62 KI-Begriffe einfach erklärt

Agentic AI markiert den Übergang von reaktiver KI, die auf einzelne Prompts antwortet, zu autonomen Systemen, die ein Ziel selbstständig in Teilschritte zerlegen, Werkzeuge einsetzen, Zwischenergebnisse bewerten und bei Bedarf ihren Plan anpassen. Fachartikel beschreiben dies als Verschiebung von „Human-in-the-loop" zu „Human- on-the- loop": Menschen geben Freigaben und Leitplanken vor, während die laufende Ausführung zunehmend an Agenten übergeht.

Pressemitteilung, 2025

Der Begriff lehnt sich an „Greenwashing" an: Anbieter nutzen den Hype um Agentic AI, um bestehende Technologien (etwa regelbasierte Automatisierung, klassische Chatbots oder leicht erweiterte Sprachmodelle) als autonome Agenten auszugeben, ohne dass diese eigenständig planen, mehrere Werkzeuge verketten oder ihr Vorgehen bei Bedarf anpassen können. Gartner geht davon aus, dass bis Ende 2027 bis zu 40 Prozent der als „agentisch" gestarteten Projekte eingestellt werden.

End of 2027 | Gartner

KI-Sprachmodelle lernen ihr Sprachverständnis aus gigantischen Mengen menschlich verfasster Texte und übernehmen damit zwangsläufig auch die Verzerrungen, Stereotype und Ungleichgewichte, die in diesen Texten stecken. Das kann sich auf ganz unterschiedliche Weise zeigen: etwa wenn bestimmte Berufe überproportional häufig mit einem Geschlecht verknüpft werden, wenn Perspektiven einzelner Regionen oder Bevölkerungsgruppen in den Trainingsdaten unterrepräsentiert sind, oder wenn schon die Auswahl und Gewichtung der Trainingsdaten selbst eine Schlagseite hat.

There's a new kind of coding I call "vibe coding" | Andrej Karpathy, X/Twitter-Post, 2. Februar 2025

AI Hubs sind Plattformen, die als zentrale Schaltstelle zwischen unternehmenseigenen Daten, IT-Systemen und verschiedenen KI-Modellen oder -Agenten fungieren, statt jede Anwendung einzeln anzubinden. Sie erlauben es, mehrere spezialisierte Agenten und Modelle koordiniert einzusetzen und einheitlich zu steuern.

Agentic AI: a comprehensive survey of architectures, applications, and future directions | Abou Ali, Dornaika, Charafeddine, Artificial Intelligence Review (Springer), 2026

Eine API (Application Programming Interface) definiert, wie zwei Softwaresysteme miteinander Daten austauschen können, ohne dass ein Mensch manuell eingreifen muss. Die meisten KI-Anbieter stellen ihre Modelle über APIs bereit: Ein Unternehmen kann so ChatGPT, Claude oder ein eigenes Modell direkt in seine Website, sein CRM oder seine interne Software einbinden, statt Mitarbeitende in einer separaten Chat-Oberfläche arbeiten zu lassen.

Degeneration | Holtzman, Buys, Du, Forbes, Choi, University of Washington/AI2, ICLR, 2020 (arXiv:1904.09751)

Artificial General Intelligence beschreibt ein hypothetisches KI-System, das nicht nur für eng umrissene Aufgaben trainiert ist, sondern flexibel neue Probleme über verschiedenste Bereiche hinweg lösen kann, vergleichbar mit der Anpassungsfähigkeit menschlichen Denkens. Der Fachbeirat für Forschung und Innovation (EFI) sowie zahlreiche Expertinnen und Experten halten laut Bitkom (2026) die Entstehung einer AGI zwischen 2030 und 2040, womöglich früher, für plausibel.

SAP launches AI Agent Hub at Sapphire 2026 to tame vendor agent sprawl | The New Stack

Beim Chain-of-Thought-Prompting wird ein Sprachmodell angewiesen, seinen Lösungsweg in einzelnen, nachvollziehbaren Schritten darzulegen, statt direkt eine Endantwort zu liefern, etwa durch die Anweisung „Denke Schritt für Schritt". Das verbessert nachweislich die Genauigkeit bei Rechen-, Logik- und mehrstufigen Textaufgaben und macht zugleich nachvollziehbar, wie das Modell zu seinem Ergebnis kam.

Neural Machine Translation of Rare Words with Subword Units | Sennrich, Haddow, Birch, ACL, 2016 (arXiv:1508.07909)

Chatbots simulieren ein Gespräch mit Nutzenden, etwa auf einer Website oder in einer Support-Hotline. Frühe Chatbots folgten starren Regelbäumen mit begrenzten Antwortmöglichkeiten; moderne, auf Sprachmodellen basierende Chatbots (Conversational AI) verstehen freie Formulierungen, halten Gesprächskontext und können auf angebundene Wissensdatenbanken zugreifen. Wird die Kommunikation komplett über gesprochene Sprache abgewickelt, spricht man auch von Voice AI.

Was ist eine API? | Computerwoche (IDG)

Computer Vision versetzt Software in die Lage, Inhalte in Bildern und Videos zu erkennen, einzuordnen und zu interpretieren: Objekte zu zählen, Defekte zu erkennen, Texte in Dokumenten zu erfassen oder Personen zu identifizieren. Sie basiert meist auf Deep Learning und ist die technische Grundlage für Anwendungen wie optische Qualitätskontrolle oder automatisierte Dokumentenverarbeitung.

