Warum Begriffswissen in der KI keine Luxus ist

Wer mit KI arbeitet, lernt ständig, aber nicht immer das Richtige. Dieser Beitrag zeigt, wie du deinen Lernpfad ehrlich prüfst, wo nachbessern lohnt, und welches Grundvokabular dir hilft, KI-Gespräche zu verstehen, ohne von ihnen überwältigt zu werden. Es gibt einen Moment, den viele kennen, die sich ernsthaft mit KI auseinandersetzen: Du hast Stunden damit verbracht, Artikel zu lesen, Videos zu schauen, Prompts auszuprobieren, und dann sitzt du in einem Gespräch mit jemandem, einer Kollegin, einem Auftraggeber, und merkst, dass du nicht weisst, worüber die beiden reden. Halluzination, Kontextfenster, RAG, Fine-Tuning. Wörter, die du schon gehört hast, aber die du in einem eigenen Satz noch nicht sicher genug verwenden könntest.

Das ist kein Zeichen, dass du zu langsam lernst. Es zeigt, dass der Lernpfad irgendwo eine Lücke hat. Denn KI-Lernen läuft selten geordnet ab. Es passiert meistens reaktiv: ein Hype-Thema taucht auf, du folgst ihm. Ein neues Tool kommt raus, du probierst es. Irgendwann weisst du viel über einzelne Dinge und hast trotzdem das Gefühl, dass das Ganze keinen Boden hat.

Den Lernpfad ehrlich anschauen

Einen Lernpfad zu prüfen heisst nicht, ein Kompetenzraster auszufüllen oder sich selbst zu benoten. Es heisst: eine kurze, ehrliche Bestandsaufnahme machen. Ich mache das ungefähr einmal im Quartal, manchmal auch dann, wenn ich merke, dass ich in Gesprächen öfter nicke als ich sollte.

Drei Fragen helfen mir dabei.

Kann ich erklären, was ich tue? Nicht ausführlich, nicht akademisch. Aber so, dass jemand ohne technischen Hintergrund versteht, was hier eigentlich passiert. Wenn ich nicht erklären kann, warum ein Sprachmodell manchmal Dinge erfindet, die nicht stimmen, dann verstehe ich es selbst nicht wirklich. Ich kann es vielleicht benutzen. Aber nutzen und verstehen sind zwei verschiedene Dinge, und für die eigene Urteilsfähigkeit brauche ich das zweite.

Wo drücke ich mich noch vor der eigenen Meinung? Es gibt Bereiche, in denen ich nach einem halben Jahr immer noch sage: „das ist komplex, ich muss noch mehr verstehen.“ Das kann ehrlich sein. Es kann aber auch eine Ausrede sein. Der Unterschied liegt darin, ob ich etwas aktiv anschaue oder es einfach liegen lasse, weil es mich überfordert.

Was lerne ich gerade, weil es relevant ist, und was, weil es gerade laut ist? Das ist vielleicht die wichtigste Frage. Die KI-Welt ist laut. Jeden Monat gibt es eine neue Modellankündigung, ein neues Framework, einen neuen Begriff, den alle verwenden. Einiges davon bleibt, einiges ist in drei Monaten vergessen. Was genau was ist, merkt man meistens erst rückblickend. Trotzdem lohnt es sich, vor jedem grossen Lernaufwand kurz zu fragen: Warum lerne ich das, für meine Arbeit, für mein Verständnis, oder weil gerade alle darüber reden?

Nachbessern: Wo und wie

Wenn die Bestandsaufnahme zeigt, dass etwas fehlt, hilft es, zwischen zwei Arten von Lücken zu unterscheiden.

Konzeptuelle Lücken sind die unangenehmeren. Sie entstehen, wenn man Werkzeuge benutzt, ohne zu verstehen, was darunter passiert. Ein Sprachmodell ist gut im Generieren. Es kann weder erinnern noch rechnen noch Fakten prüfen. Wer das nicht weiss, stellt die falschen Aufgaben. Konzeptuelle Lücken schliesst man mit Lesen, Nachfragen, manchmal mit Rückschritt. Mehr Tools helfen hier wenig.

Vokabular-Lücken sind die leichter behebbaren. Das Phänomen kennt jede, die eine Fremdsprache lernt: du verstehst den Gedanken, findest aber den Begriff nicht. Bei KI passiert das umgekehrt auch: du kennst den Begriff, aber der Gedanke dahinter fehlt. Dann ist das Wort eine Attrappe.

Für beides gilt: Lieber wenige Dinge wirklich verstehen als viele Dinge oberflächlich kennen. Wer zwanzig Begriffe sicher erklären kann, steht stabiler als jemand, der hundert Begriffe beiläufig verwendet, ohne sie wirklich greifen zu können.

