Glossar

Das Glossar erklärt zentrale Begriffe der Wissensbasis. Begriffe sind alphabetisch sortiert. Querverweise auf Module/Übungseinheiten finden Sie in eckigen Klammern.

A2A (Agent-to-Agent-Protokoll) Ein emergierender Standard für die Kommunikation zwischen KI-Agenten verschiedener Systeme oder Frameworks. A2A ermöglicht, dass spezialisierte Agenten Aufgaben und Informationen untereinander austauschen, ohne dass ein zentraler Orchestrierer jeden Schritt koordinieren muss. Zusammen mit → MCP bildet A2A die Infrastruktur für dezentrale Multi-Agent-Systeme. Der Standard befindet sich noch in früher Entwicklung; für Unternehmensanwendungen ist das Konzept als Zukunftsperspektive relevant. → [UE 9]

Adversarial Attack (Adversarialer Angriff) Ein Angriff auf ein KI-System, bei dem sorgfältig konstruierte Eingaben das Modell dazu bringen, systematisch falsche oder unerwünschte Ausgaben zu produzieren. Im Bereich Bildklassifikation können minimale, für Menschen unsichtbare Pixelveränderungen ein KI-Modell dazu bringen, ein Bild völlig falsch zu klassifizieren. Im LLM-Bereich äußern sich adversariale Angriffe als → Prompt Injections oder spezielle Textsequenzen, die Modellverhalten destabilisieren. Adversarielle Robustheit ist ein aktives Forschungsfeld. → [UE 97, UE 98]

Agent (KI-Agent) Ein KI-System, das nicht nur auf einzelne Eingaben antwortet, sondern eigenständig eine Abfolge von Schritten plant und ausführt, um ein übergeordnetes Ziel zu erreichen. Dazu ruft ein Agent Werkzeuge auf (z. B. Web-Suche, Code-Ausführung, Datenbankabfragen), wertet deren Ergebnisse aus und entscheidet, welcher nächste Schritt sinnvoll ist. Im Unterschied zu einem einfachen Chatbot handelt ein Agent mit einem gewissen Maß an Autonomie. Die Aufsicht durch Menschen (→ HITL) bleibt dennoch unerlässlich, da Agenten Fehler propagieren und unvorhergesehene Aktionen auslösen können. → [UE 8, UE 9]

Agentic Workflow Ein KI-gestützter Arbeitsablauf, bei dem ein oder mehrere → Agenten eigenständig mehrstufige Aufgaben planen und ausführen — z. B. einen Bericht recherchieren, strukturieren, schreiben und formatieren. Agentic Workflows unterscheiden sich von einfachen Prompt-Antwort-Zyklen durch ihre Mehrstufigkeit, Werkzeugnutzung und Entscheidungsautonomie. Für Unternehmen bieten agentic Workflows erhebliches Automatisierungspotenzial bei komplexen Wissensarbeitsprozessen, erfordern aber sorgfältige Governance (→ Least Privilege, → HITL, Monitoring). → [UE 8, UE 9]

AGI (Artificial General Intelligence / Allgemeine Künstliche Intelligenz) Ein hypothetisches KI-System, das intellektuelle Aufgaben auf dem Niveau eines Menschen oder darüber hinaus in beliebigen Domänen ausführen kann — nicht nur in spezialisierten Teilbereichen. AGI ist der Gegenbegriff zu → Narrow AI. Kein existierendes System erfüllt bisher die Kriterien für AGI, obwohl einige Unternehmen ankündigen, kurz davor zu stehen. Für KI-Anwender ist AGI vor allem als konzeptioneller Bezugspunkt relevant: Die heutigen Modelle sind eindrucksvoll, aber sie sind keine allgemeinen Denkmaschinen, sondern hochspezialisierte Sprachstatistiksysteme. → [UE 1, UE 2]

AI Act (EU-KI-Verordnung) Die Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates reguliert die Entwicklung und den Einsatz von KI-Systemen in der EU nach einem risikobasierten Ansatz. KI-Systeme werden in vier Risikokategorien eingestuft: inakzeptables Risiko (verboten), hohes Risiko (strenge Anforderungen), begrenztes Risiko (Transparenzpflichten) und minimales Risiko (keine spezifischen Pflichten). Für Unternehmen sind insbesondere Artikel 4 (AI-Literacy-Pflicht), Artikel 26 (Deployer-Pflichten) und die Anhänge zu Hochrisiko-Anwendungen relevant. Viele Artikel gelten seit dem 2. August 2026 vollumfänglich. → [UE 1, UE 13 ff.]

AI Literacy (Art. 4 AI Act) Der Begriff bezeichnet die Gesamtheit der Kenntnisse, Fähigkeiten und das Verständnis, die erforderlich sind, um KI-Systeme sachkundig einzusetzen, ihre Ausgaben kritisch zu bewerten und ihre gesellschaftlichen Auswirkungen einzuschätzen. Artikel 4 des AI Act verpflichtet Anbieter und Betreiber von KI-Systemen, dafür zu sorgen, dass ihre Mitarbeitenden über ein hinreichendes Maß an KI-Kompetenz verfügen. Die vorliegende Qualifizierungsmaßnahme ist unmittelbar auf die Erfüllung dieser Anforderung ausgerichtet. AI Literacy umfasst sowohl technisches Grundverständnis als auch ethische und rechtliche Urteilsfähigkeit. → [UE 1, UE 13]

AI Office (Europäisches KI-Büro) Eine 2024 gegründete Behörde der Europäischen Kommission, die für die Aufsicht über GPAI-Modelle (General Purpose AI Models) mit systemischem Risiko zuständig ist und die kohärente Umsetzung des EU AI Act koordiniert. Das AI Office erarbeitet technische Standards, Leitlinien und Codes of Practice. Für Unternehmen ist das AI Office als Anlaufstelle für offizielle Interpretationen des AI Act relevant, auch wenn die primäre Aufsicht über nationale Behörden erfolgt. (EU AI Act, Erwägungsgrund 143 ff.) → [UE 13]

AI Safety (KI-Sicherheitsforschung) Das Forschungsfeld, das sich mit der Sicherstellung befasst, dass KI-Systeme zuverlässig, kontrollierbar und im Einklang mit menschlichen Werten handeln — insbesondere bei leistungsstarken Systemen. AI Safety umfasst technische Disziplinen wie Alignment-Forschung, Interpretierbarkeit und robustes Training sowie politische und gesellschaftliche Dimensionen. Für Unternehmen ist AI Safety weniger eine abstrakte Forschungsdisziplin als ein praktisches Rahmenkonzept: Guardrails, HITL und Governance-Prozesse sind die betriebliche Entsprechung von AI-Safety-Prinzipien. → [UE 13, UE 97, UE 98]

Aleph Alpha Ein deutsches KI-Unternehmen (gegründet 2019, Heidelberg), das mit Pharia und Luminous eigene Sprachmodelle entwickelt. Aleph Alpha hat sich in Richtung Enterprise-Lösungen für Behörden und kritische Infrastrukturbereiche positioniert und betreibt Rechenzentren in Deutschland. Für europäische Unternehmen mit besonders hohen Datenschutzanforderungen oder Anforderungen an digitale Souveränität ist Aleph Alpha eine relevante Alternative zu US-amerikanischen Anbietern. → [UE 3]

AlexNet Das tiefe neuronale Netz, mit dem Geoffrey Hintons Team 2012 den ImageNet-Wettbewerb gewann und die Deep-Learning-Ära einläutete. AlexNet erzielte eine Top-5-Fehlerrate von 15,3 % gegenüber 26,2 % des zweitbesten Ansatzes — ein Sprung, der die Computer-Vision-Community schockierte. AlexNet war das erste Modell, das konsequent GPU-Beschleunigung und Dropout-Regularisierung kombinierte. Es gilt als historischer Wendepunkt, nach dem neuronale Netze zur dominierenden Methode in der KI-Forschung wurden. → [UE 2]

Alignment (KI-Ausrichtung) Das Problem, KI-Systeme so zu trainieren und zu gestalten, dass sie konsistent mit den Werten, Absichten und Interessen ihrer Entwickler und Nutzer handeln. Alignment umfasst technische Ansätze wie → RLHF und → Constitutional AI sowie konzeptionelle Fragen darüber, welche Ziele und Werte in Modelle eingebettet werden sollen. Fehlgeleitetes Alignment kann dazu führen, dass Modelle formal korrekt auf Anweisungen reagieren, aber auf unerwünschte Weise optimieren. → [UE 4, UE 97, UE 98]

Ampel-Freigabemodell Ein internes Steuerungsinstrument für den Einsatz von KI-Werkzeugen im Unternehmen, das Anwendungsfälle nach ihrer datenschutz- und compliance-rechtlichen Unbedenklichkeit bewertet. Grün steht für Anwendungsfälle, die ohne Einschränkung freigegeben sind (z. B. Textformulierungen ohne personenbezogene Daten). Gelb bezeichnet Fälle, die einer Einzelfallprüfung bedürfen oder nur unter bestimmten Bedingungen erlaubt sind. Rot kennzeichnet Anwendungsfälle, die aus rechtlichen oder sicherheitstechnischen Gründen nicht zulässig sind. Das Modell dient als pragmatisches Entscheidungshilfsmittel für den Arbeitsalltag und ersetzt keine vollständige rechtliche Prüfung. → [UE 13, UE 14]

Anhang III AI Act (Hochrisiko-Anwendungsfelder) Der dritte Anhang des EU AI Act listet die Anwendungsfelder auf, in denen KI-Systeme grundsätzlich als Hochrisiko-Systeme eingestuft werden — darunter biometrische Identifizierung, kritische Infrastrukturen, Bildung, Beschäftigung und Personalverwaltung, grundlegende private und öffentliche Dienste, Strafverfolgung, Migration und Rechtspflege. Für Unternehmen ist Anhang III der erste Prüfpunkt, um einzuschätzen, ob eine KI-Anwendung unter das Hochrisiko-Regime fällt. (EU AI Act Art. 6 i.V.m. Anhang III) → [UE 13, UE 14]

ANN (Approximate Nearest Neighbor Search / Approximate-Nearest-Neighbor-Suche) Eine Klasse von Algorithmen, die in hochdimensionalen Vektorräumen effizient die k nächsten Nachbarn eines Suchvektors findet — nicht exakt, aber mit hoher Geschwindigkeit und akzeptabler Genauigkeit. ANN-Algorithmen (z. B. HNSW — Hierarchical Navigable Small World) sind die Grundlage moderner → Vektorstores und ermöglichen die Suche in Millionen von Vektoren in Millisekunden. Exakte Nearest-Neighbor-Suche wäre bei großen Mengen zu rechenaufwendig. → [UE 7, UE 28]

Anthropic Ein 2021 von ehemaligen OpenAI-Mitarbeitenden gegründetes US-amerikanisches KI-Sicherheitsunternehmen, das die Claude-Modellfamilie entwickelt. Anthropic legt besonderen Schwerpunkt auf sichere und interpretierbare KI — entwickelt unter anderem das Konzept der → Constitutional AI. Hauptinvestoren sind Amazon und Google. Claude-Modelle gehören zu den leistungsstärksten verfügbaren LLMs und werden über API und das Claude.ai-Interface angeboten. Für Unternehmen bietet Anthropic Enterprise-Verträge mit erweiterten Datenschutzgarantien. → [UE 3]

API (Application Programming Interface) Eine definierte Schnittstelle, über die zwei Softwaresysteme miteinander kommunizieren. Im KI-Kontext bezeichnet „API” typischerweise den programmatischen Zugang zu einem Sprachmodell, etwa der OpenAI-API oder der Azure-OpenAI-API. Über eine API können Anwendungen Anfragen an das Modell stellen und strukturierte Antworten empfangen, ohne dass eine grafische Oberfläche erforderlich ist. Für Personen ohne Entwicklungshintergrund ist die API vor allem als Konzept wichtig: Sie erklärt, wie KI-Funktionen in bestehende Unternehmensanwendungen integriert werden. → [UE 3, UE 12]

Art. 26 AI Act (Deployer-Pflichten) Artikel 26 des EU AI Act legt die Pflichten von → Deployern (Betreibern) fest, die Hochrisiko-KI-Systeme einsetzen: Sicherstellung menschlicher Aufsicht, Dokumentation und Protokollierung, Durchführung von Datenschutz-Folgenabschätzungen, Meldung von schwerwiegenden Vorfällen an die zuständige Marktaufsichtsbehörde sowie Sicherstellung ausreichender AI Literacy bei den Nutzenden. Für Unternehmen ist Art. 26 der zentrale Pflichtenkatalog, wenn sie KI-Systeme Dritter in Hochrisiko-Kontexten einsetzen. → [UE 13, UE 14]

Art. 5 AI Act (Verbotene KI-Praktiken) Artikel 5 des EU AI Act verbietet bestimmte KI-Anwendungen als mit grundlegenden Rechten unvereinbar: u. a. unterschwellige Manipulationstechniken, die Ausnutzung von Schwächen vulnerabler Gruppen, biometrische Kategorisierung nach politischen Ansichten oder Rasse, Echtzeit-Biometrie im öffentlichen Raum (mit engen Ausnahmen) und Social Scoring durch staatliche Stellen. Diese Verbote gelten seit dem 2. August 2025. Für Unternehmen ist wichtig: Auch als Auftraggeber einer verbotenen Anwendung haftet man. → [UE 13]

Art. 50 AI Act (Transparenzpflichten) Artikel 50 des EU AI Act verpflichtet Betreiber bestimmter KI-Systeme zu Transparenzmaßnahmen: KI-generierte Texte, Bilder, Audio und Video müssen als maschinell erzeugt gekennzeichnet werden (z. B. durch Wasserzeichen oder Metadaten), wenn sie zur Täuschung geeignet sind. Chatbots müssen sich als KI zu erkennen geben, sofern nicht offensichtlich. Die Kennzeichnungspflicht ist unmittelbar anwendbar und besonders relevant für Unternehmen, die KI-generierte Inhalte veröffentlichen oder in Kundenkommunikation einsetzen. → [UE 13]

Art. 6 AI Act (Hochrisiko-Klassifizierung) Artikel 6 des EU AI Act legt die Kriterien fest, nach denen KI-Systeme als Hochrisiko eingestuft werden: entweder weil sie in den in → Anhang III aufgeführten Anwendungsfeldern eingesetzt werden oder weil sie als Sicherheitskomponente eines in Anhang II genannten Produkts fungieren. Hochrisiko-Systeme unterliegen einem strengen Anforderungskatalog: Risikomanagement, Datenqualität, technische Dokumentation, menschliche Aufsicht, Genauigkeit und Robustheit. (EU AI Act Art. 6) → [UE 13, UE 14]

ASR (Automatic Speech Recognition / Automatische Spracherkennung) Technologie zur automatischen Umwandlung gesprochener Sprache in Text. ASR ist die Grundlage für Sprachassistenten, Meeting-Transkription und sprachgesteuerte Eingabe. Moderne ASR-Systeme wie OpenAI Whisper erreichen für viele Sprachen und Akzente hohe Erkennungsgenauigkeit, machen aber bei Fachvokabular, starken Dialekten oder schlechter Audioqualität noch Fehler. Im Unternehmenskontext sind ASR-Systeme oft Teil von Compliance-relevanten Anwendungen (z. B. Anruf-Transkription), was datenschutzrechtliche Prüfungen erforderlich macht. → [UE 10]

Attention-Mechanismus (Attention Mechanism) Das zentrale mathematische Prinzip hinter der → Transformer-Architektur. Der Attention-Mechanismus erlaubt es einem Modell, beim Verarbeiten eines Tokens gleichzeitig alle anderen Tokens im Kontext zu berücksichtigen und dynamisch zu gewichten, welche davon für die aktuelle Vorhersage relevant sind. Das Prinzip „Self-Attention” wurde 2017 im Paper „Attention Is All You Need” eingeführt und revolutionierte die Verarbeitung natürlicher Sprache. Als Anwender muss man den Mechanismus nicht mathematisch verstehen, aber das Konzept erklärt, warum längere Kontextfenster rechenaufwendiger sind. → [UE 2, UE 4]

Autonomiestufen (KI-Autonomie) Ein Konzept zur Klassifikation des Grades, in dem ein KI-System eigenständig handelt, ohne menschliche Aufsicht. Verbreitet sind fünf Stufen: (1) vollständig manuell, (2) KI-Vorschlag mit menschlicher Entscheidung, (3) KI-Entscheidung mit menschlicher Überprüfung, (4) KI-Entscheidung mit Ausnahme-Eskalation, (5) vollständig autonome KI-Entscheidung. Für Compliance und → HITL-Design ist die bewusste Wahl der Autonomiestufe je Anwendungsfall unerlässlich. → [UE 9, UE 13]

AVV (Auftragsverarbeitungsvertrag) Ein Vertrag nach Art. 28 DSGVO, den ein Unternehmen (Verantwortlicher) mit jedem Dienstleister (Auftragsverarbeiter) abschließen muss, der in dessen Auftrag personenbezogene Daten verarbeitet. Wenn Sie als Unternehmen einen KI-Dienst nutzen, der personenbezogene Daten Ihrer Kunden, Mitarbeitenden oder Interessenten verarbeitet, ist ein AVV zwingend erforderlich. Fehlt er, liegt ein Datenschutzverstoß vor. Die meisten Anbieter stellen entsprechende Standardverträge bereit, die sorgfältig geprüft werden müssen. → [UE 14]

Backpropagation Der Algorithmus, mit dem neuronale Netze während des Trainings lernen. Nach jeder Vorhersage wird der Fehler berechnet und rückwärts durch das Netz geleitet, um die Gewichte jeder Schicht anzupassen. Die praktikable Version des Algorithmus wurde 1986 von Rumelhart, Hinton und Williams popularisiert und ist bis heute die Grundlage des Deep-Learning-Trainings. Ohne Backpropagation wäre das Training tiefer neuronaler Netze nicht möglich. Für Anwender ist das Konzept als historischer und technischer Hintergrund relevant. → [UE 2]

Benchmark Ein standardisierter Test oder Datensatz, mit dem die Leistung eines KI-Modells auf einer definierten Aufgabe gemessen und mit anderen Modellen verglichen wird. Wichtige Benchmarks sind MMLU (Faktenwissen), HumanEval (Code-Generierung), GPQA (wissenschaftliches Reasoning) und Chatbot Arena (menschliche Präferenz im Blindtest). Benchmarks geben Orientierung, sind aber mit Vorsicht zu genießen: Modelle können auf Benchmark-Datensätze überoptimiert sein, und die Fähigkeit für die eigene konkrete Aufgabe wird von Standard-Benchmarks oft nicht gemessen. → [UE 3]

BERT (Bidirectional Encoder Representations from Transformers) Ein 2018 von Google veröffentlichtes Sprachmodell, das als → Encoder-Modell bidirektional Text verarbeitet und für Aufgaben wie Klassifikation, Sentiment-Analyse und Named-Entity-Recognition besonders stark ist. BERT prägte die moderne NLP-Ära vor der ChatGPT-Welle und ist bis heute Grundlage vieler spezialisierter Modelle. Im Gegensatz zu GPT-Modellen erzeugt BERT keinen Text, sondern repräsentiert ihn. Für Unternehmensanwendungen im Bereich Textklassifikation und Informationsextraktion bleibt BERT eine relevante Option. → [UE 3, UE 4]