Machine | Weizenbaum, MIT, Communications of the ACM, 1966 Bitkom Research – Künstliche Intelligenz in Deutschland (2026) ImageNet Classification with Deep Convolutional Neural Networks | Krizhevsky, Sutskever, Hinton, University of Toronto, NeurIPS, 2012 EU-Gesetz zur künstlichen Intelligenz | Aktuelle Entwicklungen und Analysen zum EU-KI-Gesetz

Corporate LLMs sind firmeneigene oder streng kontrollierte Sprachmodelle, die auf unternehmenseigenen Servern oder in dedizierten, vertraglich abgesicherten Cloud-Umgebungen laufen und eng mit internen Datenquellen verbunden sind. Sie reduzieren Halluzinationen durch domänenspezifisches Training beziehungsweise Anbindung (siehe RAG) und ermöglichen den Einsatz in regulierten Bereichen, ohne dass sensible Daten das Unternehmen verlassen.

Künstliche Intelligenz: Wo man das eigene generative Sprachmodell betreiben kann | heise online

Die Datenschutz-Grundverordnung (DSGVO) gilt unabhängig vom EU AI Act für jede Verarbeitung personenbezogener Daten, auch wenn diese Verarbeitung durch KI erfolgt. Das betrifft etwa das Training von Modellen mit Kundendaten, den Einsatz von Chatbots mit Zugriff auf Kundendatensätze oder automatisierte Entscheidungen über Personen. Zentrale Prinzipien wie Zweckbindung, Datenminimierung und das Recht auf Erklärung automatisierter Entscheidungen gelten uneingeschränkt weiter.

Embeddings | Bolukbasi et al., Boston University/Microsoft Research, NeurIPS, 2016 (arXiv:1607.06520)

Datensouveränität beschreibt die Fähigkeit, selbstbestimmt zu entscheiden, wo eigene oder Kundendaten gespeichert und verarbeitet werden, wer Zugriff erhält und nach welchem Recht diese Verarbeitung erfolgt. Bei KI-Diensten internationaler Anbieter ist das oft nicht vollständig transparent: 87 Prozent der Unternehmen in Deutschland vermissen laut Bitkom Cloud Report 2026 ausreichende Transparenz über Datenverarbeitung und Zugriffsrechte bei internationalen Anbietern souveräner Cloud-Angebote.

Verordnung (EU) 2016/679 (DSGVO), insb. Art. 4, 5, 6, 9, 22 EU-Gesetz zur künstlichen Intelligenz | Aktuelle Entwicklungen und Analysen zum EU-KI-Gesetz Bitkom: Künstliche Intelligenz & Datenschutz, Praxisleitfaden (Version 2.0)

Deepfakes nutzen generative KI, meist Diffusions- oder ähnliche Modelle, um Gesichter, Stimmen oder ganze Videosequenzen so realistisch zu manipulieren oder neu zu erzeugen, dass sie kaum noch von echtem Material zu unterscheiden sind. Neben kreativen und harmlosen Anwendungen bergen Deepfakes erhebliches Missbrauchspotenzial, etwa für Betrug, Desinformation oder CEO-Fraud-Angriffe auf Unternehmen.

Data sovereignty: A review | Hummel, Braun, Tretter, Dabrock, FAU Erlangen-Nürnberg, Big Data & Society, 2021 Bitkom Research – Cloud Report 2026 FaceForensics++: Learning to Detect Manipulated Facial Images | Rössler, Cozzolino, Verdoliva, Riess, Thies, Nießner, ICCV, 2019 (arXiv:1901.08971) BSI: Deepfakes, Gefahren und Gegenmaßnahmen

Deep Learning ist eine Unterform des maschinellen Lernens, die auf künstlichen neuronalen Netzen mit vielen übereinanderliegenden Schichten basiert, daher „deep" (tief). Diese Architektur ermöglicht es, sehr komplexe Muster in Bildern, Ton oder Text zu erkennen, etwa Gesichter, Sprache oder Stimmungen in Texten. Alle modernen Sprachmodelle wie ChatGPT oder Copilot basieren auf Deep Learning.

Deep Learning (Kapitel 1: Introduction) | Goodfellow, Bengio, Courville, MIT Press, 2016

Edge AI verlagert die Ausführung von KI-Modellen von zentralen Cloud-Rechenzentren auf lokale Geräte oder Server vor Ort: eine Maschine, ein Kamerasystem, ein Firmenserver. Das reduziert Latenz, funktioniert auch bei instabiler Internetverbindung und verbessert den Datenschutz, weil sensible Daten das Gerät nicht verlassen müssen. Konkrete Beispiele für lokal laufende KI-Agenten sind etwa Hermes Agent, der direkt auf leistungsfähigen Windows-Rechnern läuft, oder das quelloffene Projekt OpenClaw, das KI-Agenten auch auf Kleinstcomputern wie dem Raspberry Pi lauffähig macht.

