Das KI-Glossar für Führungskräfte
Über 30 KI-Begriffe, die Sie ständig in Meetings hören – endlich einfach erklärt.
Sie sitzen in einem Meeting. Jemand erwähnt „RAG-Pipelines“ und „Fine-Tuning“. Eine andere Person wirft mit „agentischen Workflows“ und „Kontextfenstern“ um sich. Sie nicken. Sie machen sich Notizen. Aber wenn Sie jemand bitten würde, etwas davon zu erklären? Ehrlich gesagt, Sie kämen ins Straucheln.
Damit sind Sie nicht allein.
Die meisten Führungskräfte, mit denen ich zusammenarbeite, sei es bei der Gründung von Start-ups über das Founder Institute oder bei der Skalierung etablierter Unternehmen, sind scharfsinnige, strategisch denkende Menschen. Sie erkennen eine Marktchance sofort. Aber das KI-Vokabular entwickelt sich schneller, als man mithalten kann.
Dieses Glossar ist Ihr Spickzettel. Kein Informatikstudium erforderlich. Nur klare, einfache Definitionen mit dem Blickwinkel „Warum das für Ihr Unternehmen wichtig ist“ bei jedem Begriff.
Speichern Sie es als Lesezeichen. Teilen Sie es mit Ihrem Team. Rufen Sie es auf, wenn das nächste Mal jemand „MCP“ in einem Strategiegespräch fallen lässt und Sie eine schnelle Auffrischung brauchen.
Ich werde diese Liste regelmäßig aktualisieren, sobald neue Buzzwords auftauchen.
Die Grundlagen
KI (Künstliche Intelligenz)
Computer, die Aufgaben erledigen, die normalerweise menschliches Denken erfordern. Sprache verstehen, Bilder erkennen, Entscheidungen treffen, Muster in Daten erkennen.
Warum das für Ihr Unternehmen wichtig ist: KI ist kein „Nice-to-have“ mehr. Sie ist die Schicht, die über fast jedem modernen Tool liegt, das Ihr Team bereits verwendet, von Ihrem CRM bis zu Ihrer E-Mail-Marketing-Plattform. Das Verständnis der Grundlagen hilft Ihnen zu beurteilen, welche KI-Funktionen tatsächlich Probleme lösen und welche nur Marketing-Gerede sind.
Maschinelles Lernen (ML)
Anstatt einen Computer mit schrittweisen Regeln zu programmieren („wenn X, dann Y“), zeigen Sie ihm Tausende von Beispielen und lassen ihn die Muster selbst herausfinden.
Stellen Sie es sich so vor: Sie bringen einem Kind nicht bei, einen Hund zu erkennen, indem Sie jedes Merkmal jeder Hunderasse auflisten. Sie zeigen auf genügend Hunde und sagen „Hund“, bis es das Kind versteht. Maschinelles Lernen funktioniert genauso.
Warum das für Ihr Unternehmen wichtig ist: ML ist die treibende Kraft hinter den Empfehlungsalgorithmen, Betrugserkennungssystemen und prädiktiven Analysen, auf die viele Ihrer Tools im Hintergrund angewiesen sind.
Deep Learning
Eine Untergruppe des maschinellen Lernens, die viele Verarbeitungsschichten (sogenannte „neuronale Netze“) verwendet, um sehr komplexe Muster zu verarbeiten. Das ist es, was die Durchbrüche bei Bilderkennung, Sprachverständnis und Sprachassistenten ermöglicht hat.
Warum das für Ihr Unternehmen wichtig ist: Deep Learning ist der Grund, warum KI-Tools in den letzten Jahren dramatisch besser geworden sind. Es ist die Technologie hinter allem, von der automatisierten Dokumentenverarbeitung bis hin zu KI-generierten Inhalten.
Generative KI (GenAI)
KI, die neue Inhalte erstellt: Texte, Bilder, Code, Audio, Video. In diese Kategorie fallen Tools wie ChatGPT, Claude, Midjourney und ähnliche.
Das unterscheidet sich von KI, die nur bestehende Daten analysiert oder klassifiziert (wie Spamfilter oder Betrugserkennung).
