KI-Glossar: die wichtigsten KI-Begriffe erklärt

Zuletzt inhaltlich geprüft und aktualisiert: · neu: Entität und JARVIS

Rund um generative KI entsteht gerade ein eigenes Vokabular: Manche Wörter beschreiben Technik, andere Verhalten, und einige sind vor allem Schimpfwörter. Dieses Glossar erklärt die Begriffe, die mir in Kursen, im Marketing und in der täglichen Arbeit mit KI begegnen.

Ich unterrichte KI und Online-Marketing in der beruflichen Weiterbildung. Jeder Eintrag beginnt mit einer Definition in ein bis zwei Sätzen, nennt die Herkunft, wo sie belegt ist, und verweist auf den ausführlichen Beitrag. Bei jungem Internet-Slang kann sich die Bedeutung noch verschieben, deshalb steht oben das Datum der letzten Prüfung.

Alexander Posselt sitzt nachdenklich auf einem Hocker, umgeben von Comic-Sprechblasen mit KI-Begriffen wie AI Slop, Meat Proxy, Context Rot und Vibe Coding

Schnellübersicht

Grundlagen und Modelle

Foundation Model

Ein Foundation Model ist ein großes KI-Modell, das auf sehr breiten Daten trainiert wurde und sich danach für viele verschiedene Aufgaben anpassen lässt. Geprägt hat den Begriff ein Bericht des Stanford Center for Research on Foundation Models (Rishi Bommasani und andere, August 2021). GPT, Claude, Gemini oder Llama sind solche Basismodelle, auf denen Chatbots und Fachanwendungen aufsetzen. Die KI-Verordnung spricht von „KI-Modellen mit allgemeinem Verwendungszweck“.

Quelle: Stanford CRFM: On the Opportunities and Risks of Foundation Models.

Frontier Model

Ein Frontier Model ist ein KI-Modell an der vordersten Leistungsgrenze, also eines der jeweils fähigsten Modelle seiner Zeit. Geprägt hat den Begriff vor allem das Frontier Model Forum, das Anthropic, Google, Microsoft und OpenAI im Juli 2023 gegründet haben. Es versteht darunter ein Allzweckmodell, das in gängigen Benchmarks oder Risikoprüfungen alle Modelle übertrifft, die seit mindestens zwölf Monaten breit im Einsatz sind. Der Titel ist also eine Leihgabe. Jedes Frontier Model ist damit ein Foundation Model, aber nur die wenigsten Foundation Models sind Frontier Models. Die KI-Verordnung zieht eine ähnliche Linie bei Modellen mit systemischem Risiko, die unter anderem ab 10²⁵ Rechenoperationen im Training angenommen werden.

Quelle: Frontier Model Forum: About us, Microsoft: Gründung des Frontier Model Forum (26. Juli 2023).

LLM (Sprachmodell)

Ein LLM (Large Language Model) oder Sprachmodell ist ein KI-Modell, das auf riesigen Textmengen trainiert wurde und daraus lernt, welches Token wahrscheinlich als Nächstes folgt. So kann es Texte schreiben, zusammenfassen, übersetzen und Code erzeugen. Die meisten beruhen auf der Transformer-Architektur, ebenso die GPT-Modelle. ChatGPT, Claude und Gemini sind Anwendungen, hinter denen solche Modelle stehen. Welches Modell darin wofür taugt, steht in Welches KI-Modell nehmen? Viele LLMs sind Foundation Models, und wie viel sie auf einmal verarbeiten, bestimmt das Kontextfenster. Weil ein LLM Wahrscheinlichkeiten berechnet und keine Fakten nachschlägt, kann es sich irren; das nennt man Halluzination.

Quelle: Zhao u. a.: A Survey of Large Language Models.

GPT (Generative Pre-trained Transformer)

GPT steht für Generative Pre-trained Transformer und ist der Name einer Modellfamilie von OpenAI, die 2018 mit dem ersten GPT begann. Jedes Wort beschreibt eine Eigenschaft. „Generative“ heißt, dass das Modell neue Inhalte erzeugt, etwa Text, statt nur Vorhandenes zu sortieren. „Pre-trained“ (vortrainiert) heißt, dass es zuerst auf sehr großen Datenmengen ein allgemeines Sprachverständnis lernt (Trainingsdaten) und erst danach für Aufgaben angepasst wird. Der Transformer ist die zugrunde liegende Architektur. Das „Chat“ in ChatGPT bezeichnet die Dialog-Oberfläche: ChatGPT ist die Anwendung, GPT das Modell dahinter. Weil der Name so bekannt ist, wird GPT umgangssprachlich oft für Sprachmodelle allgemein verwendet, ungefähr so, wie man Tempo sagt und irgendein Taschentuch meint.

Quelle: OpenAI: Improving Language Understanding with Unsupervised Learning.

Transformer

Der Transformer ist eine Architektur für neuronale Netze, die Forschende von Google 2017 im Paper „Attention Is All You Need“ vorgestellt haben. Ihr Kern ist der Aufmerksamkeitsmechanismus (Attention): Beim Verarbeiten eines Tokens gewichtet das Modell, welche anderen Tokens im Kontextfenster dafür wichtig sind, und es kann alle Tokens parallel verarbeiten. Das macht das Training auf riesigen Datenmengen praktikabel. Fast alle heutigen LLMs bauen auf dieser Architektur auf, darunter die GPT-Modelle.

