KI-Begriffe, die jedes Produktteam 2026 kennen sollte
Ihr Dienstleister sagt, der Support-Bot brauche RAG statt Fine-Tuning, laufe auf einem Reasoning-Modell und greife über MCP auf Ihr CRM zu. Nicken Sie – oder fragen Sie, was jede dieser Entscheidungen für Kosten und Risiken bedeutet?
KI-Begriffe sind das gemeinsame Vokabular dafür, wie Systeme mit künstlicher Intelligenz in Produkten gebaut und betrieben werden. Für ein Team, das Software plant, decken rund 25 davon die meisten Gespräche mit Dienstleistern ab. Sie lassen sich in drei Ebenen einteilen: Modelltypen (LLM, multimodale und Reasoning-Modelle), die Bausteine von LLM-Funktionen (Tokens, Inferenz, Vektordatenbanken, RAG, Fine-Tuning) sowie die Ebene der Agenten, Sicherheit und KI-gestützten Entwicklung (KI-Agenten, MCP, Guardrails, Prompt Injection, Evals, Vibe Coding). Im Folgenden wird jeder Begriff verständlich erklärt – zusammen mit dem, was er für Budget, Zeitplan oder Risiko Ihres Projekts bedeutet.
Das Wichtigste
- Rund 25 KI-Begriffe decken die meisten Gespräche mit Dienstleistern ab. Dasselbe Wort kann einen sehr unterschiedlichen Leistungsumfang bedeuten – klären Sie die Bedeutung, bevor Sie Angebote vergleichen.
- Die meisten LLM-Funktionen kombinieren ein bestehendes Modell über Retrieval (RAG) und eine Vektordatenbank mit Ihren Daten. Ein Modell von Grund auf zu trainieren ist selten.
- Größer ist nicht automatisch besser. Größere Kontextfenster und Reasoning-Modelle erhöhen Kosten und Latenz bei jeder Anfrage.
- KI, die in Ihren Systemen handelt, braucht Guardrails, menschliche Prüfung und Schutz vor direkter und indirekter Prompt Injection.
Warum KI-Vokabular für Ihr Projekt wichtig ist
KI-Begriffe werden unterschiedlich ausgelegt. In einem Angebot ist ein „KI-Agent“ ein Chatbot, der Standardfragen nach Skript beantwortet. In einem anderen ist es ein System mit Schreibzugriff auf Ihr CRM, das selbstständig E-Mails versendet. Dasselbe Wort, aber völlig unterschiedlicher Umfang, Budget und Risiko.
Dasselbe gilt für die Modellwahl. „Wir führen ein Fine-Tuning durch“ beschreibt ein eigenes Trainingsprojekt mit eigener Datenpipeline. „Wir nutzen RAG“ beschreibt eine Integration auf einem bestehenden Modell. Wenn Sie nicht wissen, wovon ein Angebot ausgeht, können Sie zwei Angebote nicht fair vergleichen. Ein gemeinsames Vokabular macht aus vagen KI-Ideen Anforderungen, die Ihr Team schätzen, testen und abnehmen kann.
Grundlegende KI-Begriffe und Modelltypen
Mathematik brauchen Sie nicht. Sie müssen die Grenzen zwischen diesen Konzepten kennen und wissen, was jede Wahl bedeutet.
