Was ist ein neuronales Netz?
Wie erkennt eine Software, dass auf einem Foto eine Katze ist, obwohl ihr das niemand Regel für Regel erklärt hat? Mit einem neuronalen Netz.
Ein neuronales Netz ist ein Verfahren des Machine Learning. Es besteht aus vielen kleinen Recheneinheiten, den künstlichen Neuronen, die in Schichten hintereinander liegen. Jede Verbindung zwischen zwei Neuronen hat ein Gewicht, also eine Zahl, die sagt, wie wichtig dieses Signal ist. Aus Beispielen lernt das Netz, diese Gewichte so einzustellen, dass am Ende die richtige Antwort herauskommt.
Wie funktioniert ein neuronales Netz?
Stell dir ein Mischpult mit tausenden Reglern vor. Vorn kommen die Daten rein, hinten soll das richtige Ergebnis rauskommen. Am Anfang stehen alle Regler zufällig.
- Eingabeschicht: nimmt die Rohdaten auf, etwa die Pixel eines Bildes oder die Wörter eines Satzes.
- Verdeckte Schichten: rechnen die Signale Schritt für Schritt um. Jede Schicht erkennt etwas Komplexeres als die davor, erst Kanten, dann Formen, dann Gesichter.
- Ausgabeschicht: liefert das Ergebnis, zum Beispiel „Katze, 94 % sicher“ oder das nächste Wort im Satz.
So lernt das Netz
Das Training läuft in einer Schleife. Das Netz rät, vergleicht seine Antwort mit der richtigen und misst den Fehler. Dann dreht ein Verfahren namens Backpropagation jeden Regler ein kleines Stück in die Richtung, die den Fehler verkleinert. Das passiert millionenfach. Am Ende stecken die Muster aus den Trainingsdaten in den eingestellten Gewichten.
Netze mit vielen verdeckten Schichten nennt man Deep Learning. Eine feste Grenze, ab wie vielen Schichten ein Netz „tief“ ist, gibt es nicht.
Neuronale Netze und ChatGPT
Große Sprachmodelle wie ChatGPT, Claude oder Gemini sind riesige neuronale Netze. Ihre Bauart heißt Transformer und stammt aus einem Google-Paper von 2017 mit dem Titel „Attention Is All You Need“. Der Trick: Das Netz gewichtet für jedes Wort, welche anderen Wörter im Text gerade wichtig sind.
Wie groß solche Netze sind, zeigt GPT-3 von 2020: 175 Milliarden Parameter, also im Kern 175 Milliarden Regler. Für neuere Modelle veröffentlichen die Anbieter solche Zahlen meist nicht mehr.
Wo dir neuronale Netze im Marketing begegnen
- Texte und Bilder: Sprachmodelle schreiben Entwürfe, Bildgeneratoren erzeugen Motive.
- Gebote: Smart Bidding in Google Ads passt laut Google mit KI-Modellen das Gebot für jede einzelne Auktion an, anhand von Signalen wie Gerät, Ort und Uhrzeit.
- Empfehlungen: YouTube beschreibt seine Empfehlungen als zwei hintereinander geschaltete tiefe neuronale Netze, eines sucht Kandidaten, eines sortiert sie.
Studie · Deutschland
KI in Unternehmen ab 10 Beschäftigten
26 %
nutzen KI (2025)
23 %
bei 10–49 Beschäftigten
Bei großen Firmen ab 250 Beschäftigten sind es 57 %
Statistisches Bundesamt, IKT-Erhebung 2025. Kleine Betriebe hängen hinterher, nutzen aber meist fertige Tools statt eigener Modelle.
Studie · Bitkom
Wofür KI-Nutzer sie einsetzen
36 %
nutzen KI (ab 20 Besch.)
57 %
davon im Marketing
Marketing und Kommunikation gehören zu den häufigsten Einsatzfeldern
Bitkom 2025, 604 befragte Unternehmen. Andere Grundgesamtheit als Destatis, deshalb nicht direkt vergleichen.
Häufige Fehler
Fehler 1 · Dem Netz Verständnis unterstellen
Ein neuronales Netz lernt statistische Muster, kein Wissen über die Welt. Deshalb kann ein Sprachmodell flüssig klingen und trotzdem Unsinn erfinden. Prüf Fakten immer selbst.
Fehler 2 · Mehr Daten für automatisch besser halten
Das Netz lernt, was in den Daten steckt, auch Verzerrungen. Das BSI warnt in einem eigenen Papier vor Bias in KI-Systemen. Schlechte Kampagnendaten machen auch Smart Bidding schlechter.
Fehler 3 · Jede KI für ein neuronales Netz halten
KI ist der Oberbegriff. Viele Empfehlungen, Prognosen und Scorings laufen auch mit einfacheren Verfahren. Neuronale Netze sind dort stark, wo Muster schwer zu beschreiben sind: Sprache, Bilder, Ton.
Fehler 4 · Die Black Box ignorieren
Bei tiefen Netzen lässt sich selten genau sagen, warum sie so entscheiden. Für Gebote ist das verschmerzbar, für Entscheidungen über Menschen nicht. Dort schreibt die KI-Verordnung der EU strenge Regeln vor.
Was heißt das für dich?
Du musst kein neuronales Netz bauen. Als KMU nutzt du fertige Netze in Tools: Sprachmodelle, Bildgeneratoren, Gebotsstrategien. Wichtig ist, dass du weißt, wovon sie leben, nämlich von Daten und Beispielen.
Häufige Fragen
Was ist ein neuronales Netz in einfachen Worten?
Ein Rechenmodell aus vielen kleinen Einheiten mit Stellschrauben. Es bekommt Beispiele, rät, vergleicht mit der richtigen Antwort und dreht die Stellschrauben so lange nach, bis es Muster zuverlässig erkennt.
Was ist der Unterschied zwischen neuronalem Netz, Deep Learning und KI?
KI ist der Oberbegriff. Machine Learning ist der Teil der KI, der aus Daten lernt. Neuronale Netze sind eine Methode des Machine Learning, und Deep Learning meint neuronale Netze mit vielen Schichten.
Was hat ChatGPT mit neuronalen Netzen zu tun?
ChatGPT ist ein sehr großes neuronales Netz in Transformer-Bauweise, trainiert auf riesigen Textmengen. Es berechnet Wort für Wort, was als Nächstes am wahrscheinlichsten passt.
Muss ich als KMU neuronale Netze selbst trainieren?
In aller Regel nicht. Du nutzt fertige Modelle in Tools wie Google Ads, ChatGPT oder Bildgeneratoren. Eigene Netze lohnen sich erst mit sehr vielen eigenen Daten und einem klaren Anwendungsfall.
Warum macht ein neuronales Netz Fehler?
Weil es Muster aus Beispielen lernt, nicht Regeln. Fehlen passende Beispiele oder sind die Daten verzerrt, liegt es daneben. Sprachmodelle erfinden dann auch mal plausible, aber falsche Antworten.
Quellen
- IBM: What is a neural network?
- Google: Machine Learning Crash Course, Neural Networks
- Vaswani et al.: Attention Is All You Need (2017)
- Brown et al.: Language Models are Few-Shot Learners (2020)
- Statistisches Bundesamt: KI-Nutzung in Unternehmen
- Bitkom: Durchbruch bei Künstlicher Intelligenz (2025)
- Google Ads-Hilfe: Smart Bidding
- Google Research: Deep Neural Networks for YouTube Recommendations
- BSI: Künstliche Intelligenz