Es passiert derzeit so viel im Bereich der Künstlichen Intelligenz, dass es schwierig ist, den Überblick zu behalten. Gleichzeitig begegnet man ständig neuen Begriffen: Manche beschreiben die technischen Grundlagen hinter KI-Anwendungen, andere erklären Konzepte oder Phänomene im Zusammenhang mit Künstlicher Intelligenz. In diesem Blogpost möchten wir zentrale Fachbegriffe, die aus unserer Sicht besonders wichtig sind und immer wieder auftauchen, einordnen und verständlich erklären.
Dieses Glossar soll einen schnellen und einfachen Einstieg in zentrale Begriffe ermöglichen. Gleichzeitig steckt hinter jedem Begriff ein viel grösseres Themenfeld mit unterschiedlichen Definitionen, Diskussionen und weiterführenden Konzepten. Deshalb verstehen wir diese Übersicht nicht als vollständig oder abschliessend. Die Begriffe sind thematisch geordnet, da sie aufeinander aufbauen und im Zusammenhang oft leichter verständlich sind.
Künstliche Intelligenz – Grundbegriffe der Technik
In diesem Abschnitt widmen wir uns einigen Grundbegriffen der Künstlichen Intelligenz. Dabei versuchen wir, die wichtigsten Begriffe verständlich zu erklären, ohne sie zu stark zu vereinfachen. Gleichzeitig möchten wir die Zusammenhänge zwischen den einzelnen Konzepten aufzeigen und verständlich darlegen.
Die acht Begriffe dieses Abschnitts bauen aufeinander auf: von Algorithmen und Maschinellem Lernen über Neuronale Netze und Deep Learning bis hin zu Large Language Models und Generativer KI – verbunden durch Natural Language Processing als Brücke zwischen Mensch und KI-Modell.
Künstliche Intelligenz (KI) bezeichnet Technologien, die Computern und Maschinen die Fähigkeit verleihen, menschliche Denk- und Lernprozesse nachzuahmen. Dazu gehören unter anderem das Verstehen, Problemlösen, Treffen von Entscheidungen, kreatives Arbeiten sowie eigenständiges Handeln.
KI-gestützte Anwendungen und Geräte sind in der Lage, Objekte zu erkennen und zu identifizieren, menschliche Sprache zu verstehen und darauf zu reagieren. Sie können aus neuen Informationen und Erfahrungen lernen, detaillierte Empfehlungen für Nutzerinnen, Nutzer und Fachpersonen erstellen sowie Aufgaben autonom ausführen. Dadurch übernehmen sie teilweise Funktionen, die bisher menschliche Intelligenz oder Eingriffe erforderten – ein bekanntes Beispiel dafür sind selbstfahrende Autos.
Quelle: IBM (o.J). What is artificial intelligence (AI)? [21.5.26]
Generative KI, oft auch als «GenKI» bezeichnet, ist eine Form der künstlichen Intelligenz, die neue Inhalte erstellen kann. Dazu gehören zum Beispiel Texte, Bilder, Videos oder Audiodateien. Die Inhalte entstehen auf Basis von Eingaben oder Anfragen der Nutzerinnen und Nutzer.
Solche Systeme werden mit grossen Datenmengen trainiert. Dabei lernen sie Muster, Strukturen und Zusammenhänge aus den vorhandenen Daten. Anschliessend können sie daraus neue Inhalte erzeugen, die den Originaldaten ähneln, aber nicht exakt identisch sind.
Quellen:
IBM (o.J). What is artificial intelligence (AI)? [21.5.26]
Honegger, Beat Döbeli (2025). Warum wir den Begriff «Künstliche Intelligenz» vermeiden sollten. [21.5.26]
Ein Algorithmus ist eine genaue Schritt-für-Schritt-Anleitung zur Lösung eines Problems oder zur Ausführung einer Aufgabe. Er besteht aus einer klaren Abfolge von verständlichen Schritten, endet immer nach einer bestimmten Zeit und führt zu einem Ergebnis. Beispiele dafür sind ein Kochrezept, eine Bauanleitung oder die Routenberechnung eines Navigationssystems.
Auch in der digitalen Welt spielen Algorithmen eine wichtige Rolle. Sie steuern zum Beispiel Suchmaschinen oder soziale Netzwerke. Google nutzt etwa einen komplexen Algorithmus, der entscheidet, welche Webseiten bei einer Suche angezeigt werden und an welcher Stelle sie in den Ergebnissen erscheinen.
