KI-Glossar für Unternehmen

Die Begriffe aus Besprechungen über künstliche Intelligenz, ohne Fachjargon erklärt.

A

AI Act: Die EU-Verordnung über künstliche Intelligenz, unionsweit in Kraft, mit gestaffelten Pflichten bis 2026 und 2028. Sie ordnet Systeme nach Risiko und knüpft daran Pflichten.
API: Die Schnittstelle, über die eine Software von einer anderen genutzt werden kann. Ob Ihre Systeme brauchbare besitzen, entscheidet weitgehend, was sich automatisieren lässt.
ASR: Automatische Spracherkennung: gesprochenes Audio wird zu Text. Der erste Schritt jedes Sprachagenten und die Stelle, an der schwieriges Audio zuerst Qualität kostet.
Automatisierung: Software erledigt eine Aufgabe, die zuvor ein Mensch erledigt hat. Klassische Automatisierung folgt festen Regeln; KI-Automatisierung kommt mit Abweichung zurecht und erreicht damit Prozesse, die Regeln nicht erreichten.

C

Chain of Thought: Das Modell wird angeleitet, Zwischenschritte auszuführen, bevor es antwortet. Das verbessert mehrstufiges Schließen und macht die Antwort nachvollziehbar.
Chatbot: Eine dialogische Oberfläche. Ältere folgen Skriptbäumen, neuere laufen auf Sprachmodellen. Keiner von beiden handelt in Ihren Systemen, sofern er nicht als Agent gebaut ist.
Claude: Eine Modellfamilie von Anthropic, stark bei langen Dokumenten und sorgfältiger Befolgung von Anweisungen. Eine der Optionen, die wir messen, kein Standard.

D

Deep Learning: Maschinelles Lernen mit vielschichtigen neuronalen Netzen. Die Technik hinter den heutigen Sprach- und Bildmodellen.
DSGVO: Die EU-Datenschutz-Grundverordnung. Für KI regelt sie, welche Daten auf welcher Grundlage verarbeitet werden dürfen und welche Rechte Betroffene behalten.

E

Embedding: Text als Zahlenfolge, die Bedeutung abbildet, sodass Ähnliches nah beieinanderliegt. Genau das macht semantische Suche möglich.

F

Few-Shot Learning: Dem Modell einige Beispiele im Prompt geben, um das gewünschte Muster festzulegen. Oft wirksamer als eine lange Anweisung und deutlich günstiger als Fine-Tuning.
Fine-Tuning: Weiteres Training an eigenen Beispielen, um Ton oder Format festzulegen. Meist unnötig: RAG löst mehr Probleme zu geringeren Kosten und ohne Ihre Daten in ein Modell zu binden.
Foundation Model: Ein großes Allzweckmodell, breit trainiert und nachträglich an konkrete Zwecke angepasst. Die Basisschicht, auf der alles Weitere aufsetzt.
Function Calling: Die Fähigkeit eines Modells, Code mit strukturierten Argumenten aufzurufen - eine Bestellung nachschlagen, einen Termin buchen - statt nur darüber zu schreiben. Der Mechanismus, der aus einem Modell einen Agenten macht.

G

Gemini: Googles Familie von Sprachmodellen. Stark im multimodalen Bereich; eine weitere Option, die wir je Fall messen.
GPT: OpenAIs Familie von Sprachmodellen. Weit verbreitet, weshalb „GPT“ oft locker für jedes Sprachmodell verwendet wird.

H

Halluzination: Eine selbstbewusst vorgetragene falsche Antwort. Der Grund, warum ernsthafte Einführungen Quellen nennen und folgenreiche Entscheidungen bei Menschen belassen.
Human-in-the-Loop: Ein Aufbau, bei dem ein Mensch bestimmte Entscheidungen freigibt oder korrigiert. Wo diese Freigaben sitzen, bestimmt Risiko und Nutzen einer Automatisierung.

I

Inferenz: Der Betrieb eines trainierten Modells zur Erzeugung einer Antwort, im Unterschied zum Training. Dafür zahlen Sie je Nutzung, und daran misst sich die Latenz.

K

KI-Agent: Software mit Modell, Werkzeugen und der Erlaubnis zu handeln - eine Datei lesen, einen Datensatz ändern, anrufen - statt nur Text zu erzeugen. Der Unterschied zum Chatbot ist, dass er etwas verändert.
KI-Assessment: Eine strukturierte Prüfung von Prozessen mit der Frage, wo KI sich rechnet und wo nicht, samt geschätztem Nutzen je Fall. Der Wert liegt in der Gewichtung, nicht in der Liste.
KI-Kompetenz: Zu wissen, was diese Systeme können und was nicht, wo sie versagen und wie man ihre Ausgaben prüft. Zuversicht ohne dieses Wissen ist schlimmer als keine Einführung.
Kontextfenster: Wie viel Text ein Modell gleichzeitig berücksichtigen kann. Wird es überschritten, fällt Früheres heraus - die übliche Ursache dafür, dass ein Modell etwas zu „vergessen“ scheint.

L

LangChain: Ein Open-Source-Framework für Anwendungen auf Sprachmodellen. Nützlich für Prototypen; produktive Systeme wachsen oft darüber hinaus.
Langzeitgedächtnis: Das Speichern von Informationen über Gespräche hinweg, sodass ein System sich an frühere Kontakte erinnert. Nicht zu verwechseln mit dem Kontextfenster, das jedes Mal zurückgesetzt wird.
LlamaIndex: Ein Framework zur Anbindung von Sprachmodellen an eigene Daten, vor allem für RAG. Es löst Indexierung und Abruf, die man sonst selbst baut.
LLM: Ein großes Sprachmodell: mit Text trainierte Software, die vorhersagt, was als Nächstes kommt. Nützlich für Sprachaufgaben, unzuverlässig beim Rechnen und bei nie gesehenen Fakten.

