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.
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.
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.
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.
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.
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.
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.
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.

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.