Während die einen sich noch freuen, einen besonders cleveren Prompt in ChatGPT formuliert zu haben, arbeiten andere längst mit der Indexierung eigener Dokumente im RAG ihrer unternehmensinternen CompanyGPT-Instanz. Und wieder andere schauen auf Begriffe wie „Agentic AI", „Embeddings" oder „MCP" – und sehen nur ein weiteres Feld im Buzzword-Bingo.
Schluss damit, hier ist, was die Begriffe wirklich bedeuten:
Generative KI (Generative AI)
KI-Systeme, die neue Inhalte erzeugen – Texte, Bilder, Videos, Audio oder Code. Das Herzstück hinter ChatGPT, Midjourney & Co. Generative KI ist der Überbegriff für das, worüber derzeit die meisten sprechen.
LLM – Large Language Model
Die technische Basis hinter ChatGPT, Claude, Gemini und Co. Große Sprachmodelle werden auf riesigen Mengen an Textdaten trainiert und können Sprache verstehen, generieren und übersetzen. Wenn jemand „das Modell" sagt – ist in der Regel ein LLM gemeint.
Foundation Model
Der Oberbegriff – und damit eine Ebene größer als das LLM. Ein Foundation Model ist jedes große, auf breiten Datensätzen vortrainierte Basismodell. Es kann auf Sprache spezialisiert sein – dann ist es auch ein LLM. Aber genauso kann ein Foundation Model Bilder, Audio oder Code verarbeiten. Kurz: Jedes LLM ist ein Foundation Model, aber nicht jedes Foundation Model ist ein LLM.
Ein konkretes Beispiel: LLaMA ist das Open-Source-Foundation-Model von Meta – ein großes Sprachmodell, das frei verfügbar unter bestimmter Lizenz und lokal betreibbar für eigene Zwecke angepasst werden kann. Anders als GPT oder Claude läuft es nicht zwingend über eine externe Cloud.
Prompt / Prompt Engineering
Ein Prompt ist die Eingabe, die man einem KI-Modell gibt. Prompt Engineering ist die Kunst, diese Eingaben so zu formulieren, dass die KI präzise und hochwertige Ergebnisse liefert. Was wie eine Kleinigkeit klingt, ist in der Praxis eine echte Kompetenz.
RAG – Retrieval-Augmented Generation
Klingt komplex – ist aber logisch: RAG verbindet ein LLM mit einer eigenen Wissensbasis. Das Modell durchsucht relevante Dokumente – zum Beispiel interne PDFs oder Datenbanken – und generiert darauf basierend Antworten. Statt allgemeinem Weltwissen antwortet die KI mit firmeneigenem Kontext. Das ist die Grundlage für CompanyGPTs und interne Wissenssysteme.
Vektordatenbank (Vector Database)
Die technische Grundlage von RAG: Texte werden in mathematische Vektoren – sogenannte Embeddings – umgewandelt und so gespeichert, dass die KI blitzschnell relevante Inhalte findet. Stell es dir als ein außerordentlich intelligentes Suchsystem vor.
Agenten (AI Agents)
KI, die nicht nur antwortet – sondern handelt. Agenten können eigenständig Aufgaben planen, Tools nutzen, Entscheidungen simulieren und mehrstufige Prozesse ausführen – ohne dass bei jedem Schritt ein Mensch eingreifen muss. Sie werden oft als nächster Evolutionsschritt gesehen nach dem Chatbot.
Agentic KI (Agentic AI)
Der Oberbegriff für KI-Systeme, die autonom agieren. Agentic AI geht weit über das reine „Fragen und Antworten" hinaus – sie plant, koordiniert und führt aus. Multi-Agent-Systeme, in denen mehrere spezialisierte Agenten zusammenarbeiten, sind bereits Realität.
Fine-Tuning
Das gezielte Nachtraining eines Foundation Models auf spezifischen Daten – etwa auf Branchenvokabular, Unternehmenstexten oder konkreten Aufgabenstellungen. Das Ergebnis: eine KI, die nicht nur allgemein gut ist, sondern für einen bestimmten Zweck optimiert.
