KI-Glossar: Begriffe verständlich erklärt

AI Agent

Kurz: KI-System, das Ziele über mehrere Schritte mit Werkzeugen verfolgt.

Ein KI-Agent plant Schritte, ruft Werkzeuge auf, prüft Zwischenergebnisse und handelt teil-autonom. Nicht jede Automatisierung ist ein Agent – oft genügt ein fester Workflow.

Beispiel: Ein Agent, der Termine recherchiert, einträgt und eine Bestätigung schreibt.

Warum wichtig: Wer Agenten versteht, erkennt, wann ein einfacher Workflow die bessere Wahl ist.

Verwandt: Tool Use · MCP · Vertiefen →

Artificial General Intelligence · Artificial General Intelligence, Allgemeine KI

Kurz: Hypothetische KI mit breiter, menschenähnlicher Allgemeinintelligenz.

„Artificial General Intelligence“ bezeichnet ein bislang nicht existierendes System, das beliebige geistige Aufgaben auf menschlichem Niveau lösen könnte. Aktuelle Modelle sind spezialisierte, enge KI.

Beispiel: Heutige Sprachmodelle sind trotz breiter Fähigkeiten keine AGI.

Warum wichtig: Die Abgrenzung verhindert überzogene Erwartungen an heutige Systeme.

Verwandt: AI / KI · Vertiefen →

Artificial Intelligence · Artificial Intelligence, Künstliche Intelligenz, KI

Kurz: Sammelbegriff für Systeme, die Aufgaben lösen, die üblicherweise menschliche Fähigkeiten erfordern.

„Artificial Intelligence“ (KI) beschreibt Computersysteme, die Sprache verstehen, Muster erkennen, planen oder schlussfolgern. Der Begriff umfasst viele Verfahren – von einfachen Regeln bis zu großen neuronalen Netzen.

Beispiel: Ein E-Mail-Filter, der Spam erkennt, ist ein einfaches KI-System.

Warum wichtig: KI ist der Oberbegriff, unter dem alle weiteren Begriffe einzuordnen sind.

Verwandt: Machine Learning · Generative KI · Vertiefen →

API · Application Programming Interface, Schnittstelle

Kurz: Programmierschnittstelle, über die Software auf ein Modell zugreift.

Eine API (Application Programming Interface) erlaubt es Anwendungen, ein KI-Modell aufzurufen und Ergebnisse maschinell weiterzuverarbeiten – ohne die Chat-Oberfläche.

Beispiel: Eine Website ruft per API ein Modell auf, um Support-Anfragen zu klassifizieren.

Warum wichtig: Über APIs wird KI in eigene Anwendungen und Automatisierungen eingebunden.

Verwandt: LLM · Vertiefen →

Benchmark

Kurz: Standardisierter Test zur Messung von Modellfähigkeiten.

Benchmarks vergleichen Modelle anhand fester Aufgaben. Sie sind nützlich, aber begrenzt: Ergebnisse hängen von Testaufbau und Datenauswahl ab und spiegeln nicht jede Praxisleistung wider.

Beispiel: Ein Benchmark misst, wie gut ein Modell mathematische Aufgaben löst.

Warum wichtig: Benchmarks helfen beim Vergleich, sind aber nur begrenzt aussagekräftig.

Verwandt: Evaluation · Vertiefen →

Chatbot

Kurz: Dialogsystem, das in natürlicher Sprache antwortet.

Ein Chatbot beantwortet Eingaben im Gespräch. Moderne Varianten basieren auf großen Sprachmodellen und können auch Werkzeuge nutzen.

Beispiel: Ein Support-Chatbot beantwortet häufige Kundenfragen.

Warum wichtig: Chatbots sind für viele der erste praktische Kontakt mit KI.

Verwandt: LLM · Agent / KI-Agent · Vertiefen →

Context Window · Kontextfenster

Kurz: Menge an Text (Tokens), die ein Modell gleichzeitig berücksichtigen kann.

Das Kontextfenster begrenzt, wie viel Eingabe und Ausgabe ein Modell gleichzeitig verarbeitet. Ist es überschritten, gehen frühere Inhalte verloren.

Beispiel: Ein langes Dokument passt eventuell nicht vollständig in das Kontextfenster.

Warum wichtig: Das Kontextfenster begrenzt, wie viel Information ein Modell gleichzeitig nutzen kann – und beeinflusst Kosten.

Verwandt: Token · RAG · Vertiefen →

Deep Learning

Kurz: Maschinelles Lernen mit vielschichtigen neuronalen Netzen.

Deep Learning nutzt tiefe neuronale Netze, um komplexe Muster aus großen Datenmengen zu lernen. Es ist die Grundlage moderner generativer KI.

