KI-Glossar

Wie gut ist Dein Unternehmen für KI-Projekte aufgestellt? Wir prüfen strukturiert sechs Faktoren: strategischer Fit, Ressourcen, Daten, Wissen, Kultur und Governance. Das Ergebnis zeigt, wo Du heute stehst und was als Nächstes zu tun ist — bevor Du Geld in Werkzeuge steckst.

Ein standardisierter Vergleichstest, um die Leistung verschiedener KI-Modelle oder -Lösungen objektiv zu messen. Benchmarks helfen bei der Auswahl des richtigen Werkzeugs für Dein Vorhaben und verhindern Bauchgefühl-Entscheidungen.

Eine Gruppe von Fachleuten, die Daten analysieren, KI-Modelle entwickeln und datengetriebene Entscheidungen ermöglichen. Im Mittelstand brauchst Du in der Regel kein eigenes Team — ein externer Partner wie wir übernimmt die Brücke zwischen Deinen Fachleuten und der Technik.

Die erste nutzbare Version einer KI-Lösung — abgespeckt, aber im Echtbetrieb. Erste Anwender arbeiten damit, wir lernen, optimieren und skalieren erst dann, wenn das Setup steht. Besser als monatelange Konzepte ohne Ergebnis.

Software oder KI-Modelle, deren Quellcode frei zugänglich ist. Im KI-Bereich sind Modelle wie Llama, Mistral oder Qwen quelloffen — das bedeutet: Du kannst sie herunterladen, auf eigener Hardware betreiben und behältst die volle Kontrolle über Deine Daten.

Die strukturierte Auswahl der KI-Projekte, die wirklich Mehrwert bringen. Wir identifizieren passende Anwendungsfälle, bewerten sie techno-ökonomisch und bringen sie in eine priorisierte Reihenfolge. So vermeidest Du, Dich in zu vielen Pilotprojekten gleichzeitig zu verzetteln.

Ein schlanker Test, ob eine Idee technisch und inhaltlich funktioniert — mit echten Daten und in wenigen Wochen. Wir nutzen ihn, bevor wir voll in die Umsetzung gehen. Spart Geld und gibt Sicherheit, dass die Lösung wirklich trägt.

Eine klare, priorisierte Liste an Meilensteinen mit Zeitplan und Aufwand. Du weißt nach jedem Schritt, was als Nächstes kommt — und kannst den Fahrplan jederzeit an neue Erkenntnisse anpassen.

Ein konkretes Einsatzszenario, in dem KI im Unternehmen Wert schafft — vom Chatbot über die Dokumenten-Klassifikation bis zur prädiktiven Wartung. Wir sammeln sie nicht um ihrer selbst willen, sondern immer mit Blick auf Deine Geschäftsziele.

Wiederkehrende Arbeitsschritte werden automatisch ausgeführt: Trigger A → Aktion B → Aktion C. Tools wie n8n, Make oder Power Automate sind hier Standard. Im Unterschied zu KI-Agenten folgen Workflows festen Regeln — dafür sind sie vorhersagbar, billig und stabil.

Ein KI-System, das ein Ziel bekommt und dann selbstständig mehrere Schritte plant und ausführt — inklusive Werkzeugnutzung (Web recherchieren, E-Mail schreiben, API aufrufen). Im Gegensatz zum Chatbot ist ein Agent proaktiv und handelt autonom innerhalb definierter Grenzen.

Eine technische Schnittstelle, über die verschiedene Softwaresysteme miteinander kommunizieren. KI-Dienste wie OpenAI, Anthropic oder Google stellen APIs bereit, damit Unternehmen KI-Funktionen in eigene Anwendungen einbauen können — ohne das Modell selbst betreiben zu müssen.

Systematische Verzerrung in KI-Ergebnissen, verursacht durch unausgewogene Trainingsdaten oder fehlerhafte Annahmen. Beispiel: Ein Bewerbungs-Screening, das bestimmte Personengruppen benachteiligt, weil die historischen Daten bereits verzerrt waren. Muss aktiv geprüft und korrigiert werden.

Ein textbasierter Assistent, der Fragen beantwortet — entweder für Kunden (Service-Chatbot) oder fürs eigene Team (Wissens-Assistent). Moderne Chatbots arbeiten auf Basis Deiner eigenen Dokumente, statt frei zu halluzinieren.

