KI-Glossar

Paketierte Fähigkeit eines Agenten: Anweisungen, erlaubte Tools und Ein-/Ausgabeschemata für eine zusammenhängende Aufgabe.

Ein Agent-Skill bündelt Systemanweisungen, Tool-Verträge, Beispiele und Evaluierungspunkte, damit ein Modell eine definierte Fähigkeit wiederholt ausführen kann – etwa „Spesen einreichen“ oder „Compliance-Prüfung durchführen“. Skills sind die Einheit der Wiederverwendung zwischen Specs, Runbooks und Orchestrierungsschichten wie Synapse.

Der laufende Plan des Agenten: geordnete Schritte, offene Teilaufgaben und Checkpoints auf dem Weg zum Ziel.

Die Agenda ist das Arbeitsgedächtnis der Ausführung – eine Liste der nächsten Aktionen, blockierten Punkte und erledigten Schritte, abgeleitet aus Aufgabenzerlegung und Tool-Ergebnissen. Wer die Agenda in UI und Logs sichtbar macht, macht Agentenläufe überprüfbar und richtet das Laufzeitverhalten an PRD und Akzeptanzkriterien aus.

Komponente oder Prompt-Muster, das mehrstufige Pläne vorschlägt, bevor Tools ausgeführt werden.

Der Planer erzeugt mögliche Aktionsfolgen – oft abhängig von Richtlinien, Specs und abgerufenem Kontext. Die Trennung von Planung und Ausführung erleichtert das Testen: Pläne lassen sich an Akzeptanzkriterien und Budgets messen, bevor Nebenwirkungen entstehen.

KI-Systeme, die autonom handeln, Entscheidungen treffen und Aufgaben nacheinander ausführen.

Agentische KI bezeichnet Systeme, die mit einem gewissen Grad an Autonomie arbeiten: Sie nehmen ihre Umgebung wahr, treffen Entscheidungen und führen mehrstufige Aktionen aus, um Ziele ohne ständiges menschliches Eingreifen zu erreichen. Thinkia Synapse ist eine agentische Plattform für Enterprise-KI.

Inventar zu Modellherkunft, Datensätzen, Abhängigkeiten und Lizenzen eines KI-Systems.

Ein AI BOM erfasst die Komponenten – Basismodelle, Adapter, Trainingskorpora, Container –, damit Sicherheits-, Rechts- und Risikoteams Gefährdungen und Updates bewerten können. Es etabliert sich als Teil der Governance der KI-Lieferkette in Unternehmen.

Architektur und Prozesse, die von Grund auf für KI konzipiert sind – nicht nachträglich ergänzt.

AI-natives Design bedeutet, Systeme, Architekturen und Geschäftsprozesse von Anfang an mit KI als zentralem Bestandteil zu bauen, statt KI an Altsysteme anzuflanschen. Thinkia ist auf AI-native Beratung und Plattformentwicklung spezialisiert.

Testbare Bedingungen, die festlegen, wann ein Feature oder eine Modellausgabe „fertig“ und korrekt ist.

Akzeptanzkriterien übersetzen Anforderungen in beobachtbare Prüfungen – etwa Schemavalidität, Referenzantworten oder Sicherheits-Gates. Bei KI-Systemen bilden sie die Grundlage für Evaluierungsumgebungen, Regressionssuites und Human-in-the-Loop-Reviews und verknüpfen Specs mit messbarer Qualität.

Konkrete Anwendung von KI in einem Geschäftskontext.

Ein Anwendungsfall (Use Case) ist ein konkretes Geschäftsszenario, in dem KI eingesetzt wird – etwa Automatisierung im Kundenservice, Zusammenfassung von Dokumenten oder vorausschauende Wartung. Anwendungsfälle zu identifizieren und zu priorisieren ist zentral für jede KI-Strategie.

Schnittstelle, über die verschiedene Systeme kommunizieren; zentral für die Integration von KI-Modellen.

Eine API ist eine Sammlung von Protokollen und Werkzeugen, über die verschiedene Softwaresysteme miteinander kommunizieren. Im KI-Kontext ermöglichen APIs es Anwendungen, LLMs (OpenAI, Claude usw.) aufzurufen, Embeddings abzurufen und KI-Funktionen in bestehende Workflows zu integrieren.

Formale Beschreibung von Endpunkten, Schemata und Fehlern – z. B. OpenAPI – für Dokumentation, Mocks und Validierung.

API-Spezifikationen beschreiben Anfragen, Antworten und Authentifizierung, damit sich Clients und Server eindeutig verständigen. Sie treiben Vertragstests, Codegenerierung und das Tool Calling von Agenten an, bei dem das Modell einem strikten JSON-Schema folgen muss.

Zerlegung eines Nutzerziels in kleinere Teilaufgaben, die ein Agent oder Team ausführen und prüfen kann.

Die Aufgabenzerlegung übersetzt übergeordnete Ergebnisse in geordnete oder parallele Schritte mit klaren Eingaben, Ausgaben und Abbruchbedingungen. Sie verbindet spec-getriebenes Design (Anwendungsfälle, Kriterien) mit Chain-of-Thought-Planung, Skills und Orchestrierung – ohne ausufernden Umfang.

Zeitraum, in dem Systeme nicht verfügbar sind; prädiktive KI hilft, sie zu vermeiden (Zero Downtime AI).

Ausfallzeit (Downtime) ist die Zeit, in der Systeme nicht verfügbar sind. Prädiktive KI kann Ausfälle vorhersagen, bevor sie eintreten, und ermöglicht so vorausschauende Wartung und einen Betrieb ohne Ausfallzeiten – ein zentraler Anwendungsfall für industrielle und kritische Systeme.

Specs, die so präzise sind, dass sie ausführbar sind – sie erzeugen Tests, Simulationen oder Code ohne manuelle Übersetzung.

Ausführbare Spezifikationen schlagen die Brücke zwischen menschlicher Absicht und Automatisierung: etwa Property-based Tests aus Schemata, Gherkin-Szenarien mit Step Definitions oder LLM-Prompts, die durch ein JSON Schema eingeschränkt sind. Sie verringern Mehrdeutigkeit und beschleunigen die spec-getriebene Auslieferung.