A Definition of Machine Intelligence | Legg & Hutter, Minds and Machines, 2007 Bitkom-Stellungnahme zur Hightech- Agenda KI Roadmap (2026)

Der EU AI Act (Verordnung 2024/1689) reguliert KI-Systeme in der EU risikobasiert und tritt stufenweise in Kraft: Seit Februar 2025 gelten Verbote bestimmter KI-Praktiken sowie Pflichten zur KI-Kompetenz von Mitarbeitenden; seit August 2025 Governance-Regeln für sehr große KI-Modelle (GPAI); seit August 2026 die vollständigen Anforderungen an Hochrisiko-KI-Systeme inklusive Transparenzpflichten. Verstöße können je nach Schwere mit Bußgeldern von bis zu 35 Millionen Euro oder 7 Prozent des weltweiten Jahresumsatzes geahndet werden.

Intelligenz | Aktuelle Entwicklungen und Analysen zum EU-KI-Ges

Viele leistungsfähige KI-Modelle, insbesondere Deep-Learning-Systeme, funktionieren als „Black Box": Ihre Entscheidungswege sind selbst für Fachleute schwer nachzuvollziehen. Explainable AI (XAI) umfasst Techniken, die zumindest teilweise offenlegen, welche Faktoren eine KI-Entscheidung beeinflusst haben. Wichtig ist die Abgrenzung zu Chain- of-Thought: Die von einem Sprachmodell angezeigten Zwischenschritte sind keine garantiert wahrheitsgetreue Erklärung seiner internen Funktionsweise, sondern selbst wieder nur generierter Text. Echte Explainable AI setzt daher auf zusätzliche, vom Modell unabhängige Analyseverfahren.

etz Bitkom: Umsetzungsleitfaden zur KI-Verordnung (Version 2.0)

Beim Fine-Tuning wird ein vortrainiertes Foundation Model mit einem kleineren, spezialisierten Datensatz weitertrainiert, etwa mit den eigenen Support-Tickets eines Unternehmens, um es an einen bestimmten Tonfall, ein Fachgebiet oder eine Aufgabe anzupassen. Es ist deutlich günstiger als ein komplett neues Modell zu trainieren, erfordert aber dennoch technisches Know-how und qualitativ gute Trainingsdaten.

Generative KI ist Chain-of-Thought Prompting Elicits Reasoning in Large Language Models | Wei et al., Google Research, NeurIPS, 2022 (arXiv:2201.11903)

Foundation Models sind großflächig auf riesigen, allgemeinen Datenmengen trainierte KI-Modelle, die danach für viele unterschiedliche Aufgaben angepasst oder direkt genutzt werden können, von Textgenerierung über Bildanalyse bis Programmierung. GPT, Claude, Gemini oder Llama sind bekannte Beispiele. Statt für jede Aufgabe ein eigenes Modell zu bauen, dient ein Foundation Model als gemeinsame Basis.

On the Opportunities and Risks of Foundation Models | Bommasani et al., Stanford CRFM/HAI, 2021 (arXiv:2108.07258); Bitkom-Stellungnahme zur Hightech-Agenda KI Roadmap (2026)

Generative KI (Generative AI) beschreibt Systeme, die neue, bislang nicht existierende Inhalte erzeugen: Texte, Bilder, Musik, Videos oder Programmcode. Im Gegensatz zu klassifizierender KI, die vorhandene Daten einordnet, „schafft" generative KI etwas Neues auf Basis der beim Training gelernten Muster. ChatGPT, Midjourney und GitHub Copilot sind bekannte Beispiele unterschiedlicher generativer Systeme.

Generative Adversarial Networks | Goodfellow et al., Université de Montréal, NeurIPS, 2014 (arXiv:1406.2661)

Geprägt wurde der Begriff 2019 von den Forschenden Schwartz, Dodge, Smith und Etzioni, die Green AI (Effizienz als Bewertungskriterium neben Genauigkeit) von Red AI (Genauigkeit um praktisch jeden Rechenpreis) abgrenzten und feststellten, dass der Rechenaufwand für KI-Training zwischen 2012 und 2018 um etwa das 300.000-Fache gestiegen war. Der Ressourcenverbrauch betrifft nicht nur das einmalige Training, sondern läuft bei jeder einzelnen Anfrage (Inferenz) weiter mit. Auch Wasser für die Kühlung von Rechenzentren fällt ins Gewicht: Laut Li, Yang, Islam und Ren verdunstete allein das Training von GPT-3 in US-Rechenzentren von Microsoft rund 700.000 Liter Süßwasser. Besonders bei Agentic AI steigt der Verbrauch pro erledigter Aufgabe: Weil Agenten mehrere Modellaufrufe und Tool-Nutzungen verketten, kann der Energiebedarf pro Aufgabe laut Harvard-Forschenden um das bis zu 97-Fache steigen.

Towards A Rigorous Science of Interpretable Machine Learning | Doshi-Velez & Kim, Harvard University, 2017 (arXiv:1702.08608)

Grounding beschreibt Verfahren, mit denen die Ausgaben eines Sprachmodells an überprüfbare, externe Informationsquellen rückgebunden werden, statt sich allein auf das während des Trainings gelernte, teils veraltete Wissen zu verlassen. Retrieval-Augmented Generation ist die verbreitetste Grounding-Technik; auch die Anbindung an Websuche oder strukturierte Datenbanken zählt dazu.

