A
A2A (Agent2Agent Protocol)
Ein im April 2025 von Google initiierter und im Juni 2025 an die Linux Foundation übergebener offener Standard, der beschreibt, wie unterschiedliche KI-Agenten, auch von verschiedenen Herstellern und auf unterschiedlichen Plattformen, miteinander kommunizieren, Aufgaben delegieren und Ergebnisse austauschen können, statt nur innerhalb eines geschlossenen Herstellerökosystems zusammenzuarbeiten. Praxisrelevanz: MCP (s. dort) regelt die Anbindung eines Agenten an Werkzeuge/Daten, A2A regelt die Anbindung mehrerer Agenten untereinander. Mit der Agent Card (s. dort) regelt A2A Selbstbeschreibung und Auffindbarkeit eines Agenten, nicht Identität und Zurechnung: Zugangsdaten werden außerhalb des Protokolls beschafft, die Regeln der Autorisierung sind Sache der jeweiligen Implementierung, und wer für einen fremden Agenten einsteht, legt das eigene Haus fest. Zusammen bilden beide Protokolle die technische Grundlage dafür, dass Agentensysteme (s. KI-Agent) herstellerübergreifend zusammenarbeiten können. Ausführlich in Band 1, Abschnitt 4.3 und Band 1.1, Abschnitt 2.6.2. Abgrenzung: Nicht identisch mit der S‑OPDT-Ebenen-Achse (Glossar Modellbegriffe, Band 2.1), die nach organisatorischer Granularität (Konzern bis Team) sortiert, unabhängig vom Tempo. Pace Layering sortiert nach Änderungsgeschwindigkeit, unabhängig von der Organisationseinheit; beide Achsen korrelieren häufig, sind aber nicht dieselbe Frage.
In allen Bänden
Abdeckungsgrenze
Die Menge der Begriffe, die ein Vorhaben in seine Bedeutungsmitte aufnimmt, weil sie in mindestens einer freigegebenen Kompetenzfrage vorkommen oder zu ihrer Beantwortung gebraucht werden, zusammen mit einer ausdrücklich geführten Liste dessen, was bewusst außerhalb liegt. Verwandt mit dem Abdeckungsmodell (coverage model) bei Talisman (2026a), im S‑OPDT-Vorgehen aber zusätzlich über Kompetenzfrage, Use Case und Capability an eine Entscheidung gebunden, s. Band 2.2, Kapitel 4.4. Praxisrelevanz: Ohne gezogene Grenze wächst ein Vokabular so lange, bis es niemand mehr pflegt; mit ihr lässt sich für jeden Begriff sagen, wofür er gebraucht wird. Abgrenzung: Nicht identisch mit der S‑OPDT-Ebenen-Achse (Glossar Modellbegriffe, Band 2.1), die nach organisatorischer Granularität (Konzern bis Team) sortiert, unabhängig vom Tempo. Pace Layering sortiert nach Änderungsgeschwindigkeit, unabhängig von der Organisationseinheit; beide Achsen korrelieren häufig, sind aber nicht dieselbe Frage.
Band 2.2
Abstention (Enthaltung)
Das vorgesehene Nichtantworten oder Nichtentscheiden eines Systems, wenn die Grundlage nicht reicht: Statt die wahrscheinlichste Option zu raten, meldet es die Enthaltung als eigenen, erlaubten Ausgang. Umsetzen lässt sie sich auf zwei Wegen. Bei Entscheidungsmodellen der jüngeren Bauart ist sie mittrainiert und gehört zum Antwortraum, die Ausgabe trägt dafür einen eigenen Wert, meist als Wahrscheinlichkeit für „unbekannt“ geführt; bei vorhandenen Modellen übernimmt eine nachgeschaltete Auswahlregel dieselbe Aufgabe und hält eine Antwort unterhalb einer Schwelle zurück. Beides ist Enthaltung, die Verfahren unterscheiden sich darin, wo die Entscheidung zum Nichtantworten fällt (zur integrierten Variante Geifman & El-Yaniv, SelectiveNet, ICML 2019). Geprüft wird jede Variante an zwei Größen zugleich: an der Fehlerquote der beantworteten Fälle und am Anteil der Fälle, die überhaupt beantwortet werden. Praxisrelevanz: Die Enthaltung trennt unsichere von klaren Fällen nur so gut, wie das Verfahren die eigene Unsicherheit einschätzt, und auch diese Einschätzung kann danebenliegen. Erst wenn die Trennung am eigenen Fallbestand gemessen ist, lässt sich auf ihr eine verlässliche Rückfallstrecke zu einem Menschen bauen. S. Getypte Entscheidung und Kalibrierte Wahrscheinlichkeit sowie Band 1.1, Kapitel 2.4.
In allen Bänden
Activity Mapping (Activity-System-Map)
Porters Methode (1996), Strategie als System verknüpfter Aktivitäten zu zeichnen: Kernthemen, konkrete Aktivitäten und drei Ordnungen des Fits (Konsistenz, Verstärkung, Aufwandsoptimierung). Entsprechung im Buch ist das Vereinzelungsprinzip: Aktivitäten sind Knoten, Fit-Beziehungen typisierte Kanten, und wird operationalisierbar durch Zuordnung zu Dimensionen/ Ebenen und Anbindung an die GOMT-Kette; mit AI-Enhancement-Attribut als eigene Erweiterung (s. Band 2, Abschnitt 1.6.4).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Adaptive Capacity (Local Adaptive Capacity Framework)
2010 von Lindsey Jones, Eva Ludi und Simon Levine für das Overseas Development Institute (ODI) im Rahmen des Africa Climate Change Resilience Alliance-Programms (ACCRA) vorgelegtes Rahmenwerk (Jones, Ludi & Levine, 2010, „Towards a characterisation of adaptive capacity: a framework for analysing adaptive capacity at the local level“, ODI), das die Fähigkeit einer Gemeinschaft oder Organisation, sich an Veränderung anzupassen, in fünf Merkmale zerlegt: Asset Base (verfügbare physische, finanzielle, personelle, soziale und natürliche Ressourcen), Institutions and Entitlements (die Regeln und Ansprüche, die festlegen, wer welche Ressourcen mobilisieren darf), Knowledge and Information (Zugang zu verlässlichem, aktuellem Wissen für Entscheidungen), Innovation (Bereitschaft und Fähigkeit, Neues auszuprobieren) und Flexible, Forward-Thinking Decision-Making and Governance (die Fähigkeit, vorausschauend zu planen und Pläne laufend anzupassen). Baut auf dem breiteren, in den IPCC-Sachstandsberichten verankerten Adaptive-Capacity-Begriff auf, ist selbst aber eine eigenständige ODI/ACCRA-Operationalisierung, keine IPCC-Publikation. Praxisrelevanz: Gelesen als funktionaler Ausdruck des Gesetzes der erforderlichen Vielfalt (s. dort), lassen sich die fünf Merkmale der 3/4-Homöostase des Viable System Model (s. dort) zuordnen, Asset Base und Institutions/Entitlements tragen System 3, Knowledge/Information und Forward-Thinking Governance tragen System 4, Innovation liefert die Vielfalt selbst. Ausführlich in Band 2.1, Kapitel 1.1, Abschnitt 1.1.11g.
In allen Bänden
ADR (Architecture Decision Record)
Ein kurzes, standardisiertes Dokument, das eine einzelne Architektur-Entscheidung festhält (Kontext, abgewogene Optionen, getroffene Entscheidung, Konsequenzen), meist versioniert direkt im Code-Repository statt in einem separaten, schnell veraltenden Wiki. Praxisrelevanz: ADRs beantworten Jahre später die Frage, warum etwas damals so gebaut wurde, und sind damit eine praktische Form von Provenienz (s. dort), angewendet auf technische statt fachliche Entscheidungen.
In allen Bänden
Agent-Based Modelling (ABM)
Eine Simulationstechnik, die Bonabeau (2002) für Wirtschaft und Organisation systematisch beschrieben hat und die ein System nicht als eine aggregierte Gleichung, sondern als Population einzelner, autonomer Agenten mit eigenen Regeln und Interaktionen modelliert: Das beobachtbare Gesamtverhalten entsteht als Emergenz (s. dort) aus dem Zusammenspiel, nicht aus einer zentralen Vorschrift. Vier klassische Anwendungsfelder nach Bonabeau: Flow-, Organisations-, Markt- und Diffusionssimulation. Für die Strategiearbeit dieses Buches ist ABM deshalb interessant, weil sich damit strategische Optionen durchspielen und ihre Wirkungen in komplexen Umfeldern antizipieren lassen, statt sie nur zu behaupten. Praxisrelevanz: Durch generative, LLM-gestützte Agenten (s. Generative Agents) seit 2023 deutlich leistungsfähiger, weil Agentenverhalten nicht mehr von Hand programmiert werden muss. Ausführlich, inkl. Abgrenzung zu Szenarios/klassischen Simulationen und zu Aufgabenautomatisierungs-Agenten, in Band 3.1, Kapitel 1.2. Vorsicht: Validierung und Kalibrierung gegen echte Daten bleiben laut aktueller Fachliteratur ungelöste Kernprobleme, auch bei LLM-gestützten ABMs, „glaubwürdig wirkende“ Agenten sind kein Validitätsnachweis.
In allen Bänden
Agent Boss / Agent Director / Agent Orchestrator (hierarchische Agentensysteme)
Rollenbezeichnungen für die Steuerungsebene in mehrstufigen Multi-Agenten-Architekturen, angelehnt an eine Unternehmenshierarchie: Ein Orchestrator-/Boss-Agent entscheidet auf oberster Ebene über Gesamtstrategie und Aufgabenverteilung; Director-/Supervisor-Agenten planen die Umsetzung innerhalb ihres Verantwortungsbereichs und delegieren an spezialisierte Worker-Agenten, die einzelne, eng umrissene Aufgaben ausführen. Praxisrelevanz: Diese Hierarchie ist eine verbreitete, aber nicht die einzige Antwort darauf, sobald mehr als eine Handvoll Agenten zusammenarbeiten: Blackboard-, Markt-, Peer-to-Peer- und ereignisbasierte Koordinationsmuster lösen dieselbe Aufgabe ohne feste Hierarchie, meist um den Preis größerer Abstimmungslogik im Detail. Fehlt jede dieser Koordinationsformen, entsteht „Agenten-Wildwuchs“ (s. Missing Middle) statt koordinierten Zusammenwirkens. Welche Form im Einzelfall passt, hängt davon ab, wie stark Aufgaben voneinander abhängen und wie viel zentrale Übersicht gebraucht wird.
In allen Bänden
Agent Card
Die Selbstbeschreibung eines Agenten im A2A-Protokoll (s. A2A (Agent2Agent Protocol)): ein JSON-Dokument, das ein A2A-Server bereitstellen muss und das Name, Anbieter, Version, Fähigkeiten, einzelne Skills, die Adressen der Schnittstellen und die verlangten Anmeldeverfahren nennt. Abrufbar ist es unter anderem über eine feste Adresse auf der Domain des Anbieters; es kann, muss aber nicht, digital signiert sein (A2A-Spezifikation, veröffentlichte Fassung 1.0.0, Abschnitt 8). Grenze: Die Karte ist eine Visitenkarte und kein Ausweis. Sie sagt, was ein Agent von sich behauptet; auch signiert belegt sie nur, dass die Beschreibung vom genannten Anbieter stammt und unverändert ist, nicht, dass sie stimmt. Identität, Zugangsdaten und Autorisierung regelt A2A nicht selbst. Praxisrelevanz: Wer fremde Agenten anschließt, braucht neben der Karte drei eigene Festlegungen: unter welcher Identität der fremde Agent im eigenen Haus geführt wird, welche Rechte an dieser Identität hängen und wer für ihn geradesteht. Solange nur eigene Agenten hinter der eigenen Anmeldung laufen, genügt das vorhandene Berechtigungssystem, und die Agent Card ist ein Verzeichniseintrag. Wem das Handeln eines fremden Agenten rechtlich zuzurechnen ist, klärt die juristische Prüfung. Lesart dieser Reihe, die das Protokoll selbst nicht vorgibt: Die Agent Card lässt sich wie ein Datenvertrag für einen Agenten lesen und als der nach außen gerichtete, beschreibende Teil eines Agentenvertrags (s. dort) führen. Ausführlich in Band 1.1, Abschnitt 2.6.2; die Kernaussage für die Entscheidung in Band 1, Abschnitt 4.3.
