KI-Buzzwords entschlüsselt.

In KI-Verkaufsgesprächen, Anbieterpräsentationen und internen Workshops fallen Begriffe, die in jedem dritten Satz auftauchen und in keiner Glosse wirklich erklärt werden. „Wir nutzen RAG mit einem fine-getunten LLM und einem Multi-Agent-Ansatz“ — ein Satz, der für viele Geschäftsführer wie eine Geheimsprache klingt. Das ist nicht zufällig: Buzzwords schaffen Distanz, und Distanz schafft Verhandlungsspielraum für den Anbieter. Wer die wichtigsten Begriffe entschlüsseln kann, holt sich diesen Spielraum zurück. Es geht nicht darum, sie alle in Tiefe zu beherrschen — sondern darum, sie soweit zu verstehen, dass man die richtigen Anschlussfragen stellen kann. Dieser Artikel erklärt die zwanzig wichtigsten KI-Begriffe für mittelständische Entscheider in einer Sprache, die ohne Mathematik auskommt, aber präzise bleibt. Wer sie kennt, kann jeder Anbieter-Diskussion folgen — und einige Halbwahrheiten entlarven.

Die Grundbegriffe: KI, ML, Deep Learning.

Die Hierarchie der drei Grundbegriffe verwirrt regelmäßig — sie ist aber wichtig, weil sie unterschiedliche Wirklichkeiten beschreibt.

Künstliche Intelligenz (KI / AI) ist der weiteste Begriff: Software, die Aufgaben erledigt, die als „intelligent“ gelten würden, wenn ein Mensch sie macht. Das umfasst klassische Expertensysteme (festgelegte Regeln), maschinelles Lernen, Deep Learning und vieles mehr.

Machine Learning (ML) ist eine Teilmenge: Systeme, die aus Daten lernen, ohne explizit programmiert zu werden. Statt einem Programmierer Regeln vorzugeben, gibt man dem System Beispiele und lässt es Muster lernen.

Deep Learning ist wiederum eine Teilmenge von ML: ML mit künstlichen neuronalen Netzen mit vielen Schichten („tief“). Hier liegt der Schwerpunkt der modernen KI-Entwicklung — alle aktuellen Sprachmodelle, Bildgeneratoren und vergleichbaren Systeme basieren auf Deep Learning.

Wer das hört: „Wir nutzen KI“ — kann mit einer Anschlussfrage präzisieren: „Klassisch regelbasiert oder lernend? Welche Art von Modell?“ Häufig wird diese Frage nicht erwartet — und die Antwort verrät, wie tief die Lösung tatsächlich geht.

Sprachmodelle: LLM, GPT, Token, Prompt.

Die häufigsten Begriffe heute drehen sich um Sprachmodelle. Vier Begriffe reichen, um die meisten Diskussionen zu verstehen.

LLM (Large Language Model): Ein großes Sprachmodell, das auf riesigen Textmengen trainiert wurde und Sprache verstehen und erzeugen kann. ChatGPT, Claude, Gemini sind LLMs (oder enthalten welche).

GPT (Generative Pre-trained Transformer): Eine bestimmte Modellarchitektur, von OpenAI populär gemacht. Heute oft als Synonym für „LLM“ verwendet — strenggenommen nur eine Variante davon.

Token: Die kleinste Verarbeitungseinheit eines LLMs. Etwa ein Wort, manchmal nur ein Wortteil. „Hallo Welt“ sind zwei Tokens, „Außergewöhnlich“ vielleicht drei. Wichtig, weil Modelle pro Token abrechnen — wer von „100.000 Tokens pro Tag“ liest, weiß: das sind ungefähr 75.000 Wörter.

Prompt: Die Anfrage oder Anweisung, die man dem Modell gibt. „Schreibe eine Zusammenfassung dieses Dokuments“ ist ein Prompt. Die Qualität des Outputs hängt erheblich vom Prompt ab — ein Bereich, der inzwischen eine eigene Disziplin geworden ist (Prompt Engineering).

Wie KI Wissen einbindet: RAG, Embedding, Vektordatenbank.

Die nächste Begriffsschicht dreht sich um die Frage, wie KI mit unternehmensspezifischem Wissen umgeht. Drei Begriffe sind hier zentral.

RAG (Retrieval Augmented Generation): Ein Verfahren, bei dem das LLM beim Antworten auf eigene Datenquellen zugreift. Statt nur sein Trainingswissen zu nutzen, sucht es in einem unternehmenseigenen Dokumentenpool und nutzt die gefundenen Stellen für die Antwort. Das ist die häufigste Architektur für interne KI-Wissensbasen.

Embedding: Eine numerische Repräsentation eines Textes, Bildes oder einer anderen Information. Vereinfacht: Ein langer Vektor aus Zahlen, der die „Bedeutung“ einer Information mathematisch ausdrückt. Wichtig, weil Embeddings die Grundlage dafür sind, Texte mit ähnlicher Bedeutung zu finden.

Vektordatenbank: Eine spezialisierte Datenbank, die Embeddings speichert und nach Ähnlichkeit durchsucht. Pinecone, Weaviate, Chroma sind bekannte Vertreter. Wenn ein Anbieter „wir indizieren Ihre Dokumente in einer Vektordatenbank“ sagt, weiß man jetzt: Die Texte werden in Embeddings überführt und gespeichert, damit später ähnliche Inhalte schnell gefunden werden.

Diese drei Begriffe gehören zusammen: RAG ist die Methode, Embeddings sind die Repräsentationsform, die Vektordatenbank das Speichermedium. Wer sie versteht, kann die Architektur einer typischen Unternehmens-KI-Lösung nachvollziehen.

Modellanpassung: Fine-Tuning, RLHF, Few-Shot.