Ein angepasster ChatGPT-Assistent, der auf spezifische Aufgaben vorkonfiguriert ist — mit eigenem Wissens-Upload, festgelegter Tonalität und optionalen Aktionen. Ideal für Vertriebsteams, Support oder interne Prozesse, ohne eigene Software entwickeln zu müssen.

Wenn sich die realen Daten über die Zeit verändern und das KI-Modell dadurch schlechter wird — weil es auf veralteten Mustern basiert. Typisch bei Kundendaten, Marktdaten oder Sprache. Regelmäßiges Monitoring und Nachtraining sind die Gegenmaßnahme.

Eine Unterform des maschinellen Lernens mit besonders tiefen neuronalen Netzen. Deep Learning steckt hinter der aktuellen KI-Revolution — von der Bilderkennung bis zu Sprachmodellen. Für Dich als Anwender ist wichtig zu wissen: es braucht viele Daten und Rechenpower, liefert dafür beeindruckende Ergebnisse.

Zahlenrepräsentationen von Texten, Bildern oder anderen Daten, mit denen KI-Systeme Ähnlichkeiten erkennen können. Grundlage für semantische Suche, Empfehlungssysteme und die abrufverstärkte Generierung (RAG). Du brauchst sie nicht zu verstehen, aber sie stecken hinter fast jeder intelligenten Suche.

Die Fähigkeit moderner Sprachmodelle, Aufgaben zu lösen, die man ihnen nur mit wenigen Beispielen (Few-Shot) oder ganz ohne Beispiele (Zero-Shot) im Prompt erklärt. Darum können ChatGPT und Claude so vielseitig eingesetzt werden — ohne eigenes Modelltraining.

Das Nachtrainieren eines vorhandenen KI-Modells mit eigenen Daten, damit es besser zu einem bestimmten Einsatzgebiet passt. Für die meisten Anwendungsfälle im Mittelstand nicht nötig — gutes Prompting und RAG reichen oft aus. Fine-Tuning lohnt sich erst bei sehr spezifischen Anforderungen.

Künstliche Intelligenz, die neue Inhalte erzeugt — Texte, Bilder, Code, Sprache, Musik. Im Unternehmensalltag ist vor allem die Textgenerierung relevant: Entwürfe schreiben, E-Mails formulieren, Zusammenfassungen erstellen, Produktbeschreibungen erzeugen.

Wenn ein Sprachmodell Fakten erfindet, die plausibel klingen, aber falsch sind. Der häufigste Grund, warum frei genutzte KI in Unternehmen Schaden anrichten kann. Mit Techniken wie RAG lässt sich das Risiko deutlich senken — ganz eliminieren lässt es sich nicht.

Der Moment, in dem ein trainiertes KI-Modell tatsächlich eine Vorhersage oder Antwort generiert — also die produktive Nutzung. Im Gegensatz zum Training ist Inference der laufende Betrieb. Die Kosten entstehen pro Inference (pro Anfrage, pro Token).

Die Technik hinter Werkzeugen wie ChatGPT, Claude oder Gemini. Ein KI-Modell, das auf riesigen Textmengen trainiert wurde und natürliche Sprache versteht und erzeugen kann. Die Grundlage fast aller aktuellen generativen KI-Anwendungen.

Der Oberbegriff: Computer lernen aus Daten, statt starr programmiert zu werden. Machine Learning ist die Basis für Empfehlungssysteme, Spam-Filter, Bilderkennung und vieles mehr. Die meisten KI-Anwendungen im Unternehmen bauen auf Machine Learning auf.

Alles, was nach der Entwicklung kommt: Überwachung, regelmäßige Modell-Aktualisierungen, Datendrift erkennen, Qualität sichern. KI-Systeme sind keine Einmalprojekte — ohne laufende Pflege verfallen sie.

Der Teilbereich der KI, der sich mit dem Verstehen und Erzeugen von menschlicher Sprache beschäftigt. Chatbots, Übersetzungssysteme, Textklassifikation, Sentiment-Analyse — alles NLP. Große Sprachmodelle (LLMs) sind die aktuell leistungsstärkste NLP-Technologie.