Empowering Edge Intelligence: A Comprehensive Survey on On-Device AI Models | Xu et al., ACM Computing Surveys, 2025 Set Up Hermes Agent on Your Copilot+ PC | ASUS OpenClaw is open-source edge AI for (almost) every application | Microcontroller Tips

KI-Halluzinationen entstehen, weil Sprachmodelle keine Fakten aus einer Datenbank abrufen, sondern statistisch das wahrscheinlichste nächste Wort vorhersagen. Fehlt gesichertes Wissen zu einer Frage, „erfindet" das Modell plausibel klingende, aber falsche Informationen, etwa nicht existierende Studien, Gesetze oder Quellen. In Deutschland sorgen sich laut Bitkom Research (2026) 50 Prozent der Bevölkerung um schwer erkennbare Falschinformationen durch KI.

Survey of Hallucination in Natural Language Generation | Ji et al., HKUST, ACM Computing Surveys, 2023 (arXiv:2202.03629); Bitkom Research – Künstliche Intelligenz in Deutschland (2026)

Human-in-the-loop beschreibt Systeme, bei denen ein Mensch jeden relevanten Einzelschritt einer KI prüft und freigibt, bevor er wirksam wird, etwa jede von der KI vorformulierte Kundenantwort. Mit zunehmend autonomen KI-Agenten verschiebt sich dies zu Human-on-the-loop: Menschen legen Leitplanken und Eskalationsregeln fest und überwachen den Prozess, greifen aber nur noch bei Auffälligkeiten oder am Ende ein.

Knowledge-Intensive NLP Tasks | Lewis et al., FAIR/UCL, NeurIPS, 2020 (arXiv:2005.11401)

Während des Trainings lernt ein Modell aus Daten; bei der Inferenz wendet es das Gelernte auf neue, unbekannte Eingaben an, etwa wenn eine Chat-Anfrage beantwortet oder ein Bild klassifiziert wird. Inferenz benötigt deutlich weniger Rechenleistung als das Training, verursacht aber bei jeder Nutzung Kosten und Energieverbrauch.

Efficient Processing of Deep Neural Networks: A Tutorial and Survey | Sze, Chen, Yang, Emer, MIT, Proceedings of the IEEE, 2017 (arXiv:1703.09039)

Ein KI-Agent erhält ein Ziel oder eine Aufgabe, etwa „prüfe eingehende Rechnungen und lege sie im richtigen Ordner ab", und plant und führt die dafür nötigen Einzelschritte weitgehend eigenständig aus, statt bei jedem Schritt eine neue Anweisung zu benötigen. Dabei kann er auf externe Werkzeuge zugreifen: Datenbanken abfragen, E-Mails verschicken, andere Programme über Schnittstellen ansteuern.

line Bitkom Research – Künstliche Intelligenz in Deutschland (2026)

Je autonomer KI-Agenten agieren, desto wichtiger wird die lückenlose Protokollierung und Überwachung ihrer Aktionen: welche Entscheidungen sie treffen, welche Werkzeuge sie nutzen, welche Daten sie verarbeiten. Agenten-Monitoring schafft die Nachvollziehbarkeit, die für Compliance, Fehlersuche und Vertrauen in automatisierte Prozesse notwendig ist.

Power to the People: The Role of Humans in Interactive Machine Learning | Amershi, Cakmak, Knox, Kulesza, Microsoft Research, AI Magazine, 2014

KI-Governance bezeichnet die organisatorischen Strukturen, Richtlinien und Verantwortlichkeiten, mit denen ein Unternehmen festlegt, wie KI eingeführt, genutzt und überwacht wird: wer welche Tools freigeben darf, wie Risiken bewertet werden, wie mit Fehlern umgegangen wird. Sie ist die unternehmensinterne Entsprechung zu den regulatorischen Vorgaben des EU AI Act.

Artikel 4 des EU AI Act verpflichtet Unternehmen bereits seit Februar 2025, sicherzustellen, dass Beschäftigte, die mit KI-Systemen arbeiten, über ausreichende KI-Kompetenz verfügen: ein grundlegendes Verständnis der Funktionsweise, Grenzen und Risiken der eingesetzten Systeme. Das schließt technisches Wissen ebenso ein wie kritisches Hinterfragen von KI-Ausgaben.

IHK Schleswig-Holstein: AI-Act-Literacy, KI-Schulungspflicht

Small Language Models (SLMs) besitzen deutlich weniger Parameter als große Foundation Models und sind dadurch schneller, günstiger im Betrieb und teils sogar lokal auf einem Firmenserver oder Endgerät lauffähig, statt zwingend in der Cloud zu laufen. Für klar abgegrenzte Aufgaben (etwa Rechnungen kategorisieren oder Support-Anfragen vorsortieren) erreichen sie oft eine mit großen Modellen vergleichbare Qualität.

Survey of Hallucination in Natural Language Generation | Ji et al., HKUST, ACM Computing Surveys, 2023 (arXiv:2202.03629) Bitkom Research – Künstliche Intelligenz in Deutschland (2026)

Large Language Models (LLMs) sind Sprachmodelle mit Milliarden bis Billionen Parametern, die auf großen Mengen an Text trainiert wurden: Bücher, Webseiten, Code. Sie sagen jeweils das wahrscheinlichste nächste Wort voraus und können dadurch Texte verfassen, zusammenfassen, übersetzen oder Fragen beantworten. ChatGPT, Claude, Gemini und Copilot basieren alle auf LLMs.