Das Grundvokabular, das trägt

Ich habe für das KI-Lexikon hier auf ki-trainer.ch eine wachsende Sammlung an Begriffen zusammengestellt, bewusst kuratiert und laufend ergänzt. Die Sammlung deckt heute die Begriffe ab, die in den meisten Gesprächen und Artikeln vorkommen, die im Alltag wirklich zählen.

Welche davon sind besonders tragfähig? Aus meiner Erfahrung sind es diese sieben Cluster.

Wie KI lernt: Maschinelles Lernen, Trainingsdaten, Parameter. Wer weiss, dass ein Modell aus Daten lernt und dass die Qualität dieser Daten entscheidet, was rauskommt, hat den wichtigsten Filter bereits. Er fragt dann andere Fragen: Auf welchen Daten wurde das trainiert? Wie aktuell sind sie? Was fehlt?

Was LLMs eigentlich tun: Token, Kontextfenster, Halluzination. Ein Sprachmodell rechnet mit Wahrscheinlichkeiten über Textteile, sogenannte Token. Es „sieht“ immer nur einen begrenzten Ausschnitt des Gesprächs, das Kontextfenster. Und wenn die Wahrscheinlichkeiten zu falschen Schlüssen führen, erfindet es Dinge, die plausibel klingen, aber falsch sind. Diese drei Begriffe allein helfen, viele Fehler im Umgang mit KI zu vermeiden.

Wie man mit KI kommuniziert: Prompt, System Prompt, Few-Shot. Der Prompt ist die Eingabe. Der System Prompt ist die versteckte Anweisung, die ein Werkzeug im Hintergrund mitgibt. Few-Shot bedeutet, dem Modell Beispiele zu geben, damit es versteht, was man meint. Wer diese drei kennt, kann Werkzeuge gezielter einsetzen und versteht besser, warum zwei Menschen mit demselben Modell sehr verschiedene Ergebnisse bekommen.

Was hinter Anwendungen steckt: Agent, RAG, Function Calling. KI-Agenten können Aufgaben selbstständig ausführen, also tatsächlich handeln. RAG (Retrieval-Augmented Generation) ist der Weg, ein Modell mit aktuellen oder eigenen Daten zu versorgen, die im Training noch fehlten. Function Calling ist der Mechanismus, mit dem ein Modell externe Werkzeuge aufruft, ob Kalender, Datenbank oder API. Diese drei Begriffe helfen zu verstehen, was moderne KI-Anwendungen tun und warum sie manchmal deutlich mehr können als ein einfacher Chatbot.

Welche Modelle es gibt: Open-Weight-Modell, Foundation Model, Multimodales Modell. Open-Weight-Modelle können lokal betrieben werden, unabhängig von Cloud-Diensten. Foundation Models sind die grossen Basismodelle, auf denen viele Anwendungen aufbauen. Multimodale Modelle verarbeiten Text, Bild, Ton gleichzeitig. Diese Unterscheidungen helfen zu verstehen, warum Modelle so verschieden funktionieren und eingesetzt werden.

Was schiefgehen kann: Bias, Black Box, Halluzination. Bias heisst, ein Modell hat systematische Verzerrungen, geerbt aus den Trainingsdaten. Black Box heisst, wir wissen oft nicht genau, wie ein Modell zu einem Ergebnis kommt. Halluzination kennen wir schon. Das sind nüchterne Kategorien für echte Schwächen, die man kennen muss, bevor man KI mit Entscheidungsgewicht einsetzt.

Was rechtlich gilt: EU AI Act, DSG, Datenschutz bei KI. Wer in der Schweiz oder in der EU mit KI arbeitet, ob als Unternehmen, als Einzelperson oder in sensiblen Bereichen, muss zumindest wissen, dass es Regulierung gibt, was sie grob verlangt, und wo die eigene Situation darin liegt. Mehr muss man eigentlich nicht auswendig können. Aber ignorieren ist keine Option.

Das sind sieben Orientierungspunkte, Stellen, an denen man ehrlich nachschauen kann, ob das eigene Verständnis trägt oder ob es Oberfläche ist.

Wer unsicher ist, ob er einen Begriff wirklich versteht, kann ihn erklären versuchen, laut, schriftlich, oder jemandem gegenüber, der nachfragt. Was zusammenbricht beim Erklären, war nicht wirklich da. Was standhält, gehört jetzt dazu. Und das ist mehr, als die meisten meinen, wenn sie sagen, sie beschäftigen sich mit KI.