Bias (Verzerrung) Systematische Abweichungen in den Ausgaben eines KI-Modells, die auf einseitige oder unrepräsentative Trainingsdaten, fehlerhafte Modellannahmen oder gesellschaftliche Vorurteile zurückzuführen sind. Bias kann sich in vielfältiger Form äußern: als Bevorzugung bestimmter demografischer Gruppen, als kulturelle Einseitigkeit oder als fachspezifische Fehlgewichtung. Im Unternehmenseinsatz ist Bias besonders kritisch, wenn KI-Ausgaben Entscheidungen unterstützen, die Menschen betreffen — etwa bei der Personalauswahl oder Kreditbewertung. Bias lässt sich nicht vollständig eliminieren, aber durch diverse Trainingsdaten, Evaluierung und Transparenz reduzieren. → [UE 5, UE 28]

Business Intelligence (BI) Systeme zur Analyse und Visualisierung vorhandener Daten — Dashboards, Reports, OLAP-Würfel. BI erzeugt keine Vorhersagen aus Daten, sondern wertet bestehende Daten aus. Der Übergang zu ML-gestützter prädiktiver Analytik ist fließend: Power BI mit AutoML-Funktion ist ein Beispiel für diese Hybridzone. BI-Systeme fallen nicht unter die KI-Definition des EU AI Act, sofern sie keine lernenden oder generativen Komponenten enthalten. Die Abgrenzung zu ML ist für Compliance-Fragen relevant. → [UE 1]

Chain-of-Thought (CoT / Gedankenkette) Eine Prompting-Technik, bei der das Modell explizit aufgefordert wird, seinen Lösungsweg schrittweise zu beschreiben, bevor es eine Antwort gibt. Durch den Zusatz „Denken Sie Schritt für Schritt” oder ähnliche Formulierungen verbessern sich bei komplexen Aufgaben Qualität und Nachvollziehbarkeit der Ausgaben erheblich. Chain-of-Thought ist besonders wirksam bei logischen Schlussfolgerungen, Rechenaufgaben und mehrstufigen Analysen. Es ist eine der am besten dokumentierten Prompt-Engineering-Techniken und in der wissenschaftlichen Literatur gut belegt. → [UE 5, UE 6]

Chroma Eine Open-Source-Vektordatenbank, die besonders für Entwicklung und kleinere Produktionsanwendungen im → RAG-Kontext genutzt wird. Chroma läuft in-memory oder persistent und ist einfach zu integrieren. Als Open-Source-Lösung eignet sich Chroma für On-Premise-RAG-Anwendungen ohne externe Datenweitergabe. Für sehr große Produktionssysteme werden skalierbarere Lösungen (→ Pinecone, → Weaviate) bevorzugt. → [UE 7, UE 28]

Chunking Die Aufteilung langer Dokumente in kleinere Textabschnitte (Chunks) für die Verarbeitung in → RAG-Systemen oder anderen KI-Pipelines. Da → LLMs ein begrenztes → Kontextfenster haben, können sehr lange Dokumente nicht auf einmal verarbeitet werden. Beim Chunking werden Texte in überschneidende oder nicht überschneidende Abschnitte zerlegt, die jeweils separat eingebettet (→ Embedding) und im → Vektorstore gespeichert werden. Gängige Strategien sind feste Zeichenanzahl, satzbasiertes Chunking oder semantisches Chunking. → [UE 7, UE 28]

CLIP (Contrastive Language-Image Pre-Training) Ein von OpenAI entwickeltes Modell, das Text und Bilder in einen gemeinsamen Vektorraum einbettet, sodass semantisch verwandte Text-Bild-Paare nah beieinander liegen. CLIP ermöglicht Text-zu-Bild-Suche, Zero-Shot-Bildklassifikation und ist eine Kernkomponente in Bildgenerierungssystemen wie → DALL·E und → Stable Diffusion. Das Konzept erklärt, wie Bildgenerierungssysteme einen Textprompt in relevante Bildmerkmale übersetzen. → [UE 10, UE 11]

Cloud (Hosting-Modell) Im KI-Kontext bezeichnet „Cloud” das Bereitstellungsmodell, bei dem KI-Modelle und -Dienste auf Servern eines Drittanbieters (z. B. Microsoft Azure, AWS, Google Cloud) betrieben werden und über das Internet zugänglich sind. Cloud-Dienste bieten schnellen Zugang, Skalierbarkeit und geringe Einstiegshürden, werfen aber Fragen zur Datensouveränität und zum Datenschutz auf. Für Unternehmen in regulierten Branchen oder mit vertraulichen Daten sind Cloud-Dienste nur nach sorgfältiger rechtlicher Prüfung (→ AVV, ggf. → DPIA) einzusetzen. → [UE 3, UE 14]

Code Interpreter Eine Funktion in manchen KI-Assistenten (z. B. ChatGPT mit dem Feature „Erweiterte Datenanalyse”), die es dem Modell erlaubt, Python-Code zu schreiben und in einer isolierten Umgebung auszuführen. Damit können Nutzende ohne eigene Programmierkenntnisse Datenanalysen, Diagramme oder Dateiumwandlungen durchführen. Für Unternehmensdaten gilt: Prüfen Sie vor dem Hochladen von Dateien, ob der jeweilige Dienst die Daten für Trainingszwecke nutzt und ob ein → AVV vorliegt. → [UE 12]

Compliance Die Einhaltung aller einschlägigen rechtlichen Vorschriften, internen Richtlinien und vertraglichen Verpflichtungen. Im KI-Kontext umfasst Compliance vor allem die Anforderungen des → AI Act, der → DSGVO, des Urheberrechts und branchenspezifischer Regulierung. Compliance ist nicht einmalig herstellbar, sondern ein laufender Prozess: KI-Systeme müssen regelmäßig auf Konformität geprüft werden, da sich sowohl die Systeme selbst als auch die Rechtslage ändern. Für Unternehmen empfiehlt sich die Etablierung eines KI-Governance-Prozesses, der Compliance-Prüfungen systematisch verankert. → [UE 13, UE 14]

Constitutional AI (CAI) Eine von Anthropic entwickelte Trainingstechnik, bei der ein Modell anhand eines explizit formulierten Prinzipiensatzes (der „Verfassung”) trainiert wird, seine eigenen Ausgaben zu evaluieren und zu verbessern — ohne ausschließlich auf menschliches Feedback angewiesen zu sein. CAI ergänzt → RLHF und soll Modelle konsistenter, transparenter und sicherer machen. Claude-Modelle von Anthropic basieren maßgeblich auf CAI. Das Konzept ist für den Unternehmenseinsatz relevant, weil es erklärt, warum verschiedene Modelle unterschiedliche Verhaltensweisen und Grenzen zeigen — und warum Claude-Modelle für sicherheitskritische Anwendungen besonders geeignet sein können, ohne dass Sicherheitsgarantien dabei absolut sind. → [UE 4, UE 97, UE 98]

Constraint (Einschränkung) Eine explizit formulierte Bedingung oder Einschränkung in einem → Prompt oder → System-Prompt, die das Verhalten des Modells lenkt. Constraints können das Format der Ausgabe definieren (z. B. „Antworten Sie ausschließlich in Stichpunkten”), inhaltliche Grenzen setzen (z. B. „Gehen Sie nicht auf Preise ein”) oder den Kontext eingrenzen. Das gezielte Setzen von Constraints ist ein wesentliches Werkzeug im → Prompt Engineering und erhöht die Vorhersehbarkeit und Kontrolle von Modellausgaben. Gut formulierte Constraints reduzieren die Notwendigkeit von → Guardrails auf Systemebene. → [UE 5, UE 6]

Context Window → siehe → Kontextfenster

ControlNet Eine Erweiterung für → Stable Diffusion, die es ermöglicht, die Bildgenerierung durch zusätzliche strukturelle Eingaben präzise zu steuern — z. B. durch Skelett-Posen, Tiefenkarten, Konturen oder Segmentierungsmasken. Mit ControlNet können Nutzende die Komposition und Pose von generierten Bildern vorgeben, was für professionelle Design- und Produkt-Visualisierungsanwendungen relevant ist. ControlNet war ein Durchbruch für die Steuerbarkeit und damit die Praxistauglichkeit von Diffusionsmodellen. → [UE 11]

Copilot (Microsoft Copilot) Die Familie KI-gestützter Assistenzfunktionen von Microsoft, die in Microsoft-365-Produkte (Word, Excel, Teams, Outlook u. a.) sowie in den Edge-Browser integriert sind. Copilot nutzt große Sprachmodelle (→ LLM) in Kombination mit dem Kontext des Microsoft-365-Tenants. Die Nutzung von Copilot innerhalb eines Microsoft-365-Tenants unterliegt den Datenschutzvereinbarungen des Unternehmensvertrags; personenbezogene Daten verlassen in der Regel nicht den Tenant. Details entnehmen Sie der Microsoft-Datenschutzdokumentation. → [UE 3, UE 12]

Cosine Similarity (Kosinus-Ähnlichkeit) Ein Maß für die Ähnlichkeit zweier Vektoren, das den Kosinus des Winkels zwischen ihnen berechnet. Wert 1 bedeutet identische Richtung (maximale Ähnlichkeit), Wert 0 bedeutet Orthogonalität (keine Ähnlichkeit), Wert -1 bedeutet entgegengesetzte Richtung. Kosinus-Ähnlichkeit ist das in → Vektorstores am häufigsten verwendete Ähnlichkeitsmaß für semantische Suche, weil es von der absoluten Vektorlänge unabhängig ist. → [UE 7, UE 28]

Custom GPT Eine durch Nutzende angepasste Version eines GPT-Modells auf der OpenAI-Plattform, bei der → System-Prompt, Wissensdateien, Werkzeuge und Verhaltensregeln individuell konfiguriert werden können. Custom GPTs erlauben es, ohne Programmierkenntnisse einen spezialisierten KI-Assistenten zu erstellen. Für den Unternehmenseinsatz ist zu beachten, dass in Custom GPTs hochgeladene Dateien auf den Servern von OpenAI gespeichert werden; es gelten die Datenschutzbestimmungen des jeweiligen Vertrags (Team- oder Enterprise-Tarif). → [UE 3, UE 12]

DALL·E (OpenAI) Eine von OpenAI entwickelte Bildgenerierungsfamilie, die aus Textbeschreibungen (Prompts) realistische oder kreative Bilder erzeugt. DALL·E nutzt → Diffusionsmodell-Technologie in Kombination mit → CLIP für die Verbindung von Text und Bild. DALL·E ist über die OpenAI-API und ChatGPT zugänglich und wird für Marketing, Design und Content-Erstellung eingesetzt. Rechtlich ist zu beachten: Bilder werden kommerziell zur Nutzung freigegeben, aber das Training auf urheberrechtlich geschützten Bildern ist Gegenstand laufender Rechtsstreitigkeiten. → [UE 10, UE 11]

Data Drift Die Verschiebung der statistischen Verteilung von Eingabedaten über die Zeit, die dazu führt, dass ein KI-Modell schlechtere oder unzuverlässigere Ergebnisse liefert, obwohl das Modell selbst unverändert geblieben ist. Data Drift tritt auf, wenn sich die reale Welt nach dem Training des Modells verändert hat. In produktiven KI-Systemen müssen Drift-Monitoring und regelmäßige Modell-Evaluierung (→ Eval) als Teil des Betriebs eingeplant werden. Auch → RAG-Systeme sind betroffen, wenn die zugrundeliegende Wissensbasis veraltet. → [UE 7, UE 104]

Data Governance (Datenverwaltung) Das Gesamtsystem aus Richtlinien, Prozessen, Rollen und Technologien, das die Qualität, Sicherheit, Verfügbarkeit und Compliance von Daten innerhalb einer Organisation sicherstellt. Im KI-Kontext ist Data Governance besonders relevant: Trainingsdaten, RAG-Wissensdatenbanken und Eingabedaten für produktive Systeme müssen dokumentiert, qualitätsgesichert und rechtlich abgesichert sein. Fehlende Data Governance ist eine häufige Ursache für Bias, Halluzinationen und Compliance-Verstöße in KI-Systemen. → [UE 7, UE 14]

Data Leakage (Datenleck) Im KI-Kontext bezeichnet Data Leakage das unbeabsichtigte oder unbewusste Einbringen vertraulicher, personenbezogener oder proprietärer Daten in externe KI-Systeme. Dies geschieht häufig, wenn Mitarbeitende Dokumente, E-Mails oder Datenbankausschnitte in öffentliche KI-Dienste einfügen, ohne zu prüfen, ob dies datenschutzrechtlich zulässig ist (→ Shadow AI). Data Leakage kann zu Datenschutzverstößen, Verlust von Geschäftsgeheimnissen und Vertragsbrüchen führen. Prävention erfordert klare Nutzungsrichtlinien, technische Kontrollen und Awareness-Schulungen. → [UE 97]

Decoder (Decoder-Only-Modell) Ein Architekturtyp innerhalb der → Transformer-Familie, der ausschließlich Text von links nach rechts generiert — jedes neue Token wird auf Basis aller vorherigen generiert. Die meisten modernen LLMs (GPT-Reihe, Claude, Llama) sind Decoder-Only-Modelle. Sie eignen sich besonders für Textgenerierung, Zusammenfassung und Chat. Im Gegensatz dazu stehen → Encoder-Modelle, die Text „verstehen” (repräsentieren), ohne ihn zu erzeugen. Die Unterscheidung erklärt, warum manche Modelle besser für Generierung, andere besser für Klassifikation geeignet sind. → [UE 4]

Deep Learning (DL) Eine Teilmenge des → Machine Learning, die auf künstlichen neuronalen Netzen mit vielen Schichten (Layers) basiert. Der Begriff „deep” bezieht sich auf die Tiefe dieser Netzwerke — moderne Modelle können Hunderte von Schichten haben. Deep Learning ermöglicht Aufgaben, die mit klassischem ML kaum lösbar waren: Bilderkennung auf menschlichem Niveau, Sprach- und Textverständnis, Übersetzungen. Es ist die technologische Basis für alle modernen Sprachmodelle, Bildgenerierungssysteme und Sprachassistenten. → [UE 1, UE 2]

Deepfake KI-generierte Medien — Videos, Bilder oder Audiodateien — bei denen das Erscheinungsbild oder die Stimme einer Person manipuliert oder komplett synthetisch erzeugt wird, um täuschend echt zu wirken. Deepfakes nutzen → GAN- oder → Diffusionsmodell-Technologie. Sie stellen erhebliche Risiken für Fehlinformation, Betrug (CEO-Fraud per Sprache) und die Verletzung von Persönlichkeitsrechten dar. EU AI Act Art. 50 verpflichtet zur Kennzeichnung KI-generierter Inhalte, um Deepfake-Missbrauch entgegenzuwirken. → [UE 11, UE 13]

DeepSeek Eine Reihe von Sprachmodellen des chinesischen Unternehmens DeepSeek, die technisch beeindruckende Ergebnisse erzielt haben — besonders DeepSeek-R1 im Bereich Reasoning. DeepSeek-Modelle sind zum Teil als Open Source verfügbar und deutlich kosteneffizienter in der Entwicklung als vergleichbare US-Modelle. Für EU-Unternehmen sind DeepSeek-Dienste aus regulatorischen Gründen problematisch: DSGVO-Compliance ist bei in China gehosteten Diensten nicht gesichert, und potenzielle Geheimdienstkooperationen stellen ein Betriebsrisiko dar. Open-Source-Gewichte können ggf. auf eigener Infrastruktur betrieben werden. → [UE 3]

Defense in Depth (Verteidigung in der Tiefe) Ein Sicherheitsprinzip aus der IT-Sicherheit, das auf KI-Systeme übertragen wird: Mehrere unabhängige Schutzschichten werden kombiniert, so dass das Versagen einer einzelnen Schicht nicht zum Gesamtversagen führt. Im KI-Kontext bedeutet das z. B.: robustes Basismodell + restriktiver → System-Prompt + Input-Filter + Output-Filter + menschliche Überprüfung (→ HITL) + Monitoring. Kein einzelner Schutzmechanismus ist absolut wirksam; die Kombination erhöht die Gesamtsicherheit erheblich. → [UE 97, UE 98]

Deployer (AI Act) Begriff aus dem → AI Act für Organisationen und Einzelpersonen, die ein KI-System in eigener Verantwortung einsetzen, ohne es selbst entwickelt zu haben. In den meisten Unternehmenskontexten sind Unternehmen, die KI-Dienste von Drittanbietern nutzen, als Deployer einzustufen. Deployer haben nach Art. 26 AI Act spezifische Pflichten, unter anderem die Sicherstellung ausreichender → AI Literacy bei den Nutzenden, die Durchführung von Risikofolgenabschätzungen für Hochrisiko-KI-Systeme sowie die Aufrechterhaltung einer menschlichen Aufsicht (→ HITL). (EU AI Act Art. 3 Nr. 4) → [UE 13]

Destillation (Knowledge Distillation) Eine Technik, bei der ein kleines „Schüler”-Modell trainiert wird, die Ausgaben eines großen „Lehrer”-Modells zu imitieren — mit dem Ziel, ähnliche Leistung bei deutlich geringerem Ressourcenaufwand zu erreichen. Destillation ermöglicht den Einsatz kompakter Modelle auf ressourcenbeschränkter Hardware (Edge-Geräte, On-Premise ohne High-End-GPU). Bekannte Beispiele sind DistilBERT (destillierte Version von BERT) oder kleinere Llama-Varianten. Für Unternehmen relevant, wenn Latenz, Kosten oder Datenschutz den Einsatz kompakter Modelle erfordern. → [UE 3, UE 4]

Differential Privacy (Differentielle Privatsphäre) Ein mathematisches Datenschutzverfahren, das sicherstellt, dass die Ausgaben eines Algorithmus nicht verraten, ob ein bestimmtes Individuum in den zugrundeliegenden Daten vorhanden war. Differential Privacy wird beim Training von KI-Modellen eingesetzt, um → Membership Inference Attacks zu erschweren und das Risiko der Rekonstruktion personenbezogener Daten zu mindern. Für Unternehmen, die Modelle auf sensiblen Daten (Gesundheit, Finanzen, HR) trainieren, ist Differential Privacy ein relevantes Schutzinstrument. → [UE 97]

Diffusionsmodell (Diffusion Model) Eine Klasse generativer KI-Modelle, die Bilder (oder andere Daten) erzeugen, indem sie schrittweise zufälliges Rauschen in ein strukturiertes Bild umwandeln — wie ein Foto, das langsam aus einem Schneesturm auftaucht. Diffusionsmodelle sind die Grundlage von → Stable Diffusion, → DALL·E und → Sora. Sie haben 2022 → GANs als führende Architektur für Bildgenerierung abgelöst, weil sie stabiler zu trainieren sind und vielfältigere Ausgaben erzeugen. → [UE 10, UE 11]

