Glossar

Jeder Begriff, den das Programm verwendet, verständlich erklärt.

Neu hier? Lies die erste Lektion. Kein Konto nötig.

KI-Konzepte

Agent: Ein KI-System, das eigenständig mehrere Schritte auf ein Ziel hin geht. Es wählt seine Tools selbst und passt sich unterwegs an.
AGI: Artificial General Intelligence: eine hypothetische KI, die bei den meisten Aufgaben so fähig ist wie ein Mensch. Viel diskutiert und noch nicht da.
Bildmodelle: Modelle, die aus Textbeschreibungen Bilder erzeugen. Zum Beispiel DALL·E, Midjourney oder Stable Diffusion.
Closed model: Ein proprietäres Modell, an das du nur über die API oder die App des Anbieters herankommst.
Coding agent: Ein KI-Assistent mit Händen. Er liest Dateien, bearbeitet sie, führt Befehle aus und prüft unterwegs die Ergebnisse.
Compaction: Frühere Gesprächsteile zusammenfassen, um Platz im Context Window zu schaffen.
Completion / response: Das, was das Modell nach deinem Prompt zurückschickt.
Context: Alles, was das Modell gerade sehen kann: deinen Prompt, das Gespräch, Anhänge und alle eingespielten Notizen.
Context rot: Ein Fehlerbild im Loop: Der Verlauf wächst, bis das Wesentliche darin untergeht. Abhilfe: alte Runden zusammenfassen und das Ziel fest im Context verankern.
Context window: Wie viele Tokens ein Modell gleichzeitig halten kann: dein Prompt plus alles, was es schon gelesen hat.
Embedding: Eine Zahlenrepräsentation von Text, mit der ein System nach Bedeutung suchen kann statt nach exakten Wörtern.
Embedding models: Modelle, die Text in Zahlen verwandeln, damit Tools ihn semantisch durchsuchen können. Sie arbeiten unter der Haube von Assistenten, die an deine Dokumente angebunden sind.
Entscheidungsmodell: Ein Modell, das keinen Text schreibt, sondern eine Frage beantwortet, indem es eine der Optionen wählt, die du festlegst, und für jede Option eine Wahrscheinlichkeit angibt. Jev und Laya sind Beispiele.
Fine-tuning: Zusätzliches Spezialtraining auf einem Basismodell, zugeschnitten auf einen bestimmten Anwendungsfall.
Frontier model: Das größte, neueste und leistungsfähigste Modell, das ein Anbieter im Programm hat.
Generation: Der letzte Schritt in RAG: die gefundenen Chunks in den Prompt packen und die KI mit diesem Context antworten lassen.
Gradient descent: Das Trainingsverfahren, bei dem ein Modell Milliarden interner Parameter Stück für Stück justiert, bis es das nächste Wort gut vorhersagt.
Inference: Jede einzelne Nutzung des Modells. Du schickst einen Prompt, er läuft durch die eingefrorenen Parameter, und ein Output kommt heraus.
Kalibrierte Wahrscheinlichkeit: Eine Wahrscheinlichkeit, die dazu passt, wie oft Antworten tatsächlich stimmen: Von allen Antworten mit etwa 0,8 sind etwa 80 % richtig. Sie beschreibt Gruppen von Antworten, nie eine einzelne, und verlassen kannst du dich erst darauf, wenn du sie an deiner eigenen gelabelten Arbeit geprüft hast.
LLM: Large Language Model: die Technik hinter Chat-Assistenten wie ChatGPT, Gemini und Claude.
Long context: Wie viel ein Assistent in einem Gespräch halten kann. Ein langer Context fasst auf einmal so viel wie eine kleine Bibliothek.
MCP (Model Context Protocol): Der Standardweg, über den KI-Apps sich mit externen Tools, Daten und Diensten verbinden. Denk an USB für KI.
Memory: Eine Funktion, die ausgewählte Fakten über dich speichert und sie am Anfang künftiger Gespräche wieder in den Context legt. ChatGPT nennt sie auf Deutsch „Erinnerungen“.
Multimodal: Modelle, die mehr als Text verarbeiten: Bilder und manchmal auch Audio oder Video.
Open weights: Ein Modell, dessen Parameter du herunterladen und selbst betreiben kannst.
Quellkorpus: Wo bei einem RAG-Aufbau die Wahrheit liegt: die Seiten, Dokumente, Verträge oder alten Tickets, aus denen du abrufst.
RAG (Retrieval-Augmented Generation): Das System sucht zuerst in deinen Dokumenten oder im Web, dann antwortet das Modell aus dem, was es gefunden hat.
Session: Ein durchgehendes Gespräch. Ein neuer Chat startet mit leerem Context.
Speech-Modelle: Modelle, die Sprache in Text und Text in Sprache umwandeln. Whisper transkribiert, ElevenLabs erzeugt Stimmen.
System prompt: Anweisungen, die zu Beginn eines Gesprächs Rolle und Regeln der KI festlegen.
Token: Die kleinen Textstücke, die ein Assistent liest und schreibt, etwa 3/4 Wort. Länge und Kosten werden in Tokens gezählt.
Tool: Ein Konnektor, mit dem KI mehr kann als Text schreiben: suchen, rechnen oder ein anderes System erreichen.
Training: Der teure, einmalige Vorgang, bei dem ein Modell Muster aus riesigen Textmengen lernt. Das machen die Anbieter, nicht du.
Training cutoff: Das Datum, nach dem ein Modell aus dem Training nichts mehr weiß. Alles Späteres kennt es nur, wenn du es ihm erzählst.
Vorhersage des nächsten Worts: So arbeitet ein LLM im Kern. Es sagt immer wieder das wahrscheinlichste nächste Wort voraus, und daraus entsteht eine brauchbare Antwort.

