Wer sich heute mit Künstlicher Intelligenz beschäftigt, stolpert schneller über Akronyme als über echte Klarheit. Gefühlt reicht inzwischen schon ein halbwegs motivierter LinkedIn-Post, um drei neue Abkürzungen zu erfinden. Einige Begriffe sind technisch sauber definiert, andere stammen eher aus dem Marketing- und SEO-Umfeld und werden nicht überall exakt gleich verwendet. Genau deshalb lohnt sich ein sauberer Überblick.
Wichtig: Begriffe wie KI, ML, DL, NLP, LLM, RAG oder MCP sind fachlich relativ klar. Kürzel wie GEO, AEO, LLMO oder AIO sind dagegen jünger, stärker marketinggetrieben und noch nicht überall einheitlich abgegrenzt.
KI – Künstliche Intelligenz
Künstliche Intelligenz ist der Oberbegriff für Systeme, die Aufgaben übernehmen, für die man sonst menschliche Intelligenz braucht: Sprache verstehen, Muster erkennen, Vorhersagen treffen, Bilder analysieren oder Entscheidungen unterstützen. Unter diesem Dach versammeln sich fast alle anderen Begriffe in dieser Liste. KI ist also die große Überschrift, nicht das einzelne Werkzeug.
Beispiel: Eine Software liest eingehende E-Mails, erkennt das Anliegen, sortiert nach Dringlichkeit und schlägt automatisch eine passende Antwort vor.
Quelle: BSI – Künstliche Intelligenz
ML – Machine Learning
Machine Learning bedeutet auf Deutsch maschinelles Lernen. Gemeint sind Verfahren, bei denen Modelle aus Daten lernen, statt für jeden Einzelfall starr programmiert zu werden. Ein ML-System erkennt statistische Muster und kann dieses Wissen auf neue Daten anwenden. ML ist damit ein Teilgebiet der KI und in der Praxis einer ihrer wichtigsten Motoren.
Beispiel: Ein System analysiert tausende Rechnungen und lernt, wo sich typischerweise Rechnungsnummer, Datum oder Betrag befinden. Bei neuen Dokumenten erkennt es diese Angaben dann automatisch.
Quelle: Fraunhofer IESE – Maschinelles Lernen
DL – Deep Learning
Deep Learning heißt auf Deutsch meist tiefes Lernen und bezeichnet Verfahren mit mehrschichtigen künstlichen neuronalen Netzen. Diese Modelle sind besonders stark bei komplexen Aufgaben wie Bildanalyse, Sprachverarbeitung oder Mustererkennung in großen Datenmengen. Deep Learning ist wiederum ein Teilgebiet des maschinellen Lernens. Kurz gesagt: ML ist der Oberbegriff, DL die schwerere Artillerie.
Beispiel: Eine KI erkennt Auffälligkeiten in medizinischen Bildern oder transkribiert gesprochene Sprache in Text.
Quelle: Fraunhofer IESE – Deep Learning (DL) und große Sprachmodelle (LLM)
NLP – Natural Language Processing
Natural Language Processing bedeutet Verarbeitung natürlicher Sprache. Gemeint sind Verfahren, mit denen Computer Sprache erkennen, analysieren, verstehen und erzeugen können. Dazu gehören unter anderem Klassifikation, Schlüsselworterkennung, Übersetzung, Zusammenfassung und Dialogsysteme. NLP ist also das große Sprachgebiet innerhalb der KI.
Beispiel: Ein Supportsystem analysiert Kundenanfragen, erkennt Themen wie Kündigung, Reklamation oder Lieferverzug und leitet die Anfrage passend weiter.
Quelle: IBM – Was ist NLP (Verarbeitung natürlicher Sprache)?
NLU – Natural Language Understanding
Natural Language Understanding bedeutet Verstehen natürlicher Sprache. NLU ist ein Teilbereich von NLP und konzentriert sich darauf, die Bedeutung, Absicht und den Kontext hinter einer Aussage zu erfassen. Es geht also nicht nur darum, Wörter zu erkennen, sondern zu verstehen, was wirklich gemeint ist. Das ist der Unterschied zwischen „Text gelesen“ und „Aussage begriffen“.
