Large Language Models (LLMs) schreiben brillante Texte, fassen komplexe Dokumente zusammen und generieren kreative Ideen. Doch versuchen Sie, einen Roboter zuverlässig einen Kaffee einschenken zu lassen – Sie werden schnell an Grenzen stoßen. Dies zeigt: KI ist in der virtuellen Welt, bei der Verarbeitung und Generierung von Daten, extrem stark. Im Umgang mit der echten, physischen Welt (Motorik, Sensorik, Greifen, fehleranfällige Umgebungen) hinkt der Fortschritt (noch) hinterher.

KI kann Fakten blitzschnell aus Tausenden von Quellen zusammenführen. Aber sie "weiß" nicht im menschlichen Sinne, ob diese Fakten wahr oder falsch sind. KI-Modelle liefern sehr überzeugend klingende Antworten – selbst wenn sie faktisch falsch sind, ein Phänomen, das wir als "Halluzinationen" kennen. Es fehlt ein echtes, menschenähnliches Verständnis von Wahrheit oder Verlässlichkeit, das kritisches Hinterfragen und Plausibilitätsprüfungen durch den Menschen unerlässlich macht.

KI ist oft hervorragend darin, eine klar definierte, spezifische Aufgabe auszuführen – beispielsweise Rechnungen nach bestimmten Kriterien zu klassifizieren oder E-Mails zu priorisieren. Doch wenn eine fast identische, aber formal neue Aufgabe auftaucht, wie das Sortieren von Lieferscheinen statt Rechnungen, muss die KI oft neu trainiert oder die Anweisungen (Prompts) aufwendig angepasst werden. Wir Menschen erkennen intuitiv: "Das ist fast dasselbe wie vorher." Eine KI benötigt dafür in der Regel neue Beispiele, präzisere Anweisungen oder zusätzliche Trainingsdaten.