KI-Glossar: Wichtige Begriffe verständlich erklärt

Im KI-Universum entwickelt sich eine neue Fachsprache in rasender Geschwindigkeit. Was einerseits fasziniert, kann andererseits schnell überfordern. Vor allem im Businesskontext ist es allerdings entscheidend, die wichtigsten KI-Begriffe zu verstehen, um sich mit dem Team, Agenturen oder Partnern über neue Chancen und mögliche Herausforderungen auszutauschen. 

KI-Glossar in Kategorien für mehr Überblick 

Planeten, Sterne, Galaxien: So wie es im Universum verschiedene Himmelskörper gibt, existieren im KI-Kosmos unterschiedliche Begriffsfelder. Damit ihr den Überblick behaltet, werden die wichtigsten KI-Begriffe nachfolgend in folgende Kategorien unterteilt:  

Grundlage: Basisbegriffe oder Bausteine, auf denen KI-Systeme, Modelle und Methoden aufbauen. Sie bilden das Fundament für das Verständnis von KI. 

Konzept: Beschreibt eine Idee oder ein Zielbild für ein KI-Vorhaben. Sie sind meist noch theoretischer Natur und nicht eindeutig messbar. 

Methode: Konkrete Verfahren, die innerhalb eines KI-Systems angewendet werden. 

Technologie: Größere technische Lösungsansätze, die meist Methoden und Systemkomponenten kombinieren, um KI-Funktionalitäten bereitzustellen.  

Software: Konkrete Anwendungen oder Produkte, die KI-Funktionalitäten implementieren und nutzbar machen. 

Standard: Spezifikationen die Interoperabilität und Kommunikation zwischen KI-Systemen und anderen Systemen gewährleisten.  

Modelltyp: Eine Klasse von KI-Modellen, die bestimmte Fähigkeiten oder Strukturen gemeinsam haben.  

Anwendungsfeld: Praktische Einsatzgebiete oder spezifische Use Cases für den Einsatz von KI.  

Risiko/Sicherheit: Themen rund um potenzielle Gefahren, Schutzmaßnahmen und Sicherheitsaspekte im Umgang mit KI. 

Regulierung/Governance: Gesetzliche Vorgaben, Richtlinien und Verantwortlichkeiten für den sicheren, ethischen und rechtskonformen Einsatz von KI. 

A

Agent2Agent Protocol (A2A) 

Standard 

A2A ist ein offenes Protokoll, das eine standardisierte Zusammenarbeit von KI-Agenten ermöglicht. Es legt fest, wie sie Informationen austauschen, Aufgaben übergeben und Ergebnisse zurückspielen. So können spezialisierte KI-Agenten in systemübergreifenden Workflows zusammenarbeiten, statt isoliert in einzelnen Tools oder Datensilos zu agieren. Das ermöglicht die Automatisierung komplexer Prozesse und senkt Integrationskosten.  

Agent Payment Protocol (AP2) 

Standard 

Das Agent Payment Protocol ist ein standardisiertes Framework. Es schafft eine gemeinsame Grundlage für sichere, nachvollziehbare und regelkonforme Transaktionen, die von KI-Agenten initiiert werden. Es standardisiert, wie Agenten, Nutzende, Händler und Zahlungsanbieter Autorisierung und Transaktionsnachweise austauschen. 

Agenten-Orchestrierung (Agent Orchestration) 

Technologie 

Agenten-Orchestrierung beschreibt die koordinierte Zusammenarbeit mehrerer spezialisierter KI-Agenten innerhalb eines Systems. Eine (meist ebenfalls KI-gestützte) zentrale System-Komponente verteilt als »Orchestrator« Aufgaben, synchronisiert die Zusammenarbeit und kombiniert Ergebnisse, während jeder Agent seine spezifische Funktion ausführt. Im Gegensatz zu monolithischen KI-Systemen können so auch komplexe Unternehmensaufgaben bewältigt werden, die einzelne Agenten überfordern würden.  