Beispiel: Ein Bot erkennt, dass „Ich komme nicht in mein Konto“ keine poetische Selbstfindung ist, sondern ein Login-Problem mit Supportbedarf.
Quelle: Microsoft Learn – Übersicht über das Verständnis natürlicher Sprachen (NLU)
NLG – Natural Language Generation
Natural Language Generation bedeutet Erzeugung natürlicher Sprache. NLG ist der Teil, bei dem aus Daten oder internen Repräsentationen lesbarer, menschlich wirkender Text erzeugt wird. Während NLU Sprache versteht, formuliert NLG Sprache aus. Beide hängen eng zusammen, sind aber nicht dasselbe.
Beispiel: Ein Berichtssystem erzeugt aus Vertriebszahlen automatisch einen verständlichen Monatsbericht statt nur eine Tabelle mit Zahlen auszuspucken.
Quelle: IBM – Was ist Natural Language Generation (NLG)?
GenAI – Generative AI
Generative AI heißt auf Deutsch generative Künstliche Intelligenz. Diese Systeme erzeugen neue Inhalte, etwa Texte, Bilder, Audio, Video oder Code. Sie analysieren also nicht nur Vorhandenes, sondern produzieren neue Ausgaben auf Basis gelernter Muster. Das ist der Bereich, der derzeit für die meiste Aufmerksamkeit sorgt – und gelegentlich auch für sehr selbstbewussten Unsinn.
Beispiel: Ein System schreibt auf Basis eines kurzen Prompts einen Produkttext, ein Konzeptpapier oder eine erste Antwort auf eine Kundenanfrage.
Quelle: BSI – Generative KI-Modelle
LLM – Large Language Model
Large Language Model bedeutet großes Sprachmodell. LLMs sind auf Sprache spezialisierte Modelle, die Texte verstehen, fortsetzen, umformulieren, zusammenfassen oder generieren können. Sie sind die Grundlage vieler aktueller Chatbots und Assistenten. Ein LLM „denkt“ dabei nicht wie ein Mensch, sondern sagt extrem gut voraus, welches Wort oder welche Formulierung wahrscheinlich als Nächstes passt.
Beispiel: Ein LLM fasst ein Sitzungsprotokoll zusammen, formuliert eine E-Mail um oder beantwortet Fragen zu einem Handbuch.
Quelle: SAP – Was ist ein großes Sprachmodell?
GPT – Generative Pre-trained Transformer
Generative Pre-trained Transformer lässt sich sinngemäß als generativer vortrainierter Transformer übersetzen. „Generative“ heißt: Das Modell erzeugt Inhalte. „Pre-trained“ heißt: Es wurde vorab auf großen Datenmengen trainiert. „Transformer“ bezeichnet die zugrunde liegende Modellarchitektur. GPT ist also keine Zauberformel, sondern eine konkrete Modellfamilie innerhalb der LLM-Welt.
Beispiel: Ein GPT-Modell bekommt die Anweisung, einen Fachtext für Geschäftsführer zu formulieren, und erzeugt daraus einen strukturierten, sprachlich brauchbaren Entwurf.
Quelle: IBM – Was ist GPT (Generative Pre-Trained Transformer)?
Prompt Engineering
Prompt Engineering bezeichnet das gezielte Formulieren von Eingaben, damit ein KI-Modell möglichst nützliche, präzise und konsistente Ergebnisse liefert. Es geht dabei nicht um magische Beschwörungsformeln, sondern um sauberen Kontext, klare Rollen, gute Aufgabenstellung und brauchbare Beispiele. Wer schlechte Prompts schreibt, bekommt eben oft auch schlechte Antworten – die KI ist da unerquicklich ehrlich.
Beispiel: Statt „Schreib was über Datenschutz“ funktioniert meist besser: „Schreibe einen sachlichen Artikel für Geschäftsführer, 700 Wörter, mit Risiken, Praxisbeispiel und drei Handlungsempfehlungen.“
Embeddings – Einbettungen
Embeddings sind numerische Repräsentationen von Inhalten. Texte, Bilder oder andere Daten werden dabei in Vektoren übersetzt, sodass ein System semantische Ähnlichkeiten erkennen kann. Zwei Texte können also unterschiedlich formuliert sein und trotzdem als inhaltlich verwandt gelten. Ohne Embeddings wäre moderne semantische Suche deutlich stumpfer unterwegs.