M

Maschinelles Lernen: Software, die ihr Verhalten aus Daten ableitet statt aus geschriebenen Regeln. Das übergeordnete Feld, zu dem Sprachmodelle gehören.
MCP: Model Context Protocol: ein offener Standard zur Anbindung von Modellen an Werkzeuge und Datenquellen, damit Integrationen nicht je Modell neu gebaut werden.
Mistral: Eine Modellfamilie des gleichnamigen französischen Unternehmens, mit offenen Gewichten für den Eigenbetrieb. Relevant, wenn Datenhaltung gehostete APIs ausschließt.
Modellunabhängig: Eine Architektur, die trennt, was Ihr System tut, von dem Modell, das es antreibt - so lassen sich Anbieter ohne Umbau wechseln. Genau das verhindert Bindung.
Multi-Agenten-System: Mehrere Agenten mit verschiedenen Rollen an einer Aufgabe. Leistungsfähig und deutlich schwerer zu analysieren - nur lohnend, wenn ein einzelner Agent wirklich nicht genügt.
Multimodal: Ein Modell, das mehr als Text verarbeitet: Bilder, Audio, Video. Nützlich beim Lesen gescannter Unterlagen und Fotos von Schäden oder Mängeln.

N

N8N: Ein Open-Source-Werkzeug zur Workflow-Automatisierung. Häufig der richtige Ort, um die Schritte eines Agenten zu orchestrieren, wenn die Logik vor allem Abfolge ist.
NLP: Natural Language Processing: das Feld der maschinellen Verarbeitung menschlicher Sprache. Sprachmodelle sind dessen aktueller Stand.
NLU: Natural Language Understanding: Absicht und Bedeutung aus dem Gesagten gewinnen. Daran entscheidet sich, ob ein Sprachagent den Anrufer verstanden hat.

O

OpenAI: Das Unternehmen hinter den GPT-Modellen. Ein Anbieter unter mehreren, die wir messen; an keinen gebunden zu sein, ist Absicht.
Orchestrierung: Das Zusammenspiel von Modellen, Werkzeugen und Schritten zu einem funktionierenden Prozess. Der größte Teil der Ingenieursarbeit steckt hier, nicht im Modell.

P

Prompt: Die Anweisung an ein Modell. Kleine Änderungen im Wortlaut verändern die Ausgabe erheblich, weshalb Prompts getestet und nicht einmal geschrieben werden.
Prompt Engineering: Prompts systematisch schreiben und testen, damit Ergebnisse auch bei echten Eingaben tragen und nicht nur bei den zuerst versuchten Beispielen.

R

RAG: Retrieval-augmented generation: das Modell antwortet aus Ihren Dokumenten statt aus dem Gedächtnis. Erst das macht eine Antwort gegen eine Quelle prüfbar.
ROI: Return on Investment. Bei KI sollte er Aufbaukosten, laufende Kosten und die Zeit Ihres Teams enthalten - nicht nur die Lizenz.
RPA: Robotic Process Automation: Software, die festen Regeln durch bestehende Oberflächen folgt. Sie scheitert an Abweichung - genau dort übernehmen KI-Agenten.

S

System-Prompt: Die dauerhafte Anweisung, die Rolle und Grenzen eines Modells für jedes Gespräch festlegt. Hier werden Verhalten und Schranken gesetzt.

T

Temperature: Eine Einstellung, die steuert, wie variabel die Ausgabe ausfällt. Niedrig für Extraktion und Klassifizierung, höher für Entwürfe - ein falscher Wert erzeugt viel scheinbare Unzuverlässigkeit.
Textvervollständigung: Die zugrunde liegende Operation eines Sprachmodells: vorhersagen, was als Nächstes kommt. Alles andere - Chat, Agenten, Zusammenfassen - baut darauf auf.
Token: Die Einheit, in der Modelle lesen und abrechnen, etwa drei Viertel eines Wortes. Kosten und Grenzen werden in Token ausgedrückt, deshalb steht der Begriff auf Rechnungen.
Tool Use: Ein Modell ruft externe Funktionen auf, um nachzuschlagen oder zu handeln. Der Oberbegriff für das, was Function Calling ermöglicht.
TTS: Text-to-Speech: aus Text wird gesprochenes Audio. Das gibt einem Sprachagenten seine Stimme, und dort fällt Natürlichkeit am stärksten auf.

V

Vektor: Die numerische Darstellung der Bedeutung eines Textes, gespeichert in einer Vektordatenbank, damit Ähnliches nach Bedeutung statt nach Stichwort gefunden wird.
Voice AI Agent: Ein Agent am Telefon: er versteht Sprache, antwortet, handelt in Ihren Systemen und übergibt, was einen Menschen braucht.

Z

Zero-Shot Learning: Ein Modell löst eine Aufgabe ohne Beispiele, allein aus der Anweisung. Bei verbreiteten Aufgaben gut, bei allem Unternehmensspezifischen weniger.

Wenn KI in Ihrem Fall nicht die richtige Antwort ist, sagen wir es Ihnen.

Ein Gespräch von 30 Minuten über einen Prozess, der Sie heute Zeit kostet. Wir sagen, was wir tun würden, und was nicht.

Gespräch buchen Weitere Kontaktwege