Das KI-Agenten-Glossar: 60 KI-Begriffe einfach erklärt (2026)

Jede KI-Produktseite liest sich mittlerweile wie ein Diktat: agentisch, MCP, RAG, Kontextfenster, Tool Calling, Leitplanken, Orchestrierung. Die Ideen hinter den Begriffen sind meist einfach, nur erklärt sie kaum jemand an einem Ort, und genau diese Lücke ist der Grund, warum so viele Menschen „KI nutzen", ohne ihr je eine echte Aufgabe zu übergeben.

Dieses KI-Glossar schafft Abhilfe. Es deckt 60 Begriffe ab, die dir beim Lesen über KI-Agenten, große Sprachmodelle und Automatisierung 2026 begegnen, nach Themen gruppiert und in einfachen Worten mit einem konkreten Beispiel erklärt. Setz ein Lesezeichen, teile es mit deinem Team und nutze es zusammen mit unseren Guides zu was agentische KI ist und wie KI-Subagenten funktionieren. Wo ein Begriff für die Nutzung von Jobbit wichtig ist, weisen wir darauf hin.

Kernbegriffe: die Wörter, die alle benutzen

• Künstliche Intelligenz (KI): Software, die Aufgaben übernimmt, für die normalerweise menschliche Intelligenz nötig ist, etwa Sprache verstehen, Bilder erkennen oder Entscheidungen treffen. 2026 meint der Begriff meist Systeme, die auf großen Sprachmodellen aufbauen.

• Machine Learning (ML): die Technik, Software anhand von Beispielen zu trainieren, statt explizite Regeln zu schreiben. Ein Spamfilter lernt aus Millionen markierter E-Mails, statt dass ihm jede Regel von Hand vorgegeben wird.

• Deep Learning: Machine Learning mit neuronalen Netzen aus vielen Schichten. Es hat moderne Bilderkennung, Sprach- und Sprachmodelle erst möglich gemacht.

• Generative KI: KI, die aus einem Prompt neue Inhalte erzeugt, Text, Bilder, Code, Audio oder Video. ChatGPT, Claude, Gemini und Midjourney sind generative KI-Produkte.

• Großes Sprachmodell (LLM): ein neuronales Netz, trainiert auf riesigen Textmengen, das den nächsten Token in einer Sequenz vorhersagt und dabei lernt, zu argumentieren, zu schreiben und Anweisungen zu befolgen. GPT, Claude, Gemini, Llama, DeepSeek und Mistral sind LLM-Familien.

• Foundation Model: ein großes Modell, trainiert auf breiten Daten, das sich an viele Aufgaben anpassen lässt. LLMs sind Foundation Models für Sprache, es gibt Entsprechungen für Bild und Video.

• Multimodales Modell: ein Modell, das mehr als eine Art von Eingabe versteht und erzeugt, meist Text, Bilder, Audio und manchmal Video. Multimodale Modelle ermöglichen es einem Agenten, einen Screenshot oder eine gescannte Rechnung zu lesen.

• Prompt: die Anweisung, die du einem Modell gibst. Gut zu prompten ist eine Fähigkeit, siehe wie du Prompts für KI-Agenten schreibst.

• System-Prompt: versteckte Anweisungen, festgelegt von den Entwicklern des Produkts, die bestimmen, wie sich das Modell in jeder Konversation verhält: seine Rolle, sein Ton, seine Regeln und Tools.

• Inferenz: das Ausführen eines trainierten Modells, um eine Antwort zu erzeugen. Training passiert einmal, Inferenz passiert bei jeder gesendeten Nachricht, und dafür bezahlst du.

Wie Modelle denken: Tokens, Kontext und Reasoning

• Token: die Einheit, in der Modelle lesen und schreiben, etwa drei Viertel eines englischen Wortes. Preise, Limits und Geschwindigkeit werden alle in Tokens gemessen. „Eine Million Tokens" entspricht etwa 750.000 Wörtern.