Beispiel: Bild- und Spracherkennung beruhen häufig auf Deep Learning.

Warum wichtig: Deep Learning ist die technische Grundlage moderner generativer KI.

Verwandt: Machine Learning · Generative KI · Vertiefen →

Diffusion Model

Kurz: Modelltyp, der Bilder aus Rauschen schrittweise erzeugt.

Diffusionsmodelle lernen, aus zufälligem Rauschen schrittweise ein passendes Bild zu formen. Sie sind Basis vieler Bildgeneratoren.

Beispiel: Aus einem Textprompt entsteht Schritt für Schritt ein Bild.

Warum wichtig: Diffusionsmodelle stecken hinter den meisten KI-Bildgeneratoren.

Verwandt: Generative KI · Vertiefen →

Embedding

Kurz: Numerische Darstellung von Text als Vektor mit Bedeutungsähnlichkeit.

Embeddings wandeln Wörter oder Texte in Zahlenvektoren um, sodass ähnliche Bedeutungen nahe beieinanderliegen. Sie ermöglichen semantische Suche und RAG.

Beispiel: Zwei ähnliche Sätze haben ähnliche Embedding-Vektoren.

Warum wichtig: Embeddings sind die Basis für semantische Suche und RAG.

Verwandt: RAG · Vektordatenbank · Vertiefen →

Evaluation

Kurz: Systematische Bewertung von Modell- oder Systemqualität.

Evaluation prüft, ob ein Modell für einen Zweck geeignet ist – mit Benchmarks, eigenen Testfällen und Kriterien wie Genauigkeit, Quellen und Robustheit.

Beispiel: Eigene Testfragen prüfen, ob ein Assistent zuverlässig antwortet.

Warum wichtig: Eigene Evaluation zeigt, ob ein Modell für den konkreten Zweck taugt.

Verwandt: Benchmark · Halluzination · Vertiefen →

Fine-Tuning

Kurz: Nachtraining eines Modells auf spezielle Daten.

Beim Fine-Tuning wird ein vortrainiertes Modell mit zusätzlichen, spezifischen Daten weitertrainiert, um es an eine Aufgabe oder einen Stil anzupassen.

Beispiel: Ein Modell wird auf firmeneigene Support-Texte feinjustiert.

Warum wichtig: Fine-Tuning passt Modelle an eigene Aufgaben und Stile an.

Verwandt: Training · RAG · Vertiefen →

Foundation Model

Kurz: Großes, breit vortrainiertes Basismodell für viele Aufgaben.

Foundation Models werden auf sehr großen Datenmengen trainiert und dienen als Grundlage, die für viele Anwendungen angepasst werden kann.

Beispiel: Ein Sprachmodell, das für Chat, Übersetzung und Coding genutzt wird.

Warum wichtig: Foundation Models sind die Basis, auf der viele Anwendungen aufsetzen.

Verwandt: LLM · Fine-Tuning · Vertiefen →

Generative AI

Kurz: KI, die neue Inhalte wie Text, Bild, Audio oder Code erzeugt.

Generative KI erstellt neue Ausgaben auf Basis gelernter Muster. Dazu gehören Sprachmodelle, Bildgeneratoren und Audiomodelle.

Beispiel: Ein Modell schreibt einen Textentwurf oder erzeugt ein Bild.

Warum wichtig: Generative KI erzeugt neue Inhalte – der Kern aktueller KI-Anwendungen.

Verwandt: LLM · Diffusionsmodell · Vertiefen →

Hallucination

Kurz: Überzeugend klingende, aber falsche KI-Ausgabe.

Sprachmodelle erzeugen wahrscheinliche Fortsetzungen, keine geprüften Fakten. Dadurch können sie plausibel wirkende, aber falsche Aussagen produzieren.

Beispiel: Ein Modell erfindet eine Quelle, die es nicht gibt.

Warum wichtig: Wer Halluzinationen kennt, prüft KI-Ausgaben, statt ihnen blind zu vertrauen.

Verwandt: LLM · RAG · Vertiefen →

Inference

Kurz: Das Anwenden eines trainierten Modells zur Erzeugung von Ausgaben.

Inferenz ist der Betrieb eines fertigen Modells: Es verarbeitet eine Eingabe und liefert eine Ausgabe. Im Gegensatz dazu steht das Training.

Beispiel: Jede Chat-Antwort ist ein Inferenz-Vorgang.

Warum wichtig: Inferenz erklärt, was bei jeder KI-Nutzung tatsächlich passiert und was sie kostet.

Verwandt: Training · Token · Vertiefen →

Large Language Model · Large Language Model, Großes Sprachmodell

Kurz: Großes Sprachmodell, trainiert auf sehr viel Text.

