---
title: "Was ist Natural Language Processing (NLP)?"
description: "Natural Language Processing (NLP) ist das KI-Gebiet, mit dem Computer menschliche Sprache lesen, verstehen und schreiben. Funktionsweise, Aufgaben, Grenzen."
url: https://proxynet.io/de/blog/what-is-natural-language-processing
date: 2026-11-19
author: "Acar Diveroli"
category: "KI"
lang: de
---

# Was ist Natural Language Processing (NLP)?

Ein Onlineshop liefert eine Reihe von Bestellungen verspätet aus, und am Montagmorgen liegen 3.000 neue E-Mails im Support-Postfach. Niemand liest sie alle. Zuerst sortiert eine Software: Diese wollen eine Erstattung, diese erwähnen einen beschädigten Karton, diese sind so verärgert, dass sie an eine erfahrene Kollegin gehen. Die Software „liest“ nicht wie ein Mensch, und doch macht sie aus frei formuliertem Text Labels, mit denen ein Team arbeiten kann. Genau das ist Natural Language Processing, kurz NLP.

Dieser Beitrag erklärt, was NLP ist, wie es sich von handgeschriebenen Regeln zu Transformer-Modellen entwickelt hat, wie ein System aus Text Bedeutung gewinnt, welche Aufgaben es gibt, worin sich NLP von NLU, NLG und großen Sprachmodellen unterscheidet, warum Sprache für Computer schwierig ist und wo Unternehmen NLP einsetzen.

> **Hinweis: Kurzantwort**
>
> Natural Language Processing (NLP), auf Deutsch Verarbeitung natürlicher Sprache, ist der Zweig der künstlichen Intelligenz und der Informatik, mit dem Computer menschliche Sprache verarbeiten, als geschriebenen Text wie als gesprochenes Wort. Ein NLP-System zerlegt Text in Sätze und Wörter, verwandelt diese Teile in Zahlen und findet mit einem Modell die Bedeutung: das Thema einer Nachricht, die Namen darin, ihren Ton oder das, was der Schreibende will. Alltägliche Beispiele sind Spamfilter, maschinelle Übersetzung, Sprachassistenten und Werkzeuge, die lange Dokumente zusammenfassen. Das Fachgebiet begann in den 1950er-Jahren mit handgeschriebenen Regeln, wechselte um 1990 zu Statistiken, die aus großen Textsammlungen gelernt wurden, und wird heute von neuronalen Netzen bestimmt, darunter die großen Sprachmodelle hinter den heutigen Chat-Assistenten.

## Was ist Natural Language Processing?

Natural Language Processing ist das Fachgebiet, das Computern beibringt, menschliche Sprache zu analysieren, zu verstehen und zu erzeugen. „Natürlich“ trennt die Sprachen, die Menschen sprechen und schreiben, etwa Deutsch, Spanisch oder Türkisch, von den formalen Sprachen, für die Computer gebaut wurden, etwa Python oder SQL, die strenge Regeln haben und keine Mehrdeutigkeit kennen.

NLP liegt dort, wo Informatik, künstliche Intelligenz und Linguistik zusammentreffen. Die Linguistik beschreibt, wie Sprache aufgebaut ist: Wörter, Grammatik, Bedeutung und Kontext. Informatik und maschinelles Lernen liefern die Methoden, mit denen ein Programm diese Muster aus Beispielen lernt, statt jede Regel einzeln vorgegeben zu bekommen.

Die meisten Menschen nutzen NLP mehrmals am Tag, ohne es so zu nennen. Die Tastatur, die das nächste Wort vorschlägt, die Übersetzen-Schaltfläche unter einem fremdsprachigen Post und das Suchfeld, das „günstige Flüge nach Rom im Mai“ versteht, beruhen alle darauf.

## Wie hat sich NLP entwickelt?

NLP hat vier große Phasen durchlaufen: handgeschriebene Regeln, aus Text gelernte Statistik, neuronale Netze und seit 2017 Transformer-Modelle, die mit riesigen Textmengen vortrainiert werden.