Digitale Souveränität Die Fähigkeit von Unternehmen, Behörden oder Staaten, ihre digitalen Infrastrukturen, Daten und technologischen Abhängigkeiten eigenständig kontrollieren und gestalten zu können. Im KI-Kontext bezeichnet digitale Souveränität das Ziel, kritische KI-Infrastruktur nicht ausschließlich von Anbietern außerhalb der eigenen Rechtsordnung abhängig zu machen. Für europäische Unternehmen ist digitale Souveränität ein zunehmend wichtiger Faktor bei der Entscheidung zwischen Cloud-Diensten, On-Premise-Lösungen und europäischen Anbietern. → [UE 3, UE 14]

Diskriminatives Modell Ein KI-Modell, das gelernt hat, zwischen verschiedenen Kategorien zu unterscheiden — etwa Spam/Kein Spam, Kreditausfall/Kein Kreditausfall, Fehler/Kein Fehler. Diskriminative Modelle erzeugen keine neuen Inhalte, sondern klassifizieren vorhandene Eingaben. Sie stehen im Gegensatz zu → Generativen Modellen. Typische Verfahren sind Logistische Regression, Support Vector Machines und klassische neuronale Klassifikatoren. Im Unternehmenseinsatz sind diskriminative Modelle z. B. für Qualitätssicherung, Kreditbewertung oder Betrugserkennung relevant. → [UE 1]

DPIA (Datenschutz-Folgenabschätzung / Data Protection Impact Assessment) Ein strukturiertes Verfahren nach Art. 35 DSGVO, das durchzuführen ist, wenn eine Verarbeitungstätigkeit voraussichtlich ein hohes Risiko für die Rechte und Freiheiten natürlicher Personen mit sich bringt. Für den Einsatz von KI-Systemen mit Personenbezug ist eine DPIA oft erforderlich — insbesondere bei automatisierten Entscheidungen, umfangreicher Überwachung oder Verarbeitung besonderer Datenkategorien. Die DPIA dokumentiert Art, Zweck und Risiken der Verarbeitung sowie geplante Abhilfemaßnahmen. → [UE 14]

Dropout Eine Regularisierungstechnik beim Training neuronaler Netze, bei der zufällig ein Anteil der Neuronen pro Trainingsschritt deaktiviert wird. Dropout verhindert, dass das Modell einzelne Neuronen zu stark spezialisiert (→ Overfitting), und verbessert die Generalisierungsfähigkeit auf ungesehenen Daten. Die Technik wurde 2014 von Srivastava et al. eingeführt und ist seither Standardbestandteil fast aller Deep-Learning-Architekturen. Für Anwender ist Dropout als Kontext relevant: Es erklärt, warum Modelle im Produktionsbetrieb (ohne Dropout) zuverlässiger als im Training wirken. → [UE 2, UE 4]

DSGVO (Datenschutz-Grundverordnung) Die Verordnung (EU) 2016/679 regelt den Schutz personenbezogener Daten in der Europäischen Union. Für den KI-Einsatz im Unternehmen sind insbesondere die Grundsätze der Zweckbindung, Datensparsamkeit und Speicherbegrenzung relevant sowie die Pflichten zur Information der betroffenen Personen. Der Einsatz von KI-Systemen, die personenbezogene Daten verarbeiten, erfordert in aller Regel eine Rechtsgrundlage nach Art. 6 DSGVO sowie ggf. einen → AVV und eine → DPIA. Die DSGVO ist unmittelbar anwendbares Recht in allen EU-Mitgliedsstaaten. → [UE 14]

Edge AI Die Ausführung von KI-Modellen direkt auf dem Endgerät (Smartphone, Industrieanlage, Kamera, eingebettetes System) ohne Verbindung zu einem Cloud-Server. Edge AI ermöglicht niedrige Latenz (keine Netzwerkverzögerung), Offline-Betrieb und maximale Datensouveränität (Daten verlassen das Gerät nicht). Realisierbar durch → Quantisierung und → Destillation, die Modelle kleiner machen. Für Unternehmen relevant in Fertigungsautomatisierung, mobilen Anwendungen und Branchen mit Echtzeit-Anforderungen oder eingeschränkter Konnektivität. → [UE 3, UE 12]

Embedding (Vektoreinbettung) Die Umwandlung von Text (oder anderen Daten) in einen numerischen Vektor hochdimensionaler Zahlen, der die semantische Bedeutung des Textes repräsentiert. Ähnliche Texte erzeugen ähnliche Vektoren, sodass Ähnlichkeitssuchen möglich werden. Embeddings sind die Grundlage von → RAG-Systemen und → Vektorstores. Als Anwender muss man Embeddings nicht selbst berechnen, aber das Konzept erklärt, warum semantische Suche besser funktioniert als reine Schlüsselwortsuche: Das System findet inhaltlich verwandte Texte, auch wenn die exakten Wörter nicht übereinstimmen. → [UE 7, UE 28]

Embedding-Modell (Multimodal) Ein KI-Modell, das verschiedene Modalitäten (Text, Bild, Audio) in einen gemeinsamen Vektorraum einbettet, sodass semantisch verwandte Inhalte unterschiedlicher Art nah beieinander liegen. Das bekannteste Beispiel ist → CLIP, das Text und Bilder in denselben Vektorraum projiziert. Multimodale Embeddings sind die Grundlage für modalitätsübergreifende Suche (Text-zu-Bild-Suche, Bild-zu-Text-Suche) und multimodale → RAG-Systeme. → [UE 10, UE 11]

Emergente Fähigkeiten (Emergent Capabilities) Fähigkeiten, die bei sehr großen Sprachmodellen ab einer bestimmten Parametergröße plötzlich und qualitativ neu auftreten — ohne dass sie explizit trainiert wurden. Beispiele sind mehrstufiges Schlussfolgern, analoge Übertragungen und das Lösen von Rechenaufgaben. OpenAI-Forscher dokumentierten dieses Phänomen ab GPT-3 (175 Mrd. Parameter). Emergente Fähigkeiten erklären, warum größere Modelle nicht nur graduell, sondern manchmal sprunghaft besser abschneiden. Aus Governance-Sicht sind emergente Fähigkeiten relevant, weil sie die Verhaltensvorhersage erschweren. → [UE 2]

Encoder (Encoder-Modell) Ein Architekturtyp innerhalb der → Transformer-Familie, der Text bidirektional verarbeitet — er „liest” den gesamten Satz gleichzeitig, um eine reichhaltige Repräsentation zu erzeugen. BERT (Google, 2018) ist das bekannteste Encoder-Modell. Encoder sind besonders stark bei Klassifikation, Sentiment-Analyse, Named-Entity-Recognition und → Embeddings. Sie erzeugen keinen fließenden Text. Im Gegensatz dazu stehen → Decoder-Modelle. Für RAG-Systeme werden häufig Encoder-Modelle für die Embedding-Erzeugung eingesetzt. → [UE 4, UE 7]

Ethik der KI (AI Ethics) Das interdisziplinäre Feld, das Fragen der Fairness, Transparenz, Verantwortlichkeit, Nicht-Diskriminierung und gesellschaftlicher Auswirkungen von KI-Systemen untersucht. AI Ethics bildet den normativen Rahmen hinter technischen Konzepten wie → Bias-Reduktion, → Interpretierbarkeit und → Guardrails sowie rechtlichen Instrumenten wie dem → AI Act. Für Unternehmen ist AI Ethics keine abstrakte Philosophie, sondern eine praktische Orientierung für die Gestaltung von KI-Richtlinien, Governance-Strukturen und Schulungsinhalten. → [UE 1, UE 13]

Eval (Evaluation / Modellbewertung) Der systematische Prozess der Bewertung der Qualität und Zuverlässigkeit eines KI-Modells oder einer KI-gestützten Anwendung anhand definierter Kriterien und Testdatensätze. Evals können automatisiert (z. B. durch Vergleich mit Referenzantworten) oder manuell (durch menschliche Bewertung) durchgeführt werden. Im Unternehmenseinsatz sind regelmäßige Evals unverzichtbar, um sicherzustellen, dass das System weiterhin korrekte und sichere Ausgaben liefert — besonders nach Modell-Updates, Datenänderungen oder veränderten Anforderungen. → RAGE-Metriken sind ein Beispiel für ein Eval-Framework für RAG-Systeme. → [UE 104]

Excessive Agency (OWASP LLM08) Ein Sicherheitsrisiko laut OWASP Top 10 für LLMs, das entsteht, wenn einem KI-Agenten mehr Berechtigungen, Fähigkeiten oder Autonomie eingeräumt werden als für seinen Einsatzzweck notwendig. Ein Agent mit übermäßigen Berechtigungen kann bei einem → Jailbreak oder einer → Prompt Injection erheblich mehr Schaden anrichten. Das Gegenmittel ist das Least-Privilege-Prinzip: Agenten erhalten nur die minimal notwendigen Werkzeuge und Zugriffsrechte. → [UE 97, UE 98, UE 104]

Expertensystem Ein regelbasiertes KI-System aus den 1980er Jahren, das menschliches Expertenwissen in IF-THEN-Regeln kodiert. Expertensysteme hatten keinen Lernmechanismus und keine statistische Verarbeitung; jede neue Ausnahmeregel musste manuell kodiert werden. Der Kollaps der kommerziellen Expertensystem-Branche war einer der Auslöser des Zweiten KI-Winters (ca. 1987–1993). Historisch relevant als Kontrastfolie zur heutigen ML-Ära, in der Modelle Regeln aus Daten selbst ableiten. → [UE 2]

FAISS (Facebook AI Similarity Search) Eine von Meta (Facebook) AI Research entwickelte Open-Source-Bibliothek für effiziente Ähnlichkeitssuche und Clustering in hochdimensionalen Vektorräumen. FAISS implementiert mehrere → ANN-Algorithmen und ist besonders für sehr große Vektormengen (Millionen bis Milliarden) optimiert. Es ist die Basis vieler produktiver Vektor-Suchsysteme und kann sowohl CPU- als auch GPU-basiert betrieben werden. Für Unternehmen, die eigene RAG-Infrastruktur betreiben, ist FAISS eine zentrale Komponente. → [UE 7, UE 28]

Few-Shot Prompting Eine Prompting-Technik, bei der dem Modell im → Prompt mehrere Beispiele (typischerweise zwei bis fünf) des gewünschten Verhaltens gegeben werden, bevor die eigentliche Aufgabe gestellt wird. Durch die Beispiele „lernt” das Modell das gewünschte Format, den Stil oder die Entscheidungslogik — ohne dass eine neue Trainingsphase erforderlich ist. Few-Shot Prompting ist besonders wirksam, wenn das gewünschte Ausgabeformat von der Standardantwort des Modells abweicht. Es steht zwischen → Zero-Shot (kein Beispiel) und Fine-Tuning (echtes Modelltraining mit vielen Beispielen). → [UE 5, UE 6]

Fine-Tuning Die Weiterentwicklung eines vortrainierten → Foundation Model durch weiteres Training auf einem spezialisierten, domänenspezifischen Datensatz. Fine-Tuning passt die Gewichte des Modells an und verbessert seine Leistung für spezifische Aufgaben oder Stile. Im Unternehmenskontext ist Fine-Tuning ressourcenintensiv und erfordert qualitativ hochwertige Trainingsdaten sowie technische Infrastruktur. Eine leichtgewichtige Alternative ist → LoRA. Für die meisten Unternehmensanwendungen ist → RAG oder → Few-Shot Prompting effizienter als vollständiges Fine-Tuning. → [UE 4, UE 7]

Foundation Model (Basismodell) Ein sehr großes, auf umfangreichen Daten vortrainiertes KI-Modell, das als Grundlage für viele spezialisierte Anwendungen dient. Foundation Models wie GPT-4o, Claude oder Gemini wurden auf Milliarden von Textdokumenten trainiert und verfügen über breites Weltwissen sowie vielseitige Sprachkompetenz. Sie können durch → Fine-Tuning, → RAG oder → Few-Shot Prompting für spezifische Aufgaben angepasst werden. Der Begriff wurde 2021 von Forscherinnen und Forschern der Stanford University geprägt. Foundation Models bilden die technische Grundlage aller aktuellen → LLMs. → [UE 3]

Function Calling Eine Funktion moderner → LLMs, bei der das Modell erkennt, wann eine externe Funktion oder ein Werkzeug aufgerufen werden sollte, und die entsprechenden Parameter in strukturierter Form (typischerweise → JSON) ausgibt. Die Anwendung — nicht das Modell — führt den eigentlichen Funktionsaufruf aus und gibt das Ergebnis zurück. Function Calling ist die technische Grundlage für → Agenten und → Tool-Use. Für Personen ohne Entwicklungshintergrund ist das Konzept relevant, weil es erklärt, wie KI-Assistenten mit externen Systemen (Datenbanken, APIs, Kalendern) interagieren. → [UE 8, UE 9]

GAN (Generative Adversarial Network) Eine von Ian Goodfellow 2014 eingeführte Architektur, bei der zwei neuronale Netze gegeneinander trainieren: ein Generator, der Fake-Daten erzeugt, und ein Diskriminator, der echte von gefälschten Daten unterscheidet. Durch das Wettbewerbstraining werden die generierten Daten immer realistischer. GANs waren bis 2022 die dominierende Architektur für Bildgenerierung und sind die Grundlage früher Deepfake-Technologien. Heute werden sie weitgehend durch → Diffusionsmodelle ersetzt. → [UE 10, UE 11]

Gemini (Google DeepMind) Die multimodale Modellfamilie von Google DeepMind, in verschiedenen Varianten (Gemini 2.5 Pro, Flash, Nano). Gemini-Modelle verarbeiten nativ Text, Bild, Audio und Video und sind in Google-Workspace-Produkte (Google Docs, Gmail, Meet) integriert. Gemini 2.5 Pro verfügt über ein sehr großes Kontextfenster (bis zu 2 Millionen Tokens) und starke Reasoning-Fähigkeiten. Für Unternehmen mit Google-Workspace-Lizenzen bietet Gemini eine datenschutzkonforme Integration in bestehende Arbeitsumgebungen. → [UE 3]

Generative KI (Generative AI / GenAI) Der Oberbegriff für KI-Systeme, die neue Inhalte erzeugen — Texte, Bilder, Audio, Code, Video oder andere Datenformen. Im Unterschied zu klassischen KI-Systemen, die primär klassifizieren oder vorhersagen, produzieren generative Modelle Ausgaben, die nicht direkt in den Trainingsdaten enthalten sind. Technisch beruhen die meisten aktuellen Systeme auf → Foundation Models und dem → Transformer-Prinzip. Für Unternehmen bieten generative KI-Systeme erhebliche Produktivitätspotenziale, erfordern aber auch neue Governance-Prozesse, da die Ausgaben inhärent probabilistisch und nicht deterministisch sind. → [UE 1, UE 3]

GitHub Copilot Ein auf Codegenerierung spezialisierter KI-Assistent von GitHub (Microsoft), der auf OpenAI-Modellen basiert und in Entwicklungsumgebungen wie VS Code integriert ist. Copilot schlägt Code-Vervollständigungen, ganze Funktionen und Erklärungen vor. Für IT-Dienstleister ist GitHub Copilot eines der produktivitätswirksamsten KI-Werkzeuge im Softwareentwicklungs-Kontext. Datenschutzseitig ist zu beachten, dass Code-Eingaben standardmäßig an GitHub-Server übertragen werden; Enterprise-Konfigurationen bieten mehr Kontrolle. → [UE 3, UE 12]

GPAI-Modelle (General Purpose AI Models) Sprachmodelle mit allgemeinem Verwendungszweck, die für eine Vielzahl von Aufgaben eingesetzt werden können, z. B. GPT, Claude oder Gemini. Seit August 2025 gelten für GPAI-Anbieter nach EU AI Act Titel VIII besondere Pflichten: technische Dokumentation, Offenlegung urheberrechtsrelevanter Trainingsdaten und bei systemischem Risiko besondere Sicherheitsbewertungen (Art. 51–56 EU AI Act). Für Deployer entsteht die indirekte Pflicht, sicherzustellen, dass der gewählte Anbieter seiner Dokumentationspflicht nachkommt. → [UE 3, UE 13]

GPT — Generative Pre-trained Transformer Die Modellarchitektur und Produktfamilie von OpenAI, die auf dem → Transformer-Prinzip aufbaut und durch unüberwachtes Vortraining auf großen Textkorpora universelle Sprachkompetenz erwirbt. GPT-3 (2020, 175 Mrd. Parameter) markierte den Beginn des modernen LLM-Zeitalters; GPT-4 (2023) und GPT-4o (2024) gelten als Referenzmodelle für leistungsstarke multimodale KI-Assistenten. Das Kürzel „GPT” wird im allgemeinen Sprachgebrauch oft synonym mit „Chatbot” oder „LLM” verwendet, bezeichnet aber präzise die OpenAI-Modellfamilie. → [UE 2, UE 3]

GPU (Graphics Processing Unit) Ein Hochleistungs-Prozessor, der ursprünglich für die Grafikberechnung entwickelt wurde, sich aber als ideal für das parallele Training großer neuronaler Netze erwiesen hat. GPUs können Tausende von mathematischen Operationen gleichzeitig ausführen, was das Training von Deep-Learning-Modellen erheblich beschleunigt. Die Verfügbarkeit leistungsstarker GPUs — zunächst von NVIDIA — war einer der drei Schlüsselfaktoren des Deep-Learning-Durchbruchs ab 2012. Für Unternehmen sind GPU-Kosten ein wesentlicher Faktor bei der → TCO-Kalkulation eigener KI-Infrastruktur. → [UE 2, UE 3]

Grounding (Verankerung) Die Praxis, Modellausgaben durch explizite Quellenangaben oder das Verankern in überprüfbaren Fakten abzusichern. Ein gegründetes System gibt nicht nur eine Antwort, sondern belegt sie mit den Quellen, aus denen die Information stammt. Grounding reduziert → Halluzinationen erheblich, weil das Modell auf konkrete Textstellen verweist statt freier Generierung. → RAG-Systeme sind eine technische Implementierung des Grounding-Prinzips. Grounding ist besonders wichtig für compliance-relevante, rechtliche oder medizinische Ausgaben. → [UE 5, UE 7]

Guardrail (Leitplanke) Ein technisches oder organisatorisches Sicherheitselement, das unerwünschte Ausgaben eines KI-Systems verhindert oder einschränkt. Technische Guardrails umfassen Filter, Klassifikatoren und regelbasierte Überprüfungen, die nach der Modellausgabe greifen (Output-Filter) oder vor der Modellverarbeitung eingesetzt werden (Input-Filter). Organisatorische Guardrails sind Nutzungsrichtlinien, Freigabeprozesse und Schulungen. Im Unternehmenskontext ergänzen Guardrails den → System-Prompt und das → Ampel-Freigabemodell, können diese aber nicht vollständig ersetzen. → [UE 97, UE 98]