Ausführung von Aufgaben ohne menschliches Eingreifen, oft mit KI für komplexe Entscheidungen.

Automatisierung bezeichnet die Ausführung von Aufgaben ohne menschliches Eingreifen. In Kombination mit KI kann Automatisierung auch komplexe Entscheidungen übernehmen, nicht nur regelbasierte Workflows. Hyperautomatisierung dehnt dies auf ganze Geschäftsprozesse aus.

Systeme, die ohne kontinuierliche Überwachung arbeiten und in Echtzeit entscheiden.

Autonome Systeme arbeiten mit minimaler oder ganz ohne menschliche Aufsicht und treffen auf Basis ihrer Umgebung in Echtzeit Entscheidungen und Maßnahmen. Beispiele sind selbstfahrende Fahrzeuge, automatisierte Lager und KI-gestützte Contact Center.

Vortrainiertes Sprachmodell, das NLP revolutioniert hat; Grundlage vieler semantischer Suchsysteme.

BERT ist ein Transformer-basiertes Modell, das auf großen Textkorpora vortrainiert wurde. Es lernt bidirektionalen Kontext und wird für Aufgaben wie semantische Suche, Fragebeantwortung und Klassifikation eingesetzt. Es hat den Weg für moderne LLMs geebnet.

Verzerrung in Daten oder Modell, die zu unfairen oder ungenauen Ergebnissen führt.

Bias in der KI bezeichnet systematische Fehler oder Verzerrungen in Trainingsdaten oder im Modellverhalten, die zu unfairen, diskriminierenden oder ungenauen Ergebnissen führen. Zu verantwortungsvoller KI gehören das Erkennen und Abschwächen von Bias.

Große Datenmengen, die spezielle Werkzeuge erfordern; Rohstoff für das Training von KI-Modellen.

Big Data bezeichnet Datenbestände, die für die herkömmliche Verarbeitung zu groß oder zu komplex sind. Sie sind die Grundlage für das Training von Machine-Learning-Modellen und für datengetriebene KI-Anwendungen in Unternehmen.

Software, die Konversationsaufgaben automatisiert (Chatbot, Voicebot).

Ein Bot ist Software, die Konversations- oder Routineaufgaben automatisiert. Chatbots verarbeiten Text, Voicebots Sprache. Moderne Bots nutzen oft LLMs für natürliche, kontextbewusste Dialoge.

Denkweise, bei der das Modell Zwischenschritte ausformuliert, bevor es antwortet.

Chain-of-Thought-Prompting (CoT) regt LLMs an, Schritt für Schritt zu argumentieren – das verbessert oft die Genauigkeit bei Mathematik-, Logik- und mehrstufigen Fragen. Es wird häufig für die Planung von Agenten, die Tool-Auswahl und die Auditierbarkeit von KI-Ergebnissen eingesetzt.

Textbasierter Konversationsassistent; kann auf LLMs oder Regeln basieren.

Ein Chatbot ist ein KI-gestützter Assistent, der sich per Text mit Nutzern unterhält. Er kann regelbasiert sein (Intent + Antworten) oder auf LLMs für offene, natürliche Gespräche beruhen. Eingesetzt wird er im Kundenservice, im Vertrieb und in internen Tools.

In der Cloud gehostete KI-Dienste (Azure OpenAI, AWS Bedrock usw.).

Cloud-KI bezeichnet KI-Funktionen, die als verwaltete Cloud-Dienste angeboten werden – etwa Azure OpenAI, AWS Bedrock oder Google Vertex AI. Unternehmen nutzen sie, um keine eigene Infrastruktur aufbauen und betreiben zu müssen.

Teilgebiet der KI, das Maschinen befähigt, Bilder und Videos zu interpretieren.

Computer Vision ist das Gebiet der KI, das Maschinen befähigt, visuelle Informationen – Bilder und Videos – zu verstehen und zu interpretieren. Anwendungen sind unter anderem Objekterkennung, Gesichtserkennung, Qualitätskontrolle und medizinische Bildgebung.

Trainingsansatz, der Modelle an expliziten Regeln und Selbstkritik ausrichtet.

Constitutional AI beschreibt Methoden, bei denen Modelle aus Prinzipien oder einer „Verfassung“ lernen – Regeln für hilfreiches, ehrliches und unschädliches Verhalten –, oft kombiniert mit Kritik und Überarbeitung. Unternehmen übertragen ähnliche Ideen auf Guardrails und Richtlinienschichten.

Gestaltung dessen, was das Modell sieht – Retrieval, Gedächtnis, Zusammenfassungen und Budgetierung des Kontextfensters.

Context Engineering geht über Prompts hinaus und orchestriert Dokumente, Tool-Ausgaben und Langzeitgedächtnis innerhalb des Kontextfensters. Es ist das praktische Rückgrat zuverlässiger RAG-Systeme und Agenten.

In Workflows integrierter KI-Assistent, der bei Aufgaben hilft (Code, Texte, Daten).

Ein Copilot ist ein KI-Assistent, der in eine Anwendung oder einen Workflow eingebettet ist – etwa GitHub Copilot für Code oder Microsoft Copilot für Office. Er ergänzt menschliche Arbeit durch Vorschläge, Automatisierung und Interaktion in natürlicher Sprache.

System zur Verwaltung von Kundenbeziehungen; KI ergänzt es um Prognosen und Automatisierung.

CRM-Systeme verwalten Kundendaten und -interaktionen. KI erweitert CRM um Predictive Analytics, Lead-Scoring, automatisierte Nachfassaktionen und personalisierte Erlebnisse – für eine intelligentere Kundenbindung.

Kundenerlebnis; KI ermöglicht Personalisierung und Automatisierung im großen Maßstab.

Customer Experience (CX) umfasst alle Berührungspunkte zwischen Kunde und Marke. KI verändert CX durch personalisierte Empfehlungen, automatisierten Support und intelligentes Routing – für Konsistenz und Effizienz im großen Maßstab.

Verantwortlichkeiten, Qualität, Herkunft und Richtlinien, die Daten für Analytics und KI nutzbar machen.

