Das große KI-Lexikon

Software, die Aufgaben löst, für die man normalerweise menschliche Intelligenz braucht – Sprache verstehen, Muster erkennen, Entscheidungen ableiten.

Künstliche Intelligenz ist der Oberbegriff für alle Verfahren, mit denen Computer Aufgaben übernehmen, die früher dem Menschen vorbehalten waren: Texte schreiben, Bilder erkennen, Sprache übersetzen, Prognosen erstellen. Wichtig ist die Abgrenzung zwischen „schwacher" KI, die einzelne, klar umrissene Aufgaben löst (und die wir heute überall nutzen), und „starker" KI, die menschenähnliches Allgemeinverständnis hätte – Letztere existiert bislang nur in der Theorie.

Der entscheidende Unterschied zu klassischer Software: Ein normales Programm folgt festen Wenn-dann-Regeln, die ein Mensch vorgibt. Eine KI leitet ihre „Regeln" selbst aus riesigen Datenmengen ab. Genau das macht sie so flexibel – und erklärt, warum sie mit Situationen umgehen kann, die vorher niemand exakt einprogrammiert hat.

Für Unternehmen heißt KI konkret: Angebote schneller schreiben, Kundenanfragen vorsortieren, Daten auswerten, Marketing personalisieren. Der Nutzen entsteht dabei selten durch das Tool allein, sondern durch Menschen, die es souverän einsetzen können.

Ein Teilbereich der KI, bei dem das System Regeln nicht einprogrammiert bekommt, sondern selbst aus Beispieldaten lernt.

Machine Learning ist das Herzstück der modernen KI. Statt einem Computer jede Regel einzeln vorzugeben, füttert man ihn mit vielen Beispielen und lässt ihn die Muster selbst erkennen. Zeigt man dem System tausende E-Mails, die als „Spam" oder „kein Spam" markiert sind, lernt es die typischen Merkmale von Spam – ohne dass ein Mensch je definiert hätte, was Spam genau ausmacht.

Je mehr und je bessere Beispieldaten ein Modell sieht, desto verlässlicher werden seine Vorhersagen. Deshalb sind Daten für KI so wertvoll: Sie sind der „Lernstoff". Schlechte oder einseitige Daten führen umgekehrt zu schlechten oder verzerrten Ergebnissen.

Im Alltag steckt Machine Learning hinter Produktempfehlungen, Betrugserkennung im Zahlungsverkehr, Nachfrageprognosen und Wartungsvorhersagen in der Industrie.

Eine besonders leistungsfähige Form des Machine Learning mit vielschichtigen, vom Gehirn inspirierten „neuronalen Netzen".

Deep Learning arbeitet mit künstlichen neuronalen Netzen, die aus vielen hintereinander geschalteten Schichten bestehen – daher „deep" (tief). Jede Schicht verarbeitet die Information ein Stück abstrakter: Bei der Gesichtserkennung erkennt die erste Schicht einfache Kanten, die nächste Augen und Nasen, die oberste schließlich das ganze Gesicht.

Diese Tiefe ist der Grund, warum Deep Learning bei komplexen Aufgaben wie Sprachverstehen, Bilderkennung oder Übersetzung so gut ist. Fast alle bekannten KI-Systeme – von ChatGPT bis zur Foto-App im Smartphone – basieren darauf.

Der Preis dieser Leistungsfähigkeit: Deep-Learning-Modelle brauchen sehr viele Daten und viel Rechenleistung zum Training – und ihre Entscheidungen sind für Menschen oft schwer nachvollziehbar (das sogenannte „Blackbox"-Problem).

KI, die neue Inhalte erschafft – Texte, Bilder, Videos, Musik, Code – statt Bestehendes nur zu analysieren oder zu sortieren.

Lange konnte KI vor allem einordnen: Ist das Spam? Zeigt das Bild eine Katze? Generative KI geht einen Schritt weiter – sie produziert selbst etwas Neues. ChatGPT schreibt Texte, Midjourney malt Bilder, Suno komponiert Musik, Claude schreibt Programmcode.

