Kontextfenster, RAG, GPAI, Vibe Coding – die KI-Welt produziert schneller neue Begriffe, als man sie nachschlagen kann. Dieses Lexikon erklärt die wichtigsten davon in einfachem Deutsch: was dahintersteckt, warum es dich betrifft und wo die Grenzen liegen. Thematisch sortiert statt von A bis Z, damit du die Begriffe im Zusammenhang verstehst. Stand: August 2026, wird laufend aktualisiert.
Gut zu wissen
Du musst kein einziges dieser Wörter auswendig lernen, um KI produktiv zu nutzen. Aber wer die Grundbegriffe kennt, kann Tools besser einschätzen, Anbieter-Versprechen einordnen und in Meetings mitreden, wenn es um KI-Projekte geht.
Die Basis: Was KI eigentlich ist
Künstliche Intelligenz (KI). Sammelbegriff für Computersysteme, die Aufgaben lösen, für die normalerweise menschliches Denken nötig ist – Texte verstehen, Bilder erkennen, Entscheidungen vorbereiten. KI ist kein einzelnes Programm, sondern ein Werkzeugkasten aus sehr unterschiedlichen Verfahren.
Machine Learning (Maschinelles Lernen). Der Teilbereich der KI, in dem Systeme aus Beispielen lernen, statt Regel für Regel programmiert zu werden. Ein Spamfilter sieht Millionen Mails und lernt selbst, was Spam auszeichnet – niemand hat ihm eine Liste verbotener Wörter einprogrammiert.
Deep Learning. Machine Learning mit vielschichtigen neuronalen Netzen. Der Durchbruch hinter fast allem, was heute als KI Schlagzeilen macht – von der Bilderkennung bis zu ChatGPT.
Neuronales Netz. Die Rechenstruktur hinter Deep Learning, grob inspiriert vom Gehirn: Millionen bis Billionen verstellbarer Verbindungen („Parameter“), die beim Training so justiert werden, dass aus Eingaben sinnvolle Ausgaben werden.
Generative KI. KI, die neue Inhalte erzeugt statt nur zu analysieren: Texte, Bilder, Audio, Video, Code. ChatGPT, Claude und Midjourney sind generative KI – ein Spamfilter ist es nicht.
LLM (Large Language Model). Ein „großes Sprachmodell“: das Herzstück von ChatGPT, Claude und Co. LLMs haben aus riesigen Textmengen gelernt, das jeweils wahrscheinlichste nächste Wortstück vorherzusagen – und können dadurch erstaunlich gut schreiben, zusammenfassen, übersetzen und argumentieren. Verstehen im menschlichen Sinn steckt dahinter nicht.
Arbeiten mit KI: die Begriffe aus dem Alltag
Prompt. Deine Eingabe an die KI – die Frage, Anweisung oder Aufgabenbeschreibung. Die Qualität des Prompts entscheidet maßgeblich über die Qualität der Antwort.
Prompt Engineering. Das Handwerk, Prompts so zu formulieren, dass verlässlich Brauchbares herauskommt: Rolle vorgeben, Kontext liefern, Format definieren, Beispiele zeigen. Klingt nach Geheimwissenschaft, ist aber lernbar – wie, zeigt unser Artikel zum Thema Prompt Engineering lernen.
Token. Die Recheneinheit von Sprachmodellen: Wortstücke von etwa drei bis vier Zeichen. „Weiterbildung“ sind mehrere Token. Wichtig, weil Anbieter nach Token abrechnen und Modelle nur eine begrenzte Token-Menge auf einmal verarbeiten können.
Kontextfenster. Wie viel ein Modell gleichzeitig „im Kopf behalten“ kann – dein Prompt, hochgeladene Dokumente und der bisherige Gesprächsverlauf zusammen. Aktuelle Modelle schaffen Hunderttausende bis Millionen Token, also ganze Aktenordner. Läuft das Fenster voll, vergisst die KI den Anfang des Gesprächs.
Halluzination. Die wichtigste Schwäche generativer KI: Sie erfindet Fakten, Quellen oder Paragrafen – flüssig formuliert und völlig überzeugend. Halluzinationen sind kein Bug, der bald verschwindet, sondern eine Folge der Funktionsweise. Deshalb gilt: KI-Ausgaben mit Fakten-Anspruch immer prüfen, bevor sie in E-Mails, Angebote oder Verträge wandern.
