Die 100 wichtigsten KI-Begriffe verständlich erklärt

A

Accuracy (Genauigkeit) 
Anteil der korrekt vorhergesagten Ergebnisse eines KI-Modells an der Gesamtzahl der Vorhersagen. Wichtige Kennzahl zur Bewertung von Klassifikationsmodellen. Allein nicht aussagekräftig, wenn Klassen ungleich verteilt sind.

Adversarial Attack 
Gezielte Manipulation von Eingabedaten, um ein KI-Modell zu einer falschen Ausgabe zu verleiten. Relevant für Sicherheit und Robustheit von KI-Systemen, besonders in kritischen Anwendungen wie Bilderkennung oder Textverstehen.

AI Agent (KI-Agent) 
KI-System, das eigenständig Aufgaben ausführt, mit externen Tools interagiert, Entscheidungen trifft und mehrstufige Workflows automatisiert. Ein Agent kann E-Mails lesen, Datenbanken abfragen, Berichte erstellen und Ergebnisse weiterleiten, ohne menschliche Eingriffe zwischen den Schritten. Grundlage moderner Prozessautomatisierung mit KI.

Agentic Workflow 
Prozess, bei dem ein oder mehrere KI-Agenten mehrstufige Aufgaben eigenständig ausführen: planen, ausführen, überprüfen, anpassen. Unterschied zum einfachen Prompt: Ein Agentic Workflow läuft über mehrere Schritte und nutzt Tools, Datenquellen und externe Dienste.

Alignment 
Ausrichtung eines KI-Modells auf menschliche Werte, Absichten und Sicherheitsanforderungen. 
Ziel: KI verhält sich so, wie ihre Entwickler und Nutzer es beabsichtigen, auch in unvorhergesehenen Situationen. Eines der zentralen Forschungsfelder in der KI-Sicherheit.

Annotation 
Manuelle Beschriftung von Trainingsdaten: Bilder werden mit Objekten gekennzeichnet, Texte mit Kategorien versehen, Audioaufnahmen transkribiert. Qualität der Annotation bestimmt direkt die Qualität des trainierten Modells.

API (Application Programming Interface) 
Schnittstelle, über die Software mit anderer Software kommuniziert. KI-APIs ermöglichen die Integration von Sprachmodellen wie GPT-4 oder Claude in eigene Anwendungen, ohne das Modell selbst betreiben zu müssen.

Artificial General Intelligence (AGI) 
Hypothetische KI, die menschliche kognitive Fähigkeiten in allen Bereichen erreicht oder übertrifft. Noch nicht existent. Abzugrenzen von heutiger KI, die auf spezifische Aufgaben spezialisiert ist.

Attention Mechanism 
Technischer Kern moderner Sprachmodelle. Ermöglicht dem Modell, beim Verarbeiten eines Textes relevante Stellen stärker zu gewichten als irrelevante. Grundlage der Transformer-Architektur.

Augmented Intelligence 
Konzept, bei dem KI menschliche Entscheidungsfindung unterstützt und erweitert, statt sie zu ersetzen. Fokus auf Mensch-Maschine-Zusammenarbeit statt auf Automatisierung.

AutoML 
Automated Machine Learning. Automatisierung des Prozesses, ein passendes ML-Modell für ein Problem zu finden, zu trainieren und zu optimieren. Senkt die technische Einstiegshürde für KI-Projekte.

B

Baseline 
Ausgangsmessung vor dem Einsatz eines KI-Systems. Dient als Vergleichsmaßstab, um den Mehrwert der KI-Lösung zu bewerten. Ohne Baseline ist Erfolgsmessung nicht möglich.

Benchmarking 
Standardisierter Test zur Bewertung und zum Vergleich von KI-Modellen. Benchmarks messen Leistung in definierten Aufgaben: Sprachverstehen, Logik, Faktenabfrage. Beispiele: MMLU, HumanEval, BIG-Bench. 

Bias (KI-Bias) 
Systematische Verzerrung in KI-Modellen, die aus voreingenommenen Trainingsdaten oder fehlerhaften Modelldesign-Entscheidungen entsteht. Kann zu diskriminierenden Ergebnissen führen, z.B. bei Bewerbungsscreening oder Kreditbewertung. Relevanz für EU AI Act: Hochrisiko-KI muss auf Bias geprüft werden.

