Glossar KI-Begriffe: 80+ Schlüsselwörter für KMU und Treuhand

Glossar von A bis Z

Dieses Glossar erklärt die wichtigsten KI-Begriffe, die Mai 2026 in der KMU-, Treuhand- und Compliance-Praxis vorkommen. Jeder Eintrag hat ein bis zwei Sätze Definition. Wo eine eigene Wissensseite existiert, verweist der Hinweis "siehe Slug" auf die vertiefende Seite.

A

Agent. Ein KI-System, das mehrere Schritte autonom ausführt, externe Werkzeuge nutzt und Zwischenergebnisse selbst bewertet. Klassisches LLM ohne Werkzeuge ist kein Agent. Siehe was-ist-ai-agent.

AGI (Artificial General Intelligence). Hypothetisches KI-System mit menschen-äquivalenter Allgemein-Intelligenz. Mai 2026 nicht erreicht; Marketing-Begriff in Pressemitteilungen, kein Produkt.

Alignment. Forschungsgebiet und Trainings-Technik, das Modell-Verhalten an menschliche Werte und Anweisungen bindet. Methoden: RLHF, DPO, Constitutional AI.

API (Application Programming Interface). Programmier-Schnittstelle. Jeder LLM-Anbieter (OpenAI, Anthropic, Mistral) stellt eine REST-API bereit. Siehe integration-rest-api-graphql.

Attention. Mechanismus in Transformer-Modellen, der pro Token entscheidet, welche anderen Tokens im Kontext wichtig sind. Kern-Bauteil aller modernen LLMs. Siehe was-ist-attention-mechanismus.

Audit-Trail. Lückenlose Aufzeichnung jeder KI-Anfrage und -Antwort inklusive Modell, Version, Prompt, Quelle und Zeit. Pflicht für revisionsfähige Nutzung in Treuhand und Recht. Siehe ai-audit-trail-design.

AVV (Auftragsverarbeitungsvertrag). DSGVO-Vertrag zwischen Verantwortlichem und Auftragsverarbeiter. In der Schweiz entspricht ihm der Bearbeitungsvertrag nach revFADP. Siehe drittlandtransfer-tia.

B

Backup-3-2-1. Standard-Regel: drei Kopien, zwei verschiedene Medien, eine Kopie offsite. Gilt auch für Vektor-Indizes und KI-Konfigurationen. Siehe backup-strategien-3-2-1.

BERT (Bidirectional Encoder Representations from Transformers). Google-Modell von 2018, Vorläufer moderner LLMs. Mai 2026 selten direkt im Einsatz, aber Grundlage vieler Embedding-Modelle.

BGE (BAAI General Embedding). Familie von Open-Source-Embedding-Modellen aus China. BGE-M3 ist mehrsprachig und auf Deutsch stark. Siehe tool-bge-m3.

Bias. Systematische Verzerrung in Trainingsdaten oder Modellantworten. In der Schweiz relevant für Diskriminierungsverbot (z.B. bei HR- und Kredit-Entscheidungen). Siehe bias-fairness-audits.

BPE (Byte-Pair Encoding). Algorithmus zur Zerlegung von Text in Tokens. Standard bei GPT, Claude und Mistral. Siehe was-ist-token.

C

Chain-of-Thought (CoT). Prompt-Technik, bei der das Modell aufgefordert wird, seine Zwischenschritte auszuschreiben. Erhöht Genauigkeit bei Logik-Aufgaben deutlich.

Chunking. Aufteilen langer Dokumente in Stücke (typisch 300-800 Tokens) für die RAG-Indexierung. Schlechtes Chunking liefert schlechte Antworten. Siehe chunking-strategien-rag.

Cloud-Act. US-Gesetz von 2018, das US-Behörden Zugriff auf Daten in der Cloud von US-Firmen erlaubt, auch wenn die Server in der EU oder Schweiz stehen. Kern-Argument für Swiss-Cloud-Hosting. Siehe drittlandtransfer-tia.