Technisch sagt ein generatives Sprachmodell immer wieder das jeweils wahrscheinlichste nächste Wort voraus – und erzeugt so Satz für Satz einen völlig neuen, zusammenhängenden Text. Was wie Kreativität aussieht, ist im Kern hochentwickelte Wahrscheinlichkeitsrechnung auf Basis von Milliarden Beispielen.

Für Unternehmen ist genau das der Produktivitätshebel: Erstentwürfe für Angebote, Social-Media-Posts, Produktbeschreibungen oder Auswertungen entstehen in Minuten statt Stunden. Der Mensch wird vom Ersteller zum Prüfer und Veredler.

Ein riesiges KI-Sprachmodell wie ChatGPT, Claude oder Gemini, trainiert auf enormen Textmengen – mit hunderten Milliarden internen „Stellschrauben" (Parametern).

Ein Large Language Model ist ein Deep-Learning-Modell, das darauf spezialisiert ist, Sprache zu verstehen und zu erzeugen. Es wurde mit gewaltigen Mengen an Texten aus Büchern, Websites und Artikeln trainiert und hat dabei gelernt, wie Sprache funktioniert – Grammatik, Fakten, Argumentationsmuster, Tonfall.

Das „Wissen" eines LLM steckt in seinen Parametern: internen Zahlenwerten, die beim Training feinjustiert werden. Moderne Modelle haben hunderte Milliarden davon. Grob gilt: mehr Parameter und besseres Training bedeuten meist ein fähigeres Modell – aber auch höhere Kosten.

Wichtig zu wissen: Ein LLM „weiß" nichts im menschlichen Sinn und ist auch nicht live mit dem Internet verbunden (außer man verbindet es gezielt). Sein Wissen endet mit dem Trainingszeitpunkt – bei tagesaktuellen Fragen braucht es zusätzliche Quellen.

Tokens sind die kleinsten Textbausteine, in die ein Modell Sprache zerlegt. Das Kontextfenster ist, wie viel Text es gleichzeitig „im Kopf" behalten kann.

Ein Sprachmodell verarbeitet Text nicht als ganze Wörter, sondern in Tokens – kleine Einheiten, die etwa einem Wortteil entsprechen. „Mitarbeiterförderung" kann so aus mehreren Tokens bestehen. Abgerechnet wird bei den meisten KI-Diensten pro Token, für Eingabe und Ausgabe.

Das Kontextfenster ist die maximale Menge an Tokens, die ein Modell auf einmal berücksichtigen kann – die aktuelle Frage plus alles Vorherige im Chat plus angehängte Dokumente. Moderne Modelle schaffen bis zu einer Million Tokens, also ganze Bücher auf einmal.

Praktische Folge: In sehr langen Chats kann die KI frühe Details „vergessen", wenn das Fenster überläuft. Für lange Aufgaben lohnt es sich, wichtige Informationen zusammenzufassen und erneut mitzugeben.

Wenn eine KI falsche Informationen überzeugend und selbstsicher präsentiert, als wären sie Fakten.

Halluzinationen sind die wichtigste Schwäche generativer KI. Weil ein Sprachmodell immer das wahrscheinlichste nächste Wort erzeugt, klingt auch eine erfundene Antwort flüssig und plausibel – etwa eine erdachte Quelle, ein falsches Datum oder ein nicht existierendes Gesetz.

Die KI lügt dabei nicht absichtlich; sie hat schlicht kein echtes Verständnis von „wahr" und „falsch". Besonders riskant ist das bei Zahlen, Rechtsfragen, Zitaten und Fachdetails.

Der Schutz dagegen ist einfach, aber Pflicht: wichtige Fakten immer gegenprüfen, nach Quellen fragen und für sensible Aufgaben Modelle nutzen, die in geprüften Dokumenten nachschlagen (siehe RAG). Merksatz: Die erste KI-Antwort ist ein Entwurf, kein Endergebnis.

Die Temperatur steuert, wie kreativ oder berechenbar eine KI antwortet. Reasoning-Modelle „denken" vor der Antwort Schritt für Schritt.

Die Temperatur ist ein Regler für den Zufall in der Antwort. Ein niedriger Wert macht die KI präzise und wiederholbar – gut für Fakten, Zusammenfassungen und Code. Ein hoher Wert macht sie variantenreicher und kreativer – gut für Ideen, Slogans und Brainstorming.