Black Box 
KI-Modell, dessen Entscheidungsprozesse nicht nachvollziehbar sind. Gegensatz: Explainable AI. Besonders in regulierten Branchen problematisch, weil Entscheidungen nicht begründet werden können.

Boundary Testing 
Systematisches Testen eines KI-Modells an Extremfällen und Randbedingungen. Ziel: Schwachstellen identifizieren, bevor das Modell in der Praxis eingesetzt wird.

C

Chain-of-Thought Prompting (CoT) 
Prompting-Technik, bei der das Modell aufgefordert wird, seinen Denkprozess Schritt für Schritt zu explizieren. Verbessert die Qualität bei komplexen Analyse- und Rechenaufgaben deutlich. Beispiel: "Erkläre deinen Denkprozess Schritt für Schritt."

ChatGPT 
Konversations-KI von OpenAI, basierend auf GPT-4 und neueren Modellen. Seit November 2022 öffentlich verfügbar. Hat die breite gesellschaftliche Diskussion über KI ausgelöst. Wird in Unternehmen für Content, Analyse, Coding und Kommunikation eingesetzt.

Claude 
Konversations-KI von Anthropic. Bekannt für lange Kontextfenster, präzise Anweisungsbefolgung und Sicherheitsorientierung. Alternative zu ChatGPT, besonders in professionellen und sicherheitssensiblen Anwendungen.

Context Engineering 
Systematische Gestaltung des gesamten Kontexts für ein KI-System: Systemrollen, verfügbare Tools, Wissensquellen, Arbeitsanweisungen, Beispiele. Geht über Prompt Engineering hinaus. Entscheidend für den professionellen Einsatz von KI in Unternehmen.

Context Window (Kontextfenster) 
Maximale Menge an Text, die ein Sprachmodell in einem Durchgang verarbeiten kann. Größere Kontextfenster ermöglichen die Verarbeitung längerer Dokumente und komplexerer Zusammenhänge. Wichtige Kenngröße beim Tool-Vergleich.

Copilot 
KI-Assistent von Microsoft, integriert in Microsoft 365: Word, Excel, Outlook, Teams. Basiert auf GPT-4. Relevant für Unternehmen, die bereits Microsoft-Produkte nutzen.

D

Data Augmentation 
Technik zur künstlichen Erweiterung von Trainingsdaten durch Variationen bestehender Daten. Beispiel: Bilder spiegeln, drehen, verrauschen. Verbessert die Generalisierungsfähigkeit von Modellen bei begrenzten Trainingsdaten.

Data Governance 
Rahmenwerk für die Verwaltung, Qualitätssicherung und verantwortungsvolle Nutzung von Daten im Unternehmen. Grundvoraussetzung für effektiven und compliant KI-Einsatz.

Deep Learning 
Teilbereich des maschinellen Lernens, der auf mehrschichtigen neuronalen Netzen basiert. Besonders leistungsfähig bei Bild-, Sprach- und Texterkennung. Grundlage moderner Sprachmodelle.

Delegaite 
DSGVO-konforme KI-SaaS-Plattform für KMU, entwickelt und betrieben in Deutschland. Teil des AIspezialisten-Ökosystems. Ermöglicht sicheren KI-Einsatz ohne Cloud-Risiken. Mehr unter delegaite.net.

Deployment 
Inbetriebnahme eines trainierten KI-Modells in einer produktiven Umgebung. Umfasst technische Integration, Monitoring, Skalierung und Wartung. Kritische Phase zwischen Entwicklung und tatsächlichem Nutzen.

DSGVO (Datenschutz-Grundverordnung) 
EU-Verordnung zum Schutz personenbezogener Daten. Relevant für KI: Verarbeitung personenbezogener Daten durch KI-Systeme muss DSGVO-konform sein. Schnittstelle mit EU AI Act bei Hochrisiko-Anwendungen.

E

Embedding 
Mathematische Darstellung von Texten, Bildern oder anderen Daten als Vektoren in einem hochdimensionalen Raum. Ähnliche Inhalte liegen im Vektorraum nah beieinander. Grundlage für semantische Suche und RAG-Systeme.