Quelle: Vaswani u. a.: Attention Is All You Need (arXiv).

Token

Ein Token ist die kleinste Texteinheit, in die ein Sprachmodell Ein- und Ausgaben zerlegt, oft ein Wortteil statt eines ganzen Wortes. Als Faustregel nennt OpenAI für englischen Text etwa vier Zeichen oder drei Viertel eines Wortes pro Token, in anderen Sprachen weicht das ab. Tokens bestimmen, wie viel in das Kontextfenster passt und was eine Anfrage kostet.

Quelle: OpenAI: What are tokens and how to count them?. Mehr dazu: Mein Rechner, mein Projekt, mein Verbrauch.

Kontextfenster

Das Kontextfenster ist die Menge an Tokens, die ein Sprachmodell in einer Anfrage gleichzeitig verarbeiten kann: Prompt, bisheriger Gesprächsverlauf und angehängte Dokumente. Was nicht mehr hineinpasst, sieht das Modell nicht. Die Grenze unterscheidet sich je nach Modell, und ein großes Fenster heißt nicht, dass das Modell alles darin gleich gut nutzt.

Quelle: OpenAI: What are tokens and how to count them?.

Trainingsdaten

Trainingsdaten sind die Texte, Bilder, Code und anderen Daten, aus denen ein KI-Modell beim Training seine Muster lernt. Mit ihnen endet auch das Wissen des Modells: Was danach passiert ist, kennt es nur, wenn man es ihm im Kontext mitgibt, etwa über eine Suche oder Dokumente. KI-Firmen zahlen inzwischen für exklusive Datenbestände wie Bewertungen, Korrespondenz oder Transaktionsdaten.

Mehr dazu: Proprietäre Daten: Warum KI-Firmen jetzt für das bezahlen, was nicht im Netz steht.

Proprietäre Daten

Proprietäre Daten sind Daten, die einem Unternehmen gehören und nicht frei im Netz stehen: Kundenbewertungen, interne E-Mails und Chats, Verträge oder Fachdatenbanken. Für KI-Firmen werden sie interessant, weil exklusive Daten einen Vorteil gegenüber Modellen versprechen, die nur auf offen verfügbaren Texten lernen (Trainingsdaten). Deshalb lizenzieren Unternehmen ihre Daten inzwischen an KI-Anbieter, zum Beispiel Yelp seine Bewertungen an OpenAI.

Mehr dazu: Proprietäre Daten: Warum KI-Firmen jetzt für das bezahlen, was nicht im Netz steht.

Open Source (KI)

Open Source bedeutet bei KI mehr als frei verfügbare Gewichte. Nach der Open Source AI Definition der Open Source Initiative (Version 1.0, Oktober 2024) müssen drei Dinge offenliegen: die Gewichte, der vollständige Code für Training und Betrieb sowie Angaben zu den Trainingsdaten, die so detailliert sind, dass eine fachkundige Person ein im Wesentlichen gleichwertiges System nachbauen könnte. Die Daten selbst müssen nicht veröffentlicht werden. An der dritten Bedingung scheitern fast alle bekannten Modelle: Llama, Gemma und Qwen gelten deshalb als Open Weight. Ein Beispiel, das die Kriterien erfüllt, ist OLMo vom Allen Institute for AI. Im Marketing steht „Open Source“ trotzdem oft für Modelle, bei denen nur die Gewichte offen sind. Dort ist das Wort eher Gütesiegel als Beschreibung.

Quelle: Open Source Initiative: The Open Source AI Definition 1.0

Open Weight

Open Weight bezeichnet KI-Modelle, deren trainierte Gewichte frei heruntergeladen werden können. Die Gewichte sind die Zahlenwerte, die ein Modell im Training gelernt hat. Wer sie hat, kann das Modell auf eigener Hardware oder bei einem Anbieter seiner Wahl betreiben und nachtrainieren. Trainingsdaten und Trainingscode bleiben dabei meist unter Verschluss, deshalb ist Open Weight nicht dasselbe wie Open Source. Beispiele sind DeepSeek V4 (MIT-Lizenz), Qwen von Alibaba (Apache 2.0) und Llama 4 von Meta (eigene Lizenz mit Einschränkungen). Was erlaubt ist, entscheidet die Lizenz. Und offen heißt nicht kostenlos: Für den Betrieb braucht es eigene Hardware oder einen bezahlten Anbieter.

Quelle: Tech Insider: Best Open Source LLM 2026

Mehr dazu: KI-Abos 2026: Der Preis bleibt, die Flatrate verschwindet.

Halluzination

Eine Halluzination liegt vor, wenn ein Sprachmodell etwas Falsches oder Erfundenes überzeugend formuliert, etwa eine Quelle, ein Zitat oder eine Zahl, die es so nicht gibt. Der Grund: Das Modell erzeugt plausibel klingende Texte, es prüft nicht, ob sie stimmen. Weniger Halluzinationen gibt es, wenn das Modell mit überprüfbaren Quellen arbeitet (Grounding) und ein Mensch das Ergebnis kontrolliert (Human in the Loop). Ganz ausschließen lassen sie sich bisher nicht.

