Die wichtigsten Begriffe rund um Künstliche Intelligenz, digitale Transformation und Energiewende -- verständlich erklärt.
25 Begriffe von A bis Z
KI-Systeme, die eigenständig Ziele verfolgen, Entscheidungen treffen und mehrstufige Aufgaben ohne ständige menschliche Anleitung ausführen können. Im Gegensatz zu klassischen KI-Anwendungen, die auf einzelne Anfragen reagieren, planen agentische Systeme aktiv und passen ihr Vorgehen dynamisch an. In der Unternehmenspraxis bedeutet das: KI-Agenten, die ganze Workflows übernehmen, nicht nur einzelne Schritte.
Hypothetische KI-Systeme, die jede intellektuelle Aufgabe verstehen und lösen können, die ein Mensch bewältigen kann -- einschliesslich schlussfolgerndem Denken, Lernen und kreativer Problemlösung über Domänen hinweg. AGI existiert heute nicht; aktuelle Systeme wie LLMs sind spezialisierte (enge) KI. Die Diskussion um AGI ist zentral für langfristige KI-Strategien und Regulierung.
Die systematische Gestaltung und Optimierung des Kontexts, der einem KI-Modell bei der Verarbeitung zur Verfügung steht. Dazu gehören Systemprompts, Beispieldaten, Dokumentenauswahl und Instruktionsdesign. Context Engineering geht über Prompt Engineering hinaus, weil es die gesamte Informationsarchitektur rund um das Modell gestaltet -- nicht nur die einzelne Eingabe.
KI-Agenten, die als vollwertige Teammitglieder mit definierten Rollen und Verantwortlichkeiten in Organisationen eingesetzt werden. Das Digital-Colleagues-Framework von innobu gibt KI-Agenten konkrete Jobtitel -- Architekt, Stratege, Analyst -- und integriert sie in bestehende Governance-Strukturen. Der Ansatz löst das häufigste Problem bei KI-Projekten: Die Technologie funktioniert, aber niemand ist sich einig, was sie tun soll.
Eine virtuelle Repräsentation eines physischen Objekts, Prozesses oder Systems, die in Echtzeit mit Daten synchronisiert wird. In der Energiewirtschaft werden Digitale Zwillinge eingesetzt, um Netzinfrastruktur zu modellieren, Belastungen zu simulieren und Wartung vorausschauend zu planen. Der Wert entsteht durch die Verbindung von Sensorik, Datenplattform und Entscheidungsunterstützung.
Die ganzheitliche Beschreibung der Strukturen einer Organisation -- Geschäftsprozesse, IT-Systeme, Datenflüsse und Technologie-Infrastruktur. Enterprise Architecture schafft Transparenz darüber, wie einzelne Systeme zusammenwirken, und liefert die Entscheidungsgrundlage für Investitionen in Technologie und Transformation. Ohne EA wird jedes grosse Programm zum Blindflug.
Die europäische KI-Verordnung (Artificial Intelligence Act), die seit 2024 einen risikobasierten Regulierungsrahmen für den Einsatz von KI in der EU etabliert. Systeme werden in Risikokategorien eingeteilt -- von minimal bis inakzeptabel. Hochrisiko-Systeme unterliegen strengen Anforderungen an Transparenz, Datenqualität und menschliche Aufsicht. Für Unternehmen bedeutet der EU AI Act konkrete Compliance-Pflichten, die jetzt umgesetzt werden müssen.
KI-Systeme, die neue Inhalte wie Texte, Bilder, Code oder Musik erzeugen können, anstatt nur bestehende Daten zu analysieren oder zu klassifizieren. Die bekanntesten Beispiele sind ChatGPT, Claude und Midjourney. Generative KI basiert typischerweise auf grossen vortrainierten Modellen (Foundation Models) und hat seit 2023 die Diskussion um KI im Unternehmenskontext fundamental verändert.
