Geschäftsmodelle hinter KI verstehen

Diesen aiMOOC als Battle spielen: Deutsch, Klasse 7-8, G-Niveau

Einleitung

Künstliche Intelligenz begegnet Dir in Suchmaschinen, Übersetzungsprogrammen, Lernapps, Bildgeneratoren, Empfehlungssystemen und sozialen Netzwerken. Hinter vielen dieser Angebote stehen Unternehmen oder Organisationen, die Kosten für Daten, Entwicklung, Rechenleistung, Speicher, Sicherheit und menschliche Arbeit tragen. Ein Geschäftsmodell beschreibt vereinfacht, welchen Nutzen ein Angebot schafft, für wen es gedacht ist, welche Ressourcen dafür nötig sind und wie Einnahmen entstehen.

In diesem aiMOOC untersuchst Du deshalb nicht nur, was KI kann, sondern auch, warum bestimmte KI-Angebote so gestaltet sind, wie sie sind. Du lernst, technische Mustererkennung von menschlichem Verstehen zu unterscheiden, Geschäftsmodelle zu erkennen, einfache Zahlen zu prüfen und bei KI-Projekten bewusst zwischen Mensch und Werkzeug aufzuteilen.

Der Kurs ist für die Klasse 8 angelegt und kann in etwa 75 bis 90 Minuten durchgeführt werden. Für eine Doppelstunde können die Projekt- und Transferaufgaben vertieft werden.

Das Business Model Canvas zeigt, dass zu einem Geschäftsmodell mehr gehört als nur der Preis. Für KI-Angebote sind besonders wichtig: Nutzen, Zielgruppe, Kosten, Einnahmen, technische Infrastruktur, Daten, Partner und Verantwortung.

Lernziele

Nach dem Kurs kannst Du erklären, wie ein einfaches KI-System aus Daten statistische Muster gewinnt und diese für Vorhersagen oder Generierung nutzt. Du kannst an neuen Beispielen typische KI-Geschäftsmodelle erkennen, einfache Erlös- und Kostenangaben prüfen, Interessen verschiedener Beteiligter beschreiben und begründen, wann ein KI-Werkzeug sinnvoll, unnötig oder riskant ist. Außerdem kannst Du typische Fehlvorstellungen korrigieren, zum Beispiel die Aussagen „KI versteht alles wie ein Mensch“, „kostenlos bedeutet ohne Gegenleistung“ oder „KI-Unternehmen verdienen immer durch den Verkauf persönlicher Daten“.

Fächerübergreifende Bezüge

1. Informatik: Daten, Trainingsdaten, Modelle, Mustererkennung, Empfehlungssysteme und Mensch-KI-Arbeitsteilung
2. Mathematik: Häufigkeiten, Wahrscheinlichkeiten, Prozentrechnung, Kosten, Erlöse und einfache Modellrechnung
3. Deutsch: Werbeversprechen analysieren, Begriffe präzise verwenden, Argumente prüfen und Quellen bewerten
4. Wirtschaft: Geschäftsmodelle, Kundennutzen, Kostenstruktur, Erlösquellen, Plattformen und Wettbewerb
5. Ethik: Fairness, Datenschutz, Manipulation, Transparenz und Verantwortung
6. Gemeinschaftskunde: gesellschaftliche Macht digitaler Plattformen, Regeln, Verbraucherrechte und demokratische Meinungsbildung
7. Technik: Server, Rechenzentren, Energiebedarf, Hardware und digitale Infrastruktur
8. Geschichte: Vergleich mit früheren technischen Umbrüchen und Veränderungen von Arbeit und Märkten
9. Kunst: generative Bildsysteme, Originalität, Stil, Urheberrecht und kreative Mensch-KI-Zusammenarbeit

Aktivierung und Diagnose

Stell Dir vor, drei KI-Angebote wirken auf den ersten Blick „kostenlos“: eine Lernapp, ein Bildgenerator und eine Videoplattform. Überlege für zwei Minuten:

1. Wer könnte bei jedem Angebot zahlen?
2. Welche Kosten entstehen trotzdem?
3. Welche Rolle könnten Daten, Aufmerksamkeit, Werbung oder Zusatzfunktionen spielen?
4. Was müsste ein Unternehmen optimieren, damit sein Angebot dauerhaft finanziert werden kann?

Diagnose-Satz: Vervollständige mündlich oder schriftlich: „Ein KI-Angebot ist dann kein wirklich kostenloses Produkt, wenn …“

Wichtig: Es gibt nicht nur ein einziges Geschäftsmodell. Viele Anbieter kombinieren mehrere Erlösquellen.