Quelle: Huang u. a.: A Survey on Hallucination in Large Language Models.

Mehr dazu: KI und Urteilskraft: Die wichtigste KI-Kompetenz ist nicht Prompting.

Prompt Engineering

Prompt Engineering heißt, Anweisungen an ein KI-Modell so zu formulieren, dass das Ergebnis brauchbar wird. Der Name klingt nach Ingenieurskunst, im Alltag ist es vor allem ein gutes Briefing, wie man es auch einer Agentur geben würde. Dazu gehören ein klares Ziel, Kontext, Beispiele für das gewünschte Ergebnis, Vorgaben zu Format und Länge und das schrittweise Nachschärfen. Wie viel das Modell dabei berücksichtigen kann, begrenzt das Kontextfenster. Geht es um die gesamte Informationsumgebung statt um den einzelnen Prompt, spricht man auch von Context Engineering.

Quelle: Anthropic: Prompt engineering overview.

Mehr dazu: Power Prompts für PromptPower: Prompt-Beispiele, die im Alltag wirklich etwas bringen.

Credits

Credits sind Guthabeneinheiten, mit denen ein KI-Anbieter die Nutzung seiner Dienste abrechnet. Du kaufst beispielsweise ein Guthaben oder bekommst es mit deinem Abo. Wie viele eine Aufgabe verbraucht, legt jeder Anbieter selbst fest. Ich erfahre es meist, wenn keine mehr übrig sind.

Mehr dazu: Keine Credits, aber noch tausend Ideen und KI-Abos 2026: Der Preis bleibt, die Flatrate verschwindet.

Qualität und Verhalten

AI Slop

AI Slop (auf Deutsch auch KI-Müll) bezeichnet massenhaft erzeugte KI-Inhalte ohne erkennbaren Anspruch: Bilder mit sechs Fingern, Texte, die nach nichts klingen, Videos mit sprechenden Katzen. Merriam-Webster hat „slop“ zum Wort des Jahres 2025 gewählt. Ich nutze den Begriff für schlechten Content, nicht für Menschen, die sich professionelle Gestaltung schlicht nicht leisten konnten.

Mehr dazu: AI Slop? Als hätten Menschen vorher nur Meisterwerke produziert. Quelle: Merriam-Webster, Word of the Year 2025.

Workslop

Workslop sind KI-generierte Arbeitsergebnisse, die wie gute Arbeit aussehen, inhaltlich aber wenig taugen und die eigentliche Arbeit auf die Empfängerin oder den Empfänger verlagern. Die Arbeit wechselt dabei nur den Schreibtisch. Der Begriff stammt von Forschenden von BetterUp Labs und dem Stanford Social Media Lab (Harvard Business Review, September 2025).

Mehr dazu: Workslop: Wenn KI-Arbeit nur nach Arbeit aussieht.

Meat Proxy

Ein Meat Proxy ist ein Mensch, der Fragen an eine KI weitergibt und deren Antworten weiterleitet, ohne sie selbst zu lesen, zu prüfen oder zu verstehen. Verbreitet hat den Begriff der Softwareentwickler Niklas Gruhn mit seinem Essay „Don’t be a meat proxy“ vom 3. August 2026. Seine Regel: KI ruhig nutzen, aber das Ergebnis lesen, verstehen, prüfen und dann in eigenen Worten antworten. Gemeint ist also ein Verhalten, kein Menschentyp. Es ist junger Internet-Slang, die Verwendung verschiebt sich noch.

Quelle: Niklas Gruhn: Don’t be a meat proxy, Business Insider zum Begriff. Mehr dazu: Meat Proxy: Warum KI-Etiketten Diskussionen beenden.

Clanker

Clanker ist ein abwertender Slangbegriff für Roboter und KI-Systeme, inzwischen auch für Chatbots wie ChatGPT. Er stammt aus Star Wars, wo Klonsoldaten die Kampfdroiden nach dem Geräusch, das sie machen, so nennen, und verbreitete sich im Sommer 2025 über TikTok und Instagram. US-Senator Ruben Gallego warb mit dem Wort sogar für einen Gesetzentwurf, der Kundinnen und Kunden ein Gespräch mit einem Menschen statt mit einer KI sichern soll. Dass eine Technik einen abwertenden Spitznamen bekommt, zeigt: Sie ist im Alltag angekommen und stößt dort auf Reibung. Wie bei Meat Proxy sagt das Etikett mehr über die Sorge vor KI als über die Technik.

Quelle: NPR: Clanker, Word of the Week. Mehr dazu: Meat Proxy: Warum KI-Etiketten Diskussionen beenden und mein LinkedIn-Beitrag Maschinensturm hat einen neuen Namen: Clanker (1. März 2026).

Cognitive Debt

Cognitive Debt (kognitive Schulden) beschreibt, dass man mit KI zwar schneller Ergebnisse erzeugt, sie aber weniger durchdringt und die fehlende Denkarbeit später als schwächeres Verständnis zurückzahlt. Der Begriff geht auf das Preprint „Your Brain on ChatGPT“ des MIT Media Lab zurück (Kosmyna et al., Juni 2025). In der kleinen Studie schrieben 54 Teilnehmende Aufsätze; die Ergebnisse sind ein Hinweis, kein Beweis.

