Wissen · GenAI-Glossar

Das GenAI-Glossar in Klartext.

39 Begriffe rund um Generative AI — kurz definiert, herstellerunabhängig und untereinander verlinkt. Von RAG über KI-Agenten bis EU AI Act.

39 Begriffe

Agentic Workflow: Ein Agentic Workflow ist ein teil-automatisierter Ablauf, in dem ein KI-Agent mehrere Schritte eigenständig ausführt, aber entlang eines vorgegebenen, kontrollierten Prozesses statt völlig frei.
Chain-of-Thought: Chain-of-Thought bezeichnet die Technik, ein Modell seine Zwischenschritte ausformulieren zu lassen, bevor es antwortet. Das „laute Denken" verbessert die Ergebnisqualität bei mehrstufigen Aufgaben deutlich.
Compound AI: Compound AI beschreibt KI-Systeme, die nicht aus einem einzelnen Modell bestehen, sondern aus mehreren zusammenwirkenden Bausteinen — Modelle, Suche, Werkzeuge, Regeln und Prüfschritte — zu einem verlässlichen Ganzen.
Confidential Computing: Confidential Computing schützt Daten nicht nur bei Speicherung und Übertragung, sondern auch während der Verarbeitung — in einer abgeschotteten, verschlüsselten Umgebung, auf die selbst der Betreiber keinen Einblick hat.
Context Engineering: Context Engineering ist die gezielte Auswahl und Aufbereitung der Informationen, die einem Modell zur Laufzeit beigelegt werden — die richtigen Fakten im richtigen Umfang, statt möglichst viel Text.
Distillation: Distillation bringt einem kleinen, günstigen Modell eine eng umrissene Aufgabe bei, indem ein großes, teures Modell als Lehrer dient. Ergebnis: fast gleiche Qualität bei deutlich niedrigeren Betriebskosten.
Embedding: Ein Embedding wandelt Text (oder Bilder) in eine Zahlenreihe um, die seine Bedeutung erfasst. Inhaltlich Ähnliches erhält ähnliche Zahlen — die Grundlage für semantische Suche und Retrieval.
EU AI Act: Der EU AI Act ist die KI-Verordnung der Europäischen Union. Sie stuft KI-Systeme nach Risiko ein und knüpft daran gestaffelte Pflichten — von Transparenz bis zu strengen Auflagen für Hochrisiko-Anwendungen.
Evaluation (Eval-Harness): Evaluation macht die Qualität einer KI-Anwendung messbar: Ein fester Satz repräsentativer Fälle mit bekannten Sollantworten prüft jede Änderung — neuer Prompt, neues Modell, neue Datenquelle.
Fine-Tuning: Fine-Tuning trainiert ein bestehendes Sprachmodell mit zusätzlichen Beispielen weiter und verändert dabei das Modell selbst — sinnvoll für Stil, Format und Verhalten, nicht für aktuelles Faktenwissen.
Grounding: Grounding bindet die Antwort eines Modells an belegte Quellen: Es darf nur behaupten, was in den mitgelieferten Dokumenten steht — und benennt idealerweise, worauf es sich stützt.
Guardrail: Guardrails sind Kontrollen rund um ein Sprachmodell, die Eingaben und Antworten prüfen, bevor sie wirksam werden — sie halten die KI innerhalb erlaubter Themen, Formate und Sicherheitsgrenzen.
Halluzination: Eine Halluzination ist eine plausibel klingende, aber falsche oder frei erfundene Aussage eines Sprachmodells — ausgegeben mit derselben Selbstsicherheit wie eine korrekte Antwort, ohne Warnsignal.
Human-in-the-Loop: Human-in-the-Loop bindet den Menschen an definierten Stellen in einen KI-Prozess ein — zur Freigabe folgenreicher Aktionen, bei Unsicherheit oder vor unumkehrbaren Schritten.
Inferenz (Inference): Inferenz ist das Ausführen eines fertig trainierten Modells, um aus einer Eingabe eine Antwort zu erzeugen. Anders als das einmalige Training fällt Inferenz bei jeder einzelnen Anfrage an — sie bestimmt die laufenden Kosten.
Jailbreak: Ein Jailbreak ist der Versuch, die Sicherheits- und Verhaltensregeln eines Sprachmodells gezielt auszuhebeln, sodass es Inhalte erzeugt oder Aktionen ausführt, die eigentlich gesperrt sind.
KI-Agent: Ein KI-Agent ist ein System, das ein Ziel selbstständig in mehrere Schritte zerlegt, dafür Werkzeuge nutzt und aus Zwischenergebnissen den nächsten Schritt ableitet — statt nur eine einzelne Antwort zu geben.
Kontextfenster (Context Window): Das Kontextfenster ist die maximale Textmenge — gemessen in Tokens — die ein Modell bei einer Anfrage gleichzeitig überblicken kann: Eingabe, mitgelieferte Dokumente und die eigene Antwort zusammen.
LLM (Large Language Model): Ein LLM ist ein großes Sprachmodell, das aus riesigen Textmengen gelernt hat, das jeweils nächste plausible Wort vorherzusagen — und daraus flüssige Antworten, Zusammenfassungen und Code erzeugt.