Agentic AI  

Technologie 

Agentic AI oder auf Deutsch agentische KI bezeichnet KI-Systeme, die Aufgaben aktiv ausführen können. Sie planen Schritte und nutzen bei Bedarf Tools oder externe Systeme. Dabei passen sie ihr Verhalten dynamisch an neue Informationen an, um ein Ziel zu erreichen. In der Praxis arbeiten agentische Systeme meist innerhalb definierter Leitplanken, z. B. durch Regeln, Berechtigungen und Freigaben.  

Agentic Commerce 

Anwendungsfeld 

Agentic Commerce ist eine neue Form des digitalen Handels, bei der KI-Agenten Kaufprozesse im Auftrag von Nutzenden unterstützen oder teilweise automatisiert durchführen. Die Agenten können Bedarfe erkennen, Produkte recherchieren, Angebote vergleichen und Bestellungen vorbereiten oder auslösen. Voraussetzung sind dabei in der Regel definierte Berechtigungen und Einwilligungen, etwa für Budgetgrenzen oder den finalen Check-out. 

Agentic Process Automation (APA) 

Technologie 

APA ist ein Ansatz, bei dem KI-Agenten Geschäftsprozesse eigenständig und kontextabhängig ausführen. Sie kombinieren klassische Techniken der Robotic Process Automation (RPA) mit generativer KI, um Verwaltungs- und Backendprozesse flexibel und weitgehend autonom auszuführen. So können auch komplexe und variable Prozesse wie die Dokumentenverarbeitung, E-Mail-Verwaltung und Genehmigungsworkflows automatisiert werden.   

AI Search Optimization  

Anwendungsfeld 

Für AI Search Optimization gibt es viele verschiedene Begrifflichkeiten wie Generative AI Optimization (GAIO), Generative Engine Optimization (GEO) oder Large Language Optimization (LLMO). Sie alle beziehen sich darauf, Websites und Inhalte für KI-basierte Suchsysteme wie Google AI Overviews, ChatGPT oder Perplexity sichtbar zu machen und maschinenverständlich aufzubereiten. Dabei werden Content, Struktur und technische Grundlagen gezielt auf die Verarbeitung durch KI ausgerichtet.  

AI Slop 

Konzept 

AI Slop bezeichnet große Mengen an KI-generierten Inhalten, die als qualitativ niedrig, austauschbar oder »Füllmaterial« wahrgenommen werden. Gemeint sind z. B. massenhaft produzierte Texte, Bilder oder Videos, die vor allem auf Reichweite, Klicks oder Monetarisierung zielen, statt auf Substanz, Originalität oder verlässliche Information. Der Begriff wird meist abwertend verwendet und steht sinnbildlich für »synthetischen Content-Spam« in Feeds und Suchergebnissen. 

AI TRiSM (AI Trust, Risk and Security Management) 

Governance 

AI TRiSM beschreibt einen Governance- und Sicherheitsansatz, mit dem Unternehmen Vertrauen, Risiken und Sicherheit beim Einsatz von KI systematisch managen. Dazu gehören Maßnahmen für Transparenz und Nachvollziehbarkeit, Monitoring über den Modell-Lebenszyklus, Schutz vor Angriffen (z. B. Prompt-Injection), Datenschutz sowie die Einhaltung von Richtlinien und regulatorischen Anforderungen. Ziel ist, KI-Systeme zuverlässig, robust und kontrollierbar in den Betrieb zu bringen. 

Algorithmus 

Grundlage 

Ein Algorithmus ist eine klar definierte Folge von Regeln oder Rechenschritten, nach der ein Computer bestimmte Aufgaben löst oder Probleme bearbeitet. Ein Lernalgorithmus ist eine spezielle Form eines Algorithmus. Er leitet aus Trainingsdaten ein Modell ab und nutzt dieses anschließend, um Vorhersagen oder Entscheidungen für neue, unbekannte Daten zu treffen.  

