KI-Begriffe einfach erklärt

Alignment bezeichnet das Ziel, ein KI-System so zu entwickeln, dass es das tut was Menschen wirklich wollen — nicht bloß das, was technisch optimiert wurde. Ein Modell das auf „maximale Klicks" trainiert wird, könnte extremere Inhalte bevorzugen, weil die tatsächlich mehr Klicks erzielen. Menschen können ihre Werte aber nicht vollständig in eine mathematische Zielfunktion übersetzen — Alignment-Forschung versucht genau diese Lücke zu schließen. (Quelle: Anthropic Research)

AGI steht für Artificial General Intelligence — eine KI, die nicht nur in einem spezifischen Bereich gut ist, sondern flexibel jede kognitive Aufgabe erledigen kann die auch ein Mensch erledigen könnte. AGI existiert bislang nicht. Aktuelle Modelle wie ChatGPT oder Claude sind keine AGI — sie sind leistungsfähige Spezialwerkzeuge.

Wann oder ob AGI entsteht, ist eines der umstrittensten Themen der KI-Forschung. (Quelle: Anthropic — Core Views on AI Safety)

API steht für Application Programming Interface — zu Deutsch: Programmierschnittstelle. Eine API ermöglicht es Entwicklern, ein KI-Modell in eigene Apps, Webseiten oder Dienste einzubinden, ohne das Modell selbst zu entwickeln. Wenn der Chatbot auf einer Bankwebseite Fragen beantwortet, steckt meist eine API dahinter — das Modell von OpenAI, Anthropic oder Google wird dabei im Hintergrund aufgerufen.

Das erklärt auch, warum überall ähnlich klingende Chatbots auftauchen: Sie nutzen alle denselben Kanal zu denselben großen Modellen, nur mit unterschiedlichem Erscheinungsbild.

Ein KI-Agent ist ein System, das nicht nur Fragen beantwortet, sondern selbstständig Schritte plant und ausführt — zum Beispiel E-Mails verschicken, Kalendereinträge anlegen oder Code schreiben und direkt testen. Im Unterschied zum einfachen Chatbot handelt ein Agent über mehrere Schritte hinweg, ohne bei jedem Schritt auf eine menschliche Eingabe zu warten.

Autonome KI ist 2025/2026 ein stark wachsendes Feld. Die Frage wieviel Kontrolle Menschen dabei behalten ist eine der wichtigsten Debatten in der KI-Forschung. Mehr dazu im Artikel zu autonomer KI.

Ein Benchmark ist ein standardisierter Testparcours für KI-Modelle — vergleichbar mit einem Schultest den alle gleich schreiben. Typische Tests prüfen Mathematik, Logik, Sprachverständnis oder Programmieraufgaben. Anbieter veröffentlichen Ergebnisse um zu zeigen wie gut ihr Modell abschneidet.

Vorsicht: Modelle werden zunehmend auf bekannte Benchmarks hin optimiert, was die Ergebnisse verzerren kann. Ein hohes Benchmark-Resultat bedeutet nicht zwingend, dass das Modell im Alltag besser funktioniert. (Quelle: arXiv-Studie zu Benchmark-Overfitting, 2024)

Bias bedeutet Voreingenommenheit — und KI-Systeme können diese aus ihren Trainingsdaten übernehmen. Wenn ein Modell hauptsächlich auf englischsprachigen, westlichen Texten trainiert wurde, kann es andere Kulturen und Perspektiven schlechter repräsentieren. Wenn historische Bewerbungsdaten zeigen, dass überwiegend Männer eingestellt wurden, kann ein KI-Bewerbungssystem Frauen benachteiligen.

Bias entsteht also nicht durch böse Absicht, sondern durch unausgewogene oder historisch verzerrte Daten. Er ist schwer vollständig zu eliminieren und bleibt eine offene Herausforderung für die gesamte Branche. Mehr dazu im Artikel zu algorithmischer Diskriminierung.

Ein Chatbot ist ein Programm, das auf Texteingaben mit Textantworten reagiert. Einfache Chatbots folgen starren Regeln. Moderne KI-Chatbots wie ChatGPT, Claude oder Gemini basieren auf großen Sprachmodellen und können freie Konversation führen, Texte schreiben oder Fragen beantworten.

Wichtig: Hinter vielen Chatbots auf Unternehmenswebseiten oder im Kundenservice stecken dieselben großen Modelle im Hintergrund — nur mit anderem Erscheinungsbild.