Warum das für Ihr Unternehmen wichtig ist: GenAI ist wahrscheinlich die Art von KI, mit der Ihr Team am häufigsten interagiert. Sie steckt hinter Ihren KI-Schreibassistenten, Bildgeneratoren und Code-Entwicklungstools. Zu verstehen, was sie kann (und was nicht), hilft Ihnen, realistische Erwartungen zu setzen.
Modelle und Anbieter
Modell
Ein KI-Modell ist ein Computerprogramm, das darauf trainiert ist, Eingaben zu verarbeiten und eine Antwort zu generieren. Sie geben ihm einen Prompt, es führt eine Verarbeitung durch und erzeugt eine Ausgabe.
Stellen Sie es sich wie einen sehr belesenen Praktikanten vor, der das gesamte Internet und jedes jemals veröffentlichte Buch gelesen hat. Er hat nicht immer Recht, aber er kann erstaunlich nützliche Arbeit leisten, wenn man ihm klare Anweisungen gibt.
Warum das für Ihr Unternehmen wichtig ist: Wenn jemand sagt „wir verwenden GPT-4“ oder „wir sind auf Claude umgestiegen“, spricht er von verschiedenen Modellen. Jedes hat unterschiedliche Stärken, Preise und Kompromisse. Dies zu wissen, hilft Ihnen, bessere Entscheidungen bei Anbietern und Tools zu treffen.
LLM (Large Language Model)
Eine spezielle Art von KI-Modell, das auf riesigen Mengen an Text trainiert wurde, um in natürlicher Sprache lesen, schreiben, zusammenfassen, übersetzen und schlussfolgern zu können. ChatGPT, Claude, Gemini, Llama und Mistral sind alles LLMs.
Die meisten LLMs haben sich mittlerweile zu „multimodalen“ Modellen entwickelt, was bedeutet, dass sie neben Text auch Bilder, Audio und Video verarbeiten können.
Warum das für Ihr Unternehmen wichtig ist: LLMs sind die Motoren hinter den meisten KI-Tools, die Sie täglich verwenden. Das Verständnis, was ein LLM ist, hilft Ihnen, sowohl die Fähigkeiten als auch die Grenzen dieser Tools zu verstehen.
Wichtige Anbieter, von denen Sie hören werden
OpenAI entwickelt die GPT-Modelle (die ChatGPT antreiben), DALL-E für Bilder und Sora für Video. Sie sind der größte Name in diesem Bereich.
Anthropic entwickelt die Claude-Modellfamilie mit einem starken Fokus auf Sicherheit und Zuverlässigkeit. Claude ist dafür bekannt, lange Dokumente gut zu verarbeiten und komplexe Anweisungen zu befolgen.
Google entwickelt Gemini (früher Bard), das tief in Google Workspace und die Google-Suche integriert ist.
Meta veröffentlicht Llama-Modelle als Open-Weight (frei zum Herunterladen und Ausführen), was wichtig ist, wenn Ihnen Datenschutz am Herzen liegt oder Sie KI auf Ihrer eigenen Infrastruktur betreiben möchten.
Mistral ist ein europäisches KI-Unternehmen (mit Sitz in Paris), das hochwertige offene Modelle entwickelt. Relevant, wenn die EU-Datensouveränität für Ihr Unternehmen eine Rolle spielt.
Wie Modelle lernen
Training / Pre-Training
Der Prozess, ein Modell zu lehren, indem man ihm riesige Datenmengen zeigt. Für LLMs bedeutet dies, riesige Teile des Internets, Bücher, Code und mehr zu analysieren. Das Modell passt Millionen interner Einstellungen („Gewichte“) an, bis es besser darin wird, Muster vorherzusagen.
Das Pre-Training ist die erste, teuerste Phase. Es kann Monate dauern und Hunderte von Millionen Dollar kosten.
Warum das für Ihr Unternehmen wichtig ist: Sie werden kein Modell selbst trainieren. Aber zu verstehen, dass das Training in der Vergangenheit und auf bestimmten Daten stattgefunden hat, hilft Ihnen zu verstehen, warum Modelle manchmal veraltetes Wissen oder blinde Flecken haben.