| Begriff | Was er bedeutet | Warum er für Sie wichtig ist |
|---|---|---|
| Künstliche Intelligenz (KI, AI) | Software, die Aufgaben erledigt, die normalerweise menschliches Urteilsvermögen erfordern, etwa Texte oder Bilder verstehen. | Ein Oberbegriff – fragen Sie nach, welche Technik ein Angebot konkret nutzt. |
| Maschinelles Lernen (Machine Learning, ML) | Ein Teilbereich der KI, in dem Systeme Muster aus Daten lernen statt aus handgeschriebenen Regeln. | Funktioniert nur mit ausreichend sauberen, relevanten Daten. |
| Deep Learning | ML auf Basis mehrschichtiger neuronaler Netze; Grundlage moderner Modelle für Spracherkennung, Computer Vision und Sprachverarbeitung. | Leistungsstark, aber rechenintensiv und schwerer zu erklären. |
| Generative KI (generative AI) | Modelle, die neue Texte, Bilder, Code oder Audio erzeugen, statt Daten nur zu klassifizieren. | Passt zu Content-, Such- und Assistenzfunktionen. |
| Large Language Model (LLM) | Ein generatives Modell, trainiert auf riesigen Textmengen (GPT, Claude, Gemini). | Meist per API genutzt und pro Token abgerechnet – die Nutzung bestimmt die Kosten. |
| Multimodales Modell | Ein Modell, das mit mehr als einem Datentyp arbeitet – Text, Bild, Audio oder Video. | Eine Funktion kann so eine gescannte Rechnung oder einen Screenshot ohne separates OCR lesen, aber Bild- und Audio-Eingaben kosten mehr Tokens. |
| Reasoning-Modell | Ein LLM, das vor der Antwort Zwischenschritte durchdenkt und so bei komplexen Aufgaben Geschwindigkeit gegen Genauigkeit tauscht. | Besser für Analyse, Planung und Code; langsamer und teurer pro Anfrage – setzen Sie es nur dort ein, wo es nötig ist. |
Begriffe für die Entwicklung von LLM-Funktionen
Die meisten KI-Funktionen in Individualsoftware verbinden ein bestehendes LLM mit Ihren Daten und Ihrer Geschäftslogik. Diese Begriffe erklären, wie das funktioniert und woher die laufenden Kosten kommen.
| Begriff | Was er bedeutet | Warum er für Sie wichtig ist |
|---|---|---|
| Prompt | Die Anweisungen und der Kontext, die an ein Modell gesendet werden. | Prompts werden wie Code versioniert und getestet; kleine Formulierungsänderungen können das Ergebnis verschieben. |
| Token | Ein Textstück (etwa ¾ eines englischen Wortes), das Modelle lesen und nach dem sie abrechnen. | Die Grundeinheit für API-Kosten und -Geschwindigkeit. |
| Kontextfenster (context window) | Die maximale Anzahl an Tokens, die ein Modell in einer Anfrage verarbeiten kann. | Größere Kontexte fassen mehr Daten, aber jedes zusätzliche Token erhöht Kosten und Latenz jedes Aufrufs. |
| Temperatur (temperature) | Eine Einstellung, die steuert, wie zufällig oder vorhersehbar die Ausgabe eines Modells ist. | Niedrig für konsistente Antworten (Support, Datenextraktion), höher für kreative Entwürfe. Bei vielen Reasoning-Modellen ist dieser Wert fest oder gar nicht einstellbar. |
| Inferenz (inference) | Das Ausführen eines trainierten Modells, um eine Ausgabe zu erzeugen. | Ihre laufenden Betriebskosten, die bei jeder Anfrage anfallen. |
| Latenz (latency) | Die Zeit zwischen dem Senden einer Anfrage und dem Erhalt der Antwort. | Prägt die Nutzererfahrung; Chat-Oberflächen brauchen Antworten meist in Sekunden, nicht Minuten. |
| Embedding | Eine numerische Darstellung der Bedeutung eines Textes, Bildes oder anderer Inhalte. | Ermöglicht die Suche nach Bedeutung statt nur nach Schlüsselwörtern. |
| Vektordatenbank (vector database) | Eine Datenbank, die Embeddings speichert und schnell die bedeutungsähnlichsten zu einer Anfrage findet. | Die Suchmaschine hinter RAG – eine neue Infrastrukturkomponente, die betrieben, abgesichert und synchron gehalten werden muss. |
| Retrieval-Augmented Generation (RAG) | Relevante Dokumente abrufen und sie zusammen mit der Frage an das LLM übergeben. | Antworten stützen sich auf Ihre aktuellen Daten, ohne das Modell neu zu trainieren. |
| Fine-Tuning | Ein bestehendes Modell mit Ihren eigenen Beispielen weitertrainieren. | Höhere Anfangskosten; geeignet für konsistenten Ton oder ein festes Format, nicht für neue Fakten. |
Embeddings, Vektordatenbanken und RAG bilden eine Kette:
- Ihre Dokumente werden in Abschnitte zerlegt und in Embeddings umgewandelt.
- Die Embeddings werden in einer Vektordatenbank gespeichert.
- Stellt ein Nutzer eine Frage, ruft das System die relevantesten Abschnitte ab.
- Das LLM wird angewiesen, auf Basis dieser Abschnitte zu antworten. Das ist RAG.