Closed Source bedeutet, dass der Programmcode und die Modellgewichte eines KI-Systems nicht öffentlich zugänglich sind. ChatGPT (OpenAI) und Claude (Anthropic) sind prominente Beispiele. Nutzer und Forscher können nicht unabhängig prüfen, wie das Modell genau funktioniert, auf welchen Daten es trainiert wurde oder welche Werte einprogrammiert wurden.

Das ist ein relevanter Datenschutz- und Transparenzaspekt: Wer einem Closed-Source-Modell vertraut, verlässt sich vollständig auf die Aussagen des Anbieters. Gegensatz: Open Source. (Quelle: BSI — KI-Empfehlungen)

Computer Vision ist der Bereich der KI, der sich damit beschäftigt, Bilder und Videos automatisch zu verstehen. Dazu gehört das Erkennen von Gesichtern, das Identifizieren von Objekten, das Lesen von Text in Fotos oder das Analysieren medizinischer Aufnahmen.

Computer Vision steckt in Smartphones (Gesichtserkennung), Überwachungskameras, Qualitätskontrolle in Fabriken und modernen Sprachmodellen, die inzwischen auch Bilder verarbeiten können (sogenannte multimodale Modelle).

Was du einem KI-Chatbot schreibst, landet auf den Servern des Anbieters. Je nach Einstellung können diese Eingaben zum weiteren Training des Modells genutzt werden. OpenAI nutzt Konversationen standardmäßig zum Training — es sei denn, Nutzer deaktivieren das aktiv. (Quelle: OpenAI Data Controls FAQ)

Für sensible Inhalte gilt: Nichts in einen Chatbot tippen, was man nicht einem Unternehmen mitteilen möchte. In der EU gilt die DSGVO, die mehr Transparenz einfordert — aber keine vollständige Sicherheit garantiert.

Deepfakes sind synthetische Medien — Bilder, Videos oder Audioaufnahmen — die mithilfe von KI so erstellt oder manipuliert wurden, dass sie täuschend echt wirken. Der Begriff setzt sich aus „Deep Learning" und „Fake" zusammen. Bekannte Anwendungsfälle sind gefälschte Aussagen von Politikern in Videos oder manipulierte Gesichter in Fotos.

Deepfakes sind nicht per se illegal, werden aber zunehmend für Desinformation, Betrug und nicht-einvernehmliche intime Inhalte missbraucht. Mehrere EU-Länder und die EU selbst arbeiten an gesetzlichen Regelungen. Erkennungswerkzeuge existieren, sind aber nicht zuverlässig. (Quelle: Europäisches Parlament — Deepfakes)

Embedding ist eine Technik, mit der Wörter, Sätze oder Konzepte in Zahlenvektoren umgewandelt werden. Das klingt abstrakt, ist aber zentral: Erst durch Embeddings „weiß" ein KI-Modell, dass „Hund" und „Katze" bedeutungsmäßig näher beieinander liegen als „Hund" und „Auto".

Embeddings sind die Grundlage dafür, dass Sprachmodelle Bedeutung verstehen können — zumindest statistisch. Auch Suchmaschinen, Empfehlungsalgorithmen und Übersetzungsprogramme nutzen dieses Prinzip.

Fine-Tuning ist ein zweiter Trainingsschritt, bei dem ein bereits vortrainiertes Modell auf eine speziellere Aufgabe angepasst wird — zum Beispiel auf medizinische Fachsprache oder einen bestimmten Kundenservice-Ton. Das ist effizienter als ein komplettes Neutraining: Das Grundwissen bleibt erhalten, nur die Spezialisierung kommt hinzu.

Das erklärt, warum der Chatbot deines Mobilfunkanbieters zwar nach ChatGPT klingt, aber nur Fragen zu Tarifen beantwortet.

Ein Foundation Model (Basismodell) ist ein sehr großes KI-Modell, das auf riesigen Mengen allgemeiner Daten vortrainiert wurde — und das dann als Grundlage für viele verschiedene Anwendungen dient. GPT-4, Claude oder Gemini sind Foundation Models. Darauf aufbauend entstehen durch Fine-Tuning oder Prompting spezialisierte Anwendungen.

Der Begriff wurde 2021 von Forschern der Stanford University geprägt. Er betont, dass diese Modelle wie ein Fundament funktionieren — auf dem Dutzende oder Hunderte spezialisierter Anwendungen errichtet werden. (Quelle: Stanford CRFM — On the Opportunities and Risks of Foundation Models, 2021)

Generative KI bezeichnet Systeme, die neue Inhalte erzeugen — Text, Bilder, Audio, Video oder Code. Im Gegensatz zu klassischer KI, die nur klassifiziert oder Vorhersagen trifft, produziert generative KI etwas Neues auf Basis gelernter Muster.