Artificial General Intelligence (AGI) 

Konzept 

AGI beschreibt die Vision einer »allgemeinen« künstlichen Intelligenz. Sie bewältigt nicht nur einzelne Aufgaben sehr gut, sondern kann flexibel über viele unterschiedliche Bereiche hinweg denken, lernen und Probleme lösen. Im Unterschied zu heutiger, meist spezialisierter KI könnte AGI Wissen auf neue Situationen übertragen, eigenständig neue Fähigkeiten aufbauen und in wechselnden Kontexten robust handeln. Eine einheitliche, allgemein anerkannte Definition gibt es bislang jedoch nicht: Unternehmen und Forschende setzen die Schwelle für „AGI“ unterschiedlich, etwa über menschenähnliche Transferfähigkeit, das Bewältigen der meisten wirtschaftlich relevanten Aufgaben oder langfristig zielgerichtetes Handeln. 

Autonome Systeme 

Technologie 

Geräte und Softwarelösungen, die eigenständig handeln und auf Situationen reagieren, werden als autonome Systeme bezeichnet. Je nach Einsatzgebiet nutzen sie zum Beispiel Sensoren oder digitale Datenströme, um ihre Umgebung und Prozesse zu überwachen. So können sie ihre Handlungen in einem vorgegebenen Rahmen eigenständig anpassen, statt nur direkte Abläufe auszuführen.  

B

Big Data 

Grundlage 

Big Data bezeichnet extrem große, komplexe und schnelllebige Datenmengen, die sich mit herkömmlichen Methoden nur schwer verarbeiten lassen. Diese Daten stammen aus unterschiedlichsten Quellen wie IoT-Geräten oder sozialen Netzwerken und können in strukturierter und unstrukturierter Form vorliegen. Gezielt eingesetzt hilft KI dabei, Muster und Trends in diesen Daten zu erkennen und Vorhersagen zu treffen.  

Bot  

Software 

Ein Bot ist ein Computerprogramm, das automatisiert bestimmte Aufgaben ausführt. Er kann Daten sammeln, Systeme überwachen oder Aktionen ausführen. Bots kommen in verschiedenen Bereichen zum Einsatz, beispielsweise als Suchmaschinen-Crawler, als Chatbot im Kundenservice oder für Preisvergleichsdienste. Gleichzeitig werden sie auch missbräuchlich genutzt, etwa für Spam, Datendiebstahl oder DDoS-Angriffe. 

Business Orchestration and Automation Technologies (BOAT) 

Technologie 

BOAT ist ein ganzheitlicher Ansatz, der Geschäftsprozesse durch die Kombination verschiedener Automatisierungstechnologien orchestriert und automatisiert. Statt einzelne Tools isoliert zu nutzen, bündelt der BOAT-Ansatz Fähigkeiten verschiedener Technologien in einer Plattform. Dazu gehören robotische Prozessautomatisierung (RPA), Machine Learning, Geschäftsprozessautomatisierung (BPA) und API-Integration. Ziel ist es, Prozesse abteilungs- und systemübergreifend umzusetzen und Medienbrüche sowie manuelle Zwischenschritte zu reduzieren.   

Business Process Automation (BPA) 

Technologie  

Bei der Business Process Automation (Geschäftsprozessautomatisierung) werden Workflows und Geschäftsprozesse digital modelliert und automatisiert, um wiederkehrende Abläufe effizienter und konsistenter auszuführen. Dafür kommen je nach Bedarf Technologien wie Workflow- und Prozess-Engines, Regeln/Decisioning, Integrationen (APIs) sowie optional RPA und KI zum Einsatz. BPA eignet sich sowohl für einfache Routineprozesse (z. B. Datenverarbeitung) als auch komplexe, mehrstufige Prozesse mit Genehmigungen, Rollen und Schnittstellen zu unterschiedlichen Systemen.  

C

Chatbot 

Anwendungsfeld 

Ein Chatbot ist eine spezielle Form eines Bots, der darauf spezialisiert ist, menschenähnliche Konversationen mit den Nutzenden zu führen. Dabei wird grundlegend zwischen regelbasierten und KI-gestützten Chatbots unterschieden, wobei sich letzteres zum Standard entwickelt. Gerade KI-gestützte Chatbots können dank generativer KI und mit der richtigen Datengrundlage auf Fragen und Anforderungen angemessen reagieren. Im Unternehmenskontext kommen sie häufig im Kundenservice zum Einsatz. Dort sind sie rund um die Uhr verfügbar und entlasten Mitarbeitende.  