Halluzination Das Phänomen, dass ein → LLM sachlich falsche Informationen mit scheinbarer Überzeugung und fehlerfreier Grammatik ausgibt. Halluzinationen entstehen, weil Sprachmodelle darauf optimiert sind, wahrscheinliche Fortsetzungen von Text zu generieren, nicht darauf, faktische Korrektheit zu garantieren. Typische Beispiele sind erfundene Quellenangaben, falsche Jahreszahlen oder nicht existierende Gesetze. Halluzinationen lassen sich durch → RAG, → Chain-of-Thought und konsequente Verifikation reduzieren, aber nicht vollständig eliminieren. Kritische Ausgaben müssen immer durch Menschen gegen Primärquellen geprüft werden. → [UE 5, UE 28]

HITL (Human-in-the-Loop / Mensch im Regelkreis) Das Prinzip, dass bei KI-gestützten Prozessen an definierten Punkten eine menschliche Überprüfung oder Entscheidung erforderlich ist. HITL ist ein zentrales Anforderungsmerkmal des → AI Act für Hochrisiko-KI-Systeme und ein allgemeines Governance-Prinzip für verantwortungsvollen KI-Einsatz. Die Intensität der menschlichen Einbindung kann variieren: von der vollständigen Überprüfung jeder Ausgabe bis zur Ausnahme-Eskalation bei bestimmten Triggern. In der Praxis müssen Unternehmen explizit festlegen, welche KI-Ausgaben direkt verwendet werden dürfen und welche eine menschliche Freigabe erfordern. → [UE 13, UE 97]

Hochrisiko-KI-System KI-System, das gemäß EU AI Act Art. 6 i.V.m. → Anhang III in einem der aufgeführten sensitiven Anwendungsfelder eingesetzt wird und damit einem umfangreichen Pflichtenkatalog unterliegt: Risikomanagement-System, Datenqualitätssicherung, technische Dokumentation, Transparenzpflicht, menschliche Aufsicht, Genauigkeit und Cybersicherheit. Typische Hochrisiko-Bereiche im Unternehmenskontext: KI in der Personalauswahl (Anhang III Nr. 4), KI in der Kreditbewertung, KI in der medizinischen Diagnose. → [UE 13, UE 14]

Hybrid Search (Hybridsuche) Eine Suchmethode, die semantische Vektorsuche (→ ANN auf → Embeddings) mit klassischer Volltext-Schlüsselwortsuche kombiniert. Hybridsuche erzielt in der Regel bessere Retrieval-Ergebnisse als reine Vektorsuche oder reine Schlüsselwortsuche allein, weil sie die Stärken beider Ansätze vereint: Vektorsuche findet semantisch ähnliche Texte auch bei unterschiedlicher Formulierung; Schlüsselwortsuche trifft exakte Fachbegriffe und Produktnummern präzise. Viele moderne RAG-Systeme und Suchplattformen (z. B. Azure AI Search, Elasticsearch) unterstützen Hybridsuche. → [UE 7, UE 28]

Hyperparameter Konfigurationsparameter eines KI-Modells oder Trainingsverfahrens, die vor dem Training manuell festgelegt werden und das Training selbst steuern — im Gegensatz zu → Parametern (Modellgewichten), die beim Training automatisch gelernt werden. Typische Hyperparameter sind Lernrate, Batch-Größe, Anzahl der Schichten, → Dropout-Rate und → Temperature. Die Optimierung von Hyperparametern (Hyperparameter-Tuning) ist ein wichtiger Schritt beim Training und Fine-Tuning von Modellen. → [UE 4]

Incident Response (Vorfallreaktion) Die strukturierte Reaktion auf sicherheitsrelevante Vorfälle, die durch KI-Systeme verursacht wurden oder diese betreffen. Ein KI-Incident-Response-Plan definiert: Erkennungsmechanismen, Eskalationswege, Eindämmungsmaßnahmen, forensische Protokollierung und Kommunikationsprozesse. Im AI-Act-Kontext sind schwerwiegende Vorfälle durch Hochrisiko-KI-Systeme meldepflichtig. Für Unternehmen empfiehlt sich die Integration von KI-Vorfällen in bestehende IT-Incident-Management-Prozesse. → [UE 106]

Inference (Inferenz) Die Phase, in der ein trainiertes KI-Modell auf neue Eingaben angewendet wird, um Ausgaben zu erzeugen — im Gegensatz zur Trainingsphase. In der Praxis ist nahezu jede Nutzung eines KI-Dienstes (ein Chat-Gespräch, eine Bildgenerierung, eine Übersetzung) ein Inferenzvorgang. Inference erfordert deutlich weniger Rechenleistung als Training, ist aber bei großen Modellen und hohem Anfragevolumen dennoch ressourcenintensiv und kostenpflichtig. Für Unternehmen sind Inferenzkosten ein relevanter Faktor bei der Kalkulation des → TCO von KI-Anwendungen. → [UE 3, UE 4]

Ingestion (Dokumenten-Ingestion) Der Prozess, bei dem Dokumente (PDF, Word, HTML, Datenbank-Einträge) für ein → RAG-System aufbereitet werden: Texte werden extrahiert, in → Chunks aufgeteilt, als → Embeddings kodiert und im → Vektorstore gespeichert. Die Qualität der Ingestion hat erheblichen Einfluss auf die spätere Retrieval-Qualität. Probleme bei der Ingestion (schlechte PDF-Extraktion, zu große Chunks, fehlerhafte Metadaten) führen zu schlechten RAG-Antworten — ein häufiger Fehler in der Praxis. → [UE 7, UE 28]

Inpainting Eine Bildbearbeitungstechnik, bei der ein KI-Modell fehlende oder maskierte Bereiche eines Bildes kohärent und realistisch ergänzt. Inpainting ist eine Kernfunktion von → Stable Diffusion und wird für Bildretusche, Objektentfernung und kreative Bildmanipulation eingesetzt. Für Unternehmensanwendungen relevant z. B. bei Produktfoto-Optimierung oder Hintergrundersatz. → [UE 11]

Input Sanitization (Eingabe-Bereinigung) Die Vorverarbeitung von Nutzereingaben vor der Weitergabe an ein KI-Modell, um schädliche oder unerwünschte Inhalte zu erkennen und zu entfernen oder zu neutralisieren. Input Sanitization ist eine der Gegenmaßnahmen gegen → Prompt Injection und andere Eingabe-basierte Angriffe. Technische Umsetzung: regelbasierte Filter, Klassifikatoren für schädliche Eingaben, Längenbeschränkungen und strukturierte Eingabeformate. Input Sanitization ergänzt → Guardrails und → System-Prompt-Härtung als Teil einer → Defense-in-Depth-Strategie. → [UE 97, UE 98]

Instruction Tuning Eine spezifische Form des → Fine-Tuning, bei der ein vortrainiertes Modell auf einem Datensatz aus Anweisung-Antwort-Paaren trainiert wird, um es besser auf menschliche Anweisungen reagieren zu lassen. Instruction Tuning ist einer der Schlüsselschritte, durch den Basis-LLMs zu nutzerfreundlichen Chatbots werden. Es ergänzt → RLHF: Instruction Tuning lehrt das Modell, Anweisungen zu befolgen; RLHF verfeinert die Qualität der Antworten basierend auf menschlichen Präferenzen. → [UE 4]

Interpretierbarkeit (Explainability / XAI) Die Fähigkeit eines KI-Systems, seine Ausgaben oder Entscheidungen für Menschen nachvollziehbar zu machen. Interpretierbarkeit ist kein binäres Merkmal, sondern ein Spektrum: Einfache Modelle (z. B. Entscheidungsbäume) sind leicht erklärbar; tiefe neuronale Netze und LLMs sind inhärent schwer zu interpretieren. Methoden wie LIME oder SHAP erzeugen nachträglich Erklärungen für Modellentscheidungen. Der → AI Act fordert für Hochrisiko-Systeme ausreichende Transparenz und Erklärbarkeit der Ausgaben. → [UE 13, UE 14]

Iteratives Prompting (Prompt-Iteration) Ein Arbeitsprozess, bei dem ein Prompt auf Basis der erhaltenen Modellantwort schrittweise verfeinert wird, anstatt den perfekten Prompt beim ersten Versuch zu formulieren. Iteratives Prompting ist die praktische Realität des → Prompt Engineering: Selten liefert der erste Prompt das optimale Ergebnis. Typische Iterationsschritte sind das Konkretisieren von Anforderungen, das Hinzufügen von Constraints oder Beispielen, und das Umformulieren von Aufgabenstellung und Rollenzuweisung. Dokumentation bewährter Prompt-Varianten in einer Prompt-Bibliothek verhindert, dass Erkenntnisse verloren gehen. → [UE 5, UE 6]

Jailbreak Ein Angriff auf ein KI-System, bei dem durch gezielte Prompt-Formulierungen versucht wird, die eingebauten Sicherheitsfilter und Verhaltensregeln des Modells zu umgehen, um unerwünschte oder schädliche Ausgaben zu provozieren. Bekannte Muster: Role-Play-Jailbreak, Hypothetical Framing, Token-Manipulation. Jailbreaks sind ein wesentlicher Grund, warum Unternehmen → Guardrails und → System-Prompts einsetzen müssen. Im Gegensatz zu → Prompt Injection ist ein Jailbreak ein direkter Angriff durch den Nutzer selbst. (OWASP LLM01/LLM07) → [UE 97]

JSON (JavaScript Object Notation) Ein leichtgewichtiges, textbasiertes Datenformat zur strukturierten Darstellung von Daten in Schlüssel-Wert-Paaren und Listen. JSON ist de-facto-Standardformat für die Kommunikation zwischen KI-Modellen und Anwendungen (→ API, → Function Calling). Für Anwender ohne Programmierhintergrund ist JSON relevant, weil viele Prompts für strukturierte Ausgaben das Modell auffordern, Ergebnisse im JSON-Format zu liefern — etwa für die automatisierte Weiterverarbeitung. → [UE 6, UE 8]

KI-Governance Das Gesamtsystem aus Richtlinien, Prozessen, Zuständigkeiten und Kontrollen, das den verantwortungsvollen Einsatz von KI-Systemen innerhalb einer Organisation sicherstellt. KI-Governance umfasst das → Ampel-Freigabemodell, → Vendor Assessments, Schulungsmaßnahmen (→ AI Literacy), Monitoring-Prozesse und die Einbindung von Datenschutz- und Rechtsabteilung. Gute KI-Governance ist nicht Bürokratie, sondern Risikomanagement: Sie schützt das Unternehmen vor Haftungsrisiken, Datenschutzverstößen und Reputationsschäden. → [UE 13, UE 14]

KI-System (AI System) Gemäß Art. 3 Nr. 1 EU AI Act: „maschinenbasiertes System, das für einen oder mehrere explizite oder implizite Zwecke konzipiert ist und das, ausgehend von den Eingaben, die es erhält, Ausgaben wie Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte erzeugen kann, die reale oder virtuelle Umgebungen beeinflussen.” Diese technologieneutrale Definition erfasst heutige wie zukünftige KI-Systeme. Für Compliance-Fragen ist die Legaldefinition des EU AI Act maßgeblich. Rein regelbasierte Systeme, die keine Vorhersagen generieren, fallen nicht darunter. → [UE 1]

KI-Winter Historische Phasen, in denen nach überhöhten Erwartungen die Förderung und das öffentliche Interesse an KI stark zurückgingen. Der Erste KI-Winter (ca. 1974–1980) entstand durch enttäuschende Ergebnisse in der maschinellen Übersetzung und Rechenleistungsgrenzen. Der Zweite KI-Winter (ca. 1987–1993) folgte dem Kollaps des Expertensystem-Marktes. Das strukturelle Muster: Nicht technische Fortschritte an sich lösten die Krisen aus, sondern das Auseinanderklaffen zwischen kommunizierten Erwartungen und tatsächlicher Leistung. Dieses Muster sollte bei der aktuellen KI-Kommunikation stets im Blick behalten werden. → [UE 2]

Kolloquium Im Kontext dieser Qualifizierungsmaßnahme der mündliche Prüfungsteil, in dem Teilnehmende ihre → Projektarbeit präsentieren und Fragen der Prüfungskommission beantworten. Das Kolloquium dauert in der Regel 20 Minuten und bewertet sowohl die fachliche Tiefe als auch die Reflexionsfähigkeit. Es findet nach Einreichung der schriftlichen Projektarbeit statt. Gute Vorbereitung bedeutet: die eigene Arbeit überzeugend erklären können, auch Schwächen und offene Fragen benennen und die im Kurs erlernten Konzepte auf die eigene Fragestellung anwenden. → [UE 119, UE 120]

Konformitätsbewertung (Conformity Assessment) Das Verfahren, durch das ein Anbieter oder → Deployer eines Hochrisiko-KI-Systems nachweist, dass es die Anforderungen des EU AI Act erfüllt. Für die meisten Hochrisiko-KI-Systeme kann die Konformitätsbewertung vom Anbieter selbst durchgeführt werden (interne Kontrolle). Für bestimmte Systeme — insbesondere biometrische Identifizierung und KI in kritischer Infrastruktur — ist eine externe Prüfung durch eine → Notified Body erforderlich. Das Ergebnis wird durch eine EU-Konformitätserklärung und die CE-Kennzeichnung dokumentiert. (EU AI Act Art. 43 ff.) → [UE 13]

Kontextfenster (Context Window) Die maximale Menge an Text (gemessen in → Tokens), die ein → LLM in einem einzelnen Verarbeitungsvorgang berücksichtigen kann. Das Kontextfenster umfasst den gesamten bisherigen Gesprächsverlauf, den → System-Prompt und die aktuelle Nutzereingabe. Informationen, die außerhalb des Kontextfensters liegen, „sieht” das Modell nicht und kann sie nicht berücksichtigen. Moderne Modelle haben Kontextfenster von mehreren hunderttausend Tokens, was für die meisten Unternehmensanwendungen ausreicht. Dennoch ist das Kontextfenster ein praktischer Planungsfaktor bei der Verarbeitung langer Dokumente. → [UE 3, UE 4]

Kontrastives Lernen (Contrastive Learning) Ein unüberwachtes oder selbstüberwachtes Lernverfahren, bei dem das Modell lernt, ähnliche Datenpaare im Vektorraum nah beieinander und unähnliche Paare weit voneinander entfernt zu repräsentieren. → CLIP nutzt kontrastives Lernen, um Text und Bilder in einen gemeinsamen Vektorraum zu projizieren. Kontrastives Lernen ist eine Grundlage moderner → Embedding-Modelle und semantischer Suchsysteme. → [UE 4, UE 10]

Labeling (Datenkennzeichnung) Der Prozess, bei dem menschliche Annotatorinnen und Annotatoren Trainingsdaten mit korrekten Antworten, Kategorien oder Bewertungen versehen — z. B. E-Mails als Spam/Kein Spam markieren oder Bilder mit Objektkategorien beschriften. Labeling ist für überwachtes Lernen unverzichtbar und bestimmt maßgeblich die Qualität des trainierten Modells. Es ist aufwendig, teuer und fehleranfällig: Inkonsistentes Labeling ist eine häufige Quelle von → Bias. Im → RLHF werden Labeling-Aufgaben genutzt, um menschliche Präferenzen zu erfassen. → [UE 4]

LangChain Ein weit verbreitetes Open-Source-Framework zur Entwicklung von Anwendungen mit → LLMs, → Agenten und → RAG-Architekturen. LangChain bietet vorgefertigte Bausteine für → Prompt-Verwaltung, → Tool-Use, Vektorspeicher-Integration und mehrstufige Agenten-Workflows. Es vereinfacht die Entwicklung von LLM-Anwendungen erheblich, abstrahiert aber auch Komplexität, was das Debuggen erschweren kann. Für Unternehmen mit Entwicklerressourcen ist LangChain ein relevanter Ausgangspunkt für den Aufbau interner KI-Lösungen. → [UE 8, UE 9]

Latenter Raum (Latent Space) Der komprimierte, hochdimensionale mathematische Raum, in dem ein KI-Modell Daten intern repräsentiert. Im latenten Raum werden ähnliche Konzepte nah beieinander kodiert. Generative Modelle wie → VAE oder → Diffusionsmodelle erzeugen neue Inhalte, indem sie Punkte im latenten Raum samplen oder manipulieren. Das Konzept erklärt, warum KI-Modelle interpolieren können: Ein Bild zwischen zwei bekannten Stilrichtungen lässt sich durch Mittelung im latenten Raum erzeugen. → [UE 4, UE 10]

Latenz (Latency) Die Zeitspanne zwischen dem Absenden einer Anfrage an ein KI-Modell und dem Erhalt der vollständigen Antwort. Latenz ist ein kritischer Performance-Parameter für Echtzeit-Anwendungen (z. B. Sprach-KI-Assistenten, Live-Übersetzung, interaktive Chatbots). Latenz wird beeinflusst durch Modellgröße, Hardware (GPU-Kapazität), Netzwerkverzögerung, Ausgabelänge und Auslastung des Dienstes. Für Unternehmen ist Latenz neben Kosten ein zentrales Auswahlkriterium: Kleinere, schnellere Modelle (z. B. Claude Haiku, GPT-4o-mini) sind oft ausreichend für einfache Aufgaben. → [UE 3, UE 12]

Least Privilege (Minimale Berechtigung) Ein IT-Sicherheitsprinzip, das für KI-Agenten besonders wichtig ist: Jeder Agent sollte nur die minimal notwendigen Berechtigungen erhalten, die für seine spezifische Aufgabe erforderlich sind. Ein E-Mail-Zusammenfassungs-Agent benötigt Lesezugriff auf E-Mails — aber keinen Schreibzugriff und keinen Zugang zum Dateisystem. Least Privilege begrenzt den Schaden, den eine → Prompt Injection oder ein Fehler des Agenten anrichten kann. Es ist eine der wichtigsten Gegenmaßnahmen gegen → Excessive Agency. → [UE 9, UE 97]

Lip-Sync (Lippensynchronisation) KI-Technologie zur automatischen Synchronisation von Lippenbewegungen in Videos mit einem Audiotrack — auch über Sprach- und Sprachgrenzen hinweg. Lip-Sync-KI wird z. B. für die Lokalisierung von Video-Content eingesetzt. Gleichzeitig ist Lip-Sync eine Kerntechnologie für → Deepfakes, weshalb ihr Einsatz strenge ethische und rechtliche Prüfung erfordert. KI-generierte Lippensynchronisationen müssen nach EU AI Act Art. 50 entsprechend gekennzeichnet werden. → [UE 11, UE 13]

LLaMA / Llama (Meta) Eine Familie von Open-Source-Sprachmodellen von Meta (Facebook), die in verschiedenen Größen (7B bis 405B Parameter) verfügbar sind. Llama 3 (2024) und Llama 4 (2025) haben Open-Source-Modelle auf ein Leistungsniveau gebracht, das kommerziellen Modellen der Vorgeneration nahekommt. Für Unternehmen sind Llama-Modelle besonders relevant, wenn → On-Premise-Betrieb aus Datenschutzgründen erforderlich ist. Die Lizenz erlaubt kommerzielle Nutzung unter bestimmten Bedingungen; Details der jeweiligen Lizenzversion sind zu prüfen. → [UE 3]