Fine-Tuning
Ein vortrainiertes Modell nehmen und zusätzliches, fokussiertes Training auf Ihren spezifischen Daten durchführen. Zum Beispiel das Training auf den Kundenservice-Konversationen Ihres Unternehmens, damit es in Ihrer Markenstimme antwortet, oder auf medizinischer Literatur, um es bei Gesundheitsfragen zu verbessern.
Warum das für Ihr Unternehmen wichtig ist: Fine-Tuning ist eine der Möglichkeiten, wie Unternehmen KI an ihre spezifischen Bedürfnisse anpassen. Wenn ein Anbieter Ihnen sagt, dass er „ein Modell auf Ihren Branchendaten feinabgestimmt“ hat, wissen Sie jetzt, was das wirklich bedeutet.
RLHF (Reinforcement Learning from Human Feedback)
Eine Trainingstechnik, bei der menschliche Prüfer die Antworten des Modells bewerten („diese Antwort ist besser als jene“), und das Modell lernt, mehr von dem bevorzugten Stil zu produzieren. So lernen Modelle, hilfsbereit, sicher und gesprächig statt roboterhaft zu sein.
Warum das für Ihr Unternehmen wichtig ist: RLHF ist der Grund, warum sich moderne KI-Assistenten so viel natürlicher anfühlen als Chatbots von vor fünf Jahren. Es ist auch der Grund, warum verschiedene Modelle unterschiedliche „Persönlichkeiten“ haben. Die Menschen, die das Feedback gaben, haben dieses Verhalten geformt.
Überwachtes vs. Unüberwachtes Lernen
Überwachtes Lernen: Sie zeigen dem Modell beschriftete Beispiele mit richtigen Antworten. „Diese E-Mail ist Spam, diese nicht.“ Es lernt das Muster.
Unüberwachtes Lernen: Sie geben dem Modell Daten ohne Beschriftungen und lassen es selbst Muster entdecken, wie zum Beispiel ähnliche Kundenprofile zu gruppieren oder Anomalien zu erkennen.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie hören, dass KI für Kundensegmentierung (unüberwacht) im Vergleich zu Lead-Scoring (überwacht) eingesetzt wird, verstehen Sie jetzt den fundamentalen Unterschied im Ansatz.
Synthetische Daten
Künstlich erzeugte Daten, die echte Daten nachahmen. Werden verwendet, wenn echte Daten begrenzt oder zu sensibel zum Teilen sind, oder wenn Modelle mehr Trainingsbeispiele benötigen, als existieren.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie mit GDPR-Bedenken oder begrenzten Trainingsdaten in Ihrer Branche zu tun haben, sind synthetische Daten ein Weg nach vorn. So testen Unternehmen auch KI-Systeme, ohne echte Kundeninformationen preiszugeben.
Wie Modelle funktionieren (Die Begriffe, die Sie in technischen Gesprächen hören werden)
Transformer
Die neuronale Netzwerkarchitektur, die moderne KI ermöglicht hat. Entwickelt von Google-Forschern im Jahr 2017. Ihre Schlüsselinnovation ist „Attention“, die es dem Modell ermöglicht, alle Wörter in einem Satz gleichzeitig zu betrachten (anstatt nacheinander), um Kontext und Bedeutung zu verstehen.
Fast jedes große KI-Modell heute (ChatGPT, Claude, Gemini, Llama) basiert auf der Transformer-Architektur.
Warum das für Ihr Unternehmen wichtig ist: Sie müssen nicht verstehen, wie Transformer funktionieren. Aber wenn jemand „Transformer-basiertes Modell“ sagt, wissen Sie, dass es sich um ein modernes, leistungsfähiges KI-System handelt, nicht um etwas aus den 1990er Jahren.
Token
Die Grundeinheit von Text, die ein KI-Modell liest und schreibt. Manchmal ist ein Token ein ganzes Wort, manchmal nur ein Teil eines Wortes. Der Satz „ChatGPT ist schlau“ wird in ungefähr 4 Tokens aufgeteilt.