Was ist ein Geschäftsmodell?

Ein Geschäftsmodell beantwortet vier Grundfragen: Welches Problem wird gelöst? Für wen? Mit welchen Ressourcen und Kosten? Wie entstehen Einnahmen? Bei KI kommen zusätzliche Fragen hinzu: Welche Daten werden benötigt? Welche Rechenleistung wird gebraucht? Wer kontrolliert die Ergebnisse? Welche Risiken entstehen?

Bei einer Plattform treffen oft mehrere Gruppen aufeinander, zum Beispiel Nutzerinnen und Nutzer, Werbetreibende, Entwickler oder Anbieter von Inhalten. Ein KI-System kann dabei helfen, Inhalte zu sortieren, Preise zu berechnen, Werbung auszuwählen oder Nachfrage vorherzusagen.

Typische Geschäftsmodelle hinter KI-Angeboten

1. Abonnement: Menschen oder Organisationen zahlen regelmäßig für Zugang zu einem Dienst.
2. Freemium: Eine Grundversion ist kostenlos, zusätzliche Funktionen, mehr Leistung oder höhere Nutzungslimits kosten Geld.
3. Nutzungsabhängige Bezahlung: Unternehmen zahlen nach Nutzung, zum Beispiel pro Anfrage, Rechenmenge oder verarbeitetem Datenvolumen.
4. Lizenzierung: Firmen, Schulen oder Verwaltungen zahlen für das Recht, Software oder Modelle unter bestimmten Bedingungen zu verwenden.
5. Werbung: Werbetreibende finanzieren einen Dienst, weil sie bestimmte Zielgruppen erreichen wollen. KI kann Auswahl, Platzierung und Prognose unterstützen.
6. Plattformgebühr: Eine Plattform vermittelt zwischen Gruppen und erhält bei Transaktionen eine Provision oder Gebühr.
7. Dienstleistung: Unternehmen verdienen an Beratung, Anpassung, Wartung, Schulung oder Integration von KI-Systemen.
8. Quersubventionierung: Ein KI-Angebot kann kostenlos oder günstig sein, weil es andere Produkte oder Dienste attraktiver macht.

Wichtige Korrektur einer Fehlvorstellung: „Daten sind das Produkt“ ist zu pauschal. Daten können ein wichtiger Rohstoff für Training, Personalisierung, Messung oder Werbung sein. Ein Geschäftsmodell kann aber auch mit Abos, Lizenzen, Dienstleistungen oder Nutzungsgebühren funktionieren. Persönliche Rohdaten werden nicht automatisch „verkauft“, nur weil ein Dienst werbefinanziert ist.

Wer ist Kunde, wer ist Nutzer?

Bei einem Abonnement können Kunde und Nutzer dieselbe Person sein. Bei einem werbefinanzierten Dienst kann dagegen die Nutzerin den Dienst verwenden, während ein Werbeunternehmen für Reichweite bezahlt. Diese Unterscheidung ist wichtig, weil sie Anreize verändert.

Beispiel: Wenn eine Plattform mehr verdient, je länger Menschen Inhalte ansehen, kann das Ziel „Aufmerksamkeit halten“ technisch wichtig werden. Das bedeutet nicht automatisch Manipulation, aber es schafft einen Anreiz, Empfehlungen so zu optimieren, dass Menschen weiterklicken.

Das technische Grundprinzip: Muster statt menschliches Verstehen

Viele heutige KI-Systeme basieren auf maschinellem Lernen. Vereinfacht läuft es so:

1. Daten enthalten viele Beispiele.
2. Ein Lernverfahren sucht statistische Regelmäßigkeiten.
3. Daraus entsteht ein Modell mit angepassten Parametern.
4. Bei neuen Eingaben berechnet das Modell Wahrscheinlichkeiten, Ähnlichkeiten, Klassifikationen oder neue Ausgaben.
5. Menschen prüfen, ob das Ergebnis für den Zweck brauchbar, sicher und fair ist.

Das Bild zeigt vereinfacht einen Trainingsprozess beim überwachten Lernen. Eingaben und bekannte Ergebnisse werden genutzt, damit ein Modell seine Vorhersagen verbessert.

Ein sehr einfaches Modell mit kleinem Datensatz

Eine fiktive Videoplattform möchte vorhersagen, welche Clips eine Person anklickt. Für ein kleines Experiment wurden zehn frühere Entscheidungen beobachtet.