EU AI Act 
EU-Verordnung 2024/1689 zur Regulierung von KI-Systemen. Klassifiziert KI nach Risikoklassen: unannehmbares Risiko, hohes Risiko, begrenztes Risiko, minimales Risiko. Enthält Pflichten für Betreiber und Anbieter. KI-Kompetenzpflicht nach Art. 4 gilt seit 2. Februar 2025. Bußgelder bis 35 Mio. Euro oder 7 Prozent des weltweiten Jahresumsatzes.

Explainable AI (XAI) 
Ansätze und Techniken, die die Entscheidungen von KI-Modellen für Menschen nachvollziehbar machen. Besonders relevant in regulierten Branchen und bei Hochrisiko-KI nach EU AI Act.

F

Feature Engineering 
Auswahl und Aufbereitung von Eingabevariablen für ML-Modelle. Bestimmt maßgeblich die Modellqualität. In modernen Deep-Learning-Systemen zunehmend automatisiert.

Few-Shot Prompting 
Prompting-Technik, bei der dem Modell wenige Beispiele für das gewünschte Ausgabeformat mitgegeben werden. Verbessert Konsistenz und Qualität der Antworten deutlich gegenüber Zero-Shot.

Fine-Tuning 
Nachtrainieren eines vortrainierten Sprachmodells auf spezifischen Daten für eine spezifische Aufgabe. Ergebnis: Modell, das für den konkreten Anwendungsfall besser performt als das Basismodell.

Foundation Model 
Großes, vortrainiertes KI-Modell, das als Basis für viele verschiedene Anwendungen genutzt werden kann. Beispiele: GPT-4, Claude, Gemini, Llama. Werden durch Fine-Tuning oder Prompting für spezifische Aufgaben angepasst.

G

Gemini 
Familie von Sprachmodellen von Google DeepMind. Integriert in Google Workspace und Google Search. Konkurrenzprodukt zu GPT-4 und Claude. 

Generative KI 
KI-Systeme, die neue Inhalte erzeugen: Texte, Bilder, Audio, Video, Code. Beispiele: ChatGPT (Text), Midjourney (Bild), Sora (Video), GitHub Copilot (Code). Unterschied zu klassischer KI: klassische KI klassifiziert oder prognostiziert, generative KI erschafft. 

GEO (Generative Engine Optimization) 
Optimierung von Inhalten für KI-basierte Suchsysteme: AI Overviews in Google, ChatGPT Search, Perplexity, Claude. Ziel: in KI-generierten Antworten als Quelle zitiert zu werden. 2026 genauso relevant wie klassisches SEO. Unterschied zu SEO: GEO optimiert für direkte Antwort-Synthese, nicht für Ranking-Positionen. 

GPT (Generative Pre-trained Transformer) 
Modellarchitektur von OpenAI. GPT-4 ist die Grundlage von ChatGPT und Microsoft Copilot. GPT steht für die Kombination aus Transformer-Architektur, großem Vortraining und generativer Fähigkeit.

GPU (Graphics Processing Unit) 
Hochleistungs-Prozessor, ursprünglich für Grafikanwendungen entwickelt, heute unverzichtbar für KI-Training und Inferenz. Ermöglicht parallele Berechnung großer Datenmengen.

Guardrails 
Sicherheitsmechanismen in KI-Systemen, die unerwünschte Ausgaben verhindern: schädliche Inhalte, vertrauliche Daten, Off-Topic-Antworten. Wichtig für produktionssicheren KI-Einsatz in Unternehmen.

H

Halluzination 
KI-Modell präsentiert falsche, erfundene oder nicht belegbare Informationen mit derselben Sicherheit wie korrekte Fakten. Hauptrisiko beim unkritischen Einsatz von Sprachmodellen. Gegenmaßnahmen: RAG, Fact-Checking, menschliche Überprüfung.

Hochrisiko-KI 
Kategorie im EU AI Act für KI-Systeme mit erheblichem Risikopotenzial: KI in Gesundheit, Bildung, Beschäftigung, kritischer Infrastruktur, Strafverfolgung. Unterliegt strengen Anforderungen: Konformitätsbewertung, Transparenz, menschliche Aufsicht.

Human-in-the-Loop 
Prinzip, bei dem Menschen in kritischen Entscheidungsschritten eines KI-Systems einbezogen bleiben. Besonders relevant bei Hochrisiko-KI. Gegenmodell: vollautomatisierte Entscheidungen ohne menschliche Kontrolle.