Warum das für Ihr Unternehmen wichtig ist: Tokens beeinflussen direkt Kosten und Leistungsfähigkeit. Die API-Preise werden in der Regel pro Token berechnet. Und die Anzahl der Tokens, die ein Modell auf einmal verarbeiten kann (sein „Kontextfenster“), bestimmt, wie viel Text es in einem einzigen Gespräch bearbeiten kann.
Kontextfenster
Wie viele Tokens ein Modell in einem Gespräch oder Dokument auf einmal „sehen“ kann. Betrachten Sie es als das Arbeitsgedächtnis des Modells.
Ein kleines Kontextfenster (4K Tokens) bedeutet, dass das Modell nur mit ein paar Seiten Text arbeiten kann. Ein großes Kontextfenster (200K+ Tokens) bedeutet, dass es ein ganzes Buch oder eine vollständige Codebasis auf einmal verarbeiten kann.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie möchten, dass die KI lange Verträge, große Datensätze oder mehrseitige Dokumente analysiert, ist die Größe des Kontextfensters ein entscheidender Faktor bei der Auswahl Ihres Modells und Tools.
Parameter / Gewichte
Die internen Zahlen in einem Modell, die während des Trainings angepasst werden. Mehr Parameter bedeuten im Allgemeinen ein größeres, leistungsfähigeres (aber auch teureres) Modell.
Wenn Sie von einem „70-Milliarden-Parameter-Modell“ hören, beschreibt das die Größe und Komplexität des Modells.
Warum das für Ihr Unternehmen wichtig ist: Größer ist nicht immer besser für Ihren Anwendungsfall. Ein kleineres, günstigeres Modell könnte Ihren Kundensupport-Chatbot perfekt handhaben. Dieses Verständnis hilft Ihnen, nicht für Fähigkeiten zu viel zu bezahlen, die Sie nicht benötigen.
KI in der Praxis anwenden
Prompt
Der Input, den Sie einem KI-Modell geben. Eine Frage, eine Anweisung, ein Stück Kontext. Alles, was Sie in ChatGPT oder Claude eingeben, ist ein Prompt.
Prompt Engineering
Die Fähigkeit, Ihre Prompts so zu gestalten, dass Sie bessere, zuverlässigere Ergebnisse erhalten. Kleine Änderungen in der Formulierung einer Anfrage können zu dramatisch unterschiedlichen Ergebnissen führen.
Warum das für Ihr Unternehmen wichtig ist: Dies ist eine der praktischsten KI-Fähigkeiten, die Ihr Team im Moment entwickeln kann. Gutes Prompt Engineering kann den Unterschied ausmachen zwischen KI-Ergebnissen, die unbrauchbar sind, und solchen, die Stunden an Arbeit sparen.
System-Prompt
Eine versteckte, im Hintergrund laufende Anweisung, die Entwickler einrichten, um das Verhalten eines KI-Assistenten zu steuern. Zum Beispiel: „Du bist ein hilfreicher Kundensupport-Mitarbeiter für [Unternehmen]. Sei immer höflich. Sprich niemals über Konkurrenzprodukte.“
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie KI-gestützte Funktionen in Ihr Produkt oder Ihre internen Tools einbauen, definieren Sie im System-Prompt die Persönlichkeit, die Grenzen und das Verhalten der KI. Das ist eine Ihrer wichtigsten Produktentscheidungen.
RAG (Retrieval-Augmented Generation)
Eine Technik, die es der KI ermöglicht, die Dokumente, Datenbanken oder Wissensdatenbanken Ihres Unternehmens zu durchsuchen, bevor sie eine Antwort generiert. Anstatt aus dem Gedächtnis zu antworten (was falsch sein kann), antwortet sie auf der Grundlage Ihrer tatsächlichen Daten.
Stellen Sie es sich so vor, als würden Sie der KI einen Test mit offenen Büchern geben, anstatt sich auf das zu verlassen, was sie auswendig gelernt hat.