Art des Videos	Länge	Beobachtete Fälle	Davon angeklickt	Anteil
Wissen	kurz	4	3	75 %
Wissen	lang	2	1	50 %
Gaming	kurz	2	2	100 %
Gaming	lang	1	0	0 %
Sport	kurz	1	0	0 %

Ein extrem einfaches Modell könnte nun die beobachteten Anteile als Schätzung verwenden. Es würde „Gaming, kurz“ ganz oben einordnen, weil in diesem winzigen Datensatz zwei von zwei solchen Videos angeklickt wurden.

Aber: Zwei von zwei sind noch kein zuverlässiger Beweis. Der Datensatz ist klein, die Person kann ihre Interessen ändern und wichtige Merkmale fehlen. Genau deshalb darfst Du ein statistisches Muster nicht mit sicherem Wissen verwechseln.

Interaktives Mini-Experiment: Wie stabil ist ein Muster?

Nimm an, es kommt ein drittes kurzes Gaming-Video hinzu und wird nicht angeklickt. Rechne neu: Aus 2 von 2 wird 2 von 3. Die geschätzte Klickrate sinkt von 100 % auf ungefähr 67 %.

Jetzt beantworte:

1. Ist „Gaming, kurz“ immer noch das stärkste Muster?
2. Würdest Du nach nur drei Beobachtungen behaupten, die Person „liebt Gaming“?
3. Welche neuen Daten könnten die Vorhersage verbessern?
4. Welche Daten wären für diese Aufgabe unnötig oder zu privat?

Damit erkennst Du ein zentrales Prinzip: Ein KI-Modell arbeitet mit beobachtbaren Mustern und Wahrscheinlichkeiten. Es besitzt dadurch nicht automatisch menschliches Wissen über Gründe, Bedeutung oder Absichten.

Neuronale Netze: viele verknüpfte Rechenschritte

Ein künstliches neuronales Netz besteht vereinfacht aus vielen miteinander verbundenen Recheneinheiten. Eingabewerte werden gewichtet, kombiniert und schrittweise verarbeitet. Beim Training werden sehr viele Gewichte so verändert, dass die berechneten Ausgaben im Durchschnitt besser zur Aufgabe passen.

Das Bild ist eine Rechenstruktur, kein Bild eines menschlichen Gehirns. Der Begriff „neuronales Netz“ ist historisch inspiriert, aber heutige künstliche Netze sind keine kleinen digitalen Gehirne.

Sprachmodelle: wahrscheinlich passende Fortsetzungen

Große Sprachmodelle werden mit sehr vielen Textbeispielen trainiert. Vereinfacht lernen sie statistische Zusammenhänge zwischen Textelementen und berechnen, welche Fortsetzung zu einem Kontext passt. Dadurch können sehr flüssige Antworten entstehen.

Entscheidend: Flüssige Sprache ist kein Beweis dafür, dass ein System Aussagen so versteht wie ein Mensch. Ein Sprachmodell kann passende Formulierungen erzeugen und trotzdem falsche Quellen, erfundene Details oder unlogische Schlüsse produzieren.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Das Video von Terra X Lesch & Co erklärt Sprachmodelle von einfachen statistischen Modellen bis zu modernen Verfahren. Für eine Unterrichtsstunde eignet sich besonders ein kurzer Ausschnitt zum Grundprinzip. Achte darauf, wie deutlich zwischen statistischer Textverarbeitung und menschlichem Verstehen unterschieden wird.

Von Mustererkennung zum Geschäftsmodell

Technik und Geschäftsmodell beeinflussen sich gegenseitig. Ein Anbieter entscheidet nicht nur, welches Modell er einsetzt, sondern auch, welches Ziel es optimieren soll.

Ein Empfehlungssystem kann zum Beispiel auf unterschiedliche Ziele eingestellt werden:

1. Klickwahrscheinlichkeit erhöhen
2. Wiedergabezeit erhöhen
3. passende Lerninhalte finden
4. Kaufwahrscheinlichkeit erhöhen
5. Vielfalt im Feed erhöhen
6. problematische Inhalte reduzieren

Die technische Optimierung folgt also einer Zielgröße. Wer diese Zielgröße festlegt, trifft eine wirtschaftliche und oft auch gesellschaftliche Entscheidung.

Ein Empfehlungssystem kann Nutzer- und Inhaltsmuster vergleichen und daraus eine Rangfolge ableiten. Die Rangfolge ist keine neutrale Wahrheit. Sie hängt von Daten, Modell und Zielkriterien ab.

Warum KI Geld kostet

KI wirkt digital und unsichtbar, braucht aber reale Infrastruktur.

Zu typischen Kosten gehören Entwicklung, Fachpersonal, Datenspeicherung, Rechenleistung, Server, Energie, Sicherheit, Moderation, rechtliche Prüfung und Support. Bei großen Modellen können sowohl Training als auch laufende Nutzung erhebliche Rechenressourcen benötigen.

