16 Begriffe, die jeder angehende KI-Berater lernen muss (und 4, die Sie vermeiden sollten)
Die 16 Begriffe, mit denen ein angehender KI-Berater wie ein Profi klingt – von Tokens und RAG bis hin zu MCP und Evals – plus die vier Buzzwords, die Sie schleichend das Vertrauen Ihrer Kunden kosten.
Hier sind die 16 Begriffe: Large Language Model, Token, Kontextfenster, Inferenz, Prompt, System-Prompt, Retrieval-Augmented Generation, Fine-Tuning, Embedding, Agent, MCP, Orchestrierung, Human in the Loop, Halluzination, Guardrails und Evals. Die vier, auf die Sie verzichten sollten: „KI-gestützt“, „auf Ihren Daten trainiert“, „AGI“ und „100 % genau“. Jeder angehende KI-Berater wird nach seinem Fachvokabular beurteilt, noch bevor Ergebnisse vorliegen – denn die Begriffe sind das Einzige, was ein potenzieller Kunde im ersten Gespräch überprüfen kann. Diese Definitionen entsprechen dem Stand der Veröffentlichung im August 2026. Da sich das Feld schnell weiterentwickelt, sollten Sie die Details als Momentaufnahme betrachten.
Welche Kernbegriffe beschreiben das Modell?
Vier Begriffe beschreiben die Maschine selbst. Wenn Sie diese richtig verstehen, ergibt alles andere einen Sinn.
Large Language Model (LLM). Der Motor hinter ChatGPT, Claude und Gemini: ein Modell, das mit enormen Textmengen trainiert wurde und den nächsten Textabschnitt vorhersagt. Wenn ein Kunde von „der KI“ spricht, meint er meistens genau das.
Token. Der kleine Textbaustein, den Modelle lesen und nach dem sie abrechnen – meist etwas kürzer als ein ganzes Wort. API-Preise (kostenpflichtiger Zugriff auf ein Modell) werden pro Token angegeben, daher handelt es sich um einen Kostenfaktor und nicht um Fachwissen-Spielerei.
Kontextfenster (Context Window). Das Arbeitsgedächtnis des Modells: wie viel Text es auf einmal berücksichtigen kann. Wenn ein Kunde fragt, warum die KI Seite 40 seines Handbuchs „vergessen“ hat, ist das Kontextfenster meist die Antwort.
Inferenz (Inference). Das Ausführen eines trainierten Modells, um eine Antwort zu erhalten – im Gegensatz zum Training. Inferenz ist die wiederkehrende Rechnung, die Ihr Kunde jeden Monat nach dem Go-Live des Projekts zahlt.
Welche Begriffe helfen dabei, bessere Antworten zu erhalten?
Fünf Begriffe decken die Kunst ab, ein allgemeines Modell für ein bestimmtes Unternehmen nützlich zu machen.
Prompt. Die Anweisung, die Sie dem Modell geben. Inzwischen werden ganze Produkte aus einer schriftlichen Beschreibung heraus gebaut; prompt-basierte Builder verwandeln einen Absatz in funktionierende Software. Deshalb ist ein Prompt heute ein Ergebnisdokument und nicht nur eine Chat-Nachricht.
System-Prompt. Die dauerhaften Anweisungen, die ein Modell erhält, bevor der Benutzer etwas eingibt. Viele der „maßgeschneiderten KI-Assistenten“, die kleinen Unternehmen verkauft werden, sind technisch gesehen nur ein System-Prompt auf einem bestehenden Modell. Das sollten Sie wissen, bevor Sie ein Angebot kalkulieren.
Retrieval-Augmented Generation (RAG). Das Abrufen der relevantesten Dokumente und deren Übergabe an das Modell zum Zeitpunkt der Fragestellung. So bringen Sie ein Modell dazu, anhand der Handbücher und Richtlinien eines Kunden zu antworten, ohne das Modell selbst anzupassen.
Fine-Tuning. Das tatsächliche Ändern der Gewichte (der internen Einstellungen) eines Modells durch Training mit neuen Beispielen. Es ist teuer, langsamer zu aktualisieren und selten das richtige erste Werkzeug. Die meisten Aufgaben, die Kunden als „Training“ bezeichnen, sind in Wahrheit RAG.
Embedding. In Zahlenlisten umgewandelter Text, sodass ähnliche Bedeutungen nah beieinander liegen. Embeddings sind der Index, den RAG durchsucht – ohne sie funktioniert das Finden relevanter Dokumente nicht.
Welche Begriffe zählen, sobald die KI Aufgaben übernimmt?
Antworten zu liefern ist der einfache Teil. Diese vier Begriffe decken KI ab, die Aktionen ausführt – und genau dorthin entwickeln sich Beratungsaufträge.
Agent. Eine KI, die in einer Schleife auf ein Ziel hinarbeitet: Sie plant, nutzt Werkzeuge, überprüft Ergebnisse und versucht es erneut, anstatt nur eine einzige Antwort zu liefern. Bei Agenten summieren sich allerdings auch Fehler – was die letzten drei Begriffe auf dieser Liste zu kostenpflichtigen Dienstleistungen macht.
MCP (Model Context Protocol). Der offene Standard, mit dem sich eine KI-Anwendung mit externen Tools und Daten verbinden kann – oft als USB-C-Anschluss für KI beschrieben. Es entstand Ende 2024 bei Anthropic und wird heute von der Agentic AI Foundation unter dem Dach der Linux Foundation verwaltet, mit Unterstützung in ChatGPT, Claude, Cursor und Microsoft Copilot. Nahezu jede Kundenfrage nach dem Motto „Kann Ihre KI mit unserem System sprechen?“ läuft heute über MCP.