Prompting & Techniken

Antwort vorformulieren: Die Antwort der KI selbst anfangen. Das legt Format und Ton fest und bremst das Abdriften.
Chain (prompt chaining): Eine Folge von Prompts, bei der jeder Output zum nächsten Input wird. Du führst die Chain, die KI erledigt jede Stufe.
Chain of thought: Das Modell bitten, vor der Antwort Schritt für Schritt zu denken. Das hebt die Treffsicherheit bei mehrstufigen Problemen.
Chunking: Einen Korpus in mundgerechte Stücke schneiden (256 bis 512 Tokens, mit 10 bis 20 % Überlappung), damit sie abrufbar sind.
Dauerhaft geladene Schicht: Die kleine Menge an Dingen, die in jeder Runde mitgelesen wird: harte Grenzen, Hausregeln und die aktuelle Aufgabe.
Determinismus vs. Urteilsvermögen: Deterministisch heißt: Der Schritt liefert jedes Mal denselben Output. Urteilsvermögen heißt: Der Schritt darf legitim variieren. Markier jede Stufe.
Deterministischer Schritt: Ein Prozessschritt, den feste Logik erledigt: eine Formel, ein Datenbankfeld oder ein Skript.
Erst planen, dann machen: Das Modell erst planen und Lücken benennen lassen, dann das Ergebnis liefern. So füllt es Lücken nicht mit Vermutungen.
Few-shot: Dem Modell ein paar Beispiele für das gewünschte Muster von Input zu Output geben. Das macht die Ergebnisse deutlich verlässlicher.
Goldene Regel: Gib der KI so viel Context wie möglich, immer. Bessere Inputs liefern verlässlich besseren Output.
Iteratives Nachschärfen: KI als Gespräch behandeln und den Output über ein paar Runden verbessern, statt schon den ersten Entwurf perfekt zu erwarten.
KI-Schritt: Ein Prozessschritt, der eine Einschätzung braucht, die vom Input abhängt. Genau hier gibst du dein KI-Budget aus.
Laden bei Bedarf: Schemas, Spezifikationen, Runbooks oder Dokumente erst laden, wenn eine Aufgabe sie braucht, und sie dann namentlich holen.
Mehrstufiges Prompting: Arbeit in Stufen schneiden statt in einen großen Prompt. Jede Stufe liefert einen klaren, benannten Output, den die nächste weiterverwendet.
Meta-prompting: Die KI bitten, deinen Prompt zu kritisieren und neu zu schreiben, damit er verlässlicheren Output liefert.
Negative Vorgaben: Der KI sagen, was sie nicht tun soll. Das arbeitet gegen ihre Standardmuster an und ist oft leichter, als zu beschreiben, was du willst.
Output-Formatierung: Zwischenergebnisse maschinenlesbar halten: Tabellen, JSON, immer dieselben Felder. Freier Prosatext bricht Chains.
Persona: Dem Modell eine Rolle geben, damit es die Qualitätslatte höher legt. Das prägt, wie es antwortet. Ob es richtig liegt, ändert es nicht.
Persona prompts: Gib jeder Stufe eine Rolle, etwa einen juristischen Sachbearbeiter oder einen Compliance-Beauftragten. Die Persona verschiebt Vokabular, Tiefe und Ton.
Progressive disclosure: Dauerhaft nur wenig laden, den Rest nur, wenn er zur Sache gehört. Halt die dauerhaft geladene Schicht klein.
Prompt: Was du einem Assistenten schreibst. Prompting ist die Kunst, gut zu fragen.
Prompt-Journal: Eine Sammlung von Prompts, die funktioniert haben. Mit der Zeit wird daraus deine eigene Bibliothek an Templates für deine Arbeit.
Prozesszerlegung: Einen Prozess über mehrere Teams in Schritte zerlegen und entscheiden, welche die KI übernimmt, welche deterministisch laufen und welche einen Menschen brauchen.
Retrieval: Die passenden Chunks zu einer Frage heraussuchen. In der Produktion ist hybrides Retrieval (semantisch plus Stichwort) mit Reranker der Standard.
Rollen stapeln: Die KI dieselbe Sache nacheinander aus mehreren Expertenblickwinkeln analysieren lassen und daraus eine Empfehlung machen.
Structured outputs: Ein festes Schema verlangen, etwa JSON oder eine Tabelle. Dann ist der Output klar und andere Tools können ihn direkt weiterverwenden.
Übergabe (die Nahtstelle): Der Moment, in dem der Output eines Schritts zum Input des nächsten wird. Hier zerbrechen die meisten Chains, also setz deine Prüfungen an die Nahtstelle.
Vier-Elemente-Framework: Der verlässliche Aufbau für Prompts: Rolle, Context, Aufgabe, Format (auch CRAFT oder RCTF genannt).
Zero-shot: Das Modell ohne jedes Beispiel um eine Aufgabe bitten. Für einfache, gängige Aufgaben reicht das.