Das Phänomen, bei dem KI-Modelle plausibel klingende, aber faktisch falsche oder frei erfundene Informationen generieren. Halluzinationen sind kein Bug, sondern ein systemisches Merkmal generativer Modelle, die auf Wahrscheinlichkeiten basieren. Für den Unternehmenseinsatz bedeutet das: Jede KI-Ausgabe braucht Verifizierungsmechanismen. RAG, Grounding und menschliche Aufsicht sind die wichtigsten Gegenmassnahmen.
Ein autonomes Softwaresystem, das seine Umgebung wahrnimmt, Entscheidungen trifft und Aktionen ausführt, um bestimmte Ziele zu erreichen. KI-Agenten unterscheiden sich von einfachen Chatbots durch ihre Fähigkeit, Tools zu nutzen, Pläne zu erstellen und mehrstufige Aufgaben selbstständig abzuarbeiten. In Unternehmen werden sie zunehmend für Recherche, Datenanalyse und Prozessautomatisierung eingesetzt.
Grosse neuronale Netze, die auf umfangreichen Textdaten trainiert werden und natürliche Sprache verstehen und generieren können. LLMs wie GPT-4, Claude und Gemini bilden die Grundlage der aktuellen Generative-AI-Welle. Sie arbeiten mit Token, nutzen die Transformer-Architektur und werden durch Feinabstimmung und Reinforcement Learning from Human Feedback (RLHF) für spezifische Anwendungen optimiert.
Teilgebiet der Künstlichen Intelligenz, bei dem Algorithmen aus Daten lernen und Muster erkennen, ohne explizit programmiert zu werden. Die drei Hauptkategorien sind überwachtes Lernen (mit gelabelten Daten), unüberwachtes Lernen (Mustererkennung in unstrukturierten Daten) und Reinforcement Learning (Lernen durch Belohnung). Maschinelles Lernen ist die Grundlage praktisch aller modernen KI-Anwendungen.
Ein offener Standard, der KI-Modellen den strukturierten Zugriff auf externe Datenquellen und Werkzeuge ermöglicht. MCP wurde von Anthropic initiiert und funktioniert wie ein universeller Adapter: Statt für jede Datenquelle eine eigene Integration zu bauen, bietet MCP eine standardisierte Schnittstelle. Für Unternehmen reduziert das den Integrationsaufwand und verbessert die Interoperabilität zwischen KI-Systemen.
Eine Architektur, in der mehrere KI-Agenten zusammenarbeiten, um komplexe Aufgaben zu lösen. Jeder Agent hat spezialisierte Fähigkeiten und eine definierte Rolle; die Koordination erfolgt über Protokolle oder einen Orchestrierungsagenten. Multi-Agenten-Systeme ermöglichen die Zerlegung komplexer Probleme in handhabbare Teilaufgaben und sind die Grundlage für skalierbare KI-Betriebsmodelle.
Teilbereich der KI, der sich mit der Verarbeitung, dem Verstehen und der Generierung menschlicher Sprache befasst. NLP umfasst Aufgaben wie Textklassifikation, Sentimentanalyse, Named Entity Recognition, maschinelle Übersetzung und Fragebeantwortung. Moderne LLMs haben NLP revolutioniert -- Aufgaben, die vor wenigen Jahren spezialisierte Modelle erforderten, lösen heute generische Sprachmodelle als Nebeneffekt.
Die Kunst und Wissenschaft, Eingabeanweisungen (Prompts) für KI-Modelle so zu formulieren, dass sie optimale Ergebnisse liefern. Dazu gehören Techniken wie Chain-of-Thought-Prompting, Rollenanweisungen, Formatvorgaben und Few-Shot-Beispiele. Gutes Prompt Engineering kann die Qualität von KI-Ausgaben drastisch verbessern, ohne das Modell selbst verändern zu müssen.
Ein Angriffsvektor, bei dem böswillige Anweisungen in die Eingabe eines KI-Modells eingeschleust werden, um dessen Verhalten zu manipulieren. Bei indirekter Prompt Injection werden die Anweisungen in Datenquellen versteckt, die das Modell verarbeitet -- etwa in Webseiten oder Dokumenten. Prompt Injection ist eine der grössten Sicherheitsherausforderungen für KI-Systeme im Unternehmenseinsatz.
