KI-Glossar: Die wichtigsten KI-Begriffe einfach erklärt

Agentische KI beschreibt Systeme, die nicht nur auf eine einzelne Eingabe antworten, sondern aktiv einen mehrstufigen Arbeitsablauf verfolgen. Sie planen Zwischenschritte, holen Informationen ein, nutzen Tools und bewerten Ergebnisse.

Der Begriff hilft, den Unterschied zwischen einem einfachen Chatbot und einem produktiven KI-Agenten mit echter Prozesslogik zu verstehen.

Ein KI-Agent ist ein System, das eigenständig Aufgaben in mehreren Schritten bearbeiten kann. Er plant, nutzt Tools, trifft Entscheidungen und korrigiert sich bei Fehlern selbst.

Agenten sind der nächste Evolutionsschritt: von einzelnen KI-Antworten zu kompletten, automatisierten Workflows.

AI Governance umfasst Richtlinien, Prozesse und Kontrollen, die sicherstellen, dass KI verantwortungsvoll, transparent und rechtskonform eingesetzt wird.

Mit dem EU AI Act und steigender KI-Nutzung wird Governance zur Pflicht. Unternehmen brauchen klare Regeln, bevor sie KI produktiv einsetzen.

Clawdbot und Moltbot tauchen im Markt und in Gespraechen oft als historische oder umgangssprachliche Bezeichnungen im Umfeld von OpenClaw auf. Fuer Unternehmen ist vor allem wichtig, die Begriffe sauber auf das heutige Framework und seinen Einsatzkontext zu beziehen.

Diese Begriffsfamilie ist wichtig fuer Topical Authority, interne Verlinkung und die Abholung unscharfer Suchanfragen im Markt.

Chunking zerlegt lange Texte in kleinere Teile (Chunks), damit sie als Embeddings gespeichert und effektiv gefunden werden können. Die Chunk-Größe beeinflusst die Qualität der Suche.

Gutes Chunking entscheidet über die Qualität von RAG-Systemen. Zu große Chunks verwässern die Suche, zu kleine verlieren den Kontext.

Die DSGVO stellt klare Anforderungen an den Umgang mit personenbezogenen Daten in KI-Systemen. Unternehmen müssen sicherstellen, dass KI-Anwendungen datenschutzkonform arbeiten.

DSGVO-Verstöße können teuer werden (bis 4 % des Jahresumsatzes). Datenschutz muss von Anfang an mitgedacht werden – nicht als Nachgedanke.

Embeddings wandeln Text in Zahlenvektoren um, die die semantische Bedeutung erfassen. Ähnliche Konzepte liegen im Vektorraum nah beieinander, unabhängig von der exakten Formulierung.

Embeddings ermöglichen semantische Suche – das System findet relevante Informationen, auch wenn andere Wörter verwendet werden.

Evals sind Tests und Metriken, mit denen die Qualität von KI-Outputs gemessen wird. Sie helfen zu erkennen, ob ein System zuverlässig arbeitet und wo Schwächen liegen.

Ohne Evals fliegt man blind. Systematische Evaluation ist die Grundlage für kontinuierliche Verbesserung und Vertrauen in KI-Systeme.

Generative KI bezeichnet Systeme, die neue Inhalte erzeugen können, anstatt nur bestehende Daten zu analysieren. Dazu gehören Modelle wie ChatGPT, DALL-E oder Claude.

GenAI hat KI für Millionen von Nutzern zugänglich gemacht und ermöglicht völlig neue Arten der Automatisierung.

Grounding bezeichnet die Technik, KI-Antworten an verifizierbare Fakten oder Quellen zu koppeln. Statt frei zu generieren, antwortet das Modell nur auf Basis konkreter Dokumente oder Daten.

Grounding reduziert Halluzinationen drastisch und macht KI-Antworten verlässlich und nachprüfbar.

Eine Halluzination tritt auf, wenn ein KI-Modell Fakten erfindet, die plausibel klingen, aber nicht stimmen. Das passiert, weil das Modell auf Wahrscheinlichkeiten basiert – nicht auf Wahrheit.

Halluzinationen sind das größte Vertrauensrisiko beim KI-Einsatz. Gegenmaßnahmen wie Grounding und RAG sind daher essentiell.

Human-in-the-Loop bedeutet, dass bei wichtigen oder unsicheren Entscheidungen ein Mensch eingebunden wird. Die KI arbeitet autonom, aber an definierten Punkten wird menschliche Freigabe eingeholt.

HITL ist der Schlüssel für vertrauenswürdige KI im Unternehmenseinsatz – Automatisierung mit Sicherheitsnetz.

