Question 1

Was ist der Unterschied zwischen AI Agents und Agentic AI?

Accepted Answer

Ein AI Agent ist eine einzelne Software-Einheit, die mithilfe eines Sprachmodells eigenständig Aufgaben ausführt, etwa Informationen sucht oder Aktionen auslöst. Agentic AI ist der umfassendere Begriff: Er beschreibt Systeme, die selbstständig planen, mehrschrittige Aufgaben ausführen und dabei oft mehrere Agenten oder Werkzeuge koordinieren. Agentic AI baut also auf dem Konzept der AI Agents auf, geht aber über einen einzelnen Agenten hinaus.

Question 2

Was ist das Context Window eines Sprachmodells?

Accepted Answer

Das Context Window gibt an, wie viel Text in Tokens ein Sprachmodell gleichzeitig verarbeiten kann, also Eingabe, bisheriger Gesprächsverlauf und generierte Antwort zusammen. Ist das Limit erreicht, fällt älterer Inhalt aus dem Gedächtnis des Modells und wird bei der Antwort nicht mehr berücksichtigt. Ein größeres Context Window erlaubt entsprechend längere Dokumente oder Gespräche.

Question 3

Was ist der Unterschied zwischen Data Scientist, Data Analyst und Data Engineer?

Accepted Answer

Ein Data Analyst wertet vorhandene Daten aus und bereitet sie für Entscheidungen auf, meist mit Fokus auf Reporting und Dashboards. Ein Data Engineer baut und pflegt die Infrastruktur, die Daten überhaupt zugänglich und nutzbar macht. Ein Data Scientist entwickelt darauf aufbauend Modelle, etwa für Vorhersagen oder Mustererkennung, und bewegt sich damit näher am Machine Learning selbst. In der Praxis überschneiden sich die Rollen oft, und Stellenausschreibungen nutzen die Begriffe nicht immer trennscharf.

Question 4

Was ist der Unterschied zwischen einem Data Scientist und einem Machine Learning Engineer?

Accepted Answer

Ein Data Scientist entwickelt und testet Machine-Learning-Modelle, oft experimentell und stark auf Analyse und Statistik fokussiert. Ein Machine Learning Engineer übernimmt anschließend, damit ein solches Modell zuverlässig, skalierbar und im laufenden Betrieb funktioniert, also näher an der Softwareentwicklung und Produktivsetzung. Beide Rollen ergänzen sich meist im selben Projekt, statt sich zu ersetzen.

Question 5

Was sind Deepfakes und wie erkenne ich sie?

Accepted Answer

Deepfakes sind mit KI erzeugte oder manipulierte Gesichter, Stimmen oder Videos, die täuschend echt wirken. Sie entstehen meist mit Generative Adversarial Networks oder Diffusionsmodellen. Eindeutige technische Erkennungsmerkmale gibt es kaum noch, deshalb helfen vor allem Medienkompetenz, ein kritischer Blick auf die Quelle und technische Erkennungstools, die aber ebenfalls nicht fehlerfrei sind.

Question 6

Was ist der EU AI Act und wen betrifft er?

Accepted Answer

Der EU AI Act ist das weltweit erste umfassende KI-Gesetz und verfolgt einen risikobasierten Ansatz: Je höher das Risiko eines KI-Systems für Grundrechte oder Sicherheit, desto strenger die Anforderungen. Betroffen sind sowohl Anbieter (die ein KI-System entwickeln) als auch Betreiber (die es im Unternehmen einsetzen). Welche Pflichten konkret gelten, hängt von dieser Rolle und der Risikoklasse des Systems ab.

Question 7

Welche Pflichten und Strafen gelten beim EU AI Act?

Accepted Answer

Einige Pflichten gelten bereits: etwa die KI-Kompetenzpflicht seit Februar 2025, wonach Unternehmen sicherstellen müssen, dass Mitarbeitende ausreichend im Umgang mit KI geschult sind. Weitere Transparenz- und Kennzeichnungspflichten für KI-generierte Inhalte greifen ab August 2026. Bei Verstößen drohen Bußgelder, die die bekannten DSGVO-Strafen deutlich übersteigen können.

Question 8

Welche EU-Gesetze betreffen den KI-Einsatz im Unternehmen neben dem AI Act?

Accepted Answer

Der EU AI Act ist nicht das einzige relevante Regelwerk. Je nach Anwendungsfall greifen zusätzlich unter anderem die DSGVO (Datenschutz), NIS2 (Cybersicherheit kritischer Infrastrukturen), DORA (IT-Sicherheit im Finanzsektor), der Cyber Resilience Act und der EU Data Act. Welche Regelwerke ein Unternehmen konkret betreffen, hängt von Branche, Datenverarbeitung und eingesetzten Systemen ab.

Question 9

Fine-Tuning oder RAG: Was ist der Unterschied und wann nutze ich was?

