Glossar: KI, Computational Design, XR

Sammelbegriff für Verfahren, mit denen Software Aufgaben löst, für die sonst menschliche Beurteilung nötig wäre. Im Unternehmenskontext meint der Begriff heute fast immer maschinelles Lernen und Sprachmodelle, nicht Symbolik oder Expertensysteme. Für ein Projekt ist er zu unscharf: entscheidend ist, welches Verfahren welche konkrete Aufgabe übernimmt.

Verfahren, bei denen ein Modell seine Regeln aus Beispieldaten ableitet statt sie programmiert zu bekommen. Der Aufwand liegt fast nie im Modell, sondern in den Daten: Vollständigkeit, Beschriftung und die Frage, ob die historischen Daten die Zukunft überhaupt abbilden.

Modelle, die neue Inhalte erzeugen statt nur zu klassifizieren: Text, Bild, Audio, Video, Code. Der Unterschied zu klassischer Analyse-KI ist betrieblich relevant, weil generierte Ausgaben plausibel aussehen können, ohne korrekt zu sein, und deshalb eine Prüfstufe brauchen.

Rechenmodell aus vielen einfachen, gewichteten Verknüpfungen, deren Gewichte im Training angepasst werden. Praktisch relevant ist daran vor allem die Konsequenz: das Verhalten lässt sich nicht Zeile für Zeile nachlesen, sondern nur über Tests und Beobachtung absichern.

Der Rechenvorgang, in dem ein Modell seine Gewichte aus Daten lernt. Ein Sprachmodell von Grund auf zu trainieren ist für ein mittelständisches Unternehmen praktisch nie sinnvoll. Die relevanten Alternativen sind Retrieval-Augmented Generation und, seltener, Fine-Tuning eines vorhandenen Modells.

Die Anwendung eines fertig trainierten Modells auf eine neue Eingabe, also der laufende Betrieb. Die Inferenzkosten bestimmen den Dauerbetrieb, nicht die Trainingskosten. Bei lokalem Betrieb schlagen sie sich in GPU-Speicher und Durchsatz nieder, bei gehostetem Betrieb in Token-Preisen.

Lokales LLM: Hardware und Kosten

Eine flüssig formulierte, aber sachlich falsche Ausgabe eines Sprachmodells. Sie entsteht, weil das Modell die wahrscheinlichste Fortsetzung erzeugt und nicht auf eine Quelle zugreift. Halluzinationen lassen sich nicht wegtrainieren, aber durch Anbindung an belegbare Quellen und durch Quellenangabe pro Antwort stark eindämmen.

Was ist RAG?

Standardisierter Test, mit dem Modelle verglichen werden. Benchmark-Ergebnisse sagen wenig über die Leistung auf Ihren Dokumenten aus, weil Ihre Domäne, Ihre Sprache und Ihr Dateiformat darin nicht vorkommen. Aussagekräftig ist nur ein Testsatz aus dem eigenen Bestand.

Das Feld, das maschinelle Verarbeitung natürlicher Sprache behandelt: Klassifikation, Extraktion, Übersetzung, Zusammenfassung. Vieles davon lässt sich heute mit einem Sprachmodell ohne eigenes Training lösen, klassische Verfahren bleiben aber bei engen, hochvolumigen Aufgaben günstiger und stabiler.

Automatische Auswertung von Bildern und Video: Objekterkennung, Segmentierung, Messung, Qualitätsprüfung. In der Produktion ist die entscheidende Frage selten das Modell, sondern die Aufnahmesituation, also Beleuchtung, Perspektive und Wiederholgenauigkeit.

YOLO 2026: NMS-freie Objekterkennung

Umwandlung von Bild in maschinenlesbaren Text. In Dokumentenprojekten ist OCR traditionell der erste Schritt und zugleich die häufigste Fehlerquelle, weil Layout, Tabellen und Formularstruktur dabei verloren gehen. Visuelle Dokumentensuche umgeht diesen Schritt inzwischen in vielen Fällen.

Schluss mit OCR: visuelle Dokumentensuche

Ein auf sehr großen Textmengen trainiertes Modell, das den nächsten Textabschnitt vorhersagt und dadurch Fragen beantwortet, umformuliert, zusammenfasst und Code schreibt. Es weiß nichts über Ihr Unternehmen, solange Sie es ihm nicht zur Laufzeit mitgeben.

Die Recheneinheit eines Sprachmodells, ungefähr ein Wortteil. Kontextlänge, Preise und Durchsatz werden in Token gemessen, nicht in Zeichen. Für deutschsprachige Texte liegt der Tokenverbrauch spürbar über dem englischer Texte, was bei Kostenschätzungen regelmäßig unterschätzt wird.

Die Menge an Text, die ein Modell pro Anfrage gleichzeitig berücksichtigen kann. Ein großes Kontextfenster ersetzt keine Suche: alles hineinzukippen ist teuer, langsam und verschlechtert die Trefferqualität, weil relevante Stellen zwischen irrelevanten untergehen.

Subquadratische LLMs und Langkontext

Die Eingabe an ein Sprachmodell, bestehend aus Anweisung, Kontext und Frage. Ein Prompt ist Teil des Systems und gehört wie Code in Versionskontrolle, nicht in ein Textfeld, das niemand nachvollziehen kann.

Das gezielte Formulieren von Anweisungen, damit ein Modell reproduzierbar brauchbare Ausgaben liefert. Es ist die kleinere Hälfte der Arbeit. Die größere ist Context Engineering, also die Frage, welche Information überhaupt in den Prompt gelangt.