In allen Bänden
Agent Experience (AX)
Von Gartner im „2026 Hype Cycle for Agentic AI“ neben Context Graphs (s. dort) und dem Agent Development Life Cycle (ADLC) als eigene, benannte Praxis geführt: Alle drei stehen laut Gartner für das wachsende Bedürfnis nach strukturierten Ansätzen beim Bauen, Betreiben und Steuern agentischer Systeme. Konkrete Adoptionszahlen dazu kursieren in mehreren Anbieter-Blogs, stammen dort aber aus einem kostenpflichtigen Gartner-Report und bleiben in diesem Buch deshalb außen vor, eine genauere, frei zugängliche Abgrenzung von AX gegenüber ADLC und Context Graphs liegt nicht vor. Nicht zu verwechseln mit Agent-Centric Experience (s. dort): Dort geht es um einen im Markt vereinzelt kursierenden Kandidatenbegriff für eine mögliche Gegenbewegung zur innengerichteten KI-Optimierung von Unternehmen, hier um eine von einem Analystenhaus benannte Praxiskategorie für das Bauen und Betreiben agentischer Systeme. Ausführlich in Band 1, Kapitel 5.
Band 1
Agent Governance
Die organisatorische Disziplin, die den Betrieb von KI-Agenten in einem Unternehmen regelt. Diese Reihe hebt vier Elemente als Kern hervor: einem Agentenregister (welche Agenten existieren, wer sie fachlich verantwortet und wozu sie befugt sind), dem Berechtigungsumfang nach dem Prinzip der geringsten Rechte, Eskalationsschwellen zum Menschen, ab denen ein Agent eine Entscheidung nicht mehr selbst treffen darf, und durchgängigen Audit-Spuren (Situation, Rationale, Action, Outcome). Praxisrelevanz: Der erste Prüfstein ist das Register selbst: Lässt sich auf Anhieb aufzählen, welche Agenten mit welchen Rechten laufen, ist die Grundlage gelegt; fehlt diese Liste, beginnt Agent Governance dort. Agent Governance ist dabei nur ein Ausschnitt aus einer umfassenderen KI-Governance (s. AI Governance Mega Map (Kavanagh)). Ausführlich in Band 4, Kapitel 3.3.
In allen Bänden
Agent Management Platform (Agentenverwaltungsplattform)
Eine Softwareschicht, deren Zweck die Verwaltung des gesamten Agentenbestands eines Unternehmens ist: Agenten registrieren, ihnen Rechte und Richtlinien zuweisen, ihr Verhalten beobachten und protokollieren und ihren Verbrauch abrechnen, ausdrücklich auch für Agenten, die auf fremden Plattformen gebaut wurden. Gartner hat die Kategorie am 27. Oktober 2026 mit einem ersten Magic Quadrant als eigenen Markt ausgewiesen. Abgrenzung: Die Agentenorchestrierung entscheidet, welcher Agent eine Aufgabe übernimmt, die Verwaltungsplattform entscheidet, welcher Agent überhaupt existieren und was er dürfen soll. Ein Guardian Agent ist ein Mittel innerhalb dieser Schicht, nicht die Schicht selbst. Grenze: Eine solche Plattform verwaltet Rechte an Begriffen; sind die Begriffe über die Systeme hinweg nicht einheitlich definiert, verwaltet sie Namen statt Bedeutung.
In allen Bänden
Agent-Oriented Ontology Engineering (AOOE)
Ein von Andrea Volpini (WordLift) am 2. September 2026 auf LinkedIn vorgeschlagenes Dreierschema für die Wissensarchitektur eines Unternehmens-Agenten: ein Entity Graph (Gedächtnis, die Produkte, Personen, Organisationen und Dokumente, die ein Unternehmen kennt), ein Lexical Graph (Bedeutung, die Konzepte, Terminologie, Synonyme und Embedding-Nachbarschaften, durch die diese Dinge verstanden werden, gestützt auf den seit 2009 etablierten W3C-Standard SKOS) und ein Action Graph (Handlung, was ein Agent nach der Interpretation tun darf, etwa abrufen, vergleichen, buchen, veröffentlichen, eskalieren). Kernthese: Ähnlichkeit im Embedding-Raum ist keine Evidenz, erst ein Graph entscheidet, ob eine vom Modell vorgeschlagene Nähe tatsächlich zu einer Gleichsetzung wird. Entsprechungen im Buch, dort unter eigenem Namen und teils feiner unterteilt: Der Entity Graph entspricht dem operativen Enterprise-Knowledge-Graph aus Semantik & Kontextgraph, DE.2 (Band 2.2, Abschnitt 5.3.4), der Lexical Graph der dort bereits eigens unterschiedenen Dreiheit aus Semantic Layer, Ontologie und Context Layer (s. dort), der Action Graph dem Control Tower (s. dort) und den agentenspezifischen Data Contracts aus Governance & Data Contracts, DE.1. Die Kernthese hat im Buch eine eigene Herleitung mit Primärquelle: Struktur korreliert mit Bedeutung, die Korrelation ist aber keine Identität, und sie bricht lautlos (Band 1.1, Kapitel 1.3), gestützt auf Jessica Talismans Unterscheidung von descriptive und subject access, Auffindbarkeit durch Struktur statt durch Nähe im Embedding-Raum (Band 1.1, Kapitel 2.1). Praxisrelevanz: Ähnliche Dreiteilungen derselben Grundstruktur finden sich bei mehreren Autoren und Anbietern unter wechselnden Namen, s. auch Ontology Trap und Corporate Cognitive Systems. Beim Vergleich von Werkzeugen hilft deshalb die Frage, welche der drei Ebenen ein Werkzeug tatsächlich abdeckt.
In allen Bänden
Agent Stack / Agentic Framework
Die Sammlung von Software-Bausteinen, mit denen Entwicklerinnen einen KI-Agenten praktisch bauen: Orchestrierungslogik, Werkzeuganbindung (s. MCP), Gedächtnis-Architektur (s. Memory) und Modellanbindung, meist über ein Software-Framework (Beispiele: LangGraph, CrewAI, AutoGen) statt jede Komponente einzeln von Grund auf zu programmieren. Praxisrelevanz: Die Wahl des Agentic Frameworks entscheidet mit über Vendor-Lock-in (s. dort); offene, modulare Frameworks lassen sich leichter mit einer eigenen Ontologie statt mit vorgegebenen, generischen Datenstrukturen verbinden.
In allen Bänden
Agent Washing
In Anlehnung an „Greenwashing“ geprägter, auch von Gartner selbst verwendeter Begriff für die Praxis, ein Produkt als „KI-Agent“ oder „agentisch“ zu vermarkten, obwohl es technisch nur ein einfacher Chatbot, ein Regelwerk, ein RPA-Bot oder eine automatisierte Workflow-Engine ohne echte autonome Entscheidungsfähigkeit ist. Praxisrelevanz: Nützlich als Prüfraster beim Softwareeinkauf: Nicht jedes als „Agent“ beworbene Werkzeug erfüllt die im Buch definierten Merkmale eines KI-Agenten (s. dort: mehrschrittige, selbstständige Zielverfolgung mit Werkzeugnutzung). Gartner zählte im Juni 2025 nur rund 130 der Tausenden Anbieter, die sich als agentisch bezeichnen, als tatsächliche Agentic-AI-Anbieter und erwartet, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 wieder abgebrochen werden. Ausführlich in Band 3, Kapitel 7.5 und, aus Governance-Sicht, in Band 4, Kapitel 3.3.
In allen Bänden
Agentenorchestrierung (Agent Orchestration)
Die Steuerungsschicht, die festlegt, welcher Agent in einem Multi-Agenten-System wann welche Teilaufgabe übernimmt, Ergebnisse weiterreicht und bei Fehlern eingreift, vergleichbar mit einer Dirigentin, die einzelne Instrumentengruppen koordiniert, ohne selbst jedes Instrument zu spielen. Praxisrelevanz: Die praktische Umsetzung dessen, was Agent Boss/Director/ Orchestrator (s. dort) als Rollenmodell beschreibt, technisch oft über LLM-Router/Model Gateway (s. dort) und Protokolle wie A2A (s. dort) realisiert.
In allen Bänden
Agentensysteme
Softwaresysteme, die aus mehreren autonomen, interagierenden Komponenten bestehen, den sogenannten Agenten. Im Kontext des Buches werden sie zusammen mit KI-Agenten als dominante Technologie für intelligente Automatisierung diskutiert. Sie ermöglichen komplexe, dezentrale Steuerungs- und Koordinationsaufgaben, die über einfache Automatisierung hinausgehen.
In allen Bänden
Agentenvertrag
Eigene Prägung dieses Buchs für die maschinenlesbare, versionierte und auditierbare Zusammenfassung dessen, was ein bestimmter KI-Agent für einen bestimmten Auftraggeber tun darf: die laufzeitfähigen Guardrails aus Policy-as-Prompt, die extern gesetzten Regeln aus Law as Code (s. Anhang 2) und der Delegierte Zugriff (s. dort), an einer Stelle zusammengeführt. Gemeint ist die technische Bündelung von Agentenverhalten, externem Recht und interner Zugriffssteuerung zu einer prüfbaren Eigenschaft des Agenten selbst, ein Rechtstext ist der Agentenvertrag nicht. Praxisrelevanz: Ohne diese Bündelung bleiben Guardrails, Rechtsbezug und Berechtigungsumfang drei getrennt gepflegte, potenziell widersprüchliche Dokumente; als Agentenvertrag lassen sie sich bei jeder Handlung des Agenten gemeinsam prüfen. Verhältnis zur Agent Card (s. dort): Die Karte des A2A-Protokolls beschreibt, was ein Agent kann und wie er erreichbar ist; in der Lesart dieser Reihe ist sie der nach außen gerichtete, beschreibende Teil eines Agentenvertrags. Was der Agent für wen tun darf, an welche Regeln er gebunden ist und wer für ihn einsteht, steht nicht in der Karte, es gehört in den übrigen Vertrag. Ausführlich in Band 2.1, Abschnitt 4.1.5.
In allen Bänden
Agentic Commerce
Der aufkommende Handelsmodus, bei dem nicht mehr primär ein Mensch selbst in einem Onlineshop klickt, sondern ein KI-Agent im Auftrag eines Kunden eigenständig recherchiert, vergleicht, verhandelt und im Idealfall auch den Kauf abschließt; Anbieter müssen ihre Produkte und Prozesse deshalb zunehmend für Agenten statt nur für menschliche Nutzeroberflächen optimieren. Praxisrelevanz: Eng verwandt mit GEO (s. dort): Werden Kaufentscheidungen zunehmend von Agenten vorbereitet oder getroffen, dürfte strukturierte, maschinenlesbare Bedeutung (Ontologie, schema.org) stärker über Sichtbarkeit und Umsatz entscheiden als klassisches visuelles Marketing.
In allen Bänden
Agentic Commerce Trust Protocol (Alipay) und Trusted Agent Protocol (TAP, Visa)
Zwei bereits veröffentlichte Protokoll-Initiativen, die die bereits an anderer Stelle beschriebenen Standards Agentic Commerce Protocol (OpenAI/Stripe) und AP2/Universal Commerce Protocol (Google-Koalition, s. Band 3, Abschnitt 5.1) ergänzen. Alipay veröffentlichte im Januar 2026, mit Qwen App und Taobao Instant Commerce als ersten Anwendern, das Agentic Commerce Trust Protocol und erweiterte die Infrastruktur im August 2026 um die geräteübergreifende Multi-Agenten-Schnittstelle AHA. Visa stellte, gemeinsam mit Cloudflare entwickelt, das Trusted Agent Protocol (TAP) vor: ein offenes Verfahren, das jeder Agenten-Anfrage eine kryptografisch signierte, gegen ein von Visa geführtes Verzeichnis prüfbare Kennung mitgibt, um einen bekannten Agenten von einem anonymen Bot zu unterscheiden. Praxisrelevanz: TAP verifiziert eine Agenten-Identität über eine kryptografische Kennung statt über Anonymität; Entsprechung im Buch ist KYA (s. dort), hier von einem Zahlungsdienstleister umgesetzt. Ausführlich in Band 3, Abschnitt 1.7.8 und, für die Erweiterung auf den Zahlungsverkehr, in Band 3, Abschnitt 1.8.5.
In allen Bänden
Agentics Foundation
Eine von Reuven Cohen (GitHub-Handle „ruvnet“, s. Claude Flow (Ruflo)) gegründete, selbstorganisierte, mittlerweile in mehreren Städten aktive Gilde für „Agentic Engineering“, mit dem Anspruch, Standards für die entstehende Praxis der Agenten-Orchestrierung zu setzen und die Interessen der Praktizierenden zu vertreten. Praxisrelevanz: Ordnet Claude Flow/Ruflo nicht als isoliertes Werkzeug ein, sondern als Teil einer sich formierenden Praktikergemeinschaft, ausführlich in Band 2.1, Abschnitt 1.1.20.
In allen Bänden
Agentische KI
Eine Form der Künstlichen Intelligenz, die auf dem Konzept autonomer Agenten basiert, die in einer Umgebung wahrnehmen, entscheiden und handeln können. Agentische KI-Systeme können miteinander und mit menschlichen Akteuren interagieren und kollaborieren, um komplexe Aufgaben zu lösen und emergente Intelligenz zu entwickeln. Das Buch behandelt agentische KI zusammen mit Agentensystemen (s. dort) als dominante Technologie für intelligente Automatisierung und knüpft ihre Vertrauenswürdigkeit an Ontorank und die Reasoning-Schicht der Wissensgraphen. In der Reihe steht dafür durchgängig auch die englische Form Agentic AI.
