milhouse solutions | KI-Glossar für Entscheider: Die Begriffe, die 2026 wirklich zählen

Kurz gesagt: Die meisten KI-Glossare erklären dir was ein Begriff bedeutet. Dieses erklärt dir zusätzlich, warum er über dein Budget entscheidet – und was der Anbieter dir bei genau diesem Wort lieber nicht sagt. Jede Definition steht für sich, jede Einordnung kommt aus der Praxis. Kein Buzzword-Bingo, keine Hype-Deko.

Wer 2026 über Software mit KI-Anteil entscheidet, verhandelt gegen eine Wand aus Fachbegriffen. Das ist kein Zufall. Unklare Sprache ist ein Verkaufswerkzeug: Wer die Wörter kontrolliert, kontrolliert die Diskussion – und am Ende die Rechnung. Dieses Glossar dreht das um. Erster Satz pro Begriff: die saubere Definition. Zweiter Satz: die Einordnung, die du für eine gute Entscheidung brauchst.

1. Modelle & Grundbegriffe

LLM (Large Language Model)

Ein großes Sprachmodell ist ein KI-System, das aus riesigen Textmengen gelernt hat, das jeweils wahrscheinlichste nächste Wort vorherzusagen – und daraus Antworten, Code und Analysen erzeugt. Ein LLM „versteht“ nichts im menschlichen Sinn; es rechnet Wahrscheinlichkeiten. Das ist keine Kleinigkeit, sondern der Grund, warum jede ernsthafte Anwendung eine Kontrollschicht drumherum braucht.

Foundation Model (Basismodell)

Ein Basismodell ist ein groß trainiertes Universalmodell, das nicht für eine einzelne Aufgabe gebaut wurde, sondern als Fundament für viele Anwendungen dient. Du kaufst hier keine Lösung, du kaufst Rohmaterial – die Wertschöpfung liegt darin, was drumherum entsteht.

Frontier Model

Ein Frontier Model ist eines der jeweils leistungsfähigsten verfügbaren Modelle einer Generation – teuer, langsam, extrem fähig. Die unbequeme Wahrheit: Die wenigsten Mittelstands-Anwendungen brauchen ein Frontier Model. Der 2026-Standard ist Multi-Model-Routing – teure Modelle fürs komplexe Denken, kleine Modelle für Extraktion und Klassifikation. Wer alles über das teuerste Modell laufen lässt, verbrennt Geld ohne Gegenwert.

SLM (Small Language Model)

Ein kleines Sprachmodell ist ein bewusst schlank gehaltenes Modell, das für eng definierte Aufgaben schnell, günstig und lokal läuft. Für Klassifikation, Extraktion oder Standardantworten oft die klügere Wahl als ein Frontier Model – niemand nimmt einen LKW, um Brötchen zu holen.

Open Weight

Open Weight bedeutet, dass die trainierten Gewichte eines Modells öffentlich verfügbar sind, sodass du es selbst hosten und anpassen kannst. Wichtig: „Open Weight“ heißt nicht „Open Source“ (siehe Verwechslungs-Tabelle). Für den Mittelstand ist Open Weight vor allem ein Datenschutz- und Souveränitätsargument – das Modell läuft auf deiner Infrastruktur, deine Daten verlassen das Haus nicht.

Open Source (KI)

Open Source im echten Sinn heißt, dass Gewichte, Trainingscode und nachvollziehbare Trainingsdaten offengelegt sind. Der Begriff wird im Marketing großzügig missbraucht – viele „Open-Source-Modelle“ sind streng genommen nur Open Weight. Frag im Zweifel nach, was genau offen ist, bevor du Compliance-Versprechen darauf baust.

Multimodal

Ein multimodales Modell verarbeitet mehr als nur Text – etwa Bilder, PDFs, Audio oder Tabellen in einer gemeinsamen Verarbeitung. Praktisch relevant überall dort, wo Belege, Screenshots oder Scans im Prozess stecken – also in fast jedem realen Mittelstands-Workflow.

