KI-Glossar
Künstliche Intelligenz verständlich erklärt
Du möchtest das Glossar lieber hören anstatt es zu lesen, dann höre es dir bei Spotify an.
Grundlagen & Kernbegriffe
Künstliche Intelligenz (KI)
Ein Sammelbegriff für Systeme, die Aufgaben übernehmen, die normalerweise menschliche Intelligenz erfordern – wie Lernen, Entscheiden, Verstehen.
Beispiel: Siri erkennt Ihre Stimme und beantwortet Fragen, Netflix schlägt Filme vor, die Ihnen gefallen könnten.
Machine Learning (Maschinelles Lernen)
Ein Teilgebiet der KI. Der Computer „lernt“ aus Beispielen, ohne explizit programmiert zu werden. Je mehr passende Daten, desto besser wird er – vorausgesetzt, die Daten sind nicht einseitig.
Beispiel: Spam-Filter lernen automatisch, unerwünschte E-Mails zu erkennen, indem sie Tausende von E-Mails analysieren.
Deep Learning
Eine fortgeschrittene Form des Machine Learning, die dem menschlichen Gehirn nachempfunden ist. Verwendet viele Schichten künstlicher „Neuronen“ für komplexe Aufgaben.
Beispiel: Gesichtserkennung in Fotos oder die automatische Übersetzung von Texten in andere Sprachen.
Algorithmus
Eine Schritt-für-Schritt-Anleitung, mit der Computer Probleme lösen. In der KI stecken hinter den „intelligenten“ Entscheidungen meist komplexe Algorithmen.
Beispiel: Der Google-Suchalgorithmus entscheidet, welche Webseiten bei Ihrer Suche ganz oben erscheinen.
Neuronale Netze
Computersysteme, die grob nachahmen, wie das menschliche Gehirn funktioniert. Bestehen aus vielen verbundenen „Neuronen“, die zusammenarbeiten.
Beispiel: Handschrifterkennung auf Tablets oder die Bilderkennung in Smartphone-Kameras.
Sprache, Agenten & generative KI
Large Language Model (LLM)
Sehr große KI-Systeme, die mit riesigen Mengen an Text trainiert wurden und dadurch menschenähnliche Texte schreiben und verstehen können.
Beispiel: ChatGPT, Claude oder Gemini können Fragen beantworten, Texte schreiben und sogar programmieren.
Reasoning-Modell (Denkmodell)
Ein Sprachmodell, das vor der Antwort erst „nachdenkt“: Es zerlegt Probleme in Schritte, prüft Zwischenergebnisse und kommt so oft zu besseren Lösungen als ein Modell, das sofort den nächsten Satz raushaut.
Beispiel: Sie fragen nach einem Reiseplan mit fünf Bedingungen – das Modell wägt erst Optionen ab, statt sofort irgendeine Route zu erfinden.
Chatbot
Ein Computerprogramm, das über Sprache oder Text mit Menschen kommuniziert. Moderne Chatbots basieren auf KI.
Beispiel: Kundenservice-Bots auf Websites oder Sprachassistenten wie Alexa.
Prompt
Die Eingabe, die man einer KI gibt – also die Frage, der Auftrag oder die Beschreibung.
Beispiel: „Schreibe mir eine höfliche E-Mail an meinen Chef“ oder „Erklär Bias so, dass es meine Tante versteht“.
Generative KI
KIs, die Inhalte erzeugen – Texte, Bilder, Musik, Code oder Video.
Beispiel: Ein Bildgenerator macht aus der Beschreibung „roter Leuchtturm im Nebel“ ein Foto, das so nie existiert hat.
KI-Agent
Ein autonomes KI-System, das nicht nur antwortet, sondern Aufgaben plant und ausführt. Agenten können mehrere Schritte hintereinander erledigen und dabei Tools nutzen – Mail, Kalender, Suche, Code.
Beispiel: Ein KI-Agent recherchiert ein Thema, schreibt daraus einen Entwurf und legt ihn in Ihrem Blog-Entwurf ab.
Agentic AI (agentische KI)
Sammelbegriff für KI, die Ziele selbstständig verfolgt statt nur einzelne Fragen zu beantworten. Der Unterschied zum klassischen Chatbot: Sie handelt, statt nur zu reden.
Beispiel: Statt nur Werbetexte vorzuschlagen, bucht ein Agent Werbeplätze, prüft die Ausspielung und justiert das Budget nach.
Computer Vision
Die Fähigkeit von Computern, Bilder und Videos zu „sehen“ und zu verstehen, was darauf zu sehen ist.
