Jede KI-Produktseite setzt voraus, dass Sie die Sprache bereits sprechen. Die Preistabelle rechnet pro Token ab, das Changelog feiert ein größeres Kontextfenster, das Verkaufsdeck verspricht durch RAG geerdete Agenten — und nichts davon sagt Ihnen, was diese Wörter für die einzige Frage bedeuten, auf die es ankommt: Wird dieses Tool die Aufgabe erledigen?
Hier also sind KI-Begriffe erklärt für Käufer, nicht für Forscher. Dies ist bewusst kein Wörterbuch von A bis Z. Es ist ein praxistaugliches Vokabular von etwa zwei Dutzend Begriffen, geordnet nach den vier Fragen, die Menschen bei der Bewertung eines Tools tatsächlich stellen: Womit rede ich eigentlich, warum liegt es manchmal falsch, was bedeuten die Zahlen im Datenblatt, und was gehört zur Bereitstellung dazu? Jeder Eintrag besteht aus ein paar Sätzen in verständlichem Deutsch plus dem Grund, warum der Begriff beim Kauf zählt.
Lesen Sie es von vorne bis hinten durch, oder springen Sie zu dem Abschnitt, den Sie brauchen. Wo ein Begriff über ein reales Produkt leichter zu greifen ist, verlinkt das Beispiel auf dessen Eintrag. ToolPotion erfasst über 13.000 KI-Tools, täglich aktualisiert, sodass hinter jedem Beispiel eine aktuelle Seite steht.
Womit Sie reden: zentrale KI-Begriffe erklärt
Die erste Verwirrung entsteht bei den Bezeichnungen. „Modell“, „LLM“, „Chatbot“, „Assistent“ und „Agent“ werden in Marketingtexten synonym verwendet, und sie sind nicht dasselbe.
Modell
Das trainierte System selbst: eine sehr große statistische Funktion, die Eingaben in Ausgaben verwandelt, erzeugt durch das Verarbeiten enormer Datenmengen in einem Trainingsprozess. Produkte sind Hüllen um Modelle: Eine Chat-App, eine API und eine Browser-Erweiterung können alle auf demselben Modell aufsetzen. Das ist beim Vergleich von Tools wichtig, denn das Modell setzt die Obergrenze für die Qualität, während das Produkt über den Workflow entscheidet. Sie können aktuelle KI-Modelle als eigene Kategorie im Verzeichnis durchsehen.
Large Language Model (LLM)
Ein Modell, das überwiegend auf Text trainiert wurde, um vorherzusagen, was als Nächstes in einer Sequenz kommt. Das reicht überraschenderweise aus, um zu entwerfen, zusammenzufassen, zu übersetzen und Code zu schreiben. Claude Opus und Gemini 3.1 Pro sind aktuelle Spitzenbeispiele. Das Verzeichnis listet auch kleinere offene LLMs, die Sie selbst betreiben können. Wenn ein Anbieter sagt „powered by an LLM“, ist die nützliche Rückfrage: welches, und ob Sie es später wechseln können.
Chatbot
Ein Interface-Muster, keine Technologie: eine Nachrichtenbox, die mit einem Modell verdrahtet ist, meist auf eine Aufgabe zugeschnitten, etwa das Beantworten von Kundenfragen. Moderne Chatbots basieren auf LLMs, aber das Wort ist älter als sie, weshalb es alles beschreiben kann, von einem starren FAQ-Skript bis zu einem wirklich leistungsfähigen Support-System.
Assistent (oder Copilot)
Ein universelles Chat-Produkt, das auf die tägliche Arbeit einer einzelnen Person ausgerichtet ist: Entwerfen, Zusammenfassen, Beantworten, meist direkt in den Apps, in denen diese Arbeit stattfindet. ChatGPT ist der kanonische eigenständige Assistent. „Copilot“ signalisiert typischerweise einen Assistenten, der in ein bestehendes Produkt eingebettet ist. Der kaufentscheidende Unterschied zum Chatbot ist die Zielgruppe: Assistenten dienen Ihren Mitarbeitern, Chatbots meist Ihren Kunden.