Quellen:
Studyflix (o. J.). Algorithmus. [21.5.26]
NDR (o. J.). Was ist ein Algorithmus? Die Leitfrage. [21.5.26]
Natural Language Processing (NLP) ist ein Teilgebiet der Informatik und Künstlichen Intelligenz (KI), das es Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und selbst zu erzeugen. Es ist die Technologie, die hinter Chatbots, Übersetzern und Sprachassistenten steckt.
Dabei kombiniert NLP Methoden der Computerlinguistik mit statistischen Verfahren, maschinellem Lernen und Deep Learning, um Sprache in Text- und Sprachform zu analysieren und zu verarbeiten. Ziel ist es, die Kommunikation zwischen Mensch und Maschine möglichst natürlich und effizient zu gestalten.
Quelle: IBM (o.J.) What is NLP (natural language processing)? [21.5.26]
Maschinelles Lernen (ML), auf Englisch «Machine Learning», ist ein Teilbereich der künstlichen Intelligenz. Dabei werden Computersysteme so trainiert, dass sie selbstständig aus Daten und Erfahrungen lernen können, ohne für jede Aufgabe ausdrücklich programmiert zu werden.
Maschinelles Lernen nutzt Algorithmen, die Muster und Zusammenhänge in grossen Datenmengen erkennen. Auf dieser Grundlage können die Systeme Vorhersagen treffen oder Entscheidungen fällen. Dadurch sind keine festen, von Menschen vorgegebenen Regeln nötig.
Heute bildet maschinelles Lernen die Grundlage vieler moderner KI-Anwendungen. Es wird unter anderem für Prognosemodelle, autonome Fahrzeuge, grosse Sprachmodelle wie ChatGPT oder andere generative KI-Systeme eingesetzt.
Es gibt verschiedene Formen des maschinellen Lernens. Beim sogenannten «Supervised Learning» lernt das System anhand von Beispielen mit vorgegebenen richtigen Antworten. Beim «Unsupervised Learning» erkennt die KI selbstständig Muster in den Daten. Grundsätzlich gilt: Je mehr geeignete Daten zur Verfügung stehen, desto besser kann das System lernen. Weitere wichtige Methoden sind «Reinforcement Learning», bei dem das System durch Belohnungen lernt, sowie «Deep Learning», das mit besonders komplexen neuronalen Netzwerken arbeitet.
Quellen:
IBM (o.J.). What is machine learning? [21.5.26]
SRF (2025). Wichtige Begriffe rund um KI einfach erklärt. [21.5.26]
Ein besonders wichtiger Algorithmus im maschinellen Lernen ist das sogenannte neuronale Netz. Es orientiert sich am Aufbau und an der Funktionsweise des menschlichen Gehirns. Neuronale Netze bestehen aus vielen miteinander verbundenen Knoten, die ähnlich wie Nervenzellen zusammenarbeiten, um Informationen zu verarbeiten.
Diese Systeme sind besonders gut darin, komplexe Muster und Zusammenhänge in grossen Datenmengen zu erkennen. Deshalb werden neuronale Netze heute in vielen Bereichen der künstlichen Intelligenz eingesetzt, zum Beispiel bei Sprachassistenten, Bilderkennung oder generativer KI. Sie gehören zu den wichtigsten und einflussreichsten Technologien im modernen maschinellen Lernen.
Quelle: IBM (o. J.). What is a neural network? [21.5.26]
Deep Learning ist ein Teilbereich der künstlichen Intelligenz und des maschinellen Lernens. Dabei lernen Computer aus sehr grossen Datenmengen, ähnlich wie Menschen aus Erfahrung lernen. Je mehr und je bessere Daten vorhanden sind, desto besser kann das System Muster erkennen und Aufgaben lösen.
Deep-Learning-Systeme arbeiten mit künstlichen neuronalen Netzen, die aus vielen Verarbeitungsschichten bestehen. Dadurch können sie komplexe Informationen analysieren, zum Beispiel Bilder, Sprache oder Texte. Ein Beispiel ist die automatische Erkennung von Katzen auf Bildern: Das System lernt selbstständig typische Merkmale wie Augen, Ohren oder Krallen.