Warum das für Ihr Unternehmen wichtig ist: RAG ist die Methode, mit der Unternehmen KI-Assistenten bauen, die tatsächlich über ihre Produkte, Richtlinien und Prozesse Bescheid wissen. Ohne RAG ist die KI auf ihre allgemeinen Trainingsdaten beschränkt und wird wahrscheinlich Dinge über Ihr spezifisches Unternehmen erfinden.
Evals (Evaluationen)
Strukturierte Tests, um zu messen, wie gut Ihr KI-System bei bestimmten Aufgaben abschneidet. Betrachten Sie sie als Qualitätskontrollen oder Unit-Tests für KI.
Sie definieren, was „gut“ bedeutet, führen die KI durch Testszenarien und messen, ob sie die Anforderungen erfüllt.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie KI in Ihr Produkt integrieren, sind Evals die Methode, um Qualität sicherzustellen. Sie erkennen Regressionen („die KI hat das früher korrekt gehandhabt, jetzt nicht mehr“) und helfen Ihnen, verschiedene Modelle oder Ansätze zu vergleichen.
Inferenz
Wenn ein trainiertes Modell tatsächlich läuft und eine Antwort generiert. Jedes Mal, wenn Sie ChatGPT eine Frage stellen und eine Antwort erhalten, findet Inferenz statt.
Warum das für Ihr Unternehmen wichtig ist: Inferenz ist das, wofür Sie bei den API-Preisen bezahlen. Das Training findet einmal statt (und ist die Kosten des KI-Unternehmens). Inferenz findet jedes Mal statt, wenn jemand die KI nutzt (und das sind oft Ihre Kosten).
KI-Agenten und Automatisierung
Agent
Ein KI-System, das entwickelt wurde, um in Ihrem Namen Aktionen zur Erreichung eines Ziels auszuführen. Im Gegensatz zu einem Chatbot, der nur Fragen beantwortet, kann ein Agent planen, Aufgaben in Schritte unterteilen, externe Tools verwenden und über mehrere Apps hinweg arbeiten, um Dinge zu erledigen.
Denken Sie an den Unterschied zwischen dem Stellen einer Frage an einen Kollegen (Chatbot) und dem Delegieren eines Projekts an ihn (Agent).
Eine KI wird „agentischer“, je mehr sie in der Lage ist: ohne Aufforderung für jeden Schritt zu handeln, ihren eigenen Plan zu erstellen, reale Aktionen durchzuführen (ein CRM aktualisieren, E-Mails senden), Live-Daten abzurufen und ihre eigene Arbeit zu überprüfen.
Warum das für Ihr Unternehmen wichtig ist: Agenten stellen die nächste Welle der KI-Produktivität dar. Anstatt KI zum Entwerfen einer E-Mail zu verwenden, werden Sie einen Agenten einsetzen, um den gesamten Onboarding-Workflow für Kunden abzuwickeln. Hier liegt der wahre operative Hebel.
Tool-Nutzung / Tool Calling
Wenn ein KI-Modell sich mit externen Tools (Suchmaschinen, Datenbanken, Code-Ausführungsumgebungen, APIs) verbindet, um eine Aufgabe zu erledigen, anstatt sich nur auf sein eigenes Wissen zu verlassen.
Warum das für Ihr Unternehmen wichtig ist: Die Tool-Nutzung verwandelt einen allgemeinen Chatbot in ein nützliches Geschäftswerkzeug. Eine KI, die echte Daten in Ihrem CRM nachschlagen, Lagerbestände prüfen oder eine Berechnung durchführen kann, ist weitaus wertvoller als eine, die nur Text generieren kann.
MCP (Model Context Protocol)
Ein offener Standard (veröffentlicht von Anthropic), der es KI-Modellen erleichtert, sich mit externen Tools zu verbinden: Ihrem Kalender, CRM, Slack, Ihrer Codebasis und mehr. Vor MCP erforderte jede Integration benutzerdefinierten Code. MCP standardisiert diese Verbindungen.
Es gibt auch konkurrierende Ansätze, wie das A2A-Protokoll von Google.