System-Prompt. Eine unsichtbare Grundanweisung, die dem Modell vor jedem Gespräch mitgegeben wird – etwa Tonalität, Rolle und Verbote. In Unternehmens-Setups steckt hier oft die Firmen-Policy.
Multimodal. Ein Modell, das mehrere Medienarten versteht oder erzeugt – Text, Bilder, Audio, Video. Du kannst einem multimodalen Modell ein Foto vom Stromkasten zeigen und fragen, welche Sicherung raus ist.
Modelle und Anbieter: Wer ist wer im Jahr 2026
ChatGPT / GPT (OpenAI). Der bekannteste KI-Chatbot und die dahinterliegende Modellfamilie. Aktuell ist die GPT-5-Generation – unser Modell-Überblick 2026 zeigt, welches Modell wofür taugt.
Claude (Anthropic). Modellfamilie mit Stärken bei langen Dokumenten, sorgfältigem Arbeiten und Programmieraufgaben – in Entwicklerteams auch über das Kommandozeilen-Werkzeug Claude Code im Einsatz.
Gemini (Google). Googles Modellfamilie, tief in Workspace, Android und die Google-Suche integriert. Stark bei Multimodalität und großen Kontextfenstern.
Open-Source- / Open-Weights-Modelle. Modelle, deren Gewichte (die trainierten Parameter) frei heruntergeladen werden können – etwa Qwen, Llama oder Mistral. „Open Weights“ heißt aber nicht automatisch „frei für alles“: Die Lizenzen unterscheiden sich erheblich, wie unser Artikel zu Open-Source-KI aufdröselt. Wer solche Modelle auf eigener Hardware betreibt, behält die volle Datenkontrolle – KI lokal nutzen zeigt, was dafür nötig ist.
Reasoning-Modell. Modellvariante, die vor der Antwort sichtbar oder unsichtbar „nachdenkt“ – Zwischenschritte durchrechnet, Alternativen verwirft. Deutlich besser bei Mathematik, Logik und Planung, dafür langsamer und teurer. Die meisten großen Anbieter schalten Reasoning inzwischen automatisch nach Bedarf zu.
Frontier-Modell. Bezeichnung für die jeweils leistungsstärksten Modelle der großen Labore – die „vorderste Front“ der Entwicklung.
Die Technik dahinter: was IT-Kollegen meinen
Training. Die Lernphase eines Modells: Es sieht gigantische Datenmengen und justiert seine Parameter. Kostet bei Frontier-Modellen dreistellige Millionenbeträge und passiert lange vor deinem ersten Prompt – deshalb kennt ein Modell ohne Zusatzwerkzeuge keine aktuellen Ereignisse.
Fine-Tuning. Nachtraining eines fertigen Modells mit eigenen Daten, um es auf einen Stil, eine Fachsprache oder eine Aufgabe zu spezialisieren. Für die meisten Unternehmen ist Fine-Tuning der zweite Schritt – der erste ist fast immer RAG.
RAG (Retrieval-Augmented Generation). Der Standard-Trick, um KI mit Firmenwissen zu verbinden: Vor der Antwort sucht das System passende Stellen aus deinen Dokumenten heraus und legt sie dem Modell als Kontext vor. So antwortet die KI auf Basis deiner Unterlagen statt aus dem Gedächtnis – Halluzinationen werden seltener, verschwinden aber nicht.
Embedding / Vektordatenbank. Die Technik hinter RAG: Texte werden in Zahlenreihen (Embeddings) übersetzt, die ihre Bedeutung abbilden, und in einer Vektordatenbank abgelegt. „Urlaubsantrag“ und „Abwesenheit einreichen“ landen dort nah beieinander – so findet die Suche auch Passendes, das anders formuliert ist.
Inferenz. Der laufende Betrieb: Jedes Mal, wenn ein Modell eine Antwort erzeugt, ist das Inferenz. Die Kosten dafür bestimmen die Preise der Anbieter – und den Stromverbrauch der Branche.
API. Die Programmierschnittstelle, über die Software direkt mit einem KI-Modell spricht – ohne Chat-Oberfläche. Alle ernsthaften KI-Integrationen in Firmenprozesse laufen über APIs.
