WorkRADAR
Sprache für gute KI-Arbeit
KI wird einfacher eingeführt, wenn Teams über dasselbe sprechen. Dieses Lexikon übersetzt technische und rechtliche Begriffe in eine Sprache für Tätigkeiten, Zusammenarbeit und verantwortliche Nutzung.
Entscheidend bleibt, was ein System im konkreten Arbeitsablauf verändert – und wer darüber mitentscheiden kann.
32 Begriffe
Ein maschinenbasiertes System, das aus Eingaben zum Beispiel Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableiten kann. In der Arbeit zählt nicht nur das System, sondern sein konkreter Einsatzkontext.
Frage für die Praxis: Welchen Output liefert es – und wer nutzt ihn wofür?Ein festgelegtes Rechenverfahren oder Regelwerk, das Eingaben verarbeitet. Nicht jeder Algorithmus ist KI; einfache, vollständig von Menschen vorgegebene Regeln sind etwas anderes als ein lernendes oder schlussfolgerndes KI-System.
Praxis: Erst klären, ob wirklich KI eingesetzt wird.Ein trainiertes mathematisches System, das aus Daten Muster nutzt, um etwa Texte, Vorhersagen oder Empfehlungen zu erzeugen. Ein Modell ist nicht automatisch die fertige Anwendung im Arbeitsalltag.
Praxis: Modell, Oberfläche und Arbeitsprozess getrennt betrachten.Ein Teilbereich der KI, bei dem Systeme aus Beispieldaten Muster lernen, statt für jede einzelne Entscheidung ausdrücklich programmiert zu werden.
Praxis: Welche Daten prägen die Muster – und passen sie zur realen Arbeit?Die Lernphase eines Modells. Es verarbeitet viele Beispiele und passt seine Parameter so an, dass es eine Aufgabe besser lösen kann. Beim Vortraining geschieht das auf breiten, allgemeinen Datenbeständen.
Praxis: Trainingsdaten entscheiden nicht allein, aber stark über spätere Grenzen.Die Nutzungsphase eines trainierten Modells: Es erzeugt zu einer Eingabe eine Antwort, Vorhersage oder Empfehlung. Inferenz ist nicht dasselbe wie Training.
Praxis: Qualität muss auch im realen Einsatz geprüft werden.Eine Modellarchitektur mit vielen verbundenen Recheneinheiten und Parametern. Sie ist besonders verbreitet bei Bild-, Sprach- und Textverarbeitung.
Praxis: Ein neuronales Netz ist kein Ersatz für fachliches Urteil.Eine Modellarchitektur, die Zusammenhänge in Daten – etwa in Texten – über Aufmerksamkeitsmechanismen verarbeitet. Viele heutige Sprachmodelle basieren darauf.
Praxis: Die Technik erklärt nicht, ob ein Einsatz sinnvoll gestaltet ist.KI, die neue Inhalte erzeugen kann, zum Beispiel Text, Bilder, Video, Audio oder Code. Sie kann Arbeit beschleunigen, erzeugt aber auch Bedarf an fachlicher Prüfung.
Praxis: Ein plausibler Entwurf ist noch kein verlässliches Ergebnis.Ein breit vortrainiertes Modell, das für viele Aufgaben weiterverwendet oder angepasst werden kann. Es ist die technische Basis, nicht automatisch die fachlich passende Lösung.
Praxis: Prüfen, ob das Modell zum spezifischen Arbeitskontext passt.Ein großes Sprachmodell, das mit sehr vielen Textdaten trainiert wird und Text in kleinen Einheiten fortsetzt, zusammenfasst oder umformuliert. LLMs können Sprache überzeugend erzeugen, aber nicht „wissen“ wie ein Fachteam.
Praxis: Quellen, Kontext und fachliche Freigabe bleiben wichtig.Eine kleine Verarbeitungseinheit für Sprachmodelle. Ein Token kann ein Wortteil, ein Wort oder ein Satzzeichen sein. Kosten und Längenbegrenzungen vieler KI-Dienste beziehen sich auf Tokens.
Praxis: Lange Kontexte sind nicht kostenlos und nicht automatisch besser.Die Eingabe oder Arbeitsanweisung an ein generatives KI-System. Ein guter Prompt beschreibt Ziel, Kontext, Format und Grenzen – ersetzt aber keine fachliche Prüfung.
Praxis: Keine vertraulichen Daten eingeben, wenn die Nutzung nicht freigegeben ist.Das strukturierte Gestalten von Eingaben, damit ein KI-System für eine bestimmte Aufgabe nützlichere Ergebnisse erzeugt. Es ist eine Arbeitsfertigkeit, keine individuelle Ersatzverantwortung für schlechte Systeme.
Praxis: Gute Vorlagen, Regeln und Austausch sind wirksamer als Einzeltricks.Ein System ist multimodal, wenn es mehrere Datenarten wie Text, Bild, Audio oder Video verarbeiten oder erzeugen kann.
Praxis: Mit jeder Datenart wachsen mögliche Potenziale – und Datenschutzfragen.Eine numerische Darstellung von Bedeutung oder Ähnlichkeit. Embeddings helfen Systemen zum Beispiel, in Dokumenten passende Inhalte zu finden.
Praxis: Die Trefferlogik sollte fachlich überprüfbar bleiben.Eine zusätzliche, auf eine bestimmte Aufgabe gerichtete Trainingsphase für ein vortrainiertes Modell. Sie kann Verhalten stärker an einen Fachkontext anpassen, verändert aber auch die Qualitäts- und Governance-Verantwortung.
Praxis: Anpassung braucht geeignete Daten, Tests und klare Zuständigkeiten.Ein Ansatz, bei dem ein Sprachmodell vor der Antwort passende Inhalte aus einer externen Wissensquelle abruft und diese in die Antwort einbezieht. Das kann Aktualität und Nachvollziehbarkeit verbessern, ersetzt aber keine Quellenprüfung.