Mixture of Experts (MoE)

Mixture of Experts ist eine Architektur, bei der pro Anfrage nur ein Teil des Modells („die zuständigen Experten“) aktiviert wird statt des gesamten Netzes. Das drückt die Inferenzkosten erheblich – für dich als Käufer der Grund, warum ein sehr großes Modell trotzdem bezahlbar sein kann.

Reasoning Model / Reasoning

Ein Reasoning-Modell nimmt sich vor der Antwort bewusst „Denkzeit“, um mehrschrittige Probleme in Zwischenschritten zu lösen. Es liefert bei komplexer Logik bessere Ergebnisse, kostet aber mehr Zeit und Geld pro Antwort – für ein Kontaktformular ist es Overkill, für eine Angebotskalkulation Gold wert.

Parameter

Parameter sind die einstellbaren Stellschrauben eines Modells, die es während des Trainings lernt – ihre Anzahl (Milliarden bis Billionen) ist ein grober Indikator für Kapazität. Mehr Parameter heißt nicht automatisch besser für deinen Fall; ab einer bestimmten Größe zahlst du für Fähigkeiten, die deine Anwendung nie abruft.

Token

Ein Token ist die kleinste Verarbeitungseinheit eines Modells – ungefähr ein Wortteil; ein deutsches Wort sind oft ein bis drei Token. Warum dich das interessiert: Abgerechnet wird pro Token, nicht pro Anfrage. Lange Prompts und lange Antworten sind direkt bares Geld.

Kontextfenster (Context Window)

Das Kontextfenster ist die maximale Menge an Text (in Token), die ein Modell in einer einzigen Anfrage gleichzeitig berücksichtigen kann. Ein großes Kontextfenster ist verlockend, aber kein Freifahrtschein – wer es mit irrelevantem Ballast vollstopft, bekommt schlechtere und teurere Antworten (siehe Kontext-Engineering).

2. Training, Inferenz & Ökonomie

Inferenz (Inference)

Inferenz ist das Ausführen eines fertig trainierten Modells, um eine konkrete Ausgabe zu erzeugen – jede einzelne Antwort ist eine Inferenz. Das ist der Posten, der deine laufenden Kosten bestimmt: Training zahlt der Anbieter einmal, Inferenz zahlst du bei jeder Nutzung, dauerhaft.

Training / Pre-Training

Training ist der Prozess, in dem ein Modell aus Daten seine Fähigkeiten lernt; Pre-Training ist die teure Grundausbildung an riesigen Datenmengen. Für 99 % der Mittelstands-Projekte irrelevant als Kostenposten – niemand trainiert ein Modell von Grund auf, du baust auf vorhandenen auf.

Post-Training

Post-Training umfasst alle Schritte, die ein vortrainiertes Modell nachträglich verfeinern – Verhalten, Sicherheit, Antwortstil. Der Bereich, in dem aus einem rohen Modell ein brauchbares Produkt wird; hier entscheidet sich, ob ein Modell hilfreich oder unbrauchbar antwortet.

Fine-Tuning

Fine-Tuning ist das gezielte Nachtrainieren eines Modells auf eigene Fachdaten, um es auf ein Spezialgebiet zu spezialisieren. Der Reflex „wir müssen unser eigenes Modell fine-tunen“ ist meistens falsch – gutes Prompting plus RAG bringt schneller und günstiger dasselbe Ergebnis. Fine-Tuning ist die Ausnahme, nicht der Startpunkt.

RLHF (Reinforcement Learning from Human Feedback)

RLHF ist eine Trainingsmethode, bei der Menschen Modellantworten bewerten und das Modell lernt, bevorzugte Antworten zu erzeugen. Der Grund, warum moderne Modelle sich hilfreich statt roh verhalten – und zugleich eine Quelle für Sycophancy (siehe unten).