**Regeln (1950er- bis 1980er-Jahre).** Im Januar 1954 führten IBM und die Georgetown University öffentlich ein System vor, das russische Sätze ins Englische übersetzte. Laut [W. John Hutchins’ Geschichte des Georgetown-IBM-Experiments](https://aclanthology.org/2004.amta-papers.12/) kam es mit nur 250 Wörtern und sechs Grammatikregeln aus, weckte aber die Hoffnung, hochwertige maschinelle Übersetzung sei nur wenige Jahre entfernt. 1966 beschrieb Joseph Weizenbaum ELIZA, ein Programm am MIT, das Sätze mit Zerlegungsregeln analysierte, die von Schlüsselwörtern ausgelöst wurden, und seine Antworten aus passenden Neuaufbauregeln zusammensetzte. Solche Systeme waren nur so gut wie ihre Regeln, und jede neue Formulierung brauchte eine weitere.

**Statistik (späte 1980er- bis 2000er-Jahre).** Statt Regeln zu schreiben, ließen Forschende Programme Muster in großen Textsammlungen zählen. Ein Team am T.J. Watson Research Center von IBM veröffentlichte 1993 [fünf statistische Übersetzungsmodelle](https://aclanthology.org/J93-2003/), gelernt aus französisch-englischen Satzpaaren aus den Sitzungsprotokollen des kanadischen Parlaments. Die Autoren hielten fest, dass ihre Algorithmen nur minimalen linguistischen Gehalt hatten: Das Wissen stammte aus den Daten, nicht aus Grammatikbüchern.

**Neuronale Netze (2010er-Jahre).** 2013 beschrieben Tomas Mikolov und Kollegen bei Google word2vec, ein schnelles Verfahren, das jedes Wort in eine aus sehr großen Textsammlungen gelernte Zahlenliste verwandelt, sodass ähnlich verwendete Wörter nah beieinanderliegen. In den Jahren danach wurden neuronale Netze auf Basis solcher Wortvektoren zum Standard für Übersetzung, Tagging und Klassifikation.

**Transformer (ab 2017).** Die Transformer-Architektur, vorgestellt im Paper [Attention Is All You Need](https://arxiv.org/abs/1706.03762) und zuerst an Übersetzungen erprobt, verzichtet auf das schrittweise Lesen älterer neuronaler Netze und lässt jedes Wort gleichzeitig auf jedes andere Wort schauen.

2018 veröffentlichten Forschende von Google [BERT](https://arxiv.org/abs/1810.04805), einen Transformer, der mit nicht annotiertem Text vortrainiert und dann mit einer einzigen zusätzlichen Ausgabeschicht feinabgestimmt wurde und damit bei elf NLP-Aufgaben neue Bestwerte erzielte. Die heutigen großen Sprachmodelle sind aus derselben Architektur hervorgegangen.

## Wie funktioniert NLP?

Ein NLP-System verwandelt Rohtext Schritt für Schritt in Zahlen, mit denen ein Modell arbeiten kann, und erzeugt dann mit einem Modell ein Label, eine Struktur oder neuen Text. Die klassische Verarbeitungskette (Pipeline) sieht so aus:

1. **Bereinigen und segmentieren.** Der Text wird von Auszeichnungen befreit und in Sätze und Wörter zerlegt. Das klingt banal und ist es nicht: Ein Punkt kann einen Satz beenden, eine Abkürzung abschließen oder mitten in einer Zahl stehen.
1. **Tokenisieren.** Der Text wird in Tokens geschnitten, die Einheiten, die das Modell liest. Ältere Systeme nutzten ganze Wörter; moderne Modelle nutzen Wortteile, damit auch ein seltenes oder neues Wort dargestellt werden kann. [Was sind Tokens in der KI?](/de/blog/what-are-tokens-in-ai) zeigt, wie diese Zerlegung funktioniert.
1. **Normalisieren.** Verschiedene Formen eines Wortes werden auf eine zurückgeführt: „lief“, „läuft“ und „gelaufen“ werden zum Lemma „laufen“, der Form, die Sie im Wörterbuch nachschlagen würden.
1. **Taggen.** Die Wortartenerkennung (Part-of-Speech-Tagging) kennzeichnet jedes Wort als Nomen, Verb, Adjektiv und so weiter und trennt so „Wir essen um acht“ (Verb) von „Das Essen ist kalt“ (Nomen).
1. **Parsen.** Die Dependenzanalyse (Dependency Parsing) ermittelt, wie die Wörter zusammenhängen: wer was mit wem tut. In „Der Kurier gab das Paket beim Nachbarn ab“ verbindet die Analyse „gab … ab“ mit dem Subjekt „Kurier“ und dem Objekt „Paket“.
1. **Als Vektoren darstellen.** Jedes Wort, jeder Satz oder jedes Dokument wird zu einem Embedding, einer langen Zahlenliste, die es in einem Raum platziert, in dem ähnliche Bedeutungen nah beieinanderliegen.
1. **Das Aufgabenmodell ausführen.** Ein Klassifikator, ein Sequenz-Labeler oder ein Textgenerator erzeugt aus diesen Vektoren das Ergebnis: eine Kategorie, eine Reihe markierter Namen, eine Übersetzung oder eine Zusammenfassung.

