Die wichtigsten KI-Begriffe auf einen Blick
Wer sich mit Künstlicher Intelligenz im Unternehmen befasst, stößt schnell auf eine Mischung aus Technik-Vokabular, englischen Fachwörtern und Rechtsbegriffen aus dem EU AI Act. Dieses KI-Glossar erklärt die über 50 wichtigsten Begriffe kurz, in Alltagssprache und mit Blick auf die betriebliche Praxis. Es ist als Nachschlagewerk gedacht: Die Begriffe sind in sechs Themenblöcke gegliedert – von den technischen Grundlagen über generative KI und Sprachmodelle bis zu den zentralen Begriffen der KI-Verordnung.
Ausführlichere Beiträge zu einzelnen Themen finden Sie im Bridgly-Wissensbereich, etwa zur Schulungspflicht nach Art. 4 EU AI Act. Rechtsbegriffe geben den Stand der KI-Verordnung (EU) 2024/1689 wieder; Stand: Juli 2026.
KI-Grundlagen: Wie Maschinen „lernen“
Diese Begriffe bilden das Fundament. Sie beschreiben, was hinter dem Sammelbegriff „KI“ technisch steckt und wie ein System aus Daten Muster ableitet.
- Künstliche Intelligenz (KI): Sammelbegriff für Computersysteme, die Aufgaben übernehmen, für die man üblicherweise menschliche Intelligenz voraussetzt – etwa Sprache verstehen, Bilder erkennen oder Entscheidungen vorschlagen.
- KI-System: Nach Art. 3 der KI-Verordnung ein maschinengestütztes System, das mit einem gewissen Grad an Autonomie arbeitet und aus Eingaben Ergebnisse wie Vorhersagen, Empfehlungen oder Entscheidungen ableitet, die die Umgebung beeinflussen können.
- Algorithmus: Eine festgelegte Handlungsvorschrift – eine Abfolge von Rechenschritten, die aus einer Eingabe ein Ergebnis erzeugt. Jede KI beruht auf Algorithmen, aber nicht jeder Algorithmus ist KI.
- Machine Learning (maschinelles Lernen): Teilgebiet der KI, bei dem ein System nicht Regel für Regel programmiert wird, sondern Muster selbstständig aus Beispieldaten lernt und daraus auf neue Fälle schließt.
- Deep Learning: Eine Spielart des maschinellen Lernens mit vielschichtigen neuronalen Netzen. Sie ist besonders leistungsfähig bei Sprache und Bildern, benötigt aber sehr große Datenmengen.
- Neuronales Netz: Ein nach dem Vorbild des Gehirns aufgebautes Rechenmodell aus vielen verbundenen „Knoten“. Über das Training werden die Verbindungsstärken so angepasst, dass das Netz eine Aufgabe möglichst gut löst.
- Modell: Das Ergebnis eines Trainings – die „gelernte“ Datei mit allen Parametern, die anschließend für neue Eingaben genutzt wird. Umgangssprachlich ist ein „KI-Modell“ das trainierte System selbst.
- Trainingsdaten: Die Beispiele, aus denen ein Modell lernt. Ihre Qualität und Ausgewogenheit bestimmen maßgeblich, wie gut und wie fair die spätere KI arbeitet.
- Training: Der Vorgang, in dem ein Modell aus Trainingsdaten Muster ableitet und seine Parameter anpasst. Das Training ist rechenintensiv und findet vor dem produktiven Einsatz statt.
- Inferenz: Die Anwendungsphase: Das fertig trainierte Modell verarbeitet eine neue Eingabe und erzeugt ein Ergebnis. Wenn Sie einen Chatbot nutzen, läuft im Hintergrund Inferenz.
- Überwachtes Lernen: Trainingsverfahren mit vorab beschrifteten Beispielen (Eingabe plus richtige Antwort). Das Modell lernt, die bekannte Zuordnung nachzubilden – etwa „Rechnung“ oder „keine Rechnung“.
- Unüberwachtes Lernen: Verfahren ohne vorgegebene Antworten. Das Modell sucht selbst nach Strukturen in den Daten, etwa Gruppen ähnlicher Kunden.
- Bestärkendes Lernen (Reinforcement Learning): Lernen durch Versuch und Rückmeldung: Das System probiert Handlungen aus und wird für gute Ergebnisse „belohnt“. Es steckt unter anderem hinter der Feinsteuerung moderner Sprachmodelle.
- Parameter: Die zahllosen intern justierbaren Stellgrößen eines Modells, die im Training angepasst werden. Große Sprachmodelle haben Milliarden davon; ihre Zahl ist ein grober Anhaltspunkt für die Modellgröße.