Data Governance legt fest, wer welche Daten nutzen darf und wie sie klassifiziert, aufbewahrt und als vertrauenswürdig eingestuft werden. Eine starke Governance ist Voraussetzung für konforme KI, zuverlässige Features und Erklärbarkeit – sie verbindet Datenschutz, Stammdaten und Modellrisiko.

Speicher für Rohdaten; Quelle für Analytics und ML.

Ein Data Lake ist ein zentraler Speicher, der strukturierte und unstrukturierte Daten in ihrer Rohform vorhält. Er dient als Quelle für Analytics, Machine Learning und KI-Anwendungen.

Automatisierter Datenfluss von Quellen zu Modellen oder Anwendungen.

Eine Datenpipeline ist ein automatisierter Workflow, der Daten aus Quellen (Datenbanken, Dateien, APIs) aufnimmt, transformiert und an Modelle oder Anwendungen weitergibt. Sie ist entscheidend, um KI-Systeme mit aktuellen, sauberen Daten zu versorgen.

Neuronale Netze mit vielen Schichten; Grundlage vieler moderner KI-Modelle.

Deep Learning nutzt neuronale Netze mit vielen Schichten, um hierarchische Repräsentationen von Daten zu lernen. Es bildet die Grundlage für Computer Vision, NLP und die meisten der heute leistungsfähigsten KI-Modelle.

3D-Avatar mit konversationeller KI, der eine Marke oder einen Service repräsentiert.

Ein Digital Human ist ein lebensechter 3D-Avatar, der von konversationeller KI angetrieben wird. Er verkörpert eine Marke oder einen Service und führt natürliche Dialoge mit Nutzern. Die Digital Humans von Thinkia bieten hochgradig personalisierte, einprägsame Erlebnisse.

Lebendiges virtuelles Modell eines physischen Assets oder Prozesses, gespeist mit Echtzeitdaten.

Ein digitaler Zwilling simuliert Anlagen, Standorte oder Lieferketten mit laufender Telemetrie, damit Teams Ausfälle vorhersagen und Abläufe optimieren können. KI ergänzt den Zwilling um Prognosen, Anomalieerkennung und Szenarioplanung.

Anpassung eines allgemeinen Modells an eine bestimmte Domäne (Recht, Gesundheit usw.).

Domänenanpassung verfeinert oder ergänzt ein Allzweckmodell, damit es in einer Fachdomäne gut funktioniert – etwa bei juristischen Dokumenten oder Patientenakten. Häufig wird RAG genutzt, um das Modell domänenspezifisch zu verankern.

Inferenz auf Geräten oder lokalen Knoten, um Latenz und Datenabfluss zu verringern.

Edge AI bringt Modelle nah an Sensoren, Fabriken oder Endgeräte von Kunden – und wägt dabei Latenz, Konnektivität und Datenschutz ab. Sie ergänzt das Training in der Cloud um lokale Inferenz und föderierte Muster.

Dichte numerische Repräsentation von Text, Bild oder Audio; ermöglicht semantische Suche.

Ein Embedding ist ein Vektor (eine Liste von Zahlen), der die Bedeutung eines Textes, Bildes oder Audios darstellt. Ähnliche Bedeutungen ergeben ähnliche Vektoren – das ermöglicht semantische Suche, Clustering und Retrieval in RAG-Systemen.

KI im Unternehmenskontext: Governance, Skalierbarkeit, Integration mit Altsystemen.

Enterprise-KI bezeichnet KI-Lösungen für große Organisationen – mit Governance, Sicherheit, Skalierbarkeit und nahtloser Integration in bestehende ERP-, CRM- und Datensysteme. Thinkia ist auf Strategie und Umsetzung von Enterprise-KI spezialisiert.

Auf Ereignissen basierende Architektur; ermöglicht reaktive, skalierbare Systeme.

Eine ereignisgesteuerte Architektur nutzt Ereignisse (Nachrichten, Signale), um Systemverhalten auszulösen und zu koordinieren. Sie unterstützt reaktive KI-Anwendungen in Echtzeit und skalierbare Datenpipelines.

Fähigkeit zu erklären, wie ein Modell zu einem Ergebnis kommt (Explainable AI, XAI).

Erklärbarkeit ist die Fähigkeit, nachzuvollziehen und zu erklären, wie ein KI-Modell zu seinen Ergebnissen gelangt. Sie ist entscheidend für Vertrauen, Fehlersuche und regulatorische Compliance. Siehe XAI (Explainable AI).

KI, die nach ethischen Grundsätzen (Transparenz, Fairness, Datenschutz) entwickelt und eingesetzt wird.

Ethische KI wird nach Grundsätzen wie Transparenz, Fairness, Rechenschaftspflicht und Datenschutz entwickelt und eingesetzt. Sie steht im Einklang mit Regelwerken wie dem EU AI Act und schafft Vertrauen bei Stakeholdern.

Europäische Verordnung, die KI-Systeme nach Risiko einstuft und Compliance vorschreibt.

Der EU AI Act ist der europäische Rechtsrahmen für KI. Er stuft Systeme nach Risikostufen ein (unannehmbar, hoch, begrenzt, minimal) und stellt Anforderungen an Transparenz, menschliche Aufsicht und Dokumentation. Thinkia unterstützt Organisationen dabei, Compliance zu erreichen.

Verfahren zur Messung der Modellqualität (Genauigkeit, Relevanz, Sicherheit).

Die Evaluierung bewertet, wie gut ein KI-Modell abschneidet – bei Genauigkeit, Relevanz, Sicherheit, Bias und weiteren Kennzahlen. Eine belastbare Evaluierung ist unerlässlich, bevor Modelle in Produktion gehen.

Gewinnung strukturierter Informationen aus Text (Entitäten, Beziehungen).

Extraktion (Informationsextraktion) gewinnt strukturierte Daten aus unstrukturiertem Text – Entitäten, Beziehungen, Daten usw. LLMs sind darin besonders stark und werden für Dokumentenverarbeitung und Datenanreicherung eingesetzt.

Lernen mit wenigen Beispielen; nützlich, wenn gelabelte Daten knapp sind.

Few-Shot Learning trainiert oder adaptiert ein Modell mit sehr wenigen gelabelten Beispielen. LLMs beherrschen dies über In-Context Learning: Ein paar Beispiele im Prompt genügen, ohne erneutes Training.