Moderne Transformer-Modelle fassen die meisten dieser Schritte in einem Netz zusammen, das Tagging, Struktur und Bedeutung intern lernt. Die Pipeline zu kennen lohnt sich trotzdem, denn wenn ein NLP-System versagt, liegt die Ursache oft in einem frühen Schritt.

Auf unserem Testrechner haben wir den in Node.js eingebauten Satzsegmentierer (`Intl.Segmenter`, der die ICU-Bibliothek nutzt) auf den englischen Satz `Dr. Smith ordered 2.5 kg at 9 a.m. It arrived late.` angewendet. Er behandelte „2.5“ und „a.m.“ korrekt, lieferte aber drei Sätze statt zwei, weil er „Dr.“ als eigenen Satz abtrennte. Solche kleinen Fehler wandern durch die Pipeline und werden später zu falschen Tags.

## Was sind die wichtigsten NLP-Aufgaben?

Der größte Teil der NLP-Arbeit fällt in eine Handvoll Aufgaben, von denen jede eine andere Frage an einen Text stellt. Nehmen wir eine einzige Kundennachricht: „Die Bestellung 4417 nach Lyon kam drei Tage zu spät an und der Karton war zerdrückt, ich möchte mein Geld zurück.“

- **Textklassifikation** ordnet die ganze Nachricht einer Kategorie zu: Lieferbeschwerde. Spamfilterung und Themensortierung sind dieselbe Aufgabe.
- **Sentiment-Analyse** entscheidet, ob der Ton positiv, neutral oder negativ ist: hier eindeutig negativ. [Sentiment-Analyse in Python](/de/blog/sentiment-analysis-python) vergleicht zwei Wege, Produktbewertungen zu bewerten.
- **Named Entity Recognition (NER)**, die Eigennamenerkennung, findet und kennzeichnet Namen im Text: „Lyon“ als Ort, „4417“ als Bestellnummer, „drei Tage“ als Dauer.
- **Absichtserkennung** (Intent Detection) ermittelt, was der Schreibende will: eine Erstattung. Chatbots und Sprachassistenten sind darauf angewiesen.
- **Informationsextraktion** füllt aus freiem Text einen strukturierten Eintrag, etwa Bestellnummer, Art des Problems und gewünschte Maßnahme, bereit für eine Datenbank.
- **Maschinelle Übersetzung** überträgt die Nachricht in eine andere Sprache, für ein Support-Team im Ausland.
- **Zusammenfassung** kürzt langen Text, entweder durch Auswahl der Kernsätze (extraktiv) oder durch eine neue, kürzere Fassung (abstraktiv).
- **Question Answering** (Fragebeantwortung) findet oder formuliert die Antwort auf eine Frage aus einem Dokument oder einer Wissensdatenbank.

Gesprochene Sprache fügt an den Rändern zwei weitere Aufgaben hinzu: Spracherkennung macht aus gesprochenen Wörtern Text, bevor NLP beginnt, und Sprachsynthese (Text-to-Speech) verwandelt die Ausgabe wieder in eine Stimme.