Eine Architektur, die KI-Modelle mit externem Wissen anreichert, indem relevante Dokumente vor der Antwortgenerierung abgerufen werden. Statt sich nur auf das Trainingswissen zu verlassen, durchsucht das System eine Wissensdatenbank und fügt relevante Informationen in den Kontext ein. RAG reduziert Halluzinationen, hält Antworten aktuell und ermöglicht die Nutzung unternehmenseigener Daten, ohne das Modell neu trainieren zu müssen.
Ein Rahmenwerk für die Entwicklung und den Einsatz von KI-Systemen unter Beachtung ethischer Prinzipien wie Fairness, Transparenz, Datenschutz und Nicht-Diskriminierung. Verantwortungsvolle KI geht über Compliance hinaus: Sie fordert proaktive Massnahmen wie Bias-Tests, Erklärbarkeit von Entscheidungen und klare Verantwortungsstrukturen. Im EU-Kontext wird sie durch den AI Act zunehmend verpflichtend.
Die zentrale Kommunikationseinheit eines intelligenten Messsystems (iMSys), die den sicheren Datenaustausch zwischen Stromzählern, Marktakteuren und Netzbetreibern ermöglicht. Smart Meter Gateways müssen BSI-zertifiziert sein und bilden die technische Grundlage für den deutschen Smart-Meter-Rollout. Sie sind die Voraussetzung für zeitvariable Tarife, §14a-Steuerung und die Integration dezentraler Energieerzeugung.
Die kleinste Verarbeitungseinheit in Sprachmodellen -- ein Wort, Wortteil oder Sonderzeichen, in das Text zerlegt wird. Ein deutsches Wort besteht typischerweise aus 1 bis 3 Token. Token bestimmen sowohl die Eingabe- als auch die Ausgabelänge eines Modells und sind die Basis für die Kostenberechnung bei API-Nutzung. Die Kontextlänge eines Modells (z.B. 200.000 Token) bestimmt, wie viel Information gleichzeitig verarbeitet werden kann.
Eine 2017 eingeführte neuronale Netzarchitektur, die auf dem Self-Attention-Mechanismus basiert und die Grundlage praktisch aller modernen Sprachmodelle bildet. Transformer können Beziehungen zwischen weit entfernten Wörtern in einem Text erfassen und parallelisiert trainiert werden. GPT, Claude, Gemini und Llama basieren alle auf dieser Architektur. Der Name des Papers: "Attention Is All You Need".
Siehe Enterprise Architecture.
Ein Ansatz der Softwareentwicklung, bei dem Entwickler ihre Absichten in natürlicher Sprache beschreiben und KI den Code generiert. Der Begriff wurde 2025 von Andrej Karpathy geprägt. Vibe Coding senkt die Einstiegshürde für Softwareentwicklung drastisch und ermöglicht es Fachexperten ohne tiefe Programmierkenntnisse, funktionale Prototypen und Anwendungen zu bauen. Die Qualitätssicherung bleibt dabei die entscheidende menschliche Aufgabe.
Techniken, bei denen KI-Modelle Aufgaben ohne (Zero-Shot) oder mit nur wenigen (Few-Shot) Beispielen lösen können. Bei Zero-Shot erhält das Modell nur eine Aufgabenbeschreibung; bei Few-Shot werden einige Beispiel-Paare (Input/Output) mitgegeben. Diese Fähigkeit ist ein Hauptvorteil grosser Sprachmodelle gegenüber klassischem maschinellem Lernen, das grosse gelabelte Datensätze benötigt.
Paragraph 14a des Energiewirtschaftsgesetzes regelt die netzorientierte Steuerung steuerbarer Verbrauchseinrichtungen wie Wärmepumpen, Wallboxen und Batteriespeicher. Netzbetreiber können bei Engpässen die Leistung temporär auf 4,2 kW dimmen, müssen im Gegenzug reduzierte Netzentgelte gewähren. Die Umsetzung erfordert Smart Meter Gateways, neue Steuerboxen und erhebliche Anpassungen in IT-Systemen und Prozessen der Netzbetreiber.