Grundlagen: Was ist (generative) KI?

Worum es geht

Künstliche Intelligenz ist kein neues Phänomen — Spam-Filter, Navigationssysteme und Produktempfehlungen auf Amazon nutzen KI seit Jahrzehnten. Was sich in den letzten Jahren grundlegend verändert hat, ist die Fähigkeit von Maschinen, Sprache zu verstehen und zu erzeugen.

Klassische KI-Systeme klassifizieren: Ist diese E-Mail Spam? Zeigt dieses Röntgenbild eine Auffälligkeit? Generative KI macht etwas anderes: Sie erzeugt neue Inhalte — Texte, Bilder, Audios, Code — die es vorher nicht gab. Das klingt nach einem kleinen Unterschied, ist aber ein qualitativer Sprung: Plötzlich kann eine Maschine einen Arztbrief zusammenfassen, ein Patientengespräch vorbereiten oder eine E-Mail auf Knopfdruck formulieren.

Modelle wie GPT (OpenAI), Claude (Anthropic) oder Gemini (Google) sind die bekanntesten Vertreter dieser neuen Generation. Sie alle basieren auf einer Architektur namens Transformer, die 2017 von Google-Forschern entwickelt wurde — und die die Branche seitdem vollständig verändert hat.

---

Wie ein Sprachmodell funktioniert — vereinfacht

Ein Large Language Model (LLM) wird auf einer riesigen Menge Text trainiert: Bücher, Websites, wissenschaftliche Artikel, Foren, Code. Daraus lernt das Modell nicht Fakten auswendig, sondern statistische Muster: Welche Wörter folgen typischerweise aufeinander? Welche Sätze passen in welchem Kontext?

Im Kern macht ein LLM bei jeder Antwort dasselbe: Es sagt das wahrscheinlichste nächste Wort voraus — und dann das nächste, und das nächste. Das klingt simpel, führt aber zu überraschend kohärenten, nützlichen Texten, weil die Muster im Training extrem reichhaltig sind.

Ein nützliches Bild: Ein LLM ist wie ein sehr belesener Assistent, der alles gelesen hat, was je geschrieben wurde — aber kein eigenes Gedächtnis über Gespräche hinaus hat, und der manchmal überzeugend falsch liegt.

---

Kernkonzepte, die man kennen sollte

LLM — Large Language Model
Das Modell selbst. Trainiert auf Milliarden von Textbeispielen, enthält Hunderte Milliarden Parameter (vereinfacht: erlernte Gewichtungen). Bekannte LLMs: GPT-4o, Claude 3.5, Gemini 1.5.

Prompt
Die Anweisung, die man dem Modell gibt. Die Qualität des Outputs hängt stark von der Qualität des Prompts ab — präzise, kontextreiche Prompts führen zu besseren Ergebnissen als vage Anfragen. "Schreib eine E-Mail" ist schwächer als "Schreib eine freundliche Erinnerung an einen Patienten, der seinen Grippeschutz-Termin noch nicht gebucht hat."

Token
LLMs arbeiten nicht mit Wörtern, sondern mit Tokens — Silben oder Wortteilen. "Apotheke" ist etwa 3 Tokens. Relevant, weil Modelle ein Limit an Tokens pro Anfrage haben (das sogenannte Kontextfenster).

Halluzination
Das bekannteste Problem: Das Modell erfindet plausibel klingende, aber falsche Inhalte — Quellen, Medikamentendosierungen, Gesetze. Es "weiß" nicht, dass es falsch liegt, weil es keine Wahrheit prüft, sondern nur Wahrscheinlichkeiten berechnet. Deshalb ist menschliche Kontrolle bei medizinischen oder rechtlichen Inhalten nicht optional.

Kontextfenster
Was das Modell in einem Gespräch "sieht" und berücksichtigen kann. Ältere Modelle vergaßen früh im Gespräch; aktuelle Modelle haben Fenster von 100.000+ Tokens — genug für lange Dokumente.

RAG — Retrieval-Augmented Generation
Eine wichtige Technik für Praxisanwendungen: Das Modell wird mit aktuellen, spezifischen Dokumenten verknüpft (z.B. der aktuellen Fachinformation eines Medikaments), bevor es antwortet. So werden Halluzinationen reduziert und das Modell arbeitet mit verlässlicher, kontrollierbarer Wissensbasis.

---

Was das für die Apotheke bedeutet

KI ist ein Assistent, kein Apotheker. Sie beschleunigt Routine — Terminbuchung, Standardanrufe, Dokumentation, Patientenerinnerungen — und entlastet das Team. Sie ersetzt aber keine pharmazeutische Verantwortung, keine Interaktionsprüfung, keine individuelle Beratung.

Die entscheidende Frage ist nicht: Ersetzt KI den Apotheker? Sondern: Wie viel Zeit gewinnt das Team zurück, wenn KI die 44 Standardanrufe pro Tag übernimmt — und was passiert mit dieser Zeit?

Das ist der eigentliche Hebel. Nicht Automatisierung um der Automatisierung willen, sondern Automatisierung als Voraussetzung dafür, dass Apothekerinnen und Apotheker das tun können, was wirklich zählt: pharmazeutische Expertise einbringen, Vertrauen aufbauen, Versorgung sichern.

KI gibt der Apotheke Zeit zurück. Was sie damit macht, entscheidet das Team — nicht das Modell.