Quelle: Zusammenfassung bei Egor Fedorov.

Human in the Loop

Human in the Loop bedeutet: Der Mensch formuliert Ziel und Kontext, die KI unterstützt, und der Mensch prüft, korrigiert, entscheidet und übernimmt die Verantwortung. Nach diesem Prinzip unterrichten wir auch bei MOD education. Wer Ergebnisse nur durchreicht, sitzt zwar auch in der Schleife, allerdings als Kabel; im Glossar steht er unter Meat Proxy.

Mehr dazu: KI und Urteilskraft: Die wichtigste KI-Kompetenz ist nicht Prompting.

Bias

Bias bedeutet Verzerrung: Ein KI-System behandelt Gruppen, Themen oder Perspektiven systematisch ungleich. Ursachen sind meist einseitige oder lückenhafte Trainingsdaten, aber auch Entscheidungen bei der Entwicklung und der Einsatz in einem Zusammenhang, für den das System nicht gedacht war. Das US-amerikanische National Institute of Standards and Technology (NIST) unterscheidet deshalb statistische, menschliche und systemische Verzerrungen. Bias fällt oft erst auf, wenn man Ergebnisse gezielt prüft, etwa bei der Bewerberauswahl oder bei Bildern. Das Erkennen von Verzerrungen gehört darum zur KI-Kompetenz.

Quelle: NIST: Towards a Standard for Identifying and Managing Bias in Artificial Intelligence (SP 1270).

Mehr dazu: KI-Kurse im Praxistest: „KI und Diversität“ der Hamburg Open Online University.

Digitaler Zwilling

Ein digitaler Zwilling ist eine digitale Nachbildung einer realen Person, eines Objekts oder eines Prozesses. Der Begriff stammt aus der Industrie, wo Maschinen virtuell abgebildet werden. In der KI-Welt meint er zunehmend Avatare von Menschen, die mit deren Texten, Kursen oder Stimme trainiert sind und in ihrem Namen antworten, zum Beispiel digitale Zwillinge von Lehrkräften. Als Dozent verfolge ich das mit einem gewissen beruflichen Interesse. Offen bleiben Fragen zu Einwilligung, Verantwortung und Transparenz; hier kann auch die KI-Kennzeichnungspflicht greifen.

Mehr dazu: Ich bin KI-Dozent und unterrichte, was mich ersetzen könnte.

Programmieren mit KI

Vibe Coding

Vibe Coding heißt, Software zu bauen, indem man einem Sprachmodell beschreibt, was entstehen soll, und den erzeugten Code dabei nicht liest. Der Begriff stammt von Andrej Karpathy (Februar 2025). Martin Fowler trennt davon das Agentic Programming, bei dem der Code geprüft wird, auch wenn im Alltag beides vermischt wird. Für Wegwerfprojekte taugt Vibe Coding, bei Software mit Folgen nicht ohne Kontrolle.

Quelle: Martin Fowler: Vibe Coding.

Coding Agent

Ein Coding Agent ist ein KI-Agent, der Software nicht nur vorschlägt, sondern selbst bearbeitet: Er liest ein Projekt, ändert Dateien, führt Befehle und Tests aus und korrigiert sich anhand der Ergebnisse. Bekannte Beispiele sind Claude Code von Anthropic und Codex von OpenAI. Man kann mit einem Coding Agent vibe-coden. Man kann auch hinterher lesen, was er geändert hat; das ist mühsamer und heißt dann Agentic Programming. Verantwortlich bleibt der Mensch.

Quelle: Anthropic: Claude Code overview, OpenAI: Codex.

Mehr dazu: KI-Kurse im Praxistest: Fünf Claude-Kurse von Anthropic.

GitHub

GitHub ist eine Plattform, auf der Projekte mit der Versionsverwaltung Git online gespeichert, geteilt und gemeinsam bearbeitet werden. Git entstand 2005 in der Linux-Community um Linus Torvalds und hält fest, wer wann welche Datei geändert hat. GitHub legt solche Projekte als Repositorys in die Cloud und ergänzt Werkzeuge für die Zusammenarbeit, seit 2018 gehört die Plattform zu Microsoft. Gedacht war das für Code. In der Arbeit mit KI liegen dort inzwischen auch Texte, Regeln und Skills, und Coding Agents arbeiten direkt in diesen Projekten.

Quelle: GitHub Docs: About GitHub and Git, Pro Git: A Short History of Git, Microsoft: Microsoft completes GitHub acquisition.

GitHub-Repository (Repo)

Ein GitHub-Repository, kurz Repo, ist ein Projektordner auf GitHub, der alle Dateien eines Projekts samt ihrer Änderungsgeschichte enthält. Jede Änderung wird als Commit mit Zeitpunkt, verantwortlicher Person und kurzer Begründung gespeichert, ältere Fassungen lassen sich jederzeit zurückholen. Ein Repo kann öffentlich oder privat sein. Wer mit mehreren KI-Werkzeugen arbeitet, hat damit eine Quelle, aus der alle lesen, statt mehrerer Kopien, die auseinanderlaufen.