- Überanpassung (Overfitting): Ein Modell hat die Trainingsdaten „auswendig gelernt“, statt allgemeine Muster zu erfassen. Es glänzt auf bekannten Beispielen, versagt aber bei neuen Fällen.
- Schwache und starke KI: Heutige Systeme sind „schwache“ KI – spezialisiert auf einzelne Aufgaben. Eine „starke“ KI oder AGI mit menschenähnlicher Allgemeinintelligenz ist bislang ein theoretisches Konzept, kein verfügbares Produkt.
Generative KI und Sprachmodelle
Seit ChatGPT ist „generative KI“ der sichtbarste Teil des Themas. Diese Begriffe erklären, wie Werkzeuge funktionieren, die Texte, Bilder oder Code erzeugen.
- Generative KI: KI-Systeme, die neue Inhalte erzeugen – Text, Bild, Audio, Video oder Code – statt nur bestehende Daten einzuordnen. Grundlage sind meist große, vortrainierte Modelle.
- Large Language Model (LLM): Ein großes Sprachmodell, das aus riesigen Textmengen gelernt hat, das jeweils wahrscheinlichste nächste Wort vorherzusagen. Auf dieser Grundlage formuliert es zusammenhängende Antworten.
- GPT: Abkürzung für „Generative Pretrained Transformer“ – eine verbreitete LLM-Architektur. Bekannte Produkte wie ChatGPT beruhen darauf; „GPT“ ist damit eine Modellfamilie, kein Synonym für KI insgesamt.
- Transformer: Die technische Architektur hinter den meisten heutigen Sprachmodellen. Sie kann Bezüge zwischen weit auseinanderliegenden Wörtern erfassen und machte die aktuelle Generation generativer KI erst möglich.
- Prompt: Die Eingabe oder Anweisung, die ein Nutzer einem generativen Modell gibt. Wie präzise der Prompt formuliert ist, beeinflusst die Qualität der Antwort erheblich.
- Prompt Engineering: Die Kunst, Prompts so zu gestalten, dass ein Modell verlässlich brauchbare Ergebnisse liefert – etwa durch klare Rollen, Beispiele und Formatvorgaben.
- Token: Die kleinste Verarbeitungseinheit eines Sprachmodells – ein Wort, ein Wortteil oder ein Zeichen. Rechenkosten und Textlängen werden meist in Token gemessen.
- Kontextfenster: Die maximale Textmenge (in Token), die ein Modell gleichzeitig „im Blick“ behalten kann. Ist ein Dokument länger, fällt der Anfang aus dem Kontext.
- Halluzination: Eine überzeugend formulierte, aber sachlich falsche oder erfundene Ausgabe eines KI-Modells. Sie ist ein zentrales Qualitäts- und Compliance-Risiko und macht menschliche Kontrolle unverzichtbar. Mehr dazu: KI-Halluzinationen und ihr Compliance-Risiko.
- Embedding: Die Übersetzung von Wörtern, Sätzen oder Dokumenten in Zahlenvektoren, sodass ein Modell inhaltliche Ähnlichkeit berechnen kann. Grundlage vieler Such- und Empfehlungsfunktionen.
- Retrieval-Augmented Generation (RAG): Ein Verfahren, das ein Sprachmodell vor der Antwort gezielt in geprüften Dokumenten nachschlagen lässt. Das senkt das Halluzinationsrisiko und macht Aussagen belegbar.
- Fine-Tuning (Feinabstimmung): Das Nachtrainieren eines vorhandenen Modells mit eigenen, spezifischen Daten, damit es zu einem Fachgebiet oder Stil besser passt.
- Multimodale KI: Modelle, die mehrere Datenarten zugleich verarbeiten – etwa Text und Bild – und so beispielsweise ein Foto beschreiben oder eine Grafik auswerten können.
- Chatbot: Eine dialogorientierte Anwendung, die auf Nutzereingaben in natürlicher Sprache antwortet. Moderne Chatbots beruhen häufig auf LLMs.
- General-Purpose-KI (GPAI): Allzweck-KI-Modelle, die für viele verschiedene Aufgaben einsetzbar sind. Die KI-Verordnung enthält für GPAI-Modelle eigene Transparenz- und Dokumentationspflichten.
- Foundation Model (Basismodell): Ein sehr großes, breit vortrainiertes Modell, das als Grundlage für viele Anwendungen dient. GPAI-Modelle sind der regulatorische Begriff für diese Kategorie.
- KI-Agent: Ein System, das ein Sprachmodell mit Werkzeugen und Handlungsspielraum verbindet, sodass es Aufgaben mehrschrittig und teils selbstständig ausführt. Autonomie erhöht Nutzen und Kontrollbedarf zugleich.