Hyperparameter 
Konfigurationseinstellungen eines ML-Modells, die vor dem Training festgelegt werden: Lernrate, Anzahl der Schichten, Batch-Größe. Beeinflussen Trainingsverhalten und Modellqualität erheblich.

I

Inferenz 
Anwendung eines trainierten KI-Modells auf neue Eingaben zur Erzeugung von Vorhersagen oder Ausgaben. Gegensatz: Training. Im Unternehmensalltag ist fast immer Inferenz gemeint, wenn KI "läuft".

Instruction Tuning 
Fine-Tuning-Methode, bei der Modelle auf Paare aus Anweisung und gewünschter Antwort trainiert werden. Macht Modelle besser darin, menschliche Anweisungen zu befolgen. Grundlage moderner Chatbots.

ISO/IEC 42001 
Internationaler Standard für KI-Managementsysteme. Definiert Anforderungen an verantwortungsvolle KI-Governance in Organisationen. Relevant für Unternehmen, die KI-Compliance strukturiert aufbauen wollen.

K

KI-Beauftragter 
Interne Rolle zur Sicherstellung von KI-Compliance und -Governance im Unternehmen. Zuständig für Risikoklassifizierung, Dokumentation, Schulungsnachweis und EU AI Act Konformität. Abzugrenzen vom KI-Manager, der strategischer und operativer ausgerichtet ist.

KI-Kompetenzpflicht 
Artikel 4 EU AI Act (Verordnung 2024/1689). Verpflichtet Betreiber und Anbieter von KI-Systemen, für ausreichende und nachweisbare KI-Kompetenz ihrer Mitarbeitenden zu sorgen. Gilt seit 2. Februar 2025. Drei Ebenen: Grundlagenwissen, Risikoverständnis, verantwortliche Anwendung.

KI-Readiness 
Reifegrad eines Unternehmens für den effektiven KI-Einsatz. Dimensionen: Datenverfügbarkeit, technische Infrastruktur, Mitarbeiterkompetenz, Governance, Strategie. Ausgangspunkt für jede KI-Strategie.

KI-Strategie 
Unternehmensweiter Plan für den zielgerichteten Einsatz von KI: Zielbild, Use-Case-Priorisierung, Roadmap, Ressourcenplanung, Governance. Voraussetzung für nachhaltigen KI-Nutzen jenseits von Pilotprojekten.

L

Latency (Latenz) 
Zeit zwischen Eingabe und Ausgabe eines KI-Systems. Relevant für Echtzeit-Anwendungen wie Chatbots oder automatisierte Entscheidungssysteme. Trade-off zwischen Modellgröße und Reaktionsgeschwindigkeit.

LLM (Large Language Model) 
Großes Sprachmodell, trainiert auf umfangreichen Textmengen. Fähig zu Textgenerierung, Übersetzung, Zusammenfassung, Code-Erstellung, Analyse. Beispiele: GPT-4, Claude 3, Gemini, Llama 3. Grundlage aller modernen KI-Assistenten.

Llama 
Familie offener Sprachmodelle von Meta. Kann lokal oder auf eigenen Servern betrieben werden. Relevant für Unternehmen mit strengen Datenschutzanforderungen oder dem Wunsch nach vollständiger Datenkontrolle.

M

Machine Learning (ML, Maschinelles Lernen) 
Teilbereich der KI, bei dem Systeme aus Daten lernen, statt explizit programmiert zu werden. Drei Hauptkategorien: überwachtes Lernen, unüberwachtes Lernen, bestärkendes Lernen.

MCP (Model Context Protocol) 
Offener Standard von Anthropic für die Integration von KI-Agenten mit externen Tools und Datenquellen. Ermöglicht standardisierte Verbindung von Sprachmodellen mit APIs, Datenbanken, Dateisystemen und Anwendungen. Grundlage moderner Agenten-Architekturen.

Midjourney 
KI-System zur Bildgenerierung aus Textbeschreibungen. Eines der meistgenutzten Tools für kreative und Marketing-Anwendungen. Relevant für Content-Teams und Agenturen. 

Modell 
In der KI: mathematische Struktur, die aus Daten gelernt hat und Vorhersagen oder Ausgaben erzeugt. Ein Modell ist das Ergebnis des Trainings und wird in der Inferenz angewendet.