A Tutorial and Survey | Sze, Chen, Yang, Emer, MIT, Proceedings of the IEEE, 2017 (arXiv:1703.09039)

Maschinelles Lernen (ML) ist die Technik, mit der die meisten heutigen KI-Anwendungen gebaut werden. Statt jeden Schritt vorzugeben, zeigt man dem System viele Beispiele (etwa tausende Rechnungen oder Produktbilder), und der Algorithmus leitet daraus selbst Regeln und Muster ab. Je mehr und je bessere Daten zur Verfügung stehen, desto zuverlässiger werden die Vorhersagen.

Speech and Language Processing, 3rd ed. (Kap. 7: Large Language Models) | Jurafsky & Martin, Stanford University; Bitkom Research – Künstliche Intelligenz in Deutschland (2026)

MLOps (Machine Learning Operations) umfasst die Prozesse, mit denen KI-Modelle vom Training über die Bereitstellung bis zum laufenden Betrieb verwaltet werden: Versionierung, Qualitätsüberwachung, automatisches Nachtrainieren, wenn sich Daten ändern, und das rechtzeitige Erkennen, wenn ein Modell schlechter wird („Model Drift"). Ohne MLOps drohen KI-Systeme im Betrieb unbemerkt an Genauigkeit zu verlieren.

Synergizing Reasoning and Acting in Language Models | Yao et al., Princeton/Google Research, ICLR, 2023 (arXiv:2210.03629)

Das Model Context Protocol (MCP) ist ein 2024 von Anthropic vorgestellter offener Standard, der die Anbindung von KI-Modellen an externe Datenquellen, Dokumente und Werkzeuge vereinheitlicht (vergleichbar mit einer USB- Schnittstelle für KI-Integrationen). Statt für jede Software eine eigene, proprietäre Anbindung zu bauen, können Entwicklerinnen und Entwickler auf einen gemeinsamen Standard zurückgreifen. Ergänzend etabliert sich das Agent2Agent-Protokoll (A2A) für die Kommunikation zwischen verschiedenen KI-Agenten.

System-Level Observability for AI Agents Using eBPF | Zheng, Hu, Yu, Quinn, Proceedings of the ACM on Programming Languages, 2025 (arXiv:2508.02736) Model Context Protocol – offizielle Spezifikation | Anthropic / MCP-Projekt

Model Cards fassen die wichtigsten Informationen zu einem KI-Modell zusammen: wofür es entwickelt wurde, mit welchen Daten es trainiert wurde, welche Leistungskennzahlen es erreicht und welche bekannten Grenzen oder Verzerrungen bestehen. Sie funktionieren ähnlich wie ein Beipackzettel und sollen Anwenderinnen und Anwendern eine informierte Entscheidung ermöglichen, ob ein Modell für einen bestimmten Zweck geeignet ist.

Intelligenz | Aktuelle Entwicklungen und Analysen zum EU-KI-Gesetz IHK Schleswig-Holstein: AI-Act-Literacy, KI- Schulungspflicht Model Cards for Model Reporting | Mitchell et al., Google, ACM FAT*, 2019 (arXiv:1810.03993)

Statt eines einzelnen Allzweck-Agenten setzen Multi-Agenten-Systeme mehrere spezialisierte Agenten ein, die jeweils Teilaufgaben übernehmen und miteinander kommunizieren: etwa ein Agent für Recherche, einer für Textentwurf und einer für Qualitätsprüfung. Das ähnelt der Arbeitsteilung in einem menschlichen Team und soll komplexere Aufgaben zuverlässiger lösen als ein einzelnes System.

A Survey of Progress and Challenges | Guo et al., IJCAI Survey Track, 2024 (arXiv:2402.01680)

Multimodale KI-Systeme verarbeiten und verknüpfen mehrere Datenarten gleichzeitig: Sie können etwa ein Foto beschreiben, gesprochene Sprache verstehen und gleichzeitig mit Text antworten. Aktuelle Modelle wie GPT-5, Gemini oder Claude sind bereits standardmäßig multimodal. Das erschließt neue Einsatzfelder etwa in Qualitätskontrolle, medizinischer Dokumentation oder Sicherheitsüberwachung.

Prompt Textbooks Are All You Need | Gunasekar et al., Microsoft Research, 2023 (arXiv:2306.11644)

Natural Language Processing (Verarbeitung natürlicher Sprache) umfasst alle Verfahren, mit denen Computer geschriebene oder gesprochene Sprache verarbeiten: Texte kategorisieren, Stimmungen erkennen (Sentimentanalyse), Sprachen übersetzen, wichtige Informationen aus Fließtext extrahieren. Moderne Sprachmodelle haben klassische, regelbasierte NLP-Verfahren größtenteils abgelöst und liefern deutlich flexiblere Ergebnisse.

Machine Learning Operations (MLOps): Overview, Definition, and Architecture | Kreuzberger, Kühl, Hirschl, Universität Bayreuth, 2022 (arXiv:2205.02302)

Ein künstliches neuronales Netz besteht aus vielen einfachen Recheneinheiten („Neuronen"), die in Schichten angeordnet und miteinander verbunden sind. Jede Verbindung hat ein Gewicht, das beim Training so angepasst wird, dass das Netz aus einer Eingabe (z. B. einem Satz) die gewünschte Ausgabe (z. B. eine Antwort) erzeugt. Die Idee ist grob an biologische Nervenzellen angelehnt, funktioniert technisch aber rein mathematisch über Zahlen und Gewichtungen.