## Was ist der Unterschied zwischen NLP, NLU, NLG und einem LLM?

NLP ist das gesamte Fachgebiet; Natural Language Understanding (NLU) ist der Teil, der Bedeutung ermittelt, Natural Language Generation (NLG) der Teil, der Text schreibt, und ein großes Sprachmodell (LLM) ist eine Modellart, die beides kann.

| Begriff | Was er umfasst | Beispielausgabe |
|---|---|---|
| NLP | Das gesamte Gebiet von Computern und Sprache | Jede Aufgabe in diesem Beitrag |
| NLU | Lesen: Bedeutung, Absicht, Entitäten | „Absicht: Erstattung, Bestellung 4417“ |
| NLG | Schreiben: Text aus Daten oder einem Prompt | „Ihre Erstattung wurde veranlasst.“ |
| LLM | Eine Modellart, die beides kann | Eine vollständig entworfene Antwort |

NLU und NLG sind zwei Richtungen derselben Arbeit: Ein Support-Bot liest die Nachricht mit NLU und schreibt die Antwort mit NLG.

## Ist ein LLM dasselbe wie NLP?

Nein: Ein LLM ist ein Werkzeug innerhalb von NLP, kein Ersatz für das Fachgebiet. Ein großes Sprachmodell ist ein neuronales Netz, das mit einer sehr großen Textmenge darauf trainiert wird, das nächste Token vorherzusagen, und diese eine Fähigkeit erlaubt ihm, zu klassifizieren, zu übersetzen, zusammenzufassen und Fragen zu beantworten, wenn Sie die Aufgabe in einem Prompt beschreiben. [Was ist ein LLM?](/de/blog/what-is-a-large-language-model) erklärt, wie diese Modelle aufgebaut und trainiert werden.

Viele Aufgaben, die früher ein eigenes Modell brauchten, lassen sich heute erledigen, indem man ein LLM in normaler Sprache fragt. Kleinere, aufgabenspezifische Modelle haben trotzdem ihren Platz: Ein kompakter Klassifikator, trainiert auf Ihren eigenen gelabelten E-Mails, kostet pro Nachricht weniger, gibt für dieselbe Eingabe jedes Mal dasselbe Label aus und kann auf Ihren eigenen Servern laufen, was bei hohem Volumen oder personenbezogenen Daten zählt.

## Warum ist menschliche Sprache für Computer schwierig?

Menschliche Sprache ist schwierig, weil dieselben Wörter Verschiedenes bedeuten können und die Bedeutung oft von Kontext, Ton und Wissen abhängt, das im Text gar nicht steht.

- **Mehrdeutigkeit.** „Das Schloss ist kaputt“ kann ein Türschloss oder eine Burg meinen; „Sie sah den Mann mit dem Fernglas“ lässt offen, wer das Fernglas hält. Menschen lösen das unbemerkt aus dem Kontext; ein Modell muss es lernen.
- **Ironie und Ton.** „Super, schon wieder eine verspätete Lieferung“ beschwert sich mit einem positiven Wort. Einfache Sentiment-Modelle, die positive und negative Wörter zählen, liegen hier falsch.
- **Fachsprache.** „Positiv“ ist in einer Bewertung eine gute und in einem medizinischen Testergebnis eine schlechte Nachricht. Ein Modell, das mit Nachrichtenartikeln trainiert wurde, stolpert über Verträge, medizinische Notizen oder Social-Media-Slang.
- **Sprachen mit weniger Ressourcen.** Modelle lernen aus dem Text, der ihnen zur Verfügung steht, und sind deshalb in Sprachen mit weniger digitalem Text als Englisch oft schwächer. Sprachen, die lange Wörter aus Endungen bauen, fügen eine weitere Ebene hinzu: Das türkische Wort „evlerinizden“ (aus Ihren Häusern) packt einen Stamm und drei Suffixe in ein Wort, wofür das Deutsche drei Wörter braucht.
- **Verzerrung (Bias).** Modelle lernen aus von Menschen geschriebenem Text, samt dessen Stereotypen, und können sie in ihren Labels oder Antworten wiederholen.
- **Schreibweise und Sprachmischung.** Tippfehler, Emojis und Nachrichten, die mitten im Satz die Sprache wechseln, sind alltägliche Eingaben und bringen Modelle immer noch aus dem Tritt.

