Künstliche Intelligenz funktioniert nicht nach einem einzigen Verfahren. Die meisten modernen KI-Systeme beruhen auf maschinellem Lernen: Sie werden nicht für jede mögliche Situation mit festen Regeln programmiert, sondern lernen anhand von Beispieldaten, bestimmte Muster zu erkennen.

Beim Training erhält ein KI-Modell große Mengen an Daten, etwa Texte, Bilder oder Messwerte. Ein mathematisches Verfahren verändert dabei schrittweise interne Parameter des Modells, sodass seine Ergebnisse möglichst gut zu den Trainingsbeispielen passen. Bei künstlichen neuronalen Netzen geschieht dies über viele miteinander verbundene Recheneinheiten. Deren Verbindungen werden während des Trainings unterschiedlich gewichtet und immer wieder angepasst.

Nach dem Training kann das Modell auf neue Daten angewendet werden. Diese Phase wird Inferenz genannt. Eine Bilderkennung kann beispielsweise anhand der erlernten Muster einschätzen, ob auf einem unbekannten Foto eine Katze zu sehen ist. Ein Sprachmodell berechnet dagegen auf Grundlage gelernter sprachlicher Zusammenhänge, welche Fortsetzung eines Textes wahrscheinlich ist.

Dabei „versteht“ eine KI ihre Aufgabe nicht zwangsläufig wie ein Mensch. Ihre Ergebnisse hängen stark von Trainingsdaten, Modellaufbau und Aufgabenstellung ab. Fehlerhafte, einseitige oder unzureichende Daten können deshalb zu falschen Ergebnissen führen. Auch sehr leistungsfähige Systeme können überzeugend wirkende Fehler produzieren.