KI-Glossar: die Begriffe, die in Angeboten stehen

Ein KI-System, das ein Ziel in mehreren Schritten selbstständig verfolgt, statt auf jede einzelne Anweisung zu warten. Ein Agent darf Werkzeuge aufrufen, Zwischenergebnisse bewerten und seinen Weg korrigieren. Der praktische Unterschied zum Chatbot: Sie beschreiben das Ergebnis, nicht den Weg dorthin.

Der Zeitraum, nach dem sich eine Investition aus eingesparten Kosten selbst getragen hat. Rechnerisch: Investition geteilt durch monatliche Einsparung. Unser Ziel sind zwölf Monate. Länger darf es dauern, wenn ein Vorhaben mehr hinterlässt als eine niedrigere Kostenzeile, etwa dauerhaft digitalisierte Abläufe, auf denen die nächsten Schritte aufbauen.

Der vereinbarte Weg, auf dem zwei Programme Daten austauschen. Über eine KI-API binden Sie ein Modell in eigene Anwendungen ein, ohne es selbst zu betreiben. Abgerechnet wird meist je verarbeitetem Token, nicht je Benutzer, was die Kosten an die tatsächliche Nutzung koppelt.

Der Rechenschritt, der die Transformer-Architektur ausmacht: Für jedes Wort bewertet das Modell, wie stark jedes andere Wort im Text dazu beiträgt. So entsteht Bezug über Satzgrenzen hinweg. Weil der Aufwand mit der Textlänge überproportional wächst, ist Attention der Grund, warum lange Eingaben teuer sind.

Systeme, die Entscheidungen ohne Rückfrage treffen und ausführen. Der Begriff beschreibt einen Grad, keinen Zustand: Zwischen „schlägt vor“ und „handelt allein“ liegen mehrere Stufen. In Unternehmen ist fast immer eine mittlere Stufe richtig, in der das System vorbereitet und ein Mensch freigibt.

Berufsverband der Unternehmensberatung in Deutschland. Die Mitgliedschaft setzt eine Prüfung der Beratungspraxis voraus und verpflichtet auf Berufsgrundsätze zu Unabhängigkeit und Vertraulichkeit.

Ein standardisierter Test, mit dem Modelle verglichen werden. Nützlich für die Vorauswahl, wenig aussagekräftig für Ihren Fall: Ein Modell, das in Prüfungsaufgaben führt, kann bei Ihren Lieferantenrechnungen schlechter abschneiden als ein kleineres. Deshalb gehört zu jedem Projekt eine eigene Messung.

Systematische Schieflagen in den Ergebnissen, die aus den Trainingsdaten stammen. Ein Modell, das aus vergangenen Entscheidungen lernt, reproduziert deren Muster, auch die unerwünschten. Relevant überall dort, wo über Menschen entschieden wird: Bewerbungen, Kreditwürdigkeit, Priorisierung von Anliegen.

Die Aufforderung an ein Modell, den Lösungsweg auszuschreiben, statt sofort zu antworten. Bei mehrschrittigen Aufgaben steigt die Trefferquote damit deutlich. Neuere Modelle tun das von sich aus und weisen den Denkschritt getrennt aus.

Der Chat-Dienst von OpenAI und für die meisten der erste Kontakt mit generativer KI. Wichtig für die betriebliche Einordnung: ChatGPT ist die Oberfläche, das Modell dahinter ist ein anderes Produkt. Wer KI in eigene Abläufe einbaut, nutzt in der Regel die Schnittstelle, nicht den Chat.

Die Modellfamilie von Anthropic. In der Praxis gefragt für lange Dokumente, sorgfältiges Befolgen von Vorgaben und Programmierarbeit. Wie bei allen großen Anbietern verschiebt sich die Rangfolge mit jeder Modellgeneration, ein Vergleich lohnt sich pro Anwendungsfall.

Ein Modell bedient eine Oberfläche wie ein Mensch: Es sieht den Bildschirm, bewegt den Zeiger, tippt. Damit lassen sich Altsysteme ohne Schnittstelle einbinden. Der Weg ist langsamer und fehleranfälliger als eine echte Anbindung und deshalb die zweitbeste Lösung, aber manchmal die einzige.