Checkers | Samuel, IBM Journal of Research and Development, 1959

No-Code- und Low-Code-Plattformen bieten grafische Oberflächen, mit denen sich Arbeitsabläufe und KI- Funktionen per Drag-and-drop verknüpfen lassen, etwa „wenn eine neue E-Mail eingeht, lasse sie durch KI zusammenfassen und lege eine Aufgabe an". Sie senken die technische Einstiegshürde deutlich, stoßen aber bei sehr individuellen oder komplexen Anforderungen an Grenzen.

Bitkom Research – Künstliche Intelligenz in Deutschland (2026)

Bei offenen KI-Modellen („Open Weights") werden die trainierten Modellparameter, teils auch Trainingsdaten und Code, veröffentlicht, häufig unter permissiven Lizenzen wie Apache 2.0. Beispiele sind Mistral aus Frankreich (Mistral 7B, Apache-2.0-lizenziert), Metas Llama-Reihe und DeepSeek aus China. Im Unterschied dazu sind proprietäre Modelle wie GPT (OpenAI), Claude (Anthropic) oder Gemini (Google) ausschließlich über eine API des jeweiligen Anbieters nutzbar.

nnelPartner (IDG) Mittelstand-Digital Zentrum Berlin: Schritt für Schritt zur KI, Mit Low- und No-Code- Anwendungen den Einstieg finden

Overfitting tritt auf, wenn ein KI-Modell die Trainingsdaten inklusive ihrer zufälligen Eigenheiten quasi auswendig lernt, statt die zugrunde liegende Struktur zu erfassen. auftretenden Fällen. Das Gegenteil, Underfitting, beschreibt ein Modell, das nicht einmal die Trainingsdaten ausreichend gut abbildet.

Some Studies in Machine Learning Using the Game of Checkers | Samuel, IBM Journal of Research and Development, 1959

Physical AI verbindet KI-Modelle mit realer Hardware (Robotern, autonomen Fahrzeugen, Fertigungsanlagen), sodass Wahrnehmung (etwa über Kameras und Sensoren) und Handeln (etwa Greifen, Fahren, Steuern) direkt in der physischen Welt zusammenkommen. Sie gilt als eine der nächsten großen Wellen nach rein digitalen, textbasierten KI-Anwendungen.

CES 2025: AI Advancing at 'Incredible Pace,' NVIDIA CEO Says (Jensen Huang Keynote) | NVIDIA Blog Bitkom- Stellungnahme zur Hightech-Agenda KI Roadmap (2026)

Statt Maschinen nach starrem Zeitplan zu warten oder erst nach einem Ausfall zu reagieren, wertet vorausschauende Wartung laufend Sensordaten aus (Vibration, Temperatur, Stromverbrauch), um mittels KI- Mustererkennung frühzeitig Anzeichen für einen bevorstehenden Defekt zu erkennen. So lassen sich Wartungstermine passgenau planen, Stillstandzeiten reduzieren und Ersatzteile gezielter vorhalten.

Mistral 7B | Jiang, Sablayrolles, Mensch et al., Mistral AI, 2023 (arXiv:2310.06825) Bitkom: Chartbericht Open Source Monitor 2025 Digitale Souveränität: KI-Fallback ohne US- Abhängigkeit | Computer Weekly

Ein Prompt ist die Anweisung oder Frage, die man in ein KI-System wie ChatGPT eingibt, um eine bestimmte Antwort oder ein bestimmtes Ergebnis zu erhalten. Er kann aus wenigen Worten oder mehreren Absätzen mit Kontext, Beispielen und Formatvorgaben bestehen. Die Qualität des Prompts beeinflusst maßgeblich die Qualität der Antwort.

Multimodal Deep Learning | Ngiam, Khosla, Kim, Nam, Lee, Ng, Stanford University, ICML, 2011

Prompt Engineering bezeichnet die systematische Gestaltung von Prompts, etwa durch klare Rollenangaben, Beispiele, Formatvorgaben oder Schritt-für-Schritt-Anweisungen, um die Ausgabequalität eines KI-Modells zu verbessern. Es reicht von einfachen Formulierungstricks bis zu komplexeren Techniken wie Chain-of-Thought- Prompting. Gutes Prompt Engineering senkt die Zahl der Korrekturschleifen erheblich.

Language Models are Few-Shot Learners | Brown et al., OpenAI, NeurIPS, 2020 (arXiv:2005.14165); Mittelstand-Digital Zentrum Berlin: So schreiben Sie perfekte Prompts für ChatGPT & Co.

Bei einer Prompt-Injection-Attacke schleusen Angreifende versteckte Anweisungen in Inhalte ein, die eine KI verarbeitet (etwa in eine E-Mail, ein Dokument oder eine Website), um das System dazu zu bringen, entgegen seiner ursprünglichen Aufgabe zu handeln: vertrauliche Daten preiszugeben, schädliche Aktionen auszuführen oder Sicherheitsvorgaben zu umgehen. Mit zunehmend autonomen KI-Agenten, die E-Mails lesen oder Werkzeuge bedienen, wächst dieses Risiko.

Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection | Greshake et al., CISPA Helmholtz-Zentrum, 2023 (arXiv:2302.12173)

Reasoning-Modelle sind eine Weiterentwicklung klassischer Sprachmodelle: Sie zerlegen komplexe Fragen intern in mehrere Zwischenschritte und „überlegen" gewissermaßen länger, bevor sie eine finale Antwort ausgeben. Das ähnelt einem Menschen, der eine schwierige Aufgabe auf Papier durchrechnet, statt aus dem Bauch heraus zu antworten. Das verbessert die Genauigkeit bei Mathematik, Logik und mehrstufigen Planungsaufgaben deutlich, kostet aber mehr Rechenzeit.

DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning

Beim Reinforcement Learning (deutsch: bestärkendes Lernen) lernt ein System durch Ausprobieren: Es trifft Entscheidungen in einer simulierten oder realen Umgebung und erhält dafür eine positive oder negative Rückmeldung („Belohnung"). Über viele Wiederholungen optimiert es sein Verhalten, um die Belohnung zu maximieren. Diese Methode steckt hinter Erfolgen wie KI-Systemen, die komplexe Spiele meistern, und wird auch verwendet, um Sprachmodelle mit menschlichem Feedback zu verfeinern (RLHF).

Deep Learning (Kapitel 6: Deep Feedforward Networks) | Goodfellow, Bengio, Courville, MIT Press, 2016

Retrieval-Augmented Generation ist eine Technik, bei der ein Sprachmodell vor der Antwortgenerierung gezielt relevante Passagen aus einer angebundenen Wissensquelle abruft, etwa aus dem Firmenwiki, Handbüchern oder Verträgen, und diese als Kontext nutzt. Das Modell „erfindet" dadurch weniger, weil es sich auf tatsächlich vorhandene Dokumente stützt, und kann auch Wissen nutzen, das nach seinem Training entstanden ist.

DeepSeek-AI, Nature, Vol. 645, 2025 (doi:10.1038/s41586-025-09422-z)

Shadow AI entsteht, wenn Beschäftigte private KI-Konten oder nicht freigegebene KI-Tools für dienstliche Zwecke nutzen, weil offizielle Angebote fehlen, zu langsam bereitgestellt werden oder unbekannt sind, etwa das Einfügen vertraulicher Kundendaten in einen kostenlosen Chatbot. Das Risiko: Unternehmensdaten gelangen unkontrolliert an Drittanbieter, ohne dass IT oder Datenschutz davon wissen.

Address | Gartner Pr

Ein Skill bündelt Anweisungen, Metadaten und optionale Ressourcen wie Skripte oder Vorlagen in einem eigenen Paket. Das KI-System lädt einen Skill automatisch dann, wenn er zur aktuellen Aufgabe passt, oft nach dem Prinzip der „progressiven Offenlegung": Zunächst wird nur eine knappe Beschreibung geladen, die vollständige Anleitung erst bei tatsächlichem Bedarf. So lässt sich ein allgemeines KI-Modell ohne erneutes Training gezielt auf wiederkehrende Aufgaben oder unternehmensspezifisches Fachwissen zuschneiden.

essemitteilung, 2025

Der System-Prompt ist eine Instruktion, die vor jeder Konversation im Hintergrund an das Sprachmodell übergeben wird und dessen grundsätzliches Verhalten festlegt, etwa: „Du bist ein freundlicher Kundenservice- Assistent, antworte immer auf Deutsch und nenne nie interne Preise." Nutzende sehen diesen Prompt in der Regel nicht, er prägt aber jede einzelne Antwort im Gespräch.

Knowledge-Intensive NLP Tasks | Lewis et al., FAIR/UCL, NeurIPS, 2020 (arXiv:2005.11401)

TCO bei KI umfasst neben den laufenden Token- und API-Kosten (siehe Token-Ökonomie) weitere, oft unterschätzte Kostenblöcke: Betrieb und Überwachung der Modelle (MLOps), Integration in bestehende IT- Systeme, Schulung der Belegschaft und Change Management sowie gegebenenfalls Fine-Tuning und laufende Wartung. Bereits 2015 zeigte die vielzitierte Analyse „Hidden Technical Debt in Machine Learning Systems" von Google-Forschenden, dass in produktiven ML-Systemen häufig nur rund 5 Prozent des Codes auf das eigentliche Modell entfallen, der Rest auf Infrastruktur, Monitoring und Wartung.

A systematic literature review of machine learning methods applied to predictive maintenance | Carvalho et al., Computers & Industrial Engineering, 2019 MIT report: 95% of generative AI pilots at companies are failing | Fortune (zu MIT NANDA, „The GenAI Divide: State of AI in Business 2025") The State of AI in 2025: Agents, innovation, and transformation | McKinsey From Potential to Profit: Closing the AI Impact Gap | BCG AI Radar 2025 Gartner Says CFOs Need to Rethink the ROI of AI Investments Hidden Technical Debt in Machine Learning Systems | Sculley et al., Google, NeurIPS 2015

Die Temperature ist ein Parameter, der beeinflusst, wie ein Sprachmodell aus mehreren möglichen nächsten Wörtern auswählt. Eine niedrige Temperature führt zu vorhersehbaren, eher konservativen Antworten: geeignet für Fakten oder Code. Eine hohe Temperature erzeugt vielfältigere, kreativere, aber auch fehleranfälligere Ausgaben: geeignet für Brainstorming oder Textvarianten.