Accepted Answer

Fine-Tuning passt das Modell selbst an, indem es mit zusätzlichen Beispieldaten weitertrainiert wird. Das ist sinnvoll, wenn ein bestimmter Stil, Ton oder spezifisches Verhalten dauerhaft gelernt werden soll. RAG verändert das Modell nicht, sondern reichert die Anfrage mit relevantem Kontext aus eigenen Dokumenten an; ideal, wenn aktuelles oder unternehmensspezifisches Wissen abrufbar sein soll, ohne das Modell neu zu trainieren. In der Praxis lassen sich beide Ansätze auch kombinieren.

Question 10

Sollten Unternehmen KI-Modelle in der Cloud oder On-Premise betreiben?

Accepted Answer

Das hängt von vier Abwägungspunkten ab: Kosten, Kontrolle, Skalierung und Beschaffung. Cloud-Lösungen sind meist schneller startklar und flexibel skalierbar, On-Premise-Betrieb bietet mehr Kontrolle über Daten und Infrastruktur. Wichtig: Auch ein europäischer Serverstandort schützt wegen des US Cloud Act nicht automatisch vor US-Zugriff. Datensouveränität ist damit eine eigene, oft unterschätzte Entscheidungsgröße.

Question 11

Wie führt man KI erfolgreich im Unternehmen ein?

Accepted Answer

Es gibt nicht den einen richtigen Weg. Weder reicht es, nur Use Cases zu sammeln, noch reicht der reine Einkauf von Lizenzen wie Copilot. Entscheidend ist meist eine Kombination aus klarer Governance, gezieltem Kompetenzaufbau und einem schrittweisen Vorgehen, das sich an früheren Einführungen transformativer Technologien orientiert. Die konkreten Leitplanken hängen stark vom jeweiligen Unternehmen ab.

Question 12

Was sind Halluzinationen bei KI und warum passieren sie?

Accepted Answer

Halluzinationen sind Antworten von KI-Sprachmodellen, die faktisch falsch oder frei erfunden sind, aber selbstbewusst und überzeugend klingen. Sie entstehen, weil Sprachmodelle keine Fakten aus einer Datenbank abrufen, sondern statistisch plausible Wortfolgen generieren, auch wenn passendes Wissen eigentlich fehlt. Deshalb sollten wichtige Fakten aus KI-Antworten immer überprüft werden.

Question 13

Was sind Parameter bei einem KI-Modell?

Accepted Answer

Parameter sind die internen Stellschrauben eines KI-Modells, die während des Trainings automatisch angepasst werden, um Muster in den Trainingsdaten zu lernen. Ein Modell mit mehr Parametern kann grundsätzlich mehr Wissen und komplexere Zusammenhänge abbilden, braucht dafür aber auch mehr Rechenleistung und Speicher. Die Parameterzahl ist deshalb ein gängiger, wenn auch unvollständiger Indikator für die Leistungsfähigkeit eines Modells.

Question 14

Wie viel Arbeitsspeicher (RAM/VRAM) braucht man für ein KI-Modell?

Accepted Answer

Wie viel Speicher ein LLM braucht, hängt von mehreren physischen Ebenen ab: VRAM auf der Grafikkarte, RAM als Arbeitsspeicher und Massenspeicher wie SSD oder HDD. Apple-Rechner mit M-Chips nutzen zusätzlich sogenannten Unified Memory, bei dem sich CPU und GPU denselben Speicher teilen, anders als bei klassischen Windows-PCs mit dedizierter Grafikkarte. Wie viel davon ihr wirklich braucht, hängt zudem von Kontextlänge und Anzahl gleichzeitiger Nutzer ab, nicht nur von der Modellgröße.

Question 15

Was sind Reasoning-Modelle und was ist Chain of Thought?

Accepted Answer

Reasoning-Modelle sind Sprachmodelle, die vor der eigentlichen Antwort eine interne Gedankenkette durchlaufen, die sogenannte Chain of Thought. Sie zerlegen eine Aufgabe dabei Schritt für Schritt, statt direkt zu antworten, was sie bei komplexen Aufgaben oft treffsicherer macht als klassische Sprachmodelle. Der Nachteil: Dieses zusätzliche Nachdenken kostet mehr Rechenzeit und ist entsprechend teurer.

Question 16

Wie funktioniert die Transformer-Architektur hinter ChatGPT & Co.?

Accepted Answer

Fast alle modernen Sprachmodelle basieren auf der Transformer-Architektur aus dem Jahr 2017. Ihr Kernprinzip ist die sogenannte Self-Attention. Das Modell gewichtet für jedes Wort, wie relevant alle anderen Wörter im Satz für dessen Bedeutung sind, und kann so Zusammenhänge über lange Textabschnitte hinweg erfassen. Das unterscheidet Transformer von älteren Modellarchitekturen und erklärt, warum aktuelle Sprachmodelle so kohärente Antworten liefern können.