## Wo wird NLP eingesetzt?

NLP wird überall dort eingesetzt, wo eine Organisation mehr Text hat, als Menschen lesen können. Kundenservice-Teams leiten Tickets weiter und markieren dringende Nachrichten. E-Commerce-Teams werten Bewertungen auf wiederkehrende Beschwerden aus und sorgen dafür, dass die Suche auf der Website Fragen versteht statt nur exakter Suchbegriffe.

Rechtsabteilungen durchsuchen Verträge nach bestimmten Klauseln, Krankenhäuser machen aus frei formulierten ärztlichen Notizen strukturierte Einträge, Finanzteams verfolgen Nachrichten über ein Unternehmen, und Recruiter zerlegen Stellenanzeigen in vergleichbare Felder. Außerhalb von Unternehmen stecken NLP-Verfahren in Live-Untertiteln, Übersetzungs-Apps und Sprachassistenten.

## Welche Rolle spielen Proxys in NLP-Projekten?

Proxys spielen eine Rolle, wenn ein NLP-Projekt öffentlichen Webtext so braucht, wie er in einem bestimmten Land erscheint. Bewertungen, Berichterstattung, Stellenanzeigen und Produktbeschreibungen unterscheiden sich zwischen Märkten und Sprachen, und eine Website zeigt oft je nach Standort des Besuchers eine andere lokale Version.

Ein [Residential-Proxy](https://proxynet.io/de/residential-proxy) leitet jede Anfrage über einen privaten Internetanschluss in dem Land und der Stadt Ihrer Wahl, sodass ein Team, das die Stimmung in deutschen Bewertungen oder die Formulierungen brasilianischer Stellenanzeigen analysiert, dieselben öffentlichen Seiten erfasst, die ein lokaler Besucher sieht.

Unsere Seite zur [Marktforschung](/de/market-research) erklärt, wie Teams mit Proxys Preise, Aktionen und Sortimente so sehen, wie Käufer im Zielmarkt sie sehen.

Für größere Erhebungsaufträge beschreibt unsere Seite zu [Data-Scraping-Lösungen](/de/data-scraping) die dafür ausgelegten Proxy-Pools, und unser Vertriebsteam spricht mit Ihnen über die verwaltete Seitenextraktion. Welchen Weg Sie auch wählen: Erheben Sie nur öffentliche Seiten, beachten Sie robots.txt und die Nutzungsbedingungen jeder Website, halten Sie die Anfragerate niedrig, nutzen Sie eine offizielle API, wo es eine gibt, und lassen Sie personenbezogene Daten weg, die die Analyse nicht braucht.

## Häufige Fehler

- **Mit einem Modell statt mit einer Frage beginnen.** Legen Sie fest, welches Label oder welche Antwort Sie aus dem Text brauchen, bevor Sie eine Methode wählen.
- **Die Bewertung mit eigenen Daten auslassen.** Ein Modell, das in öffentlichen Benchmarks gut abschneidet, kann die Formulierungen Ihrer Kunden trotzdem falsch einordnen; labeln Sie einige Hundert eigene Beispiele und testen Sie dagegen.
- **Annehmen, dass englische Ergebnisse übertragbar sind.** Prüfen Sie die Qualität für jede Sprache, die Sie verarbeiten, getrennt.
- **Die frühen Pipeline-Schritte ignorieren.** Kaputte Zeichenkodierung, HTML-Reste und falsche Satzgrenzen verursachen viele vermeintliche Modellfehler.
- **Für jede Aufgabe ein LLM nutzen.** Für eine feste Klassifikationsaufgabe mit hohem Volumen ist ein kleines trainiertes Modell oft günstiger und konsistenter.
- **Personenbezogene Daten in fremde Werkzeuge geben, ohne die Bedingungen zu prüfen.** Namen, E-Mail-Adressen und Bestelldaten in Texten sind personenbezogene Daten nach Gesetzen wie der DSGVO; entfernen Sie, was die Aufgabe nicht braucht.