Manchmal reicht ein generisches Modell nicht — es soll spezifisches Verhalten lernen. Hier kommen drei Begriffe ins Spiel, die unterschiedlich teuer und unterschiedlich wirksam sind.

Fine-Tuning: Ein vorhandenes Modell wird mit eigenen Daten weitertrainiert. Anwendungsbeispiel: Ein Modell lernt, in der spezifischen Tonalität Ihres Unternehmens zu schreiben. Aufwändig (zehntausende bis hunderttausende Beispiele nötig), aber sehr wirksam.

RLHF (Reinforcement Learning from Human Feedback): Ein Modell lernt aus menschlichen Bewertungen seiner Ausgaben. Diese Methode hat moderne LLMs deutlich nützlicher gemacht — sie sortiert aus, was als gute Antwort gilt. Für mittelständische Anwender selten direkt relevant, aber wichtig zu wissen, weil es die Verbesserungen erklärt.

Few-Shot Learning / In-Context Learning: Man gibt dem Modell ein paar Beispiele direkt im Prompt mit. „Hier sind drei Beispiele richtiger Klassifikation. Klassifiziere nun dieses neue Beispiel.“ Sehr günstige Form der Anpassung — sie kommt ohne Training aus, sondern nutzt die Fähigkeit des Modells, aus Beispielen zu lernen.

Für die meisten Mittelständler ist Few-Shot der erste Hebel — er kostet nichts außer Prompt-Design. Fine-Tuning lohnt sich erst, wenn klare Anforderungen entstanden sind und die Datenmenge stimmt.

Aktuelle Hype-Begriffe: Agent, MCP, Multimodal.

Drei Begriffe haben in den letzten Monaten besondere Aufmerksamkeit bekommen. Sie sind real, werden aber in Verkaufsgesprächen oft überdehnt.

Agent / AI-Agent: Eine KI, die mehrere Schritte autonom plant und ausführt, oft mit Zugriff auf externe Tools (Webrecherche, Datenbanken, APIs). Beispiel: „Recherchiere drei Wettbewerber, fasse Befunde zusammen, erstelle eine Tabelle.“ Die Realität: Funktioniert in einfachen, gut abgegrenzten Szenarien. Fehlt eine klare Aufgabenstellung, hängen sich Agenten gerne auf oder produzieren unzuverlässige Ergebnisse.

MCP (Model Context Protocol): Ein offener Standard für die Verbindung zwischen KI-Modellen und externen Datenquellen oder Werkzeugen. Vereinfacht: Eine standardisierte Schnittstelle, damit KI-Anwendungen einfacher auf Unternehmensdaten zugreifen können. Relevant für IT-Architektur, weniger für tägliche Anwendung.

Multimodal: Ein Modell, das verschiedene Modalitäten verarbeitet — Text, Bild, Audio, Video. GPT-4o oder Gemini sind multimodale Modelle. Praktisch: Man kann ein Foto hochladen und Fragen dazu stellen. Wichtig für Anwendungen, die nicht nur mit Text arbeiten.

Wer von „Agenten“ hört, sollte fragen: „Welcher konkrete Workflow, welche Fehlerquote, welche Eskalationspfade?“ Diese Frage trennt seriöse Anbieter von solchen, die auf Buzzwords surfen.

Begriffe rund um Sicherheit und Qualität.

Bei Compliance, Risiko und Qualität tauchen drei weitere Begriffe regelmäßig auf.

Wer im Anbieter-Gespräch fragt: „Wie gehen Sie mit Halluzinationen um? Welche Guardrails haben Sie eingebaut?“ — bekommt eine Vorstellung, wie ernst der Anbieter Qualität nimmt. Eine pauschale Antwort wie „das passiert kaum noch“ ist ein Warnsignal. Eine konkrete Antwort über Filtermechanismen, Stichprobenkontrollen und Eskalationsprozesse ist vertrauensbildend.

Begriffe, die häufiger sind als sie sein sollten.

Manche Begriffe tauchen in Anbieterpräsentationen häufiger auf als ihre praktische Bedeutung rechtfertigt. Wer sie hört, sollte nachhaken — oft steht weniger dahinter als suggeriert wird.

„AGI“ (Artificial General Intelligence): Eine hypothetische, allgemein intelligente KI, die menschliche Fähigkeiten erreicht oder übersteigt. Wer das in einer Mittelstandspräsentation hört, hat es mit Marketing-Pathos zu tun. Für aktuelle Geschäftsentscheidungen irrelevant.

„Cognitive Computing“: Ein älterer Begriff, oft von IBM verwendet. Heute weitgehend ein Synonym für „KI mit Sprachanteil“ — verdeckt mehr als er klärt.

„Hyperautomation“: Marketingbegriff für „mehr Automatisierung mit KI“. Sagt nichts darüber aus, was konkret gemacht wird.

„Disruptive AI“: Disruptiv ist KI vielleicht — der Begriff in einer Präsentation sagt aber nur, dass das Verkaufsteam Eindruck machen will.

Diese Liste ließe sich verlängern. Eine pragmatische Faustregel: Wer mit Anglizismen um sich wirft, will häufig kaschieren, dass die konkrete Aussage dahinter dünn ist. Wer dagegen sehr nüchtern formuliert — „Wir setzen ein LLM mit RAG ein, indizieren 50.000 Dokumente, prüfen 10 Prozent der Ausgaben in Stichproben“ — hat in der Regel mehr Substanz.

Sie wollen die Buzzwords in Ihren KI-Diskussionen nicht nur dulden, sondern hinterfragen können? Unverbindlich anfragen — wir gehen gemeinsam Ihre konkreten Anwendungsfälle durch — und klären, welche Begriffe relevant sind und welche bloße Hülle bleiben.