Deshalb ist die Frage „Wer bezahlt?“ zentral. Ein dauerhaft kostenloser Dienst braucht meist eine andere Finanzierungsquelle, etwa Werbung, eine zahlende Premiumgruppe, öffentliche Finanzierung oder ein anderes Produkt im Hintergrund.

PISA-nahe Anwendungssituation: Die Lernplattform „LernBlitz“

Eine fiktive Schülerfirma entwickelt „LernBlitz“, eine Plattform, die mit einem einfachen KI-System Lernvideos empfiehlt. Die Gruppe rechnet für einen Monat mit folgenden Zahlen:

Posten	Annahme
Aktive Nutzerinnen und Nutzer	10.000
Server und Speicher	600 €
KI-Nutzung	450 €
Moderation und Support	250 €
Gesamtkosten	1.300 €
Werbeeinblendungen	50.000
Erlös je 1.000 Werbeeinblendungen	8 €
Premiumpreis	3 € pro Monat

Die Projektgruppe diskutiert drei Modelle:

Modell A: nur Werbung Alle nutzen den Dienst kostenlos.

Modell B: nur Premium Wer den Dienst nutzt, zahlt 3 € pro Monat.

Modell C: Mischmodell Die Grundversion enthält Werbung. 5 % der 10.000 Nutzerinnen und Nutzer wählen Premium für 3 € im Monat.

Arbeitsauftrag zur Anwendungssituation

1. Berechne den monatlichen Werbeerlös von Modell A.
2. Prüfe, ob Modell A die Gesamtkosten deckt.
3. Berechne für Modell C die Premiumeinnahmen.
4. Berechne den vereinfachten Gesamterlös von Modell C aus Werbung plus Premium.
5. Erkläre, welche Annahme in dieser Rechnung unrealistisch sein könnte.
6. Nenne mindestens zwei nicht-finanzielle Kriterien, die die Schülerfirma prüfen muss.
7. Entscheide, welches Modell Du empfehlen würdest, und begründe Deine Entscheidung.

Hinweis: Die Zahlen sind absichtlich vereinfacht. In realen Unternehmen verändern sich Preise, Steuern, Gebühren, Auslastung und Kosten ständig.

Musterlösung zur Selbstkontrolle

Der reine Werbeerlös beträgt 50 × 8 € = 400 €. Damit werden die Kosten von 1.300 € nicht gedeckt. Im Mischmodell zahlen 5 % von 10.000 Personen, also 500 Personen, jeweils 3 €. Das ergibt 1.500 € Premiumeinnahmen. Zusammen mit den vereinfachten 400 € Werbung wären das 1.900 € Erlös. Vor weiteren Kosten blieben rechnerisch 600 €.

Die Rechnung allein entscheidet aber nicht. Zu prüfen sind zum Beispiel Datenschutz, Fairness, Zugänglichkeit, Jugendschutz, Werbedruck, Transparenz und die Frage, ob die Empfehlung wirklich dem Lernen dient oder hauptsächlich die Nutzungszeit verlängert.

Werbung, Empfehlungen und Aufmerksamkeit

Bei werbefinanzierten Plattformen kann KI helfen, vorherzusagen, welche Inhalte oder Anzeigen für bestimmte Gruppen wahrscheinlich interessant sind. Daraus entsteht ein wirtschaftlicher Zusammenhang: Mehr passende Nutzung kann mehr Werbeeinblendungen oder wertvollere Werbeplätze bedeuten.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Die ZDF-Dokumentation untersucht, wie Empfehlungsalgorithmen Feeds und Werbung beeinflussen können. Für den Unterricht genügt ein ausgewählter Ausschnitt. Beobachte dabei: Welche Ziele werden technisch optimiert? Wer profitiert? Welche Risiken entstehen für Jugendliche und Gesellschaft?

Werkzeugwahl: Nicht jede Aufgabe braucht generative KI

Gute KI-Nutzung beginnt mit der Frage: Welches Werkzeug passt zum Problem?