Composite AI 

Technologie 

Composite AI bezeichnet die Anwendung mehrerer KI-Techniken innerhalb einer Lösung, um bessere Ergebnisse zu erzielen als mit einem einzelnen Ansatz. Dabei werden verschiedene Methoden wie z. B. Machine Learning, NLP, Computer Vision oder Optimierungsverfahren kombiniert, sodass ihre Stärken zusammenwirken. Dadurch können Systeme stabiler, erklärbarer oder effizienter werden, je nach Use Case. 

Computer Vision (CV) 

Technologie 
Computer Vision ist ein Teilgebiet der künstlichen Intelligenz, das sich mit dem automatisierten Verstehen und Analysieren von Bildern und Videos beschäftigt. Dabei werden Modelle trainiert, visuelle Inhalte zu erkennen, zu klassifizieren oder zu lokalisieren. Zu den Inhalten gehören z. B. Objekte, Personen, Text in Bildern oder Veränderungen in Videosequenzen. Typische Anwendungen sind Qualitätskontrolle in der Produktion, medizinische Bildanalyse, Gesichtserkennung, autonome Fahrzeuge oder das Auslesen von Informationen aus Dokumenten. 

Context Engineering 

Methode 

Context Engineering ist ein erweiterter Ansatz des Prompt Engieerings. Dabei werden nicht nur einzelne Prompts optimiert, sondern der gesamte Kontext, den eine KI enthält, wird bewusst gestaltet. Ziel ist es, KI-Modellen die richtigen Informationen, Tools und Anweisungen bereitzustellen, damit sie Aufgaben zuverlässig und zielgerichtet erledigen können. Im Gegensatz zum klassischen Prompt Engineering vermeidet Context Engineering sowohl Kontextlücken als auch eine unnötige Informationsflut, um Halluzinationen einzuschränken.  

Conversational AI 

Anwendungsfeld 

Als Conversational AI werden KI-Systeme bezeichnet, die sich über natürliche Sprache mit den Nutzenden austauschen. Sie nutzen Natural Language Processing (NLP) und Machine Learning, um Eingaben zu verstehen und sinnvoll darauf zu reagieren. Conversational AI kommt beispielsweise bei Chatbots und Sprachassistenten zum Einsatz.  

D

Data Mining 

Methode 

Data Mining ist die systematische Analyse großer Datenbestände, um darin Muster, Trends oder Zusammenhänge zu erkennen. Dabei kommen Methoden aus der Statistik und dem maschinellen Lernen zum Einsatz. Ziel ist es, aus Daten verwertbare Erkenntnisse abzuleiten, die Entscheidungen unterstützen und Vorhersagen ermöglichen.  

Deepfakes 

Sicherheit 

Deepfakes sind mithilfe von generativer KI erzeugte oder manipulierte Bilder, Videos oder Audioaufnahmen. Dabei werden Gesichter, Stimmen oder Bewegungen täuschend echt nachgebildet oder verändert. So können Videos entstehen, in denen Personen scheinbar Dinge sagen oder tun, die nie passiert sind. Solche Aufnahmen bieten kreative Möglichkeiten im Marketing, bergen aber gleichzeitig Risiken wie Identitätsmissbrauch und die Verbreitung von Falschinformationen.  

Deep Learning 

Methode 

Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem künstliche neuronale Netze verwendet werden. Diese Netze sind von biologischen neuronalen Strukturen inspiriert und bestehen aus einer Eingabe-, einer Ausgabe- und mehreren dazwischenliegenden Schichten. Jede Ebene besteht dabei aus einer Vielzahl künstlicher Neuronen, die miteinander verbunden sind und auf das Signal der vorherigen Schicht reagieren. So erkennt die erste Schicht einfach Muster, die nächste Muster von Mustern und so weiter. Je mehr Schichten und Verbindungen ein Netz hat, desto leistungsfähiger kann es bei komplexen Aufgaben werden. 