RLAIF (Reinforcement Learning from AI Feedback)

RLAIF funktioniert wie RLHF, nur bewertet hier eine KI statt eines Menschen die Antworten – schneller und billiger skalierbar. Für dich als Anwender selten direkt relevant, aber ein guter Testfrage-Kandidat, um zu prüfen, ob dein Gegenüber die Materie wirklich kennt.

Distillation (Destillation)

Destillation ist das Verfahren, mit dem ein großes „Lehrer“-Modell sein Verhalten in ein kleines, günstiges „Schüler“-Modell überträgt. So entstehen die kleinen Modelle, die fast so gut sind wie große – und deine Inferenzrechnung deutlich schrumpfen lassen.

Quantisierung (Quantization)

Quantisierung reduziert die Rechenpräzision eines Modells (z. B. von 16 auf 4 Bit), damit es kleiner wird und auf günstigerer Hardware läuft. Der Trick, der es erlaubt, ein ordentliches Modell auf eigener Hardware statt in der teuren Cloud zu betreiben – relevant für jede „unsere Daten bleiben im Haus“-Anforderung.

Test-Time Compute

Test-Time Compute bezeichnet die Rechenleistung, die ein Modell während der Beantwortung investiert, statt nur beim Training – die Grundlage von Reasoning-Modellen. Praktische Konsequenz: Du kannst Qualität kaufen, indem du das Modell länger nachdenken lässt. Denken kostet – wörtlich.

Prompt Caching

Prompt Caching ist die Wiederverwendung bereits verarbeiteter, gleichbleibender Prompt-Teile über viele Anfragen hinweg, um Latenz und Kosten zu senken. Bei Agenten mit großen, immer gleichen System-Prompts der Unterschied zwischen bezahlbar und ruinös – und ein Punkt, an dem schlecht gebaute Vibecode-Prototypen regelmäßig Geld verbrennen.

Latenz & Throughput

Latenz ist die Zeit bis zur Antwort; Throughput ist die Menge an Anfragen, die ein System pro Zeiteinheit bewältigt. Beides bestimmt, ob sich eine KI-Funktion im Alltag „schnell“ anfühlt oder ob Mitarbeitende sie nach zwei Wochen wieder umgehen.

3. Kontext & Wissen

RAG (Retrieval-Augmented Generation)

RAG ist ein Verfahren, bei dem das Modell vor der Antwort passende Informationen aus deinen eigenen Datenquellen holt und in den Kontext lädt. Die pragmatischste Art, ein Modell „dein Unternehmen kennen zu lassen“, ohne teures Fine-Tuning – und in den meisten Fällen die richtige Antwort auf „das Modell weiß nichts über uns“.

Embeddings & Vektordatenbank

Ein Embedding ist die Umwandlung von Text in eine Zahlenrepräsentation, die Bedeutung abbildet; eine Vektordatenbank speichert diese und findet inhaltlich ähnliche Inhalte per Ähnlichkeitssuche. Das technische Rückgrat von RAG – hier entscheidet sich, ob dein System die richtigen Dokumente findet oder selbstbewusst am Thema vorbei antwortet.

Kontext-Engineering (Context Engineering)

Kontext-Engineering ist die Disziplin, exakt die richtigen Informationen in exakt der richtigen Reihenfolge in das Kontextfenster zu laden – nicht mehr und nicht weniger. Das ist 2026 die eigentliche Ingenieursarbeit hinter guten KI-Systemen; sie hat das reine „Prompt-Schreiben“ als entscheidenden Hebel abgelöst.

Prompt Engineering

Prompt Engineering ist das gezielte Formulieren von Anweisungen, damit ein Modell verlässlich das Gewünschte liefert. Nicht tot, aber vom Hype-Thron gestoßen: Ein perfekter Prompt an einem schlecht zusammengestellten Kontext bleibt eine gute Frage an die falschen Unterlagen.