Weitertrainieren eines vortrainierten Modells mit domänenspezifischen Daten.

Fine-Tuning setzt das Training eines vortrainierten Modells (z. B. GPT, Llama) mit domänenspezifischen Daten fort. Es passt das Modell an neue Aufgaben oder Fachvokabular an. Eine Alternative zum Prompt Engineering, wenn mehr Kontrolle nötig ist.

Training über dezentrale Daten, ohne Rohdaten zu zentralisieren.

Föderiertes Lernen aktualisiert ein gemeinsames Modell, während die Daten vor Ort oder auf dem Gerät bleiben; geteilt werden nur Gradienten oder Aggregate. Es unterstützt regulierte Branchen und datenschutzsensible KI im großen Maßstab.

Großes vortrainiertes Modell, das als Basis für viele Anwendungen dient.

Foundation Models sind große Modelle, die auf riesigen Datenmengen vortrainiert wurden. Sie lassen sich (per Fine-Tuning oder Prompting) an viele nachgelagerte Aufgaben anpassen. Beispiele: GPT-4, Claude, Llama.

Dokument zu Verhalten, Akteuren, Abläufen und Ergebnissen – aus Nutzer- oder Fachsicht.

Funktionale Spezifikationen beschreiben, was das System leisten muss: Personas, Journeys, Geschäftsregeln und nicht-funktionale Erwartungen auf Produktebene. Sie speisen PRDs, User Stories und Agenten-Guardrails, damit das Modellverhalten der vereinbarten Absicht entspricht, bevor technische Detailspezifikationen folgen.

Kombination von Informationen aus mehreren Quellen oder Modalitäten (Text + Bild usw.).

Fusion führt Daten oder Repräsentationen aus mehreren Quellen zusammen – etwa Text und Bilder in multimodaler KI oder hybrides Retrieval in RAG. Sie verbessert Genauigkeit und Aussagekraft der KI-Ergebnisse.

KI, die Inhalte (Text, Bild, Code, Audio) erzeugt, statt nur zu klassifizieren.

Generative KI erzeugt neue Inhalte – Text, Bilder, Code, Audio –, statt nur zu klassifizieren oder vorherzusagen. Sie steckt hinter ChatGPT, Bildgeneratoren, Code-Assistenten und vielen Unternehmensanwendungen.

Architektur hinter Sprachmodellen wie ChatGPT.

GPT ist eine Architektur für autoregressive Sprachmodelle. Die Modelle werden auf riesigen Textkorpora vortrainiert und können zusammenhängenden Text erzeugen. ChatGPT, GPT-4 und viele Alternativen beruhen auf diesem Paradigma.

Verankerung von Modellantworten in überprüfbaren Quellen (Dokumente, Daten).

Grounding stellt sicher, dass KI-Antworten auf überprüfbaren Quellen beruhen – Dokumenten, Datenbanken oder APIs – statt auf dem Gedächtnis des Modells. RAG ist eine der wichtigsten Grounding-Techniken und reduziert Halluzinationen.

Laufzeitbeschränkungen und Richtlinien, die LLM-Ausgaben sicher und markenkonform halten.

Guardrails kombinieren Klassifikatoren, Allow- und Deny-Listen, strukturierte Ausgabeschemata und Eskalation an Menschen, um das Modellrisiko zu begrenzen. Sie sind unverzichtbar für kundennahe Assistenten und regulierte Workflows.

Wenn ein LLM falsche oder erfundene Informationen erzeugt, die wahr erscheinen.

Eine Halluzination liegt vor, wenn ein LLM plausibel klingende, aber falsche oder erfundene Informationen erzeugt. RAG, Grounding und Konfidenzwerte helfen, Halluzinationen in Produktivsystemen zu reduzieren.

Trennung von Inhalt und Darstellung; ermöglicht Omnichannel und KI-Integration.

Eine Headless-Architektur entkoppelt die Inhaltsverwaltung von der Frontend-Darstellung. Inhalte werden über APIs ausgeliefert – das ermöglicht Omnichannel-Erlebnisse und erleichtert die Integration von KI und Personalisierung.

Gestaltung, bei der Menschen KI-Entscheidungen überwachen oder korrigieren.

Human-in-the-Loop (HITL) stellt sicher, dass Menschen KI-Ergebnisse prüfen, freigeben oder korrigieren, bevor sie Wirkung entfalten. Das ist entscheidend bei folgenreichen Entscheidungen und für die Einhaltung von Vorschriften wie dem EU AI Act.

Kombination aus Schlüsselwort- (BM25) und semantischer (Vektor-)Suche für bessere Trefferquoten.

Die hybride Suche verbindet lexikalischen Abgleich mit Embedding-Ähnlichkeit, sodass Systeme sowohl exakte Artikelnummern oder Richtlinienbegriffe als auch umformulierte Nutzerfragen finden. Sie ist Best Practice für Enterprise-RAG und Wissensbasen.

End-to-End-Automatisierung aus RPA, KI und Prozessorchestrierung.

Hyperautomatisierung automatisiert ganze Geschäftsprozesse durch die Kombination von RPA, KI, Workflow-Orchestrierung und Integration. Sie geht über die Automatisierung einzelner Aufgaben hinaus und transformiert Abläufe durchgängig.

Phase, in der ein trainiertes Modell Vorhersagen oder Inhalte erzeugt.

Inferenz ist der Moment, in dem ein trainiertes Modell Ergebnisse liefert – Vorhersagen, Klassifikationen oder generierte Inhalte. Sie findet in der Produktion statt; die Optimierung der Inferenz (Latenz, Kosten) ist entscheidend für die Skalierbarkeit.

Anbindung von KI an bestehende Systeme (ERP, CRM, Datenbanken).

Integration verbindet KI-Funktionen mit bestehenden Unternehmenssystemen – ERP, CRM, Data Warehouses, APIs. Eine nahtlose Integration ist Voraussetzung dafür, dass KI in realen Workflows Mehrwert schafft.

In der Äußerung eines Nutzers erkanntes Ziel oder Anliegen (im konversationellen NLP).

Ein Intent ist das Ziel oder Anliegen des Nutzers, das aus seiner Eingabe abgeleitet wird – etwa „einen Flug buchen“ oder „eine Erstattung beantragen“. Die Intent-Erkennung steuert Routing und Antwortauswahl in Chatbots und Voicebots.