E

EU AI Act 

Governance 

Die EU-Verordnung reguliert den Einsatz von künstlicher Intelligenz in der EU. Sie gilt für alle Unternehmen, die KI-Systeme entwickeln, bereitstellen oder einsetzen. Dabei werden die KI-Systeme je nach Risiko in verschiedene Kategorien eingeteilt, von verboten bis zu geringem Risiko. Je nach Einstufung müssen Unternehmen Transparenzpflichten und Vorgaben für die Dokumentation und die Sicherheit erfüllen, sonst drohen hohe Bußgelder. 

F

Finetuning  

Methode 

Finetuning bezeichnet das Nachtrainieren eines bereits vortrainierten KI-Modells mit eigenen Daten, etwa aus einer spezifischen Anwendungsdomäne, also einem bestimmten Fach- oder Aufgabenbereich, in dem das Modell eingesetzt werden soll. Dabei werden Parameter so angepasst, dass das Modell die Besonderheiten der neuen Daten und die gewünschten Aufgaben besser erfüllt. Da es bei sehr großen Modellen ineffizient wäre, alle Parameter anzupassen, werden häufig gezielte Verfahren genutzt, z. B. Adapter-Module. Diese werden zwischen den Schichten des Modells eingefügt und ermöglichen Spezialisierungen, ohne das gesamte Modell neu zu trainieren. 

G

Generative KI 

Modelltyp 

Generative KI-Modelle erzeugen neue Inhalte, die wiederum statistisch den Daten ähneln, mit denen sie zuvor trainiert wurden. Grundlage dafür ist das Neuronale Netz, das mit großen Datenmengen trainiert wurde, um Muster zu erkennen und Strukturen abzuleiten. So können die Modelle entsprechend der Vorgaben der Nutzenden eigenständig Texte, Bilder, Videos oder Code erzeugen. 

H

Halluzinationen 

Sicherheit 

Im KI-Kontext sind Halluzinationen falsche oder frei erfundene Inhalte, die ein Modell überzeugend aber ohne zugrundeliegende Fakten erzeugt. Die Antworten klingen für den Nutzenden zwar plausibel, sind aber entweder sachlich falsch oder nicht überprüfbar. Halluzinationen entstehen meist dann, wenn der KI relevante Informationen fehlen oder sie Muster statistisch ergänzt. Deshalb ist es wichtig, KI-Ergebnisse stets kritisch zu prüfen.  

J

Jailbreaking 

Sicherheit 

Werden Techniken eingesetzt, um die Schutzmechanismen von großen Sprachmodellen (LLMs) gezielt zu umgehen, wird dieser Vorgang als Jailbreaking bezeichnet. Dabei versuchen Angreifer, das Modell durch spezielle Eingaben dazu zu bringen, Inhalte zu erzeugen, die gegen seine vorgesehenen Sicherheits- und Nutzungsrichtlinien verstoßen. Frühere Methoden nutzten dafür manuelle Prompts, in denen die KI in natürlicher Sprache schlicht angelogen oder verwirrt wurde. Heute kommen zunehmend automatisierte und technisch ausgefeilte Verfahren zum Einsatz, etwa mithilfe anderer LLMs oder durch die Analyse von Aktivierungsmustern. 

K

Kontextfenster (Context Window)

Grundlage 

Das Kontextfenster beschreibt die maximale Menge an Informationen, die ein KI-Modell in einer einzelnen Anfrage gleichzeitig berücksichtigen kann. Es wird typischerweise in Tokens angegeben und umfasst sowohl die Eingabe (z. B. Prompt, Chatverlauf, Systemanweisungen und ggf. zusätzliche Kontextdaten) als auch die vom Modell erzeugte Ausgabe. Ist das Kontextfenster voll, kann das Modell für die Antwort auf keine weiteren Inhalte zugreifen. Durch Methoden wie Context Engineering oder mit Hilfe von RPA-Tools kann das Kontextfenster eines KI-Modells gezielt ausgereizt werden. 

L

Large Language Model (LLM) 

LLMs, also große Sprachmodelle, werden mit Deep Learning darauf trainiert, natürliche Sprache zu verarbeiten und verständlich darauf zu antworten. Sie berechnen Wahrscheinlichkeiten, um vorherzusagen, welches Wort logisch zu der bisherigen Wortfolge passt. So können LLMs für verschiedene Aufgaben wie Textgenerierung, Zusammenfassungen oder Codeerstellung eingesetzt werden. Zu den bekanntesten Modellen gehören diejenigen, mit denen ChatGPT, Gemini und Claude ausgestattet sind.   

