Das KI-Glossar
Klar verständliche Definitionen der Konzepte hinter KI-nativen Organisationen, Infrastruktur, Hiring, Suche und Strategie, für Führungskräfte, nicht Ingenieure.
KI-Infrastruktur
Large Language Model (LLM)
Ein auf riesigen Textmengen trainiertes Modell, das Sprache vorhersagt und erzeugt, die Engine hinter Tools wie ChatGPT und Claude. Es treibt Chat, Textentwürfe, Extraktion und Schlussfolgern über natürliche Sprache.
Retrieval-Augmented Generation (RAG)
Ein Muster, das ein LLM in Ihren eigenen, aktuellen Daten verankert, indem relevante Dokumente zur Laufzeit abgerufen werden, reduziert Halluzinationen und hält Antworten aktuell, ohne neu zu trainieren.
Vector Database
Eine Datenbank, die Embeddings (numerische Bedeutungsrepräsentationen) speichert und die ähnlichsten Elemente schnell findet, das Rückgrat von semantischer Suche und RAG.
Embedding
Ein numerischer Vektor, der die Bedeutung von Text (oder Bildern) erfasst, sodass Maschinen Ähnlichkeit vergleichen können. Embeddings treiben Suche, Empfehlungen und RAG-Retrieval.
Fine-tuning
Ein Modell mit Ihren Beispielen weiter trainieren, um Verhalten, Stil oder Format zu ändern. Am besten für konsistentes Verhalten, nicht für frische Fakten (dafür RAG).
Prompt Engineering
Die Praxis, Anweisungen und Kontext so zu strukturieren, dass ein Modell verlässlich die gewünschte Ausgabe liefert. Handwerk, kein Zauber, und zunehmend systematisiert.
AI Agent
Ein LLM-gesteuertes System, das plant und mehrstufige Aktionen mit Tools (APIs, Suche, Code) ausführt. Stark für begrenzte, überwachte Workflows; riskant unbeaufsichtigt bei kritischen Aufgaben.
Model Context Protocol (MCP)
Ein offener Standard, um KI-Modelle über eine gemeinsame Schnittstelle mit Tools und Datenquellen zu verbinden, damit Agenten Ihre Systeme ohne Einzelintegrationen nutzen können.
MLOps
Die Praktiken und Werkzeuge, die Machine-Learning-Modelle in Produktion zuverlässig machen, Deployment, Monitoring, Versionierung, Retraining und Kostenkontrolle.
Inference
Ein trainiertes Modell ausführen, um eine Ausgabe zu erzeugen. Inferenzkosten und -latenz, nicht das Training, dominieren die Ökonomie der meisten produktiven KI-Features.
Token
Die Texteinheit, die ein LLM verarbeitet, ungefähr ein Wortteil. Nutzung und Preis werden in Tokens gemessen, daher treiben Prompt- und Ausgabelänge direkt die Kosten.
Context Window
Die maximale Textmenge (in Tokens), die ein Modell auf einmal berücksichtigen kann. Größere Fenster erlauben mehr Kontext, kosten aber mehr und können den Fokus verwässern.
Hallucination
Wenn ein Modell selbstbewusste, aber falsche oder unbelegte Ausgaben erzeugt. Gemindert durch Retrieval (RAG), Grounding, Quellenangaben und menschliche Prüfung in sensiblen Kontexten.
Guardrails
Kontrollen, die einschränken, was ein KI-System sagen oder tun kann, Ein-/Ausgabefilterung, Policy-Prüfungen, Least-Privilege-Toolzugriff, damit es sich in Produktion sicher verhält.
Foundation Model
Ein großes, universelles Modell, das auf breiten Daten trainiert wurde und für viele Aufgaben anpassbar ist, die Basis, auf der Sie aufbauen, statt von Grund auf zu trainieren.
Multimodal AI
Modelle, die über mehr als einen Datentyp arbeiten, Text, Bilder, Audio, Video, und Anwendungsfälle wie Dokumentenverständnis und bildbasierten Support ermöglichen.
Human-in-the-Loop
Ein Design, bei dem ein Mensch KI-Ausgaben prüft oder freigibt, bevor sie wirken. Essenziell für kritische Workflows und ein sicherer Weg, Automatisierung schrittweise auszuweiten.
AI Observability
Das Verhalten, die Qualität, Kosten und Sicherheit von KI-Systemen in Produktion überwachen, Prompts, Ausgaben, Latenz und Fehler loggen, um sie zu debuggen und zu verbessern.
Evaluations (Evals)
Systematische Tests, die die Qualität eines KI-Systems an repräsentativen Aufgaben messen. Gute Evals machen aus „fühlt sich besser an“ Evidenz und verhindern stille Regressionen.
Agentic Workflow
Ein Prozess, in dem ein KI-Agent mehrere Schritte und Tools auf ein Ziel hin verkettet. Funktioniert am besten begrenzt, beobachtbar und umkehrbar, mit einem Menschen bei kritischen Aktionen.
KI-Suche (GEO)
Generative Engine Optimization (GEO)
Optimierung darauf, in KI-generierten Antworten (ChatGPT, Perplexity, Gemini, AI Overviews) zitiert und gut dargestellt zu werden, über die vielfältigen Quellen, die diese Engines synthetisieren.