RAG reduziert Halluzinationen, beseitigt sie aber nicht: Das Modell kann trotzdem Wissen aus dem Training einmischen oder eine Quelle falsch lesen. Deshalb brauchen auch RAG-Systeme Evals und bei kritischen Antworten eine menschliche Prüfung.
Warum nicht einfach alles in ein großes Kontextfenster packen? Weil Sie dann bei jeder Anfrage für jedes Token bezahlen und länger auf jede Antwort warten. RAG übergibt nur das Relevante – so bleiben Kosten und Latenz auch bei wachsender Wissensbasis planbar.
Agenten, Sicherheit und KI-gestützte Entwicklung
Sobald KI handelt statt nur zu antworten – Datensätze aktualisiert, APIs aufruft, Nachrichten versendet –, verschiebt sich das Vokabular hin zu Kontrolle und Risiko. Entwickler sind nicht ohne Grund vorsichtig: Laut dem Stack Overflow Developer Survey 2025 misstrauen 46 % der Genauigkeit von KI-Ergebnissen.
| Begriff | Was er bedeutet | Warum er für Sie wichtig ist |
|---|---|---|
| KI-Agent (agentic AI) | Ein LLM-basiertes System, das Schritte plant und Werkzeuge nutzt, um ein Ziel zu erreichen, statt nur auf eine Nachricht zu antworten. | Mehr Automatisierung – aber jedes Werkzeug, das der Agent aufrufen kann, ist eine Berechtigung, die Sie begrenzen und protokollieren müssen. |
| Model Context Protocol (MCP) | Ein offener Standard, um KI-Anwendungen mit Datenquellen und Werkzeugen zu verbinden. Anthropic stellte ihn 2024 vor und übergab ihn im Dezember 2025 an die Agentic AI Foundation unter dem Dach der Linux Foundation. Die offizielle MCP-Dokumentation vergleicht ihn mit „einem USB-C-Anschluss für KI-Anwendungen“. | Herstellerneutrale Governance senkt das Lock-in-Risiko, und eine Integration kann mehrere KI-Tools bedienen. Doch jede Verbindung erweitert, worauf das Modell zugreifen kann. |
| Halluzination (hallucination) | Eine überzeugt formulierte Ausgabe, die sachlich falsch oder erfunden ist. | Sie ergibt sich daraus, wie LLMs Text erzeugen – daher plant man das System entsprechend: mit Retrieval, Validierung und Prüfung. |
| Guardrails | Regeln und Prüfungen, die begrenzen, was ein Modell sagen oder tun darf, etwa gesperrte Themen oder eine freigegebene Liste von Aktionen. | Ihr wichtigstes Steuerungsinstrument, damit ein Agent innerhalb geschäftlicher und rechtlicher Grenzen bleibt. |
| Prompt Injection | Eingaben, die darauf ausgelegt sind, die Anweisungen des Modells auszuhebeln. Sie kann direkt sein (ein Nutzer gibt sie ein) oder indirekt (versteckt in einem Dokument, einer E-Mail oder Webseite, die das Modell liest). Die OWASP Top 10 für LLM-Anwendungen führen sie als Risiko Nummer eins. | Kritisch für RAG und Agenten: Jeder Inhalt, den das Modell verarbeitet, kann Anweisungen enthalten – behandeln Sie abgerufene Daten daher als nicht vertrauenswürdig. |
| Human-in-the-Loop (HITL) | Ein Mensch prüft oder genehmigt eine KI-Entscheidung, bevor sie wirksam wird. | Fügt einen Prüfschritt hinzu, begrenzt aber deutlich den Schaden durch falsche oder manipulierte Ausgaben. |
| Evals | Reproduzierbare Tests, die Modellausgaben auf Genauigkeit, Sicherheit und Regressionen bewerten. | Das KI-Gegenstück eines QA- und Testprozesses: Ohne Evals können Sie nicht erkennen, ob eine Prompt- oder Modelländerung das Ergebnis verbessert oder verschlechtert hat. |
| Vibe Coding | Software entwickeln, indem man einem KI-Coding-Assistenten Anweisungen gibt und den erzeugten Code übernimmt. | Schnell für Prototypen; Produktionscode braucht dennoch Reviews, Tests und Security-Härtung. |
So nutzen Sie diese Begriffe mit Ihrem Entwicklungsteam
New Line Technologies hat im Rahmen seines Services „Vibe Coding to Production“ über 200 Apps geprüft und ausgeliefert. Dieselbe Lehre gilt, wenn Sie eine neue KI-Funktion planen: Vage Anforderungen führen zu vagen Schätzungen. Briefings, aus denen präzise Schätzungen entstehen, beantworten vier Fragen:
- Was soll die KI tun? Generieren, suchen oder handeln. Die Antwort entscheidet zwischen einem einfachen LLM-Aufruf, RAG oder einem Agenten.