„Large Language Model“ – ein Modell, das aus großen Textmengen Sprache lernt und Wort für Wort wahrscheinliche Fortsetzungen erzeugt.

Beispiel: Chatassistenten basieren auf LLMs.

Warum wichtig: LLMs sind das Herz von Chatassistenten und vielen KI-Tools.

Verwandt: Token · Generative KI · Vertiefen →

Machine Learning · Machine Learning

Kurz: Verfahren, bei denen Systeme aus Daten lernen.

Maschinelles Lernen erkennt Muster in Daten, statt fest programmierte Regeln zu befolgen. Deep Learning ist ein Teilbereich davon.

Beispiel: Ein Modell lernt aus Beispielen, Katzen von Hunden zu unterscheiden.

Warum wichtig: Maschinelles Lernen erklärt, warum KI aus Daten lernt statt festen Regeln zu folgen.

Verwandt: Deep Learning · AI / KI · Vertiefen →

Model Context Protocol · Model Context Protocol

Kurz: Offener Standard zur Anbindung von KI an Werkzeuge und Daten.

Das „Model Context Protocol“ standardisiert, wie KI-Anwendungen mit externen Werkzeugen, Dateien und Diensten verbunden werden – ähnlich einer einheitlichen Steckverbindung.

Beispiel: Ein Assistent greift über MCP auf ein Dateisystem oder eine Datenbank zu.

Warum wichtig: MCP standardisiert, wie KI sicher an Werkzeuge und Daten angebunden wird.

Verwandt: Agent / KI-Agent · Tool Use · Vertiefen →

Model

Kurz: Trainiertes System, das Eingaben in Ausgaben umsetzt.

Ein KI-Modell ist das Ergebnis eines Trainings. Es ist zu unterscheiden vom Endprodukt (z. B. einer Chat-App), das ein Modell nutzt.

Beispiel: Eine Chat-App verwendet im Hintergrund ein Sprachmodell.

Warum wichtig: Die Unterscheidung von Modell und Produkt verhindert typische Missverständnisse.

Verwandt: LLM · Foundation Model · Vertiefen →

Multimodal

Kurz: Verarbeitet mehrere Datenarten wie Text, Bild und Audio.

Multimodale Modelle nehmen verschiedene Eingabearten entgegen oder erzeugen sie – etwa Text und Bild zusammen.

Beispiel: Ein Modell beschreibt den Inhalt eines hochgeladenen Fotos.

Warum wichtig: Multimodale Modelle verarbeiten Text, Bild und Audio zusammen – das erweitert die Einsatzfelder.

Verwandt: Generative KI · Vertiefen →

Open Source

Kurz: Software unter einer Lizenz, die Nutzung, Einsicht und Weitergabe erlaubt.

Open Source meint quelloffene Software mit einer anerkannten Lizenz. Bei KI ist „Open Source“ nicht dasselbe wie „Open Weights“ – die Lizenz ist entscheidend.

Beispiel: Ein Werkzeug unter Apache-2.0-Lizenz.

Warum wichtig: Die Lizenz entscheidet, was mit einem Modell oder Tool erlaubt ist.

Verwandt: Open Weights · Vertiefen →

Open Weights · Offene Gewichte

Kurz: Frei herunterladbare Modellgewichte – nicht automatisch Open Source.

Open-Weight-Modelle stellen ihre trainierten Gewichte bereit. Die Nutzungsbedingungen können jedoch eingeschränkt sein; „Open Weights“ heißt nicht zwingend „Open Source“.

Beispiel: Ein Modell mit herunterladbaren Gewichten, aber eigener Nutzungslizenz.

Warum wichtig: „Open Weights“ ist nicht dasselbe wie „Open Source“ – ein häufiger Irrtum.

Verwandt: Open Source · Vertiefen →

Prompt

Kurz: Die Eingabe bzw. Anweisung an ein KI-Modell.

Ein Prompt ist die Anweisung an das Modell. Klar formulierte Rolle, Ziel, Kontext und gewünschtes Format verbessern die Ergebnisse.

Beispiel: „Fasse diesen Text in fünf Stichpunkten zusammen.“

Warum wichtig: Ein guter Prompt ist der wichtigste Hebel für bessere Ergebnisse.

Verwandt: Prompt Injection · Vertiefen →

Prompt Injection

Kurz: Angriff, der über manipulierte Inhalte die KI-Anweisungen überschreibt.

Bei Prompt Injection schleusen Angreifer schädliche Anweisungen in Inhalte ein, die das Modell verarbeitet, um es zu unerwünschtem Verhalten zu bewegen.