Prompt Engineering vs. Context Engineering

Die Auswahl, Aufbereitung und Reihenfolge der Information, die einem Modell pro Anfrage mitgegeben wird. In produktiven Systemen entscheidet sie über die Antwortqualität deutlich stärker als die Wahl des Modells.

Context Engineering: Bedeutung und Praxis

Nachtrainieren eines vorhandenen Modells auf eigenen Beispielen. Sinnvoll für Stil, Format und enge, wiederkehrende Aufgaben. Ungeeignet, um Wissen aktuell zu halten: jedes neue Dokument erfordert einen neuen Trainingslauf, während Retrieval es sofort verfügbar macht.

Ein Modell, dessen Gewichte heruntergeladen und selbst betrieben werden können. Es ist die Voraussetzung für echten On-Premise-Betrieb. Offene Gewichte bedeuten nicht automatisch eine freie Lizenz, die Nutzungsbedingungen sind pro Modell zu prüfen.

Open-Weight-Modelle im deutschen B2B

Software mit offen einsehbarem Quellcode und einer Lizenz, die Nutzung und Weitergabe erlaubt. Im KI-Umfeld ist der Begriff unscharf geworden, weil viele Modelle offene Gewichte, aber eingeschränkte Lizenzen haben. Für Beschaffung und Compliance zählt der Lizenztext, nicht das Etikett.

Ein Modell, das mehrere Eingabearten gleichzeitig verarbeitet, typisch Text und Bild. Für Dokumentenprozesse ist das der wichtigste Fortschritt der letzten Jahre, weil eine Seite als Bild verstanden werden kann, ohne sie vorher in Text zu zerlegen.

Die Übersetzung eines Textabschnitts oder Bildes in einen Zahlenvektor, dessen Nähe zu anderen Vektoren inhaltliche Ähnlichkeit abbildet. Embeddings sind die Grundlage semantischer Suche. Wechselt das Embedding-Modell, muss der gesamte Bestand neu berechnet werden.

Ein Parameter, der steuert, wie stark ein Modell von der wahrscheinlichsten Fortsetzung abweicht. Für Kreativaufgaben höher, für Extraktion und Klassifikation so niedrig wie möglich, weil dort Reproduzierbarkeit wichtiger ist als Varianz.

Eine Dialogoberfläche vor einem System. Der Chat ist die Oberfläche, nicht die Lösung: ob Antworten stimmen, entscheidet sich in der Anbindung an Daten und Prozesse dahinter, nicht im Eingabefeld.

Ein Verfahren, das zur Laufzeit passende Stellen aus Ihren eigenen Dokumenten sucht und das Sprachmodell ausschließlich damit antworten lässt. Es senkt Halluzinationen, macht Antworten belegbar und braucht kein Training. Neue Dokumente sind sofort verfügbar.

Was ist RAG? ·RAG-Implementierung

Ein Speicher für Embeddings mit schneller Ähnlichkeitssuche. Sie ist der Kern jedes Retrieval-Systems und lässt sich vollständig im eigenen Rechenzentrum betreiben. Die Wahl des Produkts ist selten entscheidend, die Qualität von Chunking und Indexpflege dagegen schon.

Das Zerlegen von Dokumenten in durchsuchbare Abschnitte. Zu kleine Abschnitte verlieren den Zusammenhang, zu große verwässern die Treffer. Chunking an Überschriften, Absätzen und Tabellengrenzen statt an fester Zeichenzahl ist der wirksamste einzelne Qualitätshebel in RAG-Systemen.

Der Suchschritt, der vor der Generierung die relevanten Belegstellen findet. Wenn ein RAG-System schlechte Antworten gibt, liegt es weit häufiger am Retrieval als am Sprachmodell, und dort sollte die Fehlersuche beginnen.

Die Kombination aus semantischer Vektorsuche und klassischer Stichwortsuche. Sie fängt die jeweiligen Schwächen ab: Vektorsuche findet Bedeutung, aber verfehlt Artikelnummern, Normbezeichnungen und Eigennamen, die im Mittelstand einen großen Teil der Anfragen ausmachen.

Ein zweiter Bewertungsschritt, der die Treffer der Erstsuche neu ordnet, bevor sie ins Modell gehen. Er kostet wenig und hebt die Antwortqualität oft deutlicher als ein Modellwechsel, weil weniger irrelevanter Kontext im Prompt landet.

Ein Retrieval-Verfahren, das Anfrage und Dokument nicht auf je einen Vektor reduziert, sondern auf Token-Ebene vergleicht. Es trifft genauer als klassische Einzelvektorsuche, kostet dafür mehr Speicher und Rechenzeit.

Late Interaction für Wissensdatenbanken

Retrieval, das Seiten als Bild indexiert statt sie vorher in Text umzuwandeln. Layout, Tabellen und Formularstruktur bleiben damit erhalten, was bei technischen Datenblättern und Formularen den Unterschied zwischen brauchbar und unbrauchbar ausmacht.

Der OCR-freie Dokumentenstack 2026

Das Zerlegen einer zusammengesetzten Frage in Teilfragen, die einzeln beantwortet und dann zusammengeführt werden. Nötig, sobald Anwender Fragen stellen, die zwei Quellen gleichzeitig betreffen, woran einfaches Retrieval regelmäßig scheitert.

Query Decomposition und fortgeschrittenes RAG

Das Erfassen, Auffindbarmachen und Pflegen des Wissens einer Organisation. KI verschiebt hier den Engpass: Suchen wird billig, Pflegen und Aussortieren bleibt Handarbeit und wird wichtiger, weil ein Retrieval-System veraltete Dokumente genauso überzeugend zitiert wie gültige.