Multimodale KI (Multimodal AI)
KI, die nicht nur Text versteht – sondern auch Bilder, Audio, Video und Code. Aktuelle Modelle wie GPT-4o oder Gemini sind bereits multimodal. Das eröffnet völlig neue Einsatzfelder – auch in der Eventbranche.
Human-in-the-Loop
Das Prinzip, bei dem ein Mensch an kritischen Stellen im KI-Prozess die Kontrolle behält und Entscheidungen validiert. Kein blindes Vertrauen – sondern kluge Zusammenarbeit zwischen Mensch und Maschine.
Halluzination (Hallucination)
Wenn eine KI etwas erfindet, das schlicht falsch ist – aber mit vollster Überzeugung. Das ist kein klassischer Bug, sondern ein systemimmanentes Risiko großer Sprachmodelle. Deshalb gilt: Human-in-the-Loop ist kein optionales Feature, sondern eine Notwendigkeit.
Token
Die Abrechnungseinheit der KI-Welt. Grob vereinfacht: Ein Token entspricht etwa einem kurzen Wort oder Wortfragment. Modelle verrechnen, wie viele Tokens sie verarbeiten – sowohl die Eingabe als auch die Antwort zählen. Entscheidend für Kosten und Budgetplanung: Kleinere, effizientere Modelle kosten weniger pro Token – nicht weil sie weniger verstehen, sondern weil sie mit geringerem Rechenaufwand arbeiten. Für viele Standardaufgaben sind sie deshalb oft die klügere – und günstigere – Wahl.
MCP – Model Context Protocol
Ein offenes Protokoll, das es KI-Agenten ermöglicht, standardisiert mit externen Tools, Daten und Systemen zu interagieren. Quasi die gemeinsame Sprache, mit der Agenten mit der digitalen Welt kommunizieren. Noch relativ neu – aber bereits ein wichtiger Baustein moderner Agenten-Architekturen.
API (Application Programming Interface)
Die Schnittstelle, über die Softwaresysteme miteinander kommunizieren. KI-APIs ermöglichen es, Sprachmodelle direkt in eigene Anwendungen oder Unternehmenstools zu integrieren – ohne eigene Modelle trainieren zu müssen.
Open Source vs. Closed Source
Eine wichtige Unterscheidung – gerade für Unternehmen. Manche Modelle sind frei zugänglich und können lokal betrieben werden – zum Beispiel LLaMA von Meta oder Mistral: kein Abo, keine API-Kosten, die Daten verlassen das eigene System nicht.
Andere Modelle sind proprietär und werden als Dienst angeboten – zum Beispiel GPT von OpenAI, Claude von Anthropic oder Gemini von Google: teils kostenlos mit Nutzungslimits, teils kostenpflichtig je nach Volumen und Modellgröße. Die Wahl ist keine rein technische, sondern eine strategische Entscheidung – mit direkten Auswirkungen auf Datenschutz, Kontrolle, Flexibilität und Kosten.
Und was bedeutet das für unsere Industrie?
Wer heute noch denkt, das seien alles Begriffe für Entwickler:innen und Tech-Nerds, unterschätzt, wie grundlegend sich unsere Branche gerade verändert.
Ich sehe es bei unseren Kunden, ich sehe es in unseren eigenen Teams: RAG ist nicht mehr nur ein technical Konzept – es ist die Grundlage dafür, wie Unternehmen ihr Wissen intern verfügbar machen. LLMs sind längst keine Spielzeuge mehr – sie sind operative Infrastruktur. Und KI-Agenten werden schon bald nicht die Ausnahme sein, sondern die Regel.
Diese Begriffe entscheiden bald, wer am Tisch sitzt – und wer draußen wartet. Wer sie kennt, spielt mit. Wer sie ignoriert, schaut zu.