Quelle: GitHub Docs: About repositories.

Mehr dazu: KI nutzen in sechs Stufen: Vom Chat zum Agenten.

Agenten und Protokolle

KI-Agent (Agentic AI)

Ein KI-Agent ist ein System, das auf Basis eines Sprachmodells ein Ziel selbstständig in Schritte zerlegt, Werkzeuge nutzt und das Ergebnis prüft, statt nur eine einzelne Antwort zu liefern. Er kann zum Beispiel recherchieren, Dateien bearbeiten, Programme aufrufen oder Formulare ausfüllen. Agentic AI bezeichnet den Ansatz insgesamt: KI, die handelt und nicht nur antwortet. Für die Anbindung an Werkzeuge und andere Agenten gibt es Protokolle wie MCP und A2A; kritische Schritte sollte ein Mensch freigeben (Human in the Loop).

Quelle: Anthropic: Building effective agents.

Mehr dazu: MCP, WebMCP & A2A: Wie KI-Agenten Zugriff auf die digitale Welt bekommen, KI-Kurse im Praxistest: Agentic AI vom KI-Campus.

KI-Assistent

Ein KI-Assistent ist eine KI im Chatfenster, die auf jede Anweisung einzeln antwortet und dann auf die nächste wartet. Du gibst jeden Schritt vor und behältst die Kontrolle; ohne dich passiert nichts. Vom KI-Agenten unterscheidet ihn, dass er den Weg zum Ergebnis nicht selbst wählt. Die Grenze ist fließend: Ein Chat mit Websuche und Konnektoren erledigt innerhalb einer Antwort schon mehrere Schritte selbst.

JARVIS

JARVIS ist in der KI-Szene der Sammelname für einen persönlichen KI-Agenten, der Mails, Kalender und Dateien kennt, sich an frühere Gespräche erinnert und selbst handelt, statt wie ein KI-Assistent nur zu antworten. Vorbild ist die KI-Figur aus den Marvel-Filmen, die ab „Iron Man“ (2008) per Zuruf Tony Starks Haus und Rüstung steuert; benannt ist sie nach Edwin Jarvis, dem menschlichen Butler der Familie Stark in den Comics.

Ein Fachbegriff ist das nicht, eher ein Leitbild, und die Verwendung kann sich noch verschieben. Die Bauteile gibt es inzwischen: Coding Agents, Anbindungen über MCP und Konnektoren. Das Open-Source-Projekt OpenClaw ging damit Anfang 2026 viral, sein Entwickler Peter Steinberger wechselte im Februar zu OpenAI, und seitdem tragen auffallend viele Apps und Bastelprojekte den Namen Jarvis. Das Vorbild hatte einen Vorteil, den kein Nachbau hat: ein Drehbuch, in dem jeder Befehl richtig verstanden wird. Wer dem eigenen Jarvis Postfach und Konto überlässt, gibt kritische Schritte deshalb besser selbst frei (Human in the Loop).

Das Original hat sich übrigens gerade verabschiedet: In der Marvel-Serie „VisionQuest“ (seit 14. Oktober 2026) meldet sich JARVIS freiwillig, als Vision eines seiner KI-Programme löschen muss. Die Nachbauten vermehren sich weiter.

Quellen: The Register zum Wechsel von Peter Steinberger zu OpenAI (16.02.2026), GameStar zu „VisionQuest“. Mehr dazu: Was kommt nach ChatGPT? Codex, n8n und KI-Agenten richtig einordnen.

Workflow

Ein Workflow ist eine feste Schrittfolge, die nach vorab festgelegten Regeln automatisch abläuft. Einzelne Stationen können KI nutzen, viele Workflows kommen ganz ohne aus. Anders als beim KI-Agenten entscheidet unterwegs niemand über den nächsten Schritt, der Ablauf steht fest. Das macht Workflows verlässlich und günstig, aber starr bei Sonderfällen. Typische Werkzeuge sind n8n, Make, Zapier und Power Automate.

Quelle: Anthropic: Building effective agents.

Mehr dazu: Was kommt nach ChatGPT? Codex, n8n und KI-Agenten richtig einordnen.

Agent Washing

Agent Washing bezeichnet die Praxis, bestehende Produkte wie Assistenten, Chatbots oder klassische Prozessautomatisierung als KI-Agenten zu vermarkten, obwohl sie nicht selbstständig entscheiden. Den Begriff verwendet das Marktforschungshaus Gartner. Es schätzte im Juni 2025, dass von mehreren tausend Anbietern nur rund 130 echte Agenten-Technik liefern. Bei den übrigen ist vor allem das Wort neu.

Quelle: Gartner: Over 40% of agentic AI projects will be canceled by end of 2027.

MCP (Model Context Protocol)

Das Model Context Protocol (MCP) verbindet einen KI-Agenten mit Werkzeugen und Daten, damit er nicht nur antwortet, sondern handeln kann.

Mehr dazu: MCP, WebMCP & A2A: Wie KI-Agenten Zugriff auf die digitale Welt bekommen.

