# Multimodal

Auch: multimodales Modell, Multimodalität

> Ein multimodales Modell verarbeitet neben Text auch andere Formen wie Bilder, Tabellen als Screenshot, Audio oder PDF-Seiten.

Viele aktuelle KI-Werkzeuge nehmen nicht nur Text an. Du kannst ein Foto eines Whiteboards hochladen, einen Screenshot einer Tabelle oder eine Sprachnotiz. Das Modell wandelt diese Eingaben intern so um, dass es mit ihnen wie mit Text arbeiten kann, und antwortet meist in Text.

Für die Arbeit gelten dieselben Regeln wie bei Text: Was auf dem Bild steht, landet im Kontextfenster, auch Vertrauliches im Hintergrund. Und was das Modell aus einem Bild „liest“, kann genauso falsch sein wie eine Angabe aus Text.

## Beispiel aus dem Arbeitsalltag

Nach einem Workshop fotografierst du das Whiteboard und bittest um eine Liste der Ideen mit Verantwortlichen. Die Liste ist schnell da, zwei Namen sind aber falsch gelesen. Du gleichst die Liste mit dem Foto ab, bevor du sie verschickst.

## Häufiges Missverständnis

„Ein Bild ist sicherer als Text, weil das Modell es nur anschaut.“ Ein Bild ist Eingabe wie jede andere. Kundennamen auf einem Screenshot sind genauso im Werkzeug wie in einem Textfeld.

## So benutzt du den Begriff

„Das Werkzeug ist multimodal, du kannst den Screenshot der Tabelle direkt hochladen.“

„Vor dem Hochladen schneide ich das Foto so zu, dass nur das Flipchart zu sehen ist.“

## In diesen Lektionen
- [Was KI ist und was ein Sprachmodell ist](/kurs/lesson-was-ki-ist/md)

## Verwandte Begriffe
- [Sprachmodell](/glossar/sprachmodell/md)