⚡ Das Wichtigste in 30 Sekunden
- KI, Maschinelles Lernen, Deep Learning: KI ist das Ziel (intelligentes Verhalten), ML die Methode (aus Daten lernen), Deep Learning eine moderne Technik mit großen neuronalen Netzen.
- Generative KI & LLMs: erzeugen Text, Bilder, Audio oder Code – sind aber nicht unfehlbar und können halluzinieren (plausibel klingende Fehler).
- Datenschutz & Recht: Sensible Daten nur mit geeigneten Tools/Verträgen; Urheberrecht und Quellenangaben beachten.
- Schnellstart: Ein klarer Anwendungsfall, saubere Daten, gute Prompts und einfache Leitplanken bringen 80 % des Nutzens.
- Sicherheit: Bias, Falschinformationen und Sicherheitslücken aktiv managen; interne Regeln (Policy) sind Pflicht.
Wofür dieses Glossar gedacht ist
Dieses Glossar richtet sich an Einsteiger:innen ohne Technikstudium, die verlässlich verstehen wollen, was KI-Begriffe bedeuten, wo Chancen liegen und welche Grenzen es gibt. Der Fokus liegt auf praxisnahen Anwendungen – in Unternehmen, Schulen, Hochschulen und öffentlichen Einrichtungen.
Das Wichtigste zuerst: Grundbegriffe in 5 Minuten
- Künstliche Intelligenz (KI): Computer, die Aufgaben erledigen, für die man normalerweise menschliche Intelligenz braucht – z. B. verstehen, entscheiden, erstellen.
- Maschinelles Lernen (ML): Computer lernen Muster aus Beispielen (Daten), statt jede Regel manuell zu programmieren.
- Deep Learning: ML-Methode mit vielen Schichten (neuronalen Netzen), besonders gut für Sprache, Bilder, Ton.
- Generative KI: erzeugt neue Inhalte (Text, Bild, Audio, Code) aus Eingaben.
- LLM (Large Language Model): generatives Sprachmodell, das Text vorhersagt; es weiß nichts im eigentlichen Sinn, sondern berechnet Wahrscheinlichkeiten.
- Prompt: Ihre Anweisung an ein Modell. Gute Prompts liefern bessere Ergebnisse.
- RAG (Retrieval-Augmented Generation): Modell greift vor der Antwort auf eigene Dokumente/Wissensquellen zu – reduziert Halluzinationen.
- Halluzination: sicher klingender Fehler in der KI-Antwort.
Glossar – die wichtigsten KI-Begriffe
Grundlagen
- Künstliche Intelligenz (KI): Oberbegriff für Systeme, die Probleme lösen, Entscheidungen treffen oder Inhalte generieren.
- Maschinelles Lernen (ML): Unterbereich der KI; Modelle lernen aus Daten.
- Deep Learning: ML mit tiefen neuronalen Netzen; stark bei Sprache, Bild, Audio.
- Neuronales Netz: Schichten aus „Neuronen“, die unterschiedliche Muster erkennen.
- Generative KI: erstellt Inhalte; z. B. Chatbots, Bildgeneratoren, Code-Assistenten.
- NLP: Verarbeitung menschlicher Sprache.
- Computer Vision: Auswertung von Bildern/Videos.
Modelle & Training
- LLM: großes Sprachmodell (z. B. GPT, Llama, Gemini, Claude), das Wörterfolgen vorhersagt.
- Parameter: Stellschrauben des Modells (oft Milliarden).
- Trainingsdaten: Texte/Bilder/Audio, aus denen Muster gelernt werden.
- Fine-Tuning: Nachtraining für Spezialfälle.
- In-Context-Learning: Lernen während der Anfrage anhand von Beispielen.
- Kontextfenster: „Arbeitsspeicher“ der aktuellen Anfrage.
- Token: Textstückchen; bestimmen Länge/Kosten.
- Embeddings: Zahlenvektoren für Bedeutung – Basis für Suche & RAG.
- Vektor-Datenbank: Speichert Embeddings, sucht per Ähnlichkeit.
