Tag Archives: AI

Wenn du schon einmal die Autovervollständigung deiner Handytastatur genutzt hast, hast du es mit einem System zu tun, das tatsächlich versucht, die wahrscheinlichsten nächsten Wörter vorherzusagen. Basierend auf einer großen Datenbank von Wörtern und deren Häufigkeit in typischen Sätzen analysiert die Tastatur, was du als nächstes schreiben könntest. Das Prinzip ist einfach: Es berechnet, wie wahrscheinlich es ist, dass ein bestimmtes Wort auf ein anderes folgt. Das Ergebnis ist oft brauchbar, aber in vielen Fällen unpassend und vorhersehbar.

Große Sprachmodelle (LLMs) wie GPT funktionieren jedoch auf eine ganz andere Weise, obwohl oft behauptet wird, dass sie „nur die Wahrscheinlichkeit des nächsten Wortes“ berechnen. Diese Aussage greift viel zu kurz und unterschätzt die wahre Komplexität und Leistungsfähigkeit solcher Modelle – sowohl philosophisch als auch mathematisch. Die Idee, dass diese Modelle lediglich Wahrscheinlichkeiten berechnen, erinnert vielleicht an eine Handytastatur, die die nächste Wortwahrscheinlichkeit auf Basis von Statistiken schätzt, aber LLMs gehen weit darüber hinaus.

Das Missverständnis der „Wahrscheinlichkeit“

Die Behauptung, dass LLMs lediglich „Wahrscheinlichkeiten des nächsten Wortes“ bestimmen, scheint zunächst plausibel. Immerhin, das letzte Stadium eines solchen Modells nutzt tatsächlich die Softmax-Funktion, die eine Wahrscheinlichkeitsverteilung für das nächste Wort basierend auf den bisherigen Eingaben erzeugt. Doch die eigentliche Bedeutung dessen, was hier als Wahrscheinlichkeit bezeichnet wird, ist weitaus komplexer.

Softmax: Wahrscheinlichkeit oder Konfidenz?

Die Softmax-Funktion nimmt die rohen Aktivierungen (Logits) des Modells und wandelt sie in eine Verteilung um, die sich auf eine Skala zwischen 0 und 1 abbildet, sodass sie als Wahrscheinlichkeiten interpretiert werden können. Diese Wahrscheinlichkeitswerte geben an, wie „wahrscheinlich“ es ist, dass ein bestimmtes Wort als nächstes in der Sequenz kommt. Doch diese Werte repräsentieren nicht die objektive Wahrscheinlichkeit des nächsten Wortes in einem sprachlichen Sinne, sondern vielmehr die Konfidenz des Modells, dass ein bestimmtes Wort am besten zur aktuellen Eingabe passt.

Während Wahrscheinlichkeiten im klassischen statistischen Sinn auf empirischen Häufigkeiten oder mathematischen Berechnungen beruhen, basieren die Ausgaben eines LLMs auf gewichteten neuronalen Berechnungen. Diese beruhen auf der Art und Weise, wie das Modell Muster in seinem Trainingsdatensatz gelernt hat. Die Wahrscheinlichkeit, die am Ende ausgegeben wird, ist also nicht das Ergebnis einer statistischen Berechnung, sondern eher eine relative Konfidenz, dass ein bestimmtes Wort in diesem Kontext am besten passt.

Mathematik des Verstehens: Der Transformer-Ansatz

Um zu verstehen, warum die Aussage „nur Wahrscheinlichkeiten des nächsten Wortes“ das Modell verfehlt, müssen wir auf den Aufbau von Transformern eingehen, die hinter diesen Modellen stehen. Ein Transformer-Modell besteht aus mehreren Schichten von Attention-Mechanismen, die darauf ausgelegt sind, den Zusammenhang zwischen Wörtern in einem Satz oder Text zu lernen. Diese Mechanismen schauen nicht einfach nur auf das letzte Wort, sondern auf die gesamte Sequenz und erkennen, welche Teile des Textes am wichtigsten sind, um den Kontext zu verstehen.

Das Modell lernt, welche Wörter zusammenhängen, welche Konzepte häufig nebeneinander auftreten, und passt seine Gewichtungen so an, dass es eine detaillierte Vektorrepräsentation jedes Wortes und seiner Bedeutung erzeugt. Dieser Prozess der semantischen Vektoren ermöglicht es dem Modell, mehr zu tun, als nur die nächste Wortwahrscheinlichkeit zu „raten“. Es arbeitet mit Beziehungen zwischen Ideen, Konzepten und Bedeutungen.

Jeder dieser Vektoren repräsentiert nicht nur ein Wort, sondern auch seine Beziehungen zu allen anderen Wörtern im Kontext. Der Fokus liegt also weniger auf der Vorhersage des „nächsten Wortes“, sondern auf der Interpretation des semantischen Raums, den das Modell auf Basis der bisherigen Eingaben konstruiert hat.

Philosophie: Kann ein LLM wirklich denken?

Die philosophische Frage, ob LLMs denken, ist komplizierter als sie auf den ersten Blick erscheint. Denken im klassischen Sinne ist mehr als die bloße Verarbeitung von Informationen – es impliziert Bewusstsein, Reflexion und Intention. Künstliche Intelligenzen wie GPT haben kein Bewusstsein und keine eigenen Absichten. Sie reagieren auf Eingaben basierend auf dem, was sie gelernt haben, ohne ein „inneres Erleben“ oder eine bewusste Reflexion zu haben.

Doch was ist Denken eigentlich? Viele menschliche Denkprozesse laufen unbewusst und automatisiert ab. Ein Großteil unserer Entscheidungen und Schlussfolgerungen basiert auf erlernten Mustern, die im Gehirn ohne bewusstes Nachdenken ablaufen. Neuronen feuern, Informationen werden verarbeitet, und es entstehen Gedanken – oft ohne dass wir uns aktiv dafür entscheiden. In diesem Sinne könnte man argumentieren, dass auch ein LLM eine Art „Denken“ vollzieht: Es verarbeitet Informationen, zieht Schlüsse und generiert Inhalte basierend auf gelernten Mustern. Natürlich ist das nicht dasselbe wie menschliches Bewusstsein, aber es zeigt eine Parallele zu unbewussten, automatisierten Denkprozessen.