Closed-Weight. Modell, dessen Gewichte nicht öffentlich sind (GPT-4, Claude, Gemini). Gegensatz: Open-Weight. Siehe trend-open-weight-vs-closed.

Constitutional AI. Anthropic-Methode, Modelle nicht mit menschlichem Feedback sondern mit einer expliziten Prinzipien-Liste zu alignen. Grundlage von Claude.

Context Window. Maximale Anzahl Tokens, die ein Modell pro Anfrage verarbeitet. Mai 2026: GPT-4o 128k, das aktuelle Claude-Spitzenmodell 200k, Gemini 2 Pro 2M. Siehe was-ist-context-window.

CoPilot. Microsoft-Markenname für KI-Assistenten in Microsoft 365 und GitHub. Nicht zu verwechseln mit dem Konzept "Co-Pilot" generell. Siehe integration-microsoft-365-graph-api.

CrowdSec. Open-Source-Intrusion-Prevention. Wir setzen es vor jeden produktiven KI-Service als Schutz gegen Bots und Brute-Force. Siehe firewall-und-crowdsec.

D

Distillation. Trainings-Technik, in der ein grosses Modell ein kleineres Modell auf eine spezifische Aufgabe trainiert. Mai 2026 verbreitet, um lokale Modelle effizient zu machen.

DPA (Data Processing Agreement). Englischer Begriff für AVV. Pflicht bei jeder Nutzung von OpenAI, Anthropic, Google für personenbezogene Daten. Siehe dsgvo-und-llms.

DPO (Direct Preference Optimization). Trainings-Methode als Alternative zu RLHF, einfacher und stabiler. Mai 2026 Standard für Alignment-Trainings.

Drift. Schleichende Veränderung der Modell-Antworten über Zeit, etwa weil sich Eingabe-Daten oder Modell-Versionen ändern. Erfordert Regression-Tests. Siehe regression-testing-llm.

DSGVO (Datenschutz-Grundverordnung). EU-Verordnung von 2018. Für Schweizer Firmen anwendbar, wenn EU-Bürger betroffen sind. Siehe dsgvo-und-llms.

E

Edge-AI. KI-Modelle, die direkt auf Endgerät (Handy, Laptop, Mikrocontroller) laufen, ohne Cloud-Anbindung. Siehe trend-edge-ai-und-on-device.

Embedding. Numerische Repräsentation eines Textes als Vektor. Ähnliche Texte landen im Vektor-Raum nahe beieinander. Grundlage von RAG. Siehe embeddings-und-vektoren.

Encoder. Teil eines Transformer-Modells, der Eingabe in eine interne Repräsentation umwandelt. BERT ist ein reines Encoder-Modell; GPT ist Decoder-only.

EU AI Act. EU-Verordnung von 2024, gestaffeltes Inkrafttreten 2025-2027. Klassifiziert KI-Anwendungen nach Risiko-Stufen. Für Schweizer Firmen anwendbar bei EU-Markt. Siehe eu-ai-act-2026.

Eval. Test-Suite, die ein Modell auf definierte Aufgaben prüft. Pflicht vor jedem Produktiv-Einsatz. Siehe eval-frameworks-für-llms.

Extended Thinking. Anthropic-Feature seit 2025: Claude schreibt vor der Antwort einen verlängerten Denk-Prozess. Ähnlich OpenAI o-Serie. Siehe was-ist-reasoning-modell.

F

Faithfulness. RAG-Metrik, die misst, ob die Antwort tatsächlich aus den gefundenen Quellen kommt und nicht erfunden ist. Siehe ki-qualität-kpis-rag.

Fine-Tuning. Nachtraining eines vorhandenen Modells auf eigene Daten. Mai 2026 oft durch RAG ersetzt; lohnt sich bei Domänen-spezifischem Vokabular. Siehe was-ist-fine-tuning-vs-rag.

FINMA. Schweizer Finanzmarktaufsicht. Hat KI-Rundschreiben veröffentlicht, das Banken und Versicherer bindet. Siehe finma-ki-rundschreiben.

FlashAttention. Algorithmus, der Attention-Berechnung speicher-effizient macht. Mai 2026 in allen modernen LLM-Inferenz-Engines verbaut.

