweiligen Dienstes, nicht am Reifegrad. Kläre die Rechtefrage vorher, nicht danach. Die Lesson KI-Compliance-Basics gibt dir die Grundlagen.

Echtzeit-Interaktion 🟡 — Gespräche ohne Textumweg

Die spannendste Entwicklung: Speech-to-Speech-Modelle. Du sprichst, die KI antwortet. Ohne den Umweg über Transkription und Text-to-Speech. Direkte Sprachverarbeitung mit Latenz in Millisekunden. Das fühlt sich an wie ein echtes Gespräch.

Warum nur 🟡? Weil die Verfügbarkeit noch eingeschränkt ist, die Qualität schwankt und nicht alle Sprachen gleich gut funktionieren. Für Englisch nahe an produktionsreif. Für Deutsch: funktioniert, aber mit Einschränkungen.

Die ersten drei Gruppen handeln davon, was KI kann: Texte schreiben, Bilder verstehen, Sprache verarbeiten. Diese vierte Gruppe handelt davon, wie KI arbeitet. Hier entscheidet sich, ob KI ein Chat-Tool bleibt oder ein echtes Arbeitswerkzeug wird.

Wissensintegration (RAG) 🟢

RAG steht für Retrieval-Augmented Generation. Klingt technisch, ist es auch. Die Idee dahinter ist simpel: KI mit deinem eigenen Wissen füttern. Firmenwiki, Produktdokumentation, Kundendaten. Die KI durchsucht diese Quellen und bezieht sie in ihre Antworten ein. Das reduziert Halluzinationen massiv, weil die KI auf verifizierte Informationen zugreift statt frei zu generieren.

Agents 🟡 — Autonomes Handeln mit Aufsicht

Ein Agent ist eine KI, die nicht nur antwortet, sondern handelt. Sie plant Schritte, führt sie aus, prüft die Ergebnisse und korrigiert sich. Coding-Agents wie Claude Code schreiben ganze Anwendungen. Recherche-Agents durchsuchen das Internet systematisch. Automations-Agents verbinden verschiedene Tools.

Warum 🟡? Weil Agents Aufsicht brauchen. Sie treffen manchmal falsche Entscheidungen. Sie bleiben in Schleifen stecken. Und sie haben noch kein zuverlässiges Gespür dafür, wann sie nachfragen sollten statt weiterzumachen. Für definierte Aufgaben mit klarem Rahmen funktionieren sie. Für offene, unstrukturierte Aufgaben noch nicht.

Multimodal 🟡 — Alles kombinieren

Multimodal heißt: Ein Modell verarbeitet Text, Bild und Audio in einer Anfrage. Du lädst ein Foto hoch, stellst eine Frage dazu und bekommst eine gesprochene Antwort. Technisch funktioniert das. Aber die Kombination mehrerer Modalitäten in komplexen Workflows braucht Engineering-Know-how und ist fehleranfälliger als Einzelfähigkeiten.

Memory 🟡 – Die Lücke, die sich gerade schließt

Stell dir vor, du arbeitest mit einem brillanten Kollegen. Aber jedes Mal wenn du den Raum verlässt und wiederkommst, hat er alles vergessen. So war KI lange. Das ändert sich gerade spürbar. ChatGPT merkt sich Präferenzen über Gespräche hinweg, Claude arbeitet mit Projekt-Kontext und Dateien, und Agenten-Umgebungen schreiben ihren Stand in Dateien mit, die beim nächsten Start wieder gelesen werden. Verlässlich wird das aber nicht von selbst. Du entscheidest, was gemerkt wird und wo es liegt. Wer Memory einfach anschaltet und hofft, bekommt ein Gedächtnis voller Zufall.

11 von 16 Fähigkeiten produktionsreif, 5 im Early-Adopter-Stadium. Das klingt gut. Aber auch produktionsreife Fähigkeiten haben Einschränkungen. Fünf davon sind so grundlegend, dass du sie kennen solltest, bevor du KI ernsthaft einsetzt.

1. Halluzinationen sind nicht gelöst

KI erfindet plausibel klingende Fakten. Halluzinationsraten variieren zwischen 2% und 80%, je nach Aufgabe. Bei Zusammenfassungen deiner eigenen Texte: niedrig. Bei Faktenfragen zu Nischenthemen: hoch. Das ist kein Bug, den ein Update fixt. Es ist eine strukturelle Eigenschaft der Technologie.

Umgang: Nutze RAG mit verifizierten Quellen. Prüfe Fakten, Zahlen und Quellen immer. Halte den Menschen in der Schleife.

2. Inkonsistenz bei identischen Anfragen

Stelle dieselbe Frage zweimal und du bekommst zwei verschiedene Antworten. Das liegt am stochastischen Sampling: KI wählt bei jeder Antwort probabilistisch aus mehreren möglichen nächsten Wörtern. Das macht sie kreativ. Und unvorhersagbar.