In allen Bänden
Agentisches Media-Buying
Der Übergang vom manuell verhandelten zum agentisch ausgeführten Media-Einkauf, bei dem KI-Agenten Inventar klassifizieren, bieten und laufende Kampagnen optimieren, ohne dass zwingend ein Mensch jede einzelne Buchungsliste vorher prüft. Praxisrelevanz: Im Juni 2026 haben nach der Übersicht der Agentur Digital Applied acht große Ad-Tech-Plattformen binnen neun Tagen entsprechende Kauf-, Koordinations- oder Verifikationsschichten eingeführt, teils über MCP (s. dort) verdrahtet, ausführlich mit Fallbeispiel und Pro-Contra-Debatte in Band 3.1, Kapitel 4.2. Es unterliegt denselben Autonomiegrenzen- und Governance-Anforderungen wie jeder andere KI-Einsatz in diesem Buch.
In allen Bänden
Agile Transformation
Ein Ansatz zur Unternehmenstransformation, der auf agilen Prinzipien wie Flexibilität, Iterationen, kontinuierlichem Feedback und selbstorganisierten Teams basiert. Im S‑OPDT-Modell liefert dieser Ansatz vor allem Impulse für die Organisations- und Prozess-Dimension, ersetzt aber nicht die Kohärenzprüfung über alle fünf Dimensionen hinweg, die das Modell fordert.
Band 2.1 · Band 2.2
AI Act (KI-Verordnung der EU)
Verordnung (EU) 2024/1689, nach Darstellung der EU der erste umfassende Rechtsrahmen für KI weltweit. Risikobasierter Ansatz: verbotene Praktiken, Hochrisiko-Systeme mit Pflichten zu Transparenz und Interpretierbarkeit (Art. 13), Dokumentation und Aufzeichnung (Art. 11/12) sowie menschlicher Aufsicht (Art. 14), dazu Transparenzpflichten für bestimmte KI-Systeme, etwa bei KI-Interaktion (Art. 50). Position dieses Buchs: Graphen mit Herkunftsvermerken und historisierten Ständen unterstützen Dokumentation, Aufzeichnung und Nachvollziehbarkeit als Konstruktionsmerkmal statt als Nachrüstung, ersetzen aber nicht die übrigen Pflichten. Menschliche Aufsicht, Risikomanagement, Daten-Governance, Robustheit und Cybersicherheit bleiben eigene, zusätzlich zu erfüllende Anforderungen (s. Band 2.1, Kapitel 2.6).
In allen Bänden
AI Engineering (Abgrenzung zu ML Engineering)
Von Chip Huyen (2025) explizit benannte und vom klassischen Machine Learning Engineering abgegrenzte Disziplin: Statt Modelle von Grund auf zu trainieren, baut AI Engineering Anwendungen auf bereits fertigen, fremdtrainierten Foundation Models, mit Kernaufgaben wie Prompt Engineering, Context Construction (dem gezielten Befüllen des Kontextfensters zur Laufzeit), Evaluation und der Entscheidung für oder gegen Fine-Tuning. Praxisrelevanz: GraphRAG, Ontorank und Reasoning Layer (s. Band 1.1, Kapitel 2.1, Band 1.1, Kapitel 2.2) sind in dieser Terminologie sämtlich AI-Engineering-Praxis, kein Modelltraining, ausführlich in Band 1.1, Kapitel 2.4.
In allen Bänden
AI Gateway
Zentrale Schnittstelle, die als Vermittler (Proxy) zwischen Anwendungen oder Agenten und den Modellanbietern sitzt, sodass alle Modellanfragen über eine einheitliche Schnittstelle laufen. Typische Mechanismen sind eigene Schlüssel je Team oder Agent mit hinterlegtem Budget, Ratenbegrenzung in Token pro Minute, Routing und Ausfallsicherung über mehrere Modelle und Anbieter sowie semantisches Caching wiederkehrender Anfragen. Praxisrelevanz: Unter den drei Werkzeugklassen für KI-Kostenkontrolle (AI Gateway, LLMOps-Plattform, Model Routing) ist das AI Gateway der zentrale Ort, an dem ein Aufruf abgelehnt werden kann, bevor er Kosten verursacht. Dieselbe Sperre lässt sich auch in der Anwendung, im Router oder in der Orchestrierung einbauen; entscheidend ist, dass die Kontrolle vor dem kostenpflichtigen Aufruf greift. Das Gateway sieht dabei nur den Verkehr, der tatsächlich durch es hindurch läuft. Ausführlich in Band 2.2, Abschnitt 5.2.4; s. auch Model Routing (LLM Router) und LLMOps.
In allen Bänden
AI-Governance-Board
Das Gremium, das im Unternehmen über Einsatz und Risiko von KI-Systemen entscheidet. Je nach Mandat gehören dazu klassische ML-Modelle, Beschaffung, Datenfragen und andere KI-Anwendungen ebenso wie Agenten; den Umfang legt jedes Unternehmen selbst fest. Für den Agentenbetrieb heißt das konkret: Freigabe neuer Agenten, Prüfung ihres Berechtigungsumfangs, Eskalation bei Zwischenfällen, regelmäßige Durchsicht des Agentenregisters. Eng verwandt mit, aber nicht identisch zum Ontologie-Governance-Board (s. Band 2.1, Kapitel 1.2). Als vereinfachte Arbeitsteilung gilt: Ontologie-Governance entscheidet, was ein Begriff bedeutet, AI-Governance, was ein System oder Agent tun darf. In der Praxis überschneiden sich die Zuständigkeiten, und wo ein Agent sich auf eine Ontologie stützt, kann er nur so vertrauenswürdig sein wie diese. Praxisrelevanz: Für Agenten bündelt das Gremium die vier Elemente der Agent Governance, Agentenregister, Berechtigungsumfang, Eskalationsschwellen, Audit-Spuren, unter einem organisatorischen Eigentümer, statt sie auf vier Stellen zu verteilen, ausführlich in Band 4, Kapitel 3.3.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
AI Governance Mega Map (Kavanagh)
Ein von James Kavanagh (The Company Ethos, ethos-ai.org) Anfang 2025 von Hand erstelltes Crosswalk-Framework, das sechs zentrale Kontrollquellen, ISO/IEC 42001, ISO/IEC 27001, ISO/IEC 27701, NIST AI RMF, EU AI Act, SOC 2 Trust Services Criteria, in ein gemeinsames Master-Kontrollset aus zwölf Domänen und 44 Einzelkontrollen überführt, sodass eine implementierte Kontrolle mehrere Rahmenwerke gleichzeitig bedient. Fremde IP, im Buch mit klarer Quellenangabe als Orientierungslandkarte genutzt, nicht als eigene Erfindung. Aktualitätshinweis (Stand Juli 2026): Drei der sechs Quellen haben sich seit Veröffentlichung bewegt, EU-AI-Act-Fristen verschoben über den Digital Omnibus, ISO/ IEC 27701 seit Oktober 2025 in neuer, eigenständiger Fassung, NIST AI RMF in Revision, die Domänenstruktur selbst bleibt davon unberührt. Praxisrelevanz: Ordnet das im Buch vertiefte Agent Governance/AI-Governance-Board-Thema als Ausschnitt in ein größeres, zwölfteiliges Gesamtbild ein, ausführlich in Band 4, Kapitel 3.3.
In allen Bänden
AI Literacy
Die Fähigkeiten, das Wissen und das Verständnis, die Personen brauchen, die mit KI-Systemen umgehen, um diese informiert einzusetzen und Chancen wie Risiken realistisch einzuschätzen: eine konkrete, rollenabhängige Kompetenz. Erst ein Mindestverständnis dafür, was ein Modell kann und wo es typischerweise versagt, macht Governance-Regeln für Agenten (s. Excessive Agency) wirksam. Der Rechtsbegriff in Art. 4 des AI Act lautet in der deutschen Fassung KI-Kompetenz; für Führungsanforderungen verwendet diese Reihe Discernment (s. dort). Die praktische Umsetzung dieser Pflicht im Unternehmen beschreibt das Buch konkret am neu entstehenden Rollenprofil AI-Literacy & Enablement Specialist (s. dort). Artikel 4 des europäischen AI Act gilt seit dem 2. Februar 2025 und ist dem Wortlaut nach enger gefasst, als der Name vermuten lässt. In der ursprünglichen Fassung verlangte er von Anbietern und Betreibern, nach besten Kräften für ein ausreichendes Maß an KI-Kompetenz ihres Personals und der in ihrem Auftrag mit KI-Systemen befassten Personen zu sorgen. Seit der Digital-Omnibus-Verordnung zur KI (s. Digital Omnibus on AI), in Kraft seit dem 27. Juli 2026, müssen Anbieter und Betreiber Maßnahmen ergreifen, die die Entwicklung der KI-Kompetenz dieses Personenkreises unterstützen, angepasst an technisches Vorwissen, Erfahrung, Ausbildung und Einsatzkontext; die geänderte Fassung stellt klar, dass Anbieter und Betreiber für keine einzelne Person ein bestimmtes Niveau an KI-Kompetenz garantieren müssen. Für Betreiber von Hochrisiko-Systemen gelten daneben die genaueren Anforderungen aus Artikel 26. Die Pflicht aus Art. 4 richtet sich an Anbieter und Betreiber und betrifft ihr Personal und die in ihrem Auftrag mit KI-Systemen befassten Personen. Die Begriffsdefinition steht in Art. 3 Nr. 56 AI Act; sie nennt neben Anbietern und Betreibern auch Betroffene. Praxisrelevanz: Über die gesetzliche Pflicht hinaus ist es als betriebliche Praxis sinnvoll, AI Literacy auf jede Fachabteilung auszudehnen, die KI-Systeme nutzt, auch dort, wo der AI Act keine Pflicht auslöst. Im S‑OPDT-Modell gehört AI Literacy deshalb zur Bedeutungskultur (Glossar Modellbegriffe, Band 2.1) und nicht allein zur IT; diese weitergehende Reichweite ist eine eigene, freiwillige Entscheidung des Unternehmens.
In allen Bänden
AI-Literacy & Enablement Specialist
Eine 2026 neu entstehende Rolle, die vier Aufgabencluster verbindet: Befähigung der Breite (Multiplikatorenschulung, KI-Community), Übersetzung nach oben (Zielbild-Workshops, Führungskräfteformate), Anwendungsnähe (Use-Case-Identifikation, Prototyping) und Frontier-Beobachtung mit Rückkopplung in Schulungsinhalte. Praxisrelevanz: Verlangt eine Kombination aus pädagogischer, kommunikativer, technischer und frontier-naher Kompetenz, die weder ein klassisches Trainings- noch IT- noch Change-Management-Profil allein mitbringt, ausführlich in Band 4, Kapitel 6.1.
In allen Bänden
AI Maturity Mega Map
Eine eigene, für dieses Buch durchgeführte Auswertung, die 24 seriöse KI-Reifegradmodelle (u. a. MIT CISR, Gartner, Accenture, ServiceNow, MITRE, OWASP AIMA) auf ein gemeinsames Master Dimension Set aus 24 Dimensionen in neun Familien abbildet, methodisch angelehnt an die AI Governance Mega Map. Die Abbildungsarbeit selbst war KI-gestützt, ausgeführt mit dem Agentenwerkzeug Manus AI, Stand der Analyse 25. Juli 2026; die Auswahlkriterien, die Zuordnung strittiger Fälle und die Interpretation lagen bei uns. Kernbefund: Nur über vier Dimensionen, Talent/ Skills, Infrastruktur, Datenqualität und Strategie, besteht in mindestens zwei Dritteln der Modelle Konsens, und sie sind generisch, aus der Digitalisierung geerbt, während KI-spezifische Themen wie Human Oversight (nur 3/24) oder Evaluation nicht-deterministischer Systeme unterrepräsentiert bleiben; 79 Prozent der Modelle beruhen auf reiner Selbstauskunft. Praxisrelevanz: Die Auswertung stützt die Kritik an gescorten Reifegradmodellen, die Band 1 ausführt, und liefert die methodische Vorlage für eigene, unbepunktete Assessments (Ist/Ziel getrennt, use-case-spezifisch statt organisationsweit), ausführlich in Band 1, Kapitel 2.4.