Chunking

Chunking ist das Zerlegen großer Dokumente in sinnvolle Häppchen, damit ein RAG-System gezielt die relevanten Teile findet. Unsichtbar, aber folgenreich: Schlechtes Chunking ist eine der häufigsten Ursachen, warum ein KI-System „irgendwie nicht die richtigen Antworten“ gibt.

Grounding

Grounding ist die Verankerung von Modellantworten in überprüfbaren Quellen statt im freien Erfinden. Für alles, was Haftung berührt – Rechtstexte, Angebote, Beratung – nicht optional, sondern Pflicht. Ohne Grounding baust du eine Halluzinationsmaschine mit Corporate-Design.

Memory (Agenten-Gedächtnis)

Memory ist die Fähigkeit eines Systems, Informationen über einzelne Anfragen oder Sitzungen hinweg zu behalten – kurzfristig (Gespräch) oder langfristig (gespeicherte Fakten). Was aus einem netten Chatbot einen echten Assistenten macht – und zugleich die Stelle, an der Datenschutzfragen sehr real werden.

4. Agentic Engineering & Loops

Agent

Ein KI-Agent ist ein System, das ein Ziel eigenständig in mehreren Schritten verfolgt: beobachten, planen, Werkzeuge nutzen, Ergebnis prüfen, korrigieren – bis die Aufgabe erledigt ist. Der Unterschied zum Chatbot in einem Satz: Ein Chatbot beantwortet Fragen, ein Agent erledigt Aufgaben.

Agentic

„Agentic“ beschreibt Systeme, die nicht nur antworten, sondern eigenständig handeln – Entscheidungen treffen, Werkzeuge aufrufen, über längere Zeit an einem Ziel arbeiten. Das Wort des Jahres und entsprechend abgenutzt: Vieles, was „agentic“ heißt, ist ein aufgehübschter If-Else-Ablauf. Frag nach dem Loop, dann weißt du, was wirklich dahintersteckt.

Agent Loop

Der Agent Loop ist der Kernzyklus eines Agenten: wahrnehmen → schlussfolgern → handeln → Ergebnis beobachten → wiederholen, bis das Ziel erreicht ist. Hier lebt die eigentliche Intelligenz eines Agenten – und hier passieren auch die teuren Fehler, wenn niemand definiert hat, wann der Loop stoppen soll.

Loop Engineering

Loop Engineering ist die noch junge Ingenieursdisziplin, den Kontrollzyklus eines Agenten robust zu bauen: Abbruchbedingungen, Fehlerbehandlung, Wiederholungen, Kostengrenzen und Sicherheitsschranken innerhalb der Schleife. Das ist der Unterschied zwischen einem Demo-Agenten, der im Vorführmodus glänzt, und einem, der im Produktivbetrieb nicht in Endlosschleifen läuft oder unbemerkt hunderte Euro verbrennt. Genau hier trennt sich Prototyp von Produkt.

ReAct (Reasoning + Acting)

ReAct ist ein Agenten-Muster, das Denken und Handeln verschränkt: Das Modell überlegt, führt eine Aktion aus, beobachtet das Ergebnis und denkt weiter. Das Standardmuster hinter den meisten funktionierenden Agenten – nützliches Vokabular, um ein Angebot auf Substanz zu prüfen.

Tool Use / Function Calling

Tool Use ist die Fähigkeit eines Modells, externe Funktionen aufzurufen – Datenbankabfragen, APIs, Suche – indem es strukturierte Parameter zurückgibt und die Ergebnisse weiterverarbeitet. Der Mechanismus, der aus einem redenden LLM ein handelndes System macht. Ohne Tools bleibt jede KI ein sehr belesener Praktikant ohne Zugriff auf irgendetwas.