ChatGPT, DALL·E, Midjourney und Sora sind bekannte Beispiele. Seit 2022/2023 verändert generative KI Branchen wie Werbung, Journalismus, Softwareentwicklung und Bildung grundlegend.

GPT steht für Generative Pre-trained Transformer — eine Modellarchitektur von OpenAI. Die Reihe begann 2018 mit GPT-1 und hat mit GPT-4 (2023) breite Bekanntheit erlangt. ChatGPT ist die chat-optimierte Version dieser Modelle. Im allgemeinen Sprachgebrauch wird „GPT" oft synonym mit „KI-Chatbot" verwendet, was aber ungenau ist: GPT bezeichnet nur die OpenAI-Familie.

Die Transformer-Architektur die GPT-Modellen zugrunde liegt, wurde 2017 von Google-Forschern in dem Paper „Attention Is All You Need" veröffentlicht und ist heute die Grundlage fast aller großen Sprachmodelle. (Quelle: Vaswani et al. — Attention Is All You Need, arXiv 2017)

KI-Modelle „halluzinieren", wenn sie Informationen erfinden, die nicht existieren — und das mit vollem Selbstvertrauen präsentieren. Das können falsche Jahreszahlen, erfundene Quellen, nicht-existente Gerichtsurteile oder schlicht falsche Fakten sein. Der Begriff ist aus der Forschung übernommen und beschreibt, dass das Modell nicht lügt (es hat kein Bewusstsein), sondern statistisch plausible Texte produziert, die zufällig falsch sind.

Ein bekannter realer Fall: 2023 reichte ein US-Anwalt Schriftsätze mit von ChatGPT erfundenen Gerichtsurteilen ein — und bekam dafür eine Strafe auferlegt. Halluzinationen sind kein behebbarer Bug, sondern ein strukturelles Merkmal heutiger Sprachmodelle. Alle Modelle halluzinieren, manche weniger als andere. Ausgaben immer kritisch prüfen. Mehr dazu im KI-Assistenten Vergleich.

Inferenz bezeichnet den Moment, in dem ein fertig trainiertes KI-Modell tatsächlich genutzt wird — also wenn du eine Frage stellst und eine Antwort bekommst. Das Training findet einmal (oder periodisch) statt und ist sehr rechenintensiv. Die Inferenz passiert dann bei jeder einzelnen Nutzung.

Die Kosten für KI-Dienste hängen stark von der Inferenz ab — je mehr Nutzer gleichzeitig Anfragen stellen, desto mehr Rechenleistung wird benötigt. Das ist ein Grund warum auch kostenlose KI-Dienste in Stoßzeiten langsamer werden oder Limits einführen.

Das Kontextfenster (englisch: context window) ist die maximale Menge an Text, die ein Sprachmodell auf einmal verarbeiten kann — also den aktuellen Gesprächsverlauf plus alle hochgeladenen Dokumente. Es wird in Token gemessen. Ist das Kontextfenster voll, „vergisst" das Modell ältere Teile des Gesprächs.

Das Kontextfenster hat sich in den letzten Jahren massiv vergrößert: Frühe Modelle hatten wenige Tausend Token, neuere Modelle wie Claude Opus 4.6 unterstützen bis zu einer Million Token — das entspricht etwa 750.000 Wörtern oder mehreren langen Romanen. (Quelle: Anthropic — Claude Opus 4.6)

Maschinelles Lernen ist ein Teilbereich der KI, bei dem Systeme nicht durch explizit programmierte Regeln funktionieren, sondern durch das Lernen aus Daten. Statt Regeln zeigt man dem System Millionen Beispiele mit Beschriftungen — und es lernt selbst die relevanten Muster zu erkennen.

Maschinelles Lernen ist der Oberbegriff. Deep Learning (mit neuronalen Netzen) ist ein Teilbereich davon, und moderne Sprachmodelle wie GPT oder Claude sind wiederum Unterformen des Deep Learning.

Ein multimodales Modell kann mehrere Arten von Eingaben verarbeiten — nicht nur Text, sondern auch Bilder, Audio, Videos oder Dokumente. GPT-4o, Gemini und Claude können zum Beispiel Bilder analysieren und darüber sprechen. Das ermöglicht Anwendungen wie „Fotografiere dieses Rezept und frag die KI wie du es nachkochen kannst".

Das Gegenteil sind reine Textmodelle, die keine anderen Formate verarbeiten können. Die Entwicklung multimodaler Fähigkeiten ist 2024–2026 einer der größten Fortschritte im KI-Bereich.