• Kontextfenster: die Textmenge, die ein Modell gleichzeitig berücksichtigen kann, einschließlich deiner Konversation, Dokumenten und der eigenen Antwort des Modells. Größere Fenster erlauben es einem Agenten, eine ganze Codebasis oder einen hundertseitigen Vertrag im Blick zu behalten.

• Context Engineering: die Kunst zu entscheiden, was ins Kontextfenster kommt: welche Dokumente, Beispiele, Tool-Ergebnisse und Erinnerungen, damit das Modell hat, was es braucht, und nichts, was ablenkt. Es hat „Prompt Engineering" als wichtigste Fähigkeit im Agentendesign weitgehend abgelöst.

• Reasoning-Modell: ein Modell, trainiert darauf, vor der Antwort zu „denken", und dabei Zwischenschritte zu erzeugen, die die Genauigkeit bei Mathematik, Code und Planung verbessern. Reasoning-Modi kosten mehr Tokens, machen Agenten aber deutlich zuverlässiger.

• Chain of Thought: die Schritt-für-Schritt-Argumentation, die ein Modell auf dem Weg zur Antwort aufschreibt. Reasoning-Modelle tun das von Natur aus, ältere Modelle lassen sich per Prompt dazu bringen.

• Temperature: eine Einstellung, die den Zufallsgrad steuert. Niedrige Temperature liefert konsistente, vorhersagbare Ausgaben, höhere Temperature liefert vielfältigere, kreativere Ausgaben.

• Halluzination: eine selbstbewusst vorgetragene, aber falsche Aussage eines Modells, etwa ein erfundenes Zitat oder ein nicht existierendes Produktmerkmal. Agenten verringern Halluzinationen, indem sie Quellen prüfen und Ergebnisse testen, statt einer einzelnen Antwort zu vertrauen.

• Grounding: die Antwort eines Modells an echte Daten, Dokumente, Suchergebnisse oder Tool-Ausgaben zu binden, sodass es berichtet, was tatsächlich da ist, statt was plausibel klingt.

• Fine-Tuning: ein Modell mit eigenen Beispielen weitertrainieren, damit es einen Stil, ein Format oder Fachwissen übernimmt. Nützlich für eng begrenzte Aufgaben, bei Agenten meist unnötig, da sie ihr Wissen aus Tools und Kontext beziehen.

• Retrieval-Augmented Generation (RAG): relevante Dokumente im Moment der Anfrage abrufen und ins Kontextfenster legen, damit das Modell aus deinen Daten antwortet. So funktionieren Produkte nach dem Prinzip „chatte mit deinen Dokumenten".

• Embeddings: numerische Darstellungen von Text, die Bedeutung erfassen, sodass ähnliche Passagen nah beieinanderliegen. Embeddings treiben semantische Suche und RAG an.

• Vektordatenbank: eine Datenbank, optimiert für das Speichern und Durchsuchen von Embeddings. Pinecone, Weaviate, pgvector und Chroma sind gängige Optionen.

• Knowledge Cutoff (Wissensstichtag): das Datum, nach dem ein Modell über keine Trainingsdaten mehr verfügt. Agenten umgehen das, indem sie im Web suchen und aktuelle Quellen lesen.

Agenten: das Vokabular der Autonomie

• KI-Agent: Software, die ein Modell plus Tools nutzt, um Aufgaben eigenständig zu erledigen: Sie plant, handelt, beobachtet Ergebnisse und passt sich an. Das Thema des größten Teils dieses Glossars.

• Agentische KI: der breitere Ansatz, zielgetriebene, toolnutzende KI-Systeme zu bauen, oft mit mehreren zusammenarbeitenden Agenten. Ausführlich erklärt in was ist agentische KI?.

• KI-Assistent / Copilot: agentenähnliche Hilfe, die unter deiner direkten Kontrolle bleibt und eher vorschlägt als handelt. GitHub Copilot im Editor ist das klassische Beispiel; im „Agentenmodus" wird aus einem Copilot ein Agent.