Beispiel: Automatische Nummernschilderkennung, Qualitätskontrolle in Fabriken oder medizinische Bilddiagnose.
Technische Konzepte
Training
Der Prozess, bei dem eine KI aus vielen Beispielen lernt. Wie ein Schüler, der für eine Prüfung übt.
Beispiel: Ein Bilderkennungssystem wird mit Millionen von Fotos trainiert, um Katzen von Hunden zu unterscheiden.
Fine-Tuning
Die Anpassung einer bereits trainierten KI an spezielle Aufgaben oder Bereiche durch zusätzliches Training.
Beispiel: Ein allgemeines Sprachmodell wird mit Arztbriefen nachtrainiert, damit es medizinische Fragen besser beantwortet.
Overfitting
Wenn eine KI zu gut auf ihre Trainingsdaten abgestimmt ist und bei neuen, unbekannten Daten schlecht funktioniert.
Beispiel: Ein Schüler, der Prüfungsfragen auswendig lernt, aber bei neuen Fragen versagt.
Inferenz
Der Moment, in dem ein fertig trainiertes Modell tatsächlich arbeitet – also eine Antwort, ein Bild oder eine Entscheidung erzeugt. Training ist das Lernen, Inferenz der Einsatz.
Beispiel: Sie tippen eine Frage in ChatGPT. Was danach in Sekunden passiert, ist Inferenz.
Token
Kleine Textbausteine, in die KI-Systeme Wörter und Sätze aufteilen, um sie zu verstehen und zu verarbeiten. Abgerechnet und begrenzt wird oft nach Tokens, nicht nach Wörtern.
Beispiel: Das Wort „Hallo“ kann ein Token sein – oder „unverständlich“ wird in mehrere Tokens zerlegt.
Context Window (Kontextfenster)
Die Menge an Text, die ein Modell auf einmal „im Blick“ behalten kann: Frage, Verlauf, hochgeladene Dateien. Was nicht mehr ins Fenster passt, fällt hinten raus.
Beispiel: Sie laden ein ganzes Buch hoch. Bei kleinem Fenster kennt die KI nur die letzten Kapitel, bei großem Fenster die ganze Geschichte.
Embedding
Eine mathematische Darstellung von Wörtern, Sätzen oder Bildern, die Computer vergleichen können. Ähnliche Dinge liegen nah beieinander.
Beispiel: „Hund“ und „Katze“ haben ähnlichere Embeddings als „Hund“ und „Steuererklärung“.
Modell
Ein KI-Modell ist das trainierte System selbst – die gespeicherte „Erfahrung“, mit der Vorhersagen oder Texte erzeugt werden.
Beispiel: ChatGPT basiert auf einem Sprachmodell, ein Bilderkennungsmodell erkennt Objekte in Fotos.
Parameter
Interne Einstellungen einer KI, die während des Trainings angepasst werden. Mehr Parameter bedeuten oft mehr Kapazität – aber nicht automatisch mehr Intelligenz.
Beispiel: Man kann sich Parameter wie Millionen kleiner Schalter vorstellen, die gemeinsam festlegen, welches nächste Wort wahrscheinlich ist.
Transformer
Die Modellarchitektur, auf der die meisten modernen Sprachmodelle basieren. Sie ist besonders gut darin, Zusammenhänge in Texten zu erkennen.
Beispiel: Die technische Grundlage von ChatGPT, Claude und Gemini.
Attention Mechanism
Eine Technik, die KI-Systemen hilft, sich auf die wichtigen Teile einer Eingabe zu konzentrieren – und den Rest leiser zu stellen.
Beispiel: Beim Übersetzen eines Satzes „schaut“ die KI gezielt auf die Wörter, die für das nächste Zielwort zählen.
RAG (Retrieval-Augmented Generation)
Eine Technik, bei der die KI vor der Antwort erst in eigenen Daten nachschlägt – Dokumente, Blogartikel, Wissensdatenbanken. So halluziniert sie weniger und bleibt aktueller.
Beispiel: Ein Blog-Chatbot antwortet nicht aus dem Bauch, sondern zieht zuerst die passenden eigenen Artikel heran.
Halluzination
Wenn eine KI selbstbewusst etwas behauptet, das nicht stimmt – erfundene Quellen, falsche Zahlen, erfundene Ereignisse. Klingt oft überzeugend, ist aber frei erfunden oder verdreht.
Beispiel: Die KI zitiert ein Urteil „OLG Frankfurt, Az. 3 U 12/24“, das es so nicht gibt.
Grounding
Das „Erden“ einer Antwort in echten Quellen. Gegenteil der freien Erfindung: Die KI soll sich auf nachprüfbare Informationen stützen.
