KI-Glossar für Entscheider.

KI-Begriffe tauchen überall auf — in Berichten, Pressemitteilungen, Beratungsgesprächen. Dieses Glossar erklärt die wichtigsten Konzepte klar und ohne Technikjargon. Für Entscheider, die informiert handeln wollen.

Grundlagen

Künstliche Intelligenz (KI)

Systeme, die Aufgaben ausführen, die bisher menschliche Intelligenz erforderten: Texte verstehen, Bilder erkennen, Entscheidungen vorbereiten. KI ist kein einzelnes Programm, sondern eine Klasse von Methoden. Der Begriff umfasst alles von einfachen Regelsystemen bis hin zu großen Sprachmodellen.

Maschinelles Lernen (ML)

Ein Teilbereich der KI. Statt Regeln von Hand zu programmieren, lernt ein System aus Beispieldaten — ähnlich wie ein Mensch durch Erfahrung lernt. Das System optimiert sich selbst, bis es Muster zuverlässig erkennt. Grundlage aller modernen KI-Anwendungen.

Neuronales Netz

Ein Rechenmodell, das lose an das menschliche Gehirn angelehnt ist. Es besteht aus Schichten von Rechenknoten (Neuronen), die Informationen weitergeben und gewichten. Neuronale Netze sind die technische Basis von Bilderkennungs-KI, Sprachmodellen und Übersetzungssystemen.

Tiefes Lernen (Deep Learning)

Maschinelles Lernen mit vielen Schichten neuronaler Netze. „Tief" bezieht sich auf die Anzahl der Schichten, nicht auf inhaltliche Tiefe. Deep Learning ermöglicht das Erkennen komplexer Muster in Bildern, Sprache und Text — und ist der Kern moderner KI-Durchbrüche seit 2012.

ANI — Schwache KI

Artificial Narrow Intelligence: KI, die genau eine Aufgabe beherrscht. ChatGPT kann Texte schreiben, aber keine Bilder bearbeiten. AlphaGo spielt Go besser als jeder Mensch, aber kein Schach. Alle heute verfügbaren KI-Systeme sind ANI — auch wenn sie vielseitig wirken.

AGI — Allgemeine KI

Artificial General Intelligence: eine KI, die jede intellektuelle Aufgabe so gut oder besser als ein Mensch ausführen kann. AGI existiert heute noch nicht. Experten sind sich uneinig, wann — und ob — sie kommt. Die Zeitschätzungen reichen von 5 bis über 50 Jahre.

Modelle & Technik

Großes Sprachmodell (LLM)

Large Language Model: ein KI-System, das mit enormen Textmengen trainiert wurde und menschenähnliche Texte erzeugt. ChatGPT, Claude, Gemini und Llama sind LLMs. Sie können schreiben, zusammenfassen, übersetzen, erklären und Code generieren — aber sie „verstehen" nicht im menschlichen Sinne.

Trainingsdaten

Die Datenmenge, aus der ein KI-Modell lernt. Qualität und Umfang der Trainingsdaten bestimmen maßgeblich, wie gut ein Modell ist und welche Vorurteile es übernimmt. LLMs werden typischerweise auf Milliarden von Webseiten, Büchern und Texten trainiert.

Parameter

Die internen Einstellschrauben eines KI-Modells — vergleichbar mit Synapsen im Gehirn. GPT-4 hat schätzungsweise über eine Billion Parameter. Mehr Parameter bedeuten nicht zwingend bessere Ergebnisse, aber ermöglichen komplexere Muster.

Token

Die kleinste Verarbeitungseinheit eines Sprachmodells. Ein Token entspricht ungefähr einem Wort oder Wortteil. „Bundestagsabgeordnete" wird zu mehreren Tokens. LLMs haben ein Kontextfenster — eine maximale Token-Anzahl, die sie gleichzeitig verarbeiten können.

Kontextfenster

Die Menge an Text, die ein Sprachmodell in einer Konversation „im Kopf behalten" kann. Ältere Modelle hatten 4.000 Token (~3 Seiten Text), moderne Modelle bis zu 200.000 Token (~150 Seiten). Wichtig bei langen Dokumenten oder mehrstündigen Arbeitssitzungen.

Prompt

Die Eingabe, die man einem KI-Modell gibt — die Frage, der Auftrag, der Kontext. Die Qualität des Prompts beeinflusst die Qualität der Antwort entscheidend. Prompt Engineering ist die Kunst, optimale Eingaben zu formulieren.

Halluzination

Wenn ein KI-Modell falsche Informationen als Tatsachen präsentiert — mit voller Überzeugung und glaubwürdigem Tonfall. LLMs generieren Texte, die wahrscheinlich klingen, nicht zwingend wahr sind. Faktenchecks bleiben Pflicht. Besonders kritisch bei Rechtstexten, Zahlen und Quellen.