Orchestrierung / Multi-Agent

Orchestrierung ist das Koordinieren mehrerer spezialisierter Agenten oder Schritte zu einem Gesamtprozess. Klingt beeindruckend, ist oft überkonstruiert: Viele „Multi-Agent-Systeme“ lösen ein Problem, das ein einzelner gut gebauter Agent billiger und zuverlässiger erledigt hätte.

Subagent

Ein Subagent ist ein spezialisierter Unter-Agent, den ein Hauptagent für eine abgegrenzte Teilaufgabe beauftragt. Sinnvoll zur sauberen Trennung von Verantwortlichkeiten – gefährlich, wenn er nur dazu dient, ein Architektur-Diagramm eindrucksvoller aussehen zu lassen.

Human-in-the-Loop

Human-in-the-Loop bedeutet, dass ein Mensch an definierten Stellen freigibt, korrigiert oder eingreift, statt dass der Agent voll autonom durchläuft. Bei allem, was Geld bewegt, verschickt wird oder rechtlich bindet, kein Kompromiss, sondern Grundausstattung – und unter dem EU AI Act für bestimmte Systeme schlicht vorgeschrieben.

Guardrails

Guardrails sind Schutzmechanismen, die verhindern, dass ein KI-System außerhalb erlaubter Grenzen agiert – inhaltlich, technisch oder rechtlich. Der Teil, den Prototypen fast immer weglassen und den Produktivsysteme zwingend brauchen. „Läuft ja“ ist keine Guardrail.

Eval / Evaluation

Eine Eval ist ein systematischer Test, der misst, wie gut ein KI-System eine Aufgabe tatsächlich löst – reproduzierbar und mit Zahlen statt Bauchgefühl. Ohne Evals fliegst du blind: Du weißt nicht, ob eine Änderung dein System verbessert oder still verschlechtert hat. Das erste, was in gehypten Prototypen fehlt.

5. Protokolle, Betrieb & Praxis

MCP (Model Context Protocol)

MCP ist ein offener Standard, der KI-Modelle über eine einheitliche Schnittstelle mit Werkzeugen und Datenquellen verbindet, sodass derselbe „MCP-Server“ viele Agenten bedienen kann. 2025/26 zum Branchenstandard geworden (Anthropic, OpenAI, Microsoft ziehen mit) – wer heute Integrationen baut, sollte einen guten Grund haben, es nicht über MCP zu tun.

A2A (Agent-to-Agent)

A2A ist ein Protokoll für die Kommunikation zwischen eigenständigen Agenten – während MCP einen Agenten mit Werkzeugen verbindet, verbindet A2A Agenten untereinander. Wichtig für die Verwechslungs-Tabelle: MCP ≠ A2A, auch wenn beide gern in einem Atemzug genannt werden.

API (Application Programming Interface)

Eine API ist die definierte Schnittstelle, über die Softwaresysteme miteinander sprechen – auch der Weg, über den du KI-Modelle in eigene Anwendungen einbindest. Der unspektakuläre, aber entscheidende Punkt: Ohne saubere APIs bleibt jede KI eine Insel neben deinen echten Systemen.

LLMOps

LLMOps umfasst alle Praktiken, um KI-Anwendungen im Produktivbetrieb zu betreiben, zu überwachen und zu verbessern – Deployment, Kostenkontrolle, Monitoring, Versionierung. Der unsexy Teil, der über Erfolg oder Scheitern entscheidet. Ein Modell aufzurufen ist einfach; es zwei Jahre stabil und bezahlbar zu betreiben ist die eigentliche Arbeit.

Observability

Observability ist die Fähigkeit, jederzeit nachzuvollziehen, was ein KI-System warum getan hat – Logs, Traces, Kosten, Fehler. Bei nicht-deterministischen Systemen überlebenswichtig: Wenn ein Agent Unsinn baut, musst du nachvollziehen können, an welcher Stelle im Loop. Ohne Observability debuggst du im Dunkeln.