Function-Calling. Fähigkeit eines Modells, externe Funktionen mit strukturierten Argumenten aufzurufen. Vorläufer von MCP. Siehe was-ist-tool-use-function-calling.

G

GGUF. Datei-Format für quantisierte Open-Weight-Modelle, Standard bei llama.cpp und Ollama. Siehe tool-llama-cpp.

GPU (Graphics Processing Unit). Hardware-Beschleuniger für KI-Training und -Inferenz. Mai 2026 NVIDIA H100/H200 Standard für Cloud, RTX 5090 für Workstations. Siehe gpu-kosten-rechner.

Grounding. Verfahren, die Modell-Antwort an prüfbare externe Daten zu binden. RAG ist die häufigste Form. Siehe structured-extraction-grounding.

Guardrails. Regel-Schicht vor und nach dem LLM, die schädliche Eingaben filtert und falsche Ausgaben blockiert. Siehe red-teaming-für-ki.

H

Hallucination. Modell erfindet plausibel klingende, aber falsche Inhalte. Mit RAG reduzierbar, nicht eliminierbar. Siehe halluzinationen-begrenzen.

HNSW (Hierarchical Navigable Small World). Standard-Index-Algorithmus für Vektor-Datenbanken (Qdrant, Weaviate, pgvector). Mai 2026 schnell und stabil. Siehe was-ist-vektor-index.

HyDE (Hypothetical Document Embeddings). Retrieval-Technik: Modell generiert eine hypothetische Antwort, dieses wird embedded und gesucht. Erhöht Recall bei kurzen Fragen.

I

Inference. Anwendung eines trainierten Modells auf neue Eingaben. Der Begriff steht im Kontrast zu Training. Inference verursacht laufende Cloud-Kosten.

Instruction-Tuning. Nachtraining eines Basismodells, damit es Anweisungen befolgt. Macht aus einem Auto-Completer einen brauchbaren Assistenten.

IVF (Inverted File Index). Älterer Vektor-Index-Algorithmus, mehrheitlich abgelöst von HNSW. Faiss-Default.

J

Jailbreak. Eingabe, die das Modell dazu bringt, seine Sicherheits-Schranken zu umgehen. Mai 2026 weitgehend gepatched, aber Eingabe-Filter bleibt Pflicht.

JSON-Mode. Modell-Modus, der strukturierte JSON-Ausgaben garantiert. Wichtig für Tool-Use und Daten-Extraktion. Siehe output-formatierung-json-modus.

K

Kontext-Fenster. Deutsche Bezeichnung für Context Window. Siehe was-ist-context-window.

K-Nearest-Neighbor (kNN). Such-Algorithmus, der die k ähnlichsten Vektoren findet. Kern jeder RAG-Suche.

L

Latent Space. Mathematischer Raum, in dem das Modell semantische Bedeutung kodiert. Embeddings sind Punkte in diesem Raum.

LLM (Large Language Model). Grosses Sprachmodell. Mai 2026 Standard für Text-KI, von GPT-4o und das aktuelle Claude-Spitzenmodell bis Llama 4 und Mistral Large 2. Siehe wie-funktioniert-ein-llm.

Long-Context. Modelle mit Kontext-Fenster ab 100k Tokens. Mai 2026 Standard bei allen Premium-Anbietern.

LoRA (Low-Rank Adaptation). Effiziente Fine-Tuning-Methode, die nur einen kleinen Teil der Gewichte trainiert. Standard für KMU-Budgets.

Lost-in-the-Middle. Phänomen, dass Modelle Informationen in der Mitte eines langen Kontextes oft übersehen. Argument für präzises Retrieval statt grosse Prompts.

M

MCP (Model Context Protocol). Anthropic-Standard von Nov 2024 für Tool-Use. Mai 2026 von OpenAI, Google und Microsoft adoptiert. Siehe was-ist-mcp.

Mistral. Französischer LLM-Anbieter, EU-souverän. Modelle Mistral Large 2 und Pixtral. Siehe mistral-eu-evaluation.