Ein neuronales Netz ist eine Rechenstruktur, die grob vom menschlichen Gehirn inspiriert ist — mit vielen miteinander verbundenen „Knoten" (Neuronen), die Informationen weitergeben und gewichten. Durch Training werden die Verbindungsgewichte so angepasst, dass das Netz Aufgaben korrekt löst.

Der Vergleich mit dem Gehirn ist vereinfacht und kann irreführen: Neuronale Netze sind keine echten Gehirne und haben kein Bewusstsein. Sie sind mathematische Funktionen, die komplexe Muster in Daten erkennen. Tiefe (viele Schichten) neuronale Netze werden als „Deep Learning" bezeichnet.

Open-Source-KI bedeutet, dass der Programmcode und oft auch die Modellgewichte öffentlich zugänglich sind — jeder kann sie herunterladen, prüfen und weiterentwickeln. Llama (Meta), Mistral und DeepSeek sind bekannte Beispiele. Das ermöglicht unabhängige Überprüfung und lokalen Betrieb ohne Cloud-Anbindung.

Aber: Auch bei Open-Source-Modellen ist nicht immer vollständig transparent, welche Trainingsdaten verwendet wurden oder wie das Modell nachträglich angepasst wurde. „Open Source" ist kein Freifahrtschein für blindes Vertrauen — aber ein wichtiger Schritt mehr Transparenz. (Quelle: Open Source Initiative — Open Source AI Definition)

Parameter sind die internen Zahlen eines KI-Modells, die während des Trainings angepasst werden und das „Wissen" des Modells kodieren. Ein Modell mit 70 Milliarden Parametern hat 70 Milliarden solcher Werte. Je mehr Parameter, desto mehr kann ein Modell in der Regel — aber auch desto mehr Rechenleistung braucht es.

Parameterzahl ist kein alleiniger Qualitätsindikator: Neuere Modelle erreichen mit weniger Parametern bessere Ergebnisse als ältere mit mehr, weil die Trainingstechnik sich verbessert hat.

Ein Prompt ist die Eingabe, die du einem KI-Modell gibst — die Frage, Aufgabe oder Anweisung, auf die es reagieren soll. Das kann ein einzelner Satz sein, aber auch ein langer Text mit Kontext, Beispielen und präzisen Anforderungen. Die Qualität des Prompts beeinflusst die Qualität der Antwort stark.

„Erkläre KI" ist ein schlechter Prompt. „Erkläre in 3 Sätzen, was ein Sprachmodell ist — für jemanden ohne technisches Vorwissen" ist ein guter Prompt. Das Schreiben effektiver Prompts ist ein eigenes Feld: Prompt Engineering. Mehr dazu kommt im Begleiter-Artikel Chatbots richtig nutzen.

Prompt Engineering bezeichnet die Praxis, Anfragen an ein KI-Modell so zu formulieren, dass die gewünschten Ergebnisse zuverlässig herauskommen. Dazu gehören Techniken wie das Vorgeben einer Rolle („Du bist ein erfahrener Jurist…"), das Angeben von Format, Länge und Ton, das Bereitstellen von Beispielen oder das schrittweise Führen des Modells durch ein Problem.

Prompt Engineering ist keine Geheimwissenschaft — viele nützliche Prinzipien sind einfach und schnell erlernbar. Es hat sich aber auch als ernstes Forschungsfeld etabliert, da die richtigen Eingaben die Modellleistung deutlich verbessern können.

RLHF steht für Reinforcement Learning from Human Feedback — auf Deutsch: Bestärkendes Lernen durch menschliches Feedback. Dabei bewerten Menschen die Antworten eines Modells (z.B. „Diese Antwort ist hilfreicher als jene"), und das Modell wird daraufhin angepasst, mehr solche bevorzugten Antworten zu produzieren. So lernt das Modell nicht nur aus Texten, sondern aus menschlichen Urteilen.

RLHF ist eine der wichtigsten Methoden um Chatbots nützlicher, sicherer und angenehmer im Umgang zu machen. ChatGPT, Claude und Gemini wurden alle mit Varianten dieser Technik trainiert. Das Verfahren wurde von OpenAI maßgeblich popularisiert. (Quelle: Ouyang et al. — Training language models to follow instructions with human feedback, arXiv 2022)

Ein Large Language Model (LLM) ist ein KI-Modell, das auf riesigen Mengen menschlicher Texte trainiert wurde und dadurch gelernt hat, Sprache zu verstehen und zu erzeugen. „Large" bezieht sich auf die Anzahl der Parameter — typischerweise Milliarden. ChatGPT, Claude, Gemini und Llama sind LLMs.