Microsofts KI-Assistenz in Office, Windows und Entwicklerwerkzeugen. Der Reiz liegt in der Nähe zu vorhandenen Daten, der Aufwand in deren Vorbereitung: Copilot antwortet aus den Dateien und Postfächern, auf die ein Benutzer Zugriff hat. Ungepflegte Berechtigungen fallen damit sofort auf.

Der abgegrenzte Bestand an Dokumenten und Datensätzen, auf den ein KI-System zugreifen darf. Ihn zu bestimmen ist die erste Arbeit jedes Projekts und meist die unterschätzte: Wer alles freigibt, bekommt Antworten aus Entwürfen, Altständen und fremden Abteilungen.

Künstlich erzeugte Bild-, Ton- oder Videoaufnahmen, die echte Personen zeigen. Für Unternehmen ist weniger die Öffentlichkeit das Problem als der Zahlungsbetrug: Eine nachgebildete Stimme am Telefon genügt, um eine Überweisung anzustoßen. Schutz ist organisatorisch, nicht technisch, etwa über feste Rückrufwege.

Chinesischer Anbieter, der mit offen verfügbaren Modellen bekannt wurde. Bemerkenswert war weniger die Leistung als der Nachweis, dass sich konkurrenzfähige Modelle mit erheblich geringerem Aufwand trainieren lassen. Für den betrieblichen Einsatz ist die Frage nach dem Serverstandort vorab zu klären.

Ein großes Modell bringt einem kleinen bei, seine Aufgaben zu erfüllen. Das Ergebnis läuft mit einem Bruchteil der Rechenleistung, oft auf eigener Hardware. Der Weg, auf dem aus einem Modell für den Rechenzentrumsbetrieb eines wird, das in Ihrer Serverecke arbeitet.

Die Bauart hinter den meisten Bild- und Videogeneratoren. Das Modell beginnt mit Rauschen und entfernt es schrittweise, bis das beschriebene Bild übrig bleibt. Erklärt zwei Eigenheiten: dass derselbe Prompt nie zweimal dasselbe Bild liefert, und dass die Erzeugung Zeit braucht.

Die europäische Datenschutz-Grundverordnung. Für KI-Vorhaben sind vier Fragen entscheidend: Welche personenbezogenen Daten fließen ins Modell, auf welcher Rechtsgrundlage, wo werden sie verarbeitet, und wie lange bleiben sie dort. Ein Auftragsverarbeitungsvertrag mit dem Anbieter ist die Regel, kein Sonderfall.

Modelle laufen dort, wo die Daten entstehen: an der Maschine, im Fahrzeug, im Gerät. Keine Übertragung, keine Wartezeit über das Netz, Betrieb auch ohne Verbindung. Machbar geworden durch kleine Modelle und Quantisierung.

Die Übersetzung von Text in eine Zahlenfolge, die seine Bedeutung abbildet. Zwei Texte mit ähnlichem Inhalt ergeben ähnliche Zahlenfolgen, auch wenn kein Wort übereinstimmt. Darauf beruht die Suche nach Sinn statt nach Schreibweise, die Grundlage jeder Wissensdatenbank mit KI.

Die KI-Verordnung der Europäischen Union. Sie sortiert Anwendungen nach Risiko und knüpft daran Pflichten: Verbotenes, Hochrisiko-Anwendungen mit Auflagen zu Dokumentation und Aufsicht, Transparenzpflichten, freier Bereich. Die Einstufung hängt am Einsatzzweck, nicht am Modell, dasselbe Modell kann in einem Fall streng geregelt und im anderen frei sein.

Ein eigener Testsatz aus Ihren Fällen mit den erwarteten Ergebnissen, an dem sich jede Änderung messen lässt. Ohne Evals ist jede Aussage über Qualität ein Eindruck. Mit Evals sehen Sie, ob ein neues Modell, eine geänderte Anweisung oder ein anderer Schwellwert wirklich besser ist.