- Guardrails (Leitplanken): Technische und organisatorische Schranken, die unerwünschte KI-Ausgaben oder -Handlungen verhindern sollen – etwa Filter, Sperrlisten oder Freigabeschritte.
Die zentralen Begriffe des EU AI Act
Die KI-Verordnung (EU) 2024/1689 – kurz KI-VO oder EU AI Act – ist der europäische Rechtsrahmen für KI. Sie gilt schrittweise; die Hauptgeltung beginnt am 2. August 2026. Diese Begriffe tauchen in fast jeder Compliance-Diskussion auf.
- EU AI Act / KI-Verordnung (KI-VO): Die Verordnung (EU) 2024/1689, der weltweit erste umfassende Rechtsrahmen für KI. Sie verfolgt einen risikobasierten Ansatz: Je höher das Risiko einer Anwendung, desto strenger die Pflichten.
- Risikobasierter Ansatz: Grundprinzip der KI-VO. Anwendungen werden nach ihrem Risiko in Stufen eingeteilt – von verboten über hochriskant und transparenzpflichtig bis minimal reguliert.
- Verbotene Praktiken (Art. 5): KI-Anwendungen mit inakzeptablem Risiko, die untersagt sind – darunter Social Scoring oder Emotionserkennung am Arbeitsplatz. Diese Verbote gelten bereits seit dem 2. Februar 2025.
- Hochrisiko-KI: Systeme, die erhebliche Risiken für Gesundheit, Sicherheit oder Grundrechte bergen, etwa in Personalauswahl, Kreditvergabe oder kritischer Infrastruktur (Anhang III der KI-VO). Für sie gelten die strengsten Pflichten. Ausführlich erklärt der Beitrag zu den KI-Risikoklassen die vier Stufen.
- Transparenzpflicht (Art. 50): Für bestimmte Systeme mit begrenztem Risiko gilt eine Kennzeichnungspflicht: Nutzer müssen erkennen können, dass sie mit einer KI interagieren oder dass ein Inhalt KI-generiert ist.
- KI-Kompetenz (Art. 4): Die Pflicht von Anbietern und Betreibern, für ein ausreichendes Maß an KI-Kompetenz ihres Personals zu sorgen. Sie gilt seit dem 2. Februar 2025 und ist ein zentraler Schulungsanlass.
- Anbieter: Wer ein KI-System entwickelt oder entwickeln lässt und unter eigenem Namen in Verkehr bringt. Anbieter tragen die weitreichendsten Pflichten der KI-VO.
- Betreiber: Wer ein KI-System in eigener Verantwortung einsetzt – etwa ein Unternehmen, das ein zugekauftes Recruiting-Tool nutzt. Die meisten Organisationen sind Betreiber, nicht Anbieter.
- Anhang III: Die Liste der Einsatzbereiche, in denen KI als hochriskant gilt – unter anderem Beschäftigung, Bildung, Kreditwürdigkeit und kritische Infrastruktur.
- Menschliche Aufsicht (Human Oversight, Art. 14): Die Anforderung, Hochrisiko-KI so einzusetzen, dass Menschen sie wirksam überwachen und eingreifen können. Sie ist die wichtigste Antwort auf Fehler und Halluzinationen.
- Konformitätsbewertung: Das Verfahren, mit dem ein Anbieter vor dem Inverkehrbringen nachweist, dass ein Hochrisiko-System die Anforderungen der KI-VO erfüllt.
- CE-Kennzeichnung: Das Zeichen, mit dem ein Anbieter die Konformität eines Hochrisiko-KI-Systems mit den EU-Anforderungen sichtbar macht – analog zu anderen Produktvorschriften.
Daten, Datenschutz und Fairness
KI und Datenschutz greifen ineinander. Diese Begriffe sind wichtig, weil KI-Projekte fast immer auch personenbezogene Daten und Fragen der Fairness berühren.
- Personenbezogene Daten: Alle Informationen, die sich auf eine identifizierbare Person beziehen. Sobald KI solche Daten verarbeitet, gilt zusätzlich zur KI-VO die Datenschutz-Grundverordnung (DSGVO).
- Bias (Verzerrung): Eine systematische Schieflage in Daten oder Modell, die zu unfairen oder diskriminierenden Ergebnissen führen kann – etwa wenn ein Recruiting-Modell aus einseitigen Altdaten lernt.
- Datenqualität: Maß dafür, wie vollständig, korrekt und repräsentativ Daten sind. Schlechte Datenqualität ist eine Hauptursache für Fehler und Bias in KI-Systemen.
- Anonymisierung: Das Verändern von Daten, sodass sich keine Person mehr zuordnen lässt. Wirksam anonymisierte Daten fallen nicht mehr unter die DSGVO.