Beispiel: Eine Antwort mit Link auf Ihren eigenen Artikel statt einer vagen Behauptung „Studien zeigen …“.
Tool Use (Werkzeugnutzung)
Die Fähigkeit eines Modells, während der Antwort externe Werkzeuge aufzurufen: Suche, Rechner, Kalender, Code-Ausführung.
Beispiel: Statt das Wetter zu raten, ruft die KI eine Wetter-API auf und nennt die aktuelle Temperatur.
MCP (Model Context Protocol)
Ein offenes Protokoll, mit dem KI-Anwendungen standardisiert an Tools, Dateien und Datenquellen andocken – vergleichbar mit einem USB-Anschluss für KI.
Beispiel: Derselbe Assistent kann über MCP auf Ihr Notizsystem, Ihr Mailprogramm und Ihre Kundendatenbank zugreifen, ohne jedes Mal eine Spezialintegration zu bauen.
Gesellschaft, Recht & Risiken
Bias (Voreingenommenheit)
Wenn KI-Systeme unfaire oder einseitige Entscheidungen treffen, oft weil ihre Trainingsdaten schief waren.
Beispiel: Ein Bewerbungs-System bevorzugt bestimmte Lebensläufe, weil es vor allem mit einer Gruppe von Bewerbungen trainiert wurde.
Datenschutz
Der Schutz persönlicher Informationen vor unbefugtem Zugriff. Bei KI besonders wichtig, weil viele Systeme mit großen, oft persönlichen Datenmengen arbeiten.
Beispiel: Gesundheitsdaten gehören nicht ins freie Chatfenster eines US-Dienstes, wenn sie dort mitgelernt oder mitgelesen werden können.
Deepfake
Mit KI erstellte gefälschte Videos, Stimmen oder Bilder, die täuschend echt wirken.
Beispiel: Ein Video, in dem eine Politikerin Sätze sagt, die sie nie gesagt hat – oder ein Anruf „vom Chef“, der Geld überweisen lassen will.
Erklärbare KI
Systeme, die nachvollziehbar machen, warum sie zu einem Ergebnis gekommen sind – statt nur eine Zahl oder Diagnose auszuspucken.
Beispiel: Eine medizinische KI zeigt, welche Stellen auf dem Röntgenbild zur Einschätzung geführt haben.
Filter Bubble
Wenn Algorithmen Menschen vor allem Inhalte zeigen, die zu bisherigen Klicks passen – und der Blick auf die Welt dadurch enger wird.
Beispiel: Social Media zeigt Ihnen nur noch Meinungen, die Ihren eigenen ähneln.
Transparenz
Offenlegen, dass und wie KI im Spiel ist: Welche Daten, welches Modell, welche Grenzen.
Beispiel: Ein Shop schreibt klar, dass Produkttexte von einer KI formuliert und von Menschen gegengelesen wurden.
Ethik in der KI
Grundsätze für den verantwortungsvollen Einsatz – Fairness, Sicherheit, Menschenwürde, keine versteckten Schäden.
Beispiel: Regeln dagegen, KI unkontrolliert für Überwachung oder autonome Waffen zu nutzen.
EU-KI-Verordnung (AI Act)
Das europäische Gesetz für künstliche Intelligenz. Es stuft Systeme nach Risiko ein: unannehmbar (verboten), hoch (streng reguliert) oder gering. Ziel sind Sicherheit, Transparenz und Grundrechtsschutz.
Beispiel: Eine KI, die über Kredite oder Bewerbungen entscheidet, fällt in eine höhere Risikoklasse als ein Filter für Katzenfotos.
Kennzeichnungspflicht
Aus dem AI Act folgende Transparenzregeln: Bestimmte KI-Inhalte und KI-Interaktionen müssen als solche erkennbar sein – vor allem, wenn sie täuschen könnten. Nicht jeder private Entwurf braucht einen Stempel, viele öffentliche Inhalte schon.
Beispiel: Ein KI-generiertes Wahlkampfvideo oder ein Chatbot, der wie ein Mensch wirkt, muss als KI erkennbar sein.
AI Slop
Abwertender Begriff für minderwertige, massenhaft erzeugte KI-Inhalte: austauschbare Texte, Bilder mit seltsamen Händen, Videos ohne Haltung.
Beispiel: Zehn Blogposts, die alle „Im heutigen digitalen Zeitalter …“ beginnen und nichts sagen, das ein Mensch so geschrieben hätte.
Neue Entwicklungen
Multimodale KI
Systeme, die mehrere Eingabearten gleichzeitig verstehen: Text, Bild, Ton, Video – und oft auch mehrere Ausgaben liefern.