LLMs sind keine Datenbanken und suchen nicht im Internet (außer sie haben ein Tool dafür). Sie generieren Antworten auf Basis statistischer Muster — das erklärt ihre Stärken wie auch ihre Schwäche für Halluzinationen.

Superintelligenz bezeichnet eine hypothetische KI, die menschliche Fähigkeiten in allen kognitiven Bereichen übertrifft — also nicht nur in Schach oder Spracherkennung, sondern in Kreativität, Wissenschaft, sozialem Urteil und allem anderen. Sie existiert bislang nicht. Der Begriff wird in der Forschung, aber auch in populären Debatten über KI-Risiken verwendet.

Ob und wann eine solche KI entstehen könnte, ist stark umstritten. Manche Forscher halten es für die größte existenzielle Herausforderung der Menschheit, andere für eine weit entfernte oder unrealistische Möglichkeit. Aktuelle Chatbots sind keine Superintelligenz — sie simulieren lediglich Verstehen. (Quelle: Nick Bostrom — Superintelligence (Oxford University Press))

Sprachmodelle arbeiten nicht mit Wörtern, sondern mit Token — der kleinsten Einheit die sie verarbeiten. Ein Token ist ungefähr ein Wort oder Wortfragment. Grob gilt: 1.000 Token entsprechen etwa 750 deutschen Wörtern.

Token sind relevant für das Kontextfenster (wie viel das Modell auf einmal verarbeiten kann) und für die Kosten bei API-Nutzung — abgerechnet wird pro Token, sowohl für Eingabe als auch Ausgabe. (Quelle: OpenAI Tokenizer)

Training ist der Prozess, bei dem ein KI-Modell aus Daten lernt. Ein Sprachmodell wird auf gigantischen Textmengen aus dem Internet, Büchern und anderen Quellen trainiert — oft hunderte Milliarden Wörter. Dabei werden die internen Parameter so angepasst, dass das Modell immer besser lernt Texte zu vervollständigen oder Fragen zu beantworten.

Trainingsdaten prägen ein Modell fundamental. Was nicht in den Trainingsdaten vorkommt, weiß das Modell nicht. Was falsch oder verzerrt in den Daten steckt, reproduziert das Modell möglicherweise. Außerdem: Training hat einen Stichtag (Knowledge Cutoff) — danach passierte Ereignisse kennt das Modell nur, wenn es Zugang zum Internet hat.

Overfitting (Überanpassung) tritt auf, wenn ein Modell die Trainingsdaten zu gut auswendig lernt, statt allgemeine Muster zu erkennen. Es performt dann auf bekannten Daten sehr gut, versagt aber bei neuen, unbekannten Eingaben. Vereinfacht: wie ein Schüler der alle alten Klassenarbeiten auswendig lernt — aber beim neuen Thema ratlos ist.

Overfitting ist ein klassisches Problem im maschinellen Lernen. Es wird durch Techniken wie Regularisierung, größere Datensätze und sorgfältige Modellevaluierung bekämpft. Bei sehr großen Sprachmodellen spielt es eine weniger direkte Rolle als bei kleineren Modellen.

Eine Vektordatenbank speichert Texte oder Inhalte nicht als normalen Text, sondern als Zahlenvektoren (Embeddings). Das erlaubt eine Suche nach Bedeutung statt nach Stichworten. Wenn du „günstiger Urlaub am Meer" suchst, findet eine Vektordatenbank auch Dokumente mit „preiswerte Strandferien", obwohl kein einziges Wort übereinstimmt.

Vektordatenbanken sind das Rückgrat vieler moderner KI-Anwendungen, die eigene Dokumente durchsuchen sollen — zum Beispiel ein Unternehmens-Chatbot, der auf interne Handbücher zugreift. Das Konzept heißt RAG (Retrieval-Augmented Generation) und ist eines der wichtigsten Anwendungsdesigns in der KI-Praxis.

Die Gewichte (englisch: weights) eines Modells sind die internen Zahlenwerte die durch Training entstehen und das erlernte Wissen kodieren — praktisch identisch mit dem Begriff „Parameter". Wer die Gewichte eines Modells hat, kann es lokal betreiben, ohne Cloud-Verbindung und ohne Datenweitergabe an den Anbieter.

Ob ein Anbieter seine Gewichte veröffentlicht (Open Weights) ist ein relevanter Transparenzaspekt. Meta tut es bei Llama, OpenAI und Anthropic nicht.