Band 1
AI Operating System (AI OS)
Von McKinsey im Oktober 2026 geprägter Begriff für eine dauerhaft arbeitende Managementschicht, die den Unternehmenskontext hält, also das Wissen, das Daten ihre Bedeutung gibt, über Funktionen hinweg schlussfolgert, Entscheidungen empfiehlt oder ausführt und aus Ergebnissen lernt (Padhi u. a., 2026). In der Bauteilliste stehen eine Semantikschicht aus Ontologien und Wissensgraphen, Analytik und deterministische Modelle, Agentendefinition und Orchestrierung sowie eine Erlebnisschicht. Abgrenzung zum Dashboard: Ein AI OS berichtet nicht, was war, sondern zeigt laufend, was ist und was werden könnte, mit Empfehlung und Ausführung im selben Zug. Abgrenzung zum Kanon dieser Reihe: Das Papier nennt die Schicht ein „second brain“; das Company Brain (s. dort) ist damit nicht deckungsgleich, weil es den Bauplan und die Zuständigkeiten mitführt und nicht nur die Laufzeitschicht beschreibt. Praxisrelevanz: Die Regel des Papiers, „Own the context; rent or replace the technology“, formuliert knapp, was diese Reihe als Modellunabhängigkeit der Bedeutungsschicht führt. Ausführlich in Band 4, Abschnitt 4.16.5.
In allen Bänden
AI Optimization (AIO)
Ein sich erst 2025/2026 herausbildender, in Anlehnung an SEO gebildeter Marktbegriff für die Praxis, Webseiten, Produktkataloge und Markeninhalte gezielt für die maschinelle Lesbarkeit durch KI-Agenten und Sprachmodelle zu optimieren, statt allein für menschliche Betrachter oder klassische Suchmaschinen-Rankings. AIO hat keine allgemein anerkannte Definition und bezeichnet überwiegend denselben Sachverhalt wie GEO (s. dort), für den dieses Buch einen empirischen Beleg anführt. Praxisrelevanz: Wo der Markt „AIO“ sagt, ist in aller Regel dieselbe Grundmechanik gemeint wie bei GEO, ergänzt um Token-Effizienz; dieses Buch verwendet GEO als den genauer hergeleiteten Begriff. Ausführlich in Band 3, Kapitel 1.7 und Band 3, Abschnitt 5.1.
In allen Bänden
AIOps (Artificial Intelligence for IT Operations)
Der Einsatz von Verfahren des maschinellen Lernens auf Betriebsdaten (Logs, Metriken, Traces), um Anomalien selbstständig zu erkennen, Ursachen einzugrenzen und, in fortgeschrittenen Ausbaustufen, eine Behebung automatisiert auszulösen, ohne dass vorher jemand einen festen Schwellenwert definiert hat. Praxisrelevanz: Plattformen wie Datadogs Watchdog markieren so unübliches Verhalten in Fehlerraten, Latenz oder Cloud-Netzwerken selbstständig und können bei Bedarf ein Reparaturskript direkt anstoßen (Datadog, Produktseite, herstellerseitige Angabe, nicht unabhängig verifiziert). Abgrenzung zu Chaos Engineering (s. dort): Chaos Engineering erzeugt den Fehler aktiv, um Resilienz zu prüfen, AIOps erkennt einen Fehler, der ohnehin auftritt, und reagiert darauf. Beide Bausteine ergänzen sich in einer selbstheilenden Infrastruktur. Ausführlich in Band 2, Kapitel 2.1.
Band 2
AISO (AI Search Optimization)
Bezeichnung für Inhalte, die für die künftige Suche über Sprachmodelle und für Kundenagenten aufbereitet sind; inhaltlich weitgehend deckungsgleich mit AI Optimization (AIO) und GEO (s. dort). Praxisrelevanz: Weil Sprachmodelle die Aussagen eines Hauses aus vielen Quellen zusammenlesen, wird die Widerspruchsfreiheit der Strategieaussagen auch zur Frage der Außendarstellung (Band 2, Abschnitt 2.1.5; Band 2, Kapitel 2.2).
In allen Bänden
Aktivierungskarte
Im Kontext eines klassifizierenden neuronalen Netzes die Ausgabe, die zusätzlich zur eigentlichen Klassifikation zeigt, auf welche Stellen eines Inputs (etwa einer Gewebeprobe) das Netz angesprungen ist. Der eigentliche Kunstgriff liegt darin, wie eine solche Karte gelesen wird: als falsifizierbare Hypothese, die sich mit einem unabhängigen Verfahren am selben Objekt prüfen und im Zweifel widerlegen lässt (Ruhr-Universität Bochum, 2022; Schuhmacher u. a., 2022), statt als bloße Illustration. Praxisrelevanz: Ein Modell bleibt innen undurchsichtig, seine Erklärung wird trotzdem überprüfbar, weil sie so formuliert ist, dass ein Experiment sie umstoßen kann, derselbe Weg, mit dem dieses Buch Vertrauen in KI-Systeme allgemein begründet. Ausführlich in Band 1, Abschnitt 3.2.
Band 1
Aktivitätsgraph
Graph, den Projekt- und Wissenswerkzeuge wie Jira, Confluence oder Asana als Nebenprodukt der Arbeit aufbauen: Tickets, Seiten, Nachrichten, Personen und Teams als Knoten, Beziehungen wie verlinkt, erstellt von oder zugewiesen an als Kanten. Er beantwortet, wer was wann getan hat, nicht, warum. Im Buch als Gegenstück zum gepflegten Bedeutungsmodell eines Vorhabens verwendet, das Ziele, Entscheidungen, Annahmen und Lehren enthält (s. Band 4, Kapitel 1.6). Beschreibender Begriff, keine eigene Methode.
Band 4
Akzeptanz-Kybernetik
Eigene Wortprägung dieses Buchs, wie Instant-Valenz (s. dort). Gemeint ist dieselbe kybernetische Rückkopplungslogik, die das Viable System Model und das Gesetz der erforderlichen Vielfalt (s. dort) für die Steuerung einer Organisation beschreiben, hier angewendet auf die Steuerung der Akzeptanz eines Steuerungssystems durch die Menschen, die von ihm gesteuert werden. Daraus folgt ein Entwurfsprinzip für Systeme wie Talk to your Data (s. dort) oder Self-Healing (s. dort): ein System, das beobachtet, wie es von seinen Nutzerinnen und Nutzern wahrgenommen wird, und sich daraufhin anpasst, statt seine eigene Akzeptanz als nachgelagertes Kommunikationsproblem zu behandeln. Drei Prinzipien tragen das in der Praxis: lokaler Nutzen vor globaler Kontrolle (gestützt auf die Selbstbestimmungstheorie, Deci & Ryan, 1985, 2000), asymmetrische Transparenz mit Schutz des Individuums (gestützt auf Bernsteins Transparenzparadox, 2012, und die Gaming-Befunde der Algorithmic-Management-Forschung, Kellogg, Valentine & Christin, 2020) und generativer Dialog statt inquisitorisches Dashboard (gestützt auf die Algorithm-Aversion-Forschung, Dietvorst, Simmons & Massey, 2015, 2018). Praxisrelevanz: Ergänzt die vier Governance-Aufgaben aus Band 2.1, Kapitel 1.2 und das Exekutiv-Control-Panel aus Band 2, Exkurs „Die Strategie erden“ um die bislang fehlende Mitarbeiterperspektive: Dieselbe Technik, die für die Führung eine Instant-Valenz-Prüfung ist, kann für die Belegschaft, falsch entworfen, wie eine lückenlose Verhaltensüberwachung wirken. Ausführlich eingeordnet in Band 2.1, Kapitel 4.9.
In allen Bänden
Algedonic Loop
Von Stafford Beer im Rahmen des Viable System Model (s. dort) geprägter Begriff, wörtlich Schmerz-Lust-Schleife, für ein Rückkopplungssignal, dessen Dringlichkeit den regulären Instanzenweg überspringen darf: Bei existenzieller Tragweite schlägt eine Störung direkt von System 1 (Operationen) zu System 5 (Politik) durch, weil das Warten auf die reguläre Eskalation selbst zum Risiko würde. Praxisrelevanz: In einem graphbasierten Unternehmenszwilling keine Metapher mehr, sondern eine konkrete, priorisierte Kantenart mit definierter Eskalationsregel, ausführlich in Band 2.1, Kapitel 1.1, Abschnitt 1.1.11c.
In allen Bänden
Algorithmic Management (algorithmisches Management)
Ein in der Organisationsforschung etablierter Fachbegriff für die Steuerung menschlicher Arbeit durch Software-Algorithmen statt durch unmittelbare menschliche Weisung, ursprünglich an Plattformarbeit (Fahrdienst- und Lieferplattformen) untersucht, inzwischen auf Wissensarbeit allgemein übertragen. Kellogg, Valentine und Christin unterscheiden 2020 in einer vielzitierten Übersichtsarbeit sechs Steuerungsmechanismen, die „6 Rs“: Restricting (Handlungsraum einschränken) und Recommending (empfehlen, ohne zu erzwingen) zur Lenkung, Recording (protokollieren) und Rating (bewerten) zur Bewertung, Replacing (Beschäftigte ersetzen) und Rewarding (belohnen) zur Sanktionierung. Sie beschreiben zugleich, wie Beschäftigte auf solche Kontrolle mit Widerstand reagieren, bis hin zum sogenannten Gaming, dem gezielten Anpassen des eigenen Verhaltens an eine sichtbare Kennzahl statt an die eigentliche Aufgabe (Kellogg, Valentine & Christin, 2020). Praxisrelevanz: Liefert das Vokabular, mit dem sich vorhersagen lässt, ob ein KI-gestütztes Steuerungssystem wie Talk to your Data auf Akzeptanz oder auf Widerstand trifft, ausführlich in Band 2.1, Kapitel 4.9.
Band 4
Algorithmic Trust
Ein weiterer, im Markt vereinzelt kursierender Kandidatenbegriff für dieselbe mögliche Gegenbewegung wie Agent-Centric Experience (s. dort), mit Schwerpunkt auf der Frage, wie ein Unternehmen das Vertrauen des Algorithmus eines fremden Agenten gewinnt, der zwischen Marke und Endkonsument steht, statt allein das Vertrauen des Menschen selbst. Stand September 2026 hat auch dieser Begriff keine feste Definition. Praxisrelevanz: Verweist auf dieselbe Grundfrage, die dieses Buch als maschinenlesbaren digitalen Fußabdruck beschreibt, eine Marke, deren Fakten, Preise und Verfügbarkeit strukturiert und geprüft vorliegen, statt nur als Text auf einer für Menschen geschriebenen Website (s. Data Contract). Ausführlich in Band 3, Kapitel 1.7.
In allen Bänden
Algorithmus
Eine Reihe von Regeln oder Anweisungen, die ein Computer befolgt, um eine Aufgabe zu lösen oder eine Berechnung durchzuführen; die Grundlage vieler KI-Systeme.
Band 1 · Band 1.1
AlphaEvolve
Von Google DeepMind im Mai 2025 vorgestellter Coding-Agent: Ein Sprachmodell schlägt Änderungen an einem bestehenden Algorithmus vor, jede Variante wird gegen eine definierte Bewertungsfunktion geprüft, und die besten Varianten gehen in die nächste Generation ein (Novikov et al., 2025). Praxisrelevanz: Beispiel für Systeme, die sich über einen Wettbewerb konkurrierender Varianten selbst verbessern (Band 2, Abschnitt 2.1.6).
Band 2 · Band 2.1
Analytische KI
KI-Ansatz, der sich auf die Analyse und Interpretation von Daten konzentriert, um Muster zu erkennen, Vorhersagen zu treffen und Entscheidungen zu unterstützen. Das Buch grenzt sie von semantischer, kausaler und neurosymbolischer KI ab (s. dort) und behandelt sie als eine von mehreren komplementären KI-Spielarten, die für sich genommen keine Bedeutungsebene liefert. Die Einteilungen liegen dabei auf verschiedenen Achsen: analytisch und generativ beschreiben die Aufgabe, semantisch, neuronal und neurosymbolisch die Bauart.
Band 1 · Band 1.1
Anforderungsmanagement
Systematischer Prozess zur Erfassung, Dokumentation, Organisation, Priorisierung, Kommunikation und Nachverfolgung von Anforderungen während des gesamten Transformationsprozesses. Im S‑OPDT-Modell wird daraus das Integrierte Use Case Management (s. Glossar Modellbegriffe (Band 2.1)), das Anforderungen systematisch mit Use Cases und Capabilities verknüpft, statt sie isoliert zu verwalten. Ausführlich in Band 2.2, Kapitel 1.2.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Annex SL
Die gemeinsame Grundstruktur, nach der alle modernen ISO-Managementsystemnormen aufgebaut sind: gleiche Kapitelfolge, gleiche Grundbegriffe, gleiche Anforderungen an Leitung, Risikobetrachtung und Verbesserung. Praktischer Nutzen: Wer bereits ein Managementsystem nach einer ISO-Norm betreibt (etwa ISO/IEC 27001 für Informationssicherheit), kann eine weitere Norm wie ISO/IEC 42001 für KI daran andocken, statt eine zweite, getrennte Struktur aufzubauen (Kapitel 3.3).