KI-Wissensmanagement

Eine Darstellung von Entitäten und ihren Beziehungen als Graph. Wo reines Textretrieval an Fragen nach Zusammenhängen scheitert, liefert ein Graph die Struktur, an der entlang gesucht werden kann.

Codebasis als Wissensgraph

Betrieb auf eigener Hardware im eigenen Netz. Für Sprachmodelle heute realistisch, weil offene Gewichte verfügbar sind und die nötige GPU-Ausstattung in überschaubarem Rahmen bleibt. Die Kosten verlagern sich von laufenden Token-Preisen zu einmaliger Anschaffung plus Betrieb.

Offline-LLM

Ein Sprachmodell, das ohne Internetverbindung arbeitet. Relevant überall dort, wo Daten die Umgebung nicht verlassen dürfen: Fertigung, Gesundheitswesen, Verteidigungszulieferung, Kanzleien. Der Preis dafür ist ein etwas kleineres Modell und ein eigener Aktualisierungsprozess.

On-Premise vs. Cloud: wann lokale KI

Bezug von Rechenleistung und Diensten über das Netz. Für Prototypen fast immer der schnellste Weg. Für den Dauerbetrieb entscheidet nicht die Technik, sondern wo die Daten liegen dürfen und was bei einem Anbieterwechsel passiert.

Aufteilung eines Systems zwischen eigener Infrastruktur und Cloud, meist nach Schutzbedarf der Daten. Ein üblicher Zuschnitt: Index und Dokumente bleiben lokal, rechenintensive Einzelschritte laufen ausgelagert, ohne dass vollständige Dokumente das Haus verlassen.

Die Zusage, dass Daten ausschließlich in der Europäischen Union verarbeitet und gespeichert werden. Sie ist eine Architekturentscheidung, keine Vertragsklausel: prüfbar ist sie nur, wenn jeder Verarbeitungsschritt einen bekannten Standort hat.

DSGVO-konforme KI

Die Fähigkeit, ein System ohne Zustimmung eines Anbieters weiterbetreiben, verändern und migrieren zu können. Bei KI-Systemen hängt sie an drei Dingen: verfügbaren Modellgewichten, portablen Daten und einer Schnittstelle, die austauschbar ist.

Souveräne europäische KI-Modelle

Der Grafikprozessor, auf dem Modelle rechnen. Die begrenzende Größe ist fast immer der Videospeicher, weil er bestimmt, welche Modellgröße überhaupt hineinpasst. Rechengeschwindigkeit entscheidet danach nur noch über den Durchsatz.

Lokales LLM: Hardware und Kosten

Das Verringern der Zahlengenauigkeit eines Modells, um Speicherbedarf und Rechenzeit zu senken. Sie macht lokalen Betrieb auf bezahlbarer Hardware erst möglich und kostet je nach Stufe wenig bis spürbar Qualität. Der Verlust ist messbar und sollte vor der Einführung am eigenen Testsatz geprüft werden.

Die definierte Schnittstelle, über die Systeme miteinander sprechen. In KI-Projekten ist sie die Stelle, an der Austauschbarkeit entsteht oder verloren geht: liegt der Anbieter hinter einer eigenen Schnittstelle, ist ein Wechsel eine Konfigurationsfrage statt eines Projekts.

API vs. MCP vs. CLI

Ein offenes Protokoll, über das Sprachmodelle standardisiert auf Werkzeuge und Datenquellen zugreifen. Es ersetzt Einzelintegrationen durch eine einheitliche Anbindung und macht damit den Austausch des Modells billiger.

API vs. MCP vs. CLI

Software, die als betriebener Dienst bezogen statt installiert wird. Für KI-Funktionen bedeutet das üblicherweise, dass Eingaben den eigenen Verantwortungsbereich verlassen, was den Prüfaufwand nach Datenschutzrecht bestimmt.

Der Schutz von Systemen und Daten vor Verlust, Manipulation und unbefugtem Zugriff. KI-Systeme bringen eigene Angriffsflächen mit, insbesondere Prompt Injection und ungewollten Abfluss von Kontextdaten über Antworten.

Ein Angriff, bei dem Anweisungen in verarbeiteten Inhalten versteckt werden, damit das Modell sie befolgt. Sobald ein System fremde Dokumente, E-Mails oder Webseiten liest, ist der Inhalt Daten und keine Anweisung, und muss auch so behandelt werden.

Ein System, das ein Ziel in Schritte zerlegt, Werkzeuge aufruft und die Zwischenergebnisse selbst bewertet. Der Nutzen entsteht bei Aufgaben mit vielen Sonderfällen. Der Aufwand entsteht bei allem danach: Protokollierung, Wiederanlauf und die Frage, wer haftet, wenn ein Schritt falsch war.

Die Laufzeitumgebung um ein Modell herum: Werkzeugzugriff, Berechtigungen, Gedächtnis, Wiederholungslogik. Sie ist der Teil, der über Zuverlässigkeit entscheidet, und der Teil, der in Demonstrationen nie gezeigt wird.

Agentic Harnesses erweitern

Die Ausführung eines Vorgangs ohne manuelles Zutun. In der Praxis lohnt der Einstieg dort, wo ein Prozess bereits klar beschrieben ist. Ein unklarer Prozess wird durch Automatisierung nicht klarer, sondern schneller falsch.