Bauen & Go-live

50-Inputs-Regel: Teste einen Agenten an 50 verschiedenen echten Inputs, bevor du ihn unbeaufsichtigt laufen lässt. Und ordne jeden Fehler einer Kategorie zu.
Abdeckung: Eine der Kräfte im Harness-Design: dem Modell genug geben, damit es richtig handelt. Zu wenig, und es rät oder erfindet eine API.
Agent loop: Der Zyklus zur Laufzeit: Context lesen, entscheiden, ein Tool aufrufen, das Ergebnis lesen, wieder entscheiden, bis die Aufgabe erledigt ist.
AGENTS.md: Das tool-übergreifende Standard-Instruction-File. Hier stehen deine Konventionen, und zwar als einzige verbindliche Quelle.
Anatomie eines Briefings: Die Teile, die ein gutes Agenten-Briefing braucht: Rolle, Trigger, Inputs, Schritte, Output-Format und Guardrails.
Branch: Eine parallele Arbeitslinie im selben Repo. Auf einem Branch probierst du herum, ohne den Hauptstrang zu stören.
Brauchbar vs. korrekt: Brauchbar heißt: Die nächste Stufe kann den Output lesen. Korrekt heißt: Der Inhalt stimmt. Beides zählt.
Budget-Obergrenze: Eine Stoppbedingung, die eine harte Grenze für Runden, Tokens oder Tool-Aufrufe setzt.
Changelog: Eine kurze laufende Notiz am Ende eines Briefings, die jede Version festhält. So sehen andere, wie es gewachsen ist.
Checkout: Deinen Arbeitsordner auf einen bestimmten Branch oder Commit umschalten. Gleiches Repo, anderer Blick.
CLAUDE.md: Das Instruction File von Claude Code, im Projektwurzelverzeichnis oder unter ~/.claude für global. Oft nur ein Verweis auf AGENTS.md.
Commit: Eine gespeicherte Änderung samt Notiz, was sich geändert hat und warum. Die Historie eines Repos ist eine Kette von Commits.
Context budget: Das Context Window als Budget behandeln, das du bewusst verteilst. Der größte Anteil geht an das, was die Antwort verändert.
Deferred tools: Tools nur namentlich auflisten und das Modell die vollständige Definition bei Bedarf nachladen lassen. So bleibt der Context schlank.
Designfehler: Ein Fehler, der in der Architektur des Workflows steckt. Die Abhilfe: die Stufen neu schneiden oder neu entwerfen.
Die Bau-Regel: Sobald du dieselbe Arbeit ein zweites Mal machst, bau sie als Agenten. Beim dritten Mal läuft sie von selbst.
Edge cases: Inputs, die gültig, aber ungewöhnlich sind. Ein Briefing sollte sagen, was bei fehlenden Feldern, Widersprüchen und sensiblen Daten passiert.
Forking: Den geteilten Agenten oder Assistenten von jemand anderem kopieren und anpassen. Du erbst dabei alles, was der Autor schon gelernt hat.
Format drift: Die KI liefert den Output in einer leicht anderen Form als vorgegeben, und alles Nachgelagerte, das genau dieses Format erwartet, bricht.
Frontmatter: Ein kleiner YAML-Block ganz oben in einer Datei, der Angaben über die Datei selbst enthält.
Gold Set: Echte Items aus deiner Arbeit, jedes von Leuten, die den Job kennen, mit der richtigen Antwort gelabelt. Daran misst du ein Entscheidungsmodell, bevor du ihm vertraust.