Band 2.1
Answer Engine Optimization (AEO)
Ein weiterer, in Anlehnung an SEO gebildeter Marktbegriff, enger gefasst als AI Optimization (AIO, s. dort) und kein Synonym dafür: AEO zielt spezifisch auf die direkte Zitierfähigkeit einer Marke oder eines Produkts in einer Antwortbox oder einer KI-generierten Antwort einer sogenannten Answer Engine, während AIO und GEO breiter die gesamte maschinelle Lesbarkeit eines digitalen Auftritts für KI-Systeme meinen. Stand September 2026 ist AEO eines von mehreren einander überlappenden Akronymen ohne allgemein anerkannte Definition; dieses Buch führt es nur zur Abgrenzung und verwendet im Fließtext GEO. Ausführlich in Band 3, Kapitel 1.7.
Band 1
Antifragilität
Von Nassim Nicholas Taleb in Antifragile: Things That Gain from Disorder (Random House, 2012) geprägter Begriff für Systeme, die an Stress, Volatilität und Fehlern besser werden, ein drittes Verhalten neben fragil (durch Störung geschädigt) und robust/resilient (durch Störung unverändert). Dazu gehören mehrere Prinzipien: die Barbell-Strategie (statt eines mittleren, gleichmäßig verteilten Risikos wird auf beiden Enden konzentriert, ein sehr sicherer Hauptteil neben einem kleinen, hochriskanten Teil mit begrenztem Verlust und offenem Gewinn), Via Negativa (ein System verbessern, indem man Schädliches entfernt, statt Neues hinzuzufügen), Skin in the Game (Entscheidende tragen die Folgen der eigenen Entscheidung selbst) und die Bevorzugung vieler kleiner, verteilter Fehler gegenüber wenigen großen, korrelierten Katastrophen. Praxisrelevanz, als eigene Synthese dieses Buchs: Das Viable System Model (s. dort) liefert die Struktur, mit System 1 als autonomer Einheit, in der ein lokaler Fehler nicht auf das Gesamtsystem durchschlägt, und System 4 als Ort für Barbell-artige Exploration neben dem geschützten Kern. Adaptive Capacity (s. dort) liefert das Vokabular dafür, warum das funktioniert. Antifragilität benennt das Ziel: an der Störung zu wachsen. Ausführlich in Band 2.1, Kapitel 1.1, Abschnitt 1.1.11h.
In allen Bänden
Anwendungshinweis (Scope Note)
Ergänzung zur Definition eines Begriffs im kontrollierten Vokabular, die festhält, welcher von zwei sich überlappenden Begriffen in einem Grenzfall gilt; in SKOS als skos:scopeNote geführt (Miles & Bechhofer, 2009). Ausführlich in Band 2.2, Abschnitt 4.4.1.
Band 2.2
Apache Iceberg
Ein offenes Tabellenformat für sehr große analytische Datensätze, das Data-Warehouse-typische Eigenschaften (Transaktionssicherheit, Schema-Evolution, Time Travel auf Datenebene) direkt auf kostengünstigem Objektspeicher (wie er Data Lakes zugrunde liegt) ermöglicht, ohne Anbieter-Lock-in auf ein bestimmtes Datenbanksystem. Praxisrelevanz: Iceberg ist eine der technischen Grundlagen, die das Lakehouse-Versprechen (s. Data Lake/Data Lakehouse) tatsächlich einlösbar gemacht haben, und ein konkretes Beispiel für Portabilität als Gegenentwurf zu Vendor-Lock-in (s. dort).
In allen Bänden
API-First
Strategischer Ansatz, bei dem APIs (Application Programming Interfaces, s. API oben) als primäre Schnittstellen für die Integration von Systemen und Diensten konzipiert und entwickelt werden. Im S‑OPDT-Modell betrifft dieser Ansatz vor allem die Technologie-Dimension und erleichtert es, Systeme maschinenlesbar an einen Wissensgraphen oder eine Machine Ready Strategy anzubinden. API-First ist dabei eine Entwurfspräferenz, keine Bedingung: Batch-Ladungen, Dateiexporte und direkte Datenbankanbindungen sind ebenfalls maschinenlesbare Wege der Integration.
In allen Bänden
API-Management (REST/OpenAPI, gRPC/protobuf, AsyncAPI)
Sammelbegriff für Verfahren und Werkzeuge, mit denen Schnittstellen zwischen Systemen beschrieben, veröffentlicht, abgesichert, versioniert und überwacht werden, meist über ein API-Gateway und ein Entwicklerportal. Die Grundlage bilden Beschreibungsstandards, mit denen eine Schnittstelle ohne händische Abstimmung auffindbar, dokumentiert und nutzbar bleibt. OpenAPI, weiterhin oft nach seinem ursprünglichen Werkzeugnamen Swagger genannt, ist das verbreitete Spezifikationsformat für synchrone, anfragebasierte REST-Schnittstellen: eine maschinenlesbare Beschreibung von Endpunkten, Parametern und Antwortformaten, aus der sich Dokumentation, Testwerkzeuge und Client-Code automatisiert erzeugen lassen. gRPC mit dem binären Protokollformat Protocol Buffers (protobuf) deckt performancekritische interne Kommunikation zwischen Diensten ab, schneller als REST/JSON, dafür weniger für die direkte Nutzung durch Menschen geeignet. AsyncAPI ist das Gegenstück zu OpenAPI für asynchrone, ereignisbasierte Schnittstellen wie ein Kafka-Topic. Praxisrelevanz: In der Tech-Lasagne dieses Buchs (Glossar Modellbegriffe, Band 2.1) ist API-Management der Mechanismus, über den ein Datenprodukt der Data Layer (RP.L) oder ein Agentenwerkzeug der KI-Werkzeugfabrik (RP.W) für andere Systeme zuverlässig ansprechbar wird, dieselbe Logik wie Function Calling und MCP für Agenten, hier auf beliebige Systeme verallgemeinert. Ausführlich in Band 2.2, Abschnitt 5.2.2.
In allen Bänden
API (Programmierschnittstelle)
Die Tür, über die ein System sagt, wie andere Systeme mit ihm sprechen dürfen, welche Anfragen erlaubt sind, wie man sich ausweist, in welchem Format die Antwort zurückkommt. Jedes System hat dabei seine eigene Tür mit eigenen Regeln: Ein Google-Ads-Konto lässt sich nicht mit denselben Zugangsdaten und demselben Datenformat ansprechen wie ein CRM-System. Praxisrelevanz: Eine einzelne API zu bedienen ist Entwicklerarbeit, jemand muss die konkrete Tür kennenlernen und eine Verbindung dazu programmieren. Für viele solcher Türen zugleich gibt es vorgefertigte Werkzeuge, die diese Arbeit für gängige Systeme schon geleistet haben (s. iPaaS).
In allen Bänden
Applikationsontologie
App-/Use-Case-spezifische Ontologie, die von den Business Objects abhängt und sie spezialisiert; vergleichsweise austauschbar (nach Guarino: Spezialisierung von Domänen-/Task-Ontologie).
In allen Bänden
Arbeitnehmerüberlassung
Die Überlassung von Arbeitskräften an einen Dritten, in dessen Arbeitsorganisation sie eingegliedert sind und dessen Weisungen sie unterliegen (§ 1 Abs. 1 Satz 2 AÜG). Sie braucht die Erlaubnis des überlassenden Anbieters und muss im Vertrag ausdrücklich so bezeichnet sein; fehlt eines davon, kann ein Arbeitsverhältnis mit dem Kunden entstehen (§§ 9, 10 AÜG). Im Buch die Grenze, an der der Einsatz fremder Fachleute im eigenen Haus vom Werk- oder Dienstvertrag in die Überlassung kippt (Band 2, Abschnitt 2.6.2); im Einzelfall rechtlich zu prüfen.
Band 2 · Band 4
ASIC / Inferenzbeschleuniger
ASIC steht für Application-Specific Integrated Circuit, einen anwendungsspezifischen Schaltkreis: ein Chip, der für genau eine Rechenlast gebaut ist statt für beliebige. Inferenzbeschleuniger ist in diesem Glossar die Sammelbezeichnung für solche Chips, soweit sie auf den Modellaufruf ausgelegt sind (s. Inference (Inferenz)). Beispiel: Google beschreibt seine Tensor Processing Units als eigens entwickelte ASICs für maschinelles Lernen (Google Cloud, 2026); das ist eine Herstellerangabe zur Bauart und keine unabhängige Leistungsmessung. Praxisrelevanz: Spezialisierte Hardware ist einer der Gründe, aus denen der Modellaufruf billiger wird. Billiger wird damit das Erzeugen und das Prüfen gegen vorhandene Texte, nicht die Festlegung, was gilt und wer dafür einsteht. Ausführlich in Band 1, Abschnitt 7.3.1.
In allen Bänden
Attribution (Marketing Attribution)
Verfahren, das einzelnen Marketing-Touchpoints auf Ebene des einzelnen Kunden einen Anteil an einer konkreten Conversion zuordnet, nach einer gewählten Regel oder einem Modell; ob dieser Anteil eine kausale Wirkung ist, muss gesondert begründet werden. Das Marketing- oder Media Mix Modelling (MMM) rechnet dagegen auf aggregierter Kanal- und Regionsebene. Beide Verfahren sind für Wissensgraphen relevant, aber aus unterschiedlichen Gründen: Attribution braucht verkettete Multihop-Pfade durch die individuelle Customer Journey, MMM braucht gemeinsame Hub-Knoten (Zeitraum, Region, Kampagne), um getrennte Datenwelten zu verbinden. Ausführlich in Band 3.1, Kapitel 3.1.
In allen Bänden
Audience Brain
Das Empathie-Zentrum des Company Brain, eine KI-Funktion, die auf dem Consumer Brain (s. dort) arbeitet und Verhaltens- wie Einstellungswissen zur Fähigkeit bündelt, Situationen und Reaktionen von Zielgruppen einzuschätzen (Makro-Ebene; die Mikro-Ebene sind Customer Twins, s. dort). Eigenes Ordnungsbild, s. Band 3, Kapitel 8.1.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Augmented AI (Augmented Intelligence)
Zusammenspiel von Mensch und KI, bei dem die Maschine menschliche Fähigkeiten verstärkt (Kombinieren, Explorieren, Skalieren), während Absicht und Urteil beim Menschen bleiben, bewusster Gegenbegriff zur Vollautomatisierung, nicht deren Vorstufe. Hergeleitet über die Kreativitäts-Arbeitsteilung in Band 1.1, Kapitel 2.8. Augmented AI benennt das Ziel der Zusammenarbeit, Human in the Loop und Human on the Loop (s. dort) benennen auf einer eigenen, zweiten Achse, an welcher Stelle der Mensch eingreift, eine Anwendung kann also zugleich Augmented AI und HITL sein.
In allen Bänden
Automation Bias
Die Neigung, einer automatisierten Empfehlung oder Prüfung mehr zu vertrauen als der eigenen Gegenprobe, sodass Fehler des Systems übernommen und widersprechende Hinweise übersehen werden. In dieser Reihe ein gewichtiger Gegeneinwand gegen die Erwartung, KI reduziere kognitive Verzerrungen (Band 2, Abschnitt 1.6.5).
Band 1 · Band 2 · Band 2.1
Automatisierung
Einsatz von Technologien zur Ausführung von Prozessen oder Aufgaben mit minimaler menschlicher Beteiligung. Das Buch unterscheidet mehrfach zwischen einfacher Automatisierung und intelligenter, KI-gestützter Automatisierung, die zusätzlich Kontext und Bedeutung einbezieht (s. Agentensysteme, Ontorank).
In allen Bänden
Autonomiequote
In dieser Reihe verwendete Kennzahl für den Betrieb von KI-Agenten: der Anteil der Fälle, die ein agentisches System innerhalb seiner Leitplanken ohne menschlichen Eingriff richtig abschließt. Kein etablierter Fachbegriff, sondern eine Arbeitsgröße. Praxisrelevanz: Sie misst die Rolle, die Ausnahmen bearbeitet und Leitplanken justiert, am Ergebnis des Systems statt am eigenen Output. Allein gelesen belohnt sie das Durchwinken; sie gehört deshalb neben Fehler- und Eskalationsquote. Ausführlich in Band 2.1, Abschnitt 4.3.12.
Band 2.1 · Band 4
Axiom
Eine als wahr vorausgesetzte Grundannahme, aus der weitere Aussagen logisch abgeleitet werden, ohne selbst noch einmal begründet zu werden. Abgrenzung zur Hypothese: Eine Hypothese muss überprüfbar und widerlegbar bleiben, ein Axiom wird gesetzt, nicht empirisch getestet. Praxisrelevanz: Bei jedem Grundsatz, etwa Conways Gesetz oder einer Governance-Regel, lohnt die Frage, ob er als gesetztes Axiom oder als geprüfte Hypothese behandelt wird. Werden beide vermischt, gilt eine ungeprüfte Annahme als belegt.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
B
BABOK (Business Analysis Body of Knowledge)
Das vom internationalen Berufsverband IIBA herausgegebene Standardwerk und Referenzrahmen für die Disziplin der Business-Analyse. Es definiert Aufgabenbereiche, Techniken und Kompetenzen für die Ermittlung, Dokumentation und Steuerung von Geschäftsanforderungen. Praxisrelevanz: BABOK ist ein verbreiteter Referenzstandard, an dem sich viele Requirements-Engineering-Praktiken messen lassen, und damit ein externer Bezugspunkt, um S‑OPDT-eigene Begriffe wie HLR/DER (Glossar Modellbegriffe, Band 2.1) nicht als Neuerfindung, sondern als eigenständige Weiterentwicklung etablierter Praxis einzuordnen.