Automatisierung ganzer Abläufe über Systemgrenzen hinweg, etwa von Angebotseingang bis Auftragsanlage. KI übernimmt darin die Schritte, die bisher Beurteilung erforderten, während der Ablauf selbst weiter deterministisch bleiben sollte.

Geschäftsprozesse mit n8n automatisieren

Regelbasierte Automatisierung, die Oberflächen und Schnittstellen bedient wie ein Anwender. Bei stabilen, gleichförmigen Abläufen ist sie einem KI-Agenten überlegen, weil sie vorhersagbar ist und sich prüfen lässt.

RPA vs. KI-Agenten

Verkettung von Auslösern, Bedingungen und Aktionen über Systeme hinweg, meist in einer grafischen Oberfläche gebaut. Sie deckt einen großen Teil der Fälle im Mittelstand ab und ist der günstigste Einstieg, bevor eigene Entwicklung nötig wird.

n8n vs. Make.com

Ein Ablauf, in dem ein Mensch definierte Ergebnisse freigibt, bevor sie wirksam werden. Für alles mit rechtlicher oder finanzieller Wirkung ist das kein Übergangszustand, sondern der Zielzustand.

Werkzeuge, mit denen Anwendungen ohne Programmierung zusammengesetzt werden. Sie tragen erstaunlich weit und enden verlässlich an denselben Stellen: Fehlerbehandlung, Versionierung, Test und Betrieb unter Last.

No-Code-Agent-Builder im Mittelstand

Die europäische Verordnung zur Verarbeitung personenbezogener Daten. Für KI-Projekte sind vor allem Rechtsgrundlage, Zweckbindung, Löschkonzept und die Frage relevant, ob personenbezogene Daten überhaupt in ein Modell oder einen Index gelangen müssen.

DSGVO und KI: was ist erlaubt

Die Verordnung (EU) 2024/1689, die KI-Systeme nach Risiko einstuft und daran Pflichten knüpft. Für die meisten Anwendungen im Mittelstand greifen Transparenzpflichten, nicht die Hochrisiko-Anforderungen. Die Einstufung hängt am Einsatzzweck, nicht an der eingesetzten Technik.

EU AI Act 2026: was jetzt umzusetzen ist

Die Einstufung eines KI-Systems nach der KI-Verordnung: verbotene Praktiken, Hochrisiko, Transparenzpflicht oder minimales Risiko. Sie wird pro Anwendungsfall bestimmt. Dasselbe Sprachmodell kann in einem Kontext minimal und in einem anderen hochriskant sein.

Die Pflicht aus Artikel 50 der KI-Verordnung, KI-erzeugte Inhalte als solche erkennbar zu machen, seit dem 2. August 2026 anwendbar. Eine pauschale Angabe auf der Seite genügt nicht, gekennzeichnet wird pro Medium, sichtbar und maschinenlesbar.

Bildnachweise

Der Vertrag nach Artikel 28 DSGVO mit jedem Dienstleister, der personenbezogene Daten in Ihrem Auftrag verarbeitet. Bei KI-Diensten ist er die Stelle, an der sich zeigt, ob Eingaben zum Training weiterverwendet werden dürfen.

Der Grundsatz, nur die Daten zu verarbeiten, die für den Zweck erforderlich sind. In RAG-Systemen praktisch umsetzbar, indem personenbezogene Felder vor der Indexierung entfernt werden, weil sie für die Beantwortung fast nie gebraucht werden.

Der Schutz eigener geistiger Schöpfungen. Bei generierten Inhalten sind zwei Fragen zu trennen: ob die Ausgabe fremde Rechte verletzt, und ob an der Ausgabe selbst ein Schutzrecht entsteht, was bei rein maschineller Erzeugung regelmäßig nicht der Fall ist.

Der nach Artikel 4 der EU-Urheberrechtsrichtlinie mögliche Rechtevorbehalt gegen die automatisierte Auswertung eigener Inhalte für Trainingszwecke. Er muss maschinenlesbar erklärt werden, üblicherweise über robots.txt oder Content-Signale.

Entwurf über Regeln und Parameter statt über einzeln gezeichnete Varianten. Der Nutzen entsteht, sobald viele Ausführungen desselben Prinzips gebraucht werden, weil eine Regeländerung alle Varianten gleichzeitig aktualisiert. Der Aufwand liegt vorne: die Regel zu finden dauert länger als die erste Variante zu zeichnen.

Grasshopper 3D

Ein Modell, dessen Geometrie aus Eingabewerten und Beziehungen berechnet wird. Ändert sich ein Wert, rechnet das Modell neu. Der Unterschied zu einem gezeichneten Modell ist nicht die Form, sondern dass die Absicht hinter der Form gespeichert ist und überprüfbar bleibt.

Die visuelle Programmierumgebung für parametrische Geometrie, in der ein Entwurf als Knotengraph aufgebaut wird statt als Skript. Sie ist der De-facto-Standard in Architektur und Produktentwurf, weil Entwerfende sie ohne Programmiersprache bedienen können und der Graph zugleich die Dokumentation des Entwurfs ist.

Was ist Grasshopper 3D

So heißt in Grasshopper die Datei mit dem Knotengraph, also das Programm hinter dem Modell. Eine Definition ist Software und sollte auch so behandelt werden: benannt, versioniert, kommentiert. Eine gewachsene Definition ohne Struktur ist nach sechs Monaten für niemanden mehr änderbar, auch nicht für ihren Autor.

Ein einzelner Knoten im Graph, der Eingaben in Ausgaben verwandelt. Reicht der mitgelieferte Umfang nicht, wird eine eigene Komponente in C# oder Python geschrieben. Genau an dieser Stelle geht ein Entwurfswerkzeug in Softwareentwicklung über.

