Glossar: Grundbegriffe

Dreizehn Begriffe, die in jeder KI-Vorlage für die Geschäftsführung auftauchen. Wer sie präzise verwendet, stellt Anbietern und eigenen Teams bessere Fragen. Jeder Eintrag benennt die Entscheidung, die am Begriff hängt.

Künstliche Intelligenz (KI)

Definition: Künstliche Intelligenz bezeichnet maschinelle Systeme, die aus Daten Muster ableiten und daraus mit einem Grad an Autonomie Vorhersagen, Empfehlungen, Inhalte oder Entscheidungen erzeugen.

Führungsrelevanz: Die Abgrenzung entscheidet, welche Systeme im Haus unter die Verordnung (EU) 2024/1689 fallen und inventarisiert werden müssen. Sie entscheidet auch über die Budgetlogik: KI ist kein einmaliges IT-Projekt, sondern ein laufend gesteuertes Portfolio mit Betriebskosten. Wer den Begriff zu eng fasst, übersieht Bestandssysteme mit lernenden Komponenten und deren Pflichten.

Typisches Missverständnis: KI wird mit Chat-Assistenten gleichgesetzt. Prognosemodelle in der Instandhaltung oder Scoring in der Kreditprüfung sind ebenso KI, oft mit höherem Rechtsrisiko.

Siehe auch: „Was zählt als KI-Transformation? Ein prüfbares Reifegradmodell“ (Launch-Artikel); Machine Learning (Glossar).

Generative KI

Definition: Generative KI erzeugt auf Basis trainierter Wahrscheinlichkeitsmodelle neue Inhalte wie Text, Bilder, Audio oder Programmcode, statt vorhandene Daten nur zu klassifizieren oder zu bewerten.

Führungsrelevanz: Generative Systeme sind der schnellste Einstieg in die Breitenanwendung, weil sie ohne eigenes Modelltraining nutzbar sind. Zugleich verschieben sie das Risikoprofil: Ausgaben sind plausibel, aber nicht garantiert korrekt. Das verlangt Freigabeprozesse für externe Verwendung und Kennzeichnungspflichten nach Artikel 50 der KI-Verordnung ab August 2026.

Typisches Missverständnis: Generative KI wird als Wissensdatenbank behandelt. Sie ist ein Sprachwerkzeug, das ohne angebundene Unternehmensdaten keine verlässliche Faktenquelle ist.

Siehe auch: „RAG, Suche oder Fine-Tuning? Neutraler Entscheidungsbaum“ (Launch-Artikel); Halluzination (Glossar).

Large Language Model (LLM)

Definition: Ein Large Language Model ist ein auf sehr großen Textmengen trainiertes neuronales Netz, das Sprache statistisch fortsetzt und dadurch Aufgaben wie Zusammenfassen, Übersetzen und Beantworten löst.

Führungsrelevanz: Die Modellwahl ist eine Beschaffungsentscheidung mit Vertrags-, Kosten- und Compliance-Folgen: Anbieter, Hosting-Ort und Nutzungsbedingungen bestimmen, welche Unternehmensdaten das System sehen darf. Modellwechsel sind möglich, kosten aber Evaluations- und Integrationsaufwand. Wer sich früh architektonisch bindet, zahlt später beim Wechsel.

Typisches Missverständnis: Das größte oder bekannteste Modell gilt als das beste. Für viele Unternehmensaufgaben liefern kleinere Modelle bei geringeren Kosten vergleichbare Ergebnisse.

Siehe auch: „Bauen, kaufen oder mit Partner führen“ (Launch-Artikel); Foundation Model (Glossar).

Prompt

Definition: Ein Prompt ist die Eingabe an ein KI-Modell, deren Formulierung, Kontext und Struktur die Qualität der Ausgabe unmittelbar bestimmen.

Führungsrelevanz: Prompts sind operatives Firmenwissen: gute Vorlagen für wiederkehrende Aufgaben senken Streuung und Einarbeitungszeit. Sie gehören deshalb in eine gepflegte Bibliothek mit Verantwortlichen, nicht in private Notizen einzelner Beschäftigter. In Prompts eingegebene Inhalte können zudem vertrauliche Daten an Anbieter übertragen, was Richtlinien erfordert.

Typisches Missverständnis: Prompting gilt als Trick einzelner Power-User. Tatsächlich ist es eine trainierbare Grundfertigkeit, die über den Nutzen der gesamten Lizenzinvestition entscheidet.

Siehe auch: „KI-Kompetenz nach Artikel 4 messen“ (Launch-Artikel); Systemprompt (Glossar).

Token

Definition: Ein Token ist die kleinste Verarbeitungseinheit eines Sprachmodells, meist ein Wortteil, und zugleich die Einheit, in der Anbieter Nutzung abrechnen und Kontextgrenzen definieren.