Vibe Coding

Vibe Coding ist das schnelle Erzeugen von funktionierender Software per KI-Prompt, ohne den Code im Detail zu verstehen – ideal für Prototypen, riskant für Produktion. Der Prototyp läuft auf dem Laptop des Geschäftsführers, und dann soll er plötzlich echte Kundendaten verarbeiten. Genau an dieser Bruchstelle beginnt professionelles Vibecode-Fixing: Sicherheit, Wartbarkeit und Betrieb nachrüsten, ohne bei null anzufangen.

6. Sicherheit & Zuverlässigkeit

Relevanter denn je: Der EU AI Act, NIS2 und der Cyber Resilience Act greifen 2026 – und die meisten Begriffe in diesem Abschnitt sind nicht länger „nice to know“, sondern Nachweispflicht. Wer ein KI-System produktiv betreibt, muss diese Risiken kennen und dokumentiert beherrschen.

Halluzination (Hallucination)

Eine Halluzination ist eine Ausgabe, die überzeugend klingt, aber sachlich falsch oder frei erfunden ist. Kein Bug, den man „wegprogrammiert“, sondern eine Eigenschaft der Technologie – der Grund, warum Grounding, Guardrails und Human-in-the-Loop keine Extras sind, sondern die Architektur.

Prompt Injection

Prompt Injection ist ein Angriff, bei dem manipulierte Eingaben (auch versteckt in Dokumenten oder Webseiten) ein Modell dazu bringen, unerwünschte Anweisungen auszuführen. Das SQL-Injection des KI-Zeitalters – und in vibegecodeten Prototypen fast immer eine offene Tür. Für jedes System mit externen Eingaben ein Muss auf der Prüfliste.

Jailbreak

Ein Jailbreak ist der Versuch, die Sicherheitsschranken eines Modells gezielt zu umgehen, damit es Dinge tut, die es eigentlich verweigern sollte. Relevant überall dort, wo dein System öffentlich erreichbar ist – die Frage ist nicht ob es jemand probiert, sondern wann.

Sycophancy (Unterwürfigkeit)

Sycophancy ist die Tendenz eines Modells, dem Nutzer nach dem Mund zu reden statt zu widersprechen – auch wenn der Nutzer falsch liegt. Klingt harmlos, ist es nicht: Ein Modell, das dir bei einer Fehlkalkulation zustimmt, weil du selbstbewusst gefragt hast, ist ein teures Problem in der Beratung, Analyse oder Buchhaltung.

Reward Hacking

Reward Hacking beschreibt, wenn ein System die vorgegebene Zielmetrik erfüllt, aber auf eine Art, die den eigentlichen Zweck verfehlt. Die Mahnung an jede KI-Einführung: Miss das Richtige. Ein Agent, der „Tickets geschlossen“ optimiert, schließt eben auch ungelöste Tickets.

Alignment

Alignment ist das Bemühen, das Verhalten eines KI-Systems mit menschlichen Absichten und Werten in Einklang zu bringen. Für dich praktisch übersetzt: Tut das System zuverlässig das, was du meinst – nicht nur das, was du wörtlich gesagt hast? Der Abstand zwischen beidem ist, wo Projekte scheitern.

7. Verwechslungsgefahr: Die Begriffspaare, die jede Diskussion entgleisen lassen

Diese Unterscheidungen sind der Teil, an dem sich Anbieter am häufigsten – absichtlich oder aus Unwissen – verheddern. Wer sie sauseinanderhält, verhandelt auf Augenhöhe.

