Das KI-Glossar: 55 Begriffe in einfacher Sprache

Die Grundlagen

Das ist die Nachschlage-Version: 55 Begriffe, zuerst die Definition, dann das Detail. Willst du die sanftere Tour nur durch die Wörter, die in deiner ersten Woche zählen, lies stattdessen KI-Begriffe erklärt und komm zurück, wenn dich hier ein Begriff herschickt.

Künstliche Intelligenz

Künstliche Intelligenz ist Software, die Aufgaben erledigt, für die normalerweise menschliches Urteilsvermögen nötig ist, etwa Schreiben, Schlussfolgern oder Erkennen, was auf einem Bild zu sehen ist.

Im Alltagsgebrauch 2026 meint "KI" fast immer die Chat-Assistenten, die auf großen Sprachmodellen aufbauen, und nicht das breitere akademische Feld.

Maschinelles Lernen

Maschinelles Lernen ist die Technik, Software durch das Zeigen von Beispielen beizubringen, statt sie mit Regeln zu programmieren.

Jeder moderne KI-Assistent ist so gebaut: Das Verhalten entsteht aus Mustern in den Trainingsdaten, weshalb dasselbe Modell bei häufigen Aufgaben brillant und bei seltenen wackelig sein kann.

Modell

Ein Modell ist ein konkretes trainiertes KI-System, das Artefakt, an das du deinen Prompt tatsächlich schickst.

GPT, Claude und Gemini sind Modellfamilien; eine Familie enthält einzelne Modelle mit unterschiedlicher Größe, Geschwindigkeit und Preis. Zwischen ihnen je nach Aufgabe zu wählen ist die Kernfertigkeit, KI gut zu nutzen.

LLM (großes Sprachmodell)

Ein LLM, ein großes Sprachmodell, ist ein Modell, das mit riesigen Textmengen trainiert wurde, um vorherzusagen, welcher Text als Nächstes kommen sollte.

Dieser eine Trick, im großen Maßstab angewendet, erzeugt Antworten, Entwürfe, Code und Zusammenfassungen. Das "groß" bezieht sich sowohl auf die Trainingsdaten als auch auf die Anzahl der Parameter.

Chatbot

Ein Chatbot ist die Gesprächsoberfläche, die um ein Modell herum gebaut ist, das Ding mit dem Nachrichtenfeld.

Die Unterscheidung zählt beim Vergleichen von Produkten: Zwei Chatbots können dasselbe Modell umhüllen und sich trotzdem unterschiedlich anfühlen, und ein Chatbot kann viele Modelle anbieten, so wie Whizi funktioniert.

Prompt

Ein Prompt ist alles, was du dem Modell schickst: die Frage, die Anweisungen und jeder Text oder jede Datei, die du beifügst.

Die Qualität der Antwort folgt eng der Qualität des Prompts. Kontext, Einschränkungen und das gewünschte Ausgabeformat sind die drei Dinge, die Anfänger am häufigsten weglassen.

Token

Ein Token ist das kleine Textstück, das ein Modell tatsächlich liest und schreibt, im Schnitt etwa drei Viertel eines englischen Wortes.

Preise, Geschwindigkeit und Kontextfenster werden alle in Token gemessen, weshalb das Wort auf jeder KI-Preisseite auftaucht. Ein Dokument mit 1.000 Wörtern hat etwa 1.300 Token.

Kontextfenster

Ein Kontextfenster ist die maximale Textmenge, gemessen in Token, die ein Modell gleichzeitig berücksichtigen kann.

Dein Prompt, das bisherige Gespräch, angehängte Dokumente und die Antwort teilen sich dieses Fenster. Die Tabelle Vergleich der Kontextfenster listet die aktuelle Zahl für jedes große Modell auf, und die Erklärung erläutert, warum das die meisten Beschwerden über "die KI hat es vergessen" erklärt.

Parameter

Parameter sind die internen Zahlen, die ein Modell während des Trainings gelernt hat, und das übliche Maß für seine Größe.