Konnektor

Ein Konnektor verbindet eine KI mit Systemen außerhalb des Chatfensters, etwa Mail, Kalender, CRM oder Redaktionssystem. Erst damit kann die KI dort lesen und handeln, statt nur darüber zu schreiben. Technisch steckt meist MCP dahinter. Der Konnektor öffnet nur den Zugang; was die KI dort tun darf, regeln die Berechtigungen.

Quelle: Model Context Protocol: What is MCP?.

Mehr dazu: MCP, WebMCP & A2A: Wie KI-Agenten Zugriff auf die digitale Welt bekommen.

Skill (Agent Skill)

Ein Skill ist ein Ordner mit einer Arbeitsanweisung für die KI, oft ergänzt um Beispiele, Vorlagen und Skripte. Die KI kennt zunächst nur Name und Kurzbeschreibung und lädt die vollständige Anleitung erst, wenn eine Aufgabe dazu passt. So erledigt sie wiederkehrende Aufgaben jedes Mal auf dieselbe Art, ohne dass die Anleitung dauerhaft das Kontextfenster belegt. Die KI lernt dabei nichts, sie liest nach. Ein Kochbuch im Regal macht auch noch niemanden zum Koch. Das Format hat Anthropic entwickelt und als offenen Standard veröffentlicht.

Quelle: Agent Skills: Overview.

WebMCP

WebMCP (Web Model Context Protocol) macht Funktionen einer Website für KI-Agenten aufrufbar, sodass ein Agent zum Beispiel ein Formular gezielt ausfüllen kann, statt die Seite wie ein Mensch zu bedienen. Ob sich WebMCP als Standard durchsetzt, ist nach Stand September 2026 noch offen.

Mehr dazu: WebMCP: Wie Websites für KI-Agenten bedienbar werden.

A2A (Agent2Agent)

A2A steht für Agent2Agent und beschreibt, wie KI-Agenten untereinander kommunizieren und Aufgaben austauschen.

Mehr dazu: MCP, WebMCP & A2A: Wie KI-Agenten Zugriff auf die digitale Welt bekommen.

MHS (Model Hardware Standard)

Der Model Hardware Standard (MHS) soll KI-Agenten sicher an physische Geräte anschließen, etwa Laborgeräte, Roboterarme, Messtechnik oder Produktionsanlagen. Anthropic hat ihn Ende August 2026 gemeinsam mit dem Howard Hughes Medical Institute (HHMI) Janelia Research Campus als Vorschau vorgestellt. MHS setzt auf einheitliche Treiber mit einfachen Grundbefehlen und eine Gerätebeschreibung in natürlicher Sprache, die Sicherheitsgrenzen setzt das Gerät selbst durch.

Mehr dazu: AG-UI, A2UI & MHS: Wie KI-Agenten mit Menschen und Maschinen interagieren.

UCP (Universal Commerce Protocol)

Das Universal Commerce Protocol (UCP) beschreibt die Bausteine, die ein KI-Agent für einen Einkauf in einem Onlineshop braucht: Katalog, Warenkorb, Checkout, Kundenkonto und die Bestellung danach mit Sendungsverfolgung und Retoure. Google hat es im Januar 2026 gemeinsam mit Shopify, Etsy, Wayfair, Target und Walmart vorgestellt, das Protokoll ist Open Source.

Mehr dazu: UCP, ACP & AP2: Was passiert, wenn KI-Agenten für uns einkaufen?.

Agentic Commerce

Agentic Commerce bezeichnet Einkäufe, bei denen ein KI-Agent im Auftrag des Nutzers Produkte sucht, vergleicht und kauft. Dafür braucht es Standards für Produktdaten, Identität und Bezahlung, etwa das Universal Commerce Protocol (UCP). Für Händler verschiebt sich damit die Frage, wer die Kundenschnittstelle besitzt: nicht mehr nur der eigene Shop, sondern auch der Agent, der empfiehlt oder auswählt.

Mehr dazu: Ist der E-Commerce am Ende? Was Agentic Commerce für Händler bedeutet, UCP, ACP & AP2: Was passiert, wenn KI-Agenten für uns einkaufen.

n8n

n8n ist eine Plattform zur Workflow-Automatisierung, mit der man Abläufe aus einzelnen Bausteinen zusammensetzt und dabei Apps, Daten und KI-Modelle verbindet. Gegründet hat sie Jan Oberhauser 2019 in Berlin, der Name ist eine Zahlenabkürzung von „nodemation“. n8n läuft in der Cloud oder auf eigenen Servern und passt zu festen, wiederkehrenden Abläufen mit klaren, sichtbaren Schritten.

Mehr dazu: Was kommt nach ChatGPT? Codex, n8n und KI-Agenten richtig einordnen.

Suche und Sichtbarkeit

GEO (Generative Engine Optimization)

GEO ist die Optimierung von Inhalten für generative Suchsysteme wie ChatGPT, Gemini oder Perplexity, damit sie dort gefunden und zitiert werden. In meinem Modell ergänzt GEO die beiden klassischen Disziplinen: GEO entdeckt Intent, Suchmaschinenwerbung (SEA) validiert Nachfrage, Suchmaschinenoptimierung (SEO) baut Autorität auf.

