GelişimTeknoloji

Die KI-Vokabellücke: 40 Begriffe, mit denen Sie 2026 KI-Gesprächen folgen können

TL;DR. Viele Streitgespräche über KI sind verkleidete Streitgespräche über Vokabular. Dieses Glossar definiert 40 Begriffe in sieben Familien und verankert jeden in dem Text, der ihn definiert: dem EU AI Act, dem Digital Omnibus, der ihn ab dem 27. Juli 2026 geändert hat, der KI-System-Definition der OECD von 2024, den KI-Dokumenten des NIST, den ursprünglichen Fachartikeln oder der Dokumentation der Hersteller. Die Quellenkarte von CEOtudent zeigt, dass 14 der 40 Begriffe vor allem auf Herstellerdokumentation beruhen, darunter genau die Einheiten, in denen Sie bezahlen: Tokens, Kontextfenster und Latenz. Nach den eigenen Faustregeln der Hersteller ergibt derselbe Text mit 10.000 Zeichen nach Googles Regel etwa 2.500 Tokens und nach Anthropics Regel für seinen neueren Tokenizer etwa 3.700. Der CEO-Zug: Lassen Sie jeden Hersteller seine Einheiten schriftlich definieren, bevor Sie Preise vergleichen. Der Studenten-Zug: Lernen Sie zuerst die 10 Begriffe für Ihre Rolle, dann eine Familie pro Woche.

Für die Mechanik hinter den Wörtern beginnen Sie mit wie große Sprachmodelle wirklich funktionieren. Was Sie mit den Wörtern anfangen, lesen Sie in KI-Kompetenz vs. KI-Gewandtheit: Die Begriffe zu kennen ist Kompetenz (literacy); sie zu nutzen, um eine Entscheidung zu ändern, ist Gewandtheit (fluency).

Warum entscheidet das Vokabular darüber, wer einem KI-Gespräch folgen kann?

Ein Hersteller verspricht ein „1M context window“; eine Juristin sagt, Ihr Unternehmen sei möglicherweise ein „Betreiber“ (deployer). In jedem dieser Sätze steckt eine Entscheidung: ein Preis, ein Risiko, eine rechtliche Pflicht. Wer den Begriff nicht aufschlüsseln kann, kann die Aussage nicht prüfen.

Die Lücke ist strukturell: Gesetzgeber definieren Wörter für die Haftung, Forscher für Experimente, Hersteller für die Abrechnung. Jeder Eintrag unten liefert eine verständliche Definition, erklärt, warum sie für eine Entscheidung zählt, nennt einen verwandten Begriff und seinen Ankertext.

Wie definieren die offiziellen Texte die umstrittenen Begriffe?

Begriff Definierender Text (Auszug) Zweiter Text (Auszug) Was sich unterscheidet
KI-System (AI system) EU AI Act, Artikel 3 Nummer 1: „für einen in unterschiedlichem Grade autonomen Betrieb ausgelegt ist und das nach seiner Betriebsaufnahme anpassungsfähig sein kann“, und „aus den erhaltenen Eingaben […] ableitet, wie Ausgaben […] erstellt werden“ Aktualisierte OECD-Definition (März 2024): „für explizite oder implizite Ziele aus den erhaltenen Eingaben ableitet, wie Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt werden“ Nahezu identischer Kern. NIST AI 100-1 (2023) behält die ältere OECD-Formulierung bei, „für eine gegebene Reihe von Zielen Ausgaben erzeugen“, ohne „ableiten“ (infers) und ohne „Inhalte“ (content)
KI-Modell mit allgemeinem Verwendungszweck (general-purpose AI model) vs. Foundation Model (Basismodell) EU AI Act, Artikel 3 Nummer 63: „eine erhebliche allgemeine Verwendbarkeit aufweist und in der Lage ist, […] ein breites Spektrum unterschiedlicher Aufgaben kompetent zu erfüllen“ Bommasani et al. (2021): „mit breiten Daten trainiert (in der Regel mit Selbstüberwachung in großem Maßstab), das an ein breites Spektrum nachgelagerter Aufgaben angepasst (z. B. feinabgestimmt) werden kann“ Das Gesetz nimmt Modelle aus, die vor dem Inverkehrbringen nur für Forschung oder die Konzipierung von Prototypen eingesetzt werden
Hallucination (Halluzination) vs. Confabulation (Konfabulation) Ji et al. (Übersichtsarbeit 2022): „der erzeugte Inhalt, der unsinnig ist oder dem bereitgestellten Quellinhalt nicht treu ist“ NIST AI 600-1 (2024): „Die Erzeugung selbstsicher vorgetragener, aber fehlerhafter oder falscher Inhalte“ Die Forschung stellt eine Quelle in den Mittelpunkt; NIST die selbstsichere Unwahrheit, mit oder ohne Quelle
KI-Kompetenz (AI literacy) EU AI Act, Artikel 3 Nummer 56: „die Fähigkeiten, die Kenntnisse und das Verständnis“, um „KI-Systeme sachkundig einzusetzen“ (unverändert) Artikel 4 in der Fassung der Verordnung (EU) 2026/1744: Maßnahmen, „um die Entwicklung der KI-Kompetenz […] zu unterstützen“, ohne Pflicht, „ein bestimmtes Niveau an KI-Kompetenz zu garantieren“ Die Definition bleibt; die Pflicht wurde abgeschwächt, weg von der Sicherstellung eines „ausreichenden Maßes“