Eine gebündelte Gruppe von Komponenten mit definierten Ein- und Ausgängen, also die Funktion einer parametrischen Definition. Cluster sind das einzige wirksame Mittel gegen Graphen, die über die Bildschirmbreite hinauswachsen, und die Voraussetzung dafür, dass Logik zwischen Projekten wiederverwendet wird.

Die hierarchische Datenstruktur, mit der parametrische Umgebungen Listen von Listen verwalten, etwa alle Fenster je Geschoss je Fassade. Datenbäume sind der häufigste Grund, warum eine Definition unerwartete Ergebnisse liefert: die Geometrie stimmt, aber die Zuordnung der Ebenen nicht.

Eine Regel, die eine Lösung erfüllen muss: Mindestbreite, maximale Spannweite, Brandabschnitt, Achsraster. Randbedingungen explizit zu machen ist der eigentliche Gewinn eines parametrischen Modells, weil unzulässige Varianten dann gar nicht erst entstehen statt später aufzufallen.

Die Menge aller Ausführungen, die ein Regelwerk erzeugen kann. Ihn zu kennen verändert Gespräche: statt drei vorbereiteter Entwürfe zeigt man die Grenzen des Möglichen und entscheidet gemeinsam darin. Große Variantenräume brauchen eine Auswahlstrategie, sonst sind sie nur eine große Zahl.

Der zulässige Abweichungsbereich zwischen Modell und Bauteil. In der Geometrie entscheidet sie außerdem darüber, ob zwei Flächen als verbunden gelten. Ein großer Teil scheinbar unerklärlicher Modellfehler ist eine Toleranz, die zwischen Programmen unterschiedlich eingestellt ist.

Mathematisch beschriebene Kurven und Flächen, exakt und beliebig fein auswertbar. Die Grundlage der Konstruktion, weil ein NURBS-Modell bemaßbar und fertigungstauglich ist. Für organische, stark unterteilte Formen wird es unhandlich, dort ist ein Netz die bessere Wahl.

Geometrie aus Dreiecken oder Vierecken. Schnell darzustellen, deshalb die Grundlage von Echtzeit, XR und Web-3D. Ein Netz ist eine Annäherung: es kennt keine exakte Krümmung, und aus einem Netz wieder maßhaltige Konstruktionsgeometrie zu gewinnen ist Nacharbeit, keine Konvertierung.

Die Beschreibung eines Volumenkörpers über seine begrenzenden Flächen, Kanten und Ecken. Das ist die Darstellung, in der CAD-Systeme Bauteile führen und in der Booleoperationen, Verschneidungen und Fertigungsableitungen überhaupt erst zuverlässig funktionieren.

Unterteilungsflächen: eine grobe Steuergeometrie erzeugt eine glatte Form, die sich intuitiv formen lässt. Der praktische Wert liegt darin, dass sich SubD verlustarm in NURBS überführen lässt, also der Übergang vom Entwurf in die Konstruktion nicht am Format scheitert.

Volumenpixel, also eine Rasterdarstellung des Raums statt seiner Oberflächen. Nützlich für Verschnitt, Belegung, Verschattung und alles, was gezählt statt gezeichnet werden soll. Der Preis ist Auflösung gegen Speicher, und dieser Tausch fällt schnell teuer aus.

Das rohe Ergebnis eines Laserscans oder einer Photogrammetrie: Millionen gemessener Punkte ohne Struktur. Sie ist eine Messung, kein Modell. Der Aufwand eines Bestandsprojekts liegt nicht im Scannen, sondern darin, aus der Wolke die wenigen Flächen abzuleiten, mit denen man weiterarbeiten kann.

Das Zerlegen einer Freiformfläche in herstellbare Einzelteile. Sie entscheidet über den Preis einer Fassade stärker als die Form selbst, weil sie festlegt, wie viele verschiedene Teile gefertigt werden müssen und wie viele davon eben statt gekrümmt sind.

Das Ausbreiten einer gekrümmten Fläche in die Ebene, damit sie aus Plattenmaterial geschnitten werden kann. Nur bestimmte Krümmungen lassen sich verzerrungsfrei abwickeln. Ob eine Form abwickelbar ist, gehört in den Entwurf und nicht in die Werkplanung.

Das Austauschformat für Echtzeit-3D im Web und in XR, mit Geometrie, Material und Animation in einer Datei. Es ist ein Liefer- und kein Arbeitsformat: was hier ankommt, ist bereits vereinfacht, und der Weg zurück in die Konstruktion ist keiner.

Die Frage, ob Modelle zwischen Programmen so übergeben werden können, dass die Bedeutung erhalten bleibt und nicht nur die Form. Sie ist die häufigste versteckte Kostenstelle in Bau- und Produktprojekten, und sie wird fast immer erst bemerkt, wenn das erste Fremdmodell eintrifft.

Ein Verfahren, das aus Zielen und Randbedingungen viele Lösungen erzeugt und bewertet, statt eine zu zeichnen. Nicht zu verwechseln mit generativer KI: hier rechnet ein Solver gegen physikalische und geometrische Regeln, es wird nichts aus Trainingsdaten vorhergesagt.

Die Form ergibt sich aus dem Kräfteverlauf statt aus einer Zeichnung, klassisch bei Schalen, Netzen und Membranen. Der Reiz ist, dass die entstehende Geometrie tragwerksgerecht ist; der Haken ist, dass sie selten rechteckig ist und die Anschlüsse damit teurer werden.