Praxis: Qualität der Dokumente und der Treffer entscheidet mit.Eine plausibel klingende, aber unzutreffende oder nicht belegte KI-Antwort. Der Begriff darf nicht darüber hinwegtäuschen: In der Arbeit ist das ein Qualitäts- und gegebenenfalls Risikothema.
Praxis: Für relevante Aussagen Quelle, Daten und Entscheidung prüfen.Ein System, das auf ein Ziel hinarbeitet, Schritte plant, Werkzeuge nutzen und sein Vorgehen anpassen kann. Je eigenständiger ein Agent handelt, desto wichtiger sind Aufgabenbegrenzung und Aufsicht.
Praxis: Wer darf einen Schritt freigeben, stoppen oder korrigieren?Das selbstständige Ausführen definierter Arbeitsschritte durch Technik. Automatisierung kann KI nutzen, muss es aber nicht. Entscheidend ist, welche Tätigkeit verschwindet, sich verlagert oder neu entsteht.
Praxis: Nicht nur Zeitersparnis, auch Prüfarbeit und Übergaben bilanzieren.KI ergänzt menschliche Arbeit, statt sie vollständig zu ersetzen: etwa durch Entwürfe, Hinweise oder Zusammenfassungen. Ob daraus Entlastung wird, hängt von Einfluss, Kompetenz und Zeit für Prüfung ab.
Praxis: Unterstützung muss fachliche Handlungsfähigkeit stärken.Menschen bleiben in einem KI-gestützten Ablauf aktiv beteiligt, etwa durch Prüfung, Freigabe oder Entscheidung. Bloße Anwesenheit genügt nicht: Sie brauchen Kontext, Zeit, Kompetenz und echten Eingriffsspielraum.
Praxis: Aufsicht so gestalten, dass sie mehr ist als Abnicken.Die Tendenz, automatisierten Empfehlungen zu stark zu vertrauen und widersprechende Informationen zu übersehen. Das Risiko wächst bei Zeitdruck, schlechter Transparenz oder fehlender Lerngelegenheit.
Praxis: Widerspruch und fachliche Rückfrage ausdrücklich ermöglichen.Das Wissen und die Fähigkeiten, KI informiert, kritisch und verantwortungsvoll einzusetzen. Dazu gehören Grenzen, Datenregeln, Qualitätsprüfung und ein Verständnis der eigenen Verantwortung.
Praxis: KI-Kompetenz braucht Arbeitszeit, Übung und konkrete Anwendungsfälle.Nachvollziehbar zu machen, wo und wie KI eingesetzt wird, welche Rolle sie im Prozess hat und welche Daten oder Regeln relevant sind. Transparenz schafft noch keine Erklärung, ist aber ihre Voraussetzung.
Praxis: Beschäftigte sollten erkennen können, wann KI Einfluss nimmt.Die Fähigkeit, Ergebnisse oder Verhalten eines Systems so zu erläutern, dass Betroffene und Fachleute sie angemessen verstehen und prüfen können. Die passende Erklärungstiefe hängt von Aufgabe und Risiko ab.
Praxis: „Das System sagt es“ ist keine ausreichende Begründung.Systematische Schieflagen in Daten, Modellierung oder Einsatz, die Ergebnisse unfair oder unpassend machen können. Bias kann technisch, organisatorisch oder im Arbeitsprozess entstehen.
Praxis: Unterschiedliche Fälle und betroffene Gruppen in die Prüfung einbeziehen.Regeln und Verantwortlichkeiten dafür, welche Daten wofür, wie lange, durch wen und unter welchen Qualitäts- und Schutzanforderungen genutzt werden. Sie verbindet Datenschutz, Datenqualität und Organisationsregeln.
Praxis: Nicht nur fragen, ob Daten vorhanden sind – sondern ob ihre Nutzung legitim und zweckgebunden ist.Die Fähigkeit eines Systems, auch bei veränderten, unvollständigen oder unerwarteten Eingaben verlässlich zu funktionieren und sich gegen Störungen angemessen zu verhalten.
Praxis: Nicht nur Standardfälle testen, sondern auch Ausnahmen und Fehlerfolgen.Ein KI-Modell mit breiter Einsetzbarkeit, das viele unterschiedliche Aufgaben bewältigen und in verschiedene Anwendungen integriert werden kann. Große generative Modelle sind ein typisches Beispiel.
Praxis: Die allgemeine Fähigkeit ersetzt keine Prüfung im konkreten Einsatzbereich.Eine im EU AI Act definierte Kategorie für bestimmte KI-Systeme, bei denen Sicherheit oder Grundrechte erheblich betroffen sein können. Ob ein konkreter Einsatz darunter fällt, hängt vom vorgesehenen Zweck und Kontext ab.
Praxis: Rechtliche Einordnung früh mit Daten-, Fach- und Arbeitnehmervertretung klären.Für diese Suche wurde kein Begriff gefunden. Versuchen Sie es mit einem kürzeren Stichwort wie „Daten“, „Modell“, „Aufsicht“ oder „KI“.
Begriffe mit Kontext
Die Begriffe sind für die WorkRADAR-Praxis eigenständig und vereinfacht formuliert. Sie orientieren sich an den folgenden Primärquellen. Das Lexikon ersetzt keine Rechts-, Datenschutz- oder IT-Sicherheitsberatung.
Von der Sprache zur Gestaltung
Im Erstgespräch übersetzen wir keine Buzzwords, sondern betrachten Ihre konkreten Tätigkeiten, Arbeitsregeln und Team-Schnittstellen.
Erstgespräch vereinbaren ↗