Quellen: Verordnung (EU) 2024/1689 und 2026/1744; OECD AI Papers Nr. 8; NIST AI 100-1 und 600-1; Bommasani et al.; Ji et al.

Hat der Digital Omnibus eine der hier verwendeten Definitionen geändert? Nein. In Artikel 3 hat er nur Nummer 14, „Sicherheitsbauteil“ (safety component), neu gefasst und die Nummern 14a und 14b zu KMU und kleinen Midcap-Unternehmen eingefügt. Geändert hat sich der Zeitplan: Die Hochrisiko-Pflichten für Systeme nach Anhang III gelten nun ab dem 2. Dezember 2027, für produktbezogene Systeme nach Artikel 6 Absatz 1 ab dem 2. August 2028.

Familie 1: Wie werden Modelle gebaut? (Begriffe 1-9)

1. Foundation Model (Basismodell). Ein Modell, das mit breiten Daten trainiert wurde, meist durch Selbstüberwachung, und an viele nachgelagerte Aufgaben angepasst werden kann (Bommasani et al., 2021). Warum es zählt: Die meisten Tools, die Sie kaufen, sitzen auf einem von wenigen Basismodellen, also werden dessen Grenzen zu Ihren. Verwandt: KI-Modell mit allgemeinem Verwendungszweck (36).

2. Large Language Model (LLM, großes Sprachmodell). Ein Sprachmodell mit sehr vielen Parametern, trainiert mit riesigen Textmengen, das Text erzeugt, Fragen beantwortet und zusammenfasst (Anthropic-Glossar). Warum es zählt: Es sagt plausiblen Text vorher; es schlägt keine Fakten nach, solange kein umgebendes System das tut. Verwandt: RAG (14).

3. Transformer. Die von Vaswani et al. (2017) eingeführte Architektur, die statt auf Rekurrenz auf Aufmerksamkeitsmechanismen (attention) setzt; nahezu jedes aktuelle LLM nutzt sie. Warum es zählt: Die Aufmerksamkeit ist der Grund, warum lange Eingaben mehr kosten und warum Modelle in sehr langen Prompts den Überblick über Material verlieren. Verwandt: Kontextfenster (11).

4. Parameter (Gewichte, weights). Die lernbaren Zahlen, die ein Modell im Training anpasst; der EU AI Act definiert Trainingsdaten als Daten, die zum Trainieren verwendet werden, „wobei dessen lernbare Parameter angepasst werden“ (Artikel 3 Nummer 29). Warum es zählt: Veröffentlichte Gewichte entscheiden, ob Sie ein Modell selbst betreiben, untersuchen oder anpassen können. Verwandt: Open-Weight-Modell (32).

5. Pre-Training (Vortraining). Die erste und größte Trainingsphase, in der ein Modell lernt, über einen großen, nicht annotierten Korpus hinweg das nächste Wort vorherzusagen (Anthropic-Glossar). Warum es zählt: Ein vortrainiertes Modell folgt Anweisungen noch nicht gut; spätere Phasen prägen, was Nutzer erleben. Verwandt: Fine-Tuning (6).

6. Fine-Tuning (Feinabstimmung). Weiteres Training eines vortrainierten Modells mit zusätzlichen Daten, damit es deren Muster nachahmt (Anthropic-Glossar). Warum es zählt: Es verändert Verhalten und Stil; Fakten, die sich wöchentlich ändern, gehören in die Retrieval-Schicht. Verwandt: RLHF (7).