KI-Agent
Software, die ein Ziel entgegennimmt, Schritte plant, Tools aufruft und ihre eigenen Ergebnisse prüft: Sie handelt, statt nur zu antworten. Claude Code liest eine Codebasis, bearbeitet Dateien und führt Befehle aus. Intercom liefert einen Support-Agenten namens Fin, der Konversationen bearbeitet, statt nur darauf zu antworten. Der Kompromiss ist der Wirkungsradius: Ein System, das handeln kann, kann durch Handeln scheitern, weshalb Berechtigungen und Prüfschritte hier mehr zählen als irgendwo sonst. Die Kategorie KI-Agent ist der am schnellsten wachsende Bereich des Verzeichnisses.
| Begriff | Was er leistet | Kaufen, wenn |
|---|---|---|
| Chatbot | Beantwortet Fragen in einem abgegrenzten Bereich | Sie kundenseitige Fragen und Antworten im großen Maßstab brauchen |
| Assistent | Unterstützt eine Person bei vielen Aufgaben | Sie die Produktivität der Mitarbeiter steigern wollen, bei geringem Risiko |
| Agent | Plant und führt mehrstufige Arbeit aus | Ein Workflow es wert ist, durchgängig automatisiert zu werden |
Multimodal
Ein Modell, das mehr als Text verarbeitet: Bilder, Audio oder Video, als Eingabe, Ausgabe oder beides. Gemini 3.1 Pro liest und schlussfolgert über gemischte Medien. Auf der Erzeugungsseite verwandelt Kling 3.0 Text und Referenzbilder in Video mit Audio. Wenn Ihre Arbeit Screenshots, PDFs mit Diagrammen oder Aufnahmen umfasst, ist multimodale Unterstützung eine Anforderung, kein nettes Extra.
Warum es manchmal falsch liegt: Halluzination, Kontext und Cutoffs
Diese vier Begriffe erklären fast jede enttäuschende KI-Ausgabe, die Sie je zu sehen bekommen, und sie sind das Vokabular jedes ernsthaften Anbietergesprächs über Genauigkeit.
Halluzination
Eine selbstbewusste, flüssige, falsche Antwort. Das Modell erzeugt plausiblen Text, es konsultiert keine Faktendatenbank, weshalb es Zitate, Statistiken und Produktdetails erfinden kann, ohne dass ein Hinweis darauf erkennbar wäre. Bevorzugen Sie für faktenbasierte Arbeit Tools, die abrufbare Quellen zitieren, und behandeln Sie jede unbelegte konkrete Angabe als ungeprüft, bis Sie sie überprüft haben.
Kontextfenster
Wie viel Text, gemessen in Tokens, das Modell auf einmal berücksichtigen kann: sein Arbeitsgedächtnis, zu unterscheiden von seinem Wissen. Die Fenster sind schnell gewachsen. Claude Opus wirbt mit einem Fenster von einer Million Tokens, genug für eine komplette Codebasis oder mehrere Bücher in einer einzigen Anfrage.
Ein größeres Kontextfenster hebt die Obergrenze dessen, was Sie hineinkopieren können. Es garantiert nicht, dass das Modell alles davon gewichtet.
In der Praxis können Modelle den Überblick über Details verlieren, die tief in der Mitte sehr langer Eingaben stecken, sodass „passt ins Fenster“ und „wird gut genutzt“ verschiedene Aussagen sind.
Trainings-Cutoff
Das Datum, an dem die Trainingsdaten des Modells enden. Alles, was danach veröffentlicht wurde, ist für das Modell unsichtbar, sofern das Produkt nicht zusätzlich Websuche oder Retrieval einbindet. Warum es Sie interessiert: Wenn das Tool aktuelle Preise, Gesetze oder Nachrichten kennen muss, fragen Sie den Anbieter genau, wie frische Informationen hineinkommen. „Das Modell ist schlau“ ist keine Antwort.
RAG (Retrieval-Augmented Generation)
Erst suchen, dann antworten: Das System findet relevante Passagen in Ihren Dokumenten und lässt das Modell seine Antwort dann anhand dieser Passagen schreiben. Das erdet die Antworten in Ihren tatsächlichen Inhalten, verringert (beseitigt aber nicht) Halluzinationen und bleibt in dem Moment aktuell, in dem sich ein Dokument ändert, ohne erneutes Training. Wenn ein Anbieter sagt „auf Ihren Daten trainiert“, fragen Sie, ob er RAG meint. Meistens meint er das, und für internes Wissen ist RAG in der Regel genau das, was Sie wollen.
Prompt und System-Prompt
Ein Prompt ist alles, was Sie an das Modell senden. Ein System-Prompt ist das ständige Anweisungsblatt, das der Anbieter jeder Konversation voranstellt: Tonfall, Regeln, Leitplanken. Überraschend viele Nischen-KI-Produkte sind im Grunde ein System-Prompt über dem Modell eines anderen. Das kann trotzdem sein Geld wert sein, aber es sollte wie Verpackung bepreist werden, nicht wie Forschung.
Das Datenblatt lesen: Tokens, Parameter, Inferenz
Die Zahlen auf einer KI-Preisseite sind keine Marketingdekoration. Drei von ihnen bestimmen direkt Ihre Rechnung.