## Entscheidungshilfe

| Bedarf | Lösung |
|---|---|
| Große Textmengen festen Labels zuordnen | Ein trainierter Textklassifikator |
| Namen, Orte, Daten und Bestellnummern finden | Named Entity Recognition |
| Den Ton von Bewertungen oder Posts messen | Sentiment-Analyse, an eigenen Daten geprüft |
| Antworten, Zusammenfassungen oder Übersetzungen entwerfen | Ein LLM, dessen Ausgabe ein Mensch prüft |
| Antworten aus eigenen Dokumenten | Suche über diese Dokumente plus ein LLM |
| Text, der auf Ihren Servern bleiben muss | Ein offenes Modell, das Sie selbst hosten |
| Lokaler Webtext aus mehreren Ländern | Öffentliche Seiten, über lokale Proxys erfasst |

## Häufige Fragen

### Was ist ein Beispiel für Natural Language Processing?

Ein Spamfilter ist eines der häufigsten Beispiele: Er liest jede eingehende E-Mail und entscheidet anhand der Formulierungen, ob sie Spam ist. Weitere sind maschinelle Übersetzung, Sprachassistenten, die Gesprochenes in Befehle verwandeln, die Wortvervollständigung auf einer Smartphone-Tastatur und Chatbots, die Kundenfragen beantworten.

### Ist ChatGPT ein Beispiel für NLP?

Ja: ChatGPT ist eine NLP-Anwendung auf Basis großer Sprachmodelle, die eine Art von NLP-Modell sind. Es nutzt Sprachverständnis, um Ihren Prompt zu lesen, und Sprachgenerierung, um die Antwort zu schreiben, die beiden oben beschriebenen Hälften von NLP.

### Was ist der Unterschied zwischen NLP und maschinellem Lernen?

Maschinelles Lernen ist eine allgemeine Methode, um Muster aus Daten zu lernen, und NLP ist ein Fachgebiet, das sie neben anderen Methoden auf menschliche Sprache anwendet. Maschinelles Lernen steckt auch in Bilderkennung, Betrugserkennung und Empfehlungen, die mit Sprache nichts zu tun haben, während frühes NLP ganz ohne maschinelles Lernen mit handgeschriebenen Regeln arbeitete.

### Was bedeutet NLP in der Psychologie?

In Psychologie und Coaching steht NLP für Neurolinguistisches Programmieren, eine Kommunikations- und Selbsthilfemethode, die nichts mit Computern zu tun hat. In KI, Data Science und Software bedeutet NLP immer Natural Language Processing.

### Welche Programmiersprache wird für NLP verwendet?

Python ist die übliche Wahl, weil verbreitete NLP-Bibliotheken wie NLTK, spaCy und Hugging Face Transformers dafür geschrieben sind. Viele Teams rufen ein LLM auch über eine API aus der Sprache auf, in der ihre Anwendung ohnehin geschrieben ist.

### Funktioniert NLP auch in anderen Sprachen als Englisch?

Ja, aber die Qualität hängt von der Sprache ab. Modelle sind meist auf Englisch und in anderen Sprachen mit viel digitalem Text am stärksten und schwächer in Sprachen mit weniger Trainingsdaten oder komplexem Wortaufbau; testen Sie ein Modell deshalb mit echtem Text in jeder Sprache, die Sie brauchen.

## Fazit

Natural Language Processing ist das Fachgebiet, mit dem Computer menschliche Sprache lesen, verstehen und schreiben. Es entwickelte sich von handgeschriebenen Regeln in den 1950er-Jahren zur Statistik um 1990, dann zu neuronalen Netzen und seit 2017 zu Transformern und den darauf aufbauenden großen Sprachmodellen. Ein System zerlegt Text in Sätze und Tokens, stellt sie als Zahlen dar und führt ein Modell für eine Aufgabe wie Klassifikation, Eigennamenerkennung oder Übersetzung aus. Sprache bleibt schwierig wegen Mehrdeutigkeit, Ironie und ungleich verteilter Daten zwischen den Sprachen; testen Sie jedes NLP-System deshalb mit Ihrem eigenen Text und wählen Sie das Werkzeug passend zur Aufgabe: ein kleines Modell für Labels in großen Mengen, ein LLM für Entwürfe und offene Fragen.