Aufgabe	Geeignetes Werkzeug	Warum?
Prozentrechnung mit klaren Zahlen	Taschenrechner oder Tabellenkalkulation	Rechenweg ist kontrollierbar und reproduzierbar
Viele Ideen für Projektnamen sammeln	Generative KI kann helfen	Varianten sind leicht prüfbar und das Risiko ist gering
Persönliche Gesundheits- oder Schuldaten auswerten	Nicht ungeprüft in einen offenen KI-Dienst eingeben	Datenschutz und Sensibilität haben Vorrang
Quelle zu einem politischen Thema prüfen	Originalquelle, seriöse Recherche und Quellenvergleich	Eine KI-Antwort allein ist kein Beleg
Entwurf für eine Erklärung erstellen	Mensch plus KI	KI kann Vorschläge liefern, der Mensch prüft Inhalt, Sprache und Quellen
Endgültige Entscheidung mit Folgen für andere	Menschliche Verantwortung	Kriterien, Werte und Folgen müssen bewusst abgewogen werden

Die Fünf-Fragen-Werkzeugprüfung

Bevor Du ein KI-Werkzeug einsetzt, frage:

1. Was ist mein genaues Ziel?
2. Brauche ich wirklich KI oder reicht ein einfacheres Werkzeug?
3. Sind Daten privat, sensibel oder urheberrechtlich problematisch?
4. Kann ich das Ergebnis unabhängig prüfen?
5. Wer trägt die Verantwortung, wenn das Ergebnis falsch oder unfair ist?

Diese fünf Fragen stärken Deine Human Agency: Du steuerst das Werkzeug, statt nur seine Vorschläge zu übernehmen.

Mensch-KI-Arbeitsteilung

Eine sinnvolle Arbeitsteilung nutzt die Stärken beider Seiten.

Menschen formulieren Ziele, verstehen den sozialen Kontext, bewerten Quellen, setzen Werte, wägen Folgen ab und tragen Verantwortung.

KI-Systeme können große Datenmengen schnell verarbeiten, statistische Muster erkennen, Varianten erzeugen und bei klar beschriebenen Teilaufgaben Zeit sparen.

Die Regel lautet deshalb nicht „KI oder Mensch“, sondern: Welche Teilaufgabe übernimmt wer, mit welcher Kontrolle?

Beispiel: Referat über KI-Geschäftsmodelle

Projektschritt	Mensch	KI-Werkzeug	Kontrolle
Fragestellung formulieren	führt	kann Varianten vorschlagen	Lernziel prüfen
Quellen finden	wählt seriöse Quellen	kann Suchbegriffe vorschlagen	Originalquellen öffnen
Informationen ordnen	entscheidet Struktur	kann clustern	Begriffe und Zusammenhänge prüfen
Zahlen berechnen	legt Rechenweg fest	kann kontrollieren	mit Taschenrechner oder Tabelle nachrechnen
Textentwurf	bestimmt Aussage und Ton	kann Formulierungen vorschlagen	Fakten und Quellen prüfen
Schlussfolgerung	entscheidet und verantwortet	kann Gegenargumente liefern	eigene Begründung schreiben

Projektsteuerung für ein KI-Vorhaben

Ein kleines Schulprojekt kann mit sechs Schritten gesteuert werden:

1. Auftrag klären: Ziel, Zielgruppe und Erfolgskriterien festlegen.
2. Werkzeug wählen: Entscheiden, ob und wofür KI eingesetzt wird.
3. Rollen verteilen: Projektleitung, Datenprüfung, Techniktest, Fairnessprüfung und Dokumentation festlegen.
4. Klein testen: Mit wenigen Beispielen starten und Fehler suchen.
5. Prüfen und verbessern: Qualität, Fairness, Datenschutz und Kosten kontrollieren.
6. Dokumentieren: Festhalten, was Mensch und KI gemacht haben und welche Entscheidungen getroffen wurden.

Auch bei technischen Projekten gilt: Ein Modell ist nur ein Teil eines größeren Arbeitsablaufs. Daten, Zielsetzung, Auswertung und menschliche Entscheidungen gehören dazu.

Fehlvorstellungen erkennen und korrigieren

Fehlvorstellung	Bessere Erklärung
KI versteht Texte genau wie ein Mensch.	Ein Sprachmodell berechnet statistisch passende Fortsetzungen und kann dabei sehr überzeugend wirken. Das beweist kein menschliches Bedeutungsverständnis.
Wenn eine App kostenlos ist, verdient niemand daran.	Einnahmen können zum Beispiel aus Werbung, Premiumfunktionen, Lizenzen, Plattformgebühren oder anderen Produkten kommen.
Je mehr Daten, desto automatisch besser.	Daten müssen relevant, ausreichend, rechtmäßig und möglichst wenig verzerrt sein. Schlechte Daten können schlechte Ergebnisse verstärken.
Ein Algorithmus ist neutral.	Auswahl von Daten, Zielgrößen und Regeln beeinflusst Ergebnisse.
KI ersetzt den Menschen vollständig.	Viele reale Systeme brauchen Menschen für Zielsetzung, Kontrolle, Verantwortung, Wartung und schwierige Entscheidungen.
Ein gutes Ergebnis bedeutet, dass der Rechenweg richtig war.	Ein einzelnes richtiges Ergebnis kann Zufall sein. Modelle müssen mit vielen geeigneten Beispielen getestet werden.