MCP (Model Context Protocol). Ein offener Standard, der KI-Modelle mit externen Datenquellen und Werkzeugen verbindet – Kalender, CRM, Datenbanken. Statt für jede Kombination eine Sonderlösung zu bauen, sprechen Modell und Werkzeug eine gemeinsame Sprache. Setzt sich seit 2025 branchenweit durch.
Agenten und Automatisierung: die nächste Stufe
KI-Agent. KI, die nicht nur antwortet, sondern selbstständig mehrschrittig arbeitet: Sie plant Zwischenschritte, nutzt Werkzeuge (Browser, Dateien, APIs), prüft Ergebnisse und korrigiert sich. Der Sprung vom „Chatbot, der Texte schreibt“ zum „digitalen Mitarbeiter, der Aufgaben erledigt“ – mit allen Chancen und Aufsichtspflichten, die das mit sich bringt.
Agentic AI / Agenten-Workflow. Sammelbegriff für Systeme aus mehreren KI-Schritten oder mehreren Agenten, die zusammen einen Prozess abarbeiten – etwa: Rechnung empfangen, Daten auslesen, im System verbuchen, bei Unklarheit nachfragen.
Workflow-Automatisierung (n8n, Make, Zapier). Plattformen, die Apps und KI-Schritte zu automatischen Abläufen verketten – ohne oder mit wenig Programmierung. In unseren Weiterbildungen das Praxis-Werkzeug, mit dem aus KI-Wissen echte Prozessautomatisierung wird.
Vibe Coding. Programmieren per Zuruf: Du beschreibst in Alltagssprache, was die Software tun soll, die KI schreibt und korrigiert den Code. Senkt die Einstiegshürde enorm – ersetzt bei ernsthaften Projekten aber kein Verständnis dafür, was der Code tut.
Computer Use. Fähigkeit von KI-Agenten, einen Bildschirm zu „sehen“ und Maus und Tastatur zu bedienen – also normale Software zu nutzen, die keine API hat. Noch fehleranfällig, aber einer der spannendsten Trends für die Büroarbeit.
Recht und Verantwortung: was seit 2026 gilt
AI Act (KI-Verordnung). Das EU-Gesetz für KI – das weltweit erste seiner Art. Es sortiert KI-Systeme nach Risiko: Verbotenes (z. B. Social Scoring), Hochrisiko (z. B. KI im Bewerbungsprozess), Transparenzpflichtiges und frei Nutzbares. Seit dem 2. August 2026 gelten die Transparenzpflichten und das Sanktionsregime; die Hochrisiko-Pflichten wurden auf Ende 2027/2028 verschoben. Den kompletten Zeitplan erklärt unser AI-Act-Überblick.
KI-Kompetenz (Art. 4 AI Act). Die Pflicht für alle Unternehmen, die KI einsetzen: Mitarbeiter müssen für den KI-Einsatz ausreichend geschult sein – seit Februar 2025. Was das konkret heißt und was nicht, steht in unserem Artikel zur KI-Schulungspflicht.
GPAI (General Purpose AI). „KI mit allgemeinem Verwendungszweck“ – die Basismodelle von OpenAI, Anthropic, Google und Co. Für deren Anbieter gelten seit August 2025 eigene Pflichten (Dokumentation, Urheberrechts-Policy). Als Anwender betrifft dich das nur indirekt.
Deepfake. KI-generierte oder -manipulierte Inhalte, die echte Personen oder Ereignisse täuschend echt darstellen. Der AI Act verlangt ihre Kennzeichnung; strafbar ist der Missbrauch ohnehin – etwa beim Enkeltrick mit geklonter Stimme.
Bias. Systematische Verzerrung: Ein Modell übernimmt Schieflagen aus seinen Trainingsdaten und benachteiligt dann etwa bestimmte Gruppen. Der Hauptgrund, warum KI im Personalbereich als Hochrisiko-Anwendung eingestuft wird.
DSGVO und KI. Die Datenschutz-Grundverordnung gilt neben dem AI Act unverändert: Personenbezogene Daten in KI-Tools brauchen eine Rechtsgrundlage, und bei kostenlosen Chatbot-Versionen trainieren Eingaben teils die Modelle mit. Faustregel für den Arbeitsalltag: keine Kunden- oder Mitarbeiterdaten in private KI-Accounts.