MoE (Mixture of Experts). Architektur, bei der pro Token nur ein Teil der Modell-Parameter aktiv ist. Mistral Mixtral und GPT-4 nutzen MoE. Siehe was-ist-mixture-of-experts.

Multi-Head Attention. Mehrere Attention-Berechnungen parallel pro Layer. Standard-Bestandteil von Transformer-Modellen.

Multimodal. Modell verarbeitet mehr als nur Text, etwa Bilder, Audio, Video. GPT-4o, das aktuelle Claude-Spitzenmodell und Gemini 2 sind multimodal. Siehe was-ist-multimodal-ki.

N

NDA (Non-Disclosure Agreement). Standard-Vertraulichkeits-Vertrag. Pflicht bei jedem KI-Anbieter, der mit Mandanten-Daten arbeitet.

revDSG (Neues Datenschutzgesetz, revFADP). Schweizer Datenschutzgesetz, in Kraft seit September 2023. Pflicht-Grundlage für jeden KI-Einsatz mit Personendaten. Siehe ndsg-revfadp-ki.

NER (Named Entity Recognition). Erkennen von Personen, Firmen, Orten und Daten in Text. Mai 2026 oft im Vorverarbeitungs-Schritt vor RAG eingesetzt.

Neuron. Mathematische Einheit eines neuronalen Netzes, im Kern eine gewichtete Summe plus Aktivierungsfunktion. Begriff vereinfacht; biologische Analogie endet hier.

O

OCR (Optical Character Recognition). Umwandlung von Bild oder Scan in Text. Voraussetzung für RAG mit Papier-Belegen. Siehe ocr-für-belege-und-verträge.

OIDC (OpenID Connect). Auth-Standard auf OAuth-Basis. Mai 2026 Standard für KI-Tools mit SSO. Siehe integration-sso-saml-oidc.

OpenAI. US-LLM-Anbieter, Hersteller von GPT-Familie und Whisper. Marktführer Mai 2026 bei Marktanteil. Siehe openai-gpt-evaluation.

Open-Weight. Modell, dessen Gewichte öffentlich heruntergeladen werden können. Beispiele: Llama, Mistral, Apertus. Siehe trend-open-weight-vs-closed.

OWASP LLM Top 10. Liste der zehn häufigsten LLM-Sicherheitsrisiken, gepflegt von der OWASP-Foundation. Mai 2026 Version 2.0. Pflicht-Lektuere vor Produktiv-Einsatz.

P

PCA (Principal Component Analysis). Verfahren zur Dimensions-Reduktion. Selten direkt bei LLMs, manchmal bei Embedding-Analyse.

Pretraining. Erste Trainings-Phase eines LLM auf grosser Text-Sammlung. Sehr teuer (Mio. CHF), wird selten von KMU selbst durchgeführt. Siehe was-ist-pretraining.

Prompt. Die Eingabe an ein LLM. Umfasst System-Prompt (Rollen-Anweisung) und User-Prompt (konkrete Frage). Siehe prompt-engineering-grundlagen.

Prompt-Injection. Angriff, bei dem manipulierte Eingaben das Modell zu nicht beabsichtigten Aktionen bringen. Mai 2026 weiterhin offen, Eingabe-Filter und RBAC Pflicht. Siehe red-teaming-für-ki.

Pseudonymisierung. Ersetzung von Klar-Namen durch Tokens vor Cloud-LLM-Aufruf. Mai 2026 Standard bei sensiblen Treuhand-Daten. Siehe anonymisierung-pseudonymisierung.

Q

QLoRA. Quantisierte Variante von LoRA, ermöglicht Fine-Tuning grosser Modelle auf einer Workstation-GPU.

Quantization. Reduktion der Genauigkeit der Modell-Gewichte (z.B. von 16-Bit auf 4-Bit), um Speicher zu sparen. Standard bei lokalem Betrieb. Siehe was-ist-quantisierung.

Query-Expansion. Technik, bei der die Original-Frage durch Synonyme oder Reformulierungen erweitert wird. Erhöht Retrieval-Recall. Siehe query-expansion-und-rewriting.