Sensoren und Geräte, die KI mit Daten versorgen.

Das Internet der Dinge (IoT) umfasst vernetzte Geräte und Sensoren, die Daten erfassen und übertragen. IoT-Daten speisen Prognosemodelle, Anomalieerkennung und autonome Systeme in Fertigung, Logistik und Smart Buildings.

Versuche, die Sicherheitsbeschränkungen eines Modells zu umgehen.

Jailbreaking bezeichnet Techniken, mit denen Sicherheitsvorkehrungen von KI-Modellen umgangen werden, um schädliche, voreingenommene oder gesperrte Inhalte hervorzurufen. Eine robuste KI-Governance umfasst Überwachung und Härtung gegen solche Angriffe.

Softwareeinheit, die ihre Umgebung wahrnimmt, Entscheidungen trifft und Aktionen ausführt, um Ziele zu erreichen.

Ein KI-Agent ist eine autonome Softwareeinheit, die ihre Umgebung über Sensoren oder Dateneingaben wahrnimmt, die beste Vorgehensweise abwägt und Aktionen ausführt, um definierte Ziele zu erreichen. Agenten können Tools nutzen, APIs aufrufen und Workflows orchestrieren.

Rahmen aus Richtlinien, Prozessen und Kontrollen für den verantwortungsvollen und ethischen KI-Einsatz im Unternehmen.

KI-Governance umfasst die Richtlinien, Prozesse und Kontrollen, mit denen Organisationen sicherstellen, dass KI verantwortungsvoll, ethisch und regelkonform eingesetzt wird. Sie deckt Sicherheit, Kostenkontrolle, Audit-Trails und ROI-Messung ab.

Training eines kleineren Modells, das ein größeres Lehrermodell nachahmt.

Knowledge Distillation überträgt das Verhalten eines großen „Lehrer“-Netzes auf einen kompakten „Schüler“ und senkt so Kosten und Latenz im Betrieb. Sie lässt sich mit Quantisierung und SLMs für effiziente Assistenten kombinieren.

Suche und Abruf relevanter Informationen zu einer Anfrage.

Knowledge Retrieval findet die relevantesten Dokumente oder Passagen zu einer Nutzeranfrage und liefert sie zurück. Es nutzt semantische Suche (Embeddings) und teils hybride Ansätze; es ist das „R“ in RAG.

Textmenge, die ein Modell in einem einzigen Aufruf verarbeiten kann.

Das Kontextfenster ist die maximale Menge an Eingabetext (in Tokens), die ein LLM in einer Anfrage verarbeiten kann. Größere Fenster erlauben längere Dokumente und Gespräche, erhöhen aber Kosten und Latenz.

KI, die natürliche Dialoge führt; Grundlage von Digital Humans und Contact Centern.

Konversationelle KI ermöglicht es Maschinen, natürliche, kontextbewusste Dialoge mit Menschen zu führen. Sie treibt Digital Humans, die Automatisierung von Contact Centern und virtuelle Assistenten über alle Kanäle an.

Sammlung von Dokumenten, mit der ein System trainiert oder gespeist wird (z. B. RAG).

Ein Korpus ist eine strukturierte Sammlung von Dokumenten – häufig für das Training von Modellen oder als Wissensbasis in RAG-Systemen genutzt. Qualität und Struktur des Korpus wirken sich direkt auf die Qualität von Retrieval und Generierung aus.

Spezifikationen unter Versionskontrolle, die mit dem System aktualisiert werden – nie ein statisches PDF.

Eine lebende Spezifikation liegt neben Code und Pipelines: OpenAPI-Dateien, Architecture Decision Records, Richtliniendokumente und Evaluierungsdefinitionen entwickeln sich in Git weiter. KI-Werkzeuge können Specs vergleichen, Migrationen vorschlagen und Tests neu erzeugen, wenn sich Verträge ändern.

Auf riesigen Textmengen trainiertes Modell; Basis von ChatGPT, Claude und ähnlichen Systemen.

Large Language Models (LLMs) sind neuronale Netze, die auf enormen Textkorpora trainiert wurden. Sie erzeugen zusammenhängenden Text, beantworten Fragen und erledigen viele NLP-Aufgaben. Beispiele: GPT-4, Claude, Llama, Mistral.

Traces, Metriken und Logs zu Prompts, Tools und Kosten in der Produktion.

LLM-Observability erfasst Traces von Retrieval, Generierung und Tool-Aufrufen – mit Latenz, Tokenverbrauch und Qualitätswerten. Sie schließt den Kreis zwischen Experimenten und zuverlässigen Agenten in der Produktion.

Algorithmen, die Muster aus Daten lernen.

Machine Learning (ML) ermöglicht es Systemen, Muster aus Daten zu lernen, ohne explizit programmiert zu werden. Es umfasst überwachtes, unüberwachtes und bestärkendes Lernen. ML ist das Fundament moderner KI.

Offener Standard, um Modelle mit Tools, Daten und Unternehmenssystemen zu verbinden.

Das Model Context Protocol (MCP) standardisiert, wie Agenten Tools, Dateien und APIs finden und aufrufen – und reduziert so individuelle Integrationen. Es beschleunigt sichere, modulare Agentenarchitekturen im Unternehmen.

Daten über Daten; helfen, Inhalte in RAG und Suche zu filtern und zu ordnen.

Metadaten beschreiben andere Daten – Autoren, Datumsangaben, Kategorien, Tags. Sie ermöglichen Filterung, facettierte Suche und eine bessere Organisation in RAG- und Wissensmanagementsystemen.

Praktiken für Deployment, Überwachung und Wartung von Modellen in Produktion.

MLOps (Machine Learning Operations) überträgt DevOps-Praktiken auf ML – CI/CD für Modelle, Monitoring, Versionierung und Rollback. Unverzichtbar für zuverlässige, skalierbare KI in der Produktion.

Strukturierte Dokumentation von Zweck, Daten, Kennzahlen und Grenzen eines Modells.

Model Cards beschreiben den vorgesehenen Einsatz, die Trainingsdaten, Evaluierungsergebnisse und ethische Aspekte. Zusammen mit den technischen Spezifikationen unterstützen sie Governance, Beschaffung und Audit-Bereitschaft.