Material dort entfernen, wo es rechnerisch nichts trägt. Sie liefert die typischen skelettartigen Bauteile und ist erst dann wirtschaftlich, wenn additiv gefertigt wird, weil ein gefrästes Ergebnis derselben Form deutlich teurer ausfällt als die Materialersparnis.

Zerlegung eines Bauteils in kleine Elemente, um Spannungen und Verformungen zu berechnen. Im parametrischen Entwurf ist sie vor allem als schnelle Näherung wertvoll, um Varianten zu vergleichen. Der prüffähige Nachweis bleibt Aufgabe der Fachplanung.

Der Rechenkern, der eine Aufgabe unter Randbedingungen löst, etwa Gleichgewicht, Packung oder kürzeste Wege. Die Qualität eines Ergebnisses hängt weniger am Solver als daran, ob die Aufgabe richtig gestellt wurde. Ein sauber gelöstes falsches Problem sieht überzeugend aus.

Ein Suchverfahren, das Varianten erzeugt, bewertet, die besseren kreuzt und wiederholt. Es findet gute Lösungen in Räumen, die sich nicht geschlossen lösen lassen. Es garantiert kein Optimum und braucht eine Zielfunktion, die tatsächlich das misst, was gemeint war.

Optimierung gegen mehrere widerstreitende Ziele, etwa Kosten gegen Tageslicht gegen Fläche. Das Ergebnis ist keine Lösung, sondern eine Front gleichrangiger Kompromisse. Genau diese Front ist das nützliche Gesprächsmaterial, weil sie den Preis jeder Entscheidung sichtbar macht.

Das systematische Abtasten des Variantenraums mit gespeicherten Kennwerten je Variante. Danach lässt sich beantworten, warum eine Ausführung gewählt wurde, und nicht nur, dass sie gefällt. In Vergabe- und Abstimmungsprozessen ist das der eigentliche Wert.

Die messbare Größe, gegen die optimiert wird. Sie zu formulieren ist der schwierigste Teil und der, an dem Vorhaben scheitern: was nicht in der Zielfunktion steht, wird wegoptimiert, auch wenn es allen Beteiligten wichtig war.

Entwerfen mit Fertigung und Montage als Randbedingung statt als nachgelagertem Schritt. Praktisch heißt das: Teilezahl senken, Varianten zusammenfassen, Fügefolgen prüfen. In einem parametrischen Modell lassen sich diese Regeln als Prüfungen hinterlegen, die eine unzulässige Variante gar nicht erst entstehen lassen.

Die durchgehende Kette vom Modell zur Maschine ohne manuelle Neuzeichnung. Der Gewinn ist nicht Geschwindigkeit, sondern dass Änderungen sicher ankommen. Der Aufwand liegt in den Schnittstellen und in der Frage, wer für die abgeleiteten Daten verantwortlich ist.

Rechnergesteuertes Trennen, Fräsen oder Biegen nach Modelldaten. Für parametrische Entwürfe die häufigste Materialisierung, weil Einzelstücke fast so viel kosten wie Serienteile. Werkzeugradius, Aufspannung und Zugänglichkeit sind Entwurfsgrößen, nicht Details der Werkstatt.

Schichtweiser Aufbau statt Abtrag. Sie macht Geometrie kostenneutral und Volumen teuer, also genau umgekehrt zur spanenden Fertigung. Deshalb sind topologieoptimierte Bauteile hier wirtschaftlich und dort nicht.

Das Anordnen der Zuschnitte auf der Platte, sodass möglichst wenig Rest bleibt. Bei Einzelfertigung aus Plattenmaterial bestimmt das Nesting den Materialpreis direkt, und es lässt sich vollständig automatisieren, sobald die Teile parametrisch vorliegen.

Der Materialanteil, der als Rest anfällt. Er ist die am leichtesten zu messende Kennzahl eines Entwurfs und die, die am schnellsten auf Entwurfsentscheidungen reagiert. Wer Verschnitt in die Zielfunktion aufnimmt, bekommt oft ohne Zusatzkosten eine deutlich sparsamere Ausführung.

Eine Gruppe von Teilen, die derselben Regel folgen und sich nur in Maßen unterscheiden. Familien sind der Hebel zwischen Einzelanfertigung und Serie: fünf Familien mit je zwanzig Maßen sind herstellbar, hundert Einzelteile sind es meist nicht.

Eine Freiform so weit vereinfachen, dass sie mit möglichst wenigen ebenen oder gleichen Elementen gebaut werden kann, ohne dass die Wirkung verloren geht. Ein Optimierungsproblem mit klarer Zielfunktion und der Fall, in dem Computational Design am schnellsten Geld spart.

Rechnergestützte Konstruktion. In Digitalisierungsvorhaben ist CAD vor allem eine Datenquelle: Geometrie, Stücklisten und Metadaten liegen dort strukturiert vor und sind oft der beste verfügbare Ausgangspunkt für alles Weitere.

Ein Bauwerksmodell, in dem Bauteile Eigenschaften und Beziehungen tragen, nicht nur Formen. Der Wert liegt in den Auswertungen, die daraus fallen: Mengen, Kollisionen, Terminbezug. Der Aufwand liegt in der Datendisziplin, und ohne sie ist BIM ein teureres 3D-Modell.

Das offene Austauschformat für Bauwerksmodelle. Es ist die Voraussetzung dafür, dass ein Modell den Anbieterwechsel überlebt. In der Praxis ist ein IFC-Export nur so gut wie die Klassifizierung der Bauteile, die ihm zugrunde liegt.