Der Anweisung ein paar gelöste Beispiele voranstellen, damit das Modell das Muster übernimmt. Bei Formatvorgaben und Einordnungsaufgaben oft wirksamer als jede Beschreibung in Worten und ungleich billiger als Fine-Tuning.

Ein vortrainiertes Modell mit eigenen Beispielen nachtrainieren, damit es Tonfall, Format oder Fachsprache trifft. Sinnvoll für die Art der Antwort, ungeeignet für ihren Inhalt: Wissen, das sich ändert, gehört nicht ins Modell, sondern in eine angebundene Quelle.

Ein großes, allgemein trainiertes Modell, das als Grundlage für viele Anwendungen dient, statt für eine gebaut zu sein. Die wirtschaftliche Folge: Das teure Training übernimmt der Anbieter, Sie zahlen für die Anpassung und den Betrieb.

Googles Modellfamilie, von Beginn an auf mehrere Eingabearten ausgelegt und eng mit Google Workspace und der Google Cloud verzahnt. Für Unternehmen, deren Daten dort ohnehin liegen, der Weg mit dem geringsten Integrationsaufwand.

Systeme, die Neues erzeugen, statt Vorhandenes einzuordnen: Text, Bild, Ton, Programmcode. Der Unterschied zur klassischen Auswertung ist grundsätzlich. Ein Klassifizierer wählt aus bekannten Antworten, ein generatives Modell formuliert eine, die es so noch nicht gab, mit allen Vorteilen und dem bekannten Risiko.

Die Arbeit daran, in den Antworten von KI-Assistenten vorzukommen. Andere Mittel als bei der Suchmaschine: Es zählen klar beantwortete Fragen, belegte Aussagen, saubere strukturierte Daten und ein eindeutiges Unternehmensprofil über alle Quellen hinweg. Verwiesen wird auf das, was sich zitieren lässt.

Kurz für Generative Pre-trained Transformer und zugleich die Bezeichnung der OpenAI-Modellreihe. Die drei Teile beschreiben das Verfahren: erzeugend, im Voraus auf großen Textmengen trainiert, auf der Transformer-Architektur aufgebaut.

Regeln, die vor und nach dem Modell greifen: Was darf hineingehen, was darf herauskommen, wo ist Schluss. Sperrlisten, Prüfung auf personenbezogene Daten, Schwellwerte, ab denen ein Mensch entscheidet. Ohne Leitplanken ist ein Modell im Betrieb ein Versprechen, kein System.

Eine erfundene Angabe, die richtig klingt. Kein Fehler im engeren Sinn, sondern die Kehrseite des Verfahrens: Das Modell setzt fort, was wahrscheinlich ist, und Wahrscheinlichkeit ist nicht Wahrheit. Wirksam dagegen sind belegte Quellen, Rückverweise auf die Fundstelle und Stichproben, nicht die Bitte, nichts zu erfinden.

Ein Ablauf, in dem das System vorbereitet und ein Mensch entscheidet. Der Regelfall in Unternehmen, weil er die Zeitersparnis mitnimmt, ohne die Verantwortung abzugeben. Die Kunst liegt im Zuschnitt: Prüfen, was unsicher ist, durchlaufen lassen, was eindeutig ist.

Lokale Modelle und Cloud-Modelle nebeneinander, je nach Aufgabe. Personenbezogenes und Massenhaftes läuft lokal, das fachlich Schwierige geht an ein großes Modell. In der Praxis die häufigste Bauform, weil sie Datenschutz und Leistung nicht gegeneinander ausspielen muss.

Der Betrieb eines fertig trainierten Modells, also jede einzelne Antwort. Kostenseitig der Posten, der bleibt: Training fällt einmal an, Inferenz mit jeder Anfrage. Wer die laufenden Kosten senken will, arbeitet hier, über kleinere Modelle, kürzere Eingaben oder eigene Hardware.

Der Versuch, ein Modell durch geschickte Formulierung zu Ausgaben zu bringen, die es verweigern soll. Für Unternehmen zählt vor allem der eigene Fall: Ein öffentlich erreichbarer Assistent wird ausprobiert. Was er nicht sagen soll, muss außerhalb des Modells abgesichert sein.