KI, die mehrere Modalitäten verarbeitet: Text, Bild, Audio, Video.

Multimodale KI verarbeitet mehrere Datentypen – Text, Bilder, Audio, Video –, oft in ein und demselben Modell. Sie ermöglicht reichhaltigere Anwendungen wie Bildverständnis, Videoanalyse und modalitätsübergreifende Suche.

Teilgebiet der KI, das menschliche Sprache verarbeitet und erzeugt.

Natural Language Processing (NLP) befähigt Maschinen, menschliche Sprache zu verstehen und zu erzeugen. Es umfasst Übersetzung, Zusammenfassung, Sentiment-Analyse, Chatbots und viele LLM-Anwendungen.

Einheitliches Erlebnis über alle Kanäle (Web, Mobil, Sprache, vor Ort).

Omnichannel bietet ein konsistentes, einheitliches Kundenerlebnis über Web, Mobil, Sprache, Chat und vor Ort. KI ermöglicht Personalisierung und Kontinuität des Kontexts über alle Kanäle hinweg.

Koordination mehrerer Dienste, Agenten oder Modelle; Kern von Synapse.

Orchestrierung koordiniert mehrere KI-Dienste, Agenten und Modelle, um komplexe Workflows auszuführen. Thinkia Synapse ist eine Orchestrierungsplattform, die Governance, Routing und Ausführung vereint.

Wenn ein Modell Trainingsdaten auswendig lernt und nicht generalisiert.

Overfitting (Überanpassung) tritt auf, wenn ein Modell die Trainingsdaten samt Rauschen zu genau lernt und bei neuen Daten schlecht abschneidet. Regularisierung, Validierung und mehr Daten helfen, es zu vermeiden.

Vom Modell gelernter Wert; LLMs haben Milliarden von Parametern.

Parameter sind die Zahlenwerte, die ein Modell während des Trainings lernt. LLMs haben Milliarden von Parametern, in denen Wissen und Fähigkeiten kodiert sind. Die Modellgröße (z. B. 7B, 70B) bezieht sich auf die Anzahl der Parameter.

Abfolge von Schritten (Daten → Vorverarbeitung → Modell → Ausgabe).

Eine Pipeline ist eine Abfolge von Verarbeitungsschritten – etwa Datenaufnahme → Vorverarbeitung → Modellinferenz → Nachverarbeitung. KI-Systeme werden als Pipelines gebaut, um Zuverlässigkeit und Skalierbarkeit zu gewährleisten.

Infrastruktur, die Modelle, Agenten und Workflows bündelt; z. B. Synapse.

Eine KI-Plattform bündelt Modelle, Agenten, Workflows und Governance an einem Ort. Thinkia Synapse ist eine Enterprise-KI-Plattform für Orchestrierung, Sicherheit und Kostenkontrolle.

Strukturierte Beschreibung von Problem, Nutzern, Umfang, Kennzahlen und Anforderungen für ein Produkt oder Feature.

Ein PRD bringt Stakeholder bei Zielen, Nicht-Zielen, User Stories und Erfolgskennzahlen auf eine Linie. In spec-getriebenen und KI-Initiativen speist ein präzises PRD Akzeptanzkriterien, Bewertungsraster und System-Prompts, damit das Modellverhalten den angestrebten Ergebnissen entspricht.

Nutzung von Daten zur Vorhersage der Zukunft (Umsatz, Ausfälle, Nachfrage).

Predictive Analytics nutzt historische Daten und ML, um künftige Ergebnisse vorherzusagen – Nachfrage, Kundenabwanderung, Geräteausfälle, Umsatz. Das ermöglicht vorausschauende Entscheidungen und Automatisierung.

KI, die aus eigener Initiative handelt, nicht nur auf Anfragen reagiert.

Proaktive KI erkennt Bedarfe im Voraus und handelt ohne ausdrückliche Anfrage des Nutzers – mit Warnungen, Empfehlungen oder automatisierten Workflows. Sie macht KI von reaktiv zu vorausschauend.

Umgebung, in der das Modell echte Nutzer bedient (im Gegensatz zu Entwicklung/Test).

Die Produktion ist die Live-Umgebung, in der ein KI-System echte Nutzer bedient. Sie erfordert Monitoring, Skalierung, Sicherheit und Compliance – mehr, als Entwicklungs- oder Staging-Umgebungen benötigen.

Eingabetext, der die Antwort eines Modells steuert.

Ein Prompt ist der Text (und manchmal Bilder), der einem LLM als Eingabe übergeben wird. Er gibt der Modellantwort Anweisungen oder Kontext. Prompt Engineering optimiert Prompts für Qualität und Konsistenz.

Systematische Gestaltung von Prompts für mehr Qualität und Konsistenz.

Prompt Engineering ist die Praxis, Prompts so zu formulieren, dass LLMs bessere und zuverlässigere Ergebnisse liefern. Dazu gehören Techniken wie Few-Shot-Beispiele, Chain-of-Thought und strukturierte Ausgabeformate.

Angriff, der Modellanweisungen über nicht vertrauenswürdige Inhalte von Nutzern oder Dritten kapert.

Prompt Injection bringt ein Modell dazu, System-Prompts zu ignorieren oder Daten preiszugeben, indem bösartige Anweisungen in abgerufenen Text oder Nutzereingaben eingeschleust werden. Zu den Abwehrmaßnahmen gehören Isolation, Ausgabefilter, Tools auf Allowlists und eine strikte Eingrenzung.

Verringerung der numerischen Genauigkeit von Gewichten oder Aktivierungen, um Modelle zu verkleinern und die Inferenz zu beschleunigen.

Quantisierung (z. B. INT8, INT4) senkt den Speicherbedarf und beschleunigt die Inferenz auf GPUs, TPUs oder NPUs. Sie ist zentral für einen kosteneffizienten LLM-Einsatz im großen Maßstab.

Relevante Dokumente abrufen und als Kontext für die Antwort nutzen.

RAG ergänzt die Generierung eines LLM um abgerufene Dokumente. Zu einer Anfrage holt das System relevante Passagen aus einer Wissensbasis und übergibt sie dem LLM als Kontext. So sind Antworten verankert und Halluzinationen werden reduziert.