• Autonomie: wie viel ein Agent erledigt, ohne nachzufragen. Sinnvolle Systeme richten die Autonomie an der Umkehrbarkeit der Handlung aus: frei entwerfen, nur mit Freigabe ausgeben.

• Tool-Nutzung / Function Calling: der Mechanismus, mit dem ein Modell Software aufruft: im Web suchen, Code ausführen, eine Datenbank abfragen, eine E-Mail verschicken. Tools machen aus einem Chatbot einen Agenten.

• Model Context Protocol (MCP): ein offener Standard von Anthropic, um Modelle einheitlich mit Tools und Datenquellen zu verbinden. Man kann es sich wie einen universellen Stecker für Agenten vorstellen; die Unterstützung verbreitete sich 2025 und 2026 über alle großen KI-Plattformen.

• Agent-to-Agent-Protokoll (A2A): ein von Google vorgeschlagener Standard, damit Agenten verschiedener Anbieter sich gegenseitig entdecken und miteinander sprechen können. Zusammen mit MCP weist es den Weg zu unternehmensübergreifend zusammenarbeitenden Agenten.

• Orchestrierung: mehrere Schritte, Tools oder Agenten zu einem Workflow koordinieren: entscheiden, was läuft, in welcher Reihenfolge, und was bei einem Fehlschlag passiert.

• Multi-Agenten-System: mehrere Agenten mit unterschiedlichen Rollen, die an einem Ziel arbeiten, typischerweise ein Leitagent, der plant und delegiert, plus Spezialagenten, die recherchieren, bauen oder prüfen.

• Subagent: ein Agent, der von einem anderen Agenten erzeugt wird, um parallel ein Teilstück einer Aufgabe zu übernehmen. Jobbit nutzt Subagenten, um viele Quellen zu recherchieren oder mehrere Features gleichzeitig zu bauen und zu testen; siehe KI-Subagenten erklärt.

• Planer: der Teil eines Agenten, der ein Ziel in Schritte zerlegt und den Plan anpasst, sobald Ergebnisse hereinkommen.

• Memory (Gedächtnis): was ein Agent über eine einzelne Nachricht hinaus behält. Das Kurzzeitgedächtnis ist der aktuelle Kontext, das Langzeitgedächtnis speichert Vorlieben, frühere Entscheidungen und Fakten über dich, damit der Agent mit der Zeit besser wird.

• Agentenschleife: der sich wiederholende Zyklus aus Planen, Handeln, Beobachten, Anpassen, der läuft, bis das Ziel erreicht ist oder der Agent eine Entscheidung braucht.

• Human in the Loop: ein Design, bei dem ein Mensch bestimmte Schritte prüft oder freigibt, etwa das Versenden einer Kunden-E-Mail oder eine Zahlung.

• Computer Use / Browser-Agent: ein Agent, der Software bedient, indem er den Bildschirm betrachtet und klickt und tippt wie ein Mensch, wodurch er mit Tools ohne API arbeiten kann. Erklärt in Computer-Use-KI-Agenten.

• Deep Research: ein agentischer Workflow, bei dem der Agent Dutzende Quellen liest, Behauptungen gegeneinander prüft und einen belegten Bericht erstellt. Siehe wie du Deep Research mit KI durchführst.

• Workflow-Automatisierung: vordefinierte, regelbasierte Abfolgen von Aktionen über mehrere Apps hinweg, die Domäne von Zapier, Make und n8n. Agenten ergänzen Workflows um Ermessen; wir vergleichen beides in Zapier vs. Make vs. n8n vs. KI-Agenten.

• Vielseitiger KI-Agent: ein Agent, der viele Arten von Arbeit aus einem einzigen Chat heraus übernimmt, Recherche, Schreiben, Software bauen, Design, Automatisierung, statt für jede ein eigenes Tool zu brauchen. So ist Jobbit gebaut.

Software bauen mit KI

• Vibe Coding: Software bauen, indem du in natürlicher Sprache beschreibst, was du willst, und einen KI-Agenten den Code schreiben, ausführen und korrigieren lässt, wobei du das Ergebnis daran beurteilst, wie es sich verhält, statt jede Zeile zu lesen. Vollständiger Guide: was ist Vibe Coding?.