Token
Die Einheit, die Modelle lesen und ausgeben: ein Textabschnitt, wobei ein gängiges englisches Wort oft einem Token entspricht. Eine brauchbare Faustregel: 1.000 Tokens entsprechen etwa 750 englischen Wörtern. Die API-Preise werden pro Million Tokens angegeben, wobei Eingabe und Ausgabe getrennt bepreist werden, weshalb lange Dokumente hinein und lange Antworten hinaus die Kosten treiben.
Parameter
Die internen numerischen Gewichte, die ein Modell während des Trainings gelernt hat. Die Parameterzahl ist die gängige Kurzform für die Modellgröße. Muse Glimmer beispielsweise ist ein Modell mit 30 Milliarden Parametern, gebaut, um Agentenaufgaben auf Consumer-Hardware auszuführen. Mehr Parameter erkaufen im Allgemeinen Leistungsfähigkeit zum Preis von Geschwindigkeit und Kosten, und ein kleines Modell, das Ihre Aufgabe gut meistert, schlägt ein großes, das Sie überbezahlen und unternutzen.
Inferenz
Das Ausführen des trainierten Modells, um eine Ausgabe zu erzeugen. Das Training fand einmal statt, auf Kosten des Anbieters; die Inferenz findet bei jeder Anfrage statt, auf Ihre Kosten. Latenz und Kosten pro Anfrage sind Eigenschaften der Inferenz, sodass eine Anbieterwerbung mit günstigerer oder schnellerer Inferenz Ihre Rechnung und die Wartezeit Ihrer Nutzer betrifft, nicht die Antwortqualität.
Fine-Tuning
Zusätzliches Training mit Ihren eigenen Beispielen, um das Verhalten eines Modells zu verschieben: Tonfall, Format, Fachgewohnheiten. Es eignet sich gut für konsistenten Stil und strukturierte Ausgaben und ist ein schlechter Weg, um Fakten beizubringen, die sich ändern — das ist die Aufgabe von RAG. Der versteckte Aufwand ist die Pflege: Jedes Upgrade des Basismodells kann bedeuten, dass die Arbeit erneut gemacht werden muss.
Reasoning-Modell
Ein Modell, das zusätzliche Rechenleistung darauf verwendet, Zwischenschritte durchzuarbeiten, bevor es antwortet, was bei Mathematik, Planung und schwierigem Code messbar hilft. Manche sind Hybride: Claude Opus kann schnell antworten oder bei Bedarf länger nachdenken. Der Kompromiss ist real: Reasoning-Durchläufe sind langsamer und kosten mehr Tokens, sodass eine einfache Extraktionsaufgabe durch ein solches Modell zu leiten bedeutet, für Denken zu bezahlen, das Sie nicht brauchen.
Benchmark
Ein standardisierter Test, der die Leaderboard-Werte in Launch-Beiträgen erzeugt. Behandeln Sie sie als grobe Signale für die Leistungsfähigkeit, nicht als Vorhersagen für Ihre Arbeitslast: Anbieter präsentieren naturgemäß die Benchmarks, die sie gewinnen. Zwanzig Ihrer eigenen realen Aufgaben, ausgeführt gegen zwei Kandidaten-Tools, sagen Ihnen mehr als jedes Leaderboard.
Bereitstellungsbegriffe: APIs, offene Gewichte und wo es läuft
Die letzte Gruppe von Begriffen bestimmt die Kostenstruktur, die Datenschutzhaltung und wie viel Engineering Sie in Kauf nehmen.
API
Programmatischer Zugriff: Ihre Software ruft das Modell über das Internet auf und zahlt pro Token, statt dass eine Person pro Platz für eine App zahlt. Derselbe Anbieter verkauft oft beides, und es sind unterschiedliche Budgets: Plätze skalieren mit der Mitarbeiterzahl, API-Kosten skalieren mit der Nutzung. Wissen Sie, wonach Sie tatsächlich suchen, bevor Sie Preise vergleichen.
Offene Gewichte vs. geschlossen
Modelle mit offenen Gewichten veröffentlichen die Modelldateien: Laden Sie sie herunter, betreiben Sie sie auf Ihrer eigenen Hardware, halten Sie Daten im Haus, zahlen Sie keine Gebühr pro Token an den Hersteller. Gemma 4 bietet leichtgewichtige offene Modelle, die aus derselben Technologie wie Gemini gebaut sind, und Stability AI veröffentlicht offene generative Modelle für Bilder, Video und Audio. Geschlossene Modelle werden über die Server des Anbieters gemietet: weniger Kontrolle, weit weniger Betriebsaufwand, und die stärksten geschlossenen Modelle führen bei der reinen Leistungsfähigkeit tendenziell weiterhin.