Harness: Alles, was du um ein Modell herum baust: den Context, den du ihm gibst, die Tools, die es aufrufen kann, und den Loop, in dem es läuft.
Idempotency: Ein Agent ist idempotent, wenn es harmlos ist, ihn zweimal auf denselben Input laufen zu lassen. Er liefert dasselbe Ergebnis oder tut beim zweiten Mal nichts.
Infrastruktur (statt Tool): Ein Bau, auf den sich viele Leute verlassen. In dieser Größe braucht er einen benannten Verantwortlichen, dokumentiertes Verhalten, HITL-Gates und einen Wartungsplan.
Instruction File: Eine Datei mit festen Regeln, die ein Agent liest, bevor er anfängt. AGENTS.md ist der gängige Name.
Kaskade: Zuerst ein günstiges, schnelles Modell laufen lassen und nur seine unsicheren Fälle an ein stärkeres Modell oder einen Menschen weitergeben. Das spart Kosten, bringt aber nur dann mehr Genauigkeit, wenn die zweite Stufe andere Fehler macht.
Kosten: Was jedes Token kostet: Geld, Latenz und verwässerte Aufmerksamkeit.
Kosten pro brauchbarem Output: Gesamtausgaben geteilt durch die Outputs, die keine Nacharbeit gebraucht haben. Die Kennzahl, die du verinnerlichen solltest.
Merge: Die Änderungen eines Branches in den Hauptstrang zurückführen, sobald sie fertig sind.
Modellgrenze: Ein Fehler, bei dem die KI für diese Aufgabe einfach nicht verlässlich genug ist. Die Abhilfe: eine deterministische Prüfung oder ein engeres HITL-Gate.
Nahtstelle: Die Stelle, an der Information von einer Person, einem Team oder einem System zum nächsten übergeht. An Nahtstellen versickern Zeit und Qualität.
Nahtstellenkarte: Eine Karte der Übergaben in einem Prozess: wer übergibt, wer übernimmt, was verloren geht, was es an Zeit kostet und wo KI passen würde.
Output schema: Eine genaue schriftliche Festlegung der Felder und Typen eines Outputs, aufgeschrieben bevor der Prompt entsteht.
Output-Dominanz: Output-Tokens kosten typisch 3- bis 5-mal so viel wie Input-Tokens. Ein geschwätziger Standardstil vervielfacht die Ausgaben also schnell.
Produktionsreif: Ein Workflow, der an echten Inputs getestet ist, mit Fehlerbildern und HITL-Gates im Briefing, dokumentiert, mit Verantwortlichem und mit Protokoll gegen Drift.
Pull request: Ein Bündel Commits, das zum Review vorgelegt wird, bevor es gemergt wird.
Recall: Wie verlässlich das Modell eine bestimmte Regel wirklich befolgt. Regeln, die mitten in einem langen Context stecken, gehen unter.
Referenzdateien: Stabile Dokumente wie Vorschriften, Styleguides oder Glossare, die an einen eigenen Assistenten gehängt werden, damit er durchgängig damit arbeitet.
Reifegrade: Etiketten für geteilte Workflows: auf eigene Gefahr, Featured (geprüft) und Official (gepflegt und produktionsreif).
Repository (repo): Ein Projektordner mit Gedächtnis. Er hält die Dateien, die Tests und ein Protokoll jeder Änderung, sodass nie wirklich etwas verloren geht.