KI im Beruf: die Rollen dahinter
KI-Spezialist / KI-Manager. Berufsbilder an der Schnittstelle zwischen Fachabteilung und Technik: Sie finden KI-Anwendungsfälle, bauen Automatisierungen und schulen Kollegen. Der Weg dorthin führt über strukturierte Weiterbildung – einen Überblick über Einstiege gibt KI lernen.
KI-Kompetenz-Nachweis. Kein amtliches Dokument, sondern die dokumentierte Schulung deines Teams (siehe Art. 4). Anbieter, die einen offiziellen „KI-Führerschein“ versprechen, verkaufen einen Begriff, den es rechtlich nicht gibt.
Wichtig
Rechtliche Einordnungen in diesem Lexikon sind redaktionelle Einschätzungen aus der Weiterbildungspraxis, keine Rechtsberatung. Verbindlich klärt deinen Einzelfall eine Kanzlei oder die zuständige Aufsicht.
Häufige Fragen
Was ist der Unterschied zwischen KI, Machine Learning und LLM?
KI ist der Oberbegriff für Systeme, die Aufgaben mit „Denk-Charakter“ lösen. Machine Learning ist der Teilbereich, in dem Systeme aus Beispielen lernen. Ein LLM ist eine konkrete Anwendung davon: ein aus Textmengen trainiertes Sprachmodell wie das hinter ChatGPT oder Claude.
Muss ich diese Begriffe kennen, um KI zu nutzen?
Nein – Chatbots sind bewusst so gebaut, dass jeder sie bedienen kann. Die Begriffe helfen aber, Grenzen und Risiken einzuschätzen: Wer weiß, was eine Halluzination ist, prüft KI-Antworten. Wer RAG kennt, versteht, warum die Firmen-KI andere Antworten gibt als ChatGPT.
Warum erfindet KI manchmal Fakten?
Sprachmodelle berechnen das wahrscheinlichste nächste Wortstück – sie haben keinen eingebauten Faktencheck. Klingt eine erfundene Quelle sprachlich plausibel, gibt das Modell sie selbstbewusst aus. Techniken wie RAG reduzieren das Problem deutlich, beseitigen es aber nicht vollständig.
Was bedeutet der AI Act für normale Unternehmen?
Für die meisten Unternehmen sind zwei Dinge relevant: die Schulungspflicht für Mitarbeiter, die mit KI arbeiten (seit Februar 2025), und die Transparenzpflichten – etwa dass sich Chatbots als KI zu erkennen geben (seit August 2026). Die strengen Hochrisiko-Pflichten treffen nur bestimmte Anwendungen, etwa KI im Bewerbungsprozess.
Sind Open-Source-Modelle kostenlos nutzbar?
Herunterladen ist meist kostenlos, die Nutzung regelt aber die jeweilige Lizenz – von „fast alles erlaubt“ (Apache 2.0) bis zu Einschränkungen für bestimmte Firmen oder Regionen. Dazu kommen reale Kosten für Hardware oder Cloud-Betrieb. „Open“ heißt: transparent und selbst betreibbar, nicht automatisch gratis.
Wie bleibt dieses Lexikon aktuell?
Die Redaktion ergänzt neue Begriffe, sobald sie im Arbeitsalltag relevant werden, und aktualisiert Rechtsstände wie die AI-Act-Fristen. Das sichtbare Datum am Artikelanfang zeigt den letzten Stand.
Vom Nachschlagen zum Anwenden
Begriffe kennen ist der Anfang – sie im Arbeitsalltag einzusetzen der eigentliche Hebel. In unseren geförderten KI-Weiterbildungen lernst du praxisnah, mit ChatGPT, Claude und Automatisierungs-Tools echte Arbeitsprozesse zu bauen. Im kostenlosen Erstgespräch klären wir, welcher Kurs zu dir passt und ob die Kosten über Förderprogramme ganz oder teilweise übernommen werden können.
Kostenloses Erstgespräch sichern
Benedikt Backhaus – schreibt bei Scaly über KI-Tools, neue Modelle und aktuelle Entwicklungen rund um künstliche Intelligenz. Er beobachtet die KI-Szene laufend und ordnet ein, was neue Releases praktisch bedeuten – ehrlich und ohne Hype. Einschätzung, keine Rechtsberatung. Benedikt auf LinkedIn
