KI Glossar
Alle wichtigen Begriffe rund um Künstliche Intelligenz – verständlich erklärt für Entscheider und Teams, die KI im Unternehmen einsetzen wollen.
KI Agent
Autonomes KI-System, das Ziele verfolgt, Entscheidungen trifft und Aktionen in externen Systemen ausführt.
Large Language Model (LLM)
KI-Modell mit Milliarden Parametern, das menschliche Sprache verstehen, generieren und verarbeiten kann.
LLM
Abkürzung für Large Language Model – Typen, Auswahlkriterien und Einsatz im Unternehmen.
GPT (Generative Pre-trained Transformer)
Die KI-Architektur hinter ChatGPT – wie GPT funktioniert und wie Unternehmen es einsetzen.
Generative KI
KI-Systeme, die eigenständig neue Inhalte erzeugen – Texte, Bilder, Code und mehr.
Transformer (KI)
Die neuronale Netzarchitektur hinter GPT, Claude und allen modernen Large Language Models.
Foundation Model
Großes, auf breiten Daten vortrainiertes KI-Modell als universelle Basis für viele Anwendungen.
Prompt
Die Eingabe, mit der ein Mensch ein KI-Sprachmodell steuert – Aufbau, Muster und Einsatz im Unternehmen.
Prompt Engineering
Systematische Methodik, Prompts zu entwickeln, zu testen und in Unternehmen wiederverwendbar zu pflegen.
System Prompt
Die uebergeordnete KI-Anweisung, die Rolle, Verhalten und Grenzen einer ganzen Sitzung festlegt.
Context Window
Das Token-Budget, das ein KI-Sprachmodell pro Anfrage gleichzeitig verarbeiten kann – sein Arbeitsgedächtnis.
Token (KI)
Die kleinste Texteinheit eines KI-Sprachmodells – zugleich Recheneinheit und Abrechnungsmaß jeder KI-Anwendung.
Tokenisierung
Der Vorgang, mit dem ein KI-Modell Text in Token zerlegt – entscheidet über Kosten, Qualität und Kontextlänge.
Temperature (KI)
Der Parameter, der steuert, wie zufällig oder vorhersehbar eine KI-Antwort ausfällt – zwischen Faktentreue und Kreativität.
Top-p Sampling
Nucleus Sampling: Wie der Top-p-Parameter die Token-Auswahl von KI-Sprachmodellen dynamisch eingrenzt – und wann er statt Temperature getunt wird.
Zero-Shot Learning
Wie LLMs Aufgaben allein per Anweisung lösen – ohne Beispiele – und wann Few-Shot oder Finetuning die bessere Wahl ist.
Few-Shot Learning
LLMs mit 2–5 Beispielen im Prompt steuern – Abgrenzung zu Zero-Shot und Finetuning, Kosten- und Qualitätshebel.
Chain-of-Thought
LLMs Schritt für Schritt schlussfolgern lassen – wann CoT-Prompting Mathematik, Logik und Mehrschritt-Aufgaben deutlich verbessert.
In-Context Learning
Wie LLMs aus Anweisungen und Beispielen im Prompt „lernen“ – der Oberbegriff fuer Zero-Shot, Few-Shot und Chain-of-Thought.
Halluzination (KI)
Warum LLMs Fakten erfinden – Typen, Ursachen und konkrete Hebel, um Halluzinationen in Unternehmen messbar zu reduzieren.
RAG (Retrieval Augmented Generation)
Wie LLMs Unternehmensdaten zur Laufzeit abrufen – das 2026-Standardmuster fuer Wissens-Assistenten und halluzinationsarme KI.
Vektordatenbank
Speichert Texte als Embeddings und findet sie per Ähnlichkeitssuche – das technische Rückgrat jedes RAG-Systems und moderner KI-Suche.
Embedding
Wie KI Text in Zahlenvektoren übersetzt und Bedeutung messbar macht – die Grundlage semantischer Suche, von Empfehlungen und jedem RAG-System.
Semantic Search
Wie semantische Suche Inhalte nach Bedeutung statt nach Stichwort findet – die Abrufstufe moderner KI-Suche und jedes RAG-Systems.
Hybrid Search
Wie hybride Suche Stichwortsuche und semantische Suche per Reciprocal Rank Fusion kombiniert – der Produktionsstandard fuer RAG-Retrieval.
Reranking
Wie ein zweiter Bewertungsschritt mit Cross-Encoder die besten Suchtreffer nach oben sortiert – und so die Antwortqualitaet in RAG-Systemen messbar steigert.
Vector Search
Wie KI die ähnlichsten Vektoren zu einer Anfrage findet – exakte kNN- vs. Approximate-Nearest-Neighbor-Suche, die Abruf-Engine hinter semantischer Suche und RAG.
Knowledge Graph
Wie ein Wissensgraph Entitäten und Beziehungen als Knoten und Kanten abbildet – die strukturierte Wissensschicht hinter GraphRAG und faktentreuer KI.
Ontologie (KI)
Wie ein formales Schema aus Klassen, Eigenschaften und Regeln das Vokabular hinter Knowledge Graphs definiert – und LLM-Antworten logisch konsistenter macht.
Chunking
Wie das Zerlegen von Dokumenten in Chunks die Retrieval-Qualität von RAG-Systemen bestimmt – Strategien, Chunk-Grösse und Overlap im Überblick.
Agentic AI
KI-Systeme, die Ziele selbstständig verfolgen: planen, Werkzeuge nutzen, sich korrigieren – Abgrenzung zu Chatbot, KI-Agent und Multi-Agent-System.
MCP (Model Context Protocol)
Der offene Standard, über den KI-Agenten Werkzeuge und Unternehmensdaten anbinden – Funktionsweise, Nutzen und warum er zum Branchenstandard wurde.
Tool Calling
Wie ein LLM externe Funktionen und APIs aufruft, um zu handeln statt nur Text zu erzeugen – Funktionsweise, Abgrenzung zu Function Calling und MCP, Unternehmenseinsatz.
Function Calling
Der von OpenAI 2023 geprägte Begriff für strukturierte Funktionsaufrufe durch LLMs – Herkunft, Funktionsweise, Zuverlässigkeit und Verhältnis zu Tool Calling.
Structured Output
Wie LLMs ihre Antwort an ein festes JSON-Schema binden – Constrained Decoding, Abgrenzung zu Function Calling und warum gültiges Format nicht gleich richtige Werte bedeutet.
Multi-Agent System
Wie mehrere spezialisierte KI-Agenten mit Rollen und Orchestrierung zusammenarbeiten – Abgrenzung zu Agentic AI, Architektur und wann sich der Aufwand lohnt.
Orchestrierung (KI)
Wie eine übergeordnete Steuerung Reihenfolge, Routing und Zustand von KI-Agenten und Abläufen kontrolliert – Orchestrator-Muster und Abgrenzung zum Multi-Agent System.
Workflow Automation
Wie regelbasierte Workflow-Automatisierung Aufgaben, Freigaben und Daten über Systeme hinweg steuert – mit Routing, Status und Eskalation, und die Abgrenzung zu RPA und KI-Orchestrierung.
Dieses Glossar wird laufend erweitert. Sie vermissen einen Begriff? Schreiben Sie uns – wir nehmen ihn auf.