LLM-as-a-Judge: LLM-as-a-Judge nutzt ein zweites Sprachmodell als automatischen Prüfer, das die Antworten des ersten anhand klarer Kriterien bewertet — skalierbar, rund um die Uhr, mit begründetem Urteil.
LLM-Routing: LLM-Routing schickt jede Anfrage automatisch an das passende Modell: einfache Fälle an ein kleines, günstiges Modell, schwierige an ein großes — das senkt Kosten und Antwortzeiten, ohne die Qualität zu opfern.
MCP-Server (Model Context Protocol): Ein MCP-Server bindet über das offene Model Context Protocol genau ein System — Ihre Datenbank, Ihr CRM, Ihre Ablage — mit klar definierten, erlaubten Aktionen sicher an KI-Anwendungen an.
MLOps (LLMOps): MLOps bündelt die Praktiken, um KI-Anwendungen zuverlässig in Produktion zu bringen und zu halten — Versionierung, automatisiertes Testen, Deployment, Überwachung und kontrolliertes Aktualisieren.
Multi-Agent-Orchestrierung: Multi-Agent-Orchestrierung teilt eine komplexe Aufgabe auf mehrere spezialisierte Agenten auf und koordiniert deren Zusammenspiel — jeder mit klarer Zuständigkeit statt eines überladenen Alleskönners.
Observability (Tracing): Observability macht sichtbar, was in einer KI-Anwendung tatsächlich passiert: Welche Prompts liefen, welche Dokumente wurden herangezogen, welche Werkzeuge aufgerufen, was kostete es — nachvollziehbar bis zur einzelnen Anfrage.
Prompt Engineering: Prompt Engineering ist die Kunst, Anweisungen an ein Sprachmodell so zu formulieren, dass es zuverlässig das gewünschte Ergebnis liefert — klare Aufgabe, Beispiele, Format und Kontext statt vager Bitte.
Prompt Injection: Prompt Injection ist ein Angriff, bei dem manipulierte Eingaben oder Dokumente verborgene Anweisungen enthalten, die ein Sprachmodell dazu bringen sollen, seine Regeln zu missachten.
Prompt-Caching: Prompt-Caching speichert wiederkehrende Teile eines Prompts zwischen, sodass sie nicht bei jeder Anfrage neu verarbeitet werden müssen — das senkt Kosten und Antwortzeiten deutlich.
RAG (Retrieval-Augmented Generation): RAG heißt: Bevor das Sprachmodell antwortet, sucht das System in Ihren eigenen Dokumenten die passenden Stellen und legt sie als Kontext bei. Das Modell antwortet aus belegtem Material statt aus vagem Gedächtnis.
Red Teaming: Red Teaming ist das systematische Angreifen des eigenen KI-Systems, um Schwachstellen, unerwünschte Ausgaben und Umgehungsmöglichkeiten aufzudecken, bevor echte Angreifer oder Nutzer sie finden.
Reranking: Reranking ist ein Nachsortierschritt im Retrieval: Ein spezialisiertes Modell bewertet die zunächst gefundenen Treffer noch einmal genauer und stellt die wirklich relevantesten nach vorn.
Semantische Suche: Semantische Suche findet Inhalte nach ihrer Bedeutung statt nach exakten Stichwörtern. Eine Frage nach „Kündigungsfrist" findet so auch ein Dokument, das nur von „Vertragsende" spricht.
System-Prompt: Der System-Prompt ist die feste Grundanweisung, die einem Sprachmodell Rolle, Aufgabe, Tonfall und Grenzen vorgibt — noch bevor der Nutzer seine erste Frage stellt.
Temperatur (Temperature): Die Temperatur ist ein Regler zwischen 0 und etwa 1, der steuert, wie „kreativ" oder wie festgelegt ein Modell antwortet. Niedrig heißt vorhersehbar und konsistent, hoch heißt vielfältig und überraschend.
Token: Ein Token ist die kleinste Texteinheit, in die ein Sprachmodell Eingaben zerlegt — meist ein Wortteil. Modelle rechnen, denken und berechnen Kosten in Tokens, nicht in Wörtern.
Tool Calling (Function Calling): Tool Calling erlaubt einem Sprachmodell, definierte Funktionen aufzurufen — etwa eine Datenbank abfragen oder eine E-Mail senden. So kann es handeln, statt nur Text zu erzeugen.
Transformer: Der Transformer ist die neuronale Netzarchitektur hinter fast allen modernen Sprachmodellen. Sein Kernmechanismus — „Attention" — gewichtet, welche Wörter im Text füreinander wichtig sind.
Vektor-Retrieval: Vektor-Retrieval findet zu einer Frage die inhaltlich ähnlichsten Textstellen, indem es deren Embeddings vergleicht — die Nähe zweier Zahlenvektoren steht für inhaltliche Verwandtschaft.
Vektordatenbank: Eine Vektordatenbank speichert Embeddings und findet zu einem Suchvektor blitzschnell die ähnlichsten Einträge. Sie ist das Gedächtnis, aus dem RAG-Systeme relevante Dokumentauszüge holen.

Begriff verstanden — Vorhaben offen?

Lassen Sie uns besprechen, wie sich diese Konzepte konkret in Ihrem Unternehmen umsetzen lassen.

Projekt anfragen