Beispiel: Sie fotografieren den Inhalt Ihres Kühlschranks und bekommen ein Rezept plus Einkaufsliste.
AGI (Artificial General Intelligence)
Hypothetische KI mit menschenähnlicher Allgemeinintelligenz in vielen Bereichen. Existiert so noch nicht, bleibt aber das große Ziel – und die große Streitfrage.
Beispiel: Eine KI, die kochen, einen Vertrag prüfen und ein Kind durch eine Matheaufgabe begleiten kann, ohne extra dafür umgebaut zu werden.
Agent-Orchestrierung
Die Koordination mehrerer KI-Agenten: Wer macht welchen Schritt, wer prüft das Ergebnis, wann steigt ein Mensch ein.
Beispiel: Ein Agent recherchiert, ein zweiter schreibt, ein dritter prüft Fakten – ein Mensch gibt frei.
Physical AI
KI, die nicht nur auf dem Bildschirm denkt, sondern in der physischen Welt handelt: Roboter, Lager, Fabriken, Autos.
Beispiel: Ein Lagerroboter, der Pakete greift, Hindernisse umfährt und aus Fehlgriffen lernt.
Anwendungsbereiche
Natural Language Processing (NLP)
Der Bereich der KI, der menschliche Sprache versteht und verarbeitet – gesprochen oder geschrieben.
Beispiel: Automatische Übersetzungen, Rechtschreibprüfung oder die Analyse, ob Kundenbewertungen eher sauer oder begeistert klingen.
Autonomes Fahren
Fahrzeuge, die mithilfe von KI ganz oder teilweise selbst fahren.
Beispiel: Autobahnpilot im eigenen Auto oder Robotaxis in ausgewählten Städten.
Medizinische KI
Anwendungen im Gesundheitswesen für Diagnose, Dokumentation und Forschung.
Beispiel: KI markiert auffällige Stellen auf Röntgenbildern oder hilft, aus Studien neue Wirkstoffkandidaten zu finden.
Smart Home
Haustechnik, die mitlernt und sich an den Alltag der Bewohner anpasst.
Beispiel: Eine Heizung, die weiß, wann Sie typischerweise nach Hause kommen.
Robotik
Maschinen, die mit KI in der echten Welt zupacken – in Fabrik, Haushalt oder Pflege.
Beispiel: Industrieroboter am Fließband oder ein Saugroboter, der die Teppiche nicht mehr mit den Stuhlbeinen verwechselt.
Fintech
KI im Finanzwesen: Bewertung, Betrugserkennung, Handel, Service.
Beispiel: Eine Bank erkennt in Echtzeit eine ungewöhnliche Kartenzahlung in einem Land, in dem Sie gar nicht sind.
Praktische Begriffe
API (Application Programming Interface)
Eine Schnittstelle, über die Programme miteinander reden. Ohne API bleibt jede KI eine Insel.
Beispiel: Eine Wetter-App holt sich die aktuellen Daten über die API eines Wetterdienstes.
Cloud Computing
Rechenleistung und Speicher über das Internet statt nur auf dem eigenen Gerät. Das Training großer Modelle findet fast immer in der Cloud statt.
Beispiel: Ihre Dateien liegen bei Google Drive nicht auf der Festplatte, sondern auf Servern im Netz.
Edge Computing
Daten werden direkt auf dem Gerät verarbeitet, nicht erst in die Cloud geschickt. Das ist schneller und oft privater.
Beispiel: Gesichtserkennung zum Entsperren läuft auf dem Smartphone, ohne jedes Mal ein Foto nach Cupertino oder Mountain View zu senden.
Automatisierung
Wiederkehrende Aufgaben ohne ständiges menschliches Eingreifen erledigen lassen.
Beispiel: E-Mails werden vorsortiert, Rechnungen ausgelesen, Termine vorgeschlagen.
Personalisierung
Inhalte und Dienste an einzelne Menschen anpassen.
Beispiel: Spotify baut Playlists aus dem, was Sie wirklich hören – nicht aus dem, was gerade alle hören.
Vorhersage (Prediction)
Aus alten Daten auf Wahrscheinliches schließen. Keine Glaskugel, sondern Muster.
Beispiel: Ein Shop schätzt, welches Produkt Sie als Nächstes brauchen, oder ein Netzbetreiber, wann die Leitung voll wird.
—
Hinweis: Dieses Glossar wird regelmäßig aktualisiert, um mit den neuesten Entwicklungen in der KI-Welt Schritt zu halten. Die Beispiele stammen aus dem Alltag, um die Konzepte möglichst verständlich zu machen.
Version: 06.09.2026