Band 2.1 · Band 2.2
Bayessches MMM
Eine methodische Weiterentwicklung des klassischen Marketing- oder Media Mix Modelling (MMM), die Vorwissen explizit als Priors kodiert, statt das Modell bei null starten zu lassen, die Unsicherheit als posteriore Verteilung ausweist (Glaubwürdigkeitsintervalle) und mit Multikollinearität zwischen korrelierten Kanälen robuster umgeht. Unsicherheitsintervalle liefern auch nicht-bayessche Verfahren; das Unterscheidende sind die offengelegten Priors und die Verteilung, die daraus folgt. Praxisrelevanz: Direkte Antwort auf den klassischen „Black Box“-Vorwurf gegen MMM, s. Band 3.1, Kapitel 4.1. Es ersetzt die dort beschriebene Triangulation nicht, sondern verbessert eines ihrer drei Elemente.
Band 1 · Band 2.1
BCBS 239
Die Grundsätze des Basler Ausschusses für Bankenaufsicht zur Aggregation von Risikodaten und zur Risikoberichterstattung (Basel Committee on Banking Supervision, 2013). Für die Bedeutungsmitte relevant, weil sie verlangen, dass Risikodaten vollständig, genau und nachvollziehbar zusammengeführt werden; s. Band 2.2, Kapitel 4.4.2 und 4.4.6.
Band 1.1 · Band 2.2 · Band 2.3
Bedeutungsschicht
Eigener Begriff dieser Reihe: der Ort im Unternehmen, an dem verbindlich und für Menschen wie Maschinen nutzbar festgehalten ist, was die Begriffe des Hauses meinen, welche Regeln gelten und woher eine Angabe stammt. Sie liegt zwischen der Strategie, die etwas will, und den Maschinen, die danach handeln sollen, und sie gehört keiner einzelnen Anwendung. Der Begriff benennt eine Funktion und lässt die Bauform offen; gebaut wird die Bedeutungsschicht meist aus Ontologie und Wissensgraph (s. Ontologie, Knowledge Graph (Wissensgraph)). Die einfachere Lösung aus gutem Datenmodell, Retrieval und klaren Geschäftsregeln kommt ohne eine solche eigene Schicht aus: Dort steckt die Bedeutung im Datenmodell und in den Regeln der einzelnen Anwendung. Abzugrenzen vom Semantic Layer (s. dort), der die festgelegten Begriffe an die Abnehmer ausliefert, und von den drei Layers of Meaning (s. dort), die eine technische Schichtung des Agentengedächtnisses beschreiben. Führende Stelle: Band 1, Abschnitt 1.4.
In allen Bänden
Befragungsagent
Ein KI-Agent, der ein strukturiertes, aber adaptives Interview- bzw. Elicitation-Protokoll selbstständig mit Mitarbeitenden durchführt, als Chat- oder Sprachdialog, jederzeit verfügbar, ohne Terminabstimmung mit einem menschlichen Berater. Der entscheidende Unterschied zur klassischen Elicitation liegt in der Skalierung: Befragungsagenten führen viele Gespräche parallel statt nacheinander und erfassen die Antworten strukturiert und mit Provenienz versehen; vor der Aufnahme in den entstehenden Wissensgraphen werden sie fachlich geprüft, statt in unstrukturierte Interviewprotokolle, die erst nachträglich von Menschen ausgewertet werden müssen. Praxisrelevanz: Macht Elicitation gleichzeitig effizienter (keine Kalenderkoordination, parallele statt sequenzielle Gespräche) und effektiver (mit vertretbarem Aufwand werden auch Ebenen jenseits der Führungskräfte und der mittleren Führungsebene erreichbar). Grenzen: Befragungsagenten ersetzen kein sauberes Interview-Design, setzen Vertrauen der Befragten voraus und tun sich bei sensiblen oder politischen Themen schwer. Ausführlich in Band 1.1, Kapitel 1.5.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2
Behavior Driven Development (BDD)
Entwicklungsmethode, die Akzeptanzkriterien in einer festen, für Fachseite und Entwicklung gemeinsam lesbaren Struktur formuliert: Given (Ausgangszustand), When (Aktion), Then (erwartetes Ergebnis), meist in der Gherkin-Syntax (North, 2006; Cucumber, 2026). Löst im Kleinen dasselbe Problem, das dieses Buch als Ontologie-Argument führt: eine gemeinsame, präzise Sprache zwischen Fachseite und Technik, hier auf einzelne Akzeptanzkriterien angewendet statt auf ein Unternehmensvokabular. S. auch Business Acceptance Testing. Ausführlich, mit Beispiel, in Band 2.2, Abschnitt 1.2.5.
Band 2.2
Benefit Ladder (Nutzenleiter)
Ein Marketinginstrument, das den Nutzen eines Angebots stufenweise ordnet: vom Merkmal über den sachlichen, funktionalen Nutzen bis zum persönlichen, emotionalen Nutzen für die Zielgruppe. Methodisch verwandt mit der Means-End-Chain (s. dort). Im Buch einer der sechs Bausteine der Big Bet auf der Cloud-Ebene der Strategieschleife (s. Band 2, Kapitel 2.4, Abb. 2.11).
Band 2
Benefits Realisation (Nutzenrealisierung)
Disziplin aus dem Programm- und Projektmanagement, den geplanten Nutzen eines Vorhabens nach der Umsetzung tatsächlich nachzuweisen und zu sichern, statt das Vorhaben mit der Lieferung als abgeschlossen zu behandeln. Sie setzt voraus, dass Nutzen, Messgröße und Ausgangswert vorab feststehen. Im Buch entspricht sie dem Schritt To-Prove (s. dort), der in Transformationsprogrammen oft ausgelassen wird (s. Band 2, Abschnitt 1.6.1).
Band 2
Big Data
Große, komplexe Datenmengen, die mit herkömmlichen Datenverarbeitungsmethoden nicht effektiv verarbeitet werden können und spezielle Technologien und Ansätze erfordern. Im Buch dient der Begriff vor allem als Kontrastfolie zur Daten-Dimension des S‑OPDT-Modells: Datenmenge allein schafft noch keine Datenqualität, Governance oder Vernetzung im Wissensgraphen.
In allen Bänden
Bildgenerierung (Image Generation)
KI-Modelle (z. B. DALL-E, Midjourney, Stable Diffusion), die auf Basis von Textbeschreibungen (Prompts) neue Bilder erstellen können.
Band 1 · Band 1.1
Bindegewebe
Bild für die Funktion der Bedeutungsschicht eines Unternehmens: Sie verbindet und trägt, ohne selbst eines der Systeme zu sein, die sie zusammenhält. Der Ausdruck ist keine Prägung dieses Buches, sondern stammt aus dem Marktumfeld, wo Neo4j seine Wissensschicht als „the connective tissue between your systems“ beschreibt (Htet, 2026, Anbieterblog) und Workato dasselbe Bild unabhängig davon für agentische Architektur verwendet (Khalid, 2026, ebenfalls Anbieterblog); beide Belegstellen stehen in Band 1.1, Kapitel 4.6. Abzugrenzen von zwei benachbarten Bildern derselben Reihe: Das Geflecht (semantisches Geflecht, s. Meaning Mesh) meint die Struktur, also Maschen, Knoten und Verbindungen, die Membran (s. Band 1, Abschnitt 5.5) meint die einzelne Schnittstelle, die selektiv durchlässt statt alles durchzureichen, und das Bindegewebe meint die tragende Funktion des Ganzen. Woraus es besteht, dreizehn benannte Bestandteile mit jeweils einer Fundstelle in der Reihe, führt Band 1.1, Kapitel 4.6 aus.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Bitemporale Modellierung (Bitemporal Modelling)
Führung zweier getrennter Zeitachsen für jede Aussage: Gültigkeitszeit (wann eine Tatsache in der realen Welt wahr war/ist) und Transaktionszeit (wann das System diese Tatsache erfasst/erfahren hat). Erlaubt Fragen wie „Was galt am Datum X, und was wusste das System davon am Datum Y“, zentral für Audits und für Fehlerkorrektur ohne Verlust der Historie; sie kann zudem Nachweise stützen, wie sie etwa die KI-Verordnung für Hochrisiko-KI-Systeme verlangt. Wird oft über event-basierte Reifikation umgesetzt, vor allem wenn das Ereignis weitere eigene Eigenschaften trägt, lässt sich aber auch direkt als Beziehungs-Eigenschaft an der Kante führen, wird technisch durch temporale Extensions unterstützt und ermöglicht in der Konsequenz Time Travel. Keine reine Grapheigenschaft: Relationale Datenbanken kennen systemversionierte und bitemporale Tabellen seit dem Standard SQL:2011; im Graphen lässt sich die Herkunft zusätzlich an jeder einzelnen Kante führen, sie muss dort aber ebenso modelliert und gepflegt werden wie in jedem anderen Speicher. Praxisrelevanz: Ohne die zweite Achse lässt sich im Nachhinein nicht unterscheiden, ob eine Entscheidung falsch war oder auf damals unbekannten Daten beruhte. Ausführlich in Band 1.1, Kapitel 1.3, zu den Zeitschichten des Bedeutungsmodells in Band 1.1, Kapitel 2.2.
In allen Bänden
BizML (Business-Facing Machine Learning)
Von Eric Siegel (The AI Playbook, MIT Press, 2024) geprägter Ansatz, maschinelles Lernen als geschäftlich geführtes Vorhaben zu behandeln statt als rein datenwissenschaftliches: Fachbereiche definieren Zielgrößen und Erfolgskriterien von Anfang an mit, statt ein fertiges Modell nachträglich präsentiert zu bekommen. Praxisrelevanz: Zielt auf dieselbe Kluft wie BizDevOps, übertragen auf ML. Nach Siegel scheitern Modelle in der Praxis seltener an der Mathematik als daran, dass sie am eigentlichen Geschäftsproblem vorbei entwickelt und deshalb nie eingesetzt werden.
Band 1 · Band 1.1 · Band 2 · Band 2.1
Bot (Chatbot)
Ein Computerprogramm, das darauf ausgelegt ist, menschliche Konversationen zu simulieren, oft für Kundenservice oder Informationsabfragen.
Band 1 · Band 1.1
Bottom-up-Strategie
Strategischer Ansatz, bei dem Initiativen und Ideen von unteren Ebenen der Organisation nach oben fließen, im Gegensatz zur Top-down-Strategie. Im S‑OPDT-Modell entspricht dies der emergenten Strategieentwicklung, dem Gegenstück zur klassischen Top-down-Kaskadierung (s. Ableiten, Kaskadieren in Glossar Modellbegriffe (Band 2.1)).
Band 2
Brand Brain
Benannter Teilgraph des Company Brain (s. dort), der das Markenwissen eines Unternehmens vereinzelt und adressierbar hält: Positionierung, Assoziationen (mit Evidenzstatus je Knoten), Tonalität, ikonische Elemente, Belege und Grenzen. Bedeutungsquelle, an die sich menschliche wie maschinelle Mitspieler, auch Agenturen, anschließen (s. Band 3, Kapitel 8.1).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Brand LLM
Ein auf Corporate Identity, Tonalität, linguistische Restriktionen und verbotene Begriffe trainiertes bzw. instruiertes Sprachmodell. Dasselbe Modell übernimmt dabei beide Rollen, es erzeugt Inhalte in der Sprache der Marke und prüft jede KI-Generierung vor Freigabe gegen dieselben Vorgaben; als Sprach- und Kreativzentrum des Company Brain ist es an Markenidentität, Werte, Tonalität und Inhaltsstandards gebunden (s. Band 3, Kapitel 8.1). Metapher aus dem Architektur-Entwurf der M‑AI‑Tech Content Supply Chain: ein qualitativer Türsteher, der nicht nur den Ausweis, sondern auch die Kleiderordnung kontrolliert, bevor ein Text den Club der veröffentlichten Inhalte betreten darf. Bereits als Komponente der Systems of Context in der Tech-Lasagne gelistet, s. Band 3, Kapitel 3. Ausführlich in Band 3, Kapitel 7.1.