Warum das für Ihr Unternehmen wichtig ist: MCP macht es dramatisch einfacher, KI in Ihren bestehenden Tech-Stack zu integrieren. Wenn Ihre Tools MCP unterstützen, wird die Verbindung zu einem KI-Assistenten eher zu einer Konfigurationsaufgabe als zu einem Entwicklungsprojekt.
Vibe Coding
Das Erstellen von Apps und Software mit KI-Tools, indem man in einfacher Sprache (Prompts) beschreibt, was man möchte, anstatt Code zu schreiben. In vielen Fällen schaut man sich den eigentlichen Code nie an. Der Begriff wurde von Andrej Karpathy (ehemaliger OpenAI-Forscher) geprägt.
Tools wie Lovable, Cursor, Replit, Bolt und v0 sind die Hauptplattformen, die für das Vibe Coding verwendet werden.
Warum das für Ihr Unternehmen wichtig ist: Vibe Coding verändert grundlegend, wer Software erstellen kann. Führungskräfte, Produktmanager und Fachexperten können jetzt funktionale Prototypen und sogar produktive Anwendungen ohne ein Entwicklungsteam erstellen. Ich gebe dazu Workshops am Founder Institute und für Firmenteams und habe gesehen, wie nicht-technische Gründer an einem einzigen Nachmittag von der Idee zum funktionierenden MVP kamen.
Qualität und Risiko
Halluzination
Wenn ein KI-Modell eine Antwort generiert, die selbstbewusst klingt, aber sachlich falsch oder komplett erfunden ist.
Dies geschieht, weil das Modell nicht wirklich Fakten „kennt“. Es sagt das wahrscheinlichste nächste Wort basierend auf den Mustern in seinen Trainingsdaten voraus. Wenn es nicht über die richtigen Informationen verfügt, füllt es die Lücken mit etwas Plausiblem, aber Falschem.
Warum das für Ihr Unternehmen wichtig ist: Halluzinationen sind das größte Risiko beim Einsatz von KI für geschäftskritische Aufgaben. Lassen Sie KI-Ausgaben bei wichtigen Entscheidungen immer von einem Menschen überprüfen. Und verwenden Sie Techniken wie RAG (siehe oben), um die KI in Ihren tatsächlichen Daten zu verankern.
Benchmark
Ein standardisierter Test, der verwendet wird, um die Leistung von KI-Modellen zu vergleichen. Betrachten Sie es wie eine Aufnahmeprüfung für die Universität, nur für KI. Verschiedene Benchmarks testen unterschiedliche Fähigkeiten: Programmieren, Mathematik, logisches Denken, Sprachverständnis.
Warum das für Ihr Unternehmen wichtig ist: Benchmarks helfen Ihnen, Modelle bei Kaufentscheidungen zu vergleichen. Aber seien Sie sich bewusst, dass Benchmarks nicht immer die reale Leistung für Ihren spezifischen Anwendungsfall widerspiegeln. Testen Sie mit Ihren eigenen Daten.
Red-Teaming
Aktives Versuchen, ein KI-System zu brechen oder auszunutzen, um Sicherheitsprobleme vor der Inbetriebnahme zu finden. Im Grunde genommen werden Leute beauftragt, die KI einem Stresstest zu unterziehen, indem sie versuchen, sie zu Dingen zu bewegen, die sie nicht tun sollte.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie KI in einem kundenorientierten Kontext einsetzen, sollte Red-Teaming Teil Ihres Launch-Prozesses sein. Es ist besser, die Grenzfälle selbst zu finden, als dass Ihre Kunden sie finden.
Sicherheit und Alignment
Alignment
Sicherstellen, dass das Verhalten eines KI-Systems mit menschlichen Zielen und Werten übereinstimmt. Die KI sollte tun, was Sie von ihr wollen, und zwar so, wie Sie es wollen.
Warum das für Ihr Unternehmen wichtig ist: Alignment ist nicht nur ein abstraktes Forschungsthema. Es ist praktisch. Wenn Ihr KI-Kundensupport-Bot vom Skript abweicht oder Ratschläge gibt, die Ihrer Unternehmenspolitik widersprechen, ist das ein Alignment-Fehler. Und es steht Ihre Marke auf dem Spiel.