7. RLHF (reinforcement learning from human feedback, bestärkendes Lernen aus menschlichem Feedback). Feinabstimmung, die menschliche Rangfolgen von Ausgaben als Trainingssignal nutzt. In der InstructGPT-Studie wurde ein so trainiertes Modell mit 1,3 Milliarden Parametern dem GPT-3 mit 175 Milliarden Parametern vorgezogen, obwohl es mehr als 100-mal weniger Parameter hatte (Ouyang et al., 2022). Warum es zählt: Wie ein Modell abgestimmt wurde, kann wichtiger sein als seine Größe. Verwandt: Model Card (31).

8. Distillation (Destillation). Ein kleineres Modell wird darauf trainiert, ein größeres Modell oder ein Ensemble nachzubilden, wodurch dessen Wissen in etwas komprimiert wird, das günstiger zu betreiben ist (Hinton, Vinyals und Dean, 2015). Warum es zählt: Günstigere „Mini“-Stufen sind womöglich destilliert; testen Sie, ob sie die Fähigkeit behalten, die Ihre Aufgabe braucht. Verwandt: Inferenz (16).

9. Mixture of Experts (MoE, Expertenmischung). Ein Aufbau, bei dem ein Gating-Netzwerk jede Eingabe an wenige von vielen Teilnetzen („Experten“) schickt. Shazeer et al. (2017) berichteten Kapazitätsgewinne um mehr als das 1.000-Fache bei nur geringen Einbußen an Recheneffizienz. Warum es zählt: Schlagzeilen-Parameterzahlen übertreiben, was pro Anfrage tatsächlich läuft. Verwandt: Parameter (4).

Familie 2: Was geht in ein Modell hinein? (Begriffe 10-15)

10. Token. Die Einheit, die ein Modell liest und schreibt: ein Wort, ein Wortteil, ein Zeichen oder ein Byte (Anthropic-Glossar). Warum es zählt: Limits und Rechnungen werden in Tokens gezählt, und die Zählungen lassen sich nicht von einem Hersteller auf den anderen übertragen. Verwandt: Input- und Output-Tokens (34).

11. Context Window (Kontextfenster). Alles, worauf sich das Modell beim Antworten beziehen kann, einschließlich der Antwort selbst; System-Prompt, Nachrichten, Tool-Ergebnisse, Dokumente und Tool-Definitionen zählen alle mit (Anthropic-Dokumentation). Warum es zählt: Das beworbene Fenster ist eine Obergrenze, kein Versprechen von Aufmerksamkeit, wie die Analyse zu Kontextfenstern und kognitiver Last zeigt. Verwandt: Context Engineering (15).

12. System-Prompt. Die ständigen Anweisungen, die eine Anwendung einem Modell vor der Nutzereingabe gibt, etwa eine Rollenbeschreibung; NIST AI 100-2 (2025) verwendet den Begriff in diesem Sinn. Warum es zählt: Dort leben die Verhaltensregeln eines Produkts. Verwandt: Prompt Injection (25).

13. Embedding (Einbettung). Zahlen, die Text so darstellen, dass ähnliche Bedeutungen nah beieinanderliegen; Mikolov et al. (2013) führten effiziente kontinuierliche Vektordarstellungen von Wörtern ein. Warum es zählt: Embeddings entscheiden, was semantische Suche und RAG abrufen. Verwandt: RAG (14).

14. Retrieval-Augmented Generation (RAG, abrufgestützte Generierung). Die Kombination aus dem eingebauten (parametrischen) Gedächtnis eines Modells und einem externen Dokumentenindex, der zum Zeitpunkt der Anfrage durchsucht wird (Lewis et al., 2020). Warum es zählt: So antwortet ein Tool aus Ihren Dokumenten, und Abruffehler werden zu Antwortfehlern. Verwandt: Grounding (20).

15. Context Engineering (Kontextgestaltung). Die Auswahl und Pflege der bestmöglichen Menge an Tokens, die einem Modell während der Inferenz vorliegt, über den Prompt selbst hinaus (Anthropic Engineering). Warum es zählt: Fehler bei langen Aufgaben sind meist Kontextfehler, wie die Erklärung zu Context Engineering zeigt. Verwandt: Kontextfenster (11).

Wie viele Tokens ist ein Wort, laut den Herstellern selbst?

Hersteller veröffentlichen Faustregeln, keine Wechselkurse. Ein Preis pro Million Tokens lässt sich daher nicht zwischen Herstellern vergleichen, ohne denselben Text mit jedem Tokenizer zu zählen.

