Begriffe aus dem Feld.

Der Aufwand, den eine Person oder Organisation investieren muss, um ein neues Werkzeug produktiv einzusetzen. Je höher die Hürde, desto langsamer die Verbreitung.

Persistenter, sich entwickelnder Zustand, der AI-Agenten über Sessions hinweg Kontext gibt. Nicht zu verwechseln mit dem Context Window (flüchtig) oder RAG (zustandslos).

Grad, in dem AI-generierter Output den Constraints eines Design Systems entspricht. Potenzielle DesignOps-Metrik für die Qualitätssicherung von Agent-Arbeit.

Arbeitsform, in der AI-Agenten nicht als passive Tools, sondern als eigenständige Arbeitspartner mit Kontext, Session-History und Entscheidungskompetenz in Teamprozesse eingebunden sind.

Softwaresysteme, die autonom handeln, LLM-gesteuert navigieren und Aufgaben ausführen. Unterscheiden sich von menschlichen Nutzern (GUIs) und klassischen Computerprogrammen (APIs) durch menschenähnliches Verhalten bei computerartiger Ausführungsgeschwindigkeit.

Öffentliche Datenbank dokumentierter AI-Sicherheitsvorfälle, kuratiert über Stanford HAI. Grundlage für die Incident-Kurve in der Visualisierung. Lizenziert unter CC BY.

Ein AI-Agent ist ein kuenstliche-Intelligenz-System, das eigenstaendig mehrstufige Aufgaben ausfuehrt — nicht nur einzelne Antworten gibt, sondern plant, handelt, Ergebnisse prueft und iteriert. Im Unterschied zu einem Chatbot kann ein Agent Tools nutzen, Code schreiben und ausfuehren, Dateien bearbeiten und mit externen Systemen interagieren.

Die Ausrichtung von KI-Systemen auf menschliche Werte, Absichten und Sicherheitsanforderungen. Ziel: Das System tut zuverlässig das, was Menschen wollen — auch in unvorhergesehenen Situationen.

Hypothetisches Designmuster: AI-Systeme, die im Hintergrund arbeiten (Kontext aktualisieren, Konsistenz prüfen, Vorschläge vorbereiten) und nur bei relevanten Anlässen ins Zentrum der Aufmerksamkeit rücken. Gegenentwurf zum dominanten Chat-Paradigma.

System, das automatisch einen Pool von Prompt-Kandidaten generiert, per Scoring-Funktion bewertet und die besten selektiert. Demonstriert, dass LLMs Prompts auf menschlichem Niveau oder besser entwickeln können.

1974er Weiterentwicklung, die das passive Kurzzeitgedächtnis durch ein aktives System mit phonologischer Schleife, visuell-räumlichem Notizblock, zentraler Exekutive und episodischem Buffer ersetzt.

Eine hypothetische KI, die menschliche Intelligenz in allen Bereichen übertrifft — nicht nur in Teilaufgaben wie Schach oder Programmierung, sondern generell.

Designphilosophie, formuliert 1995 von Mark Weiser und John Seely Brown (Xerox PARC). Kernidee: Die besten Technologien erfordern minimale Aufmerksamkeit und bewegen sich fließend zwischen Peripherie und Zentrum der Wahrnehmung.

Technik, bei der das Modell Schritt für Schritt denkt, bevor es antwortet. Verbessert die Genauigkeit bei komplexen Aufgaben — Mathematik, logisches Schließen, Analyse.

Eine Instruktionsdatei auf Projektebene, die Claude Code beim Session-Start liest. Funktioniert als „System Prompt” für ein Repository — codiert Identität, Konventionen und Navigation.

2023er Princeton-Framework, das vier Gedächtnistypen für AI-Agenten definiert — Working, Procedural, Semantic, Episodic Memory — und damit die kognitionswissenschaftliche Tradition fortführt, die mit Atkinson/Shiffrin begann.

Framework aus Princeton (2023), das vier Gedächtnistypen für AI-Agenten definiert — abgeleitet aus der kognitiven SOAR-Architektur. Lingua Franca des Feldes.