KI-Sicherheit
Forschung und Praktiken, um KI-Systeme vorhersehbar zu machen und das Risiko von Schäden zu reduzieren. Dies umfasst technische Arbeit (Modelle zuverlässiger machen) und politische Arbeit (definieren, wofür KI verwendet werden sollte und wofür nicht).
Inhaltsmoderation
Automatisches Überprüfen und manchmal Blockieren von KI-Ausgaben, die gegen Sicherheitsregeln verstoßen, wie Hassrede, selbstverletzende Inhalte oder gefährliche Anweisungen.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie KI in kundenorientierte Tools integrieren, benötigen Sie Inhaltsmoderationsschichten. Die meisten KI-Anbieter bieten diese standardmäßig an, aber Sie sollten verstehen, was sie filtern und was nicht.
Infrastruktur (Worüber Ihr Tech-Team spricht)
API (Application Programming Interface)
Die Art und Weise, wie Software über das Internet mit einem KI-Modell kommuniziert. Ihre App sendet einen Prompt an die API, das Modell verarbeitet ihn, und die API sendet die Antwort zurück.
Warum das für Ihr Unternehmen wichtig ist: Wenn jemand sagt „wir werden die OpenAI API verwenden“ oder „die Claude API“, bedeutet das, dass sie Ihr Produkt direkt mit dem KI-Modell verbinden. Das ist etwas anderes, als nur ChatGPT in einem Browser zu verwenden. Der API-Zugriff gibt Ihnen Kontrolle, Anpassungsmöglichkeiten und die Fähigkeit, KI in Ihre eigenen Tools zu integrieren.
Compute (Rechenleistung)
Die Verarbeitungsleistung (hauptsächlich spezialisierte Chips namens GPUs), die zum Trainieren und Ausführen von KI-Modellen benötigt wird. Rechenleistung ist teuer und einer der größten Kostenfaktoren bei KI.
Warum das für Ihr Unternehmen wichtig ist: Die Kosten für die Rechenleistung wirken sich direkt auf das aus, was Sie für KI-Dienste bezahlen. Wenn Anbieter die Preise erhöhen oder wenn Sie Ihre KI-Nutzung skalieren, ist die Rechenleistung oft der Grund.
Open Weights / Open-Source-Modelle
Wenn ein KI-Unternehmen die internen Parameter des Modells veröffentlicht, sodass jeder es herunterladen, ausführen und modifizieren kann. Die Llama-Modelle von Meta und die Modelle von Mistral sind prominente Beispiele.
Warum das für Ihr Unternehmen wichtig ist: Open-Weight-Modelle geben Ihnen mehr Kontrolle über Ihre Daten (sie verlassen niemals Ihre Server), können langfristig Kosten senken und eine Anbieterabhängigkeit vermeiden. Sie erfordern jedoch mehr technisches Fachwissen für die Bereitstellung und Wartung.
Temperatur
Eine Einstellung, die steuert, wie kreativ oder vorhersagbar die Antworten einer KI sind. Niedrige Temperatur = konsistente, fokussierte Antworten. Hohe Temperatur = kreativere, vielfältigere (aber potenziell weniger genaue) Ausgaben.
Warum das für Ihr Unternehmen wichtig ist: Wenn Sie KI für sachliche Aufgaben verwenden (Datenextraktion, Kundensupport), möchten Sie eine niedrige Temperatur. Für kreative Aufgaben (Brainstorming, Ideenfindung für Inhalte) kann eine höhere Temperatur nützlich sein. Dies ist eine Einstellung, die Sie in den meisten KI-Tools tatsächlich steuern können.
Latenz
Die Zeit, die vergeht, von der Anfrage bis zum Erhalt einer Antwort von der KI.
Warum das für Ihr Unternehmen wichtig ist: Die Latenz ist wichtig für die Benutzererfahrung. Wenn Ihr KI-Chatbot 10 Sekunden zum Antworten braucht, werden die Kunden gehen. Verschiedene Modelle und Anbieter haben unterschiedliche Latenzprofile. Schnellere Modelle sind oft weniger leistungsfähig (oder teurer).