Fine-Tuning

Zusätzliches Training eines bereits vortrainierten Modells auf spezifischen Daten. Ein allgemeines LLM kann durch Fine-Tuning auf medizinische Texte, juristische Dokumente oder den Schreibstil einer Organisation spezialisiert werden. Teurer als Prompting, aber oft präziser.

RAG — Retrieval-Augmented Generation

Ein Ansatz, bei dem das KI-Modell vor der Antwort gezielt in einer Dokumentenbibliothek nachschlägt. Statt alles im Training zu speichern, holt das Modell relevante Passagen in Echtzeit ab und bezieht sie ein. Reduziert Halluzinationen bei dokumentenbasierten Aufgaben erheblich.

Multimodal

KI-Systeme, die mehrere Eingabetypen verarbeiten können: Text, Bilder, Audio, Video. GPT-4o und Claude 3.5 Sonnet sind multimodal — sie können ein Bild sehen, beschreiben und darüber schlussfolgern. Relevant für automatisierte Dokumentenanalyse und Barrierefreiheit.

Anwendung & Praxis

Prompt Engineering

Die Fähigkeit, Eingaben für KI-Modelle so zu formulieren, dass optimale Ergebnisse entstehen. Dazu gehören: Rollen zuweisen, Kontext mitgeben, Format vorgeben, Beispiele zeigen. Keine Programmierkenntnisse nötig — aber Übung und systematisches Denken helfen.

KI-Agent

Ein KI-System, das nicht nur antwortet, sondern selbstständig Handlungen ausführt: Dateien lesen, APIs aufrufen, E-Mails senden, Formulare ausfüllen. Agenten können mehrstufige Aufgaben ohne menschliches Eingreifen abarbeiten. Erhöhtes Risiko, erhöhte Aufsichtspflicht.

Human-in-the-Loop

Ein Designprinzip: Bei kritischen Schritten prüft und genehmigt ein Mensch, bevor die KI fortfährt. In behördlichen Kontexten oft rechtlich geboten. Schützt vor Fehlerfortpflanzung und erhält die Rechenschaftspflicht.

GEO — Generative Engine Optimization

Die Optimierung von Inhalten für KI-Antworten — analog zu SEO für Suchmaschinen. Ziel: dass ChatGPT, Gemini oder Perplexity Ihre Organisation, Ihre Argumente oder Ihre Inhalte zitieren und empfehlen. Relevanter werdend, je mehr Nutzer Informationen über KI statt über Google suchen.

Automatisierung vs. Augmentierung

Zwei grundlegend verschiedene KI-Strategien: Automatisierung ersetzt eine Tätigkeit vollständig durch KI. Augmentierung unterstützt Menschen dabei, besser oder schneller zu arbeiten. Für viele Wissensarbeits-Kontexte — besonders in der öffentlichen Verwaltung — ist Augmentierung der realistischere und sinnvollere Ansatz.

Recht & Sicherheit

EU AI Act

Die erste umfassende KI-Gesetzgebung weltweit, in Kraft seit 2024. Teilt KI-Anwendungen in Risikoklassen ein: verboten, hochriskant, begrenzt riskant, minimal riskant. Behörden, die KI in Verwaltungsentscheidungen einsetzen, sind besonders streng reguliert.

Hochrisiko-KI

KI-Systeme in sensiblen Bereichen: Strafverfolgung, kritische Infrastruktur, Bildung, Beschäftigung, Kreditvergabe, biometrische Identifikation. Sie unterliegen im EU AI Act strengen Transparenz-, Dokumentations- und Aufsichtspflichten. Oft muss ein Mensch die finale Entscheidung treffen.

DSGVO und KI

Die Datenschutz-Grundverordnung gilt für KI-Systeme, die personenbezogene Daten verarbeiten. Besonders relevant: Auskunftspflichten (Was hat die KI über mich entschieden?), Widerspruchsrecht (Art. 22 DSGVO) bei automatisierten Einzelentscheidungen und Datensparsamkeit beim Training.

Bias (Verzerrung)

Systematische Fehler in KI-Entscheidungen, die bestimmte Gruppen benachteiligen. Entsteht durch unausgewogene Trainingsdaten, fehlerhafte Zielvariablen oder diskriminierende historische Muster. KI-Systeme in der Personalauswahl oder Strafzumessung können bestehende Diskriminierung verstärken.

Erklärbarkeit (XAI)

Explainable AI: die Fähigkeit eines KI-Systems, seine Entscheidungen nachvollziehbar zu begründen. Kritisch in regulierten Bereichen — wer einen Kredit ablehnt oder eine Sozialleistung verweigert, muss das begründen können. LLMs sind naturgemäß schwer erklärbar; spezialisierte Systeme bieten hier mehr Transparenz.