Beispiel: Ein System erkennt, dass „Rechnung nicht bezahlt“ und „offene Forderung“ thematisch eng zusammenliegen, obwohl nicht dieselben Wörter verwendet wurden.
Quelle: AWS – Amazon Titan Text Embeddings V2 und der Einsatz für RAG
Vektordatenbank – Vector Database
Eine Vektordatenbank speichert Embeddings und macht Ähnlichkeitssuchen über große Mengen semantischer Daten möglich. Sie ist vor allem dann wichtig, wenn nicht nur nach exakten Wörtern, sondern nach inhaltlicher Nähe gesucht werden soll. Das ist ein zentraler Baustein vieler moderner KI-Anwendungen mit eigenem Wissensbestand.
Beispiel: Ein interner Assistent findet passende Passagen aus Verträgen, Richtlinien oder Handbüchern, selbst wenn die Nutzerfrage anders formuliert ist als das Originaldokument.
Quelle: AWS – Die Rolle von Vektordatenbanken in generativen KI-Anwendungen
RAG – Retrieval-Augmented Generation
Retrieval-Augmented Generation bedeutet sinngemäß abrufgestützte Generierung. Dabei kombiniert man ein Sprachmodell mit einer Such- oder Abrufkomponente. Vor der Antwort werden passende Informationen aus Dokumenten, Datenbanken oder anderen Wissensquellen geholt und dem Modell als Kontext mitgegeben. Das reduziert Halluzinationen und macht Antworten nachvollziehbarer.
Beispiel: Ein Unternehmens-Chatbot beantwortet Fragen nicht aus bloßem Modellgedächtnis, sondern sucht zunächst in aktuellen Richtlinien, Handbüchern oder Vertragsunterlagen.
Quelle: Microsoft Learn – Retrieval Augmented Generation (RAG) und Indizes
Fine-Tuning – Feinabstimmung
Fine-Tuning bedeutet, ein bereits vortrainiertes Modell mit zusätzlichen Daten für einen bestimmten Zweck nachzujustieren. Im Unterschied zu RAG wird hier nicht bloß externer Kontext hinzugefügt, sondern das Modellverhalten selbst angepasst. Fine-Tuning lohnt sich vor allem dann, wenn Stil, Fachsprache oder Aufgabentypen dauerhaft stärker spezialisiert werden sollen.
Beispiel: Ein allgemeines Sprachmodell wird mit juristischen Mustern nachtrainiert, damit es Verträge, Klauseln und Fachbegriffe verlässlicher verarbeitet.
AI Agent – KI-Agent
Ein KI-Agent ist ein System, das nicht nur antwortet, sondern Aufgaben planen, Werkzeuge nutzen, Informationen abrufen und Aktionen ausführen kann. Ein Agent geht also über die reine Textausgabe hinaus. Er ist näher an einem digitalen Mitarbeiter als an einem bloßen Chatfenster – zumindest dann, wenn alles funktioniert und nicht gerade am Montagmorgen die halbe Toolchain fehlt.
Beispiel: Ein Vertriebsagent liest Anfragen, durchsucht Produktdaten, erstellt einen Angebotsentwurf, trägt einen Termin ein und informiert den zuständigen Mitarbeiter.
Quelle: IBM – Was sind AI Agents?
MCP – Model Context Protocol
Model Context Protocol bedeutet Modell-Kontext-Protokoll. MCP ist ein offenes Protokoll, das standardisiert, wie KI-Anwendungen mit externen Tools, Datenquellen und Diensten verbunden werden. Vereinfacht gesagt schafft MCP eine gemeinsame Schnittstelle, damit Modelle nicht für jedes Tool eine Sonderlösung brauchen. Es ist also so etwas wie ein universeller Adapter für KI-Integrationen.