- Erklärbarkeit (Explainability): Die Fähigkeit, nachvollziehbar zu machen, wie eine KI zu einem Ergebnis kam. Sie ist Voraussetzung für Kontrolle, Vertrauen und den Nachweis fairer Entscheidungen.
Risiken, Sicherheit und Betrieb
Der letzte Block sammelt Begriffe, die im laufenden Betrieb und beim sicheren Umgang mit KI zählen – von typischen Angriffsformen bis zu organisatorischen Bausteinen.
- Deepfake: Täuschend echt wirkende, aber künstlich erzeugte oder manipulierte Medieninhalte. Realistische KI-Inhalte unterliegen nach Art. 50 KI-VO einer Kennzeichnungspflicht.
- Prompt Injection: Ein Angriff, bei dem manipulierte Eingaben oder versteckte Anweisungen ein Sprachmodell zu unerwünschtem Verhalten verleiten. Ein zentrales Sicherheitsthema beim Einsatz von KI-Assistenten.
- Schatten-KI (Shadow AI): Die Nutzung nicht freigegebener KI-Werkzeuge durch Mitarbeitende ohne Wissen der IT. Sie erzeugt unkontrollierte Datenschutz- und Geheimhaltungsrisiken.
- Automatisierungs-Bias: Die Neigung, maschinellen Vorschlägen unkritisch zu vertrauen. Er unterläuft die menschliche Aufsicht und ist ein wichtiges Schulungsthema.
- Robustheit: Die Widerstandsfähigkeit eines KI-Systems gegen fehlerhafte, ungewöhnliche oder manipulierte Eingaben. Robuste Systeme liefern auch unter Störungen verlässliche Ergebnisse.
- KI-Richtlinie: Eine interne Regelung, die festlegt, welche KI-Werkzeuge im Unternehmen wie genutzt werden dürfen. Sie schafft Klarheit und begrenzt Schatten-KI.
- KI-Inventar: Ein Verzeichnis aller im Unternehmen eingesetzten KI-Systeme. Es ist die Grundlage, um Pflichten aus der KI-VO überhaupt zuordnen zu können.
- KI-Governance: Der organisatorische Rahmen aus Rollen, Regeln und Prozessen für den verantwortungsvollen Einsatz von KI – von der Freigabe neuer Tools bis zur laufenden Überwachung.
- Audit-Trail / Dokumentation: Die nachvollziehbare Aufzeichnung von Einsatz, Entscheidungen und Schulungen rund um KI. Sie ist die Basis, um Compliance im Ernstfall belegen zu können.
KI-Kompetenz im Team aufbauen
Viele dieser Begriffe gehören zum Grundwissen, das die KI-Verordnung mit der KI-Kompetenzpflicht nach Art. 4 adressiert: Mitarbeitende sollen Chancen und Risiken von KI einschätzen können. Ein gemeinsames Vokabular ist dafür der erste Schritt – von dort führt der Weg zu den Rollen, Risikoklassen und Pflichten, die für den konkreten Einsatz gelten. Welche Themen eine wirksame Schulung abdecken sollte, zeigt der Überblick zu den Inhalten einer KI-Schulung. Hinweis in eigener Sache: Für die praktische Umsetzung im Betrieb bündelt Bridgly diese Grundlagen in fertigen, digitalen Pflichtschulungen, deren Durchführung sich über die Lernplattform nachvollziehbar nachweisen lässt, sofern die Teilnahmeprotokolle gepflegt und aufbewahrt werden. Weitere Beiträge sammelt der Themen-Hub Künstliche Intelligenz.
Was ist der Unterschied zwischen KI und Machine Learning?
Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz. „KI“ ist der Oberbegriff für Systeme, die intelligentes Verhalten zeigen; Machine Learning bezeichnet konkret den Ansatz, bei dem ein System Muster aus Daten lernt, statt fest programmiert zu werden. Nahezu alle heutigen KI-Anwendungen beruhen auf maschinellem Lernen.
Was bedeutet „Halluzination“ bei KI?
Als Halluzination bezeichnet man eine überzeugend formulierte, aber sachlich falsche oder frei erfundene Ausgabe eines KI-Modells. Sie entsteht, weil Sprachmodelle Wahrscheinlichkeiten für Wörter berechnen und keine Faktenprüfung vornehmen. Deshalb müssen KI-Ergebnisse in wichtigen Zusammenhängen immer von Menschen kontrolliert werden.
Welche KI-Begriffe sind für den EU AI Act besonders wichtig?
Zentral sind KI-System, Anbieter und Betreiber, die vier Risikoklassen mit den verbotenen Praktiken und der Hochrisiko-KI sowie die KI-Kompetenz nach Art. 4. Diese Begriffe entscheiden darüber, welche Pflichten für ein Unternehmen konkret gelten.
.webp)