Mehr dazu: SEO, SEA und GEO getrennt zu denken, wird zum strategischen Fehler. Wie man GEO lernt: GEO-Weiterbildung im Vergleich.

Schema Markup

Schema Markup (strukturierte Daten nach schema.org) beschreibt Inhalte maschinenlesbar, damit Such- und KI-Systeme erkennen, ob etwas ein Produkt, eine Person oder eine Veranstaltung ist. Google, Microsoft und Yahoo haben schema.org 2011 eingeführt. Menschen sehen auf einen Blick, dass eine Seite einen Preis zeigt. Maschinen sind trotzdem dankbar, wenn man es ihnen sagt.

Mehr dazu: 15 Jahre Schema Markup: Warum strukturierte Daten im KI-Zeitalter wichtiger sind denn je.

Entität

Eine Entität (englisch entity) ist ein eindeutig bestimmbares Ding, etwa eine Person, eine Organisation, ein Ort oder ein Begriff, das Such- und KI-Systeme unabhängig von seiner Schreibweise erkennen und mit anderen Dingen verknüpfen. Google hat den Gedanken 2012 mit dem Knowledge Graph in die Suche gebracht, Motto „things, not strings“: Die Suche soll wissen, ob jemand mit „Taj Mahal“ das Bauwerk, den Musiker oder das Casino meint. Eindeutig wird eine Entität über Kennungen wie die KGMID und über Verweise, die man per Schema Markup setzt, etwa mit sameAs auf Profile, die dieselbe Person beschreiben.

Wer ins Kino geht, kennt den Begriff anders: In „Dead Reckoning“ (2023) und „The Final Reckoning“ (2025), den beiden jüngsten „Mission: Impossible“-Filmen, heißt die abtrünnige KI, hinter der Ethan Hunt zwei Filme lang her ist, schlicht die Entität. Die Entität der Suchmaschinen ist friedlicher, aber kaum leichter zu fassen: Wer als Person oder Marke eine werden will, braucht keinen Stunt am Flugzeug, sondern Geduld mit Profilen, Verweisen und widersprüchlichen Angaben. Unmöglich ist diese Mission nicht. Sie hat nur mehr Fortsetzungen.

Quelle: Google: Introducing the Knowledge Graph: things, not strings (2012). Mehr dazu: GEO und Brand Building: 5 Signale für mehr KI-Sichtbarkeit.

KGMID

Die KGMID (Knowledge Graph Machine ID) ist die Kennung, unter der Google eine Entität im Knowledge Graph führt, etwa eine Person, eine Organisation oder einen Ort. Sie beginnt mit /g/ oder, bei älteren Einträgen aus der früheren Datenbank Freebase, mit /m/. Google vergibt sie selbst, per Schema Markup setzen lässt sie sich nicht. Verweisen kann man trotzdem auf sie, etwa im sameAs einer Person als Link google.com/search?kgmid=…. Meine lautet /g/11tmgk8xvp.

Quelle: Google Knowledge Graph Search API (Beispiel-Kennung kg:/m/0dl567).

Grounding

Grounding verankert die Antwort eines KI-Modells in überprüfbaren Quellen wie Suchergebnissen, Unternehmensdokumenten oder Datenbanken, statt sie allein aus den Trainingsdaten zu erzeugen. Das senkt das Risiko erfundener Aussagen und macht Quellenangaben möglich, Google bietet es etwa als Grounding mit der Google-Suche für Gemini an. Für Websites folgt daraus: Klare, belegte Angaben geben KI-Systemen etwas, worauf sie sich stützen können, das ist auch die Idee hinter meinen Faktenseiten.

Quelle: Google Cloud: Grounding overview. Mehr dazu: SEO, SEA und GEO getrennt zu denken, wird zum strategischen Fehler.

AI Overviews und AI Mode

AI Overviews sind die von Google erzeugten KI-Zusammenfassungen, die oberhalb der klassischen Suchergebnisse erscheinen und Links zu Quellen enthalten. Der AI Mode ist ein eigener Suchmodus, in dem Nutzer ihre Frage ausführlicher stellen, Rückfragen ergänzen und im Dialog zu einer Antwort kommen. Beide beantworten Recherchefragen direkt in der Suche und verändern, wo Klicks entstehen. Laut Google gelten für die Sichtbarkeit dieselben Grundlagen wie für die normale Suche: Eine Seite muss indexiert und für Snippets zugelassen sein. Darüber hinaus setzt GEO an.

Quelle: Google Search Central: AI features and your website.

Mehr dazu: Von Keywords zu Aufgaben: Wie KI die Suchintention im Marketing verändert, Welche Geschäftsmodelle Google mit KI unter Druck setzt.

Digital Authority Management (DAM)

Digital Authority Management (DAM) versteht digitale Autorität als gemeinsame Aufgabe von SEO, Content, PR, Marke und Commerce. Das Konzept beschreibt Olaf Kopp. Für die Sichtbarkeit in KI-Antworten (GEO) reichen einzelne Optimierungen nicht, entscheidend ist, ob Suchsysteme und KI-Modelle ein Unternehmen stimmig als vertrauenswürdige Quelle zu einem Thema erkennen. DAM bündelt deshalb Kanäle, die oft getrennt gesteuert werden.