R

RAG (Retrieval-Augmented Generation). Architektur, die LLM-Antworten an eigene Dokumente koppelt. Mai 2026 Standard-Pattern für Unternehmens-KI. Siehe retrieval-augmented-generation.

RAG-Evaluation. Test-Methode für RAG-Systeme: Faithfulness, Context-Recall, Answer-Relevance. Siehe ki-qualität-kpis-rag.

Rate-Limit. Begrenzung der API-Aufrufe pro Sekunde. Mai 2026 hart bei allen Cloud-Anbietern; Schutz gegen Kosten-Explosion und Bots. Siehe firewall-und-crowdsec.

RBAC (Role-Based Access Control). Rollen-basierte Rechte-Verwaltung. Standard für alle Multi-User-KI-Systeme. Siehe rbac-und-rechtemanagement.

Reinforcement Learning. Lern-Paradigma mit Belohnungs-Signal. Grundlage von RLHF.

Reranker. Modell, das eine erste Retrieval-Trefferliste neu sortiert. Cohere Rerank 3, BGE-Reranker. Siehe vergleich-rerankers.

S

SAML (Security Assertion Markup Language). Älterer SSO-Standard, in Konzernen weiterhin verbreitet. Siehe integration-sso-saml-oidc.

SBERT (Sentence-BERT). Embedding-Modell-Familie, Vorläufer moderner Multilingual-Embeddings.

Self-Attention. Attention-Variante innerhalb derselben Sequenz. Kern-Mechanismus von Transformer-Modellen.

SLM (Small Language Model). Modelle unter ca. 10 Mrd. Parametern. Mai 2026 stark wachsend (Phi-4, Mistral Small 3, Llama 3.2). Lokal lauffähig.

SSO (Single Sign-On). Einmalige Anmeldung für mehrere Anwendungen. Pflicht in grösseren KMU. Siehe integration-sso-saml-oidc.

Streaming. Modell-Ausgabe wird Token-für-Token gesendet statt als ein Block. Verbessert wahrgenommene Latenz.

System-Prompt. Anweisung an das LLM, die seine Rolle, Stil und Grenzen definiert. Wird vor jeder User-Anfrage mitgesendet. Siehe was-ist-system-prompt.

T

TIA (Transfer-Impact-Assessment). Prüfung, ob ein Datentransfer in ein Drittland (z.B. USA) zulässig ist. Pflicht bei revFADP. Siehe drittlandtransfer-tia.

TLS (Transport Layer Security). Standard-Verschlüsselung für Web-Verkehr. Pflicht für jede KI-API. Siehe ssl-tls-zertifikate-letsencrypt.

Token. Kleinste Verarbeitungseinheit eines LLM. Ein deutsches Wort entspricht ca. 1.3-2 Tokens. Modell-Preise rechnen pro Token ab. Siehe was-ist-token.

Tokenizer. Komponente, die Text in Tokens zerlegt. Jeder Anbieter hat einen eigenen.

Tool-Use. Fähigkeit eines Modells, externe Funktionen aufzurufen. Mai 2026 Standard bei allen Premium-Modellen. Siehe was-ist-tool-use-function-calling.

Transformer. Neuronale Netz-Architektur von 2017 (Vaswani et al.). Grundlage aller modernen LLMs. Siehe was-ist-transformer-architektur.

U

Use-Case. Konkrete Anwendung von KI im Geschäftsbetrieb (z.B. Mahnwesen, Mandanten-Triage). Siehe Branchen-Seiten unter ki-für-treuhandbüros.

UTF-8. Standard-Text-Kodierung. Wichtig bei Daten-Importen: falsche Kodierung zerstört Umlaute und damit Retrieval-Qualität.

V

Vector-Embedding. Siehe Embedding. Begriff betont die Vektor-Natur. Siehe embeddings-und-vektoren.

Vektor-Datenbank. Datenbank, die Embeddings speichert und effizient durchsucht. Mai 2026: Qdrant, Weaviate, Milvus, pgvector. Siehe vector-databases-vergleich.