- Welche Daten nutzt sie, und wem gehören sie? Das bestimmt Retrieval, Vektordatenbank und Compliance-Aufwand.
- Was passiert, wenn sie sich irrt? Legen Sie Guardrails, Human-in-the-Loop-Schritte und eine akzeptable Fehlerquote fest.
- Wie messen Sie Qualität? Einigen Sie sich auf Evals und Latenzziele, bevor die Entwicklung beginnt.
Wenn die KI doch einen Fehler macht, behandeln Sie ihn wie jeden anderen Defekt. Reproduzieren Sie ihn, dokumentieren Sie ihn in einem klaren Fehlerbericht und nehmen Sie ihn in Ihr Eval-Set auf, damit derselbe Fehler nicht unbemerkt zurückkehrt.
Ausführlichere Definitionen finden Sie im NIST-Glossar für vertrauenswürdige und verantwortungsvolle KI. Weitere Erklärungen dieser Art finden Sie in unserer Rubrik „Wissenwertes“.
Häufige Fragen
KI ist das weite Feld von Software, die Aufgaben erledigt, die menschliches Urteilsvermögen erfordern. Maschinelles Lernen ist der Teil der KI, der aus Daten statt aus festen Regeln lernt. Deep Learning ist maschinelles Lernen auf Basis mehrschichtiger neuronaler Netze und die Grundlage heutiger Sprach- und Bildmodelle.
RAG (Retrieval-Augmented Generation) ruft bei jeder Anfrage relevante Dokumente aus einer Vektordatenbank ab und übergibt sie dem Modell, sodass Antworten aktuelle Daten ohne Neutraining widerspiegeln können. Fine-Tuning trainiert das Modell selbst mit Ihren Beispielen weiter und eignet sich für einen konsistenten Stil oder ein festes Ausgabeformat. Die meisten Teams beginnen mit RAG, weil es günstiger aufzubauen und leichter aktuell zu halten ist.
Eine Halluzination ist eine KI-Ausgabe, die plausibel klingt, aber falsch oder erfunden ist. Sie entsteht, weil LLMs wahrscheinlichen Text vorhersagen, statt Fakten nachzuschlagen. Teams können sie mit RAG, Guardrails, Evals und menschlicher Prüfung bei kritischen Entscheidungen reduzieren, aber nicht vollständig beseitigen.
Bei indirekter Prompt Injection sind schädliche Anweisungen nicht in der Eingabe des Nutzers versteckt, sondern in Inhalten, die das Modell selbst liest, etwa in einem Dokument, einer E-Mail oder einer Webseite. Sie ist ein zentrales Risiko für RAG-Systeme und KI-Agenten. Zu den Schutzmaßnahmen gehören, abgerufene Inhalte als nicht vertrauenswürdig zu behandeln, Werkzeugberechtigungen zu begrenzen und für sensible Aktionen eine menschliche Freigabe vorzuschreiben.
Beginnen Sie mit sechs: LLM, Token, RAG, KI-Agent, Halluzination und Evals. Zusammen erklären sie, was eine KI-Funktion tut, was ihre laufenden Kosten bestimmt, wo sie scheitern kann und wie Qualität gemessen wird. Nehmen Sie Guardrails und Prompt Injection hinzu, sobald Ihre Funktion Aktionen in anderen Systemen ausführt.
Sie sind nicht sicher, ob Ihre KI-Funktion RAG, einen Agenten oder nur einen gut durchdachten Prompt braucht? Sprechen Sie mit unserem Team – im Rahmen unserer Leistungen in der Softwareentwicklung machen wir aus der Idee eine Architektur und eine realistische Schätzung. Sie haben bereits einen Prototyp mit Cursor, Lovable oder Claude Code gebaut? Unser Service „Vibe Coding to Production“ macht ihn bereit für echte Nutzer.