Schwellenbänder: Zwei Schwellen, die die Antworten eines Entscheidungsmodells in drei Ergebnisse aufteilen: selbst handeln, von einem Menschen bestätigen lassen oder an einen Menschen eskalieren. Du legst sie anhand deiner eigenen gelabelten Items fest und danach, was jeder Fehler kostet.
Shadow Mode: Ein Entscheidungsmodell an echter Arbeit laufen lassen, während der bisherige Prozess das Sagen behält. Du loggst beide Antworten und vergleichst sie später; nach dem, was das Modell sagt, wird nicht gehandelt.
Skill: Ein Bündel aus Anweisungen und Referenzmaterial, das einem Assistenten eine Aufgabe richtig beibringt, wiederverwendbar in jedem künftigen Chat.
SKILL.md: Die einzige Pflichtdatei eines Skills: oben YAML-Frontmatter mit Name und Beschreibung, dann die Prozedur im Textteil.
Symlink: Eine Verknüpfungsdatei, die auf eine andere Datei zeigt, damit eine einzige echte Kopie an mehreren Stellen auftauchen kann.
Templates mit Variablen: Briefings für die Produktion sind Templates mit benannten Variablen. Genau das macht sie prüfbar, versionierbar und forkbar.
Terminal (shell): Das Textfenster, in dem du Befehle tippst statt Knöpfe zu klicken. Hier wohnen Coding Agents.
Test suite: Die Selbstprüfungen eines Projekts, gestartet mit einem einzigen Befehl, der meldet, ob alles durchläuft oder etwas fehlschlägt.
Triggers: Wie ein Agent startet: nach Zeitplan, auf Abruf oder durch ein Ereignis wie eine neue Zeile in der Datenbank.
Validierungsstufe: Die erste Stufe einer Chain. Sie prüft, ob jedes Pflichtfeld da und gültig ist. Fällt eine Prüfung durch, hält sie an und meldet einem Menschen.
Verlässlichkeitstabelle: Eine Tabelle, die die Antworten eines Modells nach Wahrscheinlichkeit gruppiert und zeigt, wie oft jede Gruppe richtig lag. Sie verrät dir, ob 0,8 auf deinen Daten wirklich etwa 80 % bedeutet.
Versteckter Context: System-Prompts, Referenzdateien, Gesprächsverlauf und abgerufene Chunks kosten bei jedem Lauf Tokens.
Vertrauenswürdige Inputs: Inputs, die vorher schon geprüft wurden, etwa eine Datenbankzeile mit erzwungenem Schema. Darauf kannst du direkt handeln.
Vibe coding: Etwas bauen, indem du in normalen Worten beschreibst, was du willst, die KI den Code schreiben lässt und nach Gefühl nachsteuerst.
Wartungsplan: Ein kurzes Dokument mit Verantwortlichem, Vertretung, Prüfrhythmus, bekannten Fehlerbildern und der Frage, wie Änderungen getestet werden.
Worktree: Eine zweite Arbeitskopie desselben Repos in ihrem eigenen Ordner, mit eigenem Branch, damit zwei Vorhaben sich nie in die Quere kommen.
YAML: Einstellungen als beschriftete Zeilen, etwa name: pdf-export. Lies es wie ein Formular, nicht wie Code.
Zielprüfung: Eine Stoppbedingung, die der Agent ausführt statt sie zu behaupten: Der Build läuft durch, oder der Endpunkt antwortet mit 200.