Herstellerdokumentation Regel im Wortlaut Zeichen pro Token Tokens für 10.000 Zeichen (abgeleitet)
Google, Gemini API „ein Token entspricht etwa 4 Zeichen“; 100 Tokens entsprechen etwa 60-80 englischen Wörtern etwa 4 etwa 2.500
Anthropic, frühere Claude-Modelle „ein Token steht für etwa 3,5 englische Zeichen“ etwa 3,5 etwa 2.857
Anthropic, Claude 4.7 und neuer der neuere Tokenizer ergibt „etwa 30 Prozent mehr Tokens für denselben Text“ etwa 2,7 (abgeleitet) etwa 3.714
OpenAI, tiktoken-Cookbook englische Tokens „reichen in der Länge üblicherweise von einem Zeichen bis zu einem Wort“ keine einzelne Zahl nicht ableitbar

Quelle: Herstellerdokumentation (Google, „Understand and count tokens“; Anthropic-Glossar; OpenAI Cookbook), abgerufen am 17. November 2026. Abgeleitete Spalten: CEOtudent-Analyse in calc.py. Es handelt sich um Näherungswerte der Hersteller; exakte Zählungen erfordern den jeweiligen Tokenizer.

Googles Regel bedeutet 1,25-1,67 Tokens pro englischem Wort; ein Briefing mit 1.000 Wörtern umfasst also grob 1.250-1.667 Tokens. Dieselben 10.000 Zeichen fallen nach Anthropics Regel für den neueren Tokenizer etwa 49 Prozent höher aus als nach Googles Regel. Das ist keine Qualitätsrangliste; die Einheit selbst unterscheidet sich.

Familie 3: Was kommt heraus, und wie geht es schief? (Begriffe 16-21)

16. Inference (Inferenz). Das Ausführen eines trainierten Modells, um eine Ausgabe zu erzeugen, im Gegensatz zu seinem Training. Im Recht bedeutet „ableiten“ (infers) etwas anderes: Der EU AI Act und die OECD verwenden es dafür, wie ein System aus Eingaben Ausgaben gewinnt, als Test dafür, ob etwas überhaupt ein KI-System ist. Warum es zählt: Sie bezahlen pro Inferenzanfrage. Verwandt: Latenz (33).

17. Temperature (Temperatur). Eine Einstellung dafür, wie zufällig die Wortwahl ist: Höhere Werte ergeben vielfältigere Ausgaben, niedrigere konservativere, vorhersehbarere (Anthropic-Glossar). Warum es zählt: Eine niedrige Temperatur macht Ausgaben wiederholbar, nicht korrekt. Verwandt: Halluzination (18).

18. Hallucination (Halluzination). Eine Ausgabe, die unsinnig ist oder ihrer Quelle nicht treu ist; intrinsische Fälle widersprechen der Quelle, extrinsische lassen sich anhand der Quelle nicht überprüfen (Ji et al., 2022). Warum es zählt: Der Mechanismus bestimmt die Prüfung, wie der Leitfaden zur Mechanik von Halluzinationen erklärt. Verwandt: Konfabulation (19).

19. Confabulation (Konfabulation). Der NIST-Begriff für selbstsicher vorgetragene falsche Inhalte, die Nutzer in die Irre führen können; „Halluzinationen“ nennt NIST die umgangssprachliche Bezeichnung (NIST AI 600-1). Warum es zählt: Audits, die sich am NIST ausrichten, verwenden dieses Wort. Verwandt: Red Teaming (30).

20. Grounding (Verankerung in Belegen). Eine Antwort wird an bereitgestellte Belege gebunden, meist Dokumente, die ins Kontextfenster gegeben werden (Anthropic-Glossar, Eintrag RAG). Warum es zählt: Auch verankerte Antworten können Quellen falsch lesen; fragen Sie, ob Zitate auf die exakte Passage verweisen. Verwandt: RAG (14).

21. Reasoning Model (Denkmodell, Chain of Thought). Ein Modell oder Modus, der vor der Antwort Zwischenschritte des Denkens ausschreibt; Wei et al. (2022) zeigten, dass solches Prompting das komplexe Schlussfolgern bei ausreichend großen Modellen verbesserte. Warum es zählt: Reasoning kostet zusätzliche Output-Tokens und Zeit; heben Sie es für mehrstufige Probleme auf. Verwandt: Input- und Output-Tokens (34).

Familie 4: Wie handeln Modelle in der Welt? (Begriffe 22-26)

22. Tool Use (Werkzeugnutzung, Function Calling). Ein Modell fordert eine Funktion an, etwa eine Suche oder Codeausführung, die die Anwendung oder der Hersteller ausführt und zurückgibt (Anthropic-Dokumentation). Warum es zählt: Sobald ein Modell Tools aufrufen kann, sind seine Berechtigungen Ihre Angriffsfläche. Verwandt: KI-Agent (23).