Reasoning-Modelle sind eine neuere Generation, die vor der eigentlichen Antwort einen inneren Denkprozess durchläuft und die Aufgabe in Zwischenschritte zerlegt. Das macht sie deutlich stärker bei Mathematik, Logik und komplexen mehrstufigen Problemen – dafür brauchen sie etwas länger.

Für den Alltag heißt das: Für schnelle Standardaufgaben reicht ein normales Modell; für kniffelige Analysen oder Berechnungen lohnt sich ein Reasoning-Modell.

Ein Prompt ist die Anweisung an die KI. Prompt Engineering ist die Kunst, sie so zu formulieren, dass zuverlässig das gewünschte Ergebnis herauskommt.

Der Prompt ist der Text, den Sie der KI geben. Er entscheidet mehr über die Qualität als die Wahl des Modells. Ein guter Prompt enthält in der Regel fünf Bausteine: eine Rolle („Du bist erfahrener Vertriebsleiter"), die Aufgabe, den nötigen Kontext, das gewünschte Format und – wenn möglich – ein Beispiel.

Vage Prompts führen zu vagen Antworten. Statt „Schreib was über unser Produkt" liefert „Schreibe drei LinkedIn-Posts (je max. 80 Wörter, sachlicher Ton) für Geschäftsführer im Mittelstand, die Produkt X vorstellen" ein sofort brauchbares Ergebnis.

Prompt Engineering ist keine Geheimwissenschaft, sondern Handwerk – und genau das lässt sich in kurzer Zeit lernen. Es ist der Kompetenz-Hebel mit dem schnellsten Return im ganzen KI-Feld.

Der System Prompt ist die unsichtbare Grundanweisung, die das Verhalten einer KI festlegt. Rollen-Prompting weist der KI eine Expertenrolle zu.

Jede KI-Anwendung hat im Hintergrund einen System Prompt: eine grundlegende Anweisung, die Ton, Aufgabe und Grenzen festlegt – zum Beispiel „Du bist der Kundenservice-Assistent von Firma X, antworte freundlich und nur zu unseren Produkten". Der Nutzer sieht ihn nicht, aber er prägt jede Antwort.

Rollen-Prompting ist die einfachste und wirksamste Technik im Alltag: Geben Sie der KI eingangs eine passende Rolle. „Agiere als erfahrener Steuerberater" oder „Du bist Lektorin für Werbetexte" hebt Fachtiefe, Wortwahl und Perspektive der Antwort spürbar.

In eigenen KI-Werkzeugen (etwa einem Firmen-Chatbot) ist der System Prompt das zentrale Steuerungsinstrument: Hier legen Sie einmalig fest, wie sich die KI in allen Gesprächen verhält.

Few-Shot-Prompting heißt: der KI im Prompt Beispiele mitgeben. Chain of Thought heißt: sie Schritt für Schritt denken lassen. Beides senkt die Fehlerquote drastisch.

Beim Few-Shot-Prompting fügen Sie ein oder mehrere Beispiele der gewünschten Lösung in den Prompt ein. Zeigen Sie der KI zwei ideale Angebots-E-Mails, trifft sie den Stil der dritten viel besser. Beispiele sind eines der mächtigsten Steuerungswerkzeuge überhaupt – oft wirksamer als lange Erklärungen.

Chain of Thought („Gedankenkette") bedeutet, die KI ausdrücklich aufzufordern, ihren Lösungsweg Schritt für Schritt darzulegen, statt sofort ein Ergebnis auszuwerfen. „Denke Schritt für Schritt" senkt gerade bei Rechen- und Logikaufgaben die Fehlerquote erheblich, weil das Modell sich nicht vorschnell festlegt.

Beide Techniken kosten nur wenige zusätzliche Sätze im Prompt – und heben die Qualität oft deutlicher als ein Modellwechsel.

Der KI alle relevanten Informationen optimal bereitstellen – Dokumente, Daten, Tools, Regeln –, nicht nur die perfekte Frage zu stellen.