Führungsrelevanz: Token sind die Kostenwährung des KI-Betriebs: Preis pro Anfrage, Skalierungskosten und Limits werden in Tokens gerechnet. Wer Anwendungsfälle plant, braucht eine Token-Kalkulation je Vorgang, sonst überrascht die Betriebsrechnung nach dem Rollout. Lange Dokumente und viele Nutzer multiplizieren die Kosten schnell.

Typisches Missverständnis: Ein Token wird mit einem Wort gleichgesetzt. Deutsche Komposita zerfallen oft in mehrere Tokens, deutsche Texte sind dadurch teurer als englische.

Siehe auch: „Der tatsächliche KI-TCO: 24 Kostenpositionen“ (Launch-Artikel); Kontextfenster (Glossar).

Halluzination

Definition: Eine Halluzination ist eine sprachlich überzeugende, aber sachlich falsche oder erfundene Ausgabe eines generativen KI-Systems.

Führungsrelevanz: Halluzinationen sind kein Fehler im Einzelfall, sondern eine Systemeigenschaft, die das Einsatzdesign bestimmen muss. Für jeden Anwendungsfall ist zu entscheiden: Wo prüft ein Mensch, wo begrenzt eine Datenanbindung das Risiko, wo ist der Einsatz tabu? Ungeprüfte Ausgaben in Angeboten, Rechtstexten oder Kundenkommunikation sind ein Haftungsthema.

Typisches Missverständnis: Halluzinationen ließen sich durch bessere Modelle vollständig abstellen. Sie lassen sich reduzieren und eingrenzen, aber nach heutigem Stand nicht auf null bringen.

Siehe auch: „KI-Systeme vom Pilot in den verantworteten Betrieb“ (Launch-Artikel); Retrieval-Augmented Generation (RAG) (Glossar).

Machine Learning

Definition: Machine Learning umfasst Verfahren, bei denen Systeme statistische Zusammenhänge aus Beispieldaten lernen, statt explizit programmierte Regeln abzuarbeiten.

Führungsrelevanz: Der Unterschied zu regelbasierter Software verändert Abnahme und Betrieb: Ein gelerntes System wird nicht einmal getestet und ist dann fertig, sondern muss laufend an neuen Daten gemessen werden. Das erfordert Budget für Monitoring und Nachtraining über die gesamte Lebensdauer. Auch die Fehlerverantwortung verschiebt sich von der Programmlogik zur Datenbasis.

Typisches Missverständnis: Machine Learning wird als Synonym für generative KI verwendet. Viele wirtschaftlich starke Anwendungen sind klassische Prognose- und Klassifikationsmodelle ohne Sprachausgabe.

Siehe auch: „Wirtschaftlichkeit von KI belastbar steuern“ (Launch-Artikel); Trainingsdaten (Glossar).

Deep Learning

Definition: Deep Learning ist ein Teilgebiet des Machine Learning, das vielschichtige neuronale Netze nutzt, um komplexe Muster in Bildern, Sprache und Signalen zu erkennen.

Führungsrelevanz: Deep-Learning-Systeme liefern die höchste Leistungsfähigkeit, sind aber auch am schwersten erklärbar und am teuersten im Rechenbedarf. Für Entscheider heißt das: Je kritischer die Entscheidung, desto höher die Anforderungen an Nachvollziehbarkeit und desto genauer die Abwägung gegen einfachere Verfahren. Nicht jede Aufgabe rechtfertigt den Aufwand.

Typisches Missverständnis: Mehr Modellkomplexität gilt als automatisch besseres Ergebnis. Bei kleinen, strukturierten Datenbeständen schlagen einfache Verfahren tiefe Netze regelmäßig, zu einem Bruchteil der Kosten.

Siehe auch: „Use-Case-first-Datenarchitektur“ (Launch-Artikel); GPU und Compute (Glossar).

Trainingsdaten

Definition: Trainingsdaten sind die Datenbestände, aus denen ein KI-Modell seine Parameter lernt und die damit dessen Fähigkeiten, Lücken und Verzerrungen festlegen.

Führungsrelevanz: Wer eigene Modelle trainiert oder anpasst, übernimmt Verantwortung für Herkunft, Rechte und Qualität der Daten. Urheberrechte, Geschäftsgeheimnisse und personenbezogene Daten in Trainingsbeständen sind Vertrags- und Haftungsfragen, keine technischen Details. Bei eingekauften Systemen gehört die Frage nach den Trainingsdaten in jede Anbieterprüfung.

Typisches Missverständnis: Mehr Daten gelten pauschal als besser. Entscheidend ist die Passung zum Einsatzzweck; fehlerhafte oder verzerrte Daten skalieren den Fehler mit.

Siehe auch: „Daten- und Architekturentscheidungen für Unternehmens-KI“ (Launch-Artikel); Datenqualität (Glossar).