Im Unterschied zu klassischen Machine-Learning-Methoden müssen Merkmale nicht mehr von Menschen vorgegeben werden. Das System erkennt diese eigenständig aus den Daten.
Quelle: NetApp (o.J.). Was ist Deep Learning? [21.5.26]
Grosse Sprachmodelle (Large Language Models, LLMs) sind moderne KI-Systeme, die auf Deep Learning basieren und mit enormen Datenmengen trainiert werden. Dadurch können sie natürliche Sprache verstehen, verarbeiten und selbstständig Texte erzeugen. Sie werden für viele unterschiedliche Aufgaben eingesetzt, beispielsweise zum Übersetzen, Zusammenfassen oder Beantworten von Fragen.
Die Grundlage von LLMs bildet eine spezielle neuronale Netzwerkarchitektur namens Transformer. Diese eignet sich besonders gut dafür, Zusammenhänge und Muster in Texten zu erkennen.
Vereinfacht gesagt funktionieren LLMs wie statistische Vorhersagesysteme: Sie berechnen fortlaufend, welches Wort mit hoher Wahrscheinlichkeit als Nächstes folgt. Durch das Training mit grossen Textmengen lernen sie sprachliche Muster und können dadurch menschenähnliche Sprache erzeugen.
Quelle: IBM (o. J.). What are large language models (LLMs)? [21.5.26]
Begriffe rund um Nutzung Generativer KI
Generative KI schreibt, erklärt, übersetzt und entwirft auf Abruf und in Sekundenschnelle. Dieser Abschnitt beleuchtet zentrale Begriffe rund um die Nutzung generativer KI. Wie formuliere ich eine Anfrage, damit ich eine nützliche Antwort bekomme? Was steckt hinter einem «Prompt»? Und warum erfindet eine KI manchmal einfach Dinge?
Ein Prompt ist eine Eingabe, die du an ein GenKI-Modell gibst, um eine bestimmte Antwort oder Reaktion zu erhalten. Bei Chatbots, Textgeneratoren und Bildgeneratoren ist der Prompt das, was du in das System eingibst, damit die KI dir eine Antwort, ein Bild oder eine andere Art von Output erzeugt.
Einfach gesagt: Der Prompt ist deine Nachricht oder Frage an die KI. Das Wort leitet sich vom englischen Verb «to prompt» ab, das so viel wie «auffordern» oder auch «anregen» bedeutet.
Quelle: Falck (2025). Prompting verstehen. [26.5.26]
Prompt Engineering ist die Art und Weise, Anfragen an KI-Modelle so zu formulieren, dass sie optimale Ergebnisse liefern. Es ist ein wichtiger Hebel, um die Qualität von Ausgaben zu verbessern, ohne das Modell selbst zu ändern.
Kurz gesagt: Wer lernt, wie man besonders gute Prompts schreibt, betreibt Prompt Engineering. Die Grundregel lautet: Guter Prompt = Gutes Ergebnis. Je klarer und präziser ein Prompt formuliert ist, desto genauer und effektiver liefert die KI ihre Antworten.
Quelle: Falck (2025). Prompting verstehen. [26.5.26]
Eine Halluzination tritt auf, wenn ein KI-Sprachmodell Informationen erzeugt, die nicht auf realen Fakten oder Beweisen beruhen. Das kann fiktive Ereignisse, falsche Daten oder irrelevante Ergebnisse umfassen.
Die KI erfindet also Dinge – nicht aus Absicht, sondern weil sie darauf trainiert ist, immer eine plausibel klingende Antwort zu liefern. Solche Halluzinationen können in kritischen Bereichen schwerwiegende Folgen haben, wenn falsche Informationen für wahr gehalten werden.
Quelle:
Siebert (2025). Halluzinationen von generativer KI und großen Sprachmodellen (LLMs). [26.5.26]
TTIM (2026). Halluzinations-Vergleich: Welches Gen KI-Tool erfindet die meisten Informationen? [26.5.26]
Bias in der KI bezeichnet systematische Fehler oder Vorurteile in der Ausgabe eines KI-Systems. Diese Verzerrungen können zu unfairen, ungerechten oder diskriminierenden Ergebnissen führen, die oft bestimmte Gruppen oder Bevölkerungsgruppen benachteiligen.