Context Engineering ist die Weiterentwicklung des Prompt Engineering. Die Erkenntnis dahinter: Bei anspruchsvollen Aufgaben entscheidet nicht die eine geschickte Formulierung, sondern wie gut die KI mit dem passenden Umfeld versorgt ist – den richtigen Dokumenten, aktuellen Daten, Zugriff auf Tools und klaren Regeln.

Statt einer KI nur eine Frage zu stellen, gibt man ihr also die relevante Preisliste, die letzten Kundenmails, die internen Richtlinien und den Zugriff auf den Kalender. Erst dieser Kontext macht aus einem netten Chatbot einen echten Assistenten, der im Firmenalltag verlässlich arbeitet.

Techniken wie RAG (Nachschlagen in Firmendokumenten) und MCP (Anbindung an Tools) sind die praktische Umsetzung von Context Engineering – und der Grund, warum KI im Unternehmen mehr kann als im privaten Chatfenster.

Das Standard-Textformat der KI-Welt: einfache Zeichen wie # und - erzeugen Überschriften und Listen – lesbar für Mensch und Maschine zugleich.

Markdown ist eine schlichte Auszeichnungssprache: Mit einer Raute wird eine Überschrift, mit Sternchen wird Text fett, mit einem Bindestrich beginnt ein Listenpunkt. Das Ergebnis bleibt als reiner Text lesbar und lässt sich zugleich sauber in formatierte Dokumente umwandeln.

KI-Werkzeuge lieben Markdown, weil es strukturiert und trotzdem leichtgewichtig ist. Fast alle Chatbots geben längere Antworten in Markdown aus, und viele Notiz- und Dokumentationstools verstehen es direkt.

Im Alltag heißt das: Wer eine KI-Antwort mit Überschriften und Listen bekommt, kann sie meist ohne Nacharbeit in Confluence, Notion oder ein Wiki übernehmen.

Ein universelles Datenformat aus Schlüssel-Wert-Paaren – die gemeinsame Sprache, in der Programme und KIs strukturierte Daten austauschen.

JSON (JavaScript Object Notation) ordnet Informationen in Paare aus Bezeichnung und Wert – zum Beispiel „Name: Müller" oder „Betrag: 4000". Diese klare Struktur macht Daten für Programme eindeutig verarbeitbar.

Wenn eine KI nicht nur Text, sondern verwertbare Daten liefern soll – etwa eine Tabelle mit extrahierten Rechnungsposten – bittet man sie um JSON. Andere Systeme können das Ergebnis dann automatisch weiterverarbeiten.

Für Automatisierungen zwischen Tools ist JSON das Rückgrat: Es ist der Umschlag, in dem Daten sauber von einer Anwendung zur nächsten wandern.

Moderne KIs lesen PDFs direkt; OCR (Texterkennung) macht aus Bildern und Scans durchsuchbaren, bearbeitbaren Text.

Ein PDF ist das Standardformat für Dokumente, die überall gleich aussehen sollen. Viele KIs können den Inhalt eines PDFs heute direkt lesen und auswerten – etwa einen Vertrag zusammenfassen oder Kennzahlen aus einem Report ziehen.

OCR steht für optische Zeichenerkennung. Sie verwandelt eingescannte Papierdokumente oder Fotos in echten Text. Erst dadurch werden Belege, Formulare und alte Akten durchsuchbar und automatisch verarbeitbar.

Im Unternehmen ist die Kombination Gold wert: eingescannte Rechnungen per OCR erfassen, die Daten als JSON strukturieren und die Buchung automatisch vorbereiten – ohne Abtippen.

Ein Chatbot ist die KI im Dialogfenster; eine API ist die Schnittstelle, über die dieselbe KI in eigene Programme und Abläufe eingebaut wird – abgerechnet pro Token.

Ein Chatbot wie ChatGPT oder Claude ist die bekannteste Form der KI-Nutzung: Man tippt eine Frage, bekommt eine Antwort. Ideal zum Ausprobieren und für den täglichen Einsatz einzelner Personen.

Eine API (Programmierschnittstelle) bringt dieselbe KI in eigene Software: in den Onlineshop, das CRM oder eine interne App. So kann KI automatisiert im Hintergrund arbeiten, statt dass jemand von Hand tippt.