Wiederholbare Muster für die Zusammenarbeit in Teams — hier spezifisch für die Interaktion zwischen Menschen und AI-Agenten. Adressieren die Ebene zwischen individuellen Prompts und organisationaler Governance.

Ein Markdown-Wiki, das ein LLM aus Rohdaten generiert und inkrementell pflegt — mit Zusammenfassungen, Kategorien und Backlinks. Read-heavy, mit dem LLM als Maintainer.

Rechenkapazität, die für das Training und den Betrieb von KI-Modellen benötigt wird. Wird typischerweise in GPU-Stunden gemessen. Compute-Konzentration bei wenigen Akteuren ist ein zentrales geopolitisches Thema.

Tools wie Gitingest oder DeepWiki, die Informationen so aufbereiten, dass LLMs und Agents sie effizient verarbeiten können. Adressieren das Problem, dass bestehende Web-Formate (HTML) für AI-Consumption schlecht geeignet sind.

Phänomen, bei dem die interne Zustandsrepräsentation eines AI-Agenten über lange Sessions zunehmend von der Realität abweicht — ähnlich dem “Stille-Post-Effekt” in menschlicher Kommunikation.

Context Engineering bezeichnet die Faehigkeit, einem AI-Agenten den richtigen Kontext bereitzustellen — also alle Informationen, Regeln und Rahmenbedingungen, die er braucht, um eine Aufgabe gut zu loesen. Je besser der Kontext, desto besser das Ergebnis. In agent-getriebenen Workflows ersetzt diese Kompetenz zunehmend das manuelle Code-Schreiben als zentrale Faehigkeit von Engineers.

Continuous Deployment bedeutet, dass Codeaenderungen automatisch und ohne manuellen Freigabeschritt in die Produktionsumgebung ausgeliefert werden — sobald alle automatisierten Tests bestanden sind. Im Zusammenspiel mit Feature Flags und Observability ermoeglicht es schnelle Iterationszyklen bei kontrollierbarem Risiko.

Unabhängige Akteure entwickeln dieselbe Lösung für dasselbe Problem — nicht durch Koordination, sondern durch identische Selektionsdrücke. In der Biologie: Flügel bei Vögeln und Fledermäusen. Hier: Markdown + Git + LLM bei verschiedenen Practitionern.

Software-Prozess, der im Hintergrund läuft, ohne direkte Nutzerinteraktion. Im KAIROS-Kontext: ein Agent, der nach Sitzungsende eigenständig Aufgaben ausführt.

Gestaltung von Datenvisualisierungen und datengetriebenen Interfaces — von Charts über Dashboards bis zu interaktiven Explorations-Tools.

Mathematische Funktion, die den Relevanz-Score einer Erinnerung über die Zeit reduziert — imitiert biologisches Vergessen. Semantische Ähnlichkeit × exponentieller Zeitverfall.

Optimierung von Prozessen, Werkzeugen und Strukturen, die Designteams benötigen, um effektiv und skalierbar zu arbeiten. Umfasst People, Process und Craft/Tool Operations.

Horkheimer und Adornos Kernthese (1944): Vernunft und rationale Kontrolle können in ihr Gegenteil umschlagen — in Herrschaft, Normierung, Unterdrückung — wenn sie zum Selbstzweck werden statt zum Mittel für menschliche Befreiung.

Der Zugang zu Nutzern über bestehende Kanäle und Produkte. Google erreicht Milliarden über die Suche, Meta über Social Media — OpenAI hat keinen vergleichbaren Kanal und muss Nutzer direkt akquirieren.

1968 vorgeschlagenes Modell mit drei seriellen Gedächtnisstufen: Sensorisches Register, Kurzzeitgedächtnis, Langzeitgedächtnis. Historisch einflussreich; psychologisch überholt.

Framework, das Prompt-Pipelines als deklarative Programme behandelt und zur Compile-Zeit automatisch optimiert. Ersetzt manuelles Prompt-Tuning durch systematische Optimierung.