Voice-Cloning. Synthese einer Stimme aus wenigen Minuten Sample. Compliance-kritisch: Schweiz und EU verlangen Kennzeichnung. Siehe voice-agent-telefon.

W

WAF (Web Application Firewall). Filter vor Web-Anwendungen gegen typische Angriffe. Pflicht vor jedem öffentlichen KI-Endpoint. Siehe cloudflare-dns-waf.

Webhook. HTTP-Callback, der bei einem Ereignis ausgelöst wird. Standard-Pattern für KI-Workflows. Siehe integration-webhooks-ereignisbasiert.

Whisper. OpenAI-Modell für Speech-to-Text. Mai 2026 weiterhin Referenz für Schweizerdeutsch dank Multilingual-Training. Siehe tool-whisper.

Workflow. Abfolge automatisierter Schritte, oft in Tools wie n8n oder Make orchestriert. Siehe n8n-workflow-automation.

X

XAI (Explainable AI). Forschungs- und Praxis-Gebiet, Modell-Entscheidungen verständlich zu machen. EU AI Act verlangt Transparenz bei Hochrisiko-Systemen.

Z

Zero-Shot. Modell löst Aufgabe ohne Beispiele im Prompt. Gegensatz: Few-Shot.

Z-Score. Statistische Standardisierung. Bei Embedding-Vergleichen manchmal als Normalisierungs-Schritt.

Warum ein Glossar wichtig ist

KI-Projekte scheitern oft nicht an der Technik, sondern an der Sprache. Wenn Geschäftsleitung, IT und externe Anbieter unter "Agent", "Fine-Tuning" oder "Halluzination" Verschiedenes verstehen, ufern Anforderungen aus, Kosten steigen und das Projekt verliert das Vertrauen. Ein gemeinsames Glossar ist die billigste Risiko-Reduktion in jedem Vorhaben.

Für Schweizer KMU kommt ein zweiter Punkt hinzu: viele Begriffe sind angelsaechsisch geprägt und in der Praxis nicht eindeutig übersetzt. "Compliance" heisst je nach Kontext revDSG, DSGVO, FINMA, GwG oder branchenspezifisches Aufsichtsrecht. Wer den Unterschied nicht macht, kauft Beratung doppelt oder die falsche.

Das Glossar dient deshalb drei Rollen. Geschäftsführung nutzt es, um Anbieter-Angebote zu vergleichen. IT nutzt es, um Architektur-Entscheide zu dokumentieren. Compliance nutzt es, um Pflichten gegenüber Aufsicht und Mandanten klar zu benennen.

Wie Sie das Glossar nutzen

Das Glossar ist alphabetisch sortiert. Jeder Eintrag hat ein bis zwei Sätze Kerndefinition und, falls verfügbar, einen Hinweis "siehe slug" auf die vertiefende Wissens-Seite. Die Slugs sind die URL-Bestandteile der jeweiligen Seite (zum Beispiel /wissen/was-ist-mcp).

Drei Praxis-Einsatzformen.

Als Klärungs-Tool im Projekt-Kickoff. Vor dem Kickoff Ihres KI-Vorhabens schicken Sie das Glossar an alle Beteiligten. Sammeln Sie Begriffe, über die Unklarheit besteht. Klären Sie diese am Kickoff in der ersten Stunde. Spart erfahrungsgemäss 4-8 Stunden Missverständnisse im Projektverlauf.

Als Vergleichshilfe bei Anbieter-Angeboten. Wenn drei Anbieter "RAG", "Agentic AI" und "Compliance-ready" versprechen, prüfen Sie mit dem Glossar, ob sie dasselbe meinen. Ein Anbieter, der "Agentic AI" verspricht, aber nur ein LLM ohne Werkzeuge baut, liefert nicht, was Sie kaufen.

Als Onboarding-Material für neue Mitarbeitende. Mai 2026 erwartet jede KMU-Stelle KI-Grundwissen. Ein internes Glossar (gerne dieses als Startpunkt) verkürzt Einarbeitungs-Zeit deutlich.