Über die API wird meist pro verarbeitetem Token bezahlt. Das macht die Kosten planbar und skalierbar – ein wichtiger Baustein, wenn KI vom Spielzeug zum festen Bestandteil der Prozesse werden soll.

Closed-Source-Modelle (GPT, Claude, Gemini) sind meist am stärksten, laufen aber nur beim Anbieter; Open-Source-Modelle (Llama, Mistral) lassen sich selbst betreiben – mit voller Datenkontrolle.

Bei Closed-Source-Modellen bleibt das Innenleben beim Hersteller. Man nutzt sie über dessen Dienst oder API. Vorteil: oft die beste Leistung und keine eigene Technik nötig. Nachteil: Man ist an den Anbieter und dessen Regeln gebunden.

Open-Source-Modelle sind frei verfügbar und lassen sich auf eigener Infrastruktur betreiben. Das gibt volle Kontrolle über Daten und Kosten – besonders relevant für sensible Branchen und den Datenschutz.

Die Faustregel: Wer maximale Leistung ohne Technikaufwand will, greift zu Closed Source. Wer Daten strikt im Haus halten muss oder stark anpassen will, prüft Open Source.

RAG lässt die KI vor dem Antworten in euren eigenen Dokumenten nachschlagen; eine Vektordatenbank ist der Speicher, der dieses inhaltliche Finden möglich macht.

RAG steht für „Retrieval-Augmented Generation". Die Idee: Bevor die KI antwortet, sucht sie in einer Sammlung eurer Dokumente nach passenden Stellen und stützt ihre Antwort darauf. So kann sie auch Firmenwissen nutzen, das nicht in ihrem Training steckte.

Möglich macht das eine Vektordatenbank. Sie speichert Texte nicht nach Stichwort, sondern nach Bedeutung – dadurch findet sie inhaltlich passende Passagen, selbst wenn andere Worte verwendet wurden.

RAG ist eines der wirksamsten Mittel gegen Halluzinationen: Die KI erfindet weniger, weil sie ihre Aussagen an echten, prüfbaren Quellen ausrichtet. Für Firmen-Chatbots auf Basis eigener Handbücher ist es der Standardansatz.

MCP verbindet die KI mit Werkzeugen wie Kalender, CRM oder E-Mail, damit sie handeln kann; Grounding verankert ihre Antworten in prüfbaren Quellen.

MCP (Model Context Protocol) ist ein Standard, über den eine KI mit externen Werkzeugen sprechen kann. Dadurch liest und schreibt sie nicht nur Text, sondern legt Termine an, sucht im CRM oder verschickt kontrolliert E-Mails – nachvollziehbar und mit Freigabe.

Grounding bedeutet, KI-Antworten an belegbaren Quellen zu verankern, statt sie frei formulieren zu lassen. Die KI verweist dann auf das Dokument oder die Datenzeile, aus der eine Aussage stammt.

Zusammen machen beide aus einem Gesprächspartner einen echten Mitarbeiter: einen, der handeln kann (MCP) und dessen Aussagen überprüfbar bleiben (Grounding).

Aus einer Textbeschreibung entstehen Bilder (Midjourney, DALL·E) oder ganze Videoclips (Sora, Runway) – ohne Kamera oder Grafikprogramm.

Man beschreibt in Worten, was zu sehen sein soll – „ein sonniges Café am Meer, Aquarellstil" – und die KI erzeugt dazu ein passendes Bild. Dasselbe Prinzip funktioniert inzwischen für kurze Videos.

Für Marketing und Vertrieb ist das ein enormer Hebel: Werbemotive, Produktvisualisierungen und Social-Media-Clips entstehen in Minuten und in vielen Varianten, ohne Fotoshooting oder Agentur.

Wichtig bleibt der prüfende Blick: Bildrechte, Markenzeichen und die Frage, ob ein Motiv seriös wirkt, entscheidet weiterhin der Mensch.

Text-to-Speech erzeugt natürlich klingende Sprache aus Text; Voice Cloning ahmt eine bestimmte Stimme aus wenigen Minuten Audio nach.

Moderne Text-to-Speech-Systeme klingen kaum noch künstlich. Sie eignen sich für Erklärvideos, Podcasts, Telefonansagen oder Vertonungen – schnell und in vielen Sprachen.