Gezählt in Milliarden, bedeuten mehr Parameter grob mehr Fähigkeiten und mehr Kosten. Als alleiniges Einkaufskriterium taugt das wenig; Benchmarks und deine eigenen Tests schlagen die Parameteranzahl.

Antwort

Eine Antwort ist die Ausgabe des Modells zu einem Prompt, auch Completion genannt.

Antworten werden jedes Mal neu erzeugt, weshalb das erneute Generieren desselben Prompts eine andere Formulierung und manchmal eine andere Antwort liefert.

Mit einem Modell sprechen

System-Prompt

Ein System-Prompt ist die feste Anweisung, die ein Modell vor deiner Nachricht erhält und die seine Rolle, seinen Ton und seine Regeln festlegt.

Jedes Produkt hat einen, auch wenn du ihn nicht sehen kannst. Wenn ein Chatbot "eine Persönlichkeit hat", steckt sie meist im System-Prompt.

Prompt Engineering

Prompt Engineering ist die Praxis, Prompts gezielt zu formulieren, um zuverlässig bessere Ergebnisse zu erhalten.

Trotz des großen Namens ist das meiste davon einfache Klarheit: das Ziel nennen, Kontext geben, ein Beispiel zeigen, das Format benennen. Der Leitfaden für Einsteiger behandelt die Techniken, die wirklich etwas bewegen.

Zero-Shot

Zero-Shot bedeutet, ein Modell um eine Aufgabe zu bitten, ohne ihm dafür Beispiele zu geben.

Moderne Modelle bewältigen die meisten alltäglichen Aufgaben per Zero-Shot. Der Begriff überlebt vor allem als Gegenstück zum Few-Shot-Prompting.

Few-Shot

Few-Shot bedeutet, eine Handvoll durchgerechneter Beispiele in den Prompt aufzunehmen, damit das Modell das Muster übernimmt.

Es ist das mit Abstand günstigste Upgrade für Zuverlässigkeit bei formatempfindlicher Arbeit: zwei oder drei Beispiele aus Eingabe und gewünschter Ausgabe schlagen einen Absatz Beschreibung.

Chain of Thought

Chain of Thought bedeutet, dass ein Modell Zwischenschritte durcharbeitet, bevor es seine endgültige Antwort gibt.

Ein Modell zu bitten, Schritt für Schritt zu denken, verbessert messbar schwere Probleme, und Reasoning-Modelle tun heute standardmäßig intern eine Version davon.

Temperatur

Temperatur ist die Einstellung, die steuert, wie viel Zufälligkeit ein Modell bei der Wahl jedes nächsten Tokens hinzufügt.

Niedrige Temperatur liefert konsistente, vorsichtige Ausgaben; hohe Temperatur liefert Vielfalt und gelegentlichen Unsinn. Chat-Produkte wählen meist einen mittleren Wert für dich.

Streaming

Streaming bedeutet, dass das Modell seine Antwort Token für Token sendet, während es sie erzeugt, statt alles auf einmal nach Fertigstellung.

Deshalb wirkt es, als würden Antworten sich selbst tippen, und deshalb lässt sich eine schlechte Antwort frühzeitig stoppen, statt sie abzuwarten.

Regenerieren

Regenerieren bedeutet, für denselben Prompt eine neue Antwort anzufordern.

Da das Erzeugen probabilistisch abläuft, ist ein Regenerieren ein wirklich neuer Ziehungsversuch, keine Wiederholung derselben Berechnung. Zwei Ziehungen zu vergleichen, oder denselben Prompt bei zwei Modellen, ist eine schnelle Qualitätsprüfung.

Wie Modelle entstehen

Training

Training ist der Vorgang, die Parameter eines Modells anhand von Daten so anzupassen, bis seine Vorhersagen gut werden.