Umgang: Strukturierte Prompts und klare Anweisungen reduzieren die Varianz. Für kritische Aufgaben: mehrfach generieren und vergleichen.

3. Lost in the Middle

Auch wenn Modelle Kontextfenster von einer Million Tokens haben: Informationen in der Mitte langer Texte werden schlechter verarbeitet als Anfang und Ende. Bei 100 Seiten Vertragsdokumenten wird Seite 5 besser beachtet als Seite 50.

Umgang: Wichtige Informationen an den Anfang oder ans Ende setzen. Bei langen Dokumenten gezielt nach Abschnitten fragen statt "fasse alles zusammen".

4. Kosteneskalation bei komplexen Workflows

Extended Thinking und Agents generieren intern 10 bis 30 Mal so viele Tokens wie sichtbar. Ein Agent, der 20 Schritte durcharbeitet, kann schnell 5 bis 10 Euro kosten. Für eine einzige Aufgabe. Das skaliert nicht automatisch wirtschaftlich.

Umgang: Kleine, schnelle Modelle für einfache Aufgaben. Große Modelle nur wenn nötig. Prompt Caching nutzen.

5. Der menschliche Engpass

Die unbequemste Wahrheit zum Schluss: Der größte Engpass ist nicht die Technologie. Es ist das fehlende Wissen der Menschen, die sie einsetzen. Fehlendes Wissen ist in jeder Umfrage das meistgenannte Hemmnis für KI-Adoption. Nicht die Kosten. Nicht die Technik. Das Nicht-Wissen.

Umgang: Du bist hier. Das ist bereits der erste Schritt. Befähigung vor Skalierung.

Du hast jetzt eine vollständige Karte dessen, was generative KI heute kann. Nicht was sie irgendwann können wird. Nicht was die Demos versprechen. Sondern was du heute produktiv einsetzen kannst.

Die Kernbotschaft

Die Technologie hat in 24 Monaten mehr Fortschritt gemacht, als die meisten Organisationen nachvollziehen können. Der Engpass ist nicht mehr die Technologie. Er ist organisatorisch. Er liegt beim Wissen, bei den Prozessen, bei der Bereitschaft, Arbeitsweisen zu verändern.

Deine Landkarte auf einen Blick

Wie es weitergeht

Du kennst jetzt die Fähigkeiten. Die nächste Frage ist: Welches Tool nutze ich wofür? Die Lesson Das richtige KI-Tool finden gibt dir ein Entscheidungsframework: Modell vs. Tool vs. Plattform, die großen Vier im Vergleich, und eine Checkliste für deine persönliche Wahl.

Begriffe aus dieser Lesson

• Benchmark — Ein Benchmark ist ein standardisierter Test, mit dem die Leistung von KI-Modellen verglichen wird. Typische Dimensionen: Sprachverständnis, Logik, Code, Mathematik, Faktenwissen.
• Multimodal — Multimodal bedeutet, dass ein KI-Modell verschiedene Medientypen gleichzeitig verarbeiten und erzeugen kann: Text, Bild, Audio, Video. Statt getrennter Werkzeuge für jedes Medium gibt es zunehmend ein Modell für alles.

Passende Fragen

• Funktioniert Video-KI wie Bildgenerierung?
  Nein. Video ist eine eigene Kategorie und deutlich weniger reif. Die Komplexität ist höher: Konsistenz über Frames, Bewegung, Zeitlogik und Audio sind neue Dimensionen. Wer Video-Prompts wie Bild-Prompts formuliert, bekommt enttäuschende Ergebnisse.
• Ist die größte KI-Herausforderung in Unternehmen technisch?
  Nein. Der Engpass hat sich verschoben: von der Technologie zu Kompetenz und Organisation. Die Tools sind da, aber nicht jeder weiß, wie man sie produktiv nutzt, und nicht jede Organisation erlaubt es.
• Ist mehr Kontext im Prompt immer besser?
  Nein. „Lost in the Middle" zeigt: Informationen in der Mitte langer Kontexte werden schlechter verarbeitet. Größere Context-Windows kosten mehr und die Aufmerksamkeitsverteilung leidet. Gezieltes RAG ist oft effektiver als das Hineinwerfen ganzer Dokumente.
• Kann KI alles oder nichts?
  Weder noch. KI hat viele Fähigkeiten mit sehr unterschiedlichen Reifegraden. Manche funktionieren produktionsreif, andere sind experimentell. Die pauschale Einschätzung „KI kann alles" und „KI kann nichts" ist gleichermaßen falsch.
• Was bedeutet „produktionsreif" bei KI?
  Nicht fehlerfrei, sondern brauchbar wie andere professionelle Werkzeuge. Photoshop macht auch Fehler, Excel rechnet falsch bei schlechten Formeln. Produktionsreif heißt: Mit Prozess und Kompetenz zuverlässig einsetzbar.