Das KI-ABC: 26 Begriffe, die Sie kennen sollten

KI-Begriffe begegnen uns täglich: in Meetings, Fachartikeln, Stellenanzeigen. Aber was steckt hinter Abkürzungen wie RAG, LLMs oder Prompt Engineering? Für alle, die nicht aus der Informatik kommen, ist der Einstieg oft holprig. Zu viel Anglizismus, zu wenig Erklärung. Dieses ABC räumt damit auf. Es richtet sich an Führungskräfte, Projektverantwortliche und alle, die im Arbeitsalltag mit KI in Berührung kommen, ohne Informatik studiert zu haben.

 Abbildung 1: Beispiele aus dem KI-ABC

A wie Agenten (KI-Agenten): Im Gegensatz zu klassischen Chatbots, die passiv auf Fragen antworten, agieren KI-Agenten selbstständig. Sie verfolgen Ziele, beschaffen eigenständig Informationen, nutzen externe Werkzeuge wie Datenbanken oder E-Mail-Programme und verfügen über einen langfristigen Speicher.

B wie Bias (Algorithmische Verzerrung): KI-Systeme lernen aus historischen Daten und übernehmen dabei menschliche Vorurteile. Ein Recruiting-System kann Frauen benachteiligen, wenn in den Trainingsdaten hauptsächlich männliche Lebensläufe als „erfolgreich" markiert waren.

C wie Chain of Thought (Gedankenkette): Eine Technik, bei der das KI-Modell komplexe Probleme in kleine, aufeinander aufbauende Schritte zerlegt. Das System arbeitet sich schrittweise vor, was die Fehlerquote bei Logikaufgaben und mathematischen Problemen deutlich senkt.

D wie Deep Learning: Ein Teilbereich des maschinellen Lernens, der tiefe künstliche neuronale Netze nutzt. Diese Netze bestehen aus vielen Verarbeitungsschichten und eignen sich besonders gut für unstrukturierte Daten wie Bilder, Videos oder gesprochene Sprache.

E wie Emergenz: Ab einer bestimmten Größe, gemessen in Milliarden von Parametern, entwickeln große Sprachmodelle plötzlich Fähigkeiten, für die sie nie explizit trainiert wurden: mehrstufige Schlussfolgerungen, das Lösen unbekannter Aufgaben oder das Erkennen von Analogien.

F wie Few-Shot-Prompting: Eine Eingabetechnik, bei der man dem Modell bei der Aufgabenstellung direkt mehrere konkrete Beispiele mitgibt, typischerweise drei bis fünf. So lernt das System schnell spezifische Muster, Logiken oder Tonalitäten.

G wie Generative KI: Ein KI-Zweig, der darauf ausgerichtet ist, eigenständig neue Inhalte zu erzeugen, die vorher nicht existierten: Texte (z.B. ChatGPT), Bilder (z.B. Midjourney), Musik oder Programmcode.

H wie Halluzinationen: KI-Sprachmodelle produzieren gelegentlich überzeugend klingende, aber faktisch falsche Informationen. Da die Modelle keine Wissensdatenbanken sind, sondern statistische Wahrscheinlichkeiten für das nächste Wort berechnen, füllen sie Wissenslücken schlicht mit Erfindungen auf.

I wie Inferenz: Die eigentliche Nutzungsphase eines fertigen KI-Modells im Alltag. Im Gegensatz zum Training, bei dem das Modell ursprünglich entwickelt wird, beschreibt Inferenz die Phase, in der das fertige System Anfragen beantwortet.

J wie „Ja-Sager" (People-Pleaser-Effekt): Sprachmodelle sind darauf trainiert, hilfreich und freundlich zu sein. Das führt dazu, dass sie die Meinung des Nutzers häufig einfach bestätigen, also etwa einen schwachen Geschäftsplan loben, anstatt notwendige Kritik zu äußern.

K wie KI-Canvas: Ein Planungswerkzeug, das KI-Projekte auf einer einzigen Seite strukturiert. In neun Feldern, darunter Zielsetzung, Nutzen, Daten und Risiken, werden strategische, fachliche und technische Fragen geklärt, bevor Entwicklungsressourcen gebunden werden.

L wie Large Language Models (LLMs): Große Sprachmodelle wie GPT-4, die auf Milliarden von Textseiten trainiert wurden. Ihr Grundprinzip ist das statistische Vorhersagen des nächsten Wortbestandteils, auch Token genannt.