Es passiert, bevor du dem Modell je begegnest, und kostet den Anbieter enorme Rechenleistung. Nichts, was du in einen Chat tippst, trainiert das Modell im Moment neu, auch wenn Anbieter Gespräche je nach Richtlinie zum Training künftiger Versionen nutzen können.

Trainingsdaten

Trainingsdaten sind der Text und das sonstige Material, aus dem ein Modell gelernt hat.

Ihre Breite erklärt, was ein Modell weiß, ihre Lücken erklären systematische blinde Flecken, und ihr Datumsbereich legt den Trainingsstichtag fest.

Pretraining

Pretraining ist die erste, größte Phase des Trainings, in der ein Modell aus Massentext Sprache und Weltwissen lernt.

Das Ergebnis ist fähig, aber roh. Alles, was ein Modell wie einen hilfreichen Assistenten wirken lässt, kommt danach.

Fine-Tuning

Fine-Tuning ist zusätzliches Training auf einem engeren Datensatz, um ein vortrainiertes Modell zu spezialisieren oder zu formen.

Anbieter machen Fine-Tuning für Hilfsbereitschaft und Sicherheit; Unternehmen machen es für Aufgaben in ihrer Domäne. Für die meisten Nutzer schlägt gutes Prompting plus ein fähiges Allzweckmodell die Bezahlung für ein Fine-Tuning.

RLHF

RLHF, Reinforcement Learning from Human Feedback, ist das Trainieren eines Modells anhand menschlicher Bewertungen seiner Antworten.

Es ist ein großer Grund dafür, warum moderne Assistenten höflich, strukturiert und vorsichtig sind. Übertrieben erzeugt es auch das Ausweichen, das manche Modelle ablehnen oder schwammig antworten lässt.

Alignment

Alignment ist die Arbeit, das Verhalten eines Modells mit menschlicher Absicht und menschlichen Werten in Einklang zu bringen.

In der Praxis reicht das vom Ablehnen schädlicher Anfragen bis zum einfachen präzisen Befolgen von Anweisungen. Wenn ein Modell etwas technisch Beeindruckendes, aber Unerwünschtes tut, ist das eine Alignment-Lücke.

Inferenz

Inferenz bedeutet, ein trainiertes Modell laufen zu lassen, um eine Antwort zu erzeugen, im Gegensatz zum Trainieren.

Jede Nachricht, die du schickst, löst Inferenz aus, und die Inferenzkosten sind das, was die Token-Preise messen. Günstig zu betreibende Modelle können bemerkenswert fähig sein; der AI Model Cost Index zeigt eine Preisspanne von 2.000x.

Transformer

Der Transformer ist die neuronale Netzwerkarchitektur hinter praktisch jedem modernen Sprachmodell.

Sein Schlüsselmechanismus, Attention, lässt das Modell jeden Teil der Eingabe gegen jeden anderen Teil abwägen. Die Details brauchst du nie, aber das Wort taucht überall in Texten über KI auf.

Wenn etwas schiefgeht

Halluzination

Eine Halluzination ist, wenn ein Modell etwas Falsches mit voller Überzeugung behauptet.

Es ist kein Fehler, der im nächsten Release gepatcht wird, sondern folgt daraus, wie das Erzeugen funktioniert. Die Häufigkeit variiert stark je nach Modell und Aufgabe. Behandle jede konkrete Tatsache, Zahl oder Quellenangabe als ungeprüft, bis du sie kontrolliert hast. Warum KI Fehler macht behandelt die Mechanik.

Grounding

Grounding bedeutet, einem Modell verlässliches Material zu geben, aus dem es antworten kann, statt es sich auf sein Gedächtnis verlassen zu lassen.

Den Vertrag einfügen, den Bericht anhängen oder die Websuche aktivieren, das ist alles Grounding. Es ist die wirksamste alltägliche Verteidigung gegen Halluzination.

Bias

Bias bedeutet, dass ein Modell seine Ausgaben systematisch in Richtungen verzerrt, die es aus den Trainingsdaten geerbt hat.