- Over/Underfitting: Zu viel Auswendiglernen vs. zu wenig Kapazität.
- RLHF: Verbesserung durch menschliches Feedback.
Anwendung & Betrieb
- Prompt-Engineering: Rolle, Ziel, Schritte, Format, Beispiele klar angeben.
- RAG: Antworten mit eigenen Quellen/Dokumenten untermauern.
- Agent: Mehrschritt-Automatisierung (Planen, Nachschlagen, Tools nutzen).
- Tool-Use / API-Call: Zugriff auf Suche, Datenbanken, Rechenwerkzeuge.
- Inferenz: Ausführung des Modells (Latenz/Kosten).
- Model Card: Dokumentation zu Daten, Fähigkeiten, Grenzen, Risiken.
- Edge- vs. Cloud-KI: lokal für Datenschutz/Latenz vs. flexibel/skalierbar.
- Open- vs. Closed-Source: Kontrolle & Aufwand vs. Einfachheit & weniger Einblick.
Sicherheit, Ethik & Qualität
- Halluzination: plausibel klingender, aber falscher Inhalt.
- Bias: systematische Einseitigkeit durch Daten.
- Guardrails/Moderation: Schutz vor schädlichen Inhalten/Datenabfluss.
- Jailbreak: Umgehung von Sicherheitsgrenzen.
- Red-Teaming: gezieltes Testen auf Schwachstellen.
- XAI: Erklärbarkeit von KI-Entscheidungen.
- Evaluation: Qualitätsmessung mit Benchmarks/Tests.
- Wasserzeichen/C2PA: Kennzeichnung/Provenienz für KI-Inhalte.
Recht & Organisation
- DSGVO/DPA: Rechtsgrundlage, Auftragsverarbeitung, Datenminimierung.
- Urheberrecht/Lizenzen: Quellen & Nutzungsrechte klären.
- EU AI Act: risikobasierter Rahmen; Transparenzpflichten beachten.
- KI-Policy: Regeln zu erlaubten Tools, Datenorten, Prüfprozessen, Kennzeichnung.
- Change-Management & Qualifizierung: Rollen, Trainings, Verantwortlichkeiten.
Praxis: Beispiele für KMU, Bildung und Verwaltung
KMU
- Angebots- und E-Mail-Entwürfe automatisch generieren
- Produkttexte für Online-Shops erstellen
- Support-Chat mit KI-Unterstützung
- Qualitätscheck von Dokumenten
- Recherche-Assistent für Mitarbeitende
- Finanz-Summaries und Berichte
Schulen & Hochschulen
- Erklärtexte in einfacher Sprache erstellen
- Übungsaufgaben automatisch generieren
- Feedback auf Aufsätze nach Kriterien geben
- Barrierearme Materialien entwickeln
- Vorlesungen transkribieren und zusammenfassen
Verwaltung
- Bürgerinformationen in Klartext aufbereiten
- Hilfen zu Formularen generieren
- Wissenssuche in Richtlinien und Dokumenten
- Protokoll-Assistent für Sitzungen
- Vorlagen-Generator für Standardtexte
- Strikter Datenschutz bei allen Anwendungen
Tipp: Starten Sie mit einem klaren Prozess, messen Sie Zeitgewinn und Qualität, und skalieren Sie erst dann.
Leitplanken & Checklisten
Checkliste: Sicher starten
- Anwendungsfall & Nutzen klären
- Datenklassifizierung (öffentlich, intern, vertraulich)
- Geeignetes Tool & Vertrag (DSGVO, AV-Vertrag)
- Prompt-Vorlagen & Qualitätskriterien definieren
- Verantwortliche benennen (Inhalt, Technik, Datenschutz)
- Pilot starten, messen, iterieren
Do’s & Don’ts – Daten & Inhalte
- Do: Quellen angeben lassen, sensible Daten minimieren, Ausgaben prüfen, Versionen dokumentieren.
- Don’t: personenbezogene Daten in unsichere Tools kippen, KI-Texte ungeprüft übernehmen, Urheberrechte ignorieren.