Voice Cloning geht weiter: Aus kurzen Audioaufnahmen wird eine konkrete Stimme nachgebildet. Das eröffnet Chancen, birgt aber klare Risiken.

Deshalb gilt eine feste Regel: Fremde Stimmen ohne ausdrückliche Erlaubnis zu klonen ist tabu – rechtlich heikel und ein gefundenes Fressen für Betrug.

Deepfakes imitieren reale Personen in Bild und Video täuschend echt; Upscaling vergrößert Bilder intelligent und ergänzt fehlende Details.

Deepfakes setzen mit KI Gesichter oder Stimmen so überzeugend zusammen, dass echte und gefälschte Aufnahmen schwer zu unterscheiden sind. Für Betrug – etwa den gefälschten Anruf eines „Geschäftsführers" – sind sie ein reales Risiko, das Medienkompetenz und klare interne Regeln nötig macht.

Upscaling ist die harmlose, nützliche Seite: KI vergrößert kleine oder unscharfe Bilder und rekonstruiert dabei plausibel Details. So werden alte Fotos oder niedrig aufgelöste Produktbilder wieder verwendbar.

Beide zeigen dieselbe Medaille von zwei Seiten: Was Inhalte aufwerten kann, kann auch täuschen. Der bewusste, kritische Umgang ist entscheidend.

Ein KI-Agent plant, handelt, prüft und korrigiert selbstständig, um ein Ziel zu erreichen – statt nur eine einzelne Frage zu beantworten.

Ein klassischer Chatbot reagiert auf jede Eingabe einzeln. Ein KI-Agent bekommt ein Ziel und arbeitet es in mehreren Schritten ab: Er zerlegt die Aufgabe, nutzt Werkzeuge, prüft Zwischenergebnisse und bessert nach, bis das Ziel erreicht ist.

Damit verschiebt sich die Rolle des Menschen: vom Bedienen einzelner Schritte hin zum Formulieren des Auftrags und zur Kontrolle des Ergebnisses.

Agenten sind der Grund, warum KI zunehmend ganze Abläufe übernimmt – von der Recherche über die Datenpflege bis zur Erstellung fertiger Entwürfe.

Beim Agentic Workflow arbeiten mehrere spezialisierte KI-Agenten zusammen: einer plant, einer recherchiert, einer schreibt, einer kontrolliert.

Statt einem Alleskönner verteilt ein Agentic Workflow die Arbeit auf mehrere Agenten mit klaren Rollen. Das erhöht Qualität und Verlässlichkeit, weil jeder Schritt von einem darauf spezialisierten Part erledigt und geprüft wird.

Ein Beispiel: Für einen Marktbericht recherchiert ein Agent Quellen, ein zweiter fasst zusammen, ein dritter prüft die Zahlen, ein vierter formuliert den finalen Text.

Für Unternehmen ist das der Weg von einzelnen KI-Kniffen hin zu robusten, wiederholbaren Prozessen – die Grundlage echter Produktivitätsgewinne.

Tools wie n8n, Make und Zapier verbinden Apps automatisch miteinander, sodass Abläufe ohne manuelles Zutun laufen – zunehmend mit eingebauten KI-Schritten.

Automatisierungstools klinken sich zwischen die Programme, die man ohnehin nutzt. Ein Auslöser (neue E-Mail, neuer Auftrag) startet eine festgelegte Kette von Schritten – ganz ohne Programmieren, per Baukasten.

Mit KI-Schritten werden diese Ketten schlau: Eine eingehende Mail wird automatisch zusammengefasst, kategorisiert und als Aufgabe angelegt, bevor ein Mensch sie überhaupt sieht.

Der Nutzen ist unmittelbar: Wiederkehrende Handgriffe verschwinden, Fehler durch Copy-and-paste sinken, und das Team gewinnt Zeit für die eigentliche Arbeit.

Programmieren per natürlicher Sprache: Man beschreibt, was man will, und die KI (z. B. Cursor, Claude Code) schreibt den Code dazu.

Beim Vibe Coding entsteht Software, indem man sie in Alltagssprache beschreibt. Die KI übersetzt die Beschreibung in funktionierenden Code, den man weiter verfeinert – ganz ohne jahrelange Programmiererfahrung.