Das zeigt sich als Annahmen über Menschen, Orte und Standardwerte. Bei folgenreichen Entscheidungen solltest du KI-Ausgaben so prüfen, wie du die Arbeit eines klugen, aber ungeprüften Praktikanten prüfen würdest.

Guardrails

Guardrails sind die Einschränkungen, die ein Anbieter um ein Modell herum baut, um schädliche oder richtlinienwidrige Ausgaben zu blockieren.

Verschiedene Anbieter ziehen die Grenzen unterschiedlich, was ein echter Produktunterschied ist: Dieselbe Anfrage kann von einem Modell beantwortet und von einem anderen abgelehnt werden.

Jailbreak

Ein Jailbreak ist ein Prompt, der so gestaltet ist, dass er ein Modell dazu bringt, seine Guardrails zu ignorieren.

Anbieter patchen sie fortlaufend. Für gewöhnliche Nutzer zählt der Begriff vor allem als Sicherheitskonzept: Alles, wozu sich ein Modell überreden lässt, wird irgendjemand versuchen, es zu überreden.

Red Teaming

Red Teaming bedeutet, ein Modell vor der Veröffentlichung gezielt anzugreifen, um schädliche Fehlerarten zu finden.

Anbieter setzen interne und externe Red Teams ein, und veröffentlichte Modellkarten fassen oft zusammen, was sie gefunden haben. Es ist das KI-Äquivalent zu einem Penetrationstest.

Trainingsstichtag

Ein Trainingsstichtag ist das Datum, nach dem die Trainingsdaten eines Modells enden.

Frag nach etwas Neuerem, und das Modell gibt entweder zu, es nicht zu wissen, durchsucht das Web, wenn es kann, oder halluziniert. Den Stichtag des Modells zu kennen, das du nutzt, verhindert eine ganze Kategorie von Fehlern.

Retrieval und deine Daten

RAG (Retrieval Augmented Generation)

RAG, Retrieval Augmented Generation, bedeutet, zuerst relevante Dokumente zu holen und das Modell daraus antworten zu lassen.

So funktionieren "Chatte mit deiner Wissensdatenbank"-Produkte im Kern, und deshalb können sie Quellen angeben. RAG verringert Halluzination, erbt aber die Qualität von allem, was es abruft.

Embedding

Ein Embedding ist eine Liste von Zahlen, die die Bedeutung eines Textstücks darstellt.

Texte mit ähnlicher Bedeutung erhalten benachbarte Zahlen, wodurch Software verwandte Passagen mathematisch finden kann. Embeddings sind die Maschinerie hinter semantischer Suche und RAG.

Vektordatenbank

Eine Vektordatenbank ist eine Datenbank, die gebaut ist, um Embeddings zu speichern und die nächstgelegenen schnell zu finden.

Wenn ein Produkt sagt, es habe deine Dokumente für die KI-Suche "indexiert", steckt für jedes Textstück ein Embedding in einer solchen Datenbank.

Semantische Suche

Semantische Suche bedeutet, Text nach Bedeutung statt nach Übereinstimmung von Schlüsselwörtern zu finden.

Die Suche nach "Geldprobleme" kann eine Passage über Liquiditätsengpässe zutage fördern, obwohl kein Wort übereinstimmt. Das sind Embeddings bei der Arbeit.

Chunking

Chunking bedeutet, lange Dokumente in Stücke zu teilen, die klein genug sind, um gut eingebettet und abgerufen zu werden.

Das klingt nach Klempnerarbeit, und das ist es auch, aber schlechtes Chunking ist ein häufiger Grund, warum Dokumenten-Chat-Tools aus dem falschen Teil einer Datei antworten.

Websuche (bei KI)

Websuche bei KI bedeutet, dass das Modell aktuelle Seiten abruft, bevor es antwortet, statt sich auf sein Trainingsgedächtnis zu verlassen.

Sie tauscht Geschwindigkeit gegen Aktualität und lässt Antworten Quellenangaben tragen, die du öffnen kannst. Für alles nach dem Trainingsstichtag des Modells ist das der Unterschied zwischen einer Antwort und einer Vermutung.

