KI-Glossar & AI-Wissen für Fach- und Führungskräfte

Sammelbegriff für Software-Systeme, die Aufgaben übernehmen, für die bisher menschliche Intelligenz nötig war. Dazu zählen Sprache verstehen, Bilder erkennen und Entscheidungen treffen.

Ein auf großen Textmengen trainiertes Sprachmodell, das Text verstehen und generieren kann. Bekannte Beispiele: GPT-4o, Claude Opus 4, Gemini 2. LLMs sind die Grundlage der meisten modernen KI-Anwendungen im Unternehmenskontext.

AI-Systeme, die neue Inhalte erzeugen (Text, Bild, Audio, Video, Code), statt nur zu klassifizieren oder vorherzusagen. Generative AI ist der Kern fast aller aktuellen KI-Produktivitätsgewinne im Büroalltag.

Ein Modell, das mehrere Eingabe-Typen gleichzeitig verarbeiten kann, etwa Text plus Bild oder Text plus Audio. Praxisbeispiel: Screenshots analysieren, Grafiken beschreiben, PDFs auslesen.

Ein System, das ein Ziel eigenständig verfolgt, indem es mehrere Schritte plant, Werkzeuge nutzt und Ergebnisse bewertet. Das geht über das einfache Prompt-und-Antwort-Schema hinaus. Agenten können Mails lesen, Daten abrufen und Folgeschritte auslösen.

AI-Chatbot von OpenAI, basierend auf der GPT-Modellreihe. Marktstandard für allgemeine Text- und Analyseaufgaben. Wie du ChatGPT strukturiert für den Beruf lernst, zeigt unser Leitfaden ChatGPT lernen: der Praxisplan.

AI-Chatbot und API von Anthropic, bekannt für stark strukturierte Outputs, große Context Windows und besonders zuverlässiges Anweisungs-Folgen. Gut geeignet für komplexe Dokumente und mehrstufige Workflows. Mehr im Vergleich: ChatGPT vs. Claude vs. Gemini.

AI-Assistent von Google mit enger Integration in Google Workspace, Android und die Suchmaschine. Besonders stark bei Recherche und Echtzeit-Webzugriff.

AI-Assistent, der in Microsoft 365 integriert ist (Word, Excel, Outlook, Teams, PowerPoint) und mit Unternehmensdaten aus SharePoint und OneDrive arbeitet. Häufig erster KI-Berührungspunkt in größeren Unternehmen.

Ein Modell, das Bilder interpretieren kann: Objekte auf Fotos erkennen, Diagramme lesen oder Textdokumente aus Screenshots extrahieren. Alle großen LLMs sind heute multimodal und enthalten Vision-Fähigkeiten.

Eine AI-Suchmaschine, die Antworten mit direkten Quellenangaben generiert. Besonders nützlich für Recherche und Fact-Checking im Berufsalltag, wenn Nachvollziehbarkeit wichtig ist.

Die Eingabe, die einem Sprachmodell übergeben wird, typischerweise eine Frage, Anweisung oder ein Kontextblock mit Beispielen. Die Qualität des Prompts bestimmt maßgeblich die Qualität der Antwort.

Das systematische Gestalten von Prompts, sodass ein Sprachmodell verlässlich gewünschte Ergebnisse liefert. Im AI-Champions-Programm ist Prompt Engineering ein eigenes Modul mit wiederverwendbaren Vorlagen für typische Berufsaufgaben.

Eine versteckte Vorab-Instruktion, die einem Sprachmodell Rolle, Ton und Verhalten vorgibt, noch bevor der Nutzer die erste Nachricht schreibt. Basis für konsistente AI-Assistenten und Custom GPTs.

Ein Modell-Parameter zwischen 0 und 1 (teils bis 2), der steuert, wie deterministisch oder kreativ das Modell antwortet: niedrig = verlässlich reproduzierbar, hoch = variantenreicher und überraschender. Praxistipp: für strukturierte Daten niedrige Temperature wählen.

Eine Technik, bei der das Modell Schritt für Schritt denkt, bevor es antwortet, oft ausgelöst durch Formulierungen wie „Denke schrittweise nach". Erhöht die Genauigkeit bei komplexen oder mehrstufigen Aufgaben deutlich.

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, ohne das Modell neu zu trainieren.

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

Ein Datenbanksystem, das Embeddings speichert und schnell ähnliche Vektoren findet. Beispiele: Pinecone, Weaviate, pgvector. Kernbaustein für eigene Wissensbasen auf Basis von Unternehmensdokumenten.

Die kleinste Verarbeitungseinheit eines Sprachmodells, meist ein Wortbestandteil von drei bis vier Buchstaben. API-Kosten und Limits werden in Tokens gerechnet. Ein Dokument mit 1.000 Wörtern entspricht etwa 1.300 Tokens.

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 reicht für ganze Handbücher oder lange Gesprächsverläufe.

Das Nachtrainieren eines bestehenden Modells mit eigenen Daten, um es für einen spezifischen Anwendungsfall zu optimieren. Aufwändig und für die meisten Unternehmen erst nach erfolgreichen Prompt-Engineering- und RAG-Lösungen sinnvoll.

Wenn ein Sprachmodell überzeugend klingende, aber faktisch falsche Informationen ausgibt. Einer der zentralen Gründe, warum AI-Output immer geprüft werden muss, besonders bei Zahlen, Zitaten und rechtlichen Inhalten.

Das Verankern von KI-Antworten in verifizierten Dokumenten oder Fakten, um Halluzinationen zu reduzieren. Grounding kombiniert RAG-Retrieval mit klaren Anweisungen, nur aus gelieferten Quellen zu antworten.