Künstliche Intelligenz beschreibt Systeme, die menschenähnliche Aufgaben wie Verstehen, Entscheiden und Kommunizieren automatisieren. Heute umfasst KI vor allem Machine Learning und generative Modelle.

KI ist die Basistechnologie hinter allen modernen Automatisierungen – von Chatbots bis zu autonomen Agenten.

LLMs sind neuronale Netze mit Milliarden von Parametern, die auf riesigen Textmengen trainiert wurden. Sie können Sprache verstehen, generieren, übersetzen und Aufgaben wie Zusammenfassungen oder Code-Erstellung übernehmen.

LLMs sind der Motor hinter den meisten aktuellen KI-Anwendungen in Unternehmen – von Kundenservice bis Dokumentenverarbeitung.

Machine Learning ist ein Teilbereich der KI, bei dem Algorithmen selbstständig aus Daten lernen. Statt Regeln manuell zu definieren, erkennt das System Muster und verbessert sich über die Zeit.

ML ist die Grundlage für fast jede moderne KI-Anwendung – von Spracherkennung bis Betrugserkennung.

OpenClaw ist ein Framework fuer KI-Agenten, die mit Kontext, Tools und Regeln Aufgaben ueber mehrere Schritte bearbeiten koennen. Es eignet sich besonders fuer Unternehmen, die Datenhoheit, Integrationen und kontrollierte Automatisierung kombinieren wollen.

OpenClaw ist fuer Unternehmen interessant, weil es sich zwischen klassischer Workflow-Automatisierung und vollstaendig geschlossenen KI-Plattformen positioniert.

On-Premise Hosting bedeutet, dass zentrale Komponenten eines KI-Systems innerhalb der eigenen Infrastruktur oder in einem kontrollierten Rechenzentrumsumfeld betrieben werden. Das ist besonders relevant fuer sensible Daten und strenge Compliance-Anforderungen.

On-Premise ist ein zentrales Entscheidungskriterium fuer Unternehmen, die Datensouveraenitaet, geringe Abhaengigkeit und regulatorische Kontrolle brauchen.

Ein Prompt ist der Text, den du an ein KI-Modell sendest – eine Frage, Anweisung oder ein Kontext. Die Qualität des Prompts bestimmt maßgeblich die Qualität der Antwort.

Prompt-Design ist eine Kernkompetenz im Umgang mit KI – die richtige Anweisung macht den Unterschied zwischen nutzlosem und brillantem Output.

RAG kombiniert Informationssuche mit Textgenerierung. Statt nur aus dem Training zu antworten, durchsucht das System erst eine Wissensbasis und nutzt die gefundenen Dokumente als Grundlage.

RAG ist der Standard-Ansatz, um LLMs mit firmenspezifischem Wissen auszustatten – ohne teures Nachtraining.

Beim Training lernt ein Modell aus Daten und baut sein Wissen auf. Bei der Inferenz wendet es dieses Wissen an, um Anfragen zu beantworten. Training passiert einmal (oder selten), Inferenz läuft ständig.

Hilft einzuordnen, warum KI-Modelle teuer in der Entwicklung, aber günstig im Betrieb sein können.

Tokens sind die kleinsten Texteinheiten, die ein LLM verarbeitet – ungefähr ¾ eines Wortes. Das Kontextfenster definiert, wie viele Tokens das Modell gleichzeitig „sehen" kann.

Das Kontextfenster bestimmt, wie viel Information ein Modell gleichzeitig berücksichtigen kann – und beeinflusst Kosten und Qualität.

Die Temperatur steuert, wie „zufällig" die Textgenerierung ist. Niedrige Temperatur (0) = deterministisch und fokussiert. Hohe Temperatur (1+) = kreativer und variabler.

Die richtige Temperatur-Einstellung ist entscheidend – zu hoch führt zu Unsinn, zu niedrig zu starren Wiederholungen.

Function Calling ermöglicht es LLMs, nicht nur Text zu generieren, sondern strukturierte Aktionen auszulösen – z.B. eine Datenbank abfragen, eine E-Mail senden oder eine Berechnung durchführen.

Function Calling macht LLMs von reinen Textgeneratoren zu handlungsfähigen Systemen, die in echte Geschäftsprozesse eingreifen können.

Eine Vektordatenbank speichert Embeddings und ermöglicht extrem schnelle Ähnlichkeitssuchen. Sie ist das zentrale Speichersystem für RAG-Anwendungen und semantische Suche.

Ohne Vektordatenbank wäre RAG nicht möglich. Sie sind die Infrastruktur hinter jeder KI, die mit eigenen Daten arbeitet.