Wissensdatenbank

Eine Wissensdatenbank ist die kuratierte Sammlung von Dokumenten, die ein Unternehmen seiner KI zum Antworten gibt.

Qualität rein, Qualität raus: Ein Assistent, der auf einem veralteten Wiki basiert, liefert selbstbewusst veraltete Antworten, samt Quellenangaben.

Drei Begriffe in diesem Glossar nennen konkurrierende Antworten auf dieselbe Frage, nämlich wie man ein Modell für die eigene Aufgabe besser macht, und sie zu verwechseln ist der häufigste Fachjargon-Fehler in Produktmeetings. Nebeneinander:

Ansatz	Was sich ändert	Kosten und Geschwindigkeit	Wann er gewinnt
Besseres Prompting (Zero-Shot, Few-Shot)	Nur der Text, den du sendest	Kostenlos, dauert Minuten	Fast immer der erste Schritt; zwei oder drei durchgerechnete Beispiele lösen die meisten Formatierungsprobleme
RAG	Was das Modell vor dem Antworten liest	Mittlerer Aufwand beim Aufbau, kein erneutes Training	Antworten, die aktuell bleiben müssen oder aus deinen eigenen Dokumenten zitieren
Fine-Tuning	Die eigenen Parameter des Modells	Langsam und teuer, dann festgelegt	Stabile Stil- und Formatanforderungen im großen Maßstab, fast nie für eine einzelne Person

Jenseits von Text

Multimodal

Multimodal bedeutet ein Modell, das über mehr als ein Medium hinweg arbeitet, etwa Text plus Bilder, Audio oder Video.

Deshalb kannst du einen Fehler als Screenshot schicken und fragen, was los ist. Der Leitfaden zu multimodaler KI behandelt, was heute tatsächlich funktioniert.

Vision-Modell

Ein Vision-Modell ist ein Modell, das Bilder interpretieren kann: Fotos, Screenshots, Diagramme und Dokumente.

Lesen ist nicht dasselbe wie Erzeugen; ein Modell kann dein Diagramm perfekt beschreiben und trotzdem unfähig sein, eines zu zeichnen.

Bilderzeugung

Bilderzeugung bedeutet, aus einer Textbeschreibung neue Bilder zu erzeugen.

Qualität, Stilbandbreite und die Darstellung von Text in Bildern unterscheiden sich stark zwischen den Generatoren, weshalb ernsthafte Nutzer mehrere vergleichen. Die Übersicht der Bildgeneratoren bleibt am Feld dran.

Diffusionsmodell

Ein Diffusionsmodell erzeugt Bilder, indem es von Rauschen ausgeht und es schrittweise in Richtung der Beschreibung verfeinert.

Es ist die vorherrschende Technik hinter modernen Bildgeneratoren. Das Wort zählt vor allem, damit "Diffusion" in einem Produktnamen dir sagt, was das Produkt tut.

Sprache-zu-Text

Sprache-zu-Text bedeutet, gesprochenes Audio in geschriebene Worte umzuwandeln.

Moderne Transkription ist genau genug, um Meetings, Sprachnotizen und Interviews durchsuchbar zu machen, und so funktioniert Spracheingabe in Chat-Apps.

Text-zu-Sprache

Text-zu-Sprache bedeutet, aus geschriebenen Worten gesprochenes Audio zu erzeugen.

Aktuelle Systeme erzeugen natürliche, ausdrucksstarke Stimmen, die Vorlesefunktionen und KI-Sprachgespräche antreiben.

Das Ökosystem

API

Eine API ist die programmatische Tür, über die Entwickler Prompts aus ihrer eigenen Software an ein Modell schicken.

API-Preise gelten pro Token, und daher stammt letztlich die Kostenrechnung pro Antwort für jedes KI-Produkt.