Im Kontext Kritischer Theorie: die Erweiterung menschlicher Handlungsfähigkeit und Selbstbestimmung — als Zielmaßstab für gesellschaftliche Systeme. Im Kontext KI: die Frage, ob ein System Urteilsvermögen erweitert oder durch Abhängigkeit ersetzt.

Grafische Darstellung, wie intensiv und häufig Nutzer ein Produkt verwenden. Eine „flache” Kurve bedeutet: viele Nutzer, aber geringe Nutzungstiefe — die meisten verwenden das Produkt selten und oberflächlich.

Protokolle vergangener Erfahrungen: Konversationslogs, Aktionssequenzen, Few-Shot-Beispiele. Das “autobiografische Gedächtnis” des Agenten.

Ein Feature Flag ist ein Schalter im Code, mit dem neue Funktionen gezielt ein- oder ausgeschaltet werden koennen — ohne den Code neu auszuliefern. Teams nutzen Feature Flags, um neue Features erst fuer einen kleinen Nutzerkreis freizuschalten und bei Problemen sofort zurueckzurollen. In agent-getriebenen Workflows sind sie ein zentrales Sicherheitsnetz fuer Continuous Deployment.

Ein Fractional Engagement bedeutet, dass ein Experte oder ein Team nicht Vollzeit fuer einen Kunden arbeitet, sondern einen definierten Anteil seiner Kapazitaet einbringt — etwa 2 Tage pro Woche. Typisch fuer Beratung, Design und Strategie. Wenn AI-Agenten Expert:innen-Aufgaben uebernehmen, veraendert sich das Pricing und Scoping solcher Engagements grundlegend.

Organisationsform, in der mehrere Fractional-Design-Leader ein Netzwerk bilden und Infrastruktur teilen — Design-Systeme, Knowledge-Base, Methoden, AI-Tooling. Skaliert das Modell über den Einzelnen hinaus.

Strategische Designführung im Fractional-Modell: Design-System-Governance, Teamaufbau, DesignOps, Produktdesign-Strategie — auf Teilzeitbasis als eingebettete Führungsrolle.

Führungskraft, die auf Teilzeitbasis für mehrere Unternehmen gleichzeitig arbeitet. Übernimmt strategische Verantwortung, ist aber nicht festangestellt. Typisch: 1–3 Tage pro Woche, selbstständig.

Methode der Kritischen Theorie: Ein System wird nicht an externen Normen gemessen, sondern an seinen eigenen Versprechen und Ansprüchen. Zielt auf die Spannung zwischen Selbstdarstellung und Realität.

Interner Codename für eine unveröffentlichte Claude-Code-Funktion: ein Hintergrund-Daemon, der nach Sitzungsende autonom weiterarbeitet, inklusive nächtlicher Gedächtniskonsolidierung.

Forschungsfeld, das moralische Fragen des Einsatzes von KI-Systemen adressiert. Umfasst technische Ansätze (Algorithmic Fairness, Explainability), regulatorische Frameworks (EU AI Act) und philosophische Grundlagenarbeit. Intern heterogen, kein einheitlicher Methodenansatz.

Ein strukturiertes, git-versioniertes Wissens-Repository, das sowohl menschliches Denken als auch LLM-Kontext bedient. Reines Markdown, tool-agnostisch, mit geschichteter Kontextarchitektur.

Begriff von Jürgen Habermas (1981) für Verständigung unter Bedingungen, die allen Beteiligten gleiche Teilhabe ermöglichen: Nachvollziehbarkeit, Widerspruchsmöglichkeit, keine strukturelle Asymmetrie.

Gestaltung der Informationsumgebung, in der AI-Agenten operieren — Dateistrukturen, Dokumentationsformate, Konventionen, Retrieval-Pfade. Im DesignOps-Kontext: die Infrastruktur, die Agenten befähigt, mit Design-Systemen zu arbeiten.