Risiko & Sicherheit

Adversarial testing: Einem Agenten beim Testen absichtlich verzwickte, widersprüchliche, unvollständige oder bösartige Inputs vorsetzen, um zu finden, wo er bricht.
Adversarial verification: Machen und Beurteilen trennen. Ein Durchgang erstellt, ein zweiter greift mit dem Auftrag an, das Ergebnis zu widerlegen. Nur was übrig bleibt, geht live.
AI slop: Lieblos in Masse produzierte KI-Texte und -Bilder. Genau das, was gutes Prompting vermeidet.
Audit logs: Ein Protokoll jedes MCP-Tool-Aufrufs mit Zeitstempel, Aufrufer, Scope und Ergebnis. Hier schaust du nach, was die KI getan hat.
Auto-Pause: Ein Sicherungsschalter, der den Agenten anhält, sobald die Genauigkeit in den Stichproben unter eine gesetzte Schwelle fällt, bis ein Mensch ihn wieder freigibt.
Automatisierungsbias: Der Hang, sich auf den Output eines automatisierten Systems zu verlassen oder sich zu sehr darauf zu verlassen. Der EU AI Act benennt ihn ausdrücklich, und eine Korrekturquote nahe null ist eines der Warnsignale.
Blast radius: Wie viele Systeme ein Agent in Mitleidenschaft ziehen kann, wenn etwas schiefgeht. Ein angebundener Agent braucht engere Gates.
Confidence calibration: Die KI ihre eigene Konfidenz einschätzen lassen (hoch, mittel, niedrig), mit einer Begründung. Dann weißt du, welche Outputs geprüft werden müssen.
Datenhygiene: Gewohnheiten für den Umgang mit privaten Informationen bei KI. Sensible Daten bleiben da, wo sie liegen, statt in ein Tool zu wandern, das du nicht kontrollierst.
Die harte Regel: Niemals Bankdaten, Zugangsdaten, Ausweisnummern oder irgendetwas Privates, das dir nicht gehört, in ein allgemeines KI-Tool schreiben.
Drift: Wenn der Output eines Modells langsam schlechter wird, weil sich das Muster der Inputs verschoben hat. Lautlos, und erst über viele Outputs hinweg sichtbar.
Drift (loop): Ein Fehlerbild im Loop: Der Agent verliert das Ziel und optimiert eine Teilaufgabe. Wiederhol das Ziel am Ende des Contexts.
Eskalationsweg: Der festgelegte Weg für einen markierten Fall: wer benachrichtigt wird, wie, und mit welchem Context. Jedes HITL-Gate braucht einen.
Falscher Stopp: Ein Fehlerbild im Loop: Der Agent hört zu früh auf oder gar nicht. Abhilfe ist eine ausdrückliche Abbruchprüfung.
Guardrails: Regeln und Prüfungen, die KI von riskanten Dingen abhalten.
Hallucination: Wenn ein Assistent etwas Falsches mit voller Überzeugung behauptet. Immer eine schnelle Prüfung wert.
HITL gate: Ein Stopp-und-Prüf-Punkt, an dem ein Mensch draufschaut, bevor der Agent handelt. Pflicht bei allem, was unumkehrbar ist oder unter deiner Konfidenzschwelle liegt.
Human-in-the-loop (HITL): Ein Mensch prüft oder genehmigt den KI-Output, bevor etwas passiert. Besonders bei Schritten, die reguliert, unumkehrbar oder folgenschwer sind.
Immer-HITL-Aktionen: Dinge, die immer eine menschliche Freigabe brauchen: Geld, Gesundheit, Sicherheit, Verträge, Rechtstexte, Behördenmeldungen und Rechtsstatus.
Jailbreak: Ein Prompt, der die Guardrails einer KI aushebeln soll. Lass es: Die Guardrails schützen dich und andere.
Kein Fortschritt: Ein Fehlerbild im Loop: Der Agent versucht immer wieder dieselbe fehlschlagende Aktion. Halt fest, was er schon probiert hat, und begrenz die Versuche.
Konfidenzschwelle: Der Wert, unter dem der Agent nicht handelt, sondern anhält und eskaliert.
Prompt injection: Bösartige Anweisungen, die in Inhalten versteckt sind, die die KI liest, und die ihr Handeln kapern wollen.
Revocation: Einer MCP-Verbindung die Scopes entziehen, wenn ein Workflow stillgelegt wird. So sammeln sich keine schlafenden Verbindungen an.
Scopes: Rechte pro Aktion, die ein MCP-Server anbietet, etwa read_employees getrennt von update_employee. Erteil immer nur das Minimum.
Selbstsicher falsch: Eine Antwort, die souverän klingt und im Detail falsch ist, im gleichen Ton wie jede richtige Antwort.
Stichproben: Einen Teil der Outputs eines Workflows nehmen, sagen wir 10 %, und selbst durchschauen.
Tauschtest: Ein Detail ändern, das keine Rolle spielen sollte, etwa einen Namen oder einen Ort, und das Item noch einmal laufen lassen. Bewegt sich die Antwort stärker als das übliche Rauschen, stützt sich die Entscheidung auf dieses Detail.

