Die KI-Welt, ohne Fachchinesisch.

Die häufigsten Begriffe der KI-Welt — knapp erklärt, auf den geschäftlichen Nutzen bezogen. Für Entscheider, nicht für Forschende. Die Fachbegriffe bleiben englisch, weil sie auch im Markt so verwendet werden.

Grundbegriffe

KI / Künstliche Intelligenz (AI): Sammelbegriff für Systeme, die Aufgaben übernehmen, die bisher menschliches Denken erforderten: Sprache verstehen, Muster erkennen, Entscheidungen vorbereiten.
Machine Learning (ML) & Deep Learning: Teilgebiet der KI: Das System lernt Muster aus Daten, statt fest programmiert zu werden — je mehr passende Daten, desto besser. Die heute dominante Spielart ist Deep Learning: Machine Learning mit vielschichtigen neuronalen Netzen, Grundlage der Sprach- und Bildmodelle.
Neuronales Netz (Neural Network): Rechenmodell lose nach dem Vorbild des Gehirns: Schichten von Knoten, die Eingaben gewichten. Der Baustein hinter Deep Learning.
Generative KI (Generative AI): KI, die neue Inhalte erzeugt (Text, Bild, Code), statt nur zu klassifizieren. Der Bereich, der ChatGPT, Claude, Gemini & Co. ausmacht.
KI-Assistent / Chatbot: Die Anwendung, über die Sie mit einem Modell sprechen — per Chat in natürlicher Sprache (z.B. ChatGPT, Claude, Copilot). Die vertraute Oberfläche; das eigentliche Können steckt im Modell dahinter.
KI-Robotik (Künstliche Intelligenz in der Robotik): Verknüpft physische Maschinen mit intelligenten Algorithmen. Während traditionelle Roboter nur starre Programme abarbeiten, können KI-Roboter ihre Umwelt wahrnehmen, selbstständig Entscheidungen treffen und aus Fehlern lernen.
AGI (Artificial General Intelligence): Hypothetische KI, die beliebige geistige Aufgaben auf menschlichem Niveau bewältigt — nicht nur eng umrissene. Gibt es heute nicht; aktuelle Modelle sind spezialisierte Werkzeuge. Der Begriff ist oft Marketing — fürs Geschäft zählt, was ein Modell heute nachweisbar leistet.

Sprachmodelle & Varianten

LLM (Large Language Model): Grosses Sprachmodell, auf riesigen Textmengen trainiert. Versteht und schreibt Sprache, beantwortet Fragen, fasst zusammen. Kern der meisten KI-Anwendungen.
Foundation Model: Breit trainiertes Basismodell, auf dem viele Anwendungen aufsetzen, statt jeweils bei null zu beginnen.
Frontier Model: Das jeweils leistungsstärkste Spitzenmodell eines Anbieters (z.B. Claude Opus, GPT, Gemini). Höchste Qualität, gehostet, pro Nutzung bezahlt.
Lokales / Open-Weight-Modell: Modell, das Sie selbst betreiben (On-Premise oder eigene Cloud). Mehr Kontrolle über Daten und Kosten, meist etwas geringere Spitzenleistung. Gegenstück zum Frontier Model.
Multimodal: Modell, das mehrere Eingabearten versteht: Text, Bild, Audio, teils Video. Erlaubt z.B. das Auswerten von Dokumenten samt Grafiken.
Reasoning-Modell (Reasoning / «Thinking»): Modell, das vor der Antwort schrittweise «nachdenkt» (Chain-of-Thought) und dadurch bei Logik, Mathematik und mehrstufigen Aufgaben deutlich zulegt. Kostet mehr Zeit und Rechenleistung pro Antwort — lohnt sich für schwierige Probleme, nicht für jede einfache Frage.
Token: Kleinste Verarbeitungseinheit eines Sprachmodells (etwa ein Wortteil). Massstab für Länge und Kosten — abgerechnet wird pro Token.
Parameter: Die intern gelernten Stellgrössen eines Modells, oft in Milliarden angegeben. Grobe (nicht alleinige) Faustregel für die Kapazität.

Hersteller & ihre Modelle

Die wichtigsten Anbieter und ihre Modellfamilien. Konkrete Versionsnamen wechseln im Monatsrhythmus — darum hier die Familien, nicht die Tagesform.