Reflexion: Wer bestimmt das Ziel?

Stell Dir vor, eine Lernplattform kann entweder auf maximale Nutzungszeit oder auf nachweisbaren Lernfortschritt optimieren. Beide Ziele können technisch messbar gemacht werden, führen aber möglicherweise zu unterschiedlichen Empfehlungen.

Diskutiere:

1. Welches Ziel wäre aus Sicht der Lernenden sinnvoll?
2. Welches Ziel könnte aus Sicht eines werbefinanzierten Unternehmens attraktiv sein?
3. Können beide Ziele gleichzeitig verfolgt werden?
4. Welche Kennzahl würdest Du zusätzlich messen, damit nicht nur „mehr Nutzung“ als Erfolg gilt?

Transfer: Erkenne das Geschäftsmodell in neuen Beispielen

Ordne für jedes Beispiel ein mögliches Geschäftsmodell zu und nenne einen Hinweis, der Deine Vermutung stützt:

1. Eine Schreib-KI bietet 20 kostenlose Anfragen pro Monat und unbegrenzte Nutzung gegen Monatsgebühr.
2. Ein Online-Shop zeigt personalisierte Produktempfehlungen und verdient an verkauften Waren.
3. Eine Bild-KI wird von einer Firma pro erzeugtem Bild abgerechnet.
4. Eine Lernplattform ist für Schulen kostenlos, weil ein Bundesland eine Lizenz bezahlt.
5. Eine Social-Media-Plattform verlangt von Nutzern kein Geld, verkauft aber Werbeplätze.
6. Ein Beratungsunternehmen baut für einen Industriebetrieb ein eigenes Vorhersagemodell und berechnet Projektstunden.

Prüfe danach: Ist Deine Zuordnung eindeutig oder wären mehrere Geschäftsmodelle gleichzeitig möglich?

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Eine KI-Lernapp ist kostenlos, zeigt aber personalisierte Werbung. Welche Aussage beschreibt das Geschäftsmodell am besten? (Werbetreibende können den Dienst mitfinanzieren) (!Der Dienst verursacht keine Kosten) (!Die KI benötigt deshalb keine Daten) (!Jede Nutzerin verkauft automatisch ihre Rohdaten)

Ein Sprachmodell schreibt einen überzeugenden Text mit einer erfundenen Quelle. Welche Schlussfolgerung ist am besten? (Flüssige Sprache beweist kein menschliches Verstehen) (!Das Modell hat die Quelle absichtlich gefälscht) (!Sprachmodelle können grundsätzlich keine sinnvollen Texte erzeugen) (!Der Text muss richtig sein, weil er gut formuliert ist)

Ein Unternehmen möchte nur die monatlichen Kosten addieren. Welches Werkzeug ist meist die sinnvollste erste Wahl? (Eine Tabellenkalkulation oder ein Taschenrechner) (!Ein Bildgenerator) (!Ein Sprachmodell ohne Nachrechnung) (!Ein Empfehlungssystem)

Ein Empfehlungssystem wurde auf möglichst lange Nutzungszeit optimiert. Was solltest Du bei der Bewertung besonders beachten? (Die Zielgröße beeinflusst, welche Inhalte bevorzugt werden) (!Die Empfehlungen sind deshalb automatisch neutral) (!Die Nutzungszeit zeigt immer den Lernfortschritt) (!Das System versteht alle Interessen der Person)

In einem winzigen Datensatz wurden zwei von zwei kurzen Gaming-Videos angeklickt. Welche Aussage ist angemessen? (Das Muster ist auffällig, aber noch unsicher) (!Die Person wird für immer jedes Gaming-Video anklicken) (!Zwei Beispiele reichen für eine sichere Vorhersage) (!Das Modell kennt den Grund für jeden Klick)

Eine Schule kauft für alle Klassen Zugang zu einer KI-Anwendung. Welches Geschäftsmodell passt am besten? (Eine institutionelle Lizenz) (!Nur Werbefinanzierung) (!Ausschließlich Plattformprovision) (!Ein Spendenmodell ohne Vertrag)

Welche Aufgabe sollte bei einem KI-Projekt eindeutig beim Menschen bleiben? (Die verantwortliche Entscheidung über Ziele und Folgen) (!Das Sortieren großer Datenmengen) (!Das Berechnen vieler Ähnlichkeitswerte) (!Das Erzeugen mehrerer Textvarianten)