M

Machine Learning (ML) 

ML ist ein Teilbereich der künstlichen Intelligenz und bezeichnet Verfahren, bei denen Systeme aus Daten lernen. Dazu wird ein Modell mit Daten trainiert. Indem das System wiederholt neue Eingaben und Rückmeldungen erhält, werden folgende Berechnungen des Modells genauer.  Dabei unterscheidet man unter anderem zwischen supervised (überwacht), unsupervised (unüberwacht) und reinforcement learning (bestärkend).  

Model-Context-Protocol (MCP) 

Standard 

MCP ist ein offener Standard, der beschreibt, wie KI-Anwendungen (z. B. Chatbots oder KI-Assistenten) auf kontextuelle Daten oder Tools aus externen Quellen zugreifen können. Es funktioniert wie ein universeller Adapter: Datenquellen stellen Funktionen über MCP-Server bereit und KI-Anwendungen verbinden sich als MCP-Clients. Das reduziert den Integrationsaufwand, da nicht für jede Kombination aus Tool und KI eine eigene Schnittstelle gebaut werden muss. 

Multimodale KI  

Modelltyp 

Multimodale Modelle werden mit Daten aus verschiedenen Modalitäten wie Text, Bild, Audio oder Video trainiert und können diese Informationen gemeinsam verarbeiten. Durch die Kombination dieser unterschiedlichen Formate können sie komplexe Aufgaben lösen, wie beispielsweise Bilder beschreiben, Fragen zu Bild- oder Audioinhalten beantworten oder Inhalte zwischen Modalitäten erzeugen, etwa Text zu Bild oder Sprache zu Text. 

N

Natural Language Processing (NLP) 

Technologie 

Dieses Teilgebiet der KI beschäftigt sich damit, menschliche Sprache für Computer verständlich und verarbeitbar zu machen. Dazu werden geschriebene oder gesprochene Texte zunächst in maschinenverarbeitbare Einheiten zerlegt (z .B. Tokenisierung). Anschließend werden die Inhalte von NLP-Modellen analysiert, um Bedeutung, Kontext oder Absicht zu erkennen. Anwendung findet NLP zum Beispiel in Übersetzungstools, Sprachassistenten oder Chatbots.  

O

OpenClaw 

Software 

OpenClaw, ursprünglich bekannt als ClawBot oder MoltBot, ist ein Open-Source-Projekt, das als Grundlage für einen persönlichen KI-Agenten dient. Im Unterschied zu herkömmlichen Chatbots handelt der Agent aktiv und führt selbstständig Aufgaben aus, wie das Verarbeiten von E-Mails oder Bedienen von Systemen. Da solche Agenten dafür oft weitreichende Berechtigungen benötigen, ist eine sichere Konfiguration wichtig (z. B. Rechtebegrenzung, Protokollierung, Sandboxing), um Missbrauch und unerwünschte Aktionen zu vermeiden. 

P

Predictive Analytics  

Methode 

Unternehmen können mithilfe von Predictive Analytics Vorhersagen über zukünftige Ereignisse oder Entwicklungen treffen. Dafür analysieren Algorithmen Muster in historischen Daten und leiten daraus Wahrscheinlichkeiten für kommende Ereignisse ab. Typische Anwendungen sind etwa Absatzprognosen, Abwanderungsrisiken oder die Planung von Wartungsarbeiten bei Maschinen.  

Prompt 

Grundlage 

Ein Prompt ist die Eingabe, die einem KI-Modell gegeben wird, damit es eine bestimmte Aufgabe erfüllt oder eine Antwort generiert. Das kann eine Frage, eine Beschreibung oder eine Anweisung sein. Durch sorgfältiges Formulieren eines Prompts lässt sich steuern, wie präzise oder nützlich die Antwort der KI ist. 