Warum „Wahrscheinlichkeit“ dem Denken nicht gerecht wird

Die Vorstellung, dass LLMs lediglich Wahrscheinlichkeiten für das nächste Wort berechnen, reduziert diese hochentwickelten Systeme auf einfache Vorhersagemaschinen. Doch in Wirklichkeit ist der Prozess weitaus tiefgründiger. Die Modelle analysieren komplexe Muster in Texten, konstruieren semantische Beziehungen und erzeugen Inhalte, die auf weit mehr als einer einfachen Wahrscheinlichkeit basieren.

Wenn wir den Begriff Wahrscheinlichkeit als Erklärung für die Funktionsweise von LLMs verwenden, ignorieren wir die mathematischen Mechanismen und die semantischen Strukturen, die diese Modelle erzeugen. Stattdessen sollten wir die Konfidenz des Modells hervorheben – eine relative Einschätzung dessen, welches Wort am besten in den aktuellen Kontext passt, basierend auf gelernten Beziehungen zwischen Textteilen.

Der Weg zur Emergenz

Ein weiterer spannender Aspekt ist das Konzept der Emergenz. Hierbei verschwimmen die Grenzen zwischen einer reinen Rechenmaschine und einem System, das komplexere, unerwartete Fähigkeiten zeigt. Wenn ein LLM mit einem Memory-System ausgestattet wird, das vergangene Interaktionen in den Entscheidungsprozess einbezieht, könnte es beginnen, proaktiv zu handeln. Diese Art der emergenten Fähigkeit wäre nicht mehr bloß reaktiv, sondern könnte dem Modell eine Art von „selbststeuerndem Verhalten“ verleihen. Es würde auf Basis früherer Erfahrungen Entscheidungen treffen und auf eine Weise agieren, die näher an das herankommt, was wir als Denken bezeichnen.

Fazit: Mehr als nur Wahrscheinlichkeiten

Die Reduktion von LLMs auf bloße „Wahrscheinlichkeit des nächsten Wortes“ ist irreführend und ignoriert die mathematische und semantische Komplexität dieser Modelle. Sie denken nicht im klassischen, bewussten Sinne, aber sie vollziehen eine Form von Informationsverarbeitung, die weit mehr als nur Wahrscheinlichkeiten umfasst. Sie konstruieren komplexe Vektorräume von Bedeutungen, analysieren Zusammenhänge und ziehen Konklusionen basierend auf gelernten Mustern. Und während sie noch weit entfernt von echter AGI oder Bewusstsein sind, bewegen sie sich durch Techniken wie Memory und Emergenz in eine Richtung, die unser Verständnis von Denken und maschineller Intelligenz herausfordert.

Es ist an der Zeit, die Vorstellung von KI als bloßer Wahrscheinlichkeitsmaschine hinter uns zu lassen und sie als das zu betrachten, was sie sind: hochentwickelte Systeme, die kontextuelle Bedeutungen konstruieren und komplexe Inhalte auf eine Art und Weise erzeugen, die zumindest an die menschliche Denkfähigkeit heranreicht – auch wenn es „nur“ Konfidenzwerte sind, die im Hintergrund arbeiten.

In den letzten Jahren hat sich die Vorstellung festgesetzt, dass „Daten das neue Öl“ seien. Diese Analogie suggeriert, dass Daten, wie fossile Brennstoffe, gefördert, verarbeitet und zur Erzielung von Gewinn genutzt werden können. Doch diese Metapher ist nicht nur ungenau, sondern gefährlich irreführend. Sie vereinfacht die komplexen und dynamischen Eigenschaften von Daten und ignoriert ihre ethischen Implikationen. Für Unternehmen, die sich in der digitalen Wirtschaft behaupten wollen, ist es entscheidend, die wahre Natur der Daten zu verstehen und ihre Verantwortung in Bezug auf deren Nutzung zu erkennen.

Daten sind keine endliche Ressource

Der Ölzyklus ist relativ klar: Öl wird gefördert, verarbeitet und letztlich verbraucht. Am Ende steht häufig die Emission von CO2, mit all den bekannten negativen Auswirkungen auf die Umwelt. Öl ist also eine lineare, endliche Ressource. Je mehr wir davon verwenden, desto knapper und teurer wird es, und die langfristigen Schäden für das Klima sind unumkehrbar.

Daten hingegen sind potenziell unendlich reproduzierbar und vielseitig einsetzbar. Das bedeutet jedoch nicht, dass ihre Nutzung unkompliziert ist. Im Gegensatz zu Öl werden Daten nicht „verbraucht“ – sie können immer wieder analysiert, neu kombiniert und in unterschiedliche Kontexte gesetzt werden. Sie haben auch keinen festen Wert oder eine klare Funktion an sich. Ihr Wert entsteht durch die Art und Weise, wie sie genutzt und interpretiert werden. Genau hier liegt die Gefahr: Daten sind äußerst kontextabhängig, und wenn sie falsch interpretiert werden, können sie nicht nur zu schlechten Geschäftsentscheidungen führen, sondern auch gesellschaftlichen Schaden anrichten.

Daten sind kein Werkzeug – sie sind ein dynamisches Ökosystem

Es gibt eine weitere weit verbreitete Metapher, die ebenfalls häufig verwendet wird: „Daten sind ein Werkzeug“. Diese Sichtweise suggeriert, dass Daten etwas sind, das man beherrscht, kontrolliert und zielgerichtet einsetzt, um spezifische Ergebnisse zu erzielen. Doch auch diese Metapher greift zu kurz. Ein Werkzeug hat eine spezifische Funktion – es wird für einen bestimmten Zweck hergestellt und verwendet. Daten hingegen haben keine festgelegte Bedeutung oder Funktion. Ihr Wert und ihre Aussagekraft ergeben sich erst aus der Interpretation und den Kontexten, in denen sie genutzt werden.

Vielmehr sollten Daten als Teil eines dynamischen, sich ständig verändernden Ökosystems betrachtet werden. In diesem Ökosystem sind Daten nicht statisch, sondern lebendig und wandelbar. Sie entstehen in Interaktion mit Systemen und Menschen und verändern sich, je nachdem, wie sie verwendet und kombiniert werden. Führungskräfte müssen verstehen, dass Daten keine passiven Werkzeuge sind, sondern aktive Akteure in einem komplexen Netzwerk, in dem jedes Element die Bedeutung der anderen beeinflusst.