Die Festlegung, welche Abläufe in welcher Reihenfolge mit KI bearbeitet werden und woran der Erfolg gemessen wird. Der Nutzen liegt weniger in der Auswahl der Vorhaben als im begründeten Nein zu allem übrigen.

Wie viel Text ein Modell in einer Anfrage gleichzeitig überblickt, gemessen in Token. Alles darüber hinaus existiert für das Modell nicht. Große Fenster ersparen Zerlegen, kosten aber je Anfrage: Sie zahlen für jedes mitgeschickte Token, auch für das, was nichts beiträgt.

Ein großes Sprachmodell, trainiert darauf, den jeweils nächsten Textbaustein vorherzusagen. Aus dieser einen Fähigkeit ergibt sich alles Weitere: zusammenfassen, übersetzen, einordnen, formulieren. Wer das Grundprinzip kennt, versteht sowohl die Stärken als auch die Halluzination.

Die Zeit bis zur Antwort. Im Chat verschmerzbar, im Ablauf entscheidend: Ein Schritt, der acht Sekunden braucht, ist in einer Kette aus zwanzig Schritten das Ende der Sache. Kleine Modelle nahe an den Daten schlagen hier große Modelle in der Ferne.

Metas Modellfamilie mit offen verfügbaren Gewichten. Sie hat den praktischen Unterschied gemacht, dass leistungsfähige Modelle auch auf eigener Hardware laufen. Die Lizenz ist offen, aber nicht voraussetzungslos, ein Blick hinein gehört vor jedes Vorhaben.

Ein sparsames Verfahren zum Nachtrainieren: Statt das ganze Modell zu verändern, wird eine kleine Zusatzschicht gelernt. Das Ergebnis ist wenige Megabyte groß, lässt sich zu- und abschalten und macht mehrere Anpassungen desselben Grundmodells praktikabel.

Der Oberbegriff für Verfahren, die Regeln aus Daten ableiten, statt sie vorgeschrieben zu bekommen. Sprachmodelle sind ein Zweig davon, und nicht immer der passende: Für Mengengerüste, Vorhersagen und Klassifizierung sind ältere, kleinere Verfahren oft genauer, schneller und billiger.

Ein offener Standard dafür, wie ein Modell an Werkzeuge und Datenquellen kommt. Der Zweck ist Wiederverwendung: Eine einmal gebaute Anbindung an Ihr ERP steht jedem Modell zur Verfügung, das den Standard spricht, statt je Anbieter neu geschrieben zu werden.

Französischer Anbieter mit offenen und geschlossenen Modellen. Für europäische Unternehmen aus zwei Gründen im Blick: Verarbeitung innerhalb der EU und Modellgrößen, die sich auf überschaubarer eigener Hardware betreiben lassen.

Eine Bauart, bei der ein Modell aus vielen Teilnetzen besteht, von denen je Anfrage nur wenige rechnen. So bleibt die Antwortzeit im Rahmen, obwohl das Modell insgesamt sehr groß ist. Erklärt, warum Parameterzahlen zwischen Modellen nicht mehr vergleichbar sind.

Die Fähigkeit, mehrere Eingabearten in einem Modell zu verarbeiten: Text, Bild, Ton, Video. Im Betrieb der Unterschied zwischen „Rechnung abtippen“ und „Rechnung fotografieren“.

Das Fachgebiet der maschinellen Sprachverarbeitung, älter als die heutigen Sprachmodelle. Übersetzung, Erkennung von Eigennamen, Einordnung von Anliegen, Stimmungsanalyse, alles Aufgaben, für die es vor den großen Modellen eigene, kleine Werkzeuge gab, die sich vielfach weiter lohnen.

Zwei Schritte, die oft in einen Topf geworfen werden. OCR löst den Text aus dem Bild, die Erkennung ordnet Werte den Feldern zu: Rechnungsnummer, Datum, Positionen, Steuersätze. Am zweiten Schritt scheitern starre Regeln, weil jedes Lieferantenformular anders aussieht, und genau dort trägt ein Modell.