Multimodal 
KI-System, das mehrere Datentypen verarbeiten kann: Text, Bilder, Audio, Video. Beispiele: GPT-4o, Claude 3 Sonnet. Ermöglicht komplexere Anwendungen wie Bildanalyse, Dokumentenverarbeitung und visuelle Assistenten.

N

Natural Language Processing (NLP) 
Teilbereich der KI, der sich mit dem Verstehen und Erzeugen menschlicher Sprache befasst. Grundlage von Sprachmodellen, Chatbots, Übersetzungssystemen und Textanalyse-Tools.

Neural Network (Neuronales Netz) 
KI-Modell, das lose am Aufbau des menschlichen Gehirns angelehnt ist: Schichten von verknüpften Knoten, die Informationen verarbeiten. Grundlage von Deep Learning und modernen Sprachmodellen.

O

On-Premise 
KI-Infrastruktur, die auf eigenen Servern im Unternehmen betrieben wird, statt in der Cloud. Höhere Kontrolle über Daten und Sicherheit. Relevant für Unternehmen mit strengen Datenschutz- oder Compliance-Anforderungen.

Open Source KI 
KI-Modelle, deren Gewichte und Architektur öffentlich zugänglich sind. Beispiele: Llama, Mistral, Falcon. Ermöglichen lokalen Betrieb, Anpassung und vollständige Datenkontrolle.

Overfitting 
Modell hat Trainingsdaten zu stark auswendig gelernt und generalisiert schlecht auf neue Daten. Erkenntlich daran, dass das Modell auf Trainingsdaten sehr gut, auf unbekannten Daten aber schlecht abschneidet.

P

Parameter 
Lernbare Gewichte in einem KI-Modell. GPT-4 hat schätzungsweise über eine Billion Parameter. Mehr Parameter ermöglichen komplexere Zusammenhänge, erfordern aber mehr Rechenleistung.

Perplexity 
KI-gestützte Suchmaschine, die direkte Antworten statt Linklisten liefert. Relevanz für GEO: Inhalte müssen so strukturiert sein, dass Perplexity sie als verlässliche Quelle zitiert.

Prompt 
Eingabe an ein KI-System: Frage, Anweisung, Kontext. Qualität des Prompts bestimmt maßgeblich die Qualität der Ausgabe. Grundlage von Prompt Engineering. 

Prompt Engineering 
Systematische Gestaltung von Eingaben für KI-Systeme, um konsistent gute Ergebnisse zu erzielen. Techniken: Systemrollen, Chain-of-Thought, Few-Shot, ReAct, Tree-of-Thought. Unterschied zu Context Engineering: Prompt Engineering fokussiert auf die einzelne Eingabe, Context Engineering auf das gesamte System.

Prompt Injection 
Angriff auf KI-Systeme, bei dem manipulierte Eingaben das Modell dazu bringen, seine ursprünglichen Anweisungen zu ignorieren. Sicherheitsrisiko besonders bei öffentlich zugänglichen KI-Anwendungen.

R

RAG (Retrieval-Augmented Generation) 
Technik, bei der ein Sprachmodell vor der Antwortgenerierung relevante Informationen aus einer Wissensdatenbank abruft. Verbessert Faktentreue und ermöglicht aktuelle oder unternehmensspezifische Informationen, ohne das Modell neu trainieren zu müssen.

ReAct Prompting 
Prompting-Methode, bei der das Modell abwechselnd denkt (Reason) und handelt (Act). Besonders geeignet für Agenten, die Tools nutzen und mehrstufige Aufgaben lösen.

Reinforcement Learning (Bestärkendes Lernen) 
ML-Methode, bei der ein Agent durch Versuch und Irrtum lernt, indem er für gute Entscheidungen belohnt und für schlechte bestraft wird. Grundlage von RLHF und modernen Spielen-KI-Systemen.

RLHF (Reinforcement Learning from Human Feedback) 
Trainingsmethode, bei der menschliche Bewerter Modellausgaben bewerten und das Modell daraus lernt, menschliche Präferenzen besser zu erfüllen. Schlüsseltechnik für ChatGPT, Claude und ähnliche Systeme.