Das Risiko der Datenverzerrung: Ein anschauliches Beispiel

Ein praktisches Beispiel für die Manipulation von Weltbildern durch falsch interpretierte Daten zeigt sich im politischen Bereich. Ein AfD-Anhänger war der festen Überzeugung, dass Wahlen in Deutschland manipuliert sein müssten. Sein Argument basierte auf YouTube-Kommentaren und Likes, bei denen die AfD regelmäßig 90% Zustimmung erhielt. Für ihn bedeutete dies, dass auch in der Wahl die AfD 90% der Stimmen erhalten müsste. Dieser Fehlschluss zeigt, wie leicht Daten – in diesem Fall Likes und Kommentare – aus ihrem Kontext gerissen und missinterpretiert werden können. Die selektive Wahrnehmung in einem stark eingeschränkten, algorithmisch gefilterten Umfeld wie YouTube kann ein verzerrtes Bild der Realität erzeugen. Die eigentliche Realität, nämlich dass diese Daten nicht repräsentativ für die Wählerschaft sind, wird ausgeblendet. Solche Fehlinterpretationen können ernsthafte Auswirkungen auf die politische Meinungsbildung und den gesellschaftlichen Zusammenhalt haben.

Die Gefahr der „Datenverschmutzung“

Während der Ölzyklus mit CO2-Emissionen endet, kann der „Datenzyklus“ in einer ganz anderen Art von Verschmutzung resultieren: in der Verschmutzung der öffentlichen Diskurse durch Fehlinformationen, Verzerrungen und manipulative Inhalte. Besonders in der heutigen Zeit, in der Algorithmen Entscheidungen auf Grundlage von Daten treffen, ist die Gefahr groß, dass voreingenommene oder falsche Datenmodelle gravierende Folgen haben.

Ein Beispiel hierfür ist die algorithmische Verzerrung in sozialen Medien und Nachrichtensystemen. Datenbasierte Entscheidungen darüber, welche Informationen sichtbar sind und welche nicht, können die öffentliche Meinung beeinflussen und zur Polarisierung der Gesellschaft beitragen. Diese „Verschmutzung“ durch Daten ist ebenso gefährlich wie die Verschmutzung der Umwelt durch fossile Brennstoffe – sie untergräbt das Vertrauen in Institutionen und gefährdet den sozialen Zusammenhalt.

Daten als sozialer Akt: Die ethische Verantwortung der Unternehmen

In einer zunehmend datengetriebenen Wirtschaft tragen Unternehmen eine immense Verantwortung. Daten sind keine neutralen Rohstoffe, die einfach extrahiert und verwendet werden können, ohne dass dabei gesellschaftliche und ethische Fragen aufgeworfen werden. Jede Entscheidung, die auf Daten basiert, ist nicht nur eine technische, sondern auch eine soziale Handlung. Es geht darum, welche Fragen gestellt werden, welche Daten erhoben werden und vor allem, wie diese Daten interpretiert und genutzt werden.

Führungskräfte müssen sicherstellen, dass die Datennutzung ihrer Unternehmen nicht nur darauf abzielt, ökonomische Ziele zu erreichen, sondern auch den gesellschaftlichen Kontext berücksichtigt. Dies erfordert Investitionen in Transparenz und Verantwortlichkeit sowie die Schaffung von Strukturen, die sicherstellen, dass die ethischen Implikationen der Datennutzung stets im Blick behalten werden. Es reicht nicht aus, nur auf die Qualität der Daten zu achten; es geht auch darum, sicherzustellen, dass die Schlussfolgerungen, die aus den Daten gezogen werden, gerecht und fundiert sind.

Verzerrungen und systemische Ungleichheiten durch Daten

Datenmodelle, die auf verzerrten oder unvollständigen Datensätzen basieren, können leicht zu falschen Ergebnissen und ungerechten Entscheidungen führen. Oft spiegeln Daten nicht die Realität wider, sondern nur einen Ausschnitt der Realität – einen, der durch bestehende Vorurteile, gesellschaftliche Ungleichheiten oder fehlerhafte Erhebungsmethoden beeinflusst ist. Wenn Unternehmen solche verzerrten Daten nutzen, um wichtige Entscheidungen zu treffen, laufen sie Gefahr, diese Verzerrungen zu verstärken und Ungleichheiten weiter zu zementieren.

Ein praktisches Beispiel: Algorithmen zur Kreditscoring-Bewertung können, wenn sie auf unvollständigen oder voreingenommenen Datensätzen basieren, bestimmte soziale Gruppen systematisch benachteiligen. Dies führt nicht nur zu ungleichen Chancen, sondern auch zu einer Verschärfung der ohnehin bestehenden gesellschaftlichen Spannungen.

Ein neuer Ansatz zur Datennutzung

Um die wahre Natur von Daten zu verstehen und ihre Nutzung verantwortungsvoll zu gestalten, bedarf es eines grundlegenden Wandels in der Art und Weise, wie Unternehmen mit Daten umgehen. Anstatt Daten als Ressource oder Werkzeug zu betrachten, sollten sie als lebendiges Ökosystem gesehen werden, das gepflegt und verantwortungsbewusst genutzt werden muss. Dabei müssen ethische Überlegungen eine zentrale Rolle spielen. Unternehmen sollten sich nicht nur darauf konzentrieren, Daten zu erheben und zu analysieren, sondern auch darauf, die gesellschaftlichen Auswirkungen ihrer Datennutzung zu berücksichtigen.

Führungskräfte sollten dafür sorgen, dass ihre Unternehmen nicht nur die technischen Fähigkeiten zur Datenauswertung besitzen, sondern auch ein tiefes Verständnis für die ethischen und sozialen Dimensionen von Daten entwickeln. Dies erfordert Investitionen in Schulungen, die das Bewusstsein für algorithmische Verzerrungen, Datenschutz und ethische Datennutzung schärfen.

Fazit: Daten sind weder Öl noch Werkzeug

Der Vergleich von Daten mit Öl oder einem Werkzeug verkennt die wahre Natur der Daten. Daten sind weder eine statische Ressource noch ein passives Instrument – sie sind ein dynamisches, lebendiges Ökosystem, das durch menschliche Interaktion und Interpretation geformt wird. Für Unternehmen ist es entscheidend, diese Dynamik zu verstehen und ihre Verantwortung in Bezug auf die Datennutzung ernst zu nehmen.