Ein werbefinanzierter Dienst möchte die Zahl der Werbeeinblendungen erhöhen. Welche technische Zielgröße könnte dazu passen? (Längere Nutzung des Dienstes) (!Weniger verfügbare Inhalte) (!Keine Messung von Nutzung) (!Vollständiger Verzicht auf Empfehlungen)

Welche Aussage über Daten ist am genauesten? (Mehr Daten helfen nur, wenn sie zur Aufgabe passen und brauchbar sind) (!Mehr Daten machen jedes Modell automatisch fair) (!Persönliche Daten sind immer notwendig) (!Daten ersetzen die Prüfung des Ergebnisses)

Eine Gruppe nutzt KI für einen Referatsentwurf. Was ist der verantwortungsvollste nächste Schritt? (Fakten und Quellen unabhängig prüfen und den Text selbst überarbeiten) (!Den Entwurf ungeprüft abgeben) (!Alle Quellen aus dem Text übernehmen) (!Die eigene Fragestellung durch die KI ersetzen lassen)

Memory

Abonnement	Regelmäßige Zahlung für Zugang
Freemium	Kostenlose Basis mit bezahlten Extras
Werbung	Finanzierung durch bezahlte Reichweite
Lizenz	Nutzungsrecht gegen Entgelt
Trainingsdaten	Beispiele zum Anpassen eines Modells
Inferenz	Anwendung eines trainierten Modells auf neue Eingaben
Fairness	Prüfung auf ungerechte Benachteiligung
Transparenz	Nachvollziehbare Information über Einsatz und Grenzen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Abonnement	regelmäßige Zahlung
Freemium	kostenlose Basisversion
Werbung	finanzierte Aufmerksamkeit
Lizenz	Nutzungsrecht
Mustererkennung	statistische Regelmäßigkeiten
Human Agency	menschliche Steuerung

...

Kreuzworträtsel

Freemium	Welches Geschäftsmodell verbindet eine kostenlose Basis mit bezahlten Zusatzfunktionen?
Abonnement	Wie heißt eine regelmäßige Zahlung für einen Dienst?
Werbung	Welche Erlösquelle finanziert viele kostenlose Plattformen?
Plattform	Wie heißt ein digitaler Vermittler zwischen mehreren Gruppen?
Muster	Was erkennt ein lernendes System statistisch in Daten?
Fairness	Welches Prinzip verlangt, ungerechte Benachteiligungen zu prüfen?

Lückentext

Vervollständige den Text.

Ein Geschäftsmodell erklärt, wie ein Angebot Nutzen schafft und erzielt. Ein KI-System lernt aus Beispielen vor allem statistische . Ein trainiertes Modell wendet diese Muster auf neue an. Gute Formulierungen beweisen kein menschliches . Bei einem Freemium-Modell bleibt eine Basisversion . Bei werbefinanzierten Diensten zahlen häufig . Vor dem Einsatz eines KI-Werkzeugs solltest Du prüfen, ob ein einfacheres Werkzeug . Die Verantwortung für Ziele und Folgen bleibt beim .

Offene Aufgaben

Leicht

1. Geschäftsmodell-Detektiv: Wähle drei digitale Angebote aus Deinem Alltag und notiere jeweils, wer nutzt, wer zahlt und welche Kosten vermutlich entstehen.
2. Werbeversprechen prüfen: Sammle drei Aussagen aus Werbung für KI-Produkte und formuliere zu jeder eine kritische Rückfrage.
3. Muster statt Verstehen: Erfinde ein eigenes Beispiel, in dem ein Computer aus Häufigkeiten eine gute Vorhersage macht, ohne den Inhalt menschlich zu verstehen.
4. Werkzeugwahl: Ordne fünf Schulaufgaben passenden Werkzeugen zu und begründe, wann Du keine generative KI brauchst.

Standard

1. Mini-Business-Canvas: Entwickle für eine fiktive KI-Lernhilfe ein kleines Geschäftsmodell mit Nutzen, Zielgruppe, Kosten, Einnahmequelle und Risiko.
2. Datenexperiment: Erstelle einen kleinen Datensatz mit mindestens zwölf Beobachtungen und untersuche, wie sich eine Vorhersage verändert, wenn neue Daten hinzukommen.
3. Mensch-KI-Rollenplan: Plane ein Gruppenprojekt und markiere für jeden Arbeitsschritt, was Menschen übernehmen, was ein KI-Werkzeug unterstützen darf und wie geprüft wird.
4. Quellencheck: Lass Dir von einem KI-System drei überprüfbare Behauptungen zu einem Schulthema vorschlagen und kontrolliere sie anschließend mit Original- oder Qualitätsquellen.