Beispiel: Eine Webseite enthält versteckten Text, der den Assistenten manipuliert.

Warum wichtig: Prompt Injection ist ein zentrales Sicherheitsrisiko bei KI mit Werkzeugzugriff.

Verwandt: Agent / KI-Agent · Vertiefen →

Quantization

Kurz: Verkleinert Modelle, indem Gewichte grob­körniger gespeichert werden.

Quantisierung reduziert die Genauigkeit der Zahlen im Modell, um Speicher und Rechenbedarf zu senken – oft mit geringem Qualitätsverlust. Wichtig für lokale KI.

Beispiel: Ein großes Modell läuft quantisiert auf einem Laptop.

Warum wichtig: Quantisierung macht große Modelle auf Alltagshardware nutzbar.

Verwandt: Open Weights · Vertiefen →

Retrieval-Augmented Generation · Retrieval-Augmented Generation

Kurz: Kombiniert Modell mit Suche in eigenen Dokumenten.

„Retrieval-Augmented Generation“ ruft passende Textstellen aus einer Wissensbasis ab und gibt sie dem Modell als Kontext. So werden Antworten belegbarer und aktueller.

Beispiel: Ein Assistent beantwortet Fragen anhand des eigenen Handbuchs.

Warum wichtig: RAG macht Antworten belegbarer und aktueller – ohne das Modell neu zu trainieren.

Verwandt: Embedding · Vektordatenbank · Vertiefen →

Reasoning

Kurz: Schrittweises „Nachdenken“ zur Lösung komplexer Aufgaben.

Reasoning-Ansätze lassen Modelle Zwischenschritte bilden, bevor sie antworten. Das kann bei komplexen Aufgaben helfen, kostet aber mehr Rechenzeit.

Beispiel: Ein Modell zerlegt eine Rechenaufgabe in Teilschritte.

Warum wichtig: Reasoning-Ansätze helfen bei komplexen Aufgaben, kosten aber mehr Rechenzeit.

Verwandt: LLM · Vertiefen →

Token

Kurz: Kleine Texteinheit, in die Ein- und Ausgaben zerlegt werden.

Modelle verarbeiten Text in Tokens (Wortteile). Kontextgröße und Preise werden häufig in Tokens gemessen.

Beispiel: Ein längeres Wort kann aus mehreren Tokens bestehen.

Warum wichtig: Tokens bestimmen Kontextgrenzen und Preise bei Cloud-Modellen.

Verwandt: Context Window / Kontextfenster · Vertiefen →

Tool Use

Kurz: Fähigkeit eines Modells, externe Werkzeuge aufzurufen.

Beim Tool Use ruft ein Modell Funktionen, Suchen oder APIs auf, um Aufgaben zu erledigen, die es allein nicht zuverlässig könnte.

Beispiel: Ein Modell nutzt einen Taschenrechner für exakte Berechnungen.

Warum wichtig: Tool Use macht aus einem Sprachmodell ein handelndes System.

Verwandt: Agent / KI-Agent · MCP · Vertiefen →

Training

Kurz: Prozess, in dem ein Modell aus Daten Muster lernt.

Im Training passt ein Modell seine Parameter an, um Muster in den Trainingsdaten abzubilden. Danach folgt die Inferenz (Anwendung).

Beispiel: Ein Sprachmodell wird auf großen Textmengen trainiert.

Warum wichtig: Training erklärt, wie ein Modell entsteht – im Gegensatz zur Anwendung.

Verwandt: Inferenz · Fine-Tuning · Vertiefen →

Vector Database

Kurz: Speicher für Embeddings zur schnellen Ähnlichkeitssuche.

Vektordatenbanken speichern Embeddings und finden zu einer Anfrage die ähnlichsten Einträge. Sie sind ein Baustein vieler RAG-Systeme.

Beispiel: Eine Suche findet die passendsten Absätze aus tausenden Dokumenten.

Warum wichtig: Vektordatenbanken ermöglichen schnelle Ähnlichkeitssuche für RAG.

Verwandt: Embedding · RAG · Vertiefen →

Vibe Coding

Kurz: KI-gestütztes Entwickeln über natürliche Sprache statt Zeile für Zeile.

Beim Vibe Coding beschreibt man Wünsche in natürlicher Sprache, und die KI erzeugt Code. Nützlich für Prototypen – für den Produktivbetrieb sind Tests, Sicherheit und Review nötig.

Beispiel: Aus einer Beschreibung entsteht ein erster Prototyp einer App.

Warum wichtig: Vibe Coding senkt die Hürde zum Programmieren – ersetzt aber keine Qualitätssicherung.

Verwandt: Agent / KI-Agent · Vertiefen →