Mehr dazu: GEO ist mehr als SEO: Warum KI-Sichtbarkeit Digital Authority Management braucht.

Black Hat SEO/GEO

Black Hat bezeichnet Methoden, die Suchsysteme gegen deren Richtlinien manipulieren. Im klassischen SEO sind das etwa gekaufte Backlinks; bei GEO der Versuch, KI-Antworten durch gekaufte oder künstlich erzeugte Markenerwähnungen zu beeinflussen. Google hat auf dem Search Central Live Sydney 2026 davor gewarnt und solche Praktiken mit gekauften Backlinks verglichen. Nachhaltiger ist es, echte Erwähnungen und Autorität aufzubauen (Digital Authority Management).

Quelle: Google Search Central: Spam-Richtlinien.

Mehr dazu: Black Hat GEO: Gekaufte Erwähnungen sind die neuen gekauften Links.

Multimodale Suche

Multimodale Suche verarbeitet mehrere Eingabearten gleichzeitig: Text, Bild, Sprache oder Video. Man fotografiert zum Beispiel ein Produkt mit Google Lens und stellt dazu eine Frage. Möglich wird das durch multimodale Modelle, die verschiedene Datentypen in einem System verstehen. Für Anbieter heißt das: Bilder, Alt-Texte und das Umfeld eines Bildes spielen für die Sichtbarkeit in KI-Suchen eine Rolle.

Mehr dazu: Multimodale Suche wird gerade ziemlich real, Bild-SEO für KI-Suche: So werden Bilder für Google Lens und KI-Systeme verständlich.

Unternehmen und Einführung

AI Readiness (KI-Bereitschaft)

AI Readiness (deutsch: KI-Bereitschaft) beschreibt, ob ein Unternehmen die Voraussetzungen hat, KI sinnvoll einzusetzen: Daten, Kompetenzen, Technologie, Strategie und Regeln. Die Kernfrage lautet: Können wir KI sinnvoll einsetzen? Wie weit der Einsatz schon gekommen ist, misst dagegen die AI Maturity.

Mehr dazu: KI-Readiness und KI-Maturity: Wie bereit ist dein Unternehmen wirklich für KI?, zum Selbsttest: KI-Readiness-Check.

AI Maturity (KI-Reifegrad)

AI Maturity beschreibt, wie weit ein Unternehmen beim KI-Einsatz bereits gekommen ist: ob KI fest in Prozesse integriert, automatisiert, geregelt und skaliert ist. Ein Unternehmen kann eine hohe AI Readiness und trotzdem eine niedrige Maturity haben, etwa wenn Daten, Infrastruktur und Kompetenzen vorhanden sind, KI im Alltag aber kaum genutzt wird. Man kennt das vom Fitnessstudio-Vertrag.

Mehr dazu: KI-Readiness und KI-Maturity: Wie bereit ist dein Unternehmen wirklich für KI?.

KI-Kompetenz

KI-Kompetenz ist die Fähigkeit, KI-Systeme sachkundig zu nutzen, Chancen und Risiken zu verstehen und Ergebnisse kritisch zu prüfen. Die EU-KI-Verordnung definiert den Begriff und verpflichtet Unternehmen über die KI-Schulungspflicht, die KI-Kompetenz ihrer Beschäftigten zu fördern. Dazu zählen praktische Fähigkeiten wie Prompt Engineering, vor allem aber Urteilsvermögen: Fehler und Halluzinationen erkennen und Verantwortung klären.

Quelle: Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 3 Nr. 56.

Mehr dazu: KI-Kompetenz als Grundbildung: Was Deutschland von Malta und Südkorea lernen kann.

Recht und Regeln

KI-Schulungspflicht

Art. 4 der EU-KI-Verordnung verlangt von Unternehmen, die KI beruflich einsetzen, Maßnahmen zum Aufbau von KI-Kompetenz bei ihren Mitarbeitenden. Seit dem 27. Juli 2026 gilt die Pflicht in weicherer Fassung: Ein bestimmtes Kompetenzniveau muss nicht mehr garantiert werden, ein Zertifikat war nie vorgeschrieben.

Mehr dazu: KI-Schulungspflicht: Muss mein Unternehmen Mitarbeitende in KI schulen?.

KI-Kennzeichnungspflicht

Die KI-Kennzeichnungspflicht verlangt, KI-generierte oder KI-veränderte Inhalte unter bestimmten Bedingungen als solche erkennbar zu machen; Grundlage sind die Transparenzpflichten in Art. 50 der EU-KI-Verordnung. Sie betrifft Bilder, Videos, Audio, bestimmte Texte und Chatbots. Nicht jeder KI-Inhalt muss sichtbar gekennzeichnet werden, es kommt auf den Einsatz an. Fristen und Ausnahmen stehen im Beitrag.

Mehr dazu: KI-Kennzeichnungspflicht: Was für Bilder, Videos, Texte und Chatbots gilt.

Stand und Ergänzungen

Fehlt ein Begriff oder stimmt eine Definition nicht mehr? Schreib mir über das Kontaktformular. Wie du KI Schritt für Schritt lernst, steht auf KI lernen.