Tools & Assistenten

AI agent: Ein gespeichertes Briefing, das eine wiederkehrende Aufgabe von selbst erledigt: nach Zeitplan, auf Abruf oder durch ein Ereignis.
Artifacts: Eine Funktion von Claude, die Code, Dokumente, Folien und interaktive Outputs in einem bearbeitbaren Seitenbereich erzeugt.
Automatisierungsplattform: Ein No-Code-Tool wie Zapier oder Make, das Daten nach Zeitplan zwischen Apps kopiert.
ChatGPT: Der Assistent von OpenAI, kostenlos auf chatgpt.com. Ein verlässlicher Allrounder mit der größten Nutzergemeinde.
Claude: Der Assistent von Anthropic, kostenlos auf claude.ai. Stark bei langen Texten, umfangreicher Dokumentenanalyse und hartem Nachdenken.
Claude Projects: Dauerhafte Arbeitsbereiche in Claude, die Referenzdokumente halten. Claude hat sie in jedem Gespräch dabei.
Co-pilot: KI, die im Tool neben dir arbeitet und Vorschläge macht, während du das Steuer behältst.
Connectors: Die Verbindungen, über die Claude mit deiner Erlaubnis an Tools wie Drive, Gmail, Slack, GitHub und Linear herankommt. In Claudes Einstellungen stehen sie unter „Connectors“.
Custom GPTs: Die gespeicherten, wiederverwendbaren Assistenten in ChatGPT: einmal einrichten, immer wieder nutzen.
Deep Research: Ein Modus, der eine ausgedehnte Recherche über viele Quellen fährt, mehrere Minuten läuft und am Ende einen geschriebenen Bericht mit Quellenangaben liefert.
Eingebauter Assistent (in der App): KI, die in einer App sitzt, die du schon nutzt, etwa Gmail, Notion oder Word. Sie arbeitet auf der offenen Seite.
Gemini: Der Assistent von Google, kostenlos auf gemini.google.com. Am stärksten, wenn der Input groß, gemischt oder visuell ist, und läuft in Google Workspace mit.
Gems: Die gespeicherten, wiederverwendbaren eigenen Assistenten in Gemini: einmal einrichten, immer wieder nutzen.
Gespeicherter (wiederverwendbarer) Assistent: Ein eigener Assistent, den du einmal einrichtest und immer wieder nutzt: ein Custom GPT, ein Gem oder ein Claude Project.
Grok: Der Assistent von xAI, kostenlos auf grok.com. Hängt an X und am aktuellen Web, am stärksten bei tagesaktuellen Themen.
KI-Assistent: Dein eigenständiges Chat-Tool (ChatGPT, Gemini, Claude oder Grok). Reaktiv: Du fragst, es antwortet.
Workspace-integrierter Agent: Ein Agent, der in einem Tool wie Notion lebt und dessen Seiten und Datenbanken liest und schreibt.

Arbeiten mit KI

AI-pilled: Von KI überzeugt. Sobald es bei einer Aufgabe klick gemacht hat, greifst du überall zur KI. Meist mit einem Augenzwinkern gesagt.
Arbeit muss verschwinden: Die Haltung, dass KI ganze Kategorien von Arbeit ausradieren soll: Aufgaben werden ganz gestrichen.
Bauen kann jetzt jeder: Wer mit KI einen Workflow baut, ist ein Builder, egal was auf der Visitenkarte steht.
Die 100×-Denkweise: Das neue Tempo: Monate werden zu Tagen, Tage zu Stunden. Fallen die Kosten auf ein Hundertstel, wird Neues möglich.
Die 80-%-Regel: Fang bei allem mit deinem KI-Assistenten an. Das Tool in der App ist eine bequeme Abkürzung, die du auch weglassen kannst.
Gegenprüfen: Dieselbe wichtige Frage durch zwei Tools schicken und vergleichen. Stimmen sie überein, wächst dein Vertrauen. Widersprechen sie sich, hast du etwas gefunden, das du genauer ansehen solltest.
KI zuerst: Bei jeder neuen Aufgabe erst 30 Sekunden überlegen, wie KI helfen könnte, und dann entscheiden, ob du es von Hand machst.
KI-Kompetenz: Die Fähigkeit, mit KI zu arbeiten, auf ihr zu bauen und mit ihr zu denken. Keine andere zahlt sich in diesem Jahrzehnt so stark aus.
Neu lernen zu lernen: Die Meta-Fähigkeit, weiter zu lernen, während altes Fachwissen automatisiert wird. Das ist der neue Burggraben.