S

Semantische Suche 
Suche, die die Bedeutung einer Anfrage versteht, nicht nur Schlüsselwörter abgleicht. Basiert auf Embeddings. Ermöglicht präzisere Suchergebnisse und ist Grundlage von RAG-Systemen.

Sentiment-Analyse 
Automatische Erkennung von Stimmungen und Meinungen in Texten: positiv, negativ, neutral. Anwendungen: Kundenfeedback-Analyse, Social-Media-Monitoring, Marktforschung.

System Prompt 
Anweisung an ein KI-Modell, die vor dem eigentlichen Gespräch übergeben wird und das Verhalten des Modells grundlegend steuert: Rolle, Tonalität, Einschränkungen, Aufgabenformat. Grundlage von Context Engineering.

T

Temperature 
Parameter, der die Kreativität und Zufälligkeit von Sprachmodell-Ausgaben steuert. Niedrige Temperatur: konsistente, vorhersehbare Antworten. Hohe Temperatur: kreativere, variablere Antworten. Relevant für professionellen Einsatz.

Token 
Grundlegende Verarbeitungseinheit in Sprachmodellen. Entspricht ungefähr einem Wort oder Wortbestandteil. GPT-4 kann bis zu 128.000 Token pro Anfrage verarbeiten. Kontext- und Kostengröße in der API-Nutzung.

Training 
Prozess, bei dem ein KI-Modell aus Daten lernt, indem es seine Parameter so anpasst, dass Vorhersagefehler minimiert werden. Unterschied: Training ist einmalig und ressourcenintensiv, Inferenz ist wiederholt und schneller.

Transfer Learning 
Technik, bei der ein auf einer Aufgabe trainiertes Modell für eine andere Aufgabe weitertrainiert wird. Spart erheblich Rechenzeit und Daten. Grundlage des modernen Fine-Tunings.

Transformer 
Revolutionäre Modellarchitektur, 2017 von Google eingeführt. Grundlage aller modernen Sprachmodelle: GPT, Claude, Gemini, Llama. Ermöglicht parallele Verarbeitung und effektiven Umgang mit langen Texten.

Tree-of-Thought Prompting 
Erweiterte Prompting-Technik, bei der das Modell mehrere Denkpfade gleichzeitig erkundet und bewertet. Verbessert Ergebnisse bei komplexen Planungs- und Problemlöseaufgaben.

U

Underfitting 
Modell ist zu einfach, um die Muster in den Daten zu lernen. Schlechte Performance sowohl auf Trainings- als auch auf Testdaten. Gegenteil von Overfitting. 

Unsupervised Learning (Unüberwachtes Lernen) 
ML-Methode, bei der Modelle ohne beschriftete Daten Muster und Strukturen in den Daten selbst erkennen. Anwendungen: Clustering, Anomalieerkennung, Dimensionsreduktion.

Use Case 
Konkreter Anwendungsfall für KI in einem Unternehmenskontext: automatisierte Rechnungsverarbeitung, KI-gestützte Lead-Qualifizierung, intelligenter Kundendienst. Ausgangspunkt jeder KI-Strategie ist die strukturierte Identifikation und Bewertung von Use Cases.

V

Validierung 
Bewertung eines trainierten Modells anhand von Daten, die nicht im Training verwendet wurden. Prüft, ob das Modell auf neuen, unbekannten Daten gut generalisiert.

Vector Database 
Spezialisierte Datenbank zur effizienten Speicherung und Abfrage von Embedding-Vektoren. Grundlage von RAG-Systemen und semantischer Suche. Beispiele: Pinecone, Weaviate, Qdrant.

Voice AI 
KI-Systeme für Spracherkennung, Sprachsynthese und sprachbasierte Interaktion. Anwendungen: Sprachassistenten, automatische Transkription, Telefon-Bots.

W

Workflow Automation 
Automatisierung von Geschäftsprozessen durch KI: wiederkehrende Aufgaben werden von KI-Agenten eigenständig ausgeführt. Unterschied zur klassischen Automatisierung: KI kann mit variablen, unstrukturierten Inputs umgehen.

Z

Zero-Shot Prompting 
Prompting ohne Beispiele. Das Modell löst die Aufgabe allein auf Basis der Anweisung. Funktioniert bei einfachen Aufgaben gut, bei komplexeren Aufgaben oft weniger präzise als Few-Shot oder Chain-of-Thought.