Glossar

KI-Begriffe für den Mittelstand

Klare Definitionen der Begriffe, die in unseren Projekten am häufigsten vorkommen — ohne Buzzword-Bingo, ohne Berater-Sprech.

Erklärbare KI (Explainable AI, XAI)

KI-Systeme, deren Entscheidungen für Menschen nachvollziehbar sind. Statt einer Black Box liefert XAI strukturierte Erklärungen, welche Faktoren wie ins Ergebnis eingegangen sind. Wichtige Voraussetzung für EU AI Act Compliance und für die Akzeptanz im Team.

EU AI Act

Erste umfassende KI-Verordnung der Europäischen Union. Seit August 2024 in Kraft; die Pflichten greifen stufenweise ab 2025, für Hochrisiko-KI ab 2026. Definiert Risikoklassen, Transparenz-Anforderungen, Dokumentations- und Prüfpflichten.

• Quelle: EU-Verordnung 2024/1689 (offizieller Text)

Mittelstand

In Deutschland Unternehmen bis etwa 500 Mitarbeitende, häufig inhabergeführt. Macht über 99 Prozent aller Unternehmen aus und mehr als die Hälfte aller sozialversicherungspflichtigen Beschäftigten. Stellt eigene Anforderungen an KI-Lösungen: pragmatisch, datensparsam, ohne Großprojekt-Charakter.

• Quelle: IfM Bonn — Mittelstands-Definition

Prozessautomatisierung

Schrittweise Ablösung manueller Arbeitsschritte durch Software oder KI. In sauberer Reihenfolge: erst digitalisieren, dann automatisieren, dann KI. Ohne saubere Daten und definierte Prozesse läuft KI sich an der Realität tot.

KI-Potenzial-Check

Strukturierte Erst-Analyse, meist als Halb- oder Tagesauftrag. Klärt: wo lohnt KI im Unternehmen, welche Use Cases haben den schnellsten ROI, welche Daten und Prozesse müssen vorher in Form gebracht werden. Liefert priorisierte Roadmap, kein Strategiepapier.

KI-Roadmap

Mehrstufiger Umsetzungsplan: Quick Wins, Pilotprojekte, Skalierung. Bezieht IT-Landschaft, Datenlage, EU-AI-Act-Anforderungen und Förderoptionen ein. Ziel: nicht alles auf einmal wollen, sondern in Schritten realen Mehrwert liefern.

DSGVO-konforme KI

KI-Anwendungen, die die Datenschutz-Grundverordnung der EU einhalten: rechtmäßige Datenverarbeitung, Auskunfts- und Löschpflichten, Datenminimierung, Schutz besonderer Kategorien wie Gesundheit oder Politik. In der Praxis häufig Lokal-Setup oder On-Premise statt US-Cloud.

• Quelle: DSGVO-Volltext (dsgvo-gesetz.de)
• Quelle: BSI — IT-Grundschutz

Daten-Strategie

Klärung, welche Daten im Unternehmen vorhanden sind, wer sie nutzen darf, wie sie sauber gehalten werden und wo sie liegen. Voraussetzung für jede sinnvolle Analyse, jedes Reporting und jede KI-Anwendung.

Quick Wins

Kleine, schnelle Automatisierungen mit messbarem Effekt in Wochen statt Monaten. Beispiele aus unseren Projekten: Buchhaltung von 8 Stunden auf 1 Stunde, Angebotserstellung von 3 Stunden auf 30 Minuten. Ziel: schnelle Erfolge, die Vertrauen in größere KI-Projekte aufbauen.

Prompt Engineering

Strukturierte Techniken zum Steuern von KI-Sprachmodellen wie Claude, GPT oder Gemini. Klare Aufgaben-Definition, Kontext mitgeben, Format vorschreiben, Beispiele liefern. Macht aus zufälligem Output reproduzierbare Arbeitsergebnisse.

On-Premise vs. Cloud

On-Premise bedeutet, dass KI-Modelle und Daten im eigenen Rechenzentrum laufen. Cloud bedeutet, dass externe Anbieter wie AWS, Azure oder OpenAI die Infrastruktur stellen. Mittelständler wählen je nach Datenschutz-Sensibilität, Kosten und IT-Kapazität.

KI-Schulung

Strukturierte Weiterbildung für Mitarbeitende: KI-Grundlagen, datenschutzkonforme Tool-Nutzung, Prompt Engineering, Anwendung im eigenen Aufgabenbereich. Ziel ist, dass jede Funktion KI im Alltag sicher beherrscht — nicht nur bedient.

Large Language Model (LLM)

KI-Sprachmodell, das auf riesigen Textmengen trainiert wurde und Sprache verstehen und erzeugen kann — die Technik hinter ChatGPT, Claude oder Gemini. Im Mittelstand der Motor für Assistenten, Textautomatisierung und Wissensabfragen. Entscheidend ist nicht das Modell, sondern die saubere Einbettung in den eigenen Prozess.

KI-Agent

KI-System, das nicht nur antwortet, sondern mehrstufige Aufgaben selbstständig ausführt: Informationen beschaffen, Werkzeuge bedienen, Zwischenschritte planen. Im Unternehmenseinsatz immer mit klaren Grenzen und nachvollziehbaren Protokollen — ein Agent ohne Leitplanken ist keine Automatisierung, sondern ein Risiko.

Retrieval-Augmented Generation (RAG)

Architektur, bei der ein Sprachmodell vor der Antwort gezielt in freigegebenen Firmendokumenten nachschlägt, statt nur aus dem Training zu schöpfen. Ergebnis: Antworten mit Quellenbezug aus dem eigenen Wissen — die Standardlösung, wenn KI auf Handbücher, Verträge oder Produktdaten antworten soll.

Generative Engine Optimization (GEO)

Sichtbarkeit in KI-Antworten statt nur in Suchergebnissen: GEO sorgt dafür, dass ChatGPT, Gemini, Claude oder Perplexity ein Unternehmen finden, verstehen und empfehlen. Werkzeuge sind strukturierte Daten, gezielte Crawler-Freigaben und laufende Messung der Nennungen — denn wer in KI-Antworten fehlt, wird aussortiert, ohne es zu erfahren.

KI-Sichtbarkeit (AI Visibility)

Messgröße dafür, ob und wie oft ein Unternehmen in den Antworten von KI-Systemen vorkommt, wenn Kunden nach passenden Anbietern fragen. Gemessen über wiederholte Testfragen an mehrere KI-Anbieter, ausgewertet nach Nennungsquote, Anteil gegenüber Wettbewerbern und Faktentreue der Aussagen.

Strukturierte Daten (JSON-LD)

Maschinenlesbare Zusatzebene einer Website im Schema.org-Format: Firmenprofil, Leistungen, Standorte und häufige Fragen so hinterlegt, dass Suchmaschinen und KI-Systeme sie direkt verstehen. Grundlage dafür, in KI-Antworten korrekt zitiert zu werden, statt von Drittquellen beschrieben zu werden.