On-Device vs. Cloud
Wo die Inferenz physisch stattfindet. Cloud bedeutet, dass Anfragen Ihr Netzwerk verlassen; On-Device oder selbst gehostet bedeutet, dass sie es nicht tun, weshalb Teams mit hohen Compliance-Anforderungen Wert darauf legen und weshalb Modelle wie Muse Glimmer existieren, die auf Consumer-Hardware laufen. Rechnen Sie mit einer Leistungslücke: Die größten Modelle passen nicht auf einen Laptop.
Embedding
Text, umgewandelt in eine Liste von Zahlen, die so positioniert sind, dass ähnliche Bedeutungen nahe beieinander landen. Embeddings sind der Grund, warum Software nach Bedeutung sucht statt nach exakten Schlüsselwörtern, weshalb eine Suchanfrage nach „Rückerstattungsregeln“ ein Dokument mit dem Titel „Rückgaberichtlinie“ finden kann.
Vektordatenbank
Ein Speicher, der dafür gebaut ist, Embeddings zu halten und die nächstgelegenen Übereinstimmungen schnell zu finden. Sie ist die Retrieval-Hälfte der meisten RAG-Systeme. Chroma ist ein Open-Source-Beispiel, das Vektor-, Volltext- und Metadatensuche kombiniert. Wenn ein Anbieter sagt, er „macht RAG über Ihre Dokumente“, steckt eine davon im Stack. Fragen Sie, wo sie läuft und was sie speichert.
Framework
Code-Gerüst zum Verdrahten von Modellen, Tools und Retrieval zu einer Anwendung: der Weg des Selbstbaus, den Teams für interne Arbeit früh wählen. Durchsuchen Sie die Kategorie KI-Framework, um die aktuellen Optionen zu sehen. Wenn niemand im Team Code schreibt, decken visuelle Baukästen wie Microsoft Copilot Studio gängige Fälle ab, und das Verzeichnis führt eine vollständige Aufgabenseite mit Tools zum Bauen von KI-Agenten, die beide Ansätze umfasst.
Observability und Evals
Observability bedeutet, nachzuverfolgen, was ein Modell oder Agent tatsächlich getan hat: jeder Schritt, jeder Tool-Aufruf, jede Token-Kosten und jede Verzögerung. Evals sind bewertete Tests der Ausgabequalität, wiederholt ausgeführt, damit Regressionen auffallen, bevor es die Kunden tun. Langfuse ist eine Open-Source-Plattform, die Tracing, Prompt-Management und Evaluierung abdeckt. Wenn Sie einen Agenten kaufen, statt einen zu bauen, ist die entsprechende Frage an den Anbieter einfach: Wenn der Agent etwas falsch macht, was genau werden Sie mir zeigen?
Häufig gestellte Fragen
Ist ChatGPT ein LLM?
Streng genommen nein: ChatGPT ist eine Anwendung, die auf LLMs aus der GPT-Familie von OpenAI aufbaut. Die Unterscheidung ist wichtig, weil Funktionen wie Memory, Datei-Uploads und Web-Browsing zur App gehören, nicht zum Modell, und ein anderes Produkt, das dasselbe Modell nutzt, sie alle möglicherweise nicht hat.
Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?
Ein Chatbot antwortet; ein Agent handelt. Agenten planen mehrstufige Arbeit, rufen andere Software auf und verändern Dinge in realen Systemen, was sie zugleich nützlicher und riskanter macht. Die praktische Kauffrage betrifft die Berechtigungen: worauf ein Agent zugreifen darf und was überprüft wird, bevor er es tut.
Bedeuten mehr Parameter ein besseres KI-Modell?
Nicht unbedingt für Ihre Aufgabe. Größere Modelle sind im Allgemeinen abstrakt leistungsfähiger, aber sie kosten mehr und antworten langsamer, und viel Alltagsarbeit — Klassifizierung, Extraktion, routinemäßiges Entwerfen — läuft gut auf kleinen Modellen. Testen Sie das günstigste Modell, das funktionieren könnte, bevor Sie standardmäßig zum größten greifen.
Kann ich ein KI-Modell auf meinem eigenen Computer betreiben?
Ja, wenn es offene Gewichte und eine bescheidene Größe hat: Kleine offene Modelle wie die Gemma-Familie sind dafür ausgelegt, und einige Modelle mit 30 Milliarden Parametern zielen inzwischen auf Consumer-Hardware. Rechnen Sie mit schwächeren Ergebnissen als bei Cloud-Modellen der Spitzenklasse, im Gegenzug für null Kosten pro Token und Daten, die Ihre Maschine nie verlassen.