Lernen durch Belohnung oder Bestrafung; das Modell lernt aus Feedback.

Reinforcement Learning (RL, bestärkendes Lernen) trainiert Agenten über Belohnungssignale. Der Agent handelt, erhält Feedback (Belohnung/Bestrafung) und lernt, die kumulierte Belohnung zu maximieren. Eingesetzt in Robotik, Spielen und Optimierung.

Suchphase, die relevante Dokumente oder Passagen zu einer Anfrage abruft.

Retrieval ist der Schritt in RAG (und in Suchsystemen), der die relevantesten Dokumente oder Textpassagen zu einer Nutzeranfrage findet. Er nutzt in der Regel Embeddings und Vektorähnlichkeitssuche.

Zentrale Kennzahl zur Begründung von KI-Projekten.

Der ROI (Return on Investment) misst die finanzielle Rendite einer Investition. Bei KI-Projekten ist es entscheidend, messbaren Wert nachzuweisen – Kosteneinsparungen, Umsatzwachstum, Effizienzgewinne –, um Investitionen zu sichern und aufrechtzuerhalten.

Automatisierung repetitiver Aufgaben; KI erweitert sie (Hyperautomatisierung).

RPA automatisiert regelbasierte, repetitive Aufgaben – etwa Dateneingabe oder das Ausfüllen von Formularen. KI ergänzt RPA um Urteilsvermögen und Anpassungsfähigkeit und führt so zur Hyperautomatisierung komplexer Prozesse.

Suche nach Bedeutung, nicht nur nach exakten Wörtern; nutzt Embeddings.

Semantische Suche findet Inhalte nach ihrer Bedeutung statt nach Schlüsselwörtern. Sie vergleicht Anfrage und Dokumente über Embeddings nach konzeptioneller Ähnlichkeit und verbessert so Trefferquote und Relevanz.

Analyse von Tonfall oder Emotion in Texten.

Die Sentiment-Analyse ordnet den emotionalen Tonfall eines Textes ein – positiv, negativ, neutral oder feiner abgestufte Emotionen. Eingesetzt wird sie bei Kundenfeedback, Social Listening und Markenmonitoring.

Nicht genehmigte Nutzung von KI-Tools für Endverbraucher mit Unternehmensdaten.

Shadow AI entsteht, wenn Mitarbeitende öffentliche Chatbots oder Apps ohne Prüfung durch die IT nutzen – mit Risiken für Datenabfluss und Compliance. Nötig sind freigegebene Tools, Datenklassifizierung und sichere Standardeinstellungen.

Gesteuertes Verzeichnis von Agent-Skills mit Namen, Versionen, Verantwortlichen und Abhängigkeiten.

Ein Skill-Katalog erfasst, welche Skills existieren, wer sie pflegt, welche Tools sie benötigen und wie sie zusammenspielen. Er verhindert Schatten-Prompts, unterstützt Audits und passt zu spec-getriebenen Änderungen: zuerst die Spec aktualisieren, dann das Skill-Paket, dann die Deployments.

Kompaktes Sprachmodell für domänenspezifische Aufgaben mit geringeren Kosten und Latenzen als Frontier-Modelle.

Small Language Models zielen auf ein eng umrissenes Vokabular oder bestimmte Workflows – oft per Fine-Tuning oder Distillation – und sind damit wirtschaftlich für Assistenten mit hohem Anfragevolumen, für den Einsatz auf dem Gerät oder für hybrides Routing mit einem größeren Modell.

Produkt- und Systemspezifikationen – PRDs, API-Verträge, Guardrails – nutzen, um Modelle, Agenten und Evaluierungen zu steuern.

Spec-Driven AI verknüpft Anforderungsdokumente, Richtlinien in YAML und Tool-Schemata mit Prompts, Retrieval-Korpora und Evaluierungssuites. Änderungen gehen von der Spec aus, sodass das Verhalten für die Governance nachvollziehbar bleibt und Iterationen sicherer sind als reines Herumprobieren an Prompts.

Software auf Basis expliziter Spezifikationen bauen, bevor Code entsteht – Verträge, APIs und Akzeptanztests geben die Implementierung vor.

Spec-Driven Development behandelt maschinenlesbare oder prüfbare Spezifikationen (OpenAPI, Ereignisschemata, Akzeptanzkriterien) als maßgebliche Quelle. Teams erzeugen Stubs, Tests und Dokumentation aus den Specs – das verringert Abweichungen und macht KI-gestütztes Programmieren sicherer, weil sich das Modell an klar begrenzten Verträgen ausrichtet.

Die agentische Plattform von Thinkia; orchestriert Agenten, Modelle und Workflows.

Thinkia Synapse ist die einheitliche agentische Plattform für Enterprise-KI. Sie orchestriert Agenten, Modelle und Workflows mit zentraler Governance, Sicherheit und Kostenkontrolle. Ihr zentrales Nervensystem für KI.

Künstlich erzeugte Daten, die reale Verteilungen für Training oder Tests nachbilden.

Synthetische Daten ergänzen knappe oder sensible Datensätze und erhalten dabei statistische Eigenschaften – nützlich für Simulation, datenschutzfreundliches ML und den Ausgleich von Ungleichgewichten. Governance stellt sicher, dass sie keinen schädlichen Bias enthalten.

Dauerhafte Anweisungen, die Persona, Richtlinien und Tools vor den Nutzernachrichten festlegen.

Der System-Prompt bestimmt Verhalten, Grenzen und mitunter die strukturierte Ausgabe eines LLM. System-Prompts zu versionieren und zu testen gehört zu MLOps für Sprachmodelle und zu den Guardrails im Unternehmen.

Engineering-Blaupause: Services, Datenmodelle, APIs, Infrastruktur und Migrationsrisiken.

Technische Spezifikationen setzen die funktionale Absicht in ein umsetzbares Design um – Diagramme, Schemata, SLOs und Rollout-Pläne. Für KI-Systeme halten sie Modellwahl, Evaluierungssuites, Fallback-Pfade und Observability fest, damit Skills, Tools und Agenden einen stabilen Vertrag haben.