Glossar in 5 Schritten einführen

1. 01Glossar in Ihre interne Wissens-Datenbank kopieren (Confluence, Notion, SharePoint) und mit firmenspezifischen Begriffen erweitern.
2. 02Vor dem Projekt-Kickoff an alle Beteiligten verteilen, unklare Begriffe in einer ersten Klärungs-Runde sammeln und definieren.
3. 03In Anbieter-Angebote die zentralen Begriffe markieren und mit der Glossar-Definition vergleichen. Abweichungen schriftlich klären lassen.
4. 04In Schulungen ein 60-Minuten-Briefing mit Glossar als Pflichtteil für alle Mitarbeitenden, die mit KI-Tools arbeiten sollen.
5. 05Bei Audits und Compliance-Berichten konsistent die Glossar-Vokabel nutzen, statt für jeden Bericht neue Begriffe zu erfinden.

Wann das Glossar einsetzen

Das Glossar gehört in vier Situationen sichtbar auf den Tisch.

Erstens beim Erst-Audit eines neuen Lieferanten oder Projekts. Welche Begriffe nutzt der Anbieter? Stimmen die Definitionen mit denen überein, die hier festgehalten sind? Wenn nicht, ist die Klärung Pflicht vor der Vertragsunterschrift.

Zweitens bei Anforderungs-Workshops. Wer "wir brauchen einen Chatbot" sagt, meint je nach Person eine FAQ-Suche, einen Termin-Bot, einen Mandanten-Agenten mit Werkzeugen oder eine Voice-Telefonie. Erst Begriffe klären, dann Anforderungen schreiben.

Drittens bei Prüfungen und Audits. Wer einer Revisionsstelle oder der FINMA erklärt, welche KI im Betrieb läuft, sollte die Begriffe sauber und konsistent verwenden. Das Glossar liefert die Vokabel-Liste.

Viertens bei Schulungen. Mitarbeitende, die mit KI-Tools arbeiten sollen, brauchen die Grundbegriffe. Das Glossar ist Lehrmaterial für ein 60-Minuten-Briefing.

Wann das Glossar nicht reicht

Das Glossar ist Einstiegs-Vokabular. Es ersetzt drei Dinge nicht.

Erstens ersetzt es nicht die vertiefenden Wissens-Seiten. Wer einen MCP-Server bauen will, braucht die Seite was-ist-mcp, nicht den einen Satz im Glossar. Wer RAG implementiert, braucht retrieval-augmented-generation, chunking-strategien-rag und embeddings-und-vektoren. Die Glossar-Definitionen sind Trail-Marker, keine Wegbeschreibung.

Zweitens ersetzt es nicht das juristische Gutachten. Begriffe wie "Auftragsverarbeiter", "Drittland-Transfer" oder "Berufsgeheimnis" haben hier zwei Sätze; ihre Anwendung im konkreten Fall braucht eine Rechts-Beratung oder ein anwaltliches Memorandum.

Drittens ersetzt es nicht den Modell-Vergleich. Wer wissen will, ob das aktuelle Claude-Spitzenmodell oder GPT-4o für seinen Use-Case besser ist, muss eine Eval mit eigenen Daten fahren (siehe eval-frameworks-für-llms). Das Glossar gibt nur das Vokabular dafür.

Das Glossar wird laufend gepflegt. Stand Mai 2026 enthält es über 80 Begriffe. Vorschläge für Ergänzungen nehmen wir per E-Mail entgegen; jede Aufnahme wird mit Beleg und Datum versehen.

Vor- und Nachteile

Verwandte Themen

Quellen

1. EDÖB – Leitfäden zur Bearbeitung von Personendaten mit KI · 2026-05
2. EU AI Act – konsolidierter Text und Stand der Umsetzung 2026 · 2026-05
3. OWASP – Top 10 for Large Language Model Applications v2.0 · 2026-05
4. Model Context Protocol – Specification and SDKs · 2026-05
5. NIST AI Risk Management Framework 1.1 · 2026-04