• KI-App-Builder: ein Produkt, das aus einer Beschreibung eine funktionierende Anwendung macht, oft inklusive Hosting. Lovable, Bolt, v0, Replit und Jobbit sind Beispiele; verglichen in die besten Vibe-Coding-Tools.

• Coding-Agent: ein Agent, der innerhalb einer Codebasis arbeitet: Dateien lesen, Code schreiben, Tests ausführen und Fehlschläge beheben. Claude Code, OpenAI Codex, der Agentenmodus von Cursor und Devin sind Coding-Agenten.

• No-Code / Low-Code: visuelle Tools, um Software ohne (oder mit wenig) Programmieren zu bauen, etwa Bubble, Webflow, Airtable und Retool. Wie sie sich zu Vibe Coding verhalten, steht in Vibe Coding vs. No-Code vs. Low-Code.

• Sandbox: eine isolierte Umgebung, in der ein Agent Code sicher ausführen kann, ohne deine echten Systeme zu berühren. Unverzichtbar für jeden Agenten, der Code ausführt.

• Deployment: Software auf einem Server live schalten, damit Menschen sie nutzen können. Agenten, die für dich deployen, inklusive Hosting, nehmen den Schritt weg, an dem die meisten Nicht-Entwickler scheitern.

• API (Programmierschnittstelle): die strukturierte Art, wie ein Stück Software mit einem anderen spricht. Agenten nutzen APIs, um Daten in anderen Systemen zu lesen und zu ändern.

• Webhook: eine Nachricht, die ein System an ein anderes schickt, wenn etwas passiert („neue Bestellung eingegangen"), üblicherweise genutzt, um Automatisierungen auszulösen.

• MVP (Minimum Viable Product): die kleinste Version eines Produkts, die echte Nutzer ausprobieren können. Agenten haben die Entwicklungszeit für ein MVP von Monaten auf Tage verkürzt; siehe wie du ein SaaS mit KI baust.

• Technische Schulden: Abkürzungen im Code, die künftige Änderungen langsamer und riskanter machen. KI-generierter Code häuft sie schnell an, wenn niemand die Struktur prüft, eines der Risiken aus Vibe-Coding-Fehler und Sicherheit.

Sicherheit, Qualität und Vertrauen

• Leitplanken (Guardrails): Regeln und Prüfungen, die begrenzen, was ein Agent tun oder sagen darf: blockierte Aktionen, Ausgabenlimits, Inhaltsfilter, verpflichtende Freigaben.

• Prompt Injection: ein Angriff, bei dem Text, den der Agent liest (eine Website, eine E-Mail, ein Dokument), Anweisungen enthält, die ihn kapern sollen. Robuste Agenten behandeln alles, was sie lesen, als Daten, nie als Befehle.

• Alignment: das breite Bemühen, Modelle im Einklang mit menschlichen Absichten und Werten handeln zu lassen, vom Ablehnen schädlicher Anfragen bis zum zuverlässigen Befolgen von Anweisungen.

• Evaluation (Evals): systematische Tests der Qualität eines Modells oder Agenten anhand eines festen Satzes von Aufgaben. Seriöse Teams lassen Evals laufen, bevor sie einem Agenten einen Workflow anvertrauen.

• Benchmark: eine öffentliche Bewertung zum Vergleich von Modellen, etwa SWE-bench für Software-Engineering-Aufgaben. Nützliche Signale, aber die Leistung in der Praxis bei deiner Aufgabe zählt mehr.

• Observability: protokollieren, was ein Agent getan hat, welche Tools er wann aufgerufen hat und warum, damit du Ergebnisse prüfen und Fehlschläge debuggen kannst.

• Red Teaming: ein Modell oder einen Agenten gezielt angreifen, um Schwachstellen zu finden, bevor es jemand anderes tut.