Band 2.1 · Band 2.2
Breakthrough Objectives (Durchbruchziele, Hoshin Kanri)
Die langfristigen, auf drei bis fünf Jahre angelegten Ziele in der X-Matrix von Hoshin Kanri: wenige, bewusst knapp gehaltene Ziele, die einen Bruch mit der bisherigen Entwicklung verlangen statt einer Fortschreibung bestehender Trends. Aus ihnen werden Jahresziele, Verbesserungsprioritäten und Kennzahlen abgeleitet. In Band 2, Abb. 2.11, stehen sie als „Break Through Targets“; ihre Modellbedeutung als Big Bet steht im Glossar Modellbegriffe (s. Band 2, Abschnitt 2.4.2).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Business Acceptance Testing
Der Abnahmeschritt, der die in Given/When/Then formulierten Akzeptanzkriterien (s. Behavior Driven Development) aus Geschäftssicht prüft: Business-Stakeholder, nicht nur Endnutzer wie beim enger gefassten User Acceptance Testing, bewerten, ob eine Lösung die vereinbarten Geschäftsziele erfüllt, und geben formal frei (Testsigma, 2026; TestGrid, 2026, beide Sekundärquellen aus dem Testing-Tool-Umfeld, nicht unabhängig geprüft). Ausführlich in Band 2.2, Abschnitt 1.2.5.
Band 2.2
Business as Code
Ein seit 2025/2026 in der KI-Agenten-Branche kursierender, noch nicht einheitlich definierter Sammelbegriff für die Praxis, die Geschäftslogik, die Prozesse und die Entscheidungsregeln eines Unternehmens in maschinenlesbarer, ausführbarer Form abzulegen statt sie nur zu dokumentieren, sodass ein KI-Agent sie selbst ausführt und laufend verbessert, in Anlehnung an die in der Softwareentwicklung etablierte Praxis Infrastructure as Code (s. Anhang 2). Praxisrelevanz: Der Begriff markiert denselben Übergang, den dieses Buch mit dem S‑OPDT-Modell und dem Target Operating Model beschreibt, von einer Ontologie, die Bedeutung dokumentiert, zu darauf aufbauender, handlungsleitender und ausführbarer Logik. Ausführlich eingeordnet in Band 2, Einleitung. Kein einzelner, datierbarer Ursprung nachweisbar: Der Begriff wird seit 2025/2026 parallel von mehreren Werkzeuganbietern verwendet, etwa der gleichnamigen Plattform businessascode.ai und dem Workflow-Werkzeug LittleHorse (littlehorse.io), jeweils mit eigener Akzentsetzung, aber demselben Kern. Deutlich besser dokumentiert und davon zu unterscheiden ist die verwandte These „Services-as-Software“ der Risikokapitalgesellschaft Foundation Capital (Ashu Garg, Joanna Chen und Jaya Gupta, November 2024, vertieft in „The $4.6T Services-as-Software opportunity: Lessons from the first year“, Foundation Capital, 03.07.2025, https://foundationcapital.com/ideas/the-4-6t-services-as-software-opportunity-lessons-from-the-first-year): Der eigentliche Markt für KI-Agenten liege nicht im rund 200 Milliarden Dollar schweren SaaS-Markt, sondern in den 4,6 Billionen Dollar, die Unternehmen jährlich für Gehälter und Dienstleistungen ausgeben, weil Agenten zunehmend nicht mehr nur Software, sondern die dahinterliegende Arbeit selbst übernehmen. Business as Code und Services-as-Software beschreiben damit verwandte, aber unterschiedliche Verschiebungen: die eine, wie Geschäftslogik künftig vorliegt, als Code statt als Dokument, die andere, was ein Agent damit tut, eine Dienstleistung erbringen statt nur ein Werkzeug bereitstellen.
In allen Bänden
Business Capabilities
Die Fähigkeiten eines Unternehmens, bestimmte Geschäftsfunktionen auszuführen, unabhängig von der organisatorischen Struktur oder den eingesetzten Technologien. Im S‑OPDT-Modell werden Business Capabilities über das Capability Mapping (s. Glossar Modellbegriffe (Band 2.1)) systematisch erfasst und der Organisations-Dimension zugeordnet. Ausführlich in Band 2.2, Kapitel 1.1.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2
Business Case (Wirtschaftlichkeitsbegründung)
Die Entscheidungsvorlage, die für ein Vorhaben Nutzen, Kosten, Risiken und Alternativen gegenüberstellt und begründet, warum sich die Investition lohnt. Das Controlling misst einen Anwendungsfall daran, vor der Freigabe und rückblickend im Post-Investment Review (s. dort). Im Buch gilt: Fehlen in der Vorlage die Vorleistungen bei Daten und Fähigkeiten, sind die Gesamtkosten (s. TCO) zu niedrig angesetzt (s. Band 2, Abschnitte 1.2.6 und 1.4.3).
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Business Intelligence (BI)
Technologien, Anwendungen und Praktiken zur Sammlung, Integration, Analyse und Präsentation von Geschäftsinformationen. Das Buch positioniert BI als Vorstufe zu den kontextbewussteren Analysemöglichkeiten, die Wissensgraphen und semantische KI bieten.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2
Business-Led IT / Bimodal-IT
Business-Led IT bezeichnet die zunehmende Praxis, dass Fachbereiche eigenständig (oft mit No-Code/Low-Code- oder KI-Werkzeugen) Software beschaffen oder selbst bauen, statt jede Anforderung über die zentrale IT-Abteilung laufen zu lassen: Chance auf mehr Tempo, Risiko unkontrollierter „Schatten-IT“. Bimodal-IT ist Gartners älteres (2014) Antwortmodell darauf: bewusst zwei parallele IT-Betriebsmodi, „Mode 1“ (stabil, planbar, für Kernsysteme) und „Mode 2“ (agil, explorativ, für schnelle Fachbereichs-Innovation), statt eine einzige IT-Governance auf beide sehr unterschiedlichen Bedürfnisse zu zwingen. Praxisrelevanz: Beide Konzepte greifen ineinander: Business-Led IT ist die heutige, KI-getriebene Zuspitzung des Spannungsfelds, das Bimodal-IT bereits vor zehn Jahren strukturell zu lösen versuchte, und ein Argument dafür, Governance (s. Restrict-Ignore-Embrace-Trilemma) früh zu klären.
In allen Bänden
Business Object (Business-Object-Schicht)
Die fachlichen Kernobjekte des Unternehmens (z. B. Kunde, Vertrag, Umsatz) samt Beziehungen: die maßgebliche, fachlich verantwortete Quelle der Bedeutung. Entspricht der Domänen-Ontologie. (Im S‑OPDT-Kontext ist das die Grundlage der Unternehmensontologie, s. Glossar Modellbegriffe, Band 2.1.)
In allen Bänden
Business Value Creation
Eines der drei Felder, aus denen sich in der Kachellandschaft dieses Buchs der geschäftliche Strategieraum zusammensetzt, neben Business Strategy und Business Understanding; zusammengenommen bilden die drei das Business Model. Gemeint ist die Frage, woraus im Geschäftsmodell tatsächlich Wert entsteht und über welche Elemente er entsteht, nicht die Frage nach der Richtung (Business Strategy) und nicht die nach dem Verständnis des eigenen Marktes (Business Understanding). Im S‑OPDT-Modell gehört das Feld in den geschäftlichen Strategieraum und ist vom Betriebsmodellraum zu unterscheiden, der das Target Operating Model trägt. Ausführlich in Band 2, Kapitel 1.2 und Band 2, Kapitel 1.3.
Band 2
C
CADA (Cloud and AI Development Act)
Ein im Juni 2026 von der Europäischen Kommission vorgestellter Gesetzesvorschlag als Kernstück ihres „Tech Sovereignty Package“. Er soll bisher fragmentierte nationale Programme für souveräne Cloud in einem EU-weiten, vierstufigen Sicherheits- und Souveränitätsrahmen vereinheitlichen und den Zugang zu öffentlichen Aufträgen an diese Stufen koppeln; Stand Oktober 2026 ist er ein Vorschlag im Gesetzgebungsverfahren. Praxisrelevanz: Reagiert auf zwei Sorgen gleichzeitig: knappe EU-Rechenzentrumskapazität für KI und Abhängigkeit von wenigen außereuropäischen Cloud-Anbietern; direkt verzahnt mit Geopatriation, GAIA-X und Sovereign Cloud (s. dort), die dasselbe Grundthema aus verschiedenen Blickwinkeln behandeln.
In allen Bänden
CAG (Cache-Augmented Generation)
Verfahren, das den Abrufschritt einer RAG-Architektur (s. dort) durch Vorladen ersetzt: Der gesamte einschlägige Wissensbestand wird einmal in das Kontextfenster des Sprachmodells geladen, der dabei berechnete Key-Value-Cache gespeichert und für jede weitere Anfrage wiederverwendet, statt zur Laufzeit zu suchen (Chan, Chen, Cheng & Huang, 2024, „Don’t Do RAG“). Wofür es die bessere Wahl ist: abgeschlossene, selten geänderte Bestände (Handbuch, Richtlinie, Vertragswerk); Fragen, die den ganzen Text überblicken müssen, weil das Zerlegen in Textstücke bei RAG kapitelübergreifende Zusammenhänge zerreißt; Anwendungen, in denen Antwortzeit zählt, weil der Abrufschritt entfällt; und erste Anwendungsfälle ohne eigene Dateninfrastruktur, weil weder Vektorspeicher noch Embedding-Pipeline noch Retrieval-Strategie zu betreiben sind. Einordnung: Anders als RAG (Lewis u. a., 2020) ist CAG kein etablierter Standardbegriff, sondern stammt aus einer einzelnen Arbeit vom Dezember 2024 und wird seither in der Praxis aufgegriffen; die Abkürzung ist zudem doppelt belegt und steht ebenso für „Context-Augmented Generation“, das Anreichern abgerufener Textstücke um Kontexthinweise. Voraussetzung und Grenze: Der Bestand muss vollständig ins Kontextfenster passen und weitgehend stabil sein, sonst ist der Cache nach jeder Änderung neu zu berechnen; dazu kommt, dass ein großes Kontextfenster nicht garantiert, dass das Modell das Hineingeladene auch gewichtet (s. „Lost in the Middle“ und NoLiMa in Band 1, Abschnitt 4.6). Praxisrelevanz: je abgeschlossener und stabiler der Bestand, desto eher der Cache, je größer, verteilter und veränderlicher das Wissen, desto klarer der Graph. Ausführlich in Band 1.1, Abschnitt 2.1.8.
In allen Bänden
Capability
Eine Capability ist eine Eigenschaft des gesamten Unternehmenssystems (Attribut im allgemeinen Sinn, nicht im Sinn eines Graphattributs), die sich im Modell als eigene Einheit führen lässt: das orchestrierte Zusammenspiel von Menschen, Prozessen, Daten und Technologie, um konsistent Wert zu schaffen, nicht die Summe individueller Skills oder Kompetenzen. Das Buch verwendet den Begriff durchgehend in diesem organisationalen Sinn, mit einer davon zu unterscheidenden zweiten, eigenständigen Verwendung: Dynamic Capabilities (s. Band 2.1, Kapitel 4.4) liegen auf einer anderen Betrachtungsebene: Operative Capabilities erbringen die laufende Leistung, Dynamic Capabilities sind die Fähigkeit, diesen Capability-Bestand selbst laufend zu verändern, wenn sich die Umwelt ändert. Ausführlich definiert in Band 2.2, Kapitel 1.1.
In allen Bänden
Capability Map
Stabile Sicht auf das, was ein Unternehmen tut, unabhängig von Organisationsstruktur, Prozessen und Systemen (The Open Group, TOGAF Series Guide: Business Capabilities). In dieser Reihe hat jede Fähigkeit Name, Beschreibung, Menge und verantwortliche Rolle. Capability Mapping ist der Planungsschritt, der sie erstellt (Band 1.1, Abschnitt 5.2; ausführlich Band 2.2, Kapitel 2.1 und 2.2; als Methode des Modells im Glossar Modellbegriffe).
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Capability Maturity Model Integration
siehe CMMI (Capability Maturity Model Integration)
Band 1 · Band 2.2
Category Management / Category Strategy (Warengruppenmanagement)
Im Einkauf die Steuerung der Beschaffung nach Warengruppen (Kategorien), für die jeweils eine eigene Strategie festlegt, mit welcher Lieferantenbasis, welchen Vergabeformen und welchen Kostenzielen eingekauft wird; dieses Ergebnis heißt Category Strategy (Warengruppenstrategie). Im Handel bezeichnet Category Management dagegen die Steuerung des Sortiments nach Warengruppen. Im Buch dient die Category Strategy als Beispiel einer Funktionalstrategie, die einzelne Warengruppe als Beispiel eines Mikroclusters, an dem ein Graph klein beginnen kann (s. Band 2, Abschnitte 1.2.2 und 2.4.4).