Lokale Modelle auf eigener Hardware im eigenen Haus. Aufwendiger in der Einrichtung, dafür ohne Datenabfluss, ohne Kosten je Anfrage und ohne Abhängigkeit von der Verfügbarkeit eines Anbieters. Die Rechnung geht meist dort auf, wo dauerhaft viele Anfragen anfallen oder die Daten das Haus nicht verlassen dürfen.

Modelle, deren Gewichte frei verfügbar sind. Zu unterscheiden von quelloffener Software im strengen Sinn: Offene Gewichte heißen nicht offene Trainingsdaten und nicht uneingeschränkte Nutzung. Für die meisten betrieblichen Zwecke reicht es, für manche Lizenzfragen nicht.

Die Steuerung mehrerer Modell- und Systemaufrufe zu einem Ablauf: Was läuft nacheinander, was parallel, was passiert bei einem Fehler, wo wird abgebrochen. In Projekten steckt hier der größere Teil der Arbeit, nicht im Modell selbst.

Ein Modell hat die Trainingsbeispiele auswendig gelernt, statt die Regel dahinter. Auf bekannten Daten glänzend, auf neuen unbrauchbar. Der Grund, warum ein Testsatz getrennt gehalten wird, den das Modell nie gesehen hat.

Die im Training gelernten Stellgrößen eines Modells, angegeben in Milliarden. Lange galt: mehr Parameter, bessere Ergebnisse. Diese Faustregel trägt nicht mehr. Trainingsqualität, Bauart und Zuschnitt auf die Aufgabe schlagen die reine Größe regelmäßig.

Die Eingabe an ein Modell. Anweisung, Zusammenhang, Beispiele und Frage in einem. Wie viel davon Sie mitgeben, entscheidet über die Antwort und über den Preis, denn abgerechnet wird nach Umfang.

Anweisungen so zu bauen, dass ein Modell verlässlich das Gewünschte liefert. Handwerk, kein Beiwerk: Rolle, Zusammenhang, Beispiele, Ausgabeformat. Der Unterschied zwischen zwei Formulierungen derselben Aufgabe ist im Ergebnis oft größer als der zwischen zwei Modellen.

Ein Angriff, bei dem Anweisungen in Daten versteckt werden, die das Modell verarbeitet: in einer E-Mail, einem Dokument, auf einer Webseite. Das Modell unterscheidet Anweisung und Inhalt nicht von selbst. Die Abwehr liegt außerhalb: begrenzte Rechte, Bestätigung vor wirksamen Schritten.

Ein kleiner, befristeter Nachweis, dass ein Vorhaben trägt, bevor es gebaut wird. Sinnvoll mit vorab festgelegtem Abbruchkriterium. Ohne dieses wird aus dem Nachweis ein Dauerzustand, der weder produktiv geht noch beendet wird.

Die Gewichte eines Modells werden gröber gespeichert, etwa mit vier statt sechzehn Bit. Der Speicherbedarf sinkt um ein Vielfaches, die Qualität nur wenig. Das Verfahren, das große Modelle auf bezahlbare Hardware bringt und damit den eigenen Betrieb überhaupt ermöglicht.

Vor der Antwort werden passende Stellen aus Ihren Dokumenten gesucht und dem Modell mitgegeben. Es antwortet aus Belegen statt aus Erinnerung, mit Quellenangabe und ohne Nachtraining. Der übliche Weg, wenn ein Assistent Ihr Haus kennen soll und Ihr Wissen sich ändert.

Ein Modell, das vor der Antwort erkennbar rechnet: Es arbeitet den Lösungsweg aus, verwirft und beginnt neu. Bei mehrschrittigen Aufgaben deutlich stärker, dafür langsamer und teurer. Für Einordnen und Zusammenfassen ist es die falsche Wahl.

Bestärkendes Lernen aus menschlicher Rückmeldung. Menschen bewerten Antworten, das Modell lernt daraus, welche Art zu antworten erwünscht ist. Der Schritt, der aus einem Textfortsetzer einen brauchbaren Gesprächspartner macht.

Die maschinelle Einordnung von Texten nach Stimmung. Im Betrieb genutzt für Bewertungen, Beschwerden und Servicetickets, meist nicht als Selbstzweck, sondern um Dringendes nach vorn zu holen.