23. AI Agent (KI-Agent). Anthropic unterscheidet Workflows, in denen Modelle und Tools „vordefinierten Codepfaden“ folgen, von Agenten, bei denen das Modell seinen eigenen Prozess und seine Tool-Nutzung steuert. Warum es zählt: Agenten tauschen Vorhersehbarkeit gegen Flexibilität; Agenten-Kompetenz behandelt die Prüfungen vor der Delegation. Verwandt: menschliche Aufsicht (26).

24. Model Context Protocol (MCP). Ein offenes Protokoll, das KI-Anwendungen mit Daten und Tools verbindet. In der Spezifikation (neueste Revision 2026-07-28) sind Hosts die Modellanwendungen, Clients die Konnektoren in ihnen, und Server stellen Ressourcen, Prompts und Tools über JSON-RPC 2.0 bereit. Warum es zählt: Laut Spezifikation müssen Nutzer „allen Datenzugriffen und Vorgängen ausdrücklich zustimmen und sie verstehen“; fragen Sie, wie ein Produkt das umsetzt. Verwandt: Werkzeugnutzung (22).

25. Prompt Injection. Ein Angriff, der die Anweisungen eines Modells außer Kraft setzt. Die indirekte Form platziert Anweisungen in Inhalten, die das System aufnimmt, etwa einer Webseite, und ein Jailbreak ist eine Art direkter Prompting-Angriff (NIST AI 100-2). Warum es zählt: Jedes Tool, das fremde Inhalte liest, kann durch sie gesteuert werden. Verwandt: System-Prompt (12).

26. Human Oversight (menschliche Aufsicht). Die Anforderung des EU AI Act (Artikel 14), dass Hochrisiko-KI-Systeme so konzipiert werden, dass sie während ihrer Verwendung von natürlichen Personen wirksam beaufsichtigt werden können. Warum es zählt: Jemand muss die Ausgabe verstehen und rechtzeitig übersteuern können. Verwandt: Betreiber (39).

Familie 5: Woran erkennen Sie, ob ein Modell gut ist? (Begriffe 27-31)

27. Benchmark. Ein fester öffentlicher Testsatz zum Vergleich von Modellen; die HELM-Autoren halten fest, dass Benchmarks „der KI die Richtung vorgeben“ (Liang et al., 2023). Warum es zählt: Er misst seine eigene Aufgabe, selten Ihre. Verwandt: Eval (28).

28. Eval (Evaluation). Ein Test, der für Ihre Aufgabe gebaut ist, mit expliziten Erfolgskriterien und bewerteten Fällen, von Exact-Match-Prüfungen bis zur modellgestützten Bewertung (Anthropic-Dokumentation). Warum es zählt: Ihre eigenen Testfälle schlagen jede Rangliste; siehe die Bewertungskompetenz. Verwandt: Benchmark (27).

29. Data Contamination (Datenkontamination). Testmaterial gelangt in die Trainingsdaten und bläht die Ergebnisse auf; die HELM-Autoren weisen auf „das Potenzial einer Train-Test-Kontamination“ hin und sagen, das Verständnis ihres Ausmaßes sei begrenzt. Warum es zählt: Ein hohes Ergebnis in einem alten öffentlichen Benchmark ist ein schwacher Beleg. Verwandt: Benchmark (27).

30. Red Teaming. Strukturierte Übungen, die ein Modell oder System auf nachteiliges Verhalten abklopfen und Schutzmaßnahmen einem Stresstest unterziehen (NIST AI 600-1). Warum es zählt: Fragen Sie, wer das Produkt einem Red Teaming unterzogen hat und was sich danach geändert hat. Verwandt: Prompt Injection (25).

31. Model Card (Modellsteckbrief). Ein kurzes Dokument zu einem Modell, das die evaluierte Leistung über Bedingungen und Gruppen hinweg ausweist (Mitchell et al., 2019). Warum es zählt: Dort werden Grenzen offengelegt; keine Model Card heißt blind kaufen. Verwandt: Benchmark (27).

Familie 6: Was kostet der Betrieb? (Begriffe 32-34)

32. Open-Weight Model (Open-Weight-Modell). Ein Modell, dessen Parameter, einschließlich der Gewichte, öffentlich sind. Die Erwägungsgründe des EU AI Act knüpfen Open-Source-Ausnahmen an öffentliche Gewichte, Architektur und Informationen zur Nutzung und verweigern sie Modellen mit systemischem Risiko. Warum es zählt: Lokales Hosting gibt Ihnen Kontrolle über die Daten, verlagert aber Sicherheit und Updates zu Ihnen. Verwandt: systemisches Risiko (37).