Question 17

Was ist der Unterschied zwischen Künstlicher Intelligenz, Machine Learning und Deep Learning?

Accepted Answer

Künstliche Intelligenz (KI) ist der Oberbegriff für Systeme, die menschenähnliche Fähigkeiten wie Lernen oder Problemlösen zeigen. Machine Learning ist ein Teilbereich der KI, bei dem Modelle aus Daten lernen, statt fest programmiert zu werden. Deep Learning ist wiederum ein Teilbereich des Machine Learning, der mit mehrschichtigen neuronalen Netzen arbeitet. Jeder Begriff beschreibt also eine Untermenge des vorherigen.

Question 18

Was ist der Unterschied zwischen Google und ChatGPT?

Accepted Answer

Suchmaschinen wie Google durchsuchen bestehendes Wissen im Internet und verweisen auf die Websites von anderen. Generative KI (Sprachmodelle wie die in ChatGPT) hingegen generieren neue Antworten und neuen Inhalt basierend auf ihrem internen Wissen.

Question 19

Was ist AI Security und welche neuen Bedrohungen bringt KI?

Accepted Answer

AI Security beschäftigt sich mit den neuen Angriffsszenarien, Risiken und Schutzmaßnahmen, die durch den Einsatz von Künstlicher Intelligenz entstehen. Das reicht von Angriffen auf KI-Systeme selbst bis zur Frage, wie sich Unternehmen dagegen absichern können. Neben klassischer IT-Sicherheit spielen dabei vor allem Governance und Transparenz eine zentrale Rolle, damit KI-Strategien nicht nur leistungsfähig, sondern auch sicher sind.

Question 20

Was ist ein Token bei einem Sprachmodell?

Accepted Answer

Ein Token ist die kleinste Texteinheit, mit der ein Sprachmodell rechnet, oft ein Wortteil, ein ganzes Wort oder ein Satzzeichen. Bevor ein Modell einen Text verarbeitet, wird er in solche Tokens zerlegt (Tokenisierung). Die Anzahl der Tokens bestimmt unter anderem, wie viel Text ein Modell gleichzeitig lesen kann und was die Nutzung kostet, da viele Anbieter pro Token abrechnen.

Question 21

Was ist Quantisierung bei KI-Modellen?

Accepted Answer

Quantisierung verkleinert ein KI-Modell, indem die Genauigkeit seiner Zahlenwerte reduziert wird, etwa von FP32 auf FP16 oder INT8. Dadurch sinkt der Speicherbedarf des Modells oft drastisch, ohne dass zu viel Qualität verloren geht. Erst durch Quantisierung lassen sich große Sprachmodelle überhaupt auf normalen PCs, Macs oder Smartphones lokal betreiben.

Question 22

Was ist RAG (Retrieval Augmented Generation)?

Accepted Answer

RAG ist eine Technik, mit der ein Sprachmodell Antworten auf Basis eigener Dokumente statt nur seines Trainingswissens gibt. Dazu wird zunächst der relevante Ausschnitt aus den eigenen Unterlagen gesucht (Retrieval) und dem Modell dann als Kontext für die Antwort mitgegeben (Augmented Generation). So lässt sich mit eigenen Dokumenten 'chatten', ohne das Modell selbst neu zu trainieren.

Question 23

Was ist Vibe Coding?

Accepted Answer

Vibe Coding beschreibt das Programmieren mithilfe von KI, bei dem man in natürlicher Sprache beschreibt, was der Code tun soll, statt ihn selbst Zeile für Zeile zu schreiben. Der Begriff wurde 2025 populär und steht für einen intuitiveren, schnelleren Umgang mit Softwareentwicklung, bringt aber auch Risiken mit sich, etwa wenn der generierte Code nicht ausreichend geprüft wird.

Question 24

Was sind Embeddings und wozu braucht man sie?

Accepted Answer

Embeddings wandeln Wörter, Sätze oder Dokumente in Zahlenreihen (Vektoren) um, damit Maschinen mit Sprache rechnen können. Bedeutungsähnliche Inhalte liegen dabei nah beieinander im Vektorraum. Ohne Embeddings könnten Sprachmodelle wie ChatGPT unsere Sprache gar nicht verarbeiten. Sie sind eine Grundvoraussetzung moderner KI.

Question 25

Wie lernt ein neuronales Netz aus seinen Fehlern?

Accepted Answer

Ein neuronales Netz vergleicht seine Vorhersage mit dem gewünschten Ergebnis und misst den Fehler mit einer sogenannten Loss Function (Verlustfunktion). Über den Algorithmus Backpropagation wird dieser Fehler rückwärts durch das Netz geleitet, um herauszufinden, wie jeder einzelne Parameter angepasst werden muss, damit der Fehler beim nächsten Mal kleiner wird. Dieser Prozess wiederholt sich millionenfach, bis das Modell gute Vorhersagen trifft.

Häufige Fragen

Grundlagen