LLM (Large Language Model / Großes Sprachmodell) Eine Klasse von → Foundation Models, die speziell auf die Verarbeitung und Erzeugung natürlicher Sprache ausgerichtet sind und auf sehr großen Textkorpora trainiert wurden. LLMs können Texte verfassen, zusammenfassen, übersetzen, klassifizieren, Code schreiben und Fragen beantworten. Bekannteste Beispiele sind GPT-4o (OpenAI), Claude (Anthropic) und Gemini (Google DeepMind). LLMs sind probabilistische Systeme: Sie wählen für jede Ausgabe die statistisch wahrscheinlichste Fortsetzung, was Stärken (Sprachflüssigkeit) und Schwächen (→ Halluzination) erklärt. „Chatbot” oder „KI-Assistent” sind nutzerorientierte Bezeichnungen für denselben technischen Kern. → [UE 1, UE 3]

LoRA (Low-Rank Adaptation) Eine ressourceneffiziente Technik für das → Fine-Tuning großer Sprachmodelle, bei der nicht alle Modellgewichte angepasst werden, sondern nur eine kleine Menge zusätzlicher, niedrigrangiger Gewichtsmatrizen trainiert wird. LoRA reduziert den Speicher- und Rechenaufwand erheblich und macht Feinabstimmungen auch ohne hochleistungsfähige GPU-Infrastruktur möglich. Im Unternehmenskontext ist LoRA relevant, wenn ein vorhandenes Modell an unternehmensspezifischen Stil, Fachvokabular oder Entscheidungslogik angepasst werden soll, ohne ein vollständiges Fine-Tuning durchführen zu müssen. → [UE 4]

Machine Learning (ML / Maschinelles Lernen) Die erste und wichtigste Teilmenge der → KI. Kern: Das System lernt aus Daten, ohne dass jede Regel explizit programmiert werden muss. Statt fest kodierter IF-THEN-Regeln lernt ein ML-Modell aus Beispielen Muster und generalisiert auf neue Eingaben. Typische ML-Anwendungen: Spam-Filter, Anomalieerkennung, Kreditscoring, Vorhersage von Projektlaufzeiten, Kundensegmentierung. Im Gegensatz zu klassischer Software ist ML-Verhalten schwerer zu erklären und zu debuggen, dafür deutlich flexibler bei veränderlichen und komplexen Eingaben. → [UE 1]

MCP (Model Context Protocol) Ein von Anthropic entwickeltes offenes Protokoll, das eine standardisierte Schnittstelle zwischen KI-Modellen und externen Datenquellen sowie Werkzeugen definiert. MCP ermöglicht es, dass KI-Assistenten auf strukturierte Weise auf Datenbanken, Dateisysteme, APIs und andere Ressourcen zugreifen können — ähnlich wie ein USB-Standard, der verschiedene Geräte mit einem Computer verbindet. Für Unternehmen bedeutet MCP potenziell weniger proprietäre Integrationen und mehr Interoperabilität zwischen KI-Werkzeugen und bestehenden IT-Systemen. → [UE 9]

Membership Inference Attack Ein Angriff, bei dem versucht wird herauszufinden, ob ein bestimmter Datensatz Teil der Trainingsdaten eines Modells war. Durch spezifische Abfragen können Angreifer mit einer gewissen Wahrscheinlichkeit feststellen, ob bestimmte Personen oder Dokumente im Trainingsdatensatz enthalten waren — was datenschutzrechtliche Konsequenzen hat. Für Unternehmen, die Modelle mit internen Daten fine-tunen, ist Membership Inference ein reales Risiko, das durch Differential Privacy und kontrollierten Datenzugang gemildert werden kann. → [UE 97]

Memory (Agent-Gedächtnis) Die Fähigkeit eines → Agenten, Informationen über aktuelle oder vergangene Konversationen und Aufgaben zu speichern und abzurufen. Memory kann kurzfristig (im → Kontextfenster der aktuellen Sitzung), mittelfristig (in einem externen Speicher für die Sitzung) oder langfristig (persistenter Speicher über Sitzungen hinweg) sein. Langfristiges Gedächtnis eröffnet neue Datenschutzfragen (was wird gespeichert, wer hat Zugriff, wie wird gelöscht?). Unternehmen müssen für KI-Systeme mit persistentem Memory eine klare Datenschutzrichtlinie definieren. → [UE 8, UE 9, UE 97]

Meta-Prompt Ein übergeordneter Prompt, der nicht eine inhaltliche Aufgabe stellt, sondern das Modell anweist, selbst einen → Prompt oder eine Prompt-Vorlage zu erstellen. Meta-Prompting ist eine fortgeschrittene Technik, bei der das Modell genutzt wird, um Prompts für wiederkehrende Aufgaben zu optimieren oder zu systematisieren. Im Unternehmenskontext nützlich für die Erstellung von Prompt-Bibliotheken, die dann von Mitarbeitenden ohne tiefes Prompt-Engineering-Wissen genutzt werden können. Meta-Prompts sind außerdem relevant für den Aufbau von → Agenten-Systemen, bei denen ein übergeordneter Orchestrierer Aufgaben an spezialisierte Subagenten delegiert. → [UE 5, UE 9]

Metadaten-Filterung (Metadata Filtering) Eine Technik in → RAG-Systemen, bei der die Vektorsuche durch strukturierte Metadatenfilter eingeschränkt wird — z. B. „nur Dokumente aus dem Jahr 2025” oder „nur Dokumente der Kategorie Arbeitsrecht”. Metadaten-Filterung verbessert die Präzision des Retrievals erheblich, insbesondere bei großen, heterogenen Wissensdatenbanken. Voraussetzung ist, dass Dokumente beim → Ingestion-Prozess mit aussagekräftigen Metadaten versehen werden. → [UE 7, UE 28]

Mistral / Mixtral (Mistral AI) Sprachmodelle des französischen Unternehmens Mistral AI, gegründet 2023. Mistral 7B und Mixtral 8x7B (→ MoE-Architektur) erzielten für ihre Größe herausragende Benchmark-Ergebnisse. Mistral AI betreibt DSGVO-konforme Rechenzentren in der EU und positioniert sich explizit als europäische Alternative zu US-amerikanischen Anbietern. Das Le-Chat-Interface bietet einen konsumentenfreundlichen Zugang. Für Unternehmen mit EU-Datenschutzanforderungen ist Mistral eine relevante Option — sowohl über API als auch Open-Source On-Premise. → [UE 3]

MLOps (Machine Learning Operations) Die Disziplin und Praxis, die das Training, Deployment, Monitoring und Lebenszyklusmanagement von KI-Modellen im Produktionsbetrieb systematisiert — analog zu DevOps in der Softwareentwicklung. MLOps umfasst Versionierung von Modellen und Daten, automatisierte Trainings-Pipelines, → Eval-Workflows, → Data-Drift-Monitoring und Rollback-Mechanismen. Für Unternehmen, die KI-Systeme produktiv betreiben, ist MLOps eine notwendige Infrastruktur, um Qualität und Compliance über die Zeit sicherzustellen. → [UE 104]

Model Card (Modellkarte) Ein standardisiertes Dokumentationsformat, das die Eigenschaften, Fähigkeiten, Einschränkungen, Trainingsdaten und Evaluierungsergebnisse eines KI-Modells beschreibt. Model Cards wurden von Google Research eingeführt und sind mittlerweile ein Industriestandard für transparente KI-Dokumentation. Für Deployer nach EU AI Act sind Model Cards ein wichtiges Hilfsmittel beim → Vendor Assessment, da sie Transparenz über Modellverhalten und bekannte Schwächen bieten. → [UE 3, UE 13]

Model Monitoring (Modellüberwachung) Die laufende Überwachung eines produktiv betriebenen KI-Modells auf Qualitätsveränderungen, → Data Drift, unerwartete Ausgaben oder sicherheitsrelevante Anomalien. Model Monitoring ist Teil einer guten → MLOps-Praxis und eine Anforderung des → AI Act für Hochrisiko-Systeme. Typische Monitoring-Signale sind Änderungen der Ausgabeverteilung, steigende Fehlerquoten bei → Evals und auffällige Nutzungsmuster. → [UE 104]

Model Stealing (Modell-Diebstahl) Ein Angriff, bei dem ein Angreifer durch systematische Abfragen eines Modells versucht, ein eigenes, funktional ähnliches Modell zu rekonstruieren. Model Stealing ist für proprietäre kommerzielle Modelle ein relevantes Bedrohungsszenario. Für Deployer, die eigene Fine-Tuned-Modelle betreiben, kann Model Stealing zu Wettbewerbsnachteilen führen. Gegenmaßnahmen umfassen Rate-Limiting, Ausgabe-Wasserzeichen und Monitoring auffälliger Abfragemuster. (OWASP LLM10) → [UE 97]

MoE (Mixture of Experts / Gemischte Experten) Eine neuronale Netzwerkarchitektur, bei der das Modell aus vielen spezialisierten „Experten”-Teilnetzen besteht. Für jede Eingabe aktiviert ein Router-Mechanismus nur einen Teil dieser Experten — was es ermöglicht, sehr große Modelle effizient zu betreiben, da nie alle Parameter gleichzeitig aktiv sind. Mixtral (Mistral AI) und Teile von GPT-4 nutzen MoE. Für Anwender ist MoE vor allem als Erklärung relevant, warum Modellgröße und Rechenaufwand bei Inferenz nicht proportional sind. → [UE 3, UE 4]

Multi-Agent-System Eine Architektur, in der mehrere spezialisierte → Agenten zusammenarbeiten, um komplexe Aufgaben zu erfüllen. Ein Orchestrierungs-Agent teilt die Aufgabe auf, spezialisierte Subagenten (z. B. Recherche-Agent, Schreib-Agent, Qualitätsprüfungs-Agent) führen Teilaufgaben durch, und das Ergebnis wird aggregiert. Multi-Agent-Systeme ermöglichen die Parallelisierung komplexer Workflows und die Spezialisierung von Teilsystemen. Aus Governance-Sicht gilt: Verantwortung und Nachvollziehbarkeit müssen auch in verteilten Systemen sichergestellt sein. → [UE 9]

Multilingualität (Multilingual) Die Fähigkeit eines KI-Modells, mehrere Sprachen zu verstehen und zu erzeugen. Moderne LLMs wie GPT-4o, Claude oder Mistral sind multilingual trainiert und liefern in vielen Sprachen gute Ergebnisse, mit typischerweise höchster Leistung in Englisch. Für Unternehmensanwendungen in deutschsprachigen oder internationalen Kontexten ist Multilingualität ein wichtiges Auswahlkriterium. Modelle, die explizit auf Deutsch optimiert wurden (z. B. von → Aleph Alpha), können für bestimmte Aufgaben besser abschneiden. → [UE 3]

Multimodal Die Fähigkeit eines KI-Modells, mehrere Modalitäten — Text, Bild, Audio, Video oder Dokumente — gleichzeitig zu verarbeiten und zu erzeugen. Multimodale Modelle wie GPT-4o oder Gemini Ultra können beispielsweise ein Bild analysieren und auf Deutsch beschreiben, oder einen Text lesen und dazu ein Bild generieren. Für Unternehmen eröffnet Multimodalität neue Anwendungsfälle: automatische Analyse von Bilddokumenten, gesprochene Anfragen an Assistenten oder die Verarbeitung von Präsentationen als Ganzes. Datenschutzrechtlich sind Bildanalysen besonders heikel, wenn Personen erkennbar sind. → [UE 10, UE 11]

Narrow AI (Schwache KI) KI-Systeme, die für eine spezifische Aufgabe oder einen engen Aufgabenbereich ausgelegt und optimiert sind — im Gegensatz zur theoretischen → AGI. Alle heute existierenden KI-Systeme sind Narrow AI: ChatGPT kann keine Autos fahren, ein Bilderkennungssystem kann keinen Text verfassen. Der Begriff „schwach” bezieht sich nicht auf die Leistungsfähigkeit innerhalb der Domäne, sondern auf die Breite des Einsatzes. Für Unternehmensanwender ist diese Abgrenzung wichtig, um realistische Erwartungen zu setzen und Jargon von Anbietern kritisch einzuordnen. → [UE 1]

NER (Named Entity Recognition / Eigennamen-Erkennung) Eine NLP-Aufgabe, bei der ein Modell in einem Text automatisch benannte Entitäten wie Personen, Organisationen, Orte, Daten oder Produktnamen identifiziert und klassifiziert. NER ist eine der ältesten und robustesten NLP-Aufgaben und wird in Dokumentenanalyse, Informationsextraktion und Compliance-Anwendungen eingesetzt. Moderne LLMs können NER im Rahmen von → Zero-Shot Prompting ausführen, ohne speziell darauf trainiert zu sein. → [UE 1, UE 7]

Neuronales Netz (Neural Network) Ein mathematisches Modell, das lose von der Funktionsweise biologischer Neuronen im Gehirn inspiriert ist und aus miteinander verbundenen Rechenknoten (Neuronen) in mehreren Schichten besteht. Neuronen summieren gewichtete Eingaben, wenden eine Aktivierungsfunktion an und leiten das Ergebnis an die nächste Schicht weiter. Das Training erfolgt durch Anpassen der Gewichte mittels Backpropagation und Gradientenabstieg. Tiefe neuronale Netze (viele Schichten) bilden die Grundlage des → Deep Learning. Das Konzept ist für Anwender als Hintergrundwissen relevant, ohne mathematische Details zu erfordern. → [UE 2]

NIS2 (Network and Information Security Directive 2) Die EU-Richtlinie 2022/2555 zur Netz- und Informationssicherheit, die für wesentliche und wichtige Einrichtungen in der EU gilt. NIS2 schreibt Risikomanagement, Meldepflichten für Sicherheitsvorfälle und Mindestanforderungen an die Cybersicherheit vor. Im KI-Kontext ist NIS2 relevant, weil KI-Systeme Angriffsvektoren eröffnen (→ Prompt Injection, → Data Leakage) und weil Sicherheitsvorfälle an KI-Systemen möglicherweise meldepflichtig sind. Für Unternehmen in regulierten Sektoren (Energie, Transport, Gesundheit, Finanzen) ist NIS2 parallel zum AI Act zu beachten. → [UE 13, UE 97]

NLP (Natural Language Processing / Verarbeitung natürlicher Sprache) Der Zweig der Informatik und Linguistik, der sich mit der automatischen Analyse, dem Verständnis und der Erzeugung menschlicher Sprache befasst. NLP ist das technische Fundament aller → LLMs und umfasst Aufgaben wie Textzusammenfassung, Sentiment-Analyse, maschinelle Übersetzung, Named-Entity-Recognition und → ASR. Für Anwender ist NLP vor allem als Kontext nützlich: Viele Leistungen moderner KI-Werkzeuge basieren auf jahrzehntelanger NLP-Forschung, und Kenntnis der Grundbegriffe hilft beim Verständnis von Stärken und Grenzen aktueller Systeme. → [UE 1]

Notified Body (Benannte Stelle) Eine von einem EU-Mitgliedstaat anerkannte und der Kommission gemeldete Konformitätsbewertungsstelle, die für bestimmte Hochrisiko-KI-Systeme die externe → Konformitätsbewertung durchführt. Notified Bodies prüfen, ob das Hochrisiko-KI-System die technischen Anforderungen des EU AI Act erfüllt, und stellen bei Konformität das entsprechende Zertifikat aus. Die Liste der Notified Bodies wird in der NANDO-Datenbank der EU-Kommission geführt. (EU AI Act Art. 33 ff.) → [UE 13]

OCR (Optical Character Recognition / Optische Zeichenerkennung) Technologie zur automatischen Extraktion von Text aus Bildern, gescannten Dokumenten oder Fotos. Moderne OCR-Systeme nutzen → Deep Learning und → Vision-Language-Modelle, um auch handgeschriebenen Text, komplexe Layouts und mehrsprachige Dokumente zuverlässig zu erkennen. OCR ist häufig der erste Schritt in → RAG-Pipelines, die Informationen aus PDF-Scans oder physischen Dokumenten erschließen. Fehlerhafte OCR-Ergebnisse propagieren als schlechte Eingabedaten in alle nachgelagerten KI-Verarbeitungsschritte. → [UE 7, UE 10]

On-Premise (Lokale Bereitstellung) Ein Bereitstellungsmodell, bei dem KI-Modelle und -Infrastruktur auf den eigenen Servern des Unternehmens oder in einer privaten Cloud betrieben werden, anstatt externe → Cloud-Dienste zu nutzen. On-Premise bietet maximale Datenkontrolle und kann datenschutzrechtliche Anforderungen erfüllen, die eine Verarbeitung in externen Rechenzentren ausschließen. Durch die Verfügbarkeit leistungsfähiger Open-Source-Modelle (z. B. LLaMA, Mistral) ist On-Premise auch für mittelgroße Unternehmen zunehmend praktikabel. → [UE 3, UE 12]

One-Shot Prompting Eine Variante des → Few-Shot Prompting, bei der dem Modell genau ein einziges Beispiel des gewünschten Verhaltens gegeben wird. One-Shot liegt zwischen → Zero-Shot (kein Beispiel) und Few-Shot (mehrere Beispiele). Für einfache Formatierungsaufgaben kann ein einzelnes Beispiel ausreichen, während komplexere Aufgaben häufig von zwei bis fünf Beispielen profitieren. Die optimale Anzahl von Beispielen hängt von der Aufgabe, dem Modell und der verfügbaren Kontextfenstergröße ab. → [UE 5]

Open-Source-LLM Ein großes Sprachmodell, dessen Gewichte und ggf. Trainingscode öffentlich zugänglich gemacht werden, sodass Dritte das Modell herunterladen, betreiben und anpassen können. Bekannte Beispiele sind → LLaMA (Meta), → Mistral (Mistral AI) und Falcon (Technology Innovation Institute). Open-Source-LLMs ermöglichen → On-Premise-Betrieb, vollständige Datenkontrolle und Anpassbarkeit durch → Fine-Tuning oder → LoRA. Die Bezeichnung „Open Source” variiert in der Praxis: Nicht immer werden vollständige Trainingsdaten oder -code offengelegt. → [UE 3]

OpenAI Das 2015 in San Francisco gegründete KI-Forschungsunternehmen, das unter anderem die GPT-Modellfamilie sowie die Dienste ChatGPT und die OpenAI-API entwickelt. OpenAI gilt als einer der einflussreichsten Akteure im Bereich generativer KI. Für Unternehmen bietet OpenAI neben dem kostenpflichtigen ChatGPT-Dienst auch Enterprise-Verträge an, die erweiterte Datenschutzgarantien beinhalten. Die OpenAI-Nutzungsbedingungen und Datenschutzrichtlinien müssen vor dem Einsatz in Unternehmenskontexten geprüft werden, insbesondere hinsichtlich der Frage, ob Eingabedaten für Trainingszwecke genutzt werden. → [UE 3]