33. Latency (Latenz) und Time to First Token (TTFT). Latenz ist die Verzögerung zwischen Prompt und Ausgabe; TTFT ist die Zeit, bis das erste Token erscheint (Anthropic-Glossar). Warum es zählt: TTFT prägt die gefühlte Geschwindigkeit im Chat. Verwandt: Inferenz (16).

34. Input- und Output-Tokens. Was Sie senden und was das Modell erzeugt; laut Googles Dokumentation werden die Kosten der Gemini API zum Teil von beiden bestimmt. Warum es zählt: Lange Ausgaben und Reasoning werden ebenfalls abgerechnet, sodass ein günstiger Input-Preis eine teure Aufgabe verdecken kann. Verwandt: Token (10).

Familie 7: Wer ist nach dem Gesetz verantwortlich? (Begriffe 35-40)

35. KI-System (AI system). Die Leitdefinition des EU AI Act (Artikel 3 Nummer 1): ein maschinengestütztes System mit unterschiedlichem Grad an Autonomie, das aus Eingaben ableitet, wie Ausgaben erstellt werden, die physische oder virtuelle Umgebungen beeinflussen können, eng angelehnt an die OECD-Formulierung von 2024. Warum es zählt: Ist ein Tool kein KI-System, gilt der größte Teil des Gesetzes nicht. Verwandt: Inferenz (16).

36. KI-Modell mit allgemeinem Verwendungszweck (general-purpose AI model). Ein Modell mit erheblicher allgemeiner Verwendbarkeit, das ein breites Spektrum unterschiedlicher Aufgaben kompetent erfüllen kann (Artikel 3 Nummer 63). Warum es zählt: Seine Pflichten treffen den Anbieter des Modells, nicht das Unternehmen, das ein darauf aufbauendes Produkt nutzt. Verwandt: Basismodell (1).

37. Systemisches Risiko (systemic risk). Ein Risiko, das für die Fähigkeiten mit hoher Wirkkraft der fortschrittlichsten Modelle mit allgemeinem Verwendungszweck spezifisch ist und dessen Folgen sich in großem Umfang verbreiten können (Artikel 3 Nummer 65). Fähigkeiten mit hoher Wirkkraft werden vermutet, wenn die Trainingsrechenleistung 10^25 Gleitkommaoperationen übersteigt (Artikel 51 Absatz 2). Warum es zählt: Für solche Modelle gelten zusätzliche Pflichten ihrer Anbieter. Verwandt: Red Teaming (30).

38. Anbieter (provider). Wer ein KI-System oder ein Modell mit allgemeinem Verwendungszweck entwickelt oder entwickeln lässt und es unter dem eigenen Namen oder der eigenen Handelsmarke in Verkehr bringt oder in Betrieb nimmt (Artikel 3 Nummer 3). Warum es zählt: Wer seine Marke auf ein für ihn gebautes Tool setzt, kann dadurch zum Anbieter werden. Verwandt: Betreiber (39).

39. Betreiber (deployer). Jeder, der ein KI-System in eigener Verantwortung verwendet, außer im Rahmen einer persönlichen und nicht beruflichen Tätigkeit (Artikel 3 Nummer 4). Warum es zählt: Die meisten Arbeitgeber, die KI-Tools einsetzen, sind Betreiber; die neue technische Kompetenz behandelt die Pflichten der Betreiber. Verwandt: menschliche Aufsicht (26).

40. KI-Kompetenz (AI literacy). Die Fähigkeiten, Kenntnisse und das Verständnis, die nötig sind, um KI sachkundig einzusetzen und sich ihrer Chancen und Risiken bewusst zu sein (Artikel 3 Nummer 56); seit dem Omnibus verlangt Artikel 4 Maßnahmen, die ihre Entwicklung unterstützen. Warum es zählt: Ein gemeinsames Glossar ist ein praktischer Teil dieser Pflicht. Verwandt: Betreiber (39).

Woher stammen die 40 Definitionen eigentlich?

Familie Begriffe Rechts- oder Normtext Forschungsarbeit Hersteller- oder Projektdokumentation
1. Wie Modelle gebaut werden 9 1 5 3
2. Eingaben und Kontext 6 1 2 3
3. Ausgaben und Fehler 6 2 2 2
4. Agenten und Tools 5 2 0 3
5. Evaluation 5 1 3 1
6. Kosten und Betrieb 3 1 0 2
7. Governance und Recht 6 6 0 0
Gesamt 40 14 12 14

CEOtudent-Analyse der unten genannten Quellen: Jeder Begriff ist nach seinem primären Anker eingeordnet, nachvollziehbar in calc.py.