Answer Engine Optimization (AEO)
Inhalte darauf optimieren, die extrahierte Antwort auf eine konkrete Frage zu sein, in Snippets, Voice und KI-Ergebnissen, durch klare Struktur, direkte Antworten und Schema.
Search Engine Optimization (SEO)
Sichtbarkeit in klassischen Suchergebnissen durch relevante Inhalte, technische Gesundheit und Autorität. Weiterhin das Fundament, das die Indizes speist, aus denen KI-Engines schöpfen.
Share of Voice (AI Search)
Der Anteil relevanter KI-Antworten, die Ihre Marke gegenüber Wettbewerbern zitieren, das Nächste an einem Ranking in der KI-Suche und eine zentrale GEO-Kennzahl.
AI Overviews
Googles KI-generierte Zusammenfassungen über den klassischen Ergebnissen. Dort zitiert zu werden ist Top-Sichtbarkeit, und ergibt sich nicht einfach aus Platz eins.
Schema Markup
Strukturierte Daten (schema.org, meist JSON-LD), die Maschinen sagen, was Ihr Inhalt bedeutet, und Such- und KI-Engines helfen, korrekte Antworten zu extrahieren und Ihnen zuzuordnen.
KI-Hiring
Forward-Deployed Engineer
Ein Senior-Ingenieur, der sich in Ihr Team einbettet und in Produktion liefert und Muster überträgt, die Ihr Team besitzen kann, statt aus der Distanz zu liefern.
Fractional Executive
Eine Führungskraft (CTO, CPO, CISO, CMO) auf Teilzeit-Retainer, die Richtung und erste Hires verantwortet, ohne Kosten und Bindung einer Vollzeit-Führungskraft.
Staff Augmentation
Ihr Team mit externen Spezialisten erweitern, die unter Ihrer Leitung arbeiten, Eigentum und Wissen bleiben im Haus, im Gegensatz zum Auslagern eines ganzen Ergebnisses.
ML Engineer
Ein Ingenieur, der Machine-Learning-Modelle baut und verbessert, Daten, Features, Evaluation, Genauigkeit, und sie Richtung Produktion bringt.
AI Product Manager
Ein Product Manager, fließend in Daten, Modellbewertung und den Grenzen von KI, der Modellfähigkeit in nutzbares, wertvolles Produkt verwandelt, und weiß, wann man KI nicht nutzt.
Time-to-Value
Wie schnell eine Einstellung oder Initiative echten, messbaren Wert liefert. Eingebettete und fraktionale Modelle optimieren auf Tage bis Wochen statt Quartale.
KI-Strategie
AI-Native Organization
Ein Unternehmen, das darauf ausgelegt ist, KI in Hiring, Bau und Betrieb auszuschöpfen, Fähigkeit vor Tooling, nicht eines, das lediglich KI-Produkte kauft.
Return on Investment (ROI)
Der messbare Wert, den eine KI-Initiative gegenüber ihren Kosten zurückbringt. Je Use Case modellieren, Wirkung minus Bau- und Betriebskosten, bevor Budget gebunden wird.
Payback Period
Wie lange, bis der kumulierte Wert einer Initiative ihre Kosten deckt. Für operative KI ist ein Payback innerhalb von ~12 Monaten ein starkes Signal, fortzufahren.
Total Cost of Ownership (TCO)
Die Gesamtkosten einer KI-Fähigkeit über die Zeit, Bau plus Betrieb, Compute, Monitoring, Wartung und Iteration, nicht nur das anfängliche Projekt oder die Lizenz.
Build vs Buy vs Embed
Die Entscheidung, je Fähigkeit, intern zu bauen (Differenzierer), einen Anbieter zu kaufen (Commodity) oder Spezialisten einzubetten (Kern, aber aktuell fehlt Kapazität).
EU AI Act
Die risikobasierte KI-Regulierung der EU. Pflichten, Transparenz, Dokumentation, menschliche Aufsicht, skalieren mit der Risikokategorie des Use Cases. (Keine Rechtsberatung.)
Proof of Concept (PoC)
Ein kleiner Bau, um zu testen, ob ein KI-Ansatz funktioniert, bevor man sich festlegt. Mit Produktionsanforderungen im Blick gestalten, sonst wird es eine Demo, die nie shippt.
Churn
Die Rate, mit der Kunden aufhören zu zahlen. KI kann gefährdete Accounts früh vorhersagen, doch gehaltener Umsatz kommt aus der folgenden menschlichen Intervention.
Lead Scoring
Interessenten nach Abschlusswahrscheinlichkeit einordnen, damit der Vertrieb seine Zeit fokussiert. KI-Scoring wirkt, wenn es erklärbar und an echte Ergebnisse gekoppelt ist.
Der Weekly Brief
Wissen für den Aufbau KI-nativer Organisationen.
Eine E-Mail pro Woche: die schärfsten Gedanken zu KI-Hiring, Infrastruktur, Teams und Strategie, für alle, die die Zukunft der Arbeit bauen.
Für Operator, Gründer und CTOs. Kein Spam, jederzeit abbestellbar.