Beispiel: Ein Assistent greift über MCP auf Dateisysteme, Datenbanken, interne APIs oder Suchdienste zu, ohne dass jede einzelne Verbindung individuell neu gestrickt werden muss.
Quelle: Microsoft Learn – Erste Schritte mit .NET AI und MCP
GEO – Generative Engine Optimization
Generative Engine Optimization bedeutet Optimierung für generative Antwortsysteme. Gemeint ist die Ausrichtung von Inhalten darauf, in KI-generierten Antworten sichtbar zu werden, zitiert zu werden oder als Quelle zu dienen. Anders als klassische SEO denkt GEO nicht nur in Rankings und Klicks, sondern stärker in Erwähnungen, Zitaten und Präsenz innerhalb der Antwort selbst.
Beispiel: Ein Fachartikel ist klar strukturiert, inhaltlich präzise, aktuell und gut verständlich. Dadurch steigt die Chance, dass generative Suchsysteme den Inhalt als Quelle aufgreifen.
Quelle: SISTRIX – Von SEO zu GEO
AEO – Answer Engine Optimization
Answer Engine Optimization bedeutet Optimierung für Antwortmaschinen. AEO zielt darauf ab, Inhalte so aufzubereiten, dass sie direkte Antworten auf konkrete Nutzerfragen liefern und von Antwortsystemen bevorzugt verwendet werden. In der Praxis überschneidet sich AEO stark mit GEO. Der Unterschied liegt meist in der Betonung: AEO denkt stärker in Antwortformaten, GEO stärker in generativer Sichtbarkeit insgesamt.
Beispiel: Eine Seite beantwortet die Frage „Was ist RAG?“ präzise, knapp und sauber strukturiert – inklusive Definition, Nutzen und Beispiel.
Quelle: HubSpot – Answer Engine Optimization (AEO): So zitiert Sie ChatGPT & Co.
LLMO – Large Language Model Optimization
Large Language Model Optimization bedeutet Optimierung für große Sprachmodelle. Der Begriff wird vor allem im SEO- und Content-Umfeld verwendet und ist noch nicht streng normiert. Meist ist damit gemeint, Inhalte, Markeninformationen und Wissensstrukturen so aufzubereiten, dass LLMs sie leichter verstehen, einordnen und in Antworten berücksichtigen können.
Beispiel: Ein Unternehmen pflegt konsistente Beschreibungen, saubere Entitäten, aktuelle Fachbeiträge und klare Quellen, damit Sprachmodelle die Marke korrekt einordnen können.
Quelle: SISTRIX – KI SEO: Was hinter GEO, AEO, LLMO & Co. wirklich steckt
AIO – AI Optimization
AI Optimization bedeutet KI-Optimierung. Auch dieser Begriff wird nicht überall gleich verwendet. Meist dient er als Sammelbegriff für Maßnahmen, mit denen Inhalte, Daten und Strukturen für KI-Systeme besser nutzbar gemacht werden sollen. AIO ist damit breiter als GEO oder AEO und eher ein Schirmbegriff als eine technisch scharf abgegrenzte Disziplin.
Beispiel: Eine Website verbessert Struktur, Entitäten, Quellenlage, Aktualität und maschinenlesbare Daten, damit klassische Suche und KI-Systeme besser damit arbeiten können.
Quelle: SISTRIX – KI SEO: Was hinter GEO, AEO, LLMO & Co. wirklich steckt
Fazit
Wer heute über KI spricht, jongliert schnell mit einem ganzen Buchstabensalat. Für die Praxis reicht aber meist eine einfache Ordnung: KI ist der Oberbegriff, ML und DL sind technische Unterbereiche, LLMs und GenAI sind die aktuellen Arbeitspferde, Embeddings, Vektordatenbanken und RAG sind zentrale Bausteine moderner Wissenssysteme, und GEO/AEO/LLMO/AIO beschreiben die neue Sichtbarkeitslogik rund um KI-Suche und generative Antworten. Der Trick besteht nicht darin, jede Abkürzung ehrfürchtig nachzuplappern, sondern zu verstehen, welches Problem sie tatsächlich lösen soll.