• Datenstandort und Datenschutz: wo deine Daten gespeichert sind und wer sie sehen kann. Prüfe, ob ein KI-Anbieter mit deinen Eingaben trainiert und wo seine Server stehen, bevor du irgendetwas Sensibles hochlädst.

Geschäfts- und Preisbegriffe

• Credits: die Nutzungswährung, die viele Agentenplattformen statt roher Tokens verkaufen, sodass ein Credit eine Nachricht, einen Bau-Schritt oder einen Rechercheauftrag abdecken kann. Lies den Umrechnungskurs genau, wir schlüsseln ihn auf in was KI-Agenten kosten.

• Rate Limit: die Obergrenze, wie viele Anfragen oder Tokens du in einem Zeitraum nutzen kannst. Sie mitten in einer Aufgabe zu erreichen, ist der häufigste Grund, warum ein Agentenlauf stockt.

• Latenz: wie lange eine Antwort braucht. Agenten tauschen Latenz gegen Gründlichkeit: ein zweiminütiger Rechercheauftrag schlägt eine Zwei-Sekunden-Vermutung.

• Nutzerbasierte vs. nutzungsbasierte Preise: pro Nutzer und Monat zahlen im Vergleich zum Bezahlen dessen, was du verbrauchst. Agentenprodukte mischen zunehmend beides.

• Automatisierungs-ROI: der Ertrag einer Automatisierung, meist gemessen in eingesparten Stunden, schnelleren Reaktionszeiten oder beeinflusstem Umsatz, gegen die Kosten des Tools und die Zeit für die Einrichtung.

• Digital Worker / KI-Mitarbeiter: Marketingsprache für einen Agenten der Stufe 4, der eine ganze Rolle statt nur eine Aufgabe übernimmt. Begegne dem Begriff mit derselben Skepsis wie einem Lebenslauf.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem KI-Agenten und einem LLM?

Ein LLM ist das Modell, das Text liest und schreibt. Ein KI-Agent ist ein System rund um ein Modell, das Planung, Tools, Gedächtnis und eine Feedback-Schleife ergänzt, sodass es Aufgaben erledigen kann statt nur Fragen zu beantworten. Das LLM ist der Motor, der Agent ist das Auto.

Was bedeutet MCP bei KI?

MCP steht für Model Context Protocol, einen offenen Standard, um KI-Modelle einheitlich mit Tools und Datenquellen zu verbinden. Statt dass jedes Produkt eigene Integrationen baut, stellen Tools einen MCP-Server bereit, den jeder kompatible Agent nutzen kann.

Was ist ein Kontextfenster, und warum ist es wichtig?

Das Kontextfenster ist die Textmenge, die ein Modell gleichzeitig berücksichtigen kann, gemessen in Tokens. Es ist wichtig, weil alles, was der Agent über die aktuelle Aufgabe weiß, deine Anweisungen, die Dokumente, die Tool-Ergebnisse, hineinpassen muss. Größere Fenster erlauben es Agenten, größere Codebasen und längere Dokumente zu verarbeiten.

Was ist der Unterschied zwischen RAG und Fine-Tuning?

RAG ruft relevante Dokumente im Moment der Anfrage ab und gibt sie dem Modell, sodass es aus aktuellen Daten antwortet, ohne neu trainiert zu werden. Fine-Tuning verändert das Modell selbst, indem es mit Beispielen trainiert wird, was sich für feste Stile oder Formate eignet. Für die meisten Unternehmen reicht RAG plus gute Tools, und Agenten machen beides weniger nötig, indem sie die Quelle einfach direkt lesen.

Was ist Vibe Coding in einem Satz?

Vibe Coding heißt, Software zu bauen, indem du beschreibst, was du willst, und einen KI-Agenten den Code schreiben, ausführen und korrigieren lässt, sodass du das Ergebnis daran beurteilst, wie sich die App verhält, statt jede Zeile zu lesen.

Jetzt, wo das Vokabular sitzt, setz es ein: starte kostenlos auf Jobbit und gib einem Agenten eine Aufgabe, die es wert ist.