Die vereinbarte Aussagekraft eines Modells zu einem Zeitpunkt, nicht seine Auflösung. Der häufigste Streitpunkt in Modellprojekten: ein Modell sieht fertig aus und ist es planerisch nicht, und ohne festgelegtes LOD wird darüber am Ende diskutiert statt am Anfang.

Aus einer Bestandsvermessung ein auswertbares Modell ableiten. Der Rechenanteil ist inzwischen gering, der Interpretationsanteil hoch: welche Abweichung ist Bauwerkstoleranz und welche ein Bauteil. Genau dort lohnt sich Automatisierung, und genau dort bleibt eine Prüfung durch Menschen nötig.

Eine parametrische Definition, die ohne Oberfläche auf einem Server läuft und über eine Schnittstelle angesprochen wird. Damit wird aus einem Entwurfswerkzeug ein Dienst: ein Konfigurator im Web, eine Angebotsberechnung oder eine Prüfung in einem bestehenden System nutzt dieselbe Logik wie das Entwurfsmodell.

Eine Oberfläche, in der Kunden Varianten eines Produkts selbst zusammenstellen und in Echtzeit sehen. Er ersetzt Rückfragen im Vertrieb und liefert nebenbei Daten darüber, welche Varianten überhaupt nachgefragt werden. Hinter einem belastbaren Konfigurator steht dieselbe parametrische Definition wie im Entwurf, nicht eine zweite Nachbildung.

Erzeugung von Bildern aus dreidimensionalen Modellen. In Projekten die Brücke zwischen Konstruktionsdaten und allem, was Menschen ansehen sollen: Visualisierung, Schulungsinhalt, Konfigurator.

Darstellung, die auf Eingaben sofort reagiert, statt ein Bild über Minuten zu berechnen. Sie verändert Abstimmungen, weil Varianten im Termin selbst entstehen. Der Preis ist ein vereinfachtes Modell, und die Vereinfachung sollte automatisiert aus dem Konstruktionsmodell fallen und nicht von Hand gepflegt werden.

Ein digitales Abbild eines realen Objekts oder Prozesses, das mit Betriebsdaten aktuell gehalten wird. Der Unterschied zu einem 3D-Modell ist die laufende Datenanbindung, und genau daran scheitern die meisten Vorhaben.

Erzeugung eines dreidimensionalen Modells aus einem oder wenigen Bildern. Für Visualisierung und Vorentwurf inzwischen brauchbar, für Fertigungsgeometrie nur mit Nachbearbeitung, weil Maßhaltigkeit nicht garantiert ist.

Vom Foto zum druckbaren Bauteil

Ein eng abgegrenzter Nachweis, dass ein Ansatz an Ihren echten Daten trägt. Ein PoC beantwortet eine Frage und ist danach fertig. Er ist ausdrücklich kein Vorprodukt und sollte auch nicht als solches weiterbetrieben werden.

Die kleinste Ausbaustufe, die im Alltag tatsächlich benutzt werden kann. Der Unterschied zum PoC ist der Betrieb: ein MVP hat Anwender, Zugriffsrechte, Protokollierung und einen Weg, Fehler zu melden.

Die erste Phase, in der Prozesse, Datenlage und Rahmenbedingungen geprüft und die wirtschaftlich sinnvollen Anwendungsfälle bestimmt werden. Sie entscheidet, welches Projekt gebaut wird, und ist der günstigste Zeitpunkt, ein Vorhaben zu verwerfen.

Unser Prozess

Eine konkret beschriebene Aufgabe mit Auslöser, Eingabe, erwartetem Ergebnis und messbarem Nutzen. Ohne diese vier Angaben ist ein Anwendungsfall eine Absichtserklärung und lässt sich weder schätzen noch abnehmen.

KI im Mittelstand einführen

Eine Sammlung echter Fragen mit geprüft richtigen Antworten aus dem eigenen Bestand. Er ist die einzige belastbare Grundlage, um Modelle, Chunking und Retrieval zu vergleichen, und sollte vor der ersten Zeile Code entstehen.

Die wiederholbare Messung der Systemqualität gegen den Testsatz. Sie ersetzt die Frage, ob eine Änderung sich besser anfühlt, durch die Frage, ob sie messbar besser ist, und macht Regressionen sichtbar.

Entwicklung, bei der Code überwiegend generiert und nach Eindruck statt nach Prüfung übernommen wird. Für Prototypen und Wegwerfskripte brauchbar. In Systemen mit Datenzugriff verschiebt es Aufwand von der Entstehung in den Betrieb.

Vibe Coding: wo es hilft, wo es beißt

Der spätere Mehraufwand, der aus einer bewusst oder unbewusst vereinfachten Lösung entsteht. Bei generiertem Code entsteht sie schneller als früher, weil die Menge an Code steigt, ohne dass jemand sie gelesen hat.

Automatisiertes Bauen, Prüfen und Ausliefern bei jeder Änderung. Der Gewinn ist nicht Geschwindigkeit, sondern dass eine Auslieferung aufhört, ein Ereignis zu sein. Ohne das wird seltener ausgeliefert, jede Auslieferung wird größer und damit riskanter.

Die verbindliche Zusage, welche Felder eine Schnittstelle liefert und was sie bedeuten. Er ist die Stelle, an der Austauschbarkeit entsteht: liegt ein Anbieter hinter einem eigenen Vertrag, ist sein Wechsel eine Konfigurationsfrage statt eines Projekts.