Das senkt die Hürde enorm: Landingpages, kleine Tools und Prototypen lassen sich so in Stunden statt Wochen bauen.

Wir selbst bauen unsere Websites und Werkzeuge auf diese Weise. Gerade deshalb wissen wir: Der Skill ist erlernbar – und eröffnet Unternehmen völlig neue Möglichkeiten.

Das weltweit erste umfassende KI-Gesetz. Es teilt Anwendungen in Risikoklassen ein – von verboten bis minimal – und schreibt bereits eine KI-Kompetenzpflicht vor.

Der EU AI Act regelt KI nach ihrem Risiko. Bestimmte Anwendungen (etwa Social Scoring) sind verboten, Hochrisiko-Anwendungen (etwa KI in Bewerbungsverfahren) unterliegen strengen Auflagen, andere brauchen nur eine Kennzeichnung, und die meisten alltäglichen Anwendungen sind kaum reguliert.

Besonders wichtig für Unternehmen: Es gilt bereits eine KI-Kompetenzpflicht. Wer KI einsetzt, muss dafür sorgen, dass die beteiligten Mitarbeitenden ausreichend geschult sind.

Das macht Weiterbildung nicht nur sinnvoll, sondern zur Compliance-Frage – und genau solche Qualifizierung ist über Programme wie das Qualifizierungschancengesetz bis zu 100 % förderfähig.

Bei KI gilt die DSGVO unverändert: Personenbezogene Daten gehören nicht in unsichere Tools; für den Ernstfall braucht es Business-Versionen mit Auftragsverarbeitungsvertrag (AVV).

Auch mit KI gelten die bekannten Datenschutzregeln. Kundendaten, Gehälter oder Verträge dürfen nicht einfach in die kostenlose Version eines beliebigen Chatbots gegeben werden – dort können Eingaben zur Weiterentwicklung des Modells genutzt werden.

Für den Umgang mit echten Unternehmensdaten braucht es Geschäftstarife, bei denen die Daten nicht zum Training verwendet werden, sowie einen Auftragsverarbeitungsvertrag mit dem Anbieter.

Die größere Lücke ist meist nicht die Technik, sondern klare interne Regeln: Wer darf welches Tool wofür nutzen? Wer das festlegt und schult, vermeidet den häufigsten Fehler.

Prompt Injection sind versteckte Anweisungen in Dokumenten oder Webseiten, die eine KI manipulieren; Bias sind systematische Verzerrungen aus einseitigen Trainingsdaten.

Bei einer Prompt Injection verstecken Angreifer Anweisungen in Inhalten, die die KI verarbeitet – etwa in einer Webseite oder einem Dokument. Die KI könnte diese versteckten Befehle befolgen, statt nur die eigentliche Aufgabe zu erledigen. Deshalb sollte man KI nie blind auf ungeprüfte Inhalte loslassen.

Bias bezeichnet Verzerrungen, die aus einseitigen Trainingsdaten stammen. Enthalten die Daten Vorurteile, gibt die KI sie wieder – etwa bei der Vorauswahl von Bewerbungen. Das kann unfair und rechtlich riskant sein.

Beide Risiken zeigen: KI-Ergebnisse sind kein Naturgesetz. Sie brauchen kritische Prüfung – besonders dort, wo Menschen betroffen sind.

Ein Mensch prüft und verantwortet KI-Ergebnisse, bevor sie verwendet werden – die KI unterstützt, der Mensch entscheidet.

Human in the Loop ist das wichtigste Sicherheitsprinzip im KI-Alltag. Weil KI überzeugend klingt, auch wenn sie irrt, braucht es eine menschliche Kontrollinstanz an den entscheidenden Stellen.

Das heißt nicht, jeden Schritt zu misstrauen, sondern die richtigen Kontrollpunkte zu setzen: vor der Veröffentlichung, vor rechtlich oder finanziell relevanten Entscheidungen, vor dem Versand an Kunden.

So verbindet man das Tempo der KI mit der Verantwortung des Menschen – und genau diese Balance ist das Ziel guter KI-Kompetenz.