Ein bewusst kleines Sprachmodell, das auf gewöhnlicher Hardware läuft. Für abgegrenzte Aufgaben, Einordnen, Umformen, Feldzuordnung, oft genauso gut wie ein großes und um Größenordnungen billiger. In Automatisierungen sitzen kleine Modelle dort, wo eine feste Regel nicht reicht, und sonst nirgends.

OpenAIs Videogenerator. Für Unternehmen mit Vorsicht zu betrachten: Die Frage nach Rechten an Vorlagen und die Kennzeichnungspflicht für künstlich erzeugte Inhalte sind vor der Veröffentlichung zu klären, nicht danach.

Das Modell wird auf ein festes Ausgabeformat verpflichtet, damit die Antwort ohne Nachbearbeitung in ein anderes System läuft. Der Schritt, der aus einem Assistenten einen Bestandteil eines Ablaufs macht: Was nicht maschinenlesbar herauskommt, muss jemand abtippen.

Auszeichnungen im Quelltext einer Seite, die maschinenlesbar erklären, was dort steht: Unternehmen, Leistung, Begriff, Frage und Antwort. Suchmaschinen und KI-Assistenten stützen sich darauf, wenn sie eine Quelle einordnen und zitieren.

Die Einheit, in der ein Modell Text zerlegt und abrechnet, ein Wortstück von durchschnittlich vier Zeichen. Deutsche Texte brauchen mehr Token als englische, weil zusammengesetzte Wörter zerfallen. Kontextfenster, Preise und Geschwindigkeit sind alle in dieser Einheit angegeben.

Das Modell erhält eine Liste verfügbarer Funktionen und entscheidet selbst, welche es mit welchen Werten aufruft: Bestand abfragen, Termin anlegen, Rechnung suchen. Der Übergang vom Antworten zum Handeln, und der Punkt, ab dem Rechte und Bestätigungen zu regeln sind.

Der Bestand, aus dem ein Modell seine Regeln ableitet. Zwei Dinge folgen daraus unmittelbar: Was nicht in den Daten war, kann das Modell nicht wissen, und was schief in den Daten lag, liegt schief im Modell.

Ein für eine Aufgabe trainiertes Modell für eine verwandte weiterverwenden. Der Grund, warum kein Unternehmen mehr bei null anfängt: Das allgemeine Sprachverständnis ist da, angepasst wird nur der letzte Teil.

Die Architektur, auf der praktisch alle heutigen Sprachmodelle aufbauen. Ihr Kern ist die Aufmerksamkeit: Jedes Wort wird im Verhältnis zu allen anderen bewertet, statt der Reihe nach gelesen. Das macht sie parallel berechenbar und war die Voraussetzung für Modelle dieser Größe.

Ein Speicher für Embeddings, der zu einer Anfrage die inhaltlich nächsten Einträge findet. Das Gedächtnis hinter jedem Assistenten, der Ihre Dokumente kennt. Die Qualität hängt weniger an der Datenbank als am Zuschnitt der abgelegten Abschnitte.

Software entwickeln, indem man beschreibt, was herauskommen soll, und das Modell den Code schreiben lässt. Für Prototypen und kleine Werkzeuge erstaunlich weit tragfähig. Für Systeme, die Geld bewegen oder personenbezogene Daten verarbeiten, ersetzt es weder Prüfung noch Verantwortung.

Wiederkehrende Abläufe ohne manuelle Zwischenschritte durchlaufen lassen. Mit KI erweitert sich der Kreis dessen, was sich automatisieren lässt, auf Fälle ohne feste Regel. Die wirtschaftlich ergiebigsten Stellen sind selten die auffälligen, sondern die vielen kleinen Übergaben zwischen zwei Systemen.

Eine Aufgabe lösen lassen, ohne ein einziges Beispiel mitzugeben. Bei geläufigen Aufgaben genügt das. Sobald ein bestimmtes Format oder eine hauseigene Abgrenzung gefragt ist, sind ein paar Beispiele die billigste Verbesserung, die es gibt.