Woher kommt das? Da KI anhand der bislang von Menschen geschaffenen Daten trainiert wird, übernimmt sie auch deren Vorurteile. Zu den Ursachen gehören nicht-repräsentative Trainingsdaten, fehlerhafte Algorithmen und kognitive Verzerrungen der Entwicklerinnen und Entwickler.
Beispiel: KI-Bildgeneratoren stellen Berufe wie Arzt, Rechtsanwalt oder CEO häufig als weisse Männer dar – nicht weil das der Realität entspricht, sondern weil die Trainingsdaten entsprechende Stereotype enthalten.
Quelle: Haas (2024). Bias vermeiden: Künstliche Intelligenz richtig steuern. [26.5.26]
AI-Agents lassen sich am einfachsten als autonome Softwareprogramme beschreiben, die Aufgaben verstehen, planen und erledigen können. Sie nutzen die Sprachfähigkeiten von LLMs, sind aber nicht auf reine Konversation beschränkt. Sie können Datenquellen anzapfen, externe Tools bedienen, mit anderen Agenten kooperieren und ihr Verhalten dynamisch anpassen. Ihr Handeln folgt dabei einem Zyklus, der stark an menschliches Problemlösen erinnert: Wahrnehmen, planen, handeln und aus den Rückmeldungen lernen. Während ein klassischer Chatbot etwa nur auf eine Anfrage reagiert, könnte ein Agent proaktiv Termine koordinieren, Lernmaterial erstellen oder automatisch Feedback zu Hausaufgaben geben.
Typische Eigenschaften von AI Agents sind:
Autonomie: Sie treffen Entscheidungen und führen Handlungen ohne ständige menschliche Eingaben aus.
Zielorientierung: Sie verfolgen klar definierte Ziele, etwa «Reise buchen» oder «E-Mail beantworten».
Umgebungsinteraktion: Sie können APIs, Datenbanken oder externe Tools nutzen.
Adaptivität: Sie passen ihr Verhalten an neue Informationen oder Rückmeldungen an.
AI Agents sind die nächste Stufe der KI-Nutzung, die über reine Chatbots hinausgeht und zunehmend selbstständige Handlungsfähigkeit zeigt. Viele grosse Tech-Unternehmen bringen bereits Lösungen auf den Markt, und Open-Source-Communities treiben Experimente wie Multi-Agent-Systeme stark voran.
Quelle: TTIM (2025). Von reaktiven LLMs zu proaktiven AI-Agents. [26.5.26]
Tokens sind die kleinsten Einheiten, in die ein KI-Sprachmodell Text zerlegt – vergleichbar mit Puzzleteilen. Ein Token kann ein ganzes Wort, ein Wortteil oder ein Satzzeichen sein. Faustregel in englischer Sprache: 1 Token ≈ 4 Zeichen.
Das ist in der Praxis wichtig aus zwei Gründen:
- Gedächtnis: Jedes Modell kann nur eine begrenzte Anzahl Tokens auf einmal «im Kopf behalten». Bei sehr langen Gesprächen vergisst es irgendwann den Anfang der Unterhaltung und dessen Kontext.
- Kosten: Wer KI-Dienste wie ChatGPT in eigene Software oder Websites einbindet (über API-Schnittstelle), bezahlt meist nach Anzahl der verarbeiteten Tokens: Je mehr Text ein- und ausgegeben wird, desto teurer.
Quellen:
OpenAI (2026). Was sind Token und wie zählt man sie? [26.5.26]
AI Handwerk (o. J.). Was bedeutet Token & Tokens (KI/AI)? [26.5.26]
Wir hoffen, dass diese kleine Übersicht einen hilfreichen Überblick in die Welt der KI-Begriffe bietet. Welche Begriffe fehlen aus deiner Sicht? Schreibe es in die Kommentare, wir nehmen Anregungen gerne auf.
Weitere Quellen:
Brockhaus (o.J.). Enzyklopädie. [21.5.26]
Coursera (2025). Glossar zur künstlichen Intelligenz: Lernen Sie diese KI Begriffe. [21.5.26]
Honegger, Beat Döbeli (2026). Beats Biblionetz. [21.5.26]
Spektrum der Wissenschaft (o. J.). Online Lexika. [21.5.26]
SRF (2024). Wichtige Begriffe rund um KI einfach erklärt. [21.5.26]
Systecs (2024). Navigieren im KI-Dschungel: Klarheit über GenAI, LLMs und Co. [21.5.26]