Text generation models, Rollen-/Nachrichtenkonzept (system/user/assistant) | OpenAI API-Dokumentation

Sprachmodelle lesen und erzeugen Text nicht wortweise, sondern in kleineren Einheiten, sogenannten Tokens: Das können ganze Wörter, Wortteile oder einzelne Zeichen sein. Ein Token entspricht im Deutschen im Schnitt etwa drei bis vier Buchstaben. Die Anzahl der verarbeiteten Tokens bestimmt sowohl die Kosten und den Verbrauch von Nutzungs-Limits der meisten KI-Dienste als auch, wie viel Text auf einmal berücksichtigt werden kann (siehe Kontextfenster).

Deep Learning (Kapitel 5.2: Capacity, Overfitting and Underfitting) | Goodfellow, Bengio, Courville, MIT Press, 2016

In der Fachpresse hat sich 2026 für den bewussten Umgang mit den laufenden Token-Kosten von KI- Anwendungen der Begriff Tokenomics beziehungsweise Token-Ökonomie etabliert, in Anlehnung an FinOps aus dem Cloud-Kostenmanagement. Dahinter steht ein Bündel konkreter Techniken: die Wahl eines für die jeweilige Aufgabe ausreichend günstigen statt automatisch des leistungsstärksten Modells (Model Routing), das Wiederverwenden gleichbleibender Kontextblöcke über mehrere Anfragen hinweg (Prompt Caching) sowie das bewusste Kürzen und Priorisieren von Kontextinhalten (Context Engineering). Im Juli 2026 gründete die Linux Foundation mit der Tokenomics Foundation eine eigene Initiative, um Token-Kosten branchenweit vergleichbar und messbar zu machen.

Docs | Anthropic What Are Agent Skills? Modular AI Agent Frameworks Explained | DataCamp Tokenomics Foundation soll KI-Token-Kosten messbar machen | it-boltwise.de So bekämpfen Un

Trainingsdaten sind die Datensätze, mit denen ein KI-Modell trainiert wird, um Muster zu erkennen. Das können Texte, Bilder, Tabellen oder Sensordaten sein. Die Regel „garbage in, garbage out" gilt hier besonders: Unvollständige, veraltete oder einseitige Daten führen zu ungenauen oder verzerrten Ergebnissen (siehe Bias).

Reinforcement Learning: An Introduction, 2. Aufl. | Sutton & Barto, MIT Press, 2018

Die 2017 von Google-Forschenden vorgestellte Transformer-Architektur ist die technische Grundlage nahezu aller heutigen großen Sprachmodelle. Ihr Kernmechanismus, „Attention" (Aufmerksamkeit), erlaubt es dem Modell, für jedes Wort zu gewichten, wie relevant andere Wörter im Text für dessen Bedeutung sind, auch über große Entfernungen im Satz hinweg. Das „T" in GPT steht für Transformer.

Deep Learning (Kapitel 5.1.3: Datasets) | Goodfellow, Bengio, Courville, MIT Press, 2016

Beim Training generativer KI-Modelle werden oft urheberrechtlich geschützte Werke verwendet, was rechtlich umstritten und Gegenstand zahlreicher Gerichtsverfahren international ist. Umgekehrt ist auch unklar und von Land zu Land unterschiedlich geregelt, inwieweit rein KI- generierte Inhalte selbst urheberrechtlich geschützt werden können, da klassisches Urheberrecht eine menschliche Schöpfung voraussetzt.

BSI: Cybersicherheitswarnung, Indirect Prompt Injections

Verantwortungsvolle beziehungsweise vertrauenswürdige KI (Trustworthy AI) fasst Prinzipien wie Robustheit, Sicherheit, Fairness, Transparenz und Nachvollziehbarkeit zu einem übergreifenden Qualitätsanspruch an KI- Systeme zusammen, unabhängig davon, ob eine konkrete gesetzliche Pflicht dazu besteht. In seiner Stellungnahme zur Hightech-Agenda KI (2026) fordert der Digitalverband Bitkom, die Forschung zu robusten, sicheren und transparenten KI-Modellen als eigenständigen strategischen Schwerpunkt zu stärken.

Competition (9 April 2021) The global landscape of AI ethics guidelines | Jobin, Ienca, Vayena, ETH Zürich, Nature Machine Intelligence, 2019 Bitkom-Stellungnahme zur Hightech-Agenda KI Roadmap (2026) Bitkom: Trustworthy & Responsible AI, Turning Principles into Practice

Beim Vibe Coding beschreibt eine Person in normaler Sprache, was eine Software tun soll, und eine KI generiert daraus lauffähigen Code, iterativ verfeinert durch weiteres Feedback in natürlicher Sprache, statt Zeile für Zeile klassisch zu programmieren. Der Begriff wurde 2025 populär und steht sinnbildlich dafür, wie stark generative KI auch die Softwareentwicklung selbst verändert.

ternehmen das KI-Token-Problem | Computerwoche Kosten-Schock: Wie teuer KI-Tokens für Unternehmen wirklich werden | Table.Media LLM Token Optimization: Cut Costs & Latency | Redis