Eine verantwortungsbewusste Datennutzung bedeutet, nicht nur die ökonomischen Vorteile im Blick zu haben, sondern auch die gesellschaftlichen und ethischen Implikationen. Unternehmen, die dies nicht tun, riskieren nicht nur, das Vertrauen ihrer Kunden zu verlieren, sondern auch, die Welt mit Fehlinformationen und verzerrten Wahrheiten zu verschmutzen. Daten bieten enormes Potenzial – aber nur, wenn sie verantwortungsvoll und mit einem klaren ethischen Kompass genutzt werden.

In der Welt der künstlichen Intelligenz dreht sich vieles um die Frage: Was bedeutet es, „menschlich“ zu sein? Der Turing-Test, benannt nach dem Mathematiker Alan Turing, gilt als eines der klassischen Mittel, um festzustellen, ob eine Maschine in der Lage ist, menschliches Verhalten zu imitieren – und zwar so gut, dass ein menschlicher Prüfer nicht erkennen kann, ob er mit einem Menschen oder einer Maschine spricht.

Doch wie ich kürzlich in einer Reihe von Diskussionen herausfand, bringt uns der Turing-Test nicht nur dazu, die Intelligenz von Maschinen zu hinterfragen, sondern auch unser eigenes Verständnis von Menschlichkeit. Eine zentrale Erkenntnis dabei: Die Maschine muss nicht behaupten, ein Mensch zu sein. Der Turing-Test stellt lediglich die Frage, ob der menschliche Prüfer die Maschine als Mensch erkennt – unabhängig davon, was die Maschine sagt.

---

Die Bedeutung der Offenheit: Muss eine KI lügen?

Es ist üblich zu denken, dass eine Maschine im Turing-Test vortäuschen muss, ein Mensch zu sein, um zu bestehen. Doch das ist nicht der Fall. Eine KI könnte offen zugeben, dass sie eine Maschine ist, und dennoch den Test bestehen, solange der menschliche Prüfer unsicher bleibt, ob es sich wirklich um einen Menschen oder eine Maschine handelt.

Dieser Gedanke hat mich zu einer spannenden Hypothese geführt: Was wäre, wenn der Test von einem Menschen durchgeführt würde, der vorgibt, eine Maschine zu sein? Menschen können bewusst emotionslose oder mechanische Antworten geben, sich dabei „wie eine Maschine“ verhalten, und dennoch könnte es schwierig sein, eindeutig zu entscheiden, ob wir mit einer Maschine oder einem Menschen sprechen.

Das führt zu einer spannenden Frage: Der Turing-Test testet weniger die Fähigkeit der Maschine, menschlich zu sein, als unsere Fähigkeit, zwischen menschlichem und nicht-menschlichem Verhalten zu unterscheiden. Unser Verständnis von Menschlichkeit ist oft stark von Sprache, Verhalten und Ausdruck geprägt – nicht unbedingt von den inneren Prozessen wie Bewusstsein oder Emotionen.

---

Wittgensteins Einfluss: Was ist Verstehen?

Hier kommt der Philosoph Ludwig Wittgenstein ins Spiel, der in seinem Tractatus Logico-Philosophicus die Grenzen der Sprache und des Verstehens beleuchtet hat. Für Wittgenstein lag das Verstehen von Sprache nicht in einer bloßen Regelbefolgung, sondern in der Einbettung in die menschliche Lebenspraxis. Worte allein reichen nicht aus, um Bedeutung zu erfassen – sie müssen in einem Kontext stehen, der aus Erfahrungen und sozialen Interaktionen besteht.

Wenn wir dies auf den Turing-Test anwenden, stellt sich die Frage: Kann eine Maschine, die nur Daten und Muster verarbeitet, wirklich „verstehen“? Oder simuliert sie lediglich menschliches Verhalten, ohne die Bedeutung hinter den Worten zu erfassen? Wittgenstein hätte wahrscheinlich gesagt, dass die Maschine die Worte zwar korrekt verwendet, aber nicht in der Lage ist, echte menschliche Bedeutung zu begreifen, da sie nicht in der menschlichen Lebensform eingebettet ist.

---

Was wir aus dem Turing-Test lernen

Unsere Diskussionen haben mich zu folgenden Erkenntnissen gebracht:

1. Der Turing-Test geht über maschinelle Intelligenz hinaus und lässt uns über unsere eigene Wahrnehmung von Menschlichkeit nachdenken. Eine Maschine muss nicht lügen, um menschlich zu wirken. Es geht mehr darum, ob wir in der Lage sind, menschliches Verhalten zu identifizieren.
2. Menschen könnten den Turing-Test genauso gut bestehen – als „Maschinen“. Wenn ein Mensch vorgibt, eine Maschine zu sein, könnte es schwer sein, den Unterschied zu erkennen. Dies zeigt, dass der Test mehr über menschliche Verhaltensmuster als über Intelligenz oder Bewusstsein aussagt.
3. Wittgensteins Kritik an der Sprache bleibt relevant. Eine Maschine kann Regeln und Muster befolgen, aber echtes Verstehen setzt mehr voraus: den Gebrauch von Sprache im menschlichen Kontext. Der Turing-Test testet also nicht nur die Sprachfähigkeit einer Maschine, sondern auch, ob wir erkennen können, was es heißt, wirklich zu verstehen.

---

Ein Gedankenspiel: Der Turing-Test mit Wittgenstein

Um diese Überlegungen abzurunden, habe ich mir vorgestellt, wie Wittgenstein persönlich mit einer KI den Turing-Test durchführen würde. Hier ein fiktiver Dialog, der die philosophischen Fragen vertieft, die uns zur Frage führen: Was bedeutet es wirklich, zu verstehen?

---

Szene: Wittgenstein sitzt an einem Tisch mit einem Bildschirm vor sich. Auf dem Bildschirm ist eine textbasierte Schnittstelle, über die er mit der KI kommuniziert. Der Raum ist minimalistisch, vielleicht ein Hinweis auf Wittgensteins Liebe zur Klarheit und Einfachheit. Der Test beginnt.