Die professionelle Weiterentwicklung von Prompting: Anweisungen werden systematisch getestet, verfeinert und in Templates gegossen, die ein ganzes Team nutzen kann. Im Unternehmenskontext der einfachste Hebel, um KI-Qualität spürbar zu verbessern — ohne Programmierung.

Die Kunst, generativer KI (ChatGPT, Claude etc.) die richtigen Anweisungen zu geben. Gute Prompts sind präzise, klar strukturiert und enthalten den nötigen Kontext. Wer Prompting beherrscht, holt aus denselben Werkzeugen deutlich mehr heraus.

Ein Ansatz, bei dem die KI vor der Antwort erst in Deinen eigenen Dokumenten nachschlägt — und nur dann antwortet, wenn sie dort echte Treffer findet. So verhinderst Du Halluzinationen und hast immer eine nachvollziehbare Quelle.

Die kleinste Einheit, in der ein Sprachmodell Text verarbeitet. Ein Token ist oft ein Wort oder Wortteil — „Unternehmen" sind z.B. zwei Tokens. Warum das wichtig ist: KI-Dienste rechnen pro Token ab, und jedes Modell hat ein Token-Limit pro Anfrage. Wer Tokens versteht, versteht die Kosten.

Die KI-Architektur, die hinter praktisch allen modernen Sprachmodellen steckt. Entwickelt 2017 von Google, ermöglicht sie es, Zusammenhänge in langen Texten zu verstehen. Das „T" in GPT steht für Transformer.

Text-to-Speech (TTS) wandelt geschriebenen Text in gesprochene Sprache um. Speech-to-Text (STT) macht das Gegenteil: gesprochene Sprache wird zum geschriebenen Text. Zusammen ermöglichen sie Voice Bots, Diktier-Systeme und barrierefreie Anwendungen.

Man beschreibt in natürlicher Sprache, was man will, und ein KI-System baut den Code. Cursor, Lovable, Bolt oder Claude Code sind typische Werkzeuge. Die Demos beeindrucken — für produktive Software braucht es aber weiterhin professionelle Entwicklung, vor allem bei Sicherheit, Tests und Wartbarkeit.

Ein KI-System, das per Sprache kommuniziert — zum Beispiel am Telefon. Kombiniert Spracherkennung (STT), Sprachverständnis und Sprachausgabe (TTS). Einsatzgebiete: Terminbuchung, FAQ-Hotline, Ersteinschätzung im Kundenservice.

Die Einhaltung aller rechtlichen Vorgaben beim KI-Einsatz — vor allem DSGVO und EU AI Act. Umfasst Transparenzhinweise, Technische Dokumentation, Auftragsverarbeitung, Risikoklassen-Einordnung und Logging-Pflichten. Klingt nach viel Aufwand, ist mit Checkliste aber machbar.

Klare Rollen, Strukturen und Prozesse für den Einsatz von KI im Unternehmen. Wer entscheidet, wer setzt um, wer überwacht? Ohne diese Regeln wird KI schnell zur Schatten-IT. Inklusive der Pflichten aus dem EU AI Act.

Die EU-Verordnung zur Regulierung Künstlicher Intelligenz, in Kraft seit August 2024. Sie klassifiziert KI-Systeme nach Risiko und definiert je nach Klasse unterschiedliche Pflichten. Gilt für alle, die KI im Unternehmen einsetzen — auch bei reiner ChatGPT-Nutzung.

KI-Systeme, die in sensiblen Bereichen eingesetzt werden — Personalentscheidungen, Kreditvergabe, kritische Infrastruktur. Der EU AI Act verlangt hier umfangreiche Dokumentation, menschliche Aufsicht, Qualitätsmanagement und regelmäßige Überprüfung.

Der EU AI Act teilt KI-Systeme in vier Risikoklassen ein: minimales Risiko (z.B. Spam-Filter), begrenztes Risiko (z.B. Chatbots mit Transparenzpflicht), hohes Risiko (z.B. Kreditscoring, HR-Tools) und verbotene KI (z.B. Social Scoring). Die Klasse bestimmt, welche Pflichten Du hast.

Eine Prüfung, ob personenbezogene Daten bei der Nutzung von KI-Diensten in unsichere Drittländer (z.B. die USA) übertragen werden und welche Schutzmaßnahmen greifen. Pflicht bei Cloud-KI-Diensten wie OpenAI oder Google Vertex.