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.

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.

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.

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.

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.

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

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.

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.

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.

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.

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.

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

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

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.

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

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.

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.