Inferenz

Definition: Inferenz ist die produktive Nutzung eines fertig trainierten Modells zur Beantwortung einzelner Anfragen und damit der Kostentreiber im laufenden KI-Betrieb.

Führungsrelevanz: Während Training einmalig oder selten anfällt, entstehen Inferenzkosten bei jeder Nutzung und wachsen mit der Adoption. Ein erfolgreicher Rollout kann die Betriebskosten deshalb vervielfachen, was Business Cases oft übersehen. Latenz, Verfügbarkeit und Kosten pro Anfrage gehören als Kennzahlen in jedes Betriebsmodell.

Typisches Missverständnis: Nach dem Projektbudget gilt das System als bezahlt. Bei erfolgreichen KI-Anwendungen liegt der Großteil der Lebenszykluskosten im Inferenzbetrieb, nicht im Aufbau.

Siehe auch: „Der tatsächliche KI-TCO: 24 Kostenpositionen“ (Launch-Artikel); API-Nutzung vs. Eigenbetrieb (Glossar).

KI-Agent

Definition: Ein KI-Agent ist ein System, das ein Sprachmodell mit Werkzeugen, Datenzugriffen und mehrstufiger Planung verbindet und Aufgaben mit begrenzter Autonomie ausführt.

Führungsrelevanz: Agenten heben den Automatisierungsgrad, weil sie handeln, statt nur zu antworten: Sie buchen, schreiben in Systeme, lösen Folgeschritte aus. Genau deshalb brauchen sie definierte Berechtigungen, Ausgabelimits und Eskalationsregeln wie ein neuer Mitarbeiter in der Probezeit. Wer Agenten ohne Berechtigungskonzept produktiv setzt, delegiert Handlungsvollmacht an ein statistisches System.

Typisches Missverständnis: Agent wird als Marketingwort für jeden Chatbot gelesen. Der Unterschied liegt im Schreibzugriff auf reale Systeme, und damit im Schadenpotenzial.

Siehe auch: „Berechtigungen in Unternehmens-KI“ (Launch-Artikel); KI-Servicebetrieb: SLA, Evaluation, Incident Response (Launch-Artikel).

Multimodalität

Definition: Multimodalität bezeichnet die Fähigkeit eines KI-Modells, mehrere Eingabe- und Ausgabeformen wie Text, Bild, Audio und Video gemeinsam zu verarbeiten.

Führungsrelevanz: Multimodale Systeme erschließen Anwendungsfälle jenseits von Text: Sichtprüfung, Dokumente mit Zeichnungen, Sprachaufnahmen aus Service und Produktion. Für die Priorisierung heißt das, Prozesse mit gemischten Datenformaten neu zu bewerten, die bisher als nicht automatisierbar galten. Zugleich steigen Datenschutzanforderungen, etwa bei Stimmen und Gesichtern.

Typisches Missverständnis: Multimodalität gilt als Zukunftsthema. Dokument- und Bildverständnis sind bereits produktionsreif und gehören heute in jede Use-Case-Liste.

Siehe auch: „Portfoliosteuerung für 20 KI-Vorhaben“ (Launch-Artikel); Foundation Model (Glossar).

Artificial General Intelligence (AGI)

Definition: Artificial General Intelligence bezeichnet eine bislang hypothetische KI, die intellektuelle Aufgaben über alle Domänen hinweg mindestens auf menschlichem Niveau lösen könnte.

Führungsrelevanz: AGI ist für die Unternehmensplanung vor allem ein Rhetorikrisiko: Anbieter und Medien nutzen den Begriff, um Dringlichkeit zu erzeugen. Investitionsentscheidungen sollten sich an heute messbarer Systemleistung orientieren, nicht an Zeitpunktprognosen für AGI. Wer Strategie auf Spekulation baut, kann weder Budget noch Risiko seriös begründen.

Typisches Missverständnis: Aus schnellen Fortschritten bei Sprachmodellen wird eine nahe AGI abgeleitet. Es gibt weder eine einheitliche Definition noch einen belastbaren Zeitplan.

Siehe auch: „100 KI-Claims im Faktencheck“ (Launch-Artikel); Benchmark (Glossar).

Das Entscheider-Briefing

Ein Briefing pro Woche: Entscheidungsfragen, eingeordnete Zahlen und Fristen. Ihre Adresse geben wir nicht weiter.

Website

E-Mail-Adresse

Briefing abonnieren

Ich möchte das Briefing per E-Mail erhalten und kann die Einwilligung jederzeit widerrufen. Die Datenschutzerklärung habe ich gelesen.

Sie erhalten zuerst eine E-Mail mit einem Bestätigungslink. Erst nach dem Klick nehmen wir Sie auf. Abmeldung mit einem Klick in jeder Ausgabe.