Ein Prompt, der nicht direkt eine Aufgabe löst, sondern andere Prompts generiert, bewertet oder optimiert. Verschiebt die Arbeit eine Abstraktionsebene nach oben — vom Inhalt zur Struktur.

METR (Model Evaluation and Threat Research) ist eine Organisation, die systematisch misst, wie lange reale Aufgaben dauern, die AI-Modelle eigenstaendig — ohne menschliche Hilfe — loesen koennen. Die METR-Daten zeigen eine sich beschleunigende Verdopplungsrate der AI-Faehigkeiten und sind eine der wenigen quantitativen Quellen fuer den Leistungsfortschritt von AI-Agenten.

Unabhängige Forschungsorganisation, die AI-Modelle auf ihre Fähigkeiten und Risiken evaluiert. Liefert standardisierte Benchmarks für Aufgaben-Komplexität und Agent-Performance.

Strategischer Wettbewerbsvorteil, der ein Unternehmen dauerhaft vor Konkurrenz schützt — wie ein Burggraben. Bei AI-Modellen umstritten: Wenn Modelle austauschbar sind, fehlt der Moat.

Organisationsmethode von Tiago Forte für persönliches Wissensmanagement. Vier Kategorien nach Handlungsrelevanz, nicht nach Thema. Grundlage vieler Knowledge-Management-Systeme, die jetzt mit LLM-Agenten kombiniert werden.

Die zwei Modi der Aufmerksamkeit in Weiser/Browns Modell. Peripherie = unbewusste Wahrnehmung (informiert ohne kognitive Kosten). Zentrum = bewusste Fokussierung (erfordert aktive Aufmerksamkeit). Gute Technologie wechselt nahtlos zwischen beiden.

Strategischer Ansatz, bei dem ein Unternehmen seine Technologie als Plattform öffnet, auf der andere aufbauen können. Beispiele: App Store (Apple), GPT Store (OpenAI). Ziel: Wertschöpfung durch ein Ökosystem statt durch ein einzelnes Produkt.

Beobachtung, dass die wachsende Anzahl von KI-Ethik-Leitlinien nicht zu mehr ethischem Handeln führt. Die Existenz von Prinzipien erzeugt den Eindruck gelöster Probleme, während die strukturellen Ursachen unverändert bleiben.

Codierte Verhaltensregeln: System-Prompts, Tool-Definitionen, Entscheidungslogik. Das “Muskelgedächtnis” eines Agenten.

Hypothetische Rollenprofile aus einer stärkeren Generalisierung heutiger Product-Rollen (PM, PD, Dev). Thinker = Strategie, Framing, Entscheidung. Builder = Umsetzung, Prototyping, Iteration.

Kontrollprozess zur Aufrechterhaltung von Information im Arbeitsgedächtnis. Maintenance Rehearsal ist einfache Wiederholung; Elaborative Rehearsal verknüpft Information mit bestehendem Wissen — nur Letzteres führt zuverlässig zur Langzeitspeicherung.

Gesamtheit der Praktiken, die sicherstellen, dass Software-Artefakte beim Deployment keine unbeabsichtigten Inhalte enthalten (Source Maps, Debug-Symbole, interne Referenzen). Im Kontext: das schwächste Glied in Anthropics Sicherheitsarchitektur.

Ein Trainingsverfahren, bei dem menschliche Bewertungen genutzt werden, um das Verhalten eines KI-Modells zu steuern. Ziel: Das Modell soll hilfreiche, ehrliche und harmlose Antworten geben.

Der Software Development Lifecycle beschreibt die klassische Abfolge von Phasen in der Softwareentwicklung: Anforderungen erfassen, System entwerfen, Code schreiben, testen, pruefen, ausliefern und ueberwachen. Traditionell laufen diese Schritte nacheinander ab, jede Phase hat klare Uebergabepunkte. In der Praxis vieler Teams loesen sich diese Phasen zunehmend auf — insbesondere wenn AI-Agenten grosse Teile des Zyklus gleichzeitig ausfuehren.