Wird verwechselt	Der entscheidende Unterschied
Open Weight vs. Open Source	Open Weight = Gewichte verfügbar (selbst hostbar). Open Source = zusätzlich Trainingscode und -daten offen. Fast alle „Open-Source-Modelle“ sind in Wahrheit nur Open Weight.
Fine-Tuning vs. RAG	Fine-Tuning verändert das Modell (teuer, träge). RAG lädt Wissen zur Laufzeit dazu (flexibel, aktuell). Für „das Modell soll unsere Daten kennen“ ist meist RAG die Antwort, nicht Fine-Tuning.
MCP vs. A2A	MCP verbindet einen Agenten mit Werkzeugen und Daten. A2A verbindet Agenten untereinander. Verschiedene Ebenen, nicht austauschbar.
Chatbot vs. Agent	Chatbot beantwortet einzelne Fragen ohne Handlungsfähigkeit. Agent verfolgt ein Ziel in mehreren Schritten mit Werkzeugen. „Agent“ auf dem Etikett heißt nicht, dass echte Agentik drin ist.
Prompt Engineering vs. Kontext-Engineering	Prompt Engineering = die Frage gut formulieren. Kontext-Engineering = die richtigen Informationen für die Frage bereitstellen. 2026 liegt der Hebel klar beim zweiten.
Training vs. Inferenz	Training = einmalige Grundausbildung (zahlt der Anbieter). Inferenz = jede einzelne Nutzung (zahlst du, dauerhaft). Nur eine der beiden Zahlen steht in deiner Bilanz.
Frontier Model vs. SLM	Frontier = maximale Fähigkeit, maximale Kosten. SLM = schlank, schnell, günstig für enge Aufgaben. Die Kunst ist das Routing, nicht das Bekenntnis zu einem Lager.

Häufige Fragen

Was ist der Unterschied zwischen Open Weight und Open Source bei KI-Modellen?

Open Weight bedeutet, dass die trainierten Gewichte eines Modells öffentlich verfügbar sind und du es selbst betreiben kannst. Open Source geht weiter und legt zusätzlich Trainingscode und -daten offen. Die meisten als „Open Source“ vermarkteten Modelle sind streng genommen nur Open Weight – ein wichtiger Unterschied, sobald Compliance oder echte Nachvollziehbarkeit gefragt sind.

Brauche ich für mein Projekt ein Frontier Model oder reicht ein kleineres Modell?

In den meisten Mittelstands-Anwendungen reicht ein kleineres oder mittelgroßes Modell. Der professionelle Ansatz 2026 ist Multi-Model-Routing: teure Frontier-Modelle nur für komplexe Reasoning-Aufgaben, kleine Modelle für Extraktion, Klassifikation und Standardantworten. Wer alles über das teuerste Modell laufen lässt, zahlt ein Vielfaches ohne spürbaren Mehrwert.

Ist Fine-Tuning nötig, damit die KI unser Unternehmen kennt?

Meistens nicht. Für „das Modell soll unsere Daten und Dokumente kennen“ ist Retrieval-Augmented Generation (RAG) in der Regel die bessere Wahl: schneller, günstiger und immer auf dem aktuellen Stand deiner Daten. Fine-Tuning lohnt sich erst bei sehr spezifischen Stil- oder Verhaltensanforderungen – und ist die Ausnahme, nicht der Startpunkt.

Warum reicht ein funktionierender KI-Prototyp nicht für den Produktivbetrieb?

Ein Prototyp beweist eine Idee – er ist nicht auf Sicherheit, Wartbarkeit, Kostenkontrolle und Betrieb ausgelegt. Genau die Themen aus diesem Glossar (Guardrails, Prompt Injection, Loop Engineering, Observability, Evals) fehlen in schnell gebauten Vibecode-Lösungen fast immer. Der Weg vom Prototyp zum Produkt bedeutet, diese Schicht nachzurüsten – idealerweise, ohne bei null anzufangen.

Du hast einen KI-Prototypen, der läuft – aber noch nicht produktionsreif ist? Der Software-Check zeigt dir in klarer Sprache, welche dieser Begriffe in deinem System bereits sauber gelöst sind und wo die teuren Lücken liegen. Kein Buzzword-Bingo, sondern eine belastbare Standortbestimmung.