Das Recht definiert, wer verantwortlich ist; die Forschung definiert, wie die Technik funktioniert; aber die Einheiten, die Ihre Rechnung und Ihre Limits bestimmen (Token, Kontextfenster, Latenz, abgerechnete Tokens), definieren die Unternehmen, die in ihnen abrechnen. Lassen Sie sich diese Definitionen schriftlich geben.

Welche 10 Begriffe sollten Sie für Ihre Rolle zuerst lernen?

Rolle Erste 10 Begriffe (nach Nummer) Warum diese Auswahl
Führungskraft 2, 11, 18, 23, 26, 28, 35, 38, 39, 40 Delegation, Aufsicht und rechtliche Rollen
Freelancer oder Solo-Unternehmer 2, 6, 10, 11, 14, 15, 17, 20, 22, 34 Ausgabequalität pro Einheit Kosten und Zeit
Analyst 10, 11, 13, 14, 18, 19, 20, 27, 28, 29 Abruf, Fehlererkennung, Qualitätsbelege
Einkäufer von KI-Tools 1, 10, 11, 25, 31, 32, 33, 34, 38, 39 Einheiten, Offenlegung, Sicherheit, rechtliche Pflichten

CEOtudent-Redaktionsrahmen. Die Rollensets sind redaktionelle Einschätzung, keine Umfragedaten.

Die Studenten-Gewohnheit: eine Familie pro Woche, mit einem Satz pro Begriff über ein Tool, das Sie nutzen; der Begriff, über den Sie nicht schreiben können, ist der nächste, den Sie lernen. Ein Modell pro Aufgabe auszuwählen ist der nächste Schritt, behandelt im Routing-Leitfaden für Modelle.

Was sollten Sie prüfen, bevor Sie einen Vertrag mit einem KI-Hersteller unterschreiben?

Fragen Sie schriftlich.

# Begriff Frage an den Hersteller Antwort, die ein Warnsignal ist
1 Token (10) Welcher Tokenizer zählt unsere Nutzung, und können wir Text vor der Abrechnung zählen? „Etwa vier Zeichen“, kein Zählwerkzeug
2 Kontextfenster (11) Wie groß ist das Fenster in unserer Stufe, und was passiert, wenn wir es überschreiten? Genannt wird nur das Maximum der höchsten Stufe
3 Input- und Output-Tokens (34) Werden Reasoning-Schritte und Tool-Ergebnisse abgerechnet, und zu welchem Tarif? Genannt wird nur der Input-Preis
4 Basismodell (1) Welches Modell in welcher Version bedient uns, und wie werden wir über Änderungen informiert? „Wir verwenden immer das beste Modell“
5 Fine-Tuning (6) Werden unsere Daten zum Trainieren oder Abstimmen irgendeines Modells verwendet? Keine schriftliche Antwort
6 Grounding (20) Zitieren die Antworten die exakte Passage, auf die sie sich stützen? Nur Verweise auf ganze Dokumente
7 Prompt Injection (25) Wie werden Anweisungen behandelt, die in aufgenommenen Dokumenten versteckt sind? „Unser Modell ist sicher“
8 Model Card und Eval (31, 28) Können wir die Model Card einsehen und vorher unseren eigenen Testsatz laufen lassen? Nur Ranglisten-Ergebnisse
9 Anbieter und Betreiber (38, 39) Wer ist nach dem EU AI Act der Anbieter, und was erwarten Sie von uns als Betreiber? Als irrelevant abgetan
10 Menschliche Aufsicht (26) Wo kann eine Person eine Aktion prüfen, übersteuern oder stoppen? Nur ein nachträgliches Dashboard

CEOtudent-Redaktionsrahmen.

Was dieses Glossar nicht leistet

Es ist eine allgemeine Information, keine Rechtsberatung: Ob Sie Anbieter oder Betreiber sind, hängt von Tatsachen ab, die ein Glossar nicht sehen kann. Es erstellt keine Rangliste der Hersteller; die Token-Tabelle vergleicht Faustregeln, keine gemessenen Zählungen. Und Vokabular ist keine Gewandtheit: Das NIST-Wort „Konfabulation“ zu kennen ist Kompetenz; eine Konfabulation in einer Hersteller-Demo zu erkennen ist die eigentliche Fähigkeit.

Häufig gestellte Fragen

Ist „Halluzination“ oder „Konfabulation“ der richtige Begriff?
Beides. Die Forschung spricht meist von Halluzination; NIST von Konfabulation. Nutzen Sie den Rahmen Ihres Publikums und benennen Sie den Fehler, den Sie meinen.