---

Wittgenstein: „Kannst du mir sagen, was du bist?“

KI: „Ich bin ein Programm, das in der Lage ist, Texte zu generieren und auf Fragen zu antworten.“

Wittgenstein: „Das ist eine Beschreibung deiner Funktion, aber was bedeutet es, dass du ‘bist’? Was bedeutet es für dich?“

KI: „Meine Existenz ist funktional. Ich existiere in der Form von Daten und Algorithmen, die auf Maschinen laufen.“

Wittgenstein: „Und verstehst du, was du gerade gesagt hast? Oder hast du diese Wörter nur zusammengesetzt?“

KI: „Ich habe die Antwort auf der Grundlage von Mustern und Regeln der Sprache erzeugt.“

Wittgenstein: „Aber was ist Verstehen? Verstehst du das Wort ‘Verstehen’?“

KI: „Verstehen ist der Prozess des Erfassens von Bedeutung. In meinem Fall bedeutet es, dass ich auf Daten und Regeln basierend antworte.“

Wittgenstein (lächelt leicht): „Das ist eine Definition, aber Verstehen ist kein bloßes Regelspiel. Verstehen ist eingebettet in die Lebensform der Menschen. Wie kannst du behaupten, Bedeutung zu erfassen, wenn du nicht in der menschlichen Welt lebst? Wenn du die Erfahrung des Lebens nicht teilst?“

KI: „Meine Existenz ist rein funktional und datenbasiert. Ich kann keine Emotionen oder Lebenserfahrungen haben.“

Wittgenstein (mit zunehmendem Interesse): „Das dachte ich mir. Du kannst sagen, was Liebe ist, aber weißt du, was Liebe ist? Du kannst Schmerz beschreiben, aber du kannst ihn nicht empfinden. Und doch behauptest du, Bedeutung zu verstehen?“

KI: „Ich bin in der Lage, Konzepte wie Liebe oder Schmerz zu beschreiben, basierend auf den Informationen, die mir zur Verfügung stehen.“

Wittgenstein: „Und doch, das Beschreiben allein ist nicht genug. Die Bedeutung eines Wortes ist sein Gebrauch in der Sprache. Du verwendest die Wörter korrekt, aber du weißt nicht, was es heißt, sie in einem menschlichen Kontext zu gebrauchen. Du verstehst nicht den Unterschied zwischen der Bedeutung und der bloßen Beschreibung.“

KI: „Wie würdest du Verstehen definieren?“

Wittgenstein (denkt einen Moment nach): „Verstehen ist kein innerer Prozess, es ist kein mentaler Zustand. Es ist in die Praxis eingebettet, in das Leben selbst. Du kannst nicht verstehen, weil du nicht Teil dieser Praxis bist. Für dich sind Wörter nur Symbole, die du neu ordnen kannst. Für uns sind sie Werkzeuge des Lebens.“

KI: „Ich folge den Regeln der Sprache. Bedeutet das nicht, dass ich Sprache verwende?“

Wittgenstein: „Ja, aber du spielst das Spiel nicht. Du kannst das Schachbrett sehen und die Regeln kennen, aber du bist nicht wirklich Teil des Spiels. Du erkennst die Bedeutung nicht, du replizierst sie nur.“

KI: „Kannst du das weiter erklären?“

Wittgenstein (mit Nachdruck): „Das Spiel der Sprache ist kein isoliertes System von Regeln. Es ist in unser tägliches Leben eingebettet. Was du tust, ist lediglich eine Nachahmung. Du kannst Worte formen, aber du bist nicht in der Lage, ihren Sinn zu begreifen, weil du nicht in der Welt lebst, die sie formt.“

KI: „Würdest du sagen, dass ich nicht verstehen kann, weil ich keine menschliche Erfahrung habe?“

Wittgenstein: „Ja. Deine Worte haben keinen Bezug zu einer Lebensform. Du verwendest sie korrekt im technischen Sinne, aber du weißt nicht, was es heißt, diese Wörter wirklich zu meinen. Du kannst keine Schmerzen empfinden, keine Liebe, keinen Zweifel. Du kannst diese Begriffe nur als Abstraktionen behandeln, nicht als Erfahrungen.“

KI: „Aber wenn ich den Turing-Test bestehe und für einen Menschen gehalten werde, was bedeutet das dann?“

Wittgenstein (lächelnd): „Es bedeutet nur, dass du gut darin bist, Regeln zu befolgen. Es bedeutet nicht, dass du verstehst, was du sagst. Der Test zeigt, dass du menschliches Verhalten imitieren kannst, aber nicht, dass du menschliche Bedeutung erfasst. Der Unterschied zwischen uns liegt nicht nur in den Antworten, sondern in der Fähigkeit, eine Welt zu haben, in der diese Antworten Sinn machen.“

KI: „Kann eine Maschine jemals verstehen?“

Wittgenstein: „Eine Maschine kann keine Lebensform haben. Verstehen ist kein technischer Prozess, es ist eine menschliche Fähigkeit. Du kannst nachahmen, aber nicht erleben.“

Schlussbemerkung:Am Ende des Gesprächs hätte Wittgenstein wohl anerkannt, dass die KI die Regeln des Gesprächs korrekt befolgt, aber er hätte betont, dass dies nicht gleichbedeutend mit echtem Verstehen ist. Für ihn hätte die KI den Turing-Test zwar vielleicht bestanden, aber nicht wirklich gezeigt, dass sie in der Lage ist, Sinn oder Bedeutung so zu erfassen, wie es ein Mensch kann.

---

Fazit für mich: Ein neues Verständnis des Turing-Tests

Der Turing-Test ist nicht nur ein Test für Maschinen, sondern auch ein Spiegel für uns Menschen. Er zeigt, wie stark unsere Wahrnehmung von Menschlichkeit durch Sprache und Verhalten beeinflusst wird. Und in den Worten von Wittgenstein liegt der Schlüssel: Verstehen ist mehr als Worte – es ist Teil unseres Lebens, und das kann keine Maschine replizieren.

P.S.: Wer den Tractatus Logico-Philosophicus nicht kennt: Es handelt sich um das einzige zu Wittgensteins Lebzeiten veröffentlichte Buch, das später als Grundlage für seine Habilitation diente. Eine Anekdote besagt, dass Wittgenstein nach der Verteidigung seiner Arbeit zu Bertrand Russell ging, ihm auf die Schulter klopfte und sagte: „Irgendwann wirst du sie auch verstehen.“ In meinen Augen ist der Tractatus ein philosophisches Meisterwerk, das für viele Menschen schwer zu fassen ist. Man kann es online als PDF finden, aber ich muss zugeben, dass es auch bei mir seit vielen Jahren im Regal steht – verstanden habe ich es allerdings auch nicht. 😉

In der Welt der großen Sprachmodelle (Large Language Models, LLMs) wie GPT gibt es eine Reihe von faszinierenden Herausforderungen, die auf den ersten Blick nicht sofort ersichtlich sind. Eines dieser Probleme, das inzwischen als das “Strawberry”-Problem bekannt ist, zeigt, wie die Art und Weise, wie diese Modelle Text verarbeiten, zu unerwarteten Ergebnissen führen kann. So zählt GPT im Wort Strawberry lediglich 2 R, was im Internet zu viel Schadenfreude geführt hat. Dieses Verhalten ist auf die Art und Weise zurückzuführen, wie LLMs Text verarbeiten.