Schwer

1. Fairness-Audit: Untersuche ein fiktives Empfehlungssystem darauf, welche Gruppen durch Trainingsdaten oder Zielgrößen benachteiligt werden könnten, und schlage Gegenmaßnahmen vor.
2. Geschäftsmodell-Vergleich: Vergleiche Abo, Werbung und Nutzungsgebühr für denselben fiktiven KI-Dienst anhand von Einnahmen, Zugang, Datenschutz, Fairness und Anreizen.
3. PISA-Fall entwickeln: Erfinde eine realistische Entscheidungssituation mit Zahlen, in der eine Schul-AG ein KI-Angebot finanzieren muss, und erstelle dazu eine begründete Musterlösung.
4. KI-Projektsteuerung: Plane ein vierstufiges Testverfahren für eine KI-Anwendung an der Schule mit Erfolgskriterien, Datenschutzprüfung, Fehlertest, Rollenverteilung und Abbruchkriterium.

Lernkontrolle

1. Transfer Geschäftsmodell: Eine neue App bietet kostenlose Texte, verlangt aber Geld für schnellere Verarbeitung und größere Dateien. Erkläre das Geschäftsmodell und nenne zwei mögliche Kostenblöcke des Anbieters.
2. Zielkonflikt analysieren: Eine Plattform optimiert gleichzeitig auf Lernfortschritt und Nutzungsdauer. Beschreibe einen möglichen Konflikt und entwickle eine zusätzliche Messgröße.
3. Modellkritik: Ein Empfehlungssystem liegt bei 90 von 100 Testfällen richtig. Erkläre, warum diese Zahl allein noch nicht beweist, dass das System fair oder für alle Gruppen geeignet ist.
4. Werkzeugentscheidung: Eine Klasse will vertrauliche Umfragedaten auswerten. Entwickle eine sichere Werkzeugstrategie und begründe, welche Daten nicht in einen offenen KI-Dienst gehören.
5. Mensch-KI-Arbeitsteilung: Zerlege die Aufgabe „Erstelle einen Podcast über KI im Alltag“ in mindestens fünf Teilschritte und begründe für jeden Schritt die Rollen von Mensch und KI.
6. Fehlvorstellung korrigieren: Widerlege die Aussage „Wenn eine KI die richtige Antwort gibt, hat sie die Frage verstanden“ mit einem eigenen Beispiel.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe nennen kannst. Du solltest zeigen, dass Du:

1. ein einfaches KI-Prinzip mit Daten, Muster, Modell und neuer Eingabe erklären kannst,
2. statistische Mustererkennung von menschlichem Verstehen unterscheidest,
3. mindestens drei Geschäftsmodelle an neuen Beispielen erkennst und begründest,
4. einfache Kosten- und Erlösrechnungen korrekt ausführst,
5. Zielgrößen eines KI-Systems mit wirtschaftlichen Anreizen in Verbindung bringst,
6. Datenschutz, Fairness, Transparenz und Verantwortung in Entscheidungen einbeziehst,
7. eine begründete Werkzeugwahl triffst,
8. eine sinnvolle Mensch-KI-Arbeitsteilung planst,
9. Quellen und KI-Ausgaben kritisch prüfst,
10. typische Fehlvorstellungen mit einem Gegenbeispiel korrigieren kannst.

OERs zum Thema

Als offene Vertiefung eignen sich insbesondere die Wikipedia-Artikel zu Künstliche Intelligenz, Maschinelles Lernen, Geschäftsmodell, Plattformökonomie und Empfehlungssystemen.

Medienhinweise

Die im Kurs eingebundenen Bilder stammen aus Wikimedia Commons. Dort findest Du auf der jeweiligen Dateiseite Urheber- und Lizenzangaben. Besonders hilfreich für eigene OER-Projekte sind Medien mit offenen Creative-Commons-Lizenzen oder CC0. Prüfe die Lizenzbedingungen trotzdem immer vor einer Weiterverwendung.

Die eingebundenen YouTube-Videos dienen als ergänzende Unterrichtsmedien. Für kurze Unterrichtsphasen können gezielt einzelne Ausschnitte verwendet werden, statt das gesamte Video anzusehen.

Verknüpfte Lernbereiche

Geschäftsmodelle hinter KI verstehen Künstliche Intelligenz Maschinelles Lernen Geschäftsmodell Freemium Abonnement Werbung Plattformökonomie Empfehlungssystem Daten Algorithmus Neuronales Netz Wahrscheinlichkeit Prozentrechnung Datenschutz Fairness Medienkompetenz Quellenkritik Human Agency