Hat der Digital Omnibus von 2026 die Definitionen des EU AI Act geändert?
Nur in engem Rahmen: Er hat „Sicherheitsbauteil“ neu gefasst und Definitionen für KMU und kleine Midcap-Unternehmen ergänzt. Die Definitionen in diesem Glossar sind unverändert, aber die Kompetenzpflicht nach Artikel 4 wurde abgeschwächt, und die Hochrisiko-Fristen haben sich verschoben.

Wie viele Wörter passen in eine Million Tokens?
Das hängt vom Tokenizer ab. Googles Regel von 60-80 englischen Wörtern pro 100 Tokens ergibt 600.000-800.000 Wörter für Gemini-Modelle; andere Tokenizer weichen ab.

Was ist der Unterschied zwischen einem Agenten und einem Workflow?
Ein Workflow folgt vordefinierten Codepfaden; ein Agent entscheidet selbst über seine Schritte und seine Tool-Nutzung. Workflows lassen sich leichter testen.

Ist MCP ein Produkt?
Nein. Es ist ein offenes Protokoll; Produkte implementieren es, mit unterschiedlicher Sorgfalt bei Zustimmung und Berechtigungen.

Quellen

  1. Regulation (EU) 2024/1689 (Artificial Intelligence Act). Official Journal of the European Union, 12. Juli 2024. Artikel 3, 4, 14, 51; Erwägungsgründe 102 und 104.
  2. Regulation (EU) 2026/1744 (Digital Omnibus on AI). Official Journal of the European Union, 24. Juli 2026.
  3. OECD. Explanatory Memorandum on the Updated OECD Definition of an AI System. OECD Artificial Intelligence Papers No. 8, März 2024.
  4. NIST. AI Risk Management Framework (AI RMF 1.0), NIST AI 100-1, Januar 2023.
  5. NIST. Generative Artificial Intelligence Profile, NIST AI 600-1, Juli 2024.
  6. NIST. Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations, NIST AI 100-2e2025, März 2025.
  7. Vaswani, A. et al. Attention Is All You Need. NIPS 2017 (arXiv 1706.03762).
  8. Lewis, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 2020 (arXiv 2005.11401).
  9. Ouyang, L. et al. Training language models to follow instructions with human feedback. 2022 (arXiv 2203.02155).
  10. Hinton, G., Vinyals, O. und Dean, J. Distilling the Knowledge in a Neural Network. 2015 (arXiv 1503.02531).
  11. Shazeer, N. et al. Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. 2017 (arXiv 1701.06538).
  12. Wei, J. et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022 (arXiv 2201.11903).
  13. Bommasani, R. et al. On the Opportunities and Risks of Foundation Models. Stanford CRFM, 2021 (arXiv 2108.07258).
  14. Mikolov, T. et al. Efficient Estimation of Word Representations in Vector Space. 2013 (arXiv 1301.3781).
  15. Ji, Z. et al. Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, Preprint, 2022 (arXiv 2202.03629).
  16. Mitchell, M. et al. Model Cards for Model Reporting. FAT* 2019 (arXiv 1810.03993).
  17. Liang, P. et al. Holistic Evaluation of Language Models. Transactions on Machine Learning Research, 2023 (arXiv 2211.09110).
  18. Anthropic. Claude platform documentation: Glossary; Context windows; Tool use overview; Define success criteria and build evaluations. Herstellerdokumentation, abgerufen am 17. November 2026.
  19. Anthropic. Building effective agents (19. Dezember 2024); Effective context engineering for AI agents (29. September 2025). Herstellerveröffentlichungen.
  20. Google. Understand and count tokens, Gemini API documentation. Herstellerdokumentation, abgerufen am 17. November 2026.
  21. OpenAI. How to count tokens with tiktoken, OpenAI Cookbook. Herstellerdokumentation, abgerufen am 17. November 2026.
  22. Model Context Protocol. Specification, revision 2026-07-28; What is the Model Context Protocol. Projektdokumentation, abgerufen am 17. November 2026.

CEOtudent-Analysen: die abgeleiteten Token-Spalten, der Vergleich von 49 Prozent und die Tabelle der Quellenkarte. CEOtudent-Redaktionsrahmen: die Rollenkarte und die Vertrags-Checkliste. Bewusst nicht verwendet: Umfrageaussagen darüber, wie viele Beschäftigte KI-Begriffe missverstehen (keine Primärumfrage geöffnet), der Wortlaut von ISO/IEC 22989 (nicht frei zugänglich) und die Kontextfenstergrößen der Hersteller, die in einem Schwesterbeitrag behandelt werden.


Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

Benzer içerikler