Sampling-Parameter, der die Zufälligkeit der Tokenauswahl steuert.

Eine höhere Temperatur erhöht die Vielfalt (kreativer, weniger deterministisch); niedrigere Werte liefern fokussierte, reproduzierbare Ausgaben. Die richtige Temperatur ist entscheidend – je nachdem, ob ein Anwendungsfall im Unternehmen kreativ oder faktenbasiert ist.

Grundeinheit von Text für das Modell; ca. 4 Zeichen im Englischen.

Ein Token ist die Grundeinheit von Text, die ein Modell verarbeitet. Im Englischen entspricht ein Token etwa 4 Zeichen bzw. 0,75 Wörtern. Die Tokenanzahl bestimmt Kosten und Grenzen des Kontextfensters bei LLM-APIs.

Das Modell gibt strukturierte Aufrufe an APIs, Datenbanken oder Code aus, die die Laufzeitumgebung ausführt.

Tool Calling erlaubt LLMs, Aktionen anzufordern – SQL-Abfragen, HTTP-Requests, CRM-Updates – über Schemata, die der Host validiert. Es treibt Agenten, Copilots und verankerte Workflows an, die über reinen Text hinausgehen.

Prozess, ein Modell mit Daten zu trainieren (Pre-Training, Fine-Tuning).

Training ist der Prozess, in dem ein Modell aus Daten lernt. Beim Pre-Training lernt es Sprache allgemein, beim Fine-Tuning wird es an bestimmte Aufgaben oder Domänen angepasst. Training erfordert Rechenleistung, Daten und Expertise.

Wiederverwendung eines vortrainierten Modells für eine neue Aufgabe mit weniger Daten.

Transfer Learning überträgt Wissen von einer Aufgabe oder Domäne auf eine andere. Vortrainierte LLMs lassen sich per Prompts oder Fine-Tuning auf neue Aufgaben übertragen, was den Bedarf an großen aufgabenspezifischen Datensätzen senkt.

Kurze Anforderung aus Nutzersicht – oft „Als … möchte ich …, damit …“ – plus Akzeptanzkriterien.

User Stories verbinden Personas mit Ergebnissen und bestimmen die Reihenfolge im Backlog. Bei Spec-Driven AI verankern sie Skills und Evaluierungsfälle: Jede Story sollte messbaren Akzeptanzkriterien zugeordnet und bis zu Prompts, Tools und Telemetrie rückverfolgbar sein.

Numerische Repräsentation; siehe Embedding.

Ein Vektor ist eine Liste von Zahlen, die Daten darstellt – etwa Text als Embedding. Ähnliche Inhalte ergeben ähnliche Vektoren; das ermöglicht semantische Suche und Retrieval in RAG-Systemen.

Datenbank, die für Ähnlichkeitssuche über Vektoren (Embeddings) optimiert ist.

Eine Vektordatenbank speichert Embeddings und unterstützt eine schnelle Ähnlichkeitssuche. Zu einem Anfrage-Embedding liefert sie die ähnlichsten gespeicherten Vektoren. Unverzichtbar für RAG und semantische Suche im großen Maßstab.

KI, die mit ethischer, rechtlicher und gesellschaftlicher Verantwortung entwickelt wird.

Verantwortungsvolle KI wird unter Berücksichtigung von Ethik, Rechtskonformität und gesellschaftlichen Auswirkungen entwickelt und eingesetzt. Sie umfasst Fairness, Transparenz, Rechenschaftspflicht und Datenschutz.

Modell, das Bilder und Text gemeinsam versteht – für Bildbeschreibung, OCR oder visuelle Fragebeantwortung.

Vision-Language-Modelle verbinden Encoder für Pixel und Tokens und ermöglichen Dokumenten-KI, visuelle Inspektion und multimodale Assistenten. Sie erweitern RAG auf Diagramme, Folien und Scans.

Sprachbasierter Konversationsassistent.

Ein Voicebot ist ein KI-Assistent, der per Sprache interagiert – er versteht und erzeugt gesprochene Sprache. Eingesetzt wird er in Callcentern, IVR-Systemen und Freisprechanwendungen.

Strukturierter Informationsspeicher; Basis von RAG-Systemen und Assistenten.

Eine Wissensbasis ist ein strukturierter Speicher des Organisationswissens – Dokumente, FAQs, Richtlinien. Sie speist RAG-Systeme und KI-Assistenten, die Fragen anhand von Unternehmensdaten beantworten. Thinkia Knowledge Core ist ein Beispiel dafür.

Graph aus Entitäten und Beziehungen; verbessert Kontext und Genauigkeit.

Ein Wissensgraph stellt Informationen als Netz aus Entitäten und ihren Beziehungen dar. Er verbessert Retrieval und Schlussfolgern in RAG, indem er Struktur und Semantik über reinen Text hinaus erfasst.

Abfolge automatisierter Schritte; Synapse orchestriert Workflows mit KI.

Ein Workflow ist eine Abfolge – oft automatisierter – Schritte, die einen Geschäftsprozess abbilden. KI-Workflows können Retrieval, Generierung, API-Aufrufe und menschliche Prüfung umfassen. Synapse orchestriert komplexe KI-Workflows.

KI, die ihre Entscheidungen verständlich erklärt.

Explainable AI (XAI) liefert nachvollziehbare Erklärungen für Modellergebnisse. Sie schafft Vertrauen, erleichtert die Fehlersuche und erfüllt regulatorische Transparenzanforderungen bei folgenreichen Entscheidungen.

Betrieb ohne Unterbrechungen; prädiktive KI hilft, ihn zu erreichen.

Zero Downtime bedeutet, dass Systeme ohne ungeplante Unterbrechungen laufen. Prädiktive KI kann Ausfälle vorhersagen und vorausschauende Wartung ermöglichen – als Grundlage für unterbrechungsfreien Betrieb in kritischen Umgebungen.

Fähigkeit eines Modells, eine Aufgabe ohne vorherige Beispiele zu lösen.

Zero-Shot Learning bedeutet, dass ein Modell eine Aufgabe lösen kann, ohne dass ihm im Training oder im Prompt Beispiele gezeigt wurden. LLMs zeigen bei vielen NLP-Aufgaben Zero-Shot-Fähigkeiten.