Orchestrierung (Orchestration) Die koordinierte Steuerung mehrerer KI-Komponenten, → Agenten oder Werkzeuge durch ein übergeordnetes System, um eine komplexe Aufgabe zu erfüllen. Ein Orchestrator teilt eine Aufgabe in Teilaufgaben auf, delegiert diese an spezialisierte Subagenten oder Tools, aggregiert deren Ergebnisse und entscheidet über den weiteren Ablauf. Orchestrierung ist die Grundlage mehrstufiger KI-Workflows. Die Verantwortung für orchestrierte Systeme verbleibt beim → Deployer, auch wenn einzelne Schritte autonom ausgeführt werden. → [UE 9]

Output Sanitization (Ausgabe-Bereinigung) Die Nachverarbeitung von KI-Modellausgaben, bevor diese dem Nutzer oder einem nachgelagerten System präsentiert werden. Output Sanitization erkennt und filtert unerwünschte Inhalte wie PII-Leakage, verbotene Informationen oder unsichere Datenformate. Technisch wird dies durch Klassifikatoren, regelbasierte Filter oder sekundäre LLM-Überprüfungen realisiert. OWASP LLM02 (Insecure Output Handling) adressiert die Risiken, die entstehen, wenn KI-Ausgaben ungefiltert weitergegeben werden. → [UE 97, UE 98]

Output-Format (Ausgabeformat) Die explizite Angabe in einem → Prompt, in welcher Struktur oder welchem Format die Antwort ausgegeben werden soll — z. B. als JSON, Markdown, nummerierte Liste, Tabelle, Fließtext oder XML. Das Definieren des Ausgabeformats ist ein zentrales Element guter Prompts, weil es die Weiterverarbeitbarkeit und Konsistenz der Antworten erhöht. Bei automatisierten Pipelines ist ein strukturiertes Ausgabeformat (insbesondere → JSON) Voraussetzung für die programmatische Weiterverarbeitung. Viele Modelle bieten „Structured Output”-Modi, die die Einhaltung eines definierten Schemas garantieren. → [UE 5, UE 6]

Overfitting (Überanpassung) Ein Problem beim Training von KI-Modellen, bei dem das Modell die Trainingsdaten zu genau „auswendig lernt” und dadurch auf neuen, ungesehenen Daten schlecht abschneidet. Overfitting tritt auf, wenn das Modell zu viele Parameter für zu wenig Trainingsdaten hat. Gegenmaßnahmen sind → Dropout, Regularisierung, Datenaugmentierung und die Nutzung von Validierungsdatensätzen. Für Unternehmen, die Modelle fine-tunen, ist Overfitting ein zentrales Qualitätsrisiko, das durch sorgfältige Evaluation (→ Eval) erkannt werden muss. → [UE 4]

Overreliance (Unkritische Übernahme / OWASP LLM09) Das Sicherheitsrisiko, dass Nutzende die Ausgaben eines KI-Systems unkritisch übernehmen, ohne sie zu verifizieren. Overreliance führt dazu, dass → Halluzinationen, fehlerhafte Klassifikationen oder manipulierte Inhalte unbemerkt in Entscheidungen oder veröffentlichte Dokumente einfließen. Das Gegenkonzept ist das → HITL-Prinzip und die Schulung in kritischer Medienkompetenz gegenüber KI-Ausgaben. (OWASP LLM09) → [UE 97, UE 98]

OWASP Top 10 für LLMs Eine von der Open Worldwide Application Security Project (OWASP) Foundation gepflegte Liste der zehn häufigsten Sicherheitsrisiken bei Anwendungen, die auf großen Sprachmodellen basieren. Sie umfasst Risiken wie → Prompt Injection (LLM01), unsichere Ausgabeverarbeitung (LLM02), Trainingsdaten-Manipulation (LLM03), → Sensitive Information Disclosure (LLM06), → Excessive Agency (LLM08) und unkritische Übernahme von KI-Ausgaben (LLM09). Die Liste ist das Standardreferenzwerk für die Sicherheitsbewertung von LLM-basierten Anwendungen. → [UE 97]

Parameter (Modellgewicht) Die numerischen Werte innerhalb eines neuronalen Netzes, die beim Training angepasst werden und das erlernte Wissen des Modells repräsentieren. Die Anzahl der Parameter gilt als grober Indikator für die Modellgröße und -kapazität: GPT-3 hatte 175 Milliarden, neuere Modelle schätzungsweise mehrere Billionen Parameter. Mehr Parameter bedeuten nicht automatisch bessere Leistung — Trainingsqualität, Datenmenge und Architektur sind ebenso entscheidend. Für Anwender ist die Parameterzahl vor allem als Orientierungsgröße beim Vergleich von Modellen relevant. → [UE 2, UE 3]

Perplexity Im Bereich der Sprachmodellierung ein statistisches Qualitätsmaß, das angibt, wie gut ein Sprachmodell eine Testmenge von Texten vorhersagt. Niedrige Perplexität bedeutet, dass das Modell die Testdaten gut modelliert. Außerhalb des Fachkontexts ist Perplexity auch der Name eines KI-gestützten Suchdiensts (perplexity.ai), der Sprachmodelle zur Beantwortung von Fragen mit direkten Quellenangaben kombiniert. → [UE 4]

Persona Eine explizit zugewiesene Rolle oder Identität, die dem Modell im → System-Prompt oder → Prompt gegeben wird, um Ton, Stil und fachliche Ausrichtung der Antworten zu steuern. Beispiel: „Sie sind eine erfahrene Personalentwicklungsberaterin mit Schwerpunkt mittelständische Unternehmen.” Personas helfen, Ausgaben konsistenter und zielgruppengerechter zu gestalten. Eine gut definierte Persona ersetzt jedoch keine inhaltliche Qualitätsprüfung. Zu beachten: Personas verändern nicht die Fähigkeiten des Modells, sondern nur seine Ausdrucksweise. → [UE 5, UE 6]

pgvector Eine Open-Source-Erweiterung für die relationale Datenbank PostgreSQL, die Vektorspeicherung und Ähnlichkeitssuche direkt in PostgreSQL ermöglicht. pgvector erlaubt Unternehmen, → RAG-Funktionalität in eine bestehende PostgreSQL-Datenbank zu integrieren, ohne eine separate → Vektorstore-Infrastruktur einzuführen. Für Unternehmen mit bestehender PostgreSQL-Infrastruktur ist pgvector ein pragmatischer, kostengünstiger Einstieg in die RAG-Architektur. → [UE 7, UE 28]

Phi (Microsoft) Eine Familie kleiner, aber leistungsstarker Sprachmodelle von Microsoft Research (Phi-1 bis Phi-4). Phi-Modelle zeichnen sich durch hohe Leistung bei vergleichsweise geringer Parameterzahl aus — ermöglicht durch hochqualitative Trainingsdaten. Phi-4 ist für den Einsatz auf → Edge-Geräten oder mit eingeschränkter Infrastruktur optimiert. Für Unternehmen, die On-Premise-Betrieb ohne High-End-GPU-Infrastruktur anstreben, sind Phi-Modelle eine relevante Option. → [UE 3]

PII (Personally Identifiable Information / Personenbezogene Daten) Alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen, gemäß der Definition in Art. 4 Nr. 1 → DSGVO. PII umfasst Namen, Adressen, E-Mail-Adressen, IP-Adressen, Standortdaten und alle anderen Merkmale, die eine Person direkt oder indirekt identifizierbar machen. Beim Einsatz von KI-Werkzeugen ist das unbeabsichtigte Einbringen von PII in externe Dienste ein zentrales Datenschutzrisiko (→ Data Leakage). Technische Maßnahmen zur PII-Anonymisierung oder Pseudonymisierung sollten Teil jeder KI-Nutzungsrichtlinie sein. → [UE 14, UE 97]

Pinecone Ein kommerzieller, verwalteter Vektordatenbankdienst (SaaS), der für den Produktionsbetrieb großer → RAG-Systeme optimiert ist. Pinecone bietet hohe Skalierbarkeit, niedrige Latenz und einfache Integration. Als Cloud-Dienst unterliegt Pinecone datenschutzrechtlicher Prüfung (AVV, Hosting-Standort). Für EU-Unternehmen mit Datenschutzanforderungen sind europäische Alternativen (→ Weaviate, → pgvector On-Premise) ggf. vorzuziehen. → [UE 7, UE 28]

Planner (Planungsmodul) Eine Komponente in → Agenten-Systemen, die für die Dekomposition einer komplexen Aufgabe in handhabbare Teilschritte zuständig ist. Ein Planner analysiert das übergeordnete Ziel, identifiziert erforderliche Werkzeuge und Informationen, und erstellt einen Aktionsplan. Die Qualität des Planers entscheidet maßgeblich, ob ein Agent seine Aufgabe sinnvoll und effizient ausführt. In Frameworks wie LangGraph oder AutoGPT sind Planner-Komponenten explizit architekturiert. → [UE 9]

Pre-Training (Vortraining) Die erste und ressourcenintensivste Phase des Trainings eines → Foundation Model, in der das Modell auf enormen allgemeinen Textmengen trainiert wird — ohne spezifische Aufgabe, sondern mit dem Ziel, statistisches Weltwissen zu erwerben. Pre-Training dauert Wochen bis Monate auf Tausenden von GPUs und kostet Millionen von Euro. Das Ergebnis ist ein Basismodell, das anschließend durch → Fine-Tuning oder → RLHF auf spezifische Aufgaben ausgerichtet wird. Für Unternehmen ist Pre-Training keine eigene Aktivität, aber das Verständnis des Konzepts erklärt Modellstärken und -grenzen. → [UE 4]

Projektarbeit Im Kontext dieser Qualifizierungsmaßnahme die abschließende schriftliche Leistung, in der Teilnehmende einen konkreten KI-Einsatzfall aus ihrem eigenen Berufsumfeld analysieren, konzipieren oder evaluieren. Die Projektarbeit verbindet technisches Verständnis, Prompt Engineering, rechtliche Einordnung und wirtschaftliche Bewertung. Sie dient als Nachweis der erlernten Kompetenzen und als praxisnaher Transfer des Kursinhalts in die eigene Arbeitswelt. → [UE 119, UE 120]

Prompt Die Eingabe, die eine Nutzerin oder ein Nutzer einem KI-System übergibt, um eine Ausgabe zu erzeugen. Ein Prompt kann aus einer einfachen Frage bestehen, aber auch aus einem komplexen Konstrukt mit Kontext, Rollenzuweisung, Beispielen (→ Few-Shot), → Constraints und Ausgabeformaten. Die Qualität des Prompts hat direkten Einfluss auf die Qualität der Ausgabe — daher ist → Prompt Engineering eine eigenständige Kompetenz. Im Unternehmenseinsatz sollten bewährte Prompts dokumentiert und als Vorlagen (Prompt-Bibliothek) geteilt werden, anstatt jedes Mal neu zu formulieren. → [UE 5, UE 6]

Prompt Chaining (Prompt-Verkettung) Eine Technik, bei der die Ausgabe eines → Prompts als Eingabe für den nächsten Prompt verwendet wird, um komplexe mehrstufige Aufgaben schrittweise zu bearbeiten. Prompt Chaining teilt eine große Aufgabe in handhabbare Teilschritte auf und ermöglicht die Überprüfung jedes Schritts vor dem nächsten. Es ist eine manuelle Vorstufe zu automatisierten → Agenten-Workflows und verbessert die Transparenz und Fehlertoleranz bei komplexen Aufgaben. → [UE 5, UE 6, UE 9]

Prompt Engineering Die systematische Gestaltung und Optimierung von → Prompts, um von einem KI-Modell zuverlässig qualitativ hochwertige und aufgabengerechte Ausgaben zu erhalten. Prompt Engineering umfasst Techniken wie → Chain-of-Thought, → Few-Shot Prompting, Rollenzuweisung (→ Persona), → Constraints und iteratives Testen. Es ist keine einmalige Aktivität, sondern ein iterativer Prozess, bei dem Prompts auf Basis der Modellantworten verfeinert werden. Auch ohne Programmier- oder ML-Kenntnisse ist Prompt Engineering erlernbar und stellt eine Kernkompetenz im Sinne von → AI Literacy dar. → [UE 5, UE 6]

Prompt Injection Ein Angriff auf ein KI-System, bei dem schädliche Anweisungen in Eingabedaten eingebettet werden, die das Modell verarbeitet — mit dem Ziel, das Verhalten des Systems zu manipulieren. Bei direkter Prompt Injection gibt der Angreifer die manipulative Eingabe selbst ein; bei indirekter Prompt Injection sind die Anweisungen in verarbeiteten Dokumenten, E-Mails oder Websites versteckt. Prompt Injection ist besonders gefährlich bei → Agenten-Systemen, die eigenständig externe Inhalte lesen. Die OWASP Top 10 für LLMs listet Prompt Injection als Risiko Nr. 1. → [UE 97]

Prompt-Bibliothek Eine strukturierte, gemeinsam gepflegte Sammlung bewährter und dokumentierter → Prompts für wiederkehrende Aufgaben im Unternehmenskontext. Prompt-Bibliotheken erhöhen die Konsistenz und Qualität der KI-Ausgaben, erleichtern das Onboarding neuer Mitarbeitender und schützen vor Wissensverlust bei Personalwechsel. Eine Prompt-Bibliothek sollte Aufgabenbeschreibung, Prompt-Text, Beispielausgabe und Hinweise auf bekannte Schwachstellen enthalten. Im Sinne von → AI Literacy ist die Pflege einer Prompt-Bibliothek eine organisatorische Best Practice. → [UE 6]

Prompt-to-Video (Text-zu-Video) Die KI-gestützte Erzeugung von Videoclips aus Textbeschreibungen. Pioniere sind → Sora (OpenAI), Runway Gen-3 und Google Veo. Die Technologie kombiniert → Diffusionsmodelle mit zeitlicher Modellierung, um kohärente Bewegungsabläufe zu erzeugen. Für Unternehmensanwendungen relevant bei der Erstellung von Erklärvideos, Produktvisualisierungen und Marketing-Content. KI-generierte Videos unterliegen der Kennzeichnungspflicht nach → EU AI Act Art. 50. → [UE 10, UE 11]

Provider (AI Act) Begriff aus dem → AI Act für natürliche oder juristische Personen, die ein KI-System oder ein GPAI-Modell entwickeln oder entwickeln lassen und es unter eigenem Namen oder eigener Marke in Verkehr bringen. Provider haben umfangreiche Pflichten: technische Dokumentation, Risikomanagementsystem, Konformitätsbewertung, Registrierung in der EU-Datenbank und Marktbeobachtung. Die Abgrenzung zu → Deployern ist für die Haftungsverteilung zentral. Wer ein Modell eines anderen Anbieters unter eigenem Namen anbietet, gilt als Provider. (EU AI Act Art. 3 Nr. 3) → [UE 13]

Quantisierung (Quantization) Eine Technik zur Reduktion des Speicher- und Rechenbedarfs eines Modells, bei der Gewichte mit hoher numerischer Präzision (z. B. 32-Bit-Gleitkommazahlen) in Formate mit niedrigerer Präzision (z. B. 4-Bit oder 8-Bit Integer) umgewandelt werden. Quantisierung ermöglicht den Betrieb größerer Modelle auf eingeschränkter Hardware — etwa auf handelsüblichen Consumer-GPUs oder → Edge-Geräten. Der Qualitätsverlust ist bei guten Quantisierungsverfahren gering. Für den Unternehmenseinsatz von Open-Source-Modellen On-Premise ist Quantisierung häufig der Schlüssel zur wirtschaftlichen Machbarkeit. → [UE 3, UE 4]

Qwen (Alibaba) Eine Familie von Sprachmodellen des chinesischen Technologiekonzerns Alibaba, die teilweise als Open Source verfügbar sind. Qwen-Modelle haben starke Mehrsprachigkeitsfähigkeiten, insbesondere für Chinesisch und asiatische Sprachen. Für EU-Unternehmen gelten ähnliche Bedenken wie bei → DeepSeek: Cloud-Dienste aus China sind DSGVO-technisch problematisch; Open-Source-Gewichte können ggf. auf eigener Infrastruktur betrieben werden. → [UE 3]

RAG (Retrieval-Augmented Generation / Retrieval-erweiterte Generierung) Eine Architektur, bei der ein → LLM vor der Antwortgenerierung relevante Informationen aus einer externen Wissensquelle (→ Vektorstore, Datenbank, Dokumentensystem) abruft und diese in den → Kontext einbettet. RAG kombiniert die Sprachkompetenz von LLMs mit der Aktualität und Präzision strukturierter Wissensquellen. Es reduziert → Halluzinationen deutlich, weil das Modell auf konkrete Quellen verweisen kann. RAG ist die bevorzugte Architektur für unternehmensweite Wissensassistenten und ersetzt in vielen Fällen aufwendiges → Fine-Tuning. → [UE 7, UE 28]

RAGE-Metriken (RAG Evaluation) Ein Set von Qualitätsmetriken zur systematischen Bewertung von → RAG-Systemen. Typische Metriken umfassen: Faithfulness (Ist die Antwort durch die abgerufenen Dokumente gedeckt?), Answer Relevance (Beantwortet die Antwort die gestellte Frage?), Context Recall (Wurden alle relevanten Dokumente abgerufen?) und Context Precision (Waren die abgerufenen Dokumente tatsächlich relevant?). Frameworks wie RAGAS automatisieren diese Bewertungen. → [UE 104]

Re-Ranking (Neuordnung) Ein Schritt in → RAG-Pipelines, bei dem initial abgerufene Dokumente durch ein präziseres, aber rechenintensiveres Modell neu nach Relevanz sortiert werden. Re-Ranker (z. B. Cross-Encoder-Modelle) berücksichtigen die Beziehung zwischen Anfrage und Dokument genauer als die initiale → ANN-Suche. Durch Re-Ranking verbessert sich die Precision des Retrievals erheblich, auf Kosten von etwas höherer Latenz. Re-Ranking ist besonders wertvoll bei großen Wissensbasen mit vielen ähnlichen Dokumenten. → [UE 7, UE 28]

ReAct (Reasoning + Acting) Ein Prompting-Framework, bei dem das Modell abwechselnd Überlegungsschritte (Reasoning) und Handlungsschritte (Acting) ausführt — z. B. eine Frage bedenken, ein Werkzeug aufrufen, das Ergebnis auswerten, weiterdenken. ReAct kombiniert → Chain-of-Thought mit → Tool-Use und ist eine der Grundlagen für → Agenten-Systeme. Der Wechsel zwischen Denken und Handeln macht KI-Agenten für komplexe mehrstufige Aufgaben deutlich leistungsfähiger als reine Generierungsmodelle. → [UE 8, UE 9]

