glossar

die wörter, dielocker verwendet werden.

forward deployed engineer (FDE): eine ingenieurin, die in deinem team und in deiner codebasis arbeitet statt aus der ferne zu liefern. das modell, das Palantir verbreitet hat und hinter das Anthropic, OpenAI, AWS und Microsoft 2026 geld gestellt haben. der punkt: wer scopet, liefert auch.; die vollständige definition von forward deployed engineer (FDE) lesen
ai-beratung: beratung, die mit etwas laufendem endet, nicht mit einem foliensatz. eine readiness-analyse, ein schriftlicher plan und meist die umsetzung. frag jede firma zwei dinge: was kostet es, und wer genau macht die arbeit.
ai-readiness-analyse: eine kurze prüfung, ob daten, systeme und team die geplante ai-arbeit tragen. sie sollte die workflows benennen, die sich zu ändern lohnen, und die, die noch nicht so weit sind — und ehrlich genug sein, 'noch nicht' zu sagen.
ai-implementierung: der schritt zwischen der entscheidung für ai und dem betrieb in produktion: integration, zugriffsrechte, rollback-plan und übergabe an die betreuung. die meisten steckengebliebenen programme bleiben hier stecken, nicht am modell.
ai-governance: die schriftlichen regeln für den ai-einsatz im unternehmen: welche daten sichtbar sind, wer freigibt, was protokolliert wird und wie ein schlechter output auffällt. konkret: ein policy-dokument, ein audit-log und ein rollback-plan — kein grundsatzpapier.
ai-pilot: ein begrenzter testlauf eines ai-workflows vor der festlegung. ein pilot ist nützlich, wenn das abbruchkriterium vorab schriftlich feststeht. ohne das wird er zu dem ding, das ein jahr läuft und nie live geht.
ai-enablement: training, das verändert, was ein team am montag tut — nicht, was es am freitag weiß. feste kohortentermine, eine echte prüfung und arbeit, die im programm entsteht, statt einer teilnahmebescheinigung.
large language model (llm): ein modell, das text vorhersagt — deshalb kann dieselbe frage zwei verschiedene antworten liefern. nützlich, wenn die aufgabe eine prüfung verträgt; riskant, wenn ein ungeprüfter output direkt zum kunden oder ins buchhaltungssystem geht.
retrieval-augmented generation (rag): dem modell deine dokumente zum zeitpunkt der frage geben, statt sie einzutrainieren. so antwortet ein assistent aus euren richtlinien statt aus dem internet — meist günstiger und leichter zu korrigieren als fine-tuning.
ai-agent: ein modell mit werkzeugen und der erlaubnis zu handeln — mail senden, datensatz ändern, api aufrufen. das technische problem ist nicht das denken, sondern die entscheidung, was es anfassen darf und wofür es erst einen menschen fragen muss.
eval: ein wiederholbarer test, der die ausgabe eines modells gegen bekannte richtige antworten bewertet. ohne ihn weißt du nicht, ob eine prompt-änderung etwas verbessert oder nur verändert hat. das ist der unterschied zwischen liefern und raten.
fine-tuning: weiteres training eines bestehenden modells auf euren eigenen beispielen, damit es ein format oder einen stil übernimmt. lohnt sich für konsistenz; meist das falsche werkzeug, um fakten beizubringen — dafür ist retrieval besser.