Das große Ganze
AGI (Künstliche Allgemeine Intelligenz)
KI, die „allgemein“ intelligent ist, nicht nur gut in spezifischen Aufgaben, sondern fähig, eine breite Palette von Aufgaben so gut wie (oder besser als) der durchschnittliche Mensch auszuführen. Manche argumentieren, wir hätten diesen Punkt bereits erreicht. Andere sind anderer Meinung.
ASI (Künstliche Superintelligenz)
Der theoretische nächste Schritt nach AGI: KI, die in praktisch jedem Bereich deutlich intelligenter ist als die besten menschlichen Köpfe. Dies haben wir noch nicht erreicht, und es gibt eine aktive Debatte darüber, wann (oder ob) wir es tun werden.
Warum das für Ihr Unternehmen wichtig ist: Sie müssen heute nicht für AGI oder ASI planen. Aber Sie sollten sich bewusst sein, dass sich das Tempo der KI-Entwicklung beschleunigt. Die praktischen Fähigkeiten, die Ihrem Unternehmen zur Verfügung stehen, werden in 12 Monaten ganz anders aussehen als heute.
Kurzreferenz: Begriffe, die Sie in Verkaufsgesprächen hören werden
Dies sind die Begriffe, mit denen Anbieter gerne um sich werfen. Hier ist, was sie wirklich bedeuten:
„AI-native“ = Das Produkt wurde von Grund auf mit KI entwickelt, nicht als nachträglicher Zusatz.
„Grounded“ = Die KI hat Zugriff auf reale Daten (normalerweise über RAG), sodass sie weniger wahrscheinlich halluziniert.
„Agentic“ = Die KI kann mehrstufige Aktionen ausführen, nicht nur Fragen beantworten.
„Multi-modal“ = Die KI kann Text, Bilder, Audio und/oder Video verarbeiten, nicht nur eine Art von Eingabe.
„Zero-shot“ = Die KI kann eine Aufgabe erledigen, für die sie nicht speziell trainiert wurde, nur anhand Ihrer Anweisungen.
„Few-shot“ = Sie geben der KI einige Beispiele für das, was Sie wollen, und sie lernt das Muster spontan.
„Embeddings“ = Eine Möglichkeit, Text als Zahlen darzustellen, damit die KI nach Bedeutung (nicht nur nach Schlüsselwörtern) suchen kann. Dies ist die Technologie hinter der semantischen Suche.
„Vector-Datenbank“ = Eine Datenbank, die zum Speichern und Durchsuchen dieser Embeddings entwickelt wurde. Sie ist das, was RAG in großem Maßstab ermöglicht.
Was Sie als Nächstes tun sollten
Diese Begriffe zu verstehen, ist der erste Schritt. Der eigentliche Wert entsteht, wenn Sie wissen, wie Sie sie auf Ihr spezifisches Unternehmen anwenden können.
Wenn Sie ein Gründer sind, der herausfindet, wo KI in Ihr Produkt passt, eine Führungskraft, die KI-gestützte Arbeitsabläufe für Ihr Team erkundet, oder ein Corporate-Innovation-Team, das Ihre KI-Strategie plant: Ich kann Ihnen helfen.
Buchen Sie eine kostenlose 30-minütige Beratung, um Ihre spezifischen KI-Fragen und -Möglichkeiten zu besprechen: Kontaktieren Sie uns
Nehmen Sie an einem bevorstehenden Workshop teil, in dem wir in einer einzigen Sitzung von KI-Konzepten zu funktionierenden Prototypen gelangen: Workshops ansehen
Dieses Glossar wurde von Kasia Sadowska verfasst, Gründerin von FutureHabits.tech und Direktorin des Founder Institute Austria. Sie hilft Start-ups, Acceleratoren und Firmenteams dabei, KI-Ideen mit modernen Tools und bewährten Frameworks in funktionierende Produkte umzusetzen.
Zuletzt aktualisiert: März 2026. Ich werde weiterhin Begriffe hinzufügen, während sich die KI-Landschaft weiterentwickelt.