Schnellstart in 30 Minuten
- Wählen Sie einen Textprozess (z. B. E-Mail, Produkttext, FAQ).
- Formulieren Sie einen klaren Prompt (Rolle, Ziel, Format).
- Bitten Sie um 3 Varianten, wählen & verbessern Sie.
- Ergänzen Sie eigene Beispiele und erstellen Sie eine Team-Vorlage.
KI-Kompetenz als Schlüssel im EU AI Act
Der EU AI Act verpflichtet Unternehmen, Bildungseinrichtungen und Verwaltungen dazu,
Künstliche Intelligenz verantwortungsvoll einzusetzen. Dabei geht es nicht nur um Technik und Recht –
sondern auch um die Kompetenz der Mitarbeitenden.
Wer die Grundbegriffe von KI kennt und die Chancen sowie Risiken einschätzen kann, erfüllt nicht nur
gesetzliche Anforderungen, sondern sorgt auch für mehr Sicherheit, Transparenz und Akzeptanz
in der eigenen Organisation. Genau dafür ist dieses Glossar gedacht: als Basis für den sicheren und
selbstbewussten Umgang mit KI.
👉 Ihr Wissen für den KI-Kompetenznachweis nach EU AI Act können Sie hier testen:
FAQ: Die 25 häufigsten Fragen rund um KI verständlich beantwortet
Nein. ChatGPT ist eine Anwendung. KI umfasst viele Methoden und Produkte.
KI ist das Ziel, ML die Lernmethode, Deep Learning eine spezielle, sehr leistungsfähige ML-Technik.
Texte strukturieren, Ideen liefern, zusammenfassen, Code vorschlagen, einfache Bilder/Diagramme generieren.
Aktuelles Faktenwissen ohne Anbindung, komplexe Logik über viele Schritte, Fachurteile ohne Review.
Nur, wenn Vertrag & Einstellungen Datenschutz sichern und die Rechtsgrundlage passt.
Abhängig vom Anbieter/Setup. Für sensible Daten besser Unternehmens- oder On-Prem-Lösungen nutzen.
Sie verändert Aufgaben. Routinen werden schneller; Kontrolle, Kreativität und Verantwortung bleiben beim Menschen.
Für viele Anwendungen nein. Gute Prompts und Prozesswissen reichen für den Start.
Von kostenlos (Basis) bis hin zu Gebühren pro Anfrage. RAG und Fine-Tuning erhöhen Aufwand.
Ihre Aufgabenbeschreibung. Klare Rolle, Ziel, Format und Beispiele angeben.
Rolle + Ziel + Schritte + Beispiele + Format + Grenzen. Iterativ verbessern.
Textstücke; beeinflussen Kosten und Länge der Antwort.
Speicher für aktuelle Infos. Ist er voll, „vergisst“ das Modell ältere Inhalte.
Verbindung von KI mit eigenen Dokumenten/Wissensquellen – bessere, nachvollziehbare Antworten.
Fine-Tuning ist dauerhaftes Spezialwissen, RAG fügt Wissen zur Laufzeit hinzu. RAG ist oft günstiger.
Open Source: mehr Kontrolle, aber Betriebsaufwand. Closed: schneller Start, weniger Einblick.
Stichproben, Checklisten, automatische Tests, Nutzerfeedback.
Datenauswahl prüfen, diverse Beispiele, Ergebnisse gegentesten, XAI nutzen.
Kein 100% sicherer Weg. Hinweise: Metadaten, Inkonsistenzen, Wiederholungen, Finger/Schrift im Bild.
System, das mehrstufig plant, nachschlägt und Tools nutzt.
Für semantische Suche und RAG – „Finde ähnliche Inhalte“ statt Stichwortsuche.
Versuch, Sicherheitsregeln zu umgehen; mit Policies/Filtern vermeiden.
Transparenz ist sinnvoll; je nach Branche können Kennzeichnungspflichten gelten.
Meist Transparenz, Dokumentation und Risiko-Checks; strengere Regeln für Hochrisiko-Systeme.