Prompt Engineering  

Methode 

Beim Prompt Engineering werden Prompts gezielt formuliert und strukturiert, um präzise und nützliche Ergebnisse von KI-Modellen zu erhalten. Verschiedene Methoden wie »Chain of Thought«-Prompting und Templates wie »Role, Task, Format« (RTF) können dabei helfen, die Qualität und Relevanz der Antworten konsistenter zu machen. 

Prompt-Injection

Sicherheit 

Prompt-Injection bezeichnet eine Angriffstechnik, bei der ein KI-System durch manipulierte Eingaben dazu gebracht wird, seine vorgesehenen Anweisungen zu ignorieren oder unerwünschte Aktionen auszuführen. Dabei werden versteckte oder irreführende Instruktionen z. B. in Nutzertexte, Webseiteninhalte, E-Mails oder Dokumente eingebettet. Diese missversteht das Modell beim Verarbeiten als »Anweisung«. Das Risiko steigt besonders bei agentischen Systemen und Tool-Nutzung, z. B., wenn ein Modell externe Daten liest und anschließend Aktionen auslösen kann. Gegenmaßnahmen zielen auf eine klare Trennung von Systemregeln und untrusted Input, Input-Aufbereitung, Berechtigungsgrenzen sowie Monitoring und Tests gegen typische Angriffsmuster ab. 

R

Reinforcement Learning 

Methode 

Reinforcment Learning (bestärkende Lernen) ist eine Methode des maschinellen Lernens. Dabei lernt die KI durch Versuch und Irrtum (trial and error) bessere Entscheidungen zu treffen. Statt mit festen Zielwerten wie beim überwachten Lernen erhält der Agent Rückmeldungen in Form von Belohnungen oder Strafen für seine Aktionen in einer Umgebung. Durch wiederholtes Ausprobieren optimiert der Agent seine Strategie, um langfristig eine möglichst hohe Gesamtbelohnung zu erzielen. 

Robotic Process Automation (RPA) 

Technologie 

Robotic Process Automation (RPA) bezeichnet eine Technologie zur Automatisierung wiederkehrender, regelbasierter Aufgaben in digitalen Systemen. Sie nutzt Bots, die typische Nutzeraktionen nachahmen, z. B. Daten aus Anwendungen auslesen, Felder ausfüllen, Dateien übertragen oder Standardprozesse in ERP-, CRM- oder E-Mail-Systemen ausführen. Im Unterschied zu KI-basierten Ansätzen arbeitet klassische RPA vor allem nach festen Regeln und ist besonders geeignet für klar strukturierte Prozesse mit stabilen Abläufen. In der Praxis wird RPA häufig mit KI kombiniert, etwa um unstrukturierte Inhalte wie Dokumente oder E-Mails besser zu verarbeiten und Automatisierungen flexibler zu machen. 

S

Supervised Learning 

Bei dieser Methode des maschinellen Lernens wird ein Modell mit Datensätzen trainiert, die neben Eingabedaten auch korrekte Ausgaben (»Labels«) enthalten. Weicht die Vorhersage vom Zielwert ab, werden die Modellparameter angepasst, damit der Fehler künftig seltener auftritt (z. B. wenn eine Zucchini fälschlicherweise als Gurke erkannt wird). Somit lernt das Modell schrittweise die Zusammenhänge zwischen Eingaben und Ausgaben und kann somit auch Vorhersagen über neue, unbekannte Daten treffen. 

T

Token 

Grundlage 

Ein Token beschreibt eine von einem KI-Modell verwendete Texteinheit. Das kann ein Wort, ein Teil eines Wortes oder sogar ein Satzzeichen sein. LLMs zerlegen Eingaben in Tokens, um Sprache maschinell verarbeiten und Muster, Bedeutung und Zusammenhänge erkennen zu können. Das Kontextfenster eines Modells legt fest, wie viele Tokens es in einem Schritt berücksichtigen kann, also wie viel Text aus Eingabe (inkl. Verlauf) und Ausgabe zusammen gleichzeitig verarbeitet werden kann. 