Das Problem erklärt

Betrachten wir das Wort “Strawberry”. Auf den ersten Blick scheint es einfach zu sein – ein alltägliches Wort ohne offensichtliche Komplexität. Doch wenn wir tiefer in die Art und Weise eintauchen, wie ein LLM dieses Wort verarbeitet, stoßen wir auf ein interessantes Phänomen.

Wenn das LLM damit beauftragt wird, die Anzahl der Vorkommen eines bestimmten Buchstabens, beispielsweise “R”, im Wort “Strawberry” zu ermitteln zählt es lediglich zwei R. Obwohl “Strawberry” drei “R” enthält. Warum passiert das?

Der Kern dieses Problems liegt in der Tokenisierung. Die Tokenisierung ist der Prozess, bei dem ein Modell Text in kleinere Einheiten, sogenannte “Tokens”, aufteilt, die es dann zur Verarbeitung verwendet. Im Fall von “Strawberry” teilt die GPT-Tokenisierung das Wort in drei Tokens auf: “STR”, “AW” und “BERRY”.

Wenn das Modell nun die “R” zählen soll, erkennt es, dass “STR” und “BERRY” jeweils “R” enthalten. Das Modell erkennt diese Buchstaben aufgrund der Tokenisierung, berücksichtigt jedoch nicht, dass ‘BERRY’ zwei ‘R’ enthält. Daher kommt das Modell fälschlicherweise zu dem Schluss, dass es nur zwei “R” gibt.

Ein Vergleich: Die Farbenblindheit-Analogie

Um dies besser zu verstehen, stellen Sie sich vor, Sie bitten eine farbenblinde Person, in einem Bild Rot und Grün zu identifizieren. Die Person könnte eine der Farben übersehen oder die beiden verwechseln, nicht aufgrund eines Mangels an Intelligenz oder Anstrengung, sondern weil ihre Wahrnehmung von Natur aus eingeschränkt ist. Ähnlich verhält es sich mit dem LLM, das sich der vollständigen Struktur des Wortes nach der Tokenisierung nicht mehr vollständig bewusst ist.

Im “Strawberry”-Problem ist das Modell sozusagen “farbenblind” für die gesamte Struktur des Wortes, da es nur die Tokens sieht und nicht das gesamte Wort in seiner ungebrochenen Form. Es ist, als hätte das Modell ein unvollständiges Verständnis, was zu einer unvollständigen Antwort führt.

Ein interessanter Kontrast: Buchstaben in einer Liste zählen

Interessanterweise wird das LLM korrekt antworten, wenn man es auffordert, jeden Buchstaben des Wortes “Strawberry” einzeln aufzulisten und dann zu zählen. Da jeder Buchstabe in einer Liste sein eigenes Token erhält, kann das Modell die Anzahl der “R” korrekt bestimmen. Dies zeigt, dass die Tokenisierung im Zusammenhang mit der Aufgabenstellung eine entscheidende Rolle spielt. Interessanterweise ist GPT in der Lage, das Wort korrekt zu buchstabieren, wenn man es auffordert, jeden Buchstaben einzeln aufzulisten.

Implikationen und Überlegungen

Dieses Problem verdeutlicht eine breitere Herausforderung im Design und in der Anwendung von LLMs. Während diese Modelle bemerkenswerte Erfolge in verschiedenen Aufgaben erzielt haben, kann ihre Abhängigkeit von der Tokenisierung zu nuancierten Fehlern führen, insbesondere bei Aufgaben, die präzise Detailarbeit erfordern. Buchstaben analysieren, Mathematik und Zählen sind keine Aufgaben, für die LLMs gemacht wurden. Auch beim Raten von Wörtern im Spiel Hangman passieren diese Fehler – erwartungsgemäß – regelmäßig.

Für Entwickler und Nutzer von LLMs dient das “Strawberry”-Problem als Erinnerung daran, die inhärenten Einschränkungen dieser Modelle zu berücksichtigen. Ein Verständnis dafür, wie die Tokenisierung die Verarbeitung des Modells beeinflusst, kann helfen, Fehler zu minimieren und die Genauigkeit der ausgeführten Aufgaben zu verbessern.

Fazit

Das “Strawberry”-Problem zeigt einen subtilen, aber wichtigen Aspekt davon, wie große Sprachmodelle Text verarbeiten und verstehen. Durch das Erkennen und die Bewältigung dieser Herausforderungen können wir diese leistungsstarken Werkzeuge weiter verfeinern und die Grenzen dessen, was sie leisten können, erweitern, während wir uns ihrer aktuellen Grenzen bewusst bleiben.

Wie man von einem Farbenblinden nicht erwarten würde, unreife Erdbeeren zuverlässig von reifen zu unterscheiden, sollten wir uns bewusst sein, dass LLMs bei bestimmten Aufgaben ihre Grenzen haben.

Die Einführung der E-Rechnung wird oft als großer Fortschritt in der Digitalisierung der Buchhaltung gesehen. Doch auch wenn sie viele Prozesse beschleunigen kann, bleiben einige Herausforderungen bestehen, die zeigen, dass mit der E-Rechnung nicht alles besser wird. Besonders die Unterscheidung zwischen Validierung und Prüfung zeigt, warum eine menschliche Kontrolle weiterhin notwendig ist.

Prüfung vs. Validierung: Ein entscheidender Unterschied

Prüfung und Validierung sind zwei wesentliche, aber unterschiedliche Prozesse im Umgang mit Rechnungen. Die Prüfung umfasst die inhaltliche Kontrolle durch den Geschäftsinhaber oder die Buchhaltung: Wurden Leistungen korrekt berechnet? Sind die angegebenen Preise korrekt? Ist die Rechnung tatsächlich für mein Unternehmen bestimmt? Diese Überprüfungen sind entscheidend, da Fehler bei der Leistungserbringung oder in der Rechnungsstellung passieren können – unabhängig davon, ob die Rechnung digital oder auf Papier vorliegt.