Anthropic (Frontier): Claude-Familie: Opus (am stärksten), Sonnet (ausgewogen), Haiku (schnell und günstig).
Google (Frontier): Gemini-Familie (u.a. Pro und Flash).
Nano Banana (Google · Bild): Populärer Spitzname für Googles Bildmodelle innerhalb der Gemini-Familie. Erzeugt und bearbeitet Bilder per natürlicher Sprache und hält dabei Personen und Objekte über mehrere Änderungen hinweg konsistent. Wurde 2025 viral; der Name hat sich als Marke gehalten (auch in neueren Varianten wie «Pro»), während die offiziellen Modellnamen (Gemini … Image) im üblichen Takt wechseln.
OpenAI (Frontier): GPT-Familie; bekanntestes Endkundenprodukt ist ChatGPT.
xAI (Frontier): Grok-Familie; eng in die Plattform X (vormals Twitter) integriert.
Microsoft (Copilot): Kein eigenes Frontier-Modell, sondern eine Assistenzschicht in Microsoft 365 (Word, Outlook, Teams), die unter der Haube vor allem OpenAI-Modelle nutzt.
Lokal gehostete LLMs (Open / On-Prem): Selbst betriebene, meist offene Modelle — z.B. Llama (Meta) oder Mistral (FR). Aus der Schweiz: Apertus, das vollständig offene, mehrsprachige Modell von ETH, EPFL und CSCS (u.a. über Swisscom verfügbar). Keine abschliessende Liste, die Landschaft wächst schnell.

Nutzung & Steuerung

Prompt: Die Eingabe oder Anweisung an das Modell. Die Qualität der Frage bestimmt die Qualität der Antwort.
Prompt Engineering: Das gezielte Formulieren von Prompts, damit das Modell verlässlich brauchbare Ergebnisse liefert.
Context / Context Window: Der Arbeitsspeicher des Modells: wie viel Text (Anweisung, Dokumente, Verlauf) es gleichzeitig berücksichtigen kann. Ist er voll, fällt Älteres weg.
Context Engineering: Das bewusste Zusammenstellen dessen, was im Context Window steht — die richtigen Daten zur richtigen Zeit. In der Praxis der grösste Hebel für Qualität.
System Prompt: Feste Grundanweisung, die Rolle, Tonfall und Regeln des Modells vorgibt, bevor der Nutzer überhaupt schreibt.
Inferenz (Inference): Der Betrieb des fertigen Modells, also das Erzeugen einer Antwort. Hier entstehen die laufenden Kosten — im Gegensatz zum einmaligen Training.
Training: Das einmalige, rechenintensive Anlernen des Modells auf grossen Datenmengen. Macht das Grundkönnen aus. Es endet an einem Stichtag (Knowledge Cutoff): Ereignisse nach diesem Datum kennt das Modell nicht — Aktualität kommt nur über RAG oder Websuche dazu.
Fine-Tuning: Nachtrainieren eines Basismodells auf eigene Beispiele, um Stil oder Spezialwissen zu verankern. Aufwändiger als RAG — nur bei klarem Bedarf.

RAG & Wissen

RAG (Retrieval-Augmented Generation): Das Modell schlägt vor der Antwort in Ihren eigenen Dokumenten nach und antwortet auf dieser Basis. Macht Antworten belegbar und aktuell, ohne das Modell neu zu trainieren. Kern des iConference-Frameworks.
Retrieval: Der Such-Schritt in RAG: die zur Frage passenden Textstellen aus der Wissensbasis holen.
Embedding: Umwandlung von Text in Zahlenvektoren, sodass inhaltlich Ähnliches nah beieinander liegt. Grundlage der semantischen Suche.
Vektor-Datenbank (Vector Database): Speicher für Embeddings, der zu einer Anfrage blitzschnell die ähnlichsten Inhalte findet. Das Gedächtnis hinter RAG.
Semantische Suche: Suche nach Bedeutung statt nach exakten Stichwörtern. Findet Passendes auch bei anderer Wortwahl.
Grounding: Das Verankern der Antwort in belegbaren Quellen. Reduziert Halluzinationen und schafft Nachvollziehbarkeit.
Knowledge Base (Wissensbasis): Die kuratierte Sammlung Ihrer Dokumente, auf die RAG zugreift. Ihre Qualität bestimmt die Qualität der Antworten.

Agenten & Integration

KI-Agent / Agentic AI: KI, die nicht nur antwortet, sondern mehrschrittig Aufgaben erledigt: plant, nutzt Werkzeuge, prüft Ergebnisse. Von der Auskunft zur Ausführung.
Tool Use / Function Calling: Fähigkeit des Modells, externe Werkzeuge aufzurufen (Suche, Rechner, Datenbank, API), statt nur Text zu erzeugen.
MCP (Model Context Protocol): Offener Standard, der KI-Anwendungen einheitlich an Tools und Datenquellen anbindet. Spart individuelle Schnittstellen-Bastelei.
API: Programmierschnittstelle, über die Systeme das Modell oder andere Dienste nutzen. So wird KI in bestehende Software eingebunden.

