KI-Glossar.

GEO ergänzt klassische SEO. Während SEO Inhalte für Google-Suchergebnisse optimiert, geht es bei GEO darum, dass generative KI-Systeme die eigene Marke in ihren Antworten verstehen, zitieren und empfehlen.

Das verlangt strukturierte Inhalte, klare Expertenaussagen mit Quellen, semantisch saubere Texte und technische Autorität durch strukturierte Daten. Der Wandel ist real: Immer mehr Kaufentscheidungen starten in einem KI-Chat statt auf einer Suchergebnisseite.

Ein KI-Agent ist mehr als ein Chatbot. Ein Chatbot antwortet auf eine Frage. Ein Agent verfolgt ein Ziel: Termine koordinieren, Leads recherchieren, eine Bestellung anstoßen — und entscheidet auf dem Weg dorthin, welche Schritte und welche Tools nötig sind.

Technisch besteht ein Agent meist aus einem LLM als „Denkzentrale" plus einer Menge angebundener Werkzeuge: E-Mail, CRM, Web-Scraping, Datenbank. Agenten arbeiten in einem klar abgegrenzten Aufgabenraum — vollständig autonome Agenten sind in produktiven Umgebungen weiterhin die Ausnahme, nicht die Regel.

Ein LLM ist ein Modell, das mit enormen Mengen Text trainiert wurde, um Sprache zu verstehen und sinnvolle Antworten zu erzeugen. Wenn man heute im Business-Kontext von „KI" spricht, meint man fast immer genau diese Modelle.

Bekannte Beispiele: GPT (OpenAI), Claude (Anthropic), Gemini (Google), Mistral (Frankreich, EU-Hosting möglich). LLMs allein lösen keine Geschäftsprobleme — sie müssen mit den richtigen Daten, Werkzeugen und Prozessen kombiniert werden. Genau das ist der Kern moderner KI-Automation.

Ein reines LLM kennt nur, was im Training enthalten war — eigene Firmendokumente, aktuelle Preislisten oder neue Verträge nicht. RAG löst das: Bei einer Anfrage werden zuerst passende Inhalte aus einer eigenen Datenquelle (PDFs, Wiki, Datenbank) abgerufen und dann gemeinsam mit der Frage an das Modell übergeben.

Die Antwort basiert dann auf echten Fakten, nicht auf der „Allgemeinbildung" des Modells. RAG ist heute der Standard für Chatbots mit eigenen Inhalten — und einer der wichtigsten Bausteine für DSGVO-konforme Setups, weil sensible Daten nicht ins Modell trainiert werden müssen.

n8n ist ein visuelles Werkzeug, das Abläufe zwischen Anwendungen verknüpft: E-Mail kommt rein → KI klassifiziert sie → Antwort wird vorbereitet → Termin im Kalender geblockt. Ähnlich wie Zapier oder Make, aber als Open-Source-Lösung selbst hostbar.

Das macht n8n attraktiv für Unternehmen, die ihre Daten nicht in eine US-Cloud schicken wollen, viele Workflows parallel betreiben oder komplexe KI-Pipelines mit eigenen Knoten und Code-Blöcken bauen müssen. n8n ist das technische Rückgrat vieler KI-Automationen — auch in den meisten Projekten von KI-Navigator.

Wer einem LLM nur sagt „schreib einen Text über X", bekommt austauschbare Ergebnisse. Prompt Engineering bedeutet, einem Modell ein präzises Briefing zu geben: Rolle, Kontext, Format, Beispiele, Einschränkungen.

In produktiven KI-Systemen ist der Prompt kein Text, sondern ein Template mit dynamischen Variablen — und er entscheidet maßgeblich über Qualität, Konsistenz und Verlässlichkeit der Ausgabe. Gute Prompts werden versioniert, getestet und über die Zeit verbessert, ähnlich wie Code. „Vibes-basierte" Prompts skalieren nicht.

Sobald KI personenbezogene Daten verarbeitet — E-Mails, Kundennamen, Supportanfragen — greift die DSGVO. Drei Punkte sind dann ausschlaggebend: Wo wird das Modell betrieben (EU-Hosting bevorzugt), gibt es einen Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter, und werden die Daten zum Modelltraining verwendet (oft unerwünscht).

Anbieter wie Mistral oder selbst gehostete Open-Source-Modelle erleichtern DSGVO-Konformität, weil sie in der EU laufen und klare Verträge bieten. US-Modelle (OpenAI, Anthropic) lassen sich nutzen, wenn keine personenbezogenen Daten übermittelt werden oder ein Enterprise-Vertrag mit EU-Datenresidenz besteht. Mit dem EU AI Act kommen zusätzliche Pflichten je nach Risikoklasse der Anwendung — Compliance gehört von Anfang an in das Projekt, nicht nachträglich.

Ein einzelner Agent, der alles erledigt, wird unzuverlässig: Er recherchiert, schreibt, prüft und versendet — und macht in jedem Schritt kleine Fehler, die sich addieren. Ein Multi-Agent-System teilt die Arbeit auf: Ein Agent recherchiert, ein zweiter strukturiert, ein dritter formuliert, ein vierter prüft.

Jeder Agent hat einen klaren Auftrag, eigene Werkzeuge und einen Prompt, der ausschließlich auf seine Rolle zugeschnitten ist. Die Qualität steigt deutlich, Fehler werden lokal isolierbar — und ein Mensch kann an genau einer Stelle eingreifen, ohne den ganzen Workflow umzuwerfen.