Wer sich zum ersten Mal ernsthaft mit künstlicher Intelligenz beschäftigt, stolpert nach wenigen Minuten über Wörter, die niemand erklärt. Token, Kontextfenster, Halluzination, Fine-Tuning. Genau dafür gibt es dieses KI-Glossar. Jeder Eintrag beantwortet drei Fragen. Was bedeutet der Begriff, was steckt technisch dahinter, und was heißt das für den Einsatz von KI in einem kleinen Betrieb. Die Reihenfolge ist Absicht, denn ein Fachwort nützt wenig, solange unklar bleibt, wo es einem im Alltag begegnet.
Wir schreiben die Erklärungen so, dass sie ohne Vorwissen funktionieren. Wo ein Begriff wirklich technisches Vorwissen voraussetzt, verlinken wir auf den passenden Grundlagen-Eintrag, statt eine Erklärung mit Fachjargon zu überfrachten.
Der sichtbarste Sprung der letzten Jahre liegt darin, dass ein Computer Inhalte nicht nur sortiert, sondern selbst generieren kann. Texte, Bilder, Programmcode, Sprache. Dazu kommt die Fähigkeit, natürliche Sprache zu verstehen, was die Interaktion mit einem Programm grundlegend verändert hat. Statt ein Formular auszufüllen, beschreibt man sein Anliegen einfach so, wie man es einem Kollegen sagen würde.
Für kleine Betriebe entsteht der Nutzen meist an drei Stellen. Wiederkehrende Schreibarbeit automatisieren, etwa Angebotstexte, Baustellenberichte oder Antworten auf Standardanfragen. Bestehende Abläufe optimieren, etwa Terminplanung oder die Nachverfolgung offener Angebote. Und die erste Erreichbarkeit abfedern, wofür heute meist KI-Assistenten und Chatbots eingesetzt werden. Visuell arbeitende Modelle, fachlich Computer Vision, kommen dazu, wenn Fotos ausgewertet werden sollen, etwa ein Aufmaß vom Handy oder die Dokumentation eines Schadens.
Je mehr ein System übernimmt, desto wichtiger wird die Frage, warum es so entschieden hat. Genau hier setzt erklärbare KI an, die nachvollziehbar machen soll, welche Faktoren zu einem Ergebnis geführt haben. Vertrauenswürdige KI geht noch einen Schritt weiter und umfasst zusätzlich Datenschutz, menschliche Aufsicht, Robustheit und die Vermeidung von Verzerrungen. Beides sind keine Marketingwörter, sondern feste Kriterien, auf denen auch der EU AI Act aufbaut.
Wer den verantwortungsvollen Einsatz von KI im eigenen Betrieb ernst meint, klärt deshalb drei Dinge, bevor ein Werkzeug produktiv geht. Welche Daten sieht es, wer steht für ein falsches Ergebnis gerade, und wie lässt sich sicherstellen, dass jemand die Ausgabe prüft, bevor sie beim Kunden landet. Die Einträge in diesem Glossar liefern die Begriffe, mit denen sich diese Fragen überhaupt erst sauber stellen lassen.
Hinter jedem KI-Werkzeug steckt ein Algorithmus, also eine feste Rechenvorschrift. Der entscheidende Unterschied zu klassischer Software liegt darin, woher die Regeln kommen. Früher hat ein Mensch jede Regel programmiert. Heute bekommt ein Modell einen Datensatz vorgelegt und wird so lange mit diesen Daten trainiert, bis es beginnt, Muster zu erkennen. Beim überwachten Lernen liegt zu jedem Beispiel die richtige Antwort bei. Das Modell vergleicht seinen Versuch mit der Lösung und korrigiert sich selbst. Millionenfach wiederholt entsteht daraus die Fähigkeit, auch in unbekannten Daten Zusammenhänge zu erkennen und daraus Vorhersagen zu treffen.
Moderne Systeme nutzen dafür Deep Learning, ein vielschichtiges neuronales Netz. Je mehr Schichten, desto komplexer die Zusammenhänge, die ein Modell abbilden kann. Genau daraus entstehen die großen Sprachmodelle, die heute hinter ChatGPT, Claude und Gemini stecken. Ein einmal trainiertes Modell lernt übrigens nicht von allein weiter. Neue Daten wirken erst, wenn ein Anbieter nachtrainiert oder das Modell sie beim Arbeiten aktiv nachschlägt.
Nicht jedes System lernt ausschließlich aus Daten. Bei hybrider KI arbeiten gelernte Modelle und fest programmierte Regeln zusammen, etwa wenn ein Sprachmodell die Anfrage eines Kunden versteht, die Preisberechnung dahinter aber weiterhin einer starren Kalkulationsformel folgt. Für Betriebe ist das oft die belastbarste Bauweise, weil die Ergebnisse dort exakt bleiben, wo Exaktheit zählt.
Ein Punkt sorgt regelmäßig für Missverständnisse. Alles, was heute auf dem Markt ist, gilt fachlich als schwache KI. Diese Systeme lösen spezifische Aufgaben ausgesprochen gut, verstehen aber nicht, was sie tun, und können ihr Können nicht auf ein fremdes Gebiet übertragen. Starke KI meint dagegen ein System, das jede geistige Aufgabe eines Menschen bewältigt. Sie existiert bislang nur als Forschungsziel, auch wenn manche Ankündigung anderes vermuten lässt.
Davon zu trennen ist der Grad an Selbstständigkeit. Autonome Systeme handeln in einem abgesteckten Rahmen ohne Rückfrage, sie buchen Termine, verschicken Antworten oder starten Folgeschritte. Für diese selbstständig arbeitende Spielart hat sich der Begriff agentische KI eingebürgert. Wie autonom ein Werkzeug arbeiten darf, ist dabei eine Einstellung und keine Eigenschaft der KI. Ein Roboter in der Fertigung folgt derselben Logik wie ein Software-Agent im Büro. Für einen Betrieb heißt das, vorher festzulegen, welche Entscheidungen ein System allein treffen darf und wo ein Mensch freigibt.
Nicht jeder Begriff in diesem Glossar stammt direkt aus der KI‑Entwicklung. Das ist Absicht. Künstliche Intelligenz ist eng mit Softwareentwicklung, IT-Sicherheit, Cloud-Infrastruktur und wirtschaftlichen Themen verbunden. Wer KI verstehen möchte, begegnet auch in aktuellen Nachrichten Begriffen, die auf den ersten Blick wenig mit Sprachmodellen oder neuronalen Netzen zu tun haben.
Jedoch wird ein Börsengang (IPO) wichtig, wenn ein KI-Unternehmen Kapital am Markt aufnimmt. Konsortialkredite oder die Run-Rate spielen bei Finanzierung und Unternehmensentwicklung eine Rolle. Ebenso gehören auch Begriffe aus der Software- und Startupwelt dazu.
Dieses KI‑Glossar hilft Ihnen dabei, Systeme, ihre Entwickler und den Einsatz besser zu verstehen.