KI-Entwicklungsumgebung

VS Code (mit z.B. Claude Code): Verbreiteter Code-Editor von Microsoft. Mit einer Erweiterung wie Claude Code arbeitet die KI direkt in dieser Umgebung mit — an Code, Dokumenten und Automatisierungen.
Git: Verteilte Versionsverwaltung: speichert jede Änderung samt Historie, lokal und privat auf dem eigenen Rechner. Schafft Nachvollziehbarkeit und sichere Zusammenarbeit ohne Datenverlust.
GitHub: Cloud-Plattform (gehört Microsoft) zum Hosten und Teilen von Git-Repositories. Auch als «privat» markierte Repos liegen in der US-Cloud — bei vertraulichen Inhalten mitdenken.
Markdown (.md): Schlankes Textformat mit einfacher Auszeichnung (Überschriften, Listen, Fett). KI-Modelle geben Antworten meist darin aus; Anweisungs- und Wissensdateien liegen üblicherweise als .md vor — gut lesbar für Mensch und Maschine.
Skills: Vordefinierte, wiederverwendbare Fähigkeiten oder Arbeitsabläufe, die ein KI-Assistent auf Abruf ausführt (oft per Kurzbefehl). Bündeln Expertenwissen in einen wiederholbaren Schritt.
Agent / Agentischer Workflow: In der Entwicklungsumgebung arbeitet die KI nicht nur auf Zuruf, sondern erledigt mehrschrittige Aufgaben selbstständig: plant, ändert Dateien, ruft Werkzeuge auf, prüft das Ergebnis und korrigiert nach. Aus einer Anweisung wird ein ganzer Arbeitsablauf statt einer einzelnen Antwort — bei klarer menschlicher Kontrolle.
Plugin: Erweiterung, die einem KI-Tool zusätzliche Funktionen verleiht — gebündelte Skills, Verbindungen zu Datenquellen oder Automatismen. Installieren statt selbst bauen.

Betrieb, Governance & Risiken

Datenhaltung: Wo Ihre Daten liegen und wie sie geschützt sind. Entscheidet mit über die Modellwahl (Frontier vs. lokal) und über Compliance.
Datenhygiene: Der Zustand Ihrer Datenbestände: Was liegt wo, wer pflegt es, wie aktuell ist es? Eine KI ist so gut wie die Daten, an die sie herankommt — verstreute und veraltete Ablagen sind das stillste KI-Hindernis.
Systeminventar: Liste der Kernsysteme eines Betriebs mit Zweck und Datenzugang. Der Reife-Test pro System heisst nicht «wie modern ist es?», sondern: Kommt man an die Daten heran — per Export oder Schnittstelle? Ohne beides ist das System eine Insel.
Zero Data Retention (ZDR): Zusicherung eines Anbieters, Ihre Eingaben und die Antworten nach der Verarbeitung nicht zu speichern — kein Logging, kein Training darauf. Zentral für vertrauliche Daten; bei Frontier-Anbietern meist nur im Enterprise- oder API-Tarif und oft erst auf Antrag.
On-Premise (On-Prem): Betrieb in der eigenen Infrastruktur statt in fremder Cloud. Maximale Datenkontrolle, höherer Eigenaufwand.
Halluzination (Hallucination): Eine inhaltlich falsche, aber überzeugend formulierte Antwort. Hauptgrund für Quellenbindung (RAG, Grounding) und menschliche Kontrolle.
Prompt Injection: Angriff, bei dem versteckte Anweisungen in Eingaben oder Dokumenten das Modell manipulieren. Relevant, sobald KI fremde Inhalte verarbeitet.
Deepfake: Mit KI erzeugte, täuschend echte Bilder, Stimmen oder Videos. Praktisch relevant als Betrugsrisiko — z.B. eine gefälschte Chef-Stimme, die eine Zahlung anordnet. Schutz: Verifikation über einen zweiten Kanal.
Guardrails: Technische und organisatorische Leitplanken, die unerwünschte Ausgaben oder Aktionen verhindern.
Human in the Loop: Bewusst eingebaute menschliche Prüfung an kritischen Stellen, bevor eine KI-Entscheidung wirkt.
Bias (Verzerrung): Systematische Schieflagen in den Ausgaben, geerbt aus den Trainingsdaten. Erfordert Prüfung bei sensiblen Einsätzen.
Explainability / Transparenz: Wie gut nachvollziehbar ist, warum das Modell etwas ausgibt. Wichtig für Vertrauen, Audit und Regulierung.
revDSG (Schweizer Datenschutzgesetz): Das revidierte Schweizer Datenschutzgesetz, in Kraft seit 1. September 2023. Für den KI-Einsatz praktisch relevant: Bearbeitungsgrundsätze (Art. 6), Auftragsbearbeitung nur mit Vertrag (Art. 9) — das gilt auch für KI-Anbieter —, Auslandsbekanntgabe (Art. 16) und Auskunftsrecht (Art. 25). Orientierung, keine Rechtsberatung.
Auftragsbearbeitungs-Vertrag (AVV/DPA): Vertrag mit einem Dienstleister, der Personendaten für Sie bearbeitet — auch mit einem KI-Anbieter (Art. 9 revDSG). Kern: Der Anbieter darf die Daten nur so bearbeiten, wie Sie selbst es dürften.
EU AI Act: Risikobasierte EU-Regulierung für KI. Betrifft auch Schweizer Firmen, die KI in der EU anbieten oder einsetzen — Pflichten je nach Risikoklasse. Die Schweiz hat kein direktes Pendant: technologieneutraler, sektorieller Ansatz; für Personendaten gilt das revDSG. Rechtslage in Bewegung — im Einzelfall die aktuelle Lage prüfen.