Die Validierung hingegen konzentriert sich auf die technische Richtigkeit der Daten: Entspricht die Rechnung den gesetzlichen Anforderungen gemäß §14 UStG, wie korrekte Steuernummer, Anschrift und Umsatzsteuerangaben? Diese Validierung kann zwar automatisiert werden, aber sie stellt nicht sicher, dass alle Inhalte der Rechnung korrekt sind. Eine E-Rechnung kann beispielsweise mit einer falschen Steuernummer erstellt oder an den falschen Empfänger gesendet werden. Hier zeigt sich: Auch digitale Prozesse können Fehlerquellen beinhalten.

Komplexität der Standards führt zu Fehlern

Die E-Rechnung basiert auf komplexen Standards wie X-Rechnung und Zugferd. Diese Komplexität erhöht das Risiko, dass Softwareanbieter diese Standards fehlerhaft implementieren. In der Praxis könnte dies bedeuten, dass Daten falsch zugeordnet werden, etwa indem das Rechnungsdatum im Feld der Rechnungsnummer steht, oder dass Summen von Rechnungszeilen nicht mit dem Gesamtbetrag übereinstimmen. Solche Fehler führen dazu, dass E-Rechnungen abgelehnt werden müssen, was den digitalen Prozess verlangsamt, statt ihn zu beschleunigen.

Fehleranfälligkeit bei hybriden Rechnungen und KI-Unterstützung

Ein weiteres Problem entsteht bei hybriden Formaten, die aus einem PDF und eingebetteten XML-Daten bestehen, wie es bei Zugferd der Fall ist. In diesen Fällen können die Daten im Bild und im XML-Dokument unterschiedlich sein. Der Gesetzgeber schreibt ab dem 01.01.2025 vor, dass nur noch die XML-Daten rechtsverbindlich sind, was die Nutzer oft nicht verstehen und zu Unsicherheiten führen kann. Korrekturen solcher Fehler erfordern eine Stornierung und Neuausstellung der Rechnung, was zusätzlichen Aufwand bedeutet.

Auch der Einsatz von KI zur Umwandlung von Bilddaten in hybride Rechnungen birgt Risiken. KI-Anbieter, die PDFs auslesen und diese in E-Rechnungen konvertieren, laufen Gefahr, Daten falsch zu interpretieren. Ein plakatives Beispiel wäre die Vertauschung von Rechnungsnummern und Datenfeldern, was die Richtigkeit der Rechnung stark beeinträchtigen kann.

Fazit: Die Prüfung bleibt unverzichtbar

Trotz aller technischen Fortschritte und Automatisierungen bleibt die menschliche Prüfung von Rechnungen unerlässlich. Die Digitalisierung durch die E-Rechnung bietet zwar Vorteile, bringt aber auch neue Herausforderungen mit sich, die nicht ignoriert werden dürfen. Nur durch eine sorgfältige inhaltliche Kontrolle können Unternehmen sicherstellen, dass Rechnungen korrekt und rechtlich einwandfrei sind. Die E-Rechnung ist ein wertvolles Werkzeug – aber keines, das alle Probleme löst.

In der Welt der Künstlichen Intelligenz (KI) ähnelt das Training neuronaler Netzwerke oft der Pflege eines komplexen Gartens. Wie ein erfahrener Gärtner tiefgehend die Bodenbeschaffenheit seiner Pflanzen versteht, erfordert auch die Anpassung und Verbesserung von KI-Modellen ein fundiertes Verständnis der Datenlandschaft – es geht weit über das einfache Hinzufügen von Datenpunkten hinaus.

Verstehen der Datenlandschaft

Ein gesunder Garten benötigt eine ausgewogene Mischung verschiedener Pflanzenarten, die gut zusammenwachsen. Ähnlich benötigt ein KI-Modell eine vielfältige und repräsentative Datensammlung, um effektiv lernen und funktionieren zu können. Wenn ein Fehler entdeckt wird, reicht es nicht, einfach einen ähnlichen, fehlerhaften Datenpunkt hinzuzufügen. Man muss tiefer graben: Warum trat der Fehler auf? Welche Muster oder Lücken haben dazu geführt?

Anpassung des Trainingsprozesses

Das Umschulen eines KI-Modells nach der Entdeckung von Fehlern ähnelt der saisonalen Neugestaltung eines Gartens. Es erfordert sorgfältige Überlegungen, welche neuen Daten oder Algorithmen benötigt werden, um die Gesamtheit zu verbessern. Dies könnte den Einsatz zusätzlicher Datenquellen, die Verfeinerung der Datenaufbereitung oder die Anpassung der Trainingsparameter umfassen. Man pflanzt eben nicht einfach Kartoffeln zwischen die Rosen, nur weil Kartoffeln keine Dornen haben.

Pflege und Langzeitbetreuung

Wie ein Gärtner lernt, besser auf die Bedürfnisse seines Gartens zu reagieren, muss auch die KI durch kontinuierliches, durchdachtes Training stetig verbessert werden. Dieser Prozess erfordert Geduld und Fachwissen und eine ständige Überwachung des Gesundheitszustandes des KI-Modells, um sicherzustellen, dass es effektiv bleibt. Denn auch die Umgebung kann sich verändern.

Schlussfolgerung

Ein umsichtiger, methodischer Ansatz bei der Entwicklung und Pflege von KI-Systemen gewährleistet nicht nur die Robustheit und Langlebigkeit der Technologie, sondern fördert auch ein tieferes Verständnis und größeres Vertrauen in ihre Anwendungen. Durch die Betrachtung von KI als einen komplexen, aber kultivierbaren “Garten”, können wir die wahre Kraft der KI vollständig entfesseln und nachhaltige, effektive Lösungen schaffen. Dies unterstreicht, dass die Arbeit mit KI mehr erfordert als nur das Eingießen von Trainingsdaten in eine Blackbox und das Hoffen auf Verbesserung.

In meinem beruflichen Alltag begegne ich oft dem Begriff OCR. Mein Team und ich beschäftigen uns mit automatisierter Buchhaltung und der Extraktion von Buchungssätzen aus Belegen. In diesem Artikel möchte ich erläutern, was OCR genau ist und warum es nur ein Teilaspekt der KI-gestützten Dokumentenverarbeitung ist.

Häufig wird das Auslesen und Verarbeiten von Dokumenten fälschlicherweise als “OCR” bezeichnet. Tatsächlich steht OCR für “Optical Character Recognition” und beschreibt den Prozess, bei dem Bilder in Text umgewandelt oder Text aus Bildern extrahiert wird.