Die Fähigkeit eines KI-Systems, an seiner eigenen Verbesserung mitzuwirken — etwa durch Debugging des eigenen Trainings oder Management des eigenen Deployments. GPT-5.3 Codex gilt als erstes dokumentiertes Beispiel.

Iterativer Prozess: Das Modell generiert eine Antwort, kritisiert sie, und produziert eine verbesserte Version. Wiederholbar bis zum Qualitätsschwellenwert.

Akkumuliertes Faktenwissen: Nutzerpräferenzen, extrahierte Fakten, Knowledge Bases. Wächst über die Zeit.

Erste Gedächtnisstufe, die sensorische Eindrücke für Bruchteile einer Sekunde hält. Unbegrenzte Kapazität, extrem kurze Retention. Filtert nach Relevanz, bevor Information ins Arbeitsgedächtnis gelangt.

Arbeitsmodus, bei dem Wissen und Fortschritt an einzelne Chat-Sessions gebunden sind. Ohne explizite Persistierung (in Dateien, Issues, Commits) geht Kontext bei Session-Ende verloren.

Selbstgesteuertes Experiment außerhalb der offiziellen Produkt-Roadmap. Dient der explorativen Innovation in Umgebungen mit hoher Unsicherheit über zukünftige Machbarkeit.

Karpathys Begriff für das dritte Software-Paradigma: natürliche Sprache als Programmiersprache. Prompts ersetzen Code (1.0) und trainierte Weights (2.0) als primäre Programmierschnittstelle.

Debug-Datei, die kompilierten/minifizierten JavaScript-Code auf den originalen TypeScript-Quellcode zurückmappt. In Produktions-Releases nicht vorgesehen — ihre Veröffentlichung legt den vollständigen Quellcode offen.

Sprint Planning ist ein Ritual aus der agilen Softwareentwicklung (Scrum), bei dem ein Team plant, welche Aufgaben es in den naechsten ein bis vier Wochen umsetzen will. Die Aufgaben werden geschaetzt, priorisiert und zugewiesen. In agent-getriebenen Workflows verliert Sprint Planning an Bedeutung, weil der Zyklus von Idee zu Auslieferung drastisch verkuerzt wird.

Maschinenlesbare Projektinformation in versionierten Dateien (Markdown, YAML, JSON) — als Alternative zu flüchtigem Chat-Verlauf. Dient als gemeinsames Kommunikationsmedium zwischen Mensch und Agent.

Test-Driven Development ist eine Entwicklungsmethode, bei der zuerst automatisierte Tests geschrieben werden und dann der Code, der diese Tests bestehen soll. Der Zyklus: Test schreiben, Code schreiben, Test bestehen, Code aufraumen. Bei AI-Agenten wird TDD zunehmend zum Standardverhalten — der Agent generiert Tests und Code gleichzeitig.

Konzept von Andrew Feenberg (1991). Die impliziten Wertentscheidungen, die in die Architektur eines technischen Systems eingeschrieben sind — noch vor jeder expliziten Ethik-Policy. Macht sichtbar, dass „neutrale” Designentscheidungen politische und soziale Konsequenzen haben.

Methode, die Prompt-Optimierung wie Gradient Descent behandelt — mit natürlichsprachlichem Feedback statt numerischer Scores. Publiziert in Nature (2025).

Autor von “Building a Second Brain” und Entwickler der PARA-Methode. Einer der einflussreichsten Denker im Bereich Personal Knowledge Management — sein Framework wird zunehmend als Basis für AI-gestützte Wissenssysteme adaptiert.

Ein Tight Loop beschreibt einen sehr kurzen, eng gekoppelten Regelkreis zwischen Aktion und Feedback. Im Kontext agent-getriebener Softwareentwicklung meint es den Zyklus: Absicht formulieren, Agent baut, Ergebnis beobachten, anpassen — ohne die langen Wartezeiten klassischer Entwicklungsprozesse.

Von Mark Weiser geprägter Begriff (1991) für allgegenwärtige, unsichtbare Computertechnologie. Der theoretische Rahmen, aus dem Calm Technology hervorging.