Eine im AI-Champions-Programm genutzte Methode, um Unternehmensfunktionen und Aufgaben systematisch auf AI-Eignung zu bewerten: nach Aufwand, Nutzen und Umsetzbarkeit. Ergebnis ist eine priorisierte Use-Case-Liste.

Ein konkret umrissener Anwendungsfall, in dem AI einen messbaren Mehrwert liefern soll, etwa Support-Automatisierung, Angebotserstellung oder Berichts-Generierung. Gute Use Cases beginnen immer mit einem echten Problem, nicht mit einem Tool.

Die Kennzahl, die Aufwand gegen Nutzen einer AI-Investition abwägt. Für jeden Use Case lässt sich ein ROI berechnen, bevor Ressourcen fließen. Nutze dazu unseren kostenlosen ROI-Rechner.

Ein Use Case mit schneller Umsetzung und sichtbarem Nutzen, oft der Einstiegspunkt in AI-Projekte, um Momentum und Akzeptanz im Team zu schaffen. Klassische Quick Wins: Textentwürfe, E-Mail-Vorlagen, Meeting-Protokolle.

Die Verknüpfung mehrerer Systeme und AI-Schritte zu einem Workflow, der ohne manuelle Eingriffe abläuft, etwa Lead-Erfassung, Angebotserstellung oder Reporting. Mehr Beispiele: KI-Automation mit n8n im Praxiseinsatz.

Open-Source-Automatisierungsplattform, mit der sich AI-Workflows visuell bauen lassen. Alternative zu Zapier und Make, mit Fokus auf Selbsthosting und AI-Integration. Praktischer Einstieg: KI-Automation mit n8n: so funktioniert es.

Die Koordination mehrerer AI-Agenten oder Workflow-Schritte zu einem übergeordneten Prozess, typisch in komplexen Szenarien, in denen verschiedene Modelle, Tools und APIs zusammenarbeiten müssen.

Eine Programmierschnittstelle, über die Systeme miteinander kommunizieren. AI-Modelle werden in der Regel über APIs in eigene Anwendungen eingebunden. Mit Low-Code-Tools wie n8n geht das auch ohne Programmier-Know-how.

Offener Standard, über den AI-Assistenten strukturiert auf externe Werkzeuge und Datenquellen zugreifen, von CRMs über Datenbanken bis hin zu Dateisystemen. Ermöglicht AI-Agenten, im echten Unternehmenskontext zu operieren.

Formelle Anerkennung kompetenter KI-Anwendung nach Abschluss eines strukturierten Lernprogramms und heute ein gefragtes Qualifikationsmerkmal für Fach- und Führungskräfte. Das AI-Champion-Zertifikat wird nach Abschluss aller 14 Module ausgestellt.

Strukturiertes Lernprogramm, das Fach- und Führungskräfte befähigt, KI-Tools und Methoden im Joballtag einzusetzen, von den Grundlagen bis zur eigenständigen Use-Case-Umsetzung. Das AI-Champions-Programm umfasst 14 Module und 247 Lektionen, ist online und jederzeit startbar.

Gezielte berufliche Qualifizierung im Umgang mit KI-Systemen, oft online und im eigenen Tempo absolvierbar, damit das Gelernte direkt im Job einsetzbar ist. Prüfe mit dem AI-Readiness-Check, wo du heute stehst.

Praxistraining im effektiven Umgang mit ChatGPT und anderen Sprachmodellen für konkrete berufliche Aufgaben. Das Spektrum reicht von Prompting-Grundlagen bis zur Use-Case-Umsetzung. Im AI-Champions-Programm ist ChatGPT ein zentrales Tool in mehreren Modulen.

Die Rolle einer internen Fachkraft, die KI-Kompetenz im Unternehmen aufbaut, Use Cases identifiziert und Kollegen darin befähigt, KI effektiv zu nutzen. Das AI-Champions-Programm bildet genau diese Rolle aus.

Der Reifegrad eines Unternehmens für die erfolgreiche Einführung von KI, gemessen an Datenlage, Prozessreife, vorhandenen Skills und Unternehmenskultur. Mache jetzt den kostenlosen AI-Readiness-Check, um deinen aktuellen Stand zu ermitteln.

Die EU-Verordnung zur Regulierung von AI-Systemen nach Risikoklassen. In Kraft seit 2024, Übergangsfristen je nach Anwendungsbereich. Unternehmen müssen prüfen, in welche Risikoklasse ihre AI-Nutzung fällt.

Organisatorische und technische Regeln für den Umgang mit Daten (Qualität, Zugriff, Herkunft, Löschung). Grundlage jeder seriösen AI-Einführung: ohne saubere Daten liefern auch die besten Modelle schlechte Ergebnisse.

Unternehmensrichtlinie, die den erlaubten Einsatz von KI-Tools regelt: genehmigte Tools, Datenschutzvorgaben, Qualitätssicherung und Verantwortlichkeiten. Erste Aufgabe jedes AI Champions: eine klare AI Policy im Unternehmen etablieren.

Das Zusammenspiel der Datenschutz-Grundverordnung mit KI-Systemen. Es betrifft besonders die Eingabe personenbezogener Daten in Prompts und den Einsatz von Cloud-Modellen. Wichtige Faustregel: keine Kundendaten ohne geprüfte Auftragsverarbeitung in externe KI-Dienste.

Die strukturierte Begleitung eines Veränderungsprozesses (etwa beim Einführen neuer AI-Tools) mit Fokus auf Kommunikation, Schulung und Akzeptanz. AI-Einführungen scheitern selten an der Technik, häufig an fehlendem Change Management.