API vs. MCP vs. CLI

Dieselbe Anfrage zweimal ausgeführt hat dasselbe Ergebnis wie einmal. Für Automatisierung ist das die wichtigste Eigenschaft überhaupt, weil Wiederholungen unvermeidlich sind. Ohne sie erzeugt jeder Wiederanlauf doppelte Buchungen, doppelte Mails und doppelte Datensätze.

Aus dem laufenden System heraus beantworten können, was gerade passiert und warum, ohne den Code zu ändern. Bei KI-gestützten Abläufen zählt dazu, welche Belegstellen zu einer Antwort geführt haben. Ohne das ist jede Beschwerde über eine falsche Antwort nicht nachvollziehbar.

Der vorab beschriebene Weg von der jetzigen Lösung zur nächsten, einschließlich Datenübernahme. Er ist am Anfang billig und am Ende teuer. Wir entwerfen ihn mit, weil ein System ohne Ausstiegsweg jede spätere Entscheidung gegen sich hat.

Seiten werden beim Bauen erzeugt und danach als Dateien ausgeliefert. Ergebnis: keine Datenbank in der Auslieferung, sehr kurze Antwortzeiten und eine kleine Angriffsfläche. Der Tausch ist ein Bauvorgang bei jeder Inhaltsänderung, was sich automatisieren lässt.

Redaktionssystem ohne eigene Darstellung: Inhalte werden gepflegt und über eine Schnittstelle abgerufen. Damit lassen sich Website, App und Konfigurator aus derselben Quelle bedienen. Die Fallstricke sind Mehrsprachigkeit und Versionierung, und beide fallen erst bei der zweiten Sprache auf.

Auslieferung aus einem Rechenzentrum in der Nähe des Besuchers statt vom Ursprungsserver. Der Effekt ist auf großer Entfernung dramatisch und im selben Land klein. Wichtig für die Datenschutzbewertung: der Auslieferungsort ist damit nicht mehr allein der Ort des Ursprungsservers.

Eine Anmeldung für mehrere Anwendungen, zentral verwaltet. Für interne KI-Werkzeuge ist es die Voraussetzung dafür, dass Rechte überhaupt durchgesetzt werden können, und der einzige praktikable Weg, einem ausgeschiedenen Mitarbeiter an einer Stelle alle Zugänge zu entziehen.

Sammelbegriff für alle Mischformen aus realer und virtueller Umgebung, also AR, VR und MR. Im B2B liegt der Nutzen fast immer in Schulung, Vertrieb und Abnahme, nicht in der Darstellung an sich.

Überlagerung der realen Umgebung mit digitalen Informationen, meist über Kamera und Display. Im Vertrieb der praktischste Fall: ein Produkt maßstabsgetreu am vorgesehenen Ort zeigen, ohne es dorthin zu transportieren.

Vollständig computererzeugte Umgebung, die die reale ersetzt. Trägt betriebswirtschaftlich dort, wo Anfahrt, Stillstand oder Gefährdung die Alternative wären, etwa bei Einarbeitung an Anlagen.

Darstellung, in der virtuelle Objekte die reale Geometrie kennen und sich an ihr verhalten, also hinter einer Wand verschwinden statt darüber zu schweben. Der Unterschied zu AR ist die Verdeckungsberechnung, und die ist der Grund, warum MR-Demos deutlich aufwändiger sind als sie aussehen.

Sammelbegriff für Anwendungen, die den realen Raum als Bedienoberfläche nutzen. Für Unternehmen ist der Begriff vor allem eine Kaufentscheidung über Hardware, deren Nutzungsdauer kürzer ist als die der Inhalte, die man darauf legt.

Das am Kopf getragene Anzeigegerät. Für ein B2B-Vorhaben ist weniger die Auflösung entscheidend als Reinigung, Hygiene, Akkulaufzeit und wer die Geräte im Alltag verwaltet, weil daran Rollouts scheitern und nicht an der Grafik.

Sechs Freiheitsgrade: Position und Blickrichtung werden im Raum verfolgt, der Nutzer kann also gehen. Bei 3DoF wird nur die Blickrichtung verfolgt, was für Rundgänge reicht und für Training an einer Anlage nicht.

Die Kameradurchsicht eines VR-Geräts, die die reale Umgebung im Headset anzeigt. Sie macht aus einem VR-Gerät ein MR-Gerät und ist der Grund, warum sich AR- und VR-Projekte technisch angenähert haben.

Die laufende Bestimmung, wo Gerät und Nutzer sich befinden. Markerbasiert ist robust und braucht ein aufgeklebtes Ziel; markerloses Tracking über Umgebungsmerkmale ist bequemer und bricht bei gleichförmigen Flächen, Glas und schlechtem Licht zusammen. In Hallen ist genau das die Regel.

Der Browser-Standard für AR und VR ohne App-Installation. Für Vertrieb und einmalige Nutzung fast immer der richtige Weg, weil ein Link keine Freigabe durch eine IT-Abteilung braucht. Für Dauereinsatz mit Gerätezugriff bleibt eine native App im Vorteil.

Eine synthetische Figur, die spricht und reagiert. Sinnvoll für wiederholbare Einweisungen und Messeauftritte. Rechtlich zu beachten: eine erkennbare synthetische Person unterliegt der Kennzeichnungspflicht, und bei Nachbildung einer echten Person kommt § 22 KunstUrhG dazu.

Übelkeit durch Widerspruch zwischen gesehener und gefühlter Bewegung. Sie entscheidet, ob eine VR-Anwendung im Betrieb angenommen wird, und sie ist ein Konstruktionsproblem: stabile Bildrate, keine fremdgesteuerte Kamerabewegung, Teleportation statt weichem Gleiten.