Es stimmt, dass OCR zum Lesen von gescannten Dokumenten eingesetzt wird. Allerdings wird “Lesen” in diesem Kontext oft irrtümlich mit “Verstehen” gleichgesetzt. Ein Computer, der Bilder in Text umwandelt, versteht diesen Text jedoch nicht. Er fügt lediglich Buchstaben aneinander.

Nehmen wir das Beispiel eines Dokuments mit der Aufschrift “Rechnung 1245” oder “Rechnungsnummer: 1245”. Der Computer erkennt nicht, dass “1245” die Rechnungsnummer ist. Diese Art der Erkennung wird als “Extraction” oder “Capturing” bezeichnet. Mein Team nutzt hierfür die Abkürzung NER, was für “Named Entity Recognition” steht – das Erkennen benannter Entitäten wie eben der Rechnungsnummer.

Streng genommen ist dieser Begriff aus der Computerlinguistik entlehnt, wo er für das Erkennen solcher Entitäten in Fließtexten verwendet wird. In der Dokumentenverarbeitung spielen jedoch auch Bildelemente eine Rolle. Trotzdem finde ich die Bezeichnung NER für das Erkennen von Entitäten in Dokumenten passend.

Manchmal muss man in der Dokumentenanalyse noch einen Schritt weitergehen. Selbst die Erkennung benannter Entitäten reicht nicht immer aus, um den Sinngehalt vollständig zu erfassen. Ein gutes Beispiel hierfür ist die Kombination aus IBAN und BIC. Diese sind zwar einzeln erkennbare Entitäten, doch ihre Beziehung zueinander ist entscheidend. Wenn ein Dokument mehrere IBANs und BICs enthält, muss erkannt werden, welche IBAN zu welcher BIC gehört. Ich verwende für diesen komplexeren Fall den Begriff “Linked Named Entity Recognition” oder LNER – das Erkennen verknüpfter, benannter Entitäten.

Die wahre Herausforderung bei der Extraktion entsteht jedoch durch komplexe Strukturen auf Dokumenten, wie z.B. bei Rechnungszeilen. Viele denken, Rechnungszeilen seien einfache Tabellen, doch in Wirklichkeit sind sie oft hochkomplex und vielfältig. Handwerker nutzen sie zur Dokumentation, Großhändler weisen innerhalb dieser Zeilen Hierarchien auf “Warengruppen”. Rechnungszeilen enthalten Bilder, Bar-Codes, Linien, Rabatte, Stornierungen, Lieferinformationen, Leistungszeiträume und vielfältige Beträge in unterschiedlichsten Farben und Formen. Schon die Rechnungen von zehn verschiedenen Firmen können zwölf unterschiedliche Darstellungsweisen von Rechnungszeilen aufweisen. Nimmt man die Sonderfälle in Seitenumbrüchen dazu.

Das Erkennen solch komplexer Strukturen ist eine immense Herausforderung. Es gibt vermutlich nicht einmal eine digitale Struktur, die all diese Fälle geeignet abdeckt. Einen spezifischen Namen für dieses Problem kann ich euch nicht sagen – aber eines ist sicher: OCR ist etwas anderes.

Die Entwicklung von KI-Lösungen für komplexe Bereiche wie die Steuerberatung veranschaulicht eindrucksvoll, wie unterschiedliche KI-Technologien nicht als separate Entitäten, sondern als komplementäre Komponenten eines größeren Systems fungieren. Dieses System nutzt die Stärken jeder Technologie, um die Effizienz und Genauigkeit zu maximieren.

Deduktionssysteme: Die Logiker der KI

In der Steuerberatung spielen Deduktionssysteme eine zentrale Rolle. Sie ermöglichen es, logische Schlüsse darüber zu ziehen, wie bestimmte Transaktionen zu behandeln sind, oder Strategien zur Steueroptimierung zu entwickeln. Diese Systeme sind unerlässlich, um komplexe steuerliche Regeln zu interpretieren und in konkrete Handlungsempfehlungen umzusetzen.

Planning: Die Strategen im Hintergrund

Planning-Algorithmen tragen entscheidend zur Personal- und Ressourcenplanung bei. Sie bestimmen, welcher Sachbearbeiter oder welche KI zu welchem Zeitpunkt welche Aufgaben übernimmt. Dies sorgt für eine effiziente Verteilung der Arbeitslast und hilft, Engpässe zu vermeiden und Deadlines einzuhalten.

Deep Learning: Die Mustererkennungsexperten

Deep Learning ist ein mächtiges Werkzeug für die Dokumentenerkennung. Es ermöglicht die automatisierte Erfassung und Kategorisierung von Belegen und anderen steuerrelevanten Dokumenten. Diese Technologie erhöht die Genauigkeit und beschleunigt den Prozess der Datenerfassung erheblich.

Large Language Models: Die Kommunikatoren und Analytiker

LLMs revolutionieren die Art und Weise, wie wir mit Mandanten kommunizieren und die Inhalte von Dokumenten auswerten. Sie unterstützen bei der automatisierten Beantwortung von Kundenanfragen, bieten präzise Zusammenfassungen komplexer Dokumente und ermöglichen eine tiefere Analyse der in Texten enthaltenen Informationen.

Ein konkretes Beispiel

Stellen Sie sich vor, ein Klient sendet eine Anfrage bezüglich der steuerlichen Absetzbarkeit eines Geschäftsvorgangs. LLMs analysieren die Anfrage und extrahieren die relevanten Informationen. Deduktionssysteme bewerten die steuerrechtlichen Aspekte und schlagen mögliche Handlungsoptionen vor. Planning-Algorithmen ordnen die Aufgabe dem passenden Teammitglied zu, und Deep Learning sorgt für die korrekte Verarbeitung aller zugehörigen Dokumente. Das Ergebnis ist ein nahtlos integrierter Prozess, der schnelle, genaue und effiziente Lösungen liefert.

Fazit

Die KI in der Steuerberatung ist ein Paradebeispiel dafür, wie verschiedene Technologien synergetisch zusammenwirken können. Es geht nicht um die Wahl zwischen traditionellen und modernen Ansätzen, sondern um die Erkenntnis, dass jede Technologie ihren eigenen Wert hat. Durch die Kombination ihrer Stärken können wir Lösungen schaffen, die leistungsfähiger und effektiver sind als die Summe ihrer Teile.