AI-Glossar für Fach- und Führungskräfte

Sammelbegriff für Software-Systeme, die Aufgaben übernehmen, für die bisher menschliche Intelligenz nötig war — etwa Sprache verstehen, Bilder erkennen oder Entscheidungen treffen.

Ein auf großen Textmengen trainiertes Sprachmodell, das Text verstehen und generieren kann. Bekannte Beispiele: GPT-5, Claude Opus 4, Gemini 2.

AI-Systeme, die neue Inhalte erzeugen — Text, Bild, Audio, Video, Code — statt nur zu klassifizieren oder vorherzusagen.

Ein Modell, das mehrere Eingabe-Typen gleichzeitig verarbeiten kann, etwa Text plus Bild oder Text plus Audio.

Ein System, das ein Ziel eigenständig verfolgt, indem es mehrere Schritte plant, Werkzeuge nutzt und Ergebnisse bewertet — im Gegensatz zum einfachen Prompt-und-Antwort-Schema.

AI-Chatbot von OpenAI, basierend auf der GPT-Modellreihe. Marktstandard für allgemeine Text- und Analyseaufgaben.

AI-Chatbot und API von Anthropic, bekannt für stark strukturierte Outputs und große Context Windows.

AI-Assistent von Google mit enger Integration in Google Workspace, Android und die Suchmaschine.

AI-Assistent, der in Microsoft 365 integriert ist — Word, Excel, Outlook, Teams, PowerPoint — und mit Unternehmensdaten aus SharePoint und OneDrive arbeitet.

Ein Modell, das Bilder interpretieren kann — zum Beispiel Objekte auf Fotos erkennen, Diagramme lesen oder Textdokumente aus Screenshots extrahieren.

Die Eingabe, die einem Sprachmodell übergeben wird — typischerweise eine Frage, Anweisung oder ein Kontextblock mit Beispielen.

Das systematische Gestalten von Prompts, sodass ein Sprachmodell verlässlich gewünschte Ergebnisse liefert.

Ein Verfahren, bei dem ein Sprachmodell vor dem Antworten externe Dokumente durchsucht und relevante Passagen in den Prompt einfügt — so lassen sich aktuelle oder firmeninterne Informationen nutzen.

Eine numerische Darstellung von Text, Bild oder Audio als Vektor, mit dem inhaltliche Ähnlichkeit berechnet werden kann. Grundlage für semantische Suche und RAG.

Ein Datenbanksystem, das Embeddings speichert und schnell ähnliche Vektoren findet. Beispiele: Pinecone, Weaviate, pgvector.

Die kleinste Verarbeitungseinheit eines Sprachmodells — meist ein Wortbestandteil von drei bis vier Buchstaben. Kosten und Limits werden in Tokens gerechnet.

Die maximale Menge an Tokens, die ein Modell gleichzeitig im Blick haben kann. Moderne Modelle kommen auf 200.000 bis über 1 Million Tokens.

Das Nachtrainieren eines bestehenden Modells mit eigenen Daten, um es für einen spezifischen Anwendungsfall zu optimieren.

Wenn ein Sprachmodell überzeugend klingende, aber faktisch falsche Informationen ausgibt. Einer der zentralen Gründe, warum AI-Output immer geprüft werden muss.

Eine im AI-Champions-Programm genutzte Methode, um Unternehmensfunktionen und Aufgaben systematisch auf AI-Eignung zu bewerten.

Ein konkret umrissener Anwendungsfall, in dem AI einen messbaren Mehrwert liefern soll — etwa Support-Automatisierung, Angebotserstellung oder Berichts-Generierung.

Die Kennzahl, die Aufwand gegen Nutzen einer AI-Investition abwägt. Im AI-Champions-Programm wird in Woche 4 für jeden Use Case ein ROI ermittelt.

Ein Use Case mit schneller Umsetzung und sichtbarem Nutzen — oft der Einstiegspunkt in AI-Projekte, um Momentum und Akzeptanz zu schaffen.

Die Verknüpfung mehrerer Systeme und AI-Schritte zu einem Workflow, der ohne manuelle Eingriffe abläuft — etwa Lead-Erfassung, Angebotserstellung, Reporting.

Open-Source-Automatisierungsplattform, mit der sich AI-Workflows visuell bauen lassen. Alternative zu Zapier und Make, mit Fokus auf Selbsthosting und AI-Integration.

Eine Programmierschnittstelle, über die Systeme miteinander kommunizieren. AI-Modelle werden in der Regel über APIs in eigene Anwendungen eingebunden.

Offener Standard, über den AI-Assistenten strukturiert auf externe Werkzeuge und Datenquellen zugreifen — etwa CRMs, Datenbanken oder Dateisysteme.

Die EU-Verordnung zur Regulierung von AI-Systemen nach Risikoklassen. In Kraft seit 2024, Übergangsfristen je nach Anwendungsbereich.

Organisatorische und technische Regeln für den Umgang mit Daten — Qualität, Zugriff, Herkunft, Löschung. Grundlage jeder seriösen AI-Einführung.

Die strukturierte Begleitung eines Veränderungsprozesses — etwa beim Einführen neuer AI-Tools — mit Fokus auf Kommunikation, Schulung und Akzeptanz.