Turing-Test  

Methode 

Dieser Test überprüft, ob eine Maschine in einer textbasierten Kommunikation nicht zuverlässig von einem Menschen zu unterscheiden ist. Dabei kommuniziert ein Mensch gleichzeitig mit einem Computer und einem anderen Menschen, ohne zu wissen, wer wer ist. Kann der Mensch nicht erkennen, welche Gesprächspartner die Maschine ist, gilt das System im Sinne des Turing Test als »intelligent«. Der Turing-Test gilt seit 2022 (»Lambda-Vorfall«) nicht mehr als Maßgabe für menschliche Intelligenz, sondern zeigt eher, wie gut ein KI-System Menschen imitieren kann. 

U 

Universal Commerce Protocol (UCP) 

Standard 

UCP ist ein offener Standard für agentenbasierten Handel, der die Kommunikation zwischen KI-Agenten, Händlern und Zahlungsdienstleistern vereinheitlichen soll. Ziel ist es, durch gemeinsame »Bausteine« und eine einheitliche Sprache durchgängige Commerce-Journeys zu ermöglichen. So können beispielsweise Abläufe von der Produktsuche über den Kauf bis zum After-Sales abgebildet werden, ohne für jede Agent-Shop-Kombination individuelle Integrationen zu bauen. UCP ist dabei so konzipiert, dass es mit AP2 für Zahlungen zusammenspielen kann. Entwickelt wurde das UCP von Google gemeinsam mit Partnern wie Shopify und Walmart und legt somit eine entscheidende Grundlage für agentenbasiertes Einkaufen. 

Unsupervised Learning 

Methode 

Bei dieser Methode des maschinellen Lernens erhält das Modell lediglich Daten ohne vorgegebene Zielwerte oder Labels. Es analysiert die Daten selbstständig, erkennt Muster, Ähnlichkeiten und Strukturen und kann beispielsweise Cluster bilden oder Zusammenhänge reduzieren und verdichten. Typische Anwendungen sind etwa Kundensegmentierung oder Anomalieerkennung. 

V

Verantwortungsvolle und vertrauenswürdige KI (Responsible and trustworthy AI) 

Governance 

Verantwortungsvolle und vertrauenswürdige KI sind Konzepte für die nachhaltige und ethische Entwicklung und Nutzung von KI. Dabei spielen Merkmale wie Barrierefreiheit, Datenschutz, Erklärbarkeit, Fairness, Sicherheit und Transparenz eine wichtige Rolle. Die Verantwortung liegt nicht beim System selbst, sondern bei den Menschen und Organisationen, die KI entwickeln, einsetzen und überwachen, z. B. durch klare Zuständigkeiten, Richtlinien und Qualitätskontrollen.  

Vibe Coding 

Methode 

Vibe Coding bezeichnet eine Arbeitsweise in der Softwareentwicklung, bei der Code überwiegend durch KI generiert wird. Menschen steuern den Prozess dabei primär über Prompts, testen die Ergebnisse und nehmen iterative Anpassungen vor. Charakteristisch ist, dass der Fokus stärker auf dem funktionierenden Ergebnis liegt als auf dem vollständigen Verständnis jeder Codezeile. Vibe Coding eignet sich besonders für Prototyping und schnelle Experimente, erfordert im professionellen Einsatz aber klare Reviews, Tests und Sicherheitsprüfungen. 

W

World Models 

Modelltyp 

World Models sind KI-Modelle, die die Dynamik einer Umgebung abbilden und daraus ableiten können, »was als Nächstes passiert«. Sie lernen Zusammenhänge zwischen Zuständen, Aktionen und Ergebnissen. So ermöglichen sie Simulation, Vorhersage und Planung, etwa für Agenten, Robotik oder Entscheidungsprozesse. Vereinfacht: Ein World Model dient als internes „Vorstellungsmodell“ der Welt, mit dem ein System mögliche Zukünfte durchspielen kann. 

KI-Begriffe: Von der Theorie in die Praxis

Noch mehr KI-Insights, aber vor allem relevante Use Cases für die Praxis erhaltet ihr im Whitepaper »Künstliche Intelligenz«. Es bietet Orientierung dazu, welche KI-Trends ihr für euer Unternehmen bereits wirkungsvoll nutzen könnt und gibt konkrete Tipps für die Realisierung. 

Füllt jetzt das Formular aus und erhaltet euer kostenfreies Exemplar.