ReAct-Loop (Reason-Act-Observe-Zyklus) Der iterative Verarbeitungszyklus in einem → Agenten-System: (1) Reason — das Modell denkt über den nächsten Schritt nach, (2) Act — das Modell ruft ein Werkzeug auf oder führt eine Aktion durch, (3) Observe — das Ergebnis wird in den Kontext zurückgespiegelt. Dieser Zyklus wiederholt sich, bis die Aufgabe abgeschlossen ist oder eine Abbruchbedingung erreicht wird. Der ReAct-Loop ist das Kernprinzip hinter modernen KI-Agenten und wurde im gleichnamigen Forschungspaper beschrieben. → [UE 8, UE 9]

Reasoning-Modell Eine Klasse von Sprachmodellen (z. B. OpenAI o1, o3, o4), die vor der Endantwort intern eine Kette von Schlussfolgerungsschritten durchlaufen — sogenannte Chain-of-Thought-ähnliche Zwischenüberlegungen. Diese Modelle zeigen qualitative Sprünge bei mathematischen, logischen und wissenschaftlichen Aufgaben. Das Reasoning findet im Modell statt und ist für den Nutzer teilweise sichtbar (Thinking-Traces). Für Unternehmensanwendungen mit komplexer Analyse, Planung oder Vertragsauslegung sind Reasoning-Modelle besonders geeignet, oft aber langsamer und teurer als Standard-LLMs. → [UE 2, UE 4]

Red Teaming Eine Methode zur Sicherheitsprüfung von KI-Systemen, bei der ein Team (das „Red Team”) systematisch versucht, das System durch → Jailbreaks, → Prompt Injections, adversarielle Eingaben oder unerwartete Nutzungsszenarien zum Versagen zu bringen. Red Teaming stammt aus dem Cybersicherheitsbereich und wurde auf KI-Systeme übertragen. Ziel ist es, Schwachstellen zu identifizieren, bevor das System produktiv eingesetzt wird. Der → AI Act sieht für Hochrisiko-KI-Systeme entsprechende Testpflichten vor. → [UE 98]

Reinforcement Learning (Bestärkendes Lernen) Ein maschinelles Lernparadigma, bei dem ein Agent durch Versuch und Irrtum lernt, eine Aufgabe zu optimieren, indem er für erwünschtes Verhalten belohnt und für unerwünschtes bestraft wird. Im Kontext von → LLMs ist Reinforcement Learning vor allem in der Variante → RLHF relevant. Reines Reinforcement Learning ohne menschliches Feedback wird für autonome Systeme wie Roboter oder Spielagenten eingesetzt. Das Konzept ist für KI-Anwender wichtig für das Verständnis, wie Modelle trainiert und auf menschliche Präferenzen abgestimmt werden. → [UE 4]

RLHF (Reinforcement Learning from Human Feedback) Eine Trainingstechnik, bei der menschliche Bewerterinnen und Bewerter Modellausgaben einschätzen und diese Einschätzungen genutzt werden, um das Modell durch → Reinforcement Learning zu optimieren. RLHF ist die Schlüsseltechnik, durch die Modelle wie ChatGPT hilfreicher, harmloser und ehrlicher gemacht wurden. Es erklärt, warum moderne LLMs höflich sind, Anweisungen besser befolgen und schädliche Inhalte häufig ablehnen — und auch, warum Präferenzen und Werte der Bewerterinnen und Bewerter in die Modellpersönlichkeit einfließen können (→ Bias). → [UE 4]

ROI (Return on Investment) Eine betriebswirtschaftliche Kennzahl, die das Verhältnis zwischen dem erzielten Nutzen einer Investition und ihren Kosten beschreibt. Im KI-Kontext ist der ROI oft schwer zu quantifizieren, weil viele Nutzenpotenziale (Qualitätsverbesserung, Fehlerreduktion, Mitarbeiterzufriedenheit) nicht direkt in Euro messbar sind. Eine realistische ROI-Kalkulation für KI-Projekte berücksichtigt: direkte Kosteneinsparungen, Produktivitätsgewinne (Zeitersparnis × Stundensatz), vermiedene Fehlerkosten sowie die Investitionskosten (Lizenzen, Implementierung, Schulung, laufende Pflege). → [UE 12, UE 15]

Role-Prompting (Rollenprompting) Eine Variante des → Persona-Prompting, bei der dem Modell explizit eine fachliche oder institutionelle Rolle zugewiesen wird, um domänenspezifische Antworten zu erhalten. Beispiel: „Agieren Sie als erfahrene Datenschutzbeauftragte mit Schwerpunkt DSGVO-Compliance.” Role-Prompting verbessert die Relevanz und Präzision von Antworten in spezialisierten Fachgebieten. Es ist wichtig zu verstehen, dass Role-Prompting keine echte Fachkompetenz erzeugt — das Modell ist kein Anwalt, kein Arzt und kein Auditor, auch wenn es in dieser Rolle antwortet. → [UE 5, UE 6]

RPA (Robotic Process Automation) Software, die menschliche Interaktion mit digitalen Oberflächen imitiert — Klicks, Dateneingabe, Formulare ausfüllen. RPA ist regelbasiert und nicht lernend. Es handelt sich um Automatisierung, nicht um KI im Sinne des EU AI Act. Zunehmend entstehen Hybridlösungen, bei denen RPA und KI kombiniert werden — RPA für strukturierte Schritte, KI für unstrukturierte Dokumente. Die Abgrenzung zu KI ist für Compliance-Fragen relevant: Reine RPA-Systeme unterliegen nicht dem AI Act. → [UE 1]

Safety Evaluation (Sicherheitsbewertung) Die systematische Prüfung eines KI-Modells oder KI-Systems auf Sicherheitsrisiken, unerwünschte Ausgaben und Anfälligkeit für Angriffe (→ Jailbreaks, → Prompt Injection) vor dem produktiven Einsatz. Safety Evaluations umfassen automatisierte Tests, → Red Teaming und strukturierte Benchmark-Prüfungen. Der → AI Act verpflichtet Anbieter von Hochrisiko-KI-Systemen zu dokumentierten Sicherheitsbewertungen. Für Deployer ist die Prüfung der Sicherheitsdokumentation des Anbieters Teil des → Vendor Assessments. → [UE 97, UE 98, UE 13]

Sandbox (Isolierte Ausführungsumgebung) Eine abgesicherte, isolierte Umgebung, in der KI-Agenten Code ausführen oder Aktionen durchführen können, ohne Zugriff auf produktive Systeme, sensible Daten oder das Netzwerk zu haben. Sandboxing ist eine zentrale Sicherheitsmaßnahme für → Agenten-Systeme mit Code-Ausführungsfähigkeiten (z. B. → Code Interpreter). Ohne Sandbox kann ein manipulierter Agent durch → Prompt Injection Schaden an realen Systemen anrichten. Im Unternehmenskontext ist Sandboxing eine Pflichtanforderung für jeden produktiven KI-Agenten mit Ausführungsrechten. → [UE 9, UE 97]

Self-Attention (Selbst-Aufmerksamkeit) Der Kernmechanismus des → Transformers, bei dem jedes Token einer Eingabesequenz Beziehungen zu allen anderen Tokens berechnet und gewichtet — auch bei großen Abständen. Self-Attention ermöglicht es, Pronomina korrekt auf ihre Bezugswörter zu beziehen, auch wenn diese weit entfernt im Text stehen. Die Parallelisierbarkeit von Self-Attention (im Gegensatz zu sequenziellen RNNs) machte das Training auf sehr großen Datensätzen wirtschaftlich möglich. Self-Attention ist der rechnerische Kern, der die Transformer-Revolution ausgelöst hat. → [UE 2, UE 4]

Self-Hosting Der Betrieb eines KI-Modells auf eigener oder privat gemieteter Infrastruktur (→ On-Premise oder private Cloud), anstatt einen kommerziellen API-Dienst zu nutzen. Self-Hosting bietet vollständige Datenkontrolle, Unabhängigkeit von Anbietern und Kostenprediktabilität bei hohem Volumen. Voraussetzung sind ausreichende GPU-Kapazitäten und technisches Know-how. Für viele Anwendungsfälle sind Open-Source-Modelle wie → LLaMA oder → Mistral die Basis für Self-Hosting. → [UE 3, UE 12]

Semantische Suche (Semantic Search) Eine Suchmethode, die nicht nach exakten Schlüsselwörtern sucht, sondern nach dem semantischen Inhalt einer Anfrage — realisiert durch → Embedding-Vektoren und → ANN-Suche. Semantische Suche findet relevante Dokumente auch dann, wenn die Formulierung der Suchanfrage von der Formulierung im Dokument abweicht. Sie ist der entscheidende Vorteil von → RAG-Systemen gegenüber klassischer Schlüsselwortsuche. Im Unternehmenskontext ermöglicht semantische Suche das Erschließen von Wissensdatenbanken in natürlicher Sprache. → [UE 7, UE 28]

Sensitive Information Disclosure (OWASP LLM06) Das Risiko, dass ein LLM-basiertes System sensible oder vertrauliche Informationen in seinen Ausgaben preisgibt — z. B. Inhalte des → System-Prompts, Trainingsdaten, interne API-Schlüssel oder personenbezogene Daten aus dem Kontext. Ursachen können → Prompt Injections, fehlende Output-Filter oder mangelnde Eingabevalidierung sein. Für Unternehmensanwendungen ist dieses Risiko besonders relevant, wenn der KI-Assistent Zugriff auf sensible Dokumente oder Datenbanken hat. → [UE 97]

Shadow AI Die unkontrollierte, nicht-autorisierte Nutzung von KI-Werkzeugen durch Mitarbeitende — analog zum Begriff „Shadow IT”. Shadow AI entsteht, wenn Mitarbeitende KI-Dienste privater Anbieter nutzen, weil keine genehmigten Alternativen bereitstehen oder Freigabeprozesse als zu langsam empfunden werden. Die Risiken umfassen → Data Leakage, fehlende → AVVs, Compliance-Verstöße und unkontrollierbare Qualität der KI-Ausgaben. Die beste Strategie gegen Shadow AI ist nicht Verboten allein, sondern die proaktive Bereitstellung geeigneter, genehmigter KI-Werkzeuge kombiniert mit klaren Nutzungsrichtlinien und Schulungen. → [UE 14, UE 97]

SIPOC Ein Prozessanalyse-Werkzeug aus dem Qualitätsmanagement (Lean, Six Sigma), das einen Prozess anhand von fünf Dimensionen strukturiert: Suppliers (Lieferanten), Inputs (Eingaben), Process (Prozessschritte), Outputs (Ausgaben), Customers (Kunden). Im KI-Kontext dient SIPOC der systematischen Analyse von Prozessen, die durch KI-Werkzeuge unterstützt oder automatisiert werden sollen. Ein gut ausgefülltes SIPOC-Diagramm hilft, die richtigen Stellen für KI-Integration zu identifizieren, Übergaben zu klären und Verantwortlichkeiten festzulegen. → [UE 15]

Skalierungsgesetze (Scaling Laws) Empirisch beobachtete Gesetzmäßigkeiten, nach denen größere Modelle (mehr Parameter), mehr Trainingsdaten und mehr Rechenleistung zu besseren Modell-Leistungen führen — und zwar vorhersagbar und ohne bisher erkennbare Sättigungsgrenze. OpenAI-Forscher dokumentierten diese Gesetze 2020 im „Scaling Laws”-Paper. Skalierungsgesetze erklären, warum der KI-Fortschritt der letzten Jahre so rapide war, und sind ein wesentliches Argument dafür, dass sich der aktuelle KI-Aufschwung strukturell von früheren Hype-Zyklen unterscheidet. → [UE 2]

Sora (OpenAI) Ein von OpenAI entwickeltes Text-zu-Video-Modell, das aus Textbeschreibungen kurze Videos in hoher Qualität generieren kann. Sora nutzt eine Kombination aus Diffusionsmodell-Technologie und Transformer-Architektur. Für Unternehmensanwendungen ist Sora relevant für Marketing-Content, Produktvisualisierungen und Prototyping von Videoinhalten — mit dem Vorbehalt, dass generierte Videos als KI-erzeugt gekennzeichnet werden müssen (→ EU AI Act Art. 50). → [UE 10, UE 11]

Stable Diffusion Ein Open-Source-Bildgenerierungsmodell, das von Stability AI veröffentlicht wurde und auf der → Diffusionsmodell-Architektur basiert. Stable Diffusion kann auf eigener Hardware betrieben werden, was aus Datenschutzsicht Vorteile bietet. Es gibt ein großes Ökosystem aus Fine-Tuning-Modellen (LoRA, Checkpoints) und Erweiterungen (→ ControlNet, Inpainting). Für Unternehmen, die Bildgenerierung On-Premise benötigen oder kreative Workflows mit voller Datenkontrolle aufbauen möchten, ist Stable Diffusion besonders relevant. → [UE 10, UE 11]

Subagent (Teilagent) Ein spezialisierter → Agent innerhalb eines → Multi-Agent-Systems, der vom → Orchestrierer eine Teilaufgabe erhält und diese selbstständig bearbeitet. Subagenten sind oft auf bestimmte Werkzeuge oder Wissensbereiche spezialisiert — z. B. ein Recherche-Subagent, ein Code-Subagent oder ein Qualitätsprüfungs-Subagent. Die Komposition von Subagenten ermöglicht die Modularität komplexer KI-Workflows. Aus Governance-Sicht muss die Verantwortlichkeit auch bei Subagenten klar geregelt und nachvollziehbar protokolliert sein. → [UE 9]

Supervised Learning (Überwachtes Lernen) Ein Lernparadigma des → Machine Learning, bei dem das Modell aus einem Datensatz mit beschrifteten Beispielen (Input-Output-Paaren) trainiert wird, um eine Funktion zu erlernen, die neue Eingaben korrekt klassifiziert oder vorhersagt. Supervised Learning ist die Grundlage klassischer KI-Anwendungen wie Spam-Filter, Kreditbewertung und Bildklassifikation. Es setzt voraus, dass ausreichend qualitativ hochwertige → Labels vorhanden sind. → [UE 1, UE 4]

Synthetische Daten (Synthetic Data) Künstlich generierte Daten, die statistische Eigenschaften realer Datensätze nachahmen, ohne tatsächliche personenbezogene oder proprietäre Informationen zu enthalten. Synthetische Daten werden eingesetzt, um Datenschutzrisiken bei der KI-Entwicklung zu reduzieren, Trainingsdatensätze zu erweitern oder seltene Ereignisse (z. B. Betrugsszenarien) zu simulieren. Moderne LLMs können hochwertige synthetische Textdaten generieren. Für Unternehmen bieten synthetische Daten einen Weg, Modelle zu testen und zu trainieren, ohne echte Kundendaten zu gefährden. → [UE 7]

System-Prompt Eine verborgen übermittelte Anweisung an ein → LLM, die vor dem sichtbaren Nutzerdialog steht und das Grundverhalten, die Rolle, den Stil und die Einschränkungen des Modells definiert. Nutzende sehen den System-Prompt in der Regel nicht, er beeinflusst aber alle Antworten. Im Unternehmenseinsatz ist der System-Prompt das wichtigste Instrument zur Anpassung eines Modells an spezifische Anwendungsfälle und zur Implementierung von → Guardrails. Ein sorgfältig gestalteter System-Prompt reduziert unerwünschte Ausgaben erheblich und ist Teil des → Prompt Engineering. → [UE 5, UE 6, UE 97]

TCO (Total Cost of Ownership / Gesamtbetriebskosten) Die Summe aller direkten und indirekten Kosten, die mit der Einführung und dem Betrieb eines KI-Systems über seinen gesamten Lebenszyklus entstehen. TCO umfasst nicht nur Lizenz- und API-Kosten, sondern auch Implementierungsaufwand, Schulungskosten, laufende Wartung, → Eval und Monitoring, mögliche Anpassungen sowie Kosten für den Wechsel zu einem anderen System (Switching Costs). Eine realistische TCO-Kalkulation ist Voraussetzung für fundierte Investitionsentscheidungen im Bereich KI. → [UE 12, UE 15]

Temperature (Temperatur) Ein Steuerungsparameter für KI-Modelle, der den Grad der Zufälligkeit bei der Token-Auswahl beeinflusst. Bei niedriger Temperature (nahe 0) wählt das Modell fast immer das wahrscheinlichste nächste Token — was deterministische, konsistente, aber weniger kreative Ausgaben erzeugt. Bei hoher Temperature (z. B. 1,0 bis 2,0) werden auch unwahrscheinlichere Tokens häufiger gewählt, was zu kreativeren, aber auch fehleranfälligeren Ausgaben führt. Für sachliche Unternehmensanwendungen (Fakten, Analysen) sind niedrige Temperature-Werte empfehlenswert; für kreative Aufgaben höhere. → [UE 5, UE 6]

Text-to-Image (Text-zu-Bild) Die Erzeugung von Bildern aus natürlichsprachlichen Textbeschreibungen (Prompts) durch ein generatives KI-Modell. Bekannte Systeme: → DALL·E (OpenAI), → Stable Diffusion (Stability AI), Midjourney, Adobe Firefly. Text-to-Image-Modelle nutzen → Diffusionsmodell-Technologie in Verbindung mit → CLIP für die Text-Bild-Verknüpfung. Für Unternehmensanwendungen relevant für Marketinginhalte, Prototyping und visuelle Kommunikation — mit der Pflicht zur Kennzeichnung als KI-generierter Inhalt (→ EU AI Act Art. 50). → [UE 10, UE 11]

Text-to-Speech (TTS / Sprachsynthese) Technologie zur automatischen Umwandlung von Text in gesprochene Sprache. Moderne TTS-Systeme (z. B. ElevenLabs, OpenAI TTS, Microsoft Azure Neural TTS) erzeugen täuschend natürlich klingende Stimmen in vielen Sprachen und können spezifische Stimmprofile klonen oder erzeugen. Im Unternehmenskontext ist TTS relevant für Barrierefreiheit, automatisierte Telefonassistenz und E-Learning. Stimmklonen erfordert besondere rechtliche Sorgfalt (Persönlichkeitsrechte, Einwilligung). → [UE 10]

Throughput (Durchsatz) Die Anzahl von Anfragen oder Tokens, die ein KI-System pro Zeiteinheit verarbeiten kann. Throughput ist neben → Latenz das zentrale Performance-Maß für produktiv eingesetzte KI-Systeme. Hoher Throughput ist besonders wichtig bei Batch-Verarbeitung (z. B. nächtliche Analyse tausender Dokumente) oder bei KI-Diensten mit vielen gleichzeitigen Nutzern. Throughput wird durch die zugrunde liegende Hardware-Infrastruktur (GPU-Kapazität, Parallelisierung) und die Modellarchitektur bestimmt. → [UE 3, UE 12]

Token Die kleinste Verarbeitungseinheit, in die ein → LLM Text aufteilt. Tokens entsprechen in europäischen Sprachen ungefähr Silben oder kurzen Wörtern; im Englischen umfasst ein Token durchschnittlich etwa vier Zeichen. Die Tokenisierung bestimmt, wie ein Modell Text „sieht” und verarbeitet. Sie erklärt auch, warum Preise für KI-Dienste oft pro Token berechnet werden (→ Token-Pricing) und warum ungewöhnliche Schreibweisen oder Neologismen manchmal suboptimal verarbeitet werden. Das → Kontextfenster wird ebenfalls in Tokens gemessen. → [UE 3, UE 4]