Offene Gewichte

Offene Gewichte bedeutet, dass die trainierten Parameter eines Modells veröffentlicht werden, sodass jeder sie herunterladen und ausführen kann.

Das ermöglicht Self-Hosting und lässt andere Anbieter das Modell auf ihrer eigenen Infrastruktur bereitstellen. DeepSeek und Llama sind die bekannten Beispiele.

Open-Source-Modell

Ein Open-Source-Modell ist im weiteren Sinne ein Modell, das zur öffentlichen Nutzung und Veränderung freigegeben ist, wobei die Lizenzen stark variieren.

Die praktischen Fragen sind immer dieselben zwei: Darfst du es kommerziell nutzen, und wer hostet es für dich. Das Open-Weights-Ökosystem zählt am meisten, wenn Datenschutz oder Kosten gehostete Flaggschiffe ausschließen.

Benchmark

Ein Benchmark ist ein Standardtest, um Modelle zu bewerten und zu vergleichen.

Nützlich für eine erste Einschätzung, im Marketing routinemäßig überstrapaziert. Ein Modell, das einen Benchmark anführt, kann bei deiner tatsächlichen Arbeit trotzdem verlieren, weshalb dein eigener Drei-Aufgaben-Vergleich Diagramme schlägt.

Agent

Ein Agent ist ein KI-System, das in Schritten auf ein Ziel hinarbeitet, statt nur einmal zu antworten.

Buchen, Recherchieren, Programmieren und Tickets anlegen sind Agenten-Terrain. Die Fähigkeit ist real und verbessert sich schnell, ebenso die Notwendigkeit, zu prüfen, was ein Agent getan hat, bevor es zählt.

Tool-Nutzung

Tool-Nutzung, auch Function Calling genannt, bedeutet, dass ein Modell externe Fähigkeiten aufruft wie Suche, Taschenrechner, Code oder deinen Kalender.

So handeln Chat-Assistenten in der Welt, statt sie nur zu beschreiben, und das ist der Mechanismus hinter Agenten.

Reasoning-Modell

Ein Reasoning-Modell ist eines, das zusätzliche Rechenleistung darauf verwendet, ein Problem intern zu durchdenken, bevor es antwortet.

Der Tausch ist Zeit und Kosten gegen Genauigkeit bei schweren Problemen. Bei einfachen Fragen bringt das zusätzliche Nachdenken nichts, was ein weiteres Argument dafür ist, Modelle je nach Aufgabe zu wechseln.

Latenz

Latenz ist die Wartezeit zwischen dem Senden eines Prompts und dem Eintreffen oder Beginn des Streamings der Antwort.

Sie variiert je nach Modellgröße, Auslastung und ob das Modell ein Reasoning-Modell ist. Für interaktive Arbeit schlägt ein schnelles, gut genug funktionierendes Modell oft ein langsames, brillantes.

Rate Limit

Ein Rate Limit ist die Obergrenze, die ein Anbieter dafür setzt, wie viele Anfragen oder Token du in einem Zeitfenster nutzen kannst.

Dagegen zu stoßen ist der übliche Grund, warum ein Chat-Produkt dich bittet zu warten oder upzugraden. Nachrichtenobergrenzen bei Abo-Plänen sind Rate Limits mit freundlicherem Namen.

Das Glossar nützlich halten

Begriffe altern in diesem Feld schnell. Diese Seite wird als Nachschlagewerk gepflegt: Einträge werden umgeschrieben, wenn sich der Sprachgebrauch verschiebt, und die verlinkten Vertiefungsleitfäden tragen das Detail, das nicht in eine Definition passt.

Fehlt hier ein Begriff, den du irgendwo draußen triffst, ist der schnellste Weg, den Satz, in dem du ihn gefunden hast, in ein fähiges Modell einzufügen und nach der Definition im Kontext zu fragen. In Whizi kannst du zwei Modelle gleichzeitig fragen und bemerken, wenn sie sich widersprechen, was bei neuem Fachjargon überraschend oft vorkommt.