Orchestrierung. Das Koordinieren mehrerer Modelle, Werkzeuge und Schritte in einem einzigen Workflow: welches Modell was in welcher Reihenfolge erledigt und was passiert, wenn ein Schritt fehlschlägt.
Human in the Loop. Eine Person, die die Arbeit der KI überprüft, bevor sie Auswirkungen hat. Zu entscheiden, an welcher Stelle diese Person sitzt, ist die eigentliche Designentscheidung, für die Kunden einen Berater bezahlen.
Welche Begriffe schützen Kundenprojekte vor Problemen?
Die letzten drei Begriffe sorgen dafür, dass Sie wie ein Profi klingen und nicht wie ein Enthusiast.
Halluzination. Eine selbstbewusste, flüssig formulierte, aber falsche Antwort. Dies ist ein normales Fehlermuster dieser Systeme und kein Bug, den irgendein Anbieter heimlich gelöst hätte.
Guardrails. Strikte Grenzen für das, was das System sagen oder tun darf: Themen, die es ablehnt, Aktionen, die es nicht ausführen kann, Schwellenwerte, die es nicht überschreiten darf.
Evals. Kurz für Evaluations (Evaluierungen): wiederholbare Tests, die ein KI-System vor und nach jeder Änderung anhand bekannter Testfälle bewerten. Wenn Sie KI-Systeme ohne Evals verkaufen, verkaufen Sie reine Vermutungen. Dieser Begriff gewinnt Aufträge.
Welche vier Begriffe sollten Sie vermeiden?
Jeder dieser Begriffe verringert das Vertrauen potenzieller Kunden – aus jeweils unterschiedlichen Gründen.
„KI-gestützt“. Es beschreibt nichts konkret und steht in jedem Pitch-Deck. Benennen Sie stattdessen den Mechanismus: RAG über deren Dokumente, ein Agent mit menschlicher Überprüfung, ein feinjustierter Klassifikator.
„Auf Ihren Daten trainiert“. Meistens falsch. Die meisten Kundensysteme nutzen RAG oder ein großes Kontextfenster, kein Training. Der Ausdruck löst zudem Bedenken beim Datenschutz aus, die Sie dann im Meeting mühsam ausräumen müssen. Sagen Sie lieber „auf Ihren Daten basierend“, es sei denn, Sie führen tatsächlich Fine-Tuning durch.
„AGI“. Artificial General Intelligence ist eine Forschungsdebatte und kein Begriff zur Umfangsfestlegung (Scoping). Wenn ein Kunde danach fragt, antworten Sie ehrlich; bauen Sie nur Ihren Pitch nicht darauf auf, da dies Vorhersagen nach sich zieht, die Sie nicht belegen können.
„100 % genau“. Ebenso wie „halluzinationsfrei“. Eine Garantie, die niemand ehrlich geben kann. Nennen Sie stattdessen gemessene Fehlerraten aus Ihren eigenen Evals; eine reale Zahl führt zu mehr Abschlüssen als eine versprochene Null.
Welche Begriffe zählen also am meisten?
Wenn ein Kundengespräch von vier dieser Begriffe abhängt, dann sind es RAG, Agent, MCP und Evals: was das System weiß, was es tun kann, womit es sich verbindet und wie Sie beweisen, dass es funktioniert. Lernen Sie diese in- und auswendig und nutzen Sie den Rest nach Bedarf. Die Faustregel: Wenn Sie einem Kunden einen Begriff nicht in einem Satz erklären können, lassen Sie ihn im Pitch weg.
Um dieses Vokabular in einem echten Projekt in Aktion zu sehen, lesen Sie, wie KI-Berater den Ersatz einer internen SaaS-Lösung planen. Um den Unterschied zwischen Worten und einer Demo zu erleben, verbinden Sie Ihre eigene KI über MCP mit dem Builder von Final und sehen Sie zu, wie aus einem Prompt ein funktionierendes POS wird. Und falls Ihre Kunden Händler sind, deckt die ergänzende Liste von 30 POS-Begriffen, die jeder neue Händler kennen sollte die andere Hälfte des Gesprächs ab.
Häufig gestellte Fragen
Was ist der Unterschied zwischen RAG und Fine-Tuning?
RAG übergibt dem Modell relevante Dokumente zum Zeitpunkt der Fragestellung; Fine-Tuning verändert das Modell selbst durch Training mit neuen Beispielen. RAG ist günstiger, schneller zu aktualisieren und für die meisten Kundenprojekte der richtige Standard.
Wofür steht MCP in der KI-Beratung?
Model Context Protocol: ein offener Standard, mit dem KI-Anwendungen eine Verbindung zu externen Tools und Daten herstellen können. Er wurde Ende 2024 bei Anthropic entwickelt und wird heute von der Agentic AI Foundation unter dem Dach der Linux Foundation verwaltet.
Müssen KI-Berater programmieren können?
Nicht immer, aber Sie benötigen genügend technisches Vokabular, um den Arbeitsumfang ehrlich einzuschätzen. Viele Projekte werden heute über prompt-basierte Tools und MCP-Verbindungen abgewickelt statt über individuellen Code.
Warum sollten Berater den Begriff „KI-gestützt“ vermeiden?
Er beschreibt nichts Konkretes und potenzielle Kunden haben gelernt, ihn zu ignorieren. Nennen Sie stattdessen den Mechanismus, wie etwa RAG über die Dokumente des Kunden oder einen Agenten mit menschlicher Überprüfung.