Token-Pricing (Tokenbasierte Abrechnung) Das von KI-API-Anbietern verwendete Preismodell, bei dem Kosten pro verarbeitetem → Token berechnet werden — getrennt für Input-Tokens (Eingabe) und Output-Tokens (Ausgabe). Typische Preise (Stand 2025/26): GPT-4o ca. 2,50 $ / 1 Mio. Input-Tokens und 10 $ / 1 Mio. Output-Tokens; günstigere Modelle wie GPT-4o-mini ab 0,15 $ / 1 Mio. Input-Tokens. Für Unternehmensanwendungen mit hohem Volumen ist eine Kostenmodellierung vor der Implementierung unerlässlich. Kontextgröße (System-Prompt-Länge, Gesprächsverlauf) hat direkten Einfluss auf die Kosten. → [UE 3, UE 12]

Tool-Calling (Werkzeugaufruf) Synonym zu → Function Calling; beschreibt den Mechanismus, durch den ein → LLM oder → Agent eine externe Funktion oder ein Werkzeug aufruft. Verschiedene Anbieter verwenden unterschiedliche Begriffe (OpenAI: Function Calling, Anthropic: Tool Use). Der Mechanismus ist technisch äquivalent: Das Modell gibt strukturierte Parameter aus, die die Anwendung zur Ausführung des Werkzeugs nutzt. → [UE 8, UE 9]

Tool-Use (Werkzeugnutzung) Die Fähigkeit eines → LLM oder → Agenten, externe Werkzeuge aufzurufen, um Informationen abzurufen oder Aktionen auszuführen, die über reine Textgenerierung hinausgehen. Werkzeuge können Web-Suche, Datenbankabfragen, Kalendersteuerung, Code-Ausführung oder beliebige APIs sein. Tool-Use ist technisch auf → Function Calling aufgebaut und ist die Grundlage für → Agenten-Systeme. Aus Governance-Perspektive gilt: Jede Erweiterung des Modells um Werkzeuge erhöht dessen Handlungsradius und damit auch den Bedarf an Aufsicht, klaren Berechtigungen und → HITL-Kontrollpunkten. → [UE 8, UE 9]

Top-P (Nucleus Sampling) Ein Steuerungsparameter für KI-Modelle, der — alternativ oder ergänzend zu → Temperature — die Token-Auswahl einschränkt: Das Modell wählt das nächste Token nur aus der kleinsten Menge von Tokens, deren kumulierte Wahrscheinlichkeit die Schwelle P übersteigt. Bei Top-P = 0,9 werden die 90 % wahrscheinlichsten Token-Kandidaten berücksichtigt. Top-P und Temperature steuern gemeinsam die Variabilität der Ausgaben. Für die meisten Unternehmensanwendungen genügt es, einen der beiden Parameter zu verstehen; Standardwerte liefern in der Regel gute Ergebnisse. → [UE 5, UE 6]

Training Data Poisoning (Trainingsdaten-Vergiftung / OWASP LLM03) Ein Angriff, bei dem ein Gegner gezielt manipulierte Daten in den Trainingskorpus eines Modells einschleust, um dessen Verhalten langfristig zu verändern. Für Unternehmen, die Modelle mit internen Daten fine-tunen, ist Trainingsdaten-Vergiftung ein reales Risiko — etwa wenn externe Dienstleister Zugang zum Trainingsdatensatz haben. Schutzmaßnahmen umfassen Datenvalidierung, Zugriffskontrolle auf Trainingsdaten und Anomalie-Monitoring der Modellausgaben nach Training. (OWASP LLM03) → [UE 97]

Transfer Learning (Transferlernen) Ein maschinelles Lernparadigma, bei dem ein auf einer Aufgabe vortrainiertes Modell für eine neue, verwandte Aufgabe weiterentwickelt wird — anstatt von Grund auf neu zu trainieren. Transfer Learning ist das Kernprinzip hinter → Fine-Tuning und → LoRA: Das vorhandene Wissen eines → Foundation Model wird als Ausgangspunkt genutzt. Transfer Learning reduziert den Bedarf an Trainingsdaten und Rechenleistung für neue Aufgaben erheblich und macht KI-Anpassungen für Unternehmen erst wirtschaftlich attraktiv. → [UE 4]

Transformer Die seit 2017 dominierende neuronale Netzwerkarchitektur für → LLMs und viele andere KI-Systeme, eingeführt im Paper „Attention Is All You Need” von Vaswani et al. Der Transformer verarbeitet Sequenzen (z. B. Sätze) parallelisiert statt sequenziell und nutzt den → Attention-Mechanismus, um kontextuelle Abhängigkeiten zwischen beliebig weit entfernten Elementen zu modellieren. Alle modernen LLMs — GPT, Claude, Gemini, LLaMA — basieren auf Variationen der Transformer-Architektur. Das Verständnis dieses Konzepts hilft, die Stärken und Grenzen von Sprachmodellen einzuschätzen. → [UE 2, UE 4]

Tree-of-Thought (ToT) Eine Erweiterung des → Chain-of-Thought-Prompting, bei der das Modell nicht nur einen linearen Gedankengang verfolgt, sondern gleichzeitig mehrere Lösungspfade (Äste) erkundet und bewertet. Tree-of-Thought verbessert die Leistung bei Aufgaben, die kreative Erkundung oder Backtracking erfordern. Es ist rechenaufwendiger als CoT und wird vor allem für komplexe Planungs- und Kreativaufgaben eingesetzt. Das Konzept ist Teil der Forschung zu besseren Reasoning-Architekturen für LLMs. → [UE 5, UE 6]

Trust & Safety (Vertrauenswürdige und sichere KI) Ein Praxisfeld innerhalb von KI-Unternehmen und Deployer-Organisationen, das Richtlinien, Prozesse und Technologien entwickelt, um Missbrauch von KI-Systemen zu verhindern — z. B. die Verbreitung von Desinformation, → Deepfakes, Hassrede oder illegalen Inhalten. Trust & Safety-Teams übersetzen ethische Prinzipien und rechtliche Anforderungen (→ AI Act, DSGVO) in konkrete Produktentscheidungen und Moderationsprozesse. Für Unternehmen, die eigene KI-Anwendungen betreiben, sind Trust & Safety-Überlegungen Teil der → KI-Governance. → [UE 13, UE 97]

Turing-Test Ein vom britischen Mathematiker Alan Turing 1950 im Aufsatz „Computing Machinery and Intelligence” vorgeschlagenes Kriterium zur Beurteilung maschineller Intelligenz: Ein Maschinentest gilt als bestanden, wenn ein menschlicher Prüfer in einer Textkonversation nicht zuverlässig unterscheiden kann, ob er mit einem Menschen oder einer Maschine kommuniziert. Der Turing-Test ist bis heute ein kultureller Bezugspunkt, hat aber als praktische Messeinheit an Bedeutung verloren, seit Sprachmodelle Varianten davon routinemäßig bestehen. Er verdeutlicht, dass „menschenähnliches Verhalten” kein hinreichendes Kriterium für Intelligenz ist. → [UE 2]

Underfitting (Unteranpassung) Das Gegenstück zu → Overfitting: Ein KI-Modell ist zu einfach oder wurde zu wenig trainiert, um die relevanten Muster in den Daten zu erfassen. Ein underfittetes Modell liefert schlechte Ergebnisse sowohl auf den Trainingsdaten als auch auf neuen Daten. Typische Ursachen: zu wenig Trainingszeit, zu einfache Modellarchitektur oder zu wenig Daten. Underfitting und Overfitting sind die beiden zentralen Bias-Varianz-Kompromisse beim Modelltraining. → [UE 4]

Unüberwachtes Lernen (Unsupervised Learning) Ein Lernparadigma des → Machine Learning, bei dem Modelle aus Daten lernen, ohne dass menschlich gelabelte Beispiele vorhanden sind. Das Modell entdeckt eigenständig Strukturen, Muster und Cluster in den Daten. → Pre-Training von Foundation Models ist eine Form des unüberwachten (oder selbstüberwachten) Lernens: Das Modell lernt, fehlende Wörter vorherzusagen, ohne menschliches Labeling. Im Gegensatz dazu steht überwachtes Lernen (Supervised Learning), bei dem jedes Trainingsbeispiel eine menschlich erstellte Zielvorgabe hat. → [UE 4]

Urheberrecht KI-Output Die rechtlich noch nicht vollständig geklärte Frage, ob und unter welchen Bedingungen KI-generierte Inhalte urheberrechtlichen Schutz genießen oder ob sie gemeinfrei sind. In Deutschland und der EU setzt das Urheberrecht eine menschliche Schöpfungsleistung voraus; rein maschinell erzeugte Werke ohne hinreichenden menschlichen Gestaltungsbeitrag sind in der Regel nicht schutzfähig. Gleichzeitig können KI-generierte Inhalte Urheberrechte Dritter verletzen, wenn das Trainingsmaterial urheberrechtlich geschützte Werke enthält. Unternehmen sollten für die kommerzielle Nutzung von KI-Outputs die Lizenz- und Nutzungsbedingungen des jeweiligen Dienstanbieters prüfen. → [UE 14]

Use-Case-Portfolio Die strukturierte Sammlung und Priorisierung von KI-Anwendungsfällen innerhalb einer Organisation. Ein Use-Case-Portfolio ordnet potenzielle KI-Einsätze nach Kriterien wie Umsetzungsaufwand, erwarteter Nutzen, Datenschutzrisiko und strategischer Relevanz. Die Portfolioarbeit verhindert sowohl ungeplante Wildwuchsimplementierungen (→ Shadow AI) als auch Aktionismus: Nicht jede mögliche KI-Anwendung ist für das jeweilige Unternehmen sinnvoll. Ein strukturiertes Portfolio bildet die Grundlage für fundierte KI-Investitionsentscheidungen. → [UE 15]

VAE (Variational Autoencoder) Eine generative Modellarchitektur, die Eingabedaten in eine komprimierte latente Darstellung (latent space) kodiert und aus dieser wieder rekonstruiert, dabei aber eine probabilistische Struktur im latenten Raum erzwingt. VAEs ermöglichen die Generierung neuer Variationen durch Sampling aus dem latenten Raum. Sie spielen eine Rolle in Bildgenerierungssystemen und sind eine Vorstufe zu → Diffusionsmodellen. VAEs sind weniger leistungsfähig als moderne Diffusionsmodelle, aber konzeptionell wichtig für das Verständnis generativer Architekturen. → [UE 10]

Vektorraum (Vector Space) Ein mathematischer Raum, in dem Texte, Bilder oder andere Daten als Punkte (Vektoren) repräsentiert werden. Semantisch ähnliche Inhalte liegen im Vektorraum nah beieinander. Dieser Raum ist in der Regel hochdimensional (Hunderte bis Tausende von Dimensionen), für Menschen nicht direkt vorstellbar, aber mathematisch präzise definiert. Die Fähigkeit, Ähnlichkeit als Abstand im Vektorraum zu messen, ist die Grundlage aller modernen semantischen Such- und Empfehlungssysteme. → [UE 7]

Vektorstore (Vektordatenbank) Eine spezialisierte Datenbank zur Speicherung und effizienten Suche von → Embeddings (Vektoren). Im Gegensatz zu relationalen Datenbanken, die exakte Übereinstimmungen suchen, erlaubt ein Vektorstore die Suche nach semantisch ähnlichen Einträgen durch Messung von Vektorabständen (z. B. → Cosine Similarity). Vektorstores sind eine zentrale Komponente von → RAG-Systemen. Bekannte Beispiele sind → Pinecone, → Weaviate, → Chroma und die Vektorsuche in Azure AI Search oder PostgreSQL mit → pgvector. → [UE 7, UE 28]

Vektorsuche (Vector Search) Der technische Suchprozess in einem → Vektorstore, bei dem eine Anfrage zunächst in einen → Embedding-Vektor umgewandelt und dann mithilfe von → ANN-Algorithmen die ähnlichsten Vektoren in der Datenbank gefunden werden. Vektorsuche ist das Herzstück von → RAG-Systemen und semantischen Suchanwendungen. Sie ergänzt oder ersetzt klassische Schlüsselwortsuche dort, wo inhaltliche Ähnlichkeit relevanter ist als exakte Wortübereinstimmung. → [UE 7, UE 28]

Vendor Assessment (Anbieterprüfung) Der strukturierte Prozess, mit dem ein Unternehmen einen KI-Anbieter vor der Nutzung seines Dienstes auf Konformität mit Datenschutz-, Sicherheits- und Compliance-Anforderungen prüft. Ein Vendor Assessment umfasst typischerweise: Prüfung der Datenschutzvereinbarungen (→ AVV), Klärung des Hosting-Standorts und der Subprozessoren, Bewertung der Zertifizierungen (ISO 27001, SOC 2), Analyse der KI-spezifischen Risiken (→ OWASP Top 10) und Einholung einer Stellungnahme der Datenschutzbeauftragten. Das → Ampel-Freigabemodell kann als Ergebnis des Vendor Assessments operationalisiert werden. → [UE 14]

Vendor-Lock-in Die Abhängigkeit einer Organisation von einem einzelnen KI-Anbieter, die einen Wechsel zu Konkurrenzprodukten kostspielig oder technisch aufwendig macht. Vendor-Lock-in entsteht durch proprietäre API-Formate, spezifische Fine-Tuning-Daten, integrierte Plattformlösungen oder exklusive Serviceverträge. Im KI-Kontext ist Vendor-Lock-in besonders relevant, weil sich der Markt schnell verändert und langfristige Abhängigkeiten riskant sein können. Gegenstrategien: offene Standards (→ MCP, OpenAPI), Open-Source-Modelle (→ LLaMA, → Mistral), austauschbare Abstraktionsschichten. → [UE 3, UE 12]

Vision-Language-Model (VLM) Ein multimodales KI-Modell, das sowohl Text als auch Bilder verarbeitet und die Verbindung zwischen diesen Modalitäten herstellt. VLMs können Bilder beschreiben, beantworten, klassifizieren oder im Zusammenspiel mit Texten analysieren. Beispiele: GPT-4 Vision, Claude 3 (Sonnet, Opus), Gemini, LLaVA (Open Source). Für Unternehmen relevant bei der Automatisierung von Dokumentenanalyse, Qualitätssicherung mit Bilddaten und der Auswertung von Grafiken und Diagrammen. → [UE 10, UE 11]

Wasserzeichen (Watermarking) Eine Technik, bei der KI-generierte Inhalte (Texte, Bilder, Audio, Video) mit einem unsichtbaren oder sichtbaren Signal versehen werden, das ihre maschinelle Herkunft kennzeichnet. Wasserzeichen dienen der Nachvollziehbarkeit und Kennzeichnungspflicht gemäß → EU AI Act Art. 50 sowie der Bekämpfung von → Deepfakes und Fehlinformation. Technische Wasserzeichen können in Bildpixelwerte, Textmuster oder Audio-Frequenzen eingebettet werden. Für Unternehmen, die KI-generierte Inhalte veröffentlichen, sind Wasserzeichen ein zentrales Compliance-Instrument. → [UE 11, UE 13]

Weaviate Eine Open-Source-Vektordatenbank mit optionaler Cloud-Variante, die für produktionelle RAG-Systeme entwickelt wurde. Weaviate unterstützt → Hybrid Search nativ und bietet integrierte Embedding-Modell-Unterstützung. Als Open-Source-Lösung kann Weaviate On-Premise betrieben werden, was für datenschutzsensible Unternehmensanwendungen relevant ist. → [UE 7, UE 28]

Whisper (OpenAI) Ein von OpenAI entwickeltes Open-Source-Modell zur → ASR (automatischen Spracherkennung), das auf ca. 680.000 Stunden mehrsprachiger Audiodaten trainiert wurde. Whisper erreicht für viele Sprachen, darunter Deutsch, eine hohe Transkriptionsqualität und ist als Open-Source-Software kostenlos nutzbar. Im Unternehmenseinsatz kann Whisper auf eigener Infrastruktur (→ On-Premise) betrieben werden, was datenschutzrechtliche Vorteile bietet. Whisper ist die Grundlage vieler kommerzieller Transkriptions- und Untertitelungsdienste. → [UE 10]

Workflow-Automatisierung Die automatisierte Ausführung mehrstufiger Geschäftsprozesse durch die Kombination von KI-Modellen, → Agenten und traditionellen Automatisierungswerkzeugen (→ RPA, API-Integrationen). Moderne KI-gestützte Workflow-Automatisierung geht über regelbasierte Prozesse hinaus: KI kann unstrukturierte Eingaben (E-Mails, PDFs, Sprachaufnahmen) verarbeiten und in strukturierte Prozessschritte übersetzen. Für Unternehmen bietet Workflow-Automatisierung erhebliche Effizienzpotenziale, erfordert aber klare Governance (→ HITL, Fehlerbehandlung, Auditierbarkeit). → [UE 9, UE 12]

World Model (Weltmodell) Ein internes Modell, das ein KI-System über die Struktur der Welt, kausale Zusammenhänge und die Konsequenzen von Aktionen entwickelt. Einfache LLMs gelten nicht als echte World Models, weil sie Korrelationen in Sprache modellieren, nicht kausale Strukturen der Realität. Autonome Systeme wie Roboter oder KI-Planungssysteme benötigen hingegen explizite oder implizite World Models. Das Konzept ist für Unternehmensanwender relevant als Erklärung, warum LLMs in Planungsaufgaben Grenzen haben. → [UE 2, UE 9]

Zero-Shot Prompting Eine Prompting-Technik, bei der das Modell eine Aufgabe löst, ohne dass Beispiele im → Prompt angegeben werden. Das Modell stützt sich ausschließlich auf sein im Training erworbenes Wissen und die Aufgabenbeschreibung. Zero-Shot eignet sich für gut definierte, standardisierte Aufgaben, bei denen das Modell das gewünschte Ausgabeformat aus der Anweisung ableiten kann. Bei komplexeren oder ungewöhnlichen Aufgaben sind → Few-Shot Prompting oder → Chain-of-Thought in der Regel wirksamer. Zero-Shot ist der Ausgangspunkt jedes Prompt-Engineering-Prozesses. → [UE 5, UE 6]

§ 82 SGB III (Förderung beruflicher Weiterbildung) Die Rechtsgrundlage im Sozialgesetzbuch III für die staatliche Förderung beruflicher Weiterbildung durch die Bundesagentur für Arbeit. § 82 SGB III ermöglicht es Arbeitgebern und Beschäftigten unter bestimmten Voraussetzungen, Kosten für anerkannte Qualifizierungsmaßnahmen gefördert zu bekommen.

Stand: 2025/2026. Das Glossar wird laufend aktualisiert. Rechtsangaben ohne Gewähr auf Aktualität — bitte jeweils die aktuelle Fassung der zitierten Rechtsvorschriften prüfen.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung als PDF anfordern.