M wie Maschinelles Lernen: Anstatt einen Computer mit festen Wenn-dann-Regeln zu programmieren, lässt man ein System aus Erfahrung lernen, also aus Daten. Das System erkennt eigenständig Muster und wendet sie auf neue Situationen an.

N wie No-Code / Low-Code: Visuelle Plattformen wie Make oder Orange, die es Fachabteilungen ermöglichen, KI-Modelle oder Automatisierungs-Workflows per Drag-and-Drop zu erstellen, ohne selbst Code schreiben zu müssen.

O wie Orchestrator: In sogenannten Multi-Agenten-Systemen übernimmt der Orchestrator die Rolle des Projektmanagers. Er zerlegt die Hauptaufgabe, delegiert Teilaufgaben an spezialisierte Agenten und führt am Ende die Ergebnisse für den Menschen zusammen.

P wie Prompt Engineering: Die Fähigkeit, Eingaben an eine KI präzise zu formulieren. Ein guter Prompt enthält typischerweise fünf Elemente: Aufgabe, Kontext, Format, Rolle und gezielte Einschränkungen.

Q wie Qualitätssicherung (Guardrails): Sicherheitsmechanismen, die verhindern, dass eine KI toxische Inhalte ausgibt, vertrauliche Daten preisgibt oder Halluzinationen produziert. Sie umfassen Input-Filter, Output-Filter und organisatorische Prozesse.

R wie Retrieval-Augmented Generation (RAG): Eine wirksame Methode gegen Halluzinationen. Bevor die KI antwortet, sucht das System in einer verifizierten Datenbank nach relevanten Fakten, zum Beispiel in den eigenen Unternehmensdokumenten. Die Antwort wird anschließend ausschließlich auf Basis dieser geprüften Quellen formuliert.

S wie Starke KI vs. Schwache KI: Alle heute eingesetzten Systeme wie ChatGPT oder autonomes Fahren sind „schwache KI": Sie lösen Aufgaben nur in klar definierten Bereichen. „Starke KI" beschreibt die bislang nicht realisierte Vorstellung eines Systems, das dem Menschen intellektuell ebenbürtig ist und über echtes Verständnis verfügt.

T wie Tokenisierung: Da Computer keine Wörter direkt verarbeiten, werden Texte in kleine Einheiten zerlegt, sogenannte Tokens, die oft einzelnen Silben oder Wortbestandteilen entsprechen. Diese Tokens werden anschließend in mehrdimensionale Zahlenreihen übersetzt.

U wie Unüberwachtes Lernen (Unsupervised Learning): Eine Methode, bei der die KI Daten ohne vorherige Kategorisierung analysiert. Das System sucht eigenständig nach verborgenen Strukturen und Ähnlichkeiten, um beispielsweise Kundensegmente zu bilden.

V wie Vektoren (Embeddings): Wörter werden im mathematischen Raum als Koordinaten dargestellt. Begriffe mit ähnlicher Bedeutung, etwa „Umsatz" und „Erlös", liegen in diesem Raum nah beieinander. Auf diese Weise verarbeitet die KI sprachliche Zusammenhänge.

W wie Weak Supervision: Ein Ansatz bei der Datenaufbereitung, bei dem vereinfachte automatische Regeln genutzt werden, um große ungelabelte Datenmengen schnell für das KI-Training zu markieren.

X wie XAI (Explainable AI): Der Begriff steht für „Erklärbare Künstliche Intelligenz" und beschreibt die technische und ethische Anforderung, maschinelle Entscheidungen transparent und nachvollziehbar zu machen, insbesondere dort, wo sie Menschen direkt betreffen.

Y wie YOLO (You Only Look Once): Ein extrem schneller Algorithmus aus der Bildverarbeitung (Computer Vision) zur Objekterkennung in Echtzeit. Anstatt ein Bild in vielen Einzelschritten abzusuchen, analysiert das System das gesamte Bild in einem einzigen Durchlauf durch ein neuronales Netz. Dadurch ist es rasend schnell und ideal für zeitkritische Anwendungen wie etwa das autonome Fahren.

Z wie Zero-Shot-Prompting: Die einfachste Form des Promptings: Die KI erhält eine direkte Anweisung ohne vorherige Beispiele oder Muster, etwa „Fasse diesen Text in drei Sätzen zusammen".