Band 2
CCIO-Modell (Competitive, Connected, Intelligent Organisation)
Ein eigenes Modell dieses Buches dafür, wie sich Unternehmen entlang dreier ineinandergreifender Fähigkeiten entwickeln, additiv eingeführt in Band 1, Kapitel 2.2, als explizite Wirkungskette zugespitzt in Band 4, Kapitel 4.6. Die Kundschaft ist dabei als „leerer Stuhl“ ständig mitgedacht, ohne als eigenes Wort im Namen zu stehen; im MarTech-spezifischen Teil dieser Buchreihe (Band 3) wird das zusätzlich als Klammerzusatz „(customer-oriented)“ explizit gemacht. Praxisrelevanz: Dieser Anspruch wird in Band 3.1, Kapitel 5.4 eigens gegen die akademische Evidenz zu Customer Centricity geprüft, mit dem Ergebnis, dass Kundenausrichtung kein eigenständiges Projekt neben den drei Kernfähigkeiten ist, sondern deren sichtbares Ergebnis.
In allen Bänden
CDC (Change Data Capture)
Ein Verfahren, das laufend und mit geringer Zusatzlast über Änderungen in einem operativen Quellsystem informiert: Statt das System per wiederholter Abfrage abzuklopfen, liest die verbreitete log-basierte Variante direkt das interne Transaktionsprotokoll der Quelldatenbank mit (daneben gibt es trigger- und zeitstempelbasierte Varianten) und erzeugt daraus für jede Änderung ein eigenes, strukturiertes Ereignis, meist über das Open-Source-Werkzeug Debezium und ein Event-Streaming-System wie Apache Kafka verteilt. Praxisrelevanz: Welche Datenquellen per CDC nahezu in Echtzeit und welche per Batch über Nacht einfließen, legt fest, wie aktuell und damit wie vertrauenswürdig ein Wissensgraph für eine gegebene Frage sein kann (s. Ontorank, Freshness-Säule); ohne laufende Nachführung bleibt er eine Momentaufnahme vom Tag seiner Erstellung. Ausführlich in Band 1.1, Kapitel 1.2.
In allen Bänden
CDP 2.0
Bezeichnung für die nächste Entwicklungsstufe der Customer Data Platform (CDP), bei der die klassische Kernfunktion, das Sammeln und Vereinheitlichen von Kundendaten aus verschiedenen Quellen zu einem einzelnen Profil, um eine Wissensgraph-/Ontologie-Ebene erweitert wird, die diese Profile mit Produkten, Inhalten, Kampagnen und Geschäftsregeln semantisch verknüpft und so für KI-Agenten direkt abfragbar macht. Der Begriff steht im M‑AI‑Tech-Modell in Band 3, Kapitel 3 im Data & Dev Layer, dort im operativen Datenmanagement als nächste Stufe nach der CDP, neben „DX Engine / DX Graph“. Das M‑AI‑Tech-Modell ist nicht die Tech-Lasagne; dort gehört dieselbe Frage zum Data Layer (RP.L). Praxisrelevanz: CDP 2.0 spiegelt eine marktweite Bewegung wider, die sich 2025/26 an mehreren unabhängigen Belegen zeigt: dem Rückgang klassischer CDPs von Platz eins auf Platz vier als „Zentrum des Stacks“ (State of Martech 2025), der Öffnung von CDP-APIs für das Model Context Protocol (Tealium, 2025/26), der Umbenennung von Treasure Data in „Treasure AI“ mit Kategoriewechsel zu „Agentic Experience Platform“ (2026) sowie Salesforces Zwei-Ebenen-Ontologiemodell und der geplanten Neo4j-Integration in Agentforce (2026). Ausführlich in Band 3, Abschnitt 4.1.
In allen Bänden
CDP (Customer Data Platform, historisch/definitorisch)
Ein 2013 vom Branchenanalysten David Raab geprägter Begriff für ein System, das Kundendaten aus vielen verschiedenen Quellen (Shop, App, Media, Service) dauerhaft und für andere Systeme zugänglich zu einem einheitlichen Kundenprofil zusammenführt, ohne selbst primär Kampagnen zu steuern oder Kanäle zu bespielen, das übernehmen die daran angeschlossenen Werkzeuge. Praxisrelevanz: Die CDP war die technische Antwort auf das zentrale Problem der ersten MarTech-Phase, fragmentierte Kanalsysteme ohne gemeinsamen Datenkern (s. Band 3, Kapitel 1.3). Zur Weiterentwicklung dieses Grundkonzepts s. CDP 2.0 und Composable CDP in diesem Glossar.
In allen Bänden
Chain-of-Thought (CoT)
Prompttechnik, bei der das Modell eine Aufgabe Schritt für Schritt löst und erst danach antwortet; senkt Logikfehler bei Rechnen und Schließen deutlich (Wei et al., 2022). Seit 2024 führen Reasoning-Modelle wie OpenAI o1 solche Zwischenschritte von sich aus intern aus; dort verliert die ausdrückliche Aufforderung im Prompt an Gewicht. Eine der sechs Strukturtechniken in Band 2.2, Kapitel 5.2.
Band 2.1 · Band 2.2
Change Data Capture
siehe CDC (Change Data Capture)
Band 1.1
Change Management
Strukturierter Ansatz zur Unterstützung von Individuen, Teams und Organisationen beim Übergang von einem aktuellen zu einem gewünschten zukünftigen Zustand. Im Buch ist Change Management Teil der Organisations-Dimension des S‑OPDT-Modells und wird explizit mit den anderen vier Dimensionen verzahnt, statt als separates Projekt behandelt zu werden.
In allen Bänden
Chaos Engineering
Die kontrollierte, absichtliche Injektion von Fehlern in ein produktives System, um zu prüfen, ob es einen realen Ausfall übersteht, statt auf den nächsten unkontrollierten Vorfall zu warten und dann zu lernen. Herkunft: Netflix setzte ab 2010 den Chaos Monkey ein und beschrieb im Juli 2011 die daraus erweiterte Werkzeugsammlung Simian Army (Netflix Technology Blog, 2011): Ein Werkzeug beendet zufällig produktive Instanzen, andere simulieren Latenz, Regionsausfälle oder Sicherheitsverstöße. Praxisrelevanz: In Kubernetes-Umgebungen lässt sich dasselbe Prinzip in die Auslieferung einbauen, etwa mit dem CNCF-Projekt LitmusChaos, das in der Release-Pipeline prüft, ob ein System einem geplanten Ausfall standhält. Im Sinne dieses Buchs dieselbe Fitness-Logik wie beim Evolutionary Model Merging (s. dort), nur mit dem laufenden Betrieb statt mit einer Sandbox als Prüfstand. Ausführlich in Band 2, Kapitel 2.1.
Band 2 · Band 2.1
Chief Data Officer (CDO), Chief Digital Officer, Chief AI Officer (CAIO)
Die C-Level-Rollen, mit denen Unternehmen seit gut einem Jahrzehnt auf neue Fähigkeitslücken antworten: erst der Chief Digital Officer, dann der Chief Data Officer, seit 2023 zunehmend der Chief AI Officer. 2025 hatte rund ein Drittel der befragten Organisationen einen CAIO ernannt, über achtzig Prozent führen einen CDO oder CDAO, gegenüber zwölf Prozent im Jahr 2012 (Data & AI Leadership Exchange, 2025, Befragung großer Unternehmen). Nicht einmal die Abkürzung ist stabil: CDAO steht je nach Haus für Chief Data & Analytics Officer oder für Chief Digital & AI Officer. Praxisrelevanz: Mehr als die Hälfte der amtierenden CDOs ist seit weniger als drei Jahren im Amt (ebd.). Das Buch liest das als Hinweis auf eine Gerüstrolle, nicht auf eine gesetzte Linienfunktion, und stellt ihr deshalb die CCIO gegenüber. Ausführlich in Band 4, Kapitel 4.6.
Band 1.1 · Band 2.3 · Band 4
CIDM (Customer Identity Data Management)
Die technische und organisatorische Disziplin, Kundenidentitäten über viele Kanäle, Geräte und Systeme hinweg konsistent, sicher und einwilligungskonform zu verwalten, eng verwandt mit, aber nicht identisch mit CIAM (Customer Identity & Access Management), das den Fokus stärker auf Login/Zugriffssteuerung legt, während CIDM stärker die Datenqualität und -zusammenführung selbst betont. Praxisrelevanz: CIDM ist die Vorstufe für eine saubere Entity Resolution (s. dort): Ohne konsistente Identitätsverwaltung steht jeder Versuch, Kundenwissen in einem Wissensgraphen zusammenzuführen, auf tönernen Füßen.
In allen Bänden
CJML (Customer Journey Modeling Language)
Eine am norwegischen Forschungsinstitut SINTEF entwickelte formale Modellierungssprache für Customer Journeys (Halvorsrud et al.), die geplante und tatsächlich erlebte Journeys unterscheidet und je Touchpoint mehrere Zeitstempel führt; seit 2021 mit maschinenlesbarem Datenformat. Praxisrelevanz: einer der wenigen formalisierten Kandidaten für einen offenen Journey-Datenstandard, von kommerziellen Journey-Werkzeugen aber nicht übernommen, weshalb Journey-Strukturen dort proprietär bleiben (Lock-in-Risiko). Ausführlich in Band 2.1, Kapitel 4.10.
Band 2.1
Claude Flow (Ruflo)
Eine im Mai 2025 von Reuven Cohen (GitHub-Handle „ruvnet“) veröffentlichte Multi-Agenten-Orchestrierungsschicht über Claude Code, im Januar 2026 in Ruflo umbenannt; Sekundärquellen nennen dafür zwei Gründe, einen über reines Claude-Routing hinausgewachsenen, auf mehrere Modellanbieter ausgeweiteten Funktionsumfang und einen Markenrechtskonflikt mit Anthropic (Gonsalvez, 2026). npm-Paket und CLI-Befehl heißen aus Gründen der Abwärtskompatibilität weiterhin „claude-flow“, das GitHub-Repository wechselte von „ruvnet/claude-flow“ zu „ruvnet/ ruflo“. Arbeitet nach einem „Hive-Mind“-Muster mit mehreren übergeordneten „Queen“-Agenten und mehreren ausführenden „Worker“-Agenten, koordiniert über eine gemeinsame Aufgabenwarteschlange. Praxisrelevanz: Nach Angaben mehrerer, voneinander unabhängiger Sekundärquellen Stand 2026 eine der meistbeachteten quelloffenen Multi-Agenten-Plattformen, mit über 6.000 Commits und, je nach Abrufzeitpunkt kräftig wachsend, einer GitHub-Sternezahl von rund 31.000 (Abruf April 2026), seither kräftig wachsend; die projekteigene Wiki-Seite dokumentiert 84,8 Prozent Solve-Rate auf dem SWE-bench-Standard, eine nachvollziehbare, aber nicht unabhängig testierte Kennzahl, während eine kursierende Angabe von 75 Prozent Kostenersparnis gegenüber direkter Claude-Code-Nutzung ausschließlich eine Angabe der Projekt-Community ohne unabhängige Messung ist. Ein konkretes Beispiel für bereits nutzbare hierarchische Multi-Agenten-Orchestrierung, begrenzt auf Softwareentwicklung und nicht auf reale Unternehmensorganisation übertragen. Ausführlich in Band 2.1, Abschnitt 1.1.20 und, im Vergleich mit Team Topologies, in Band 1.1, Abschnitt 4.4.13.
In allen Bänden
Closed-Loop Management System (geschlossener Steuerungskreislauf)
Von Kaplan und Norton (2008) beschriebenes Steuerungssystem, das Strategieentwicklung, Übersetzung in Ziele und Kennzahlen, Ausrichtung der Organisation, operative Planung, Überwachung und Lernen sowie Prüfung und Anpassung der Strategie zu einem Kreislauf verbindet. Dazu gehört ein fester Takt: häufige operative Reviews, monatliche Strategie-Reviews und die jährliche Prüfung der Strategie selbst. Im Buch ordnet das Modell diese Rhythmen den Ebenen zu und gibt dem langen Takt der Strategy of Record (s. dort) einen festen Ort (s. Band 2, Abschnitt 1.1.7; s. auch Management Cadence).
Band 2
Cloud AI
KI-Modelle und -Infrastruktur, die zentral bei einem Cloud-Anbieter (AWS, Azure, Google Cloud u. a.) gehostet und über APIs genutzt werden, im Unterschied zu lokal auf einem Gerät laufenden Modellen (s. Physische KI und SLM). Praxisrelevanz: Der heute noch übliche Standardfall für leistungsfähige, große Sprachmodelle, zunehmend im Spannungsfeld mit Geopatriation und Sovereign Cloud (s. dort), wenn Unternehmen aus regulatorischen oder Souveränitätsgründen KI-Workloads aus der Public Cloud zurückverlagern.
In allen Bänden
Cloud and AI Development Act
siehe CADA (Cloud and AI Development Act)
Band 1 · Band 1.1 · Band 4
Clustering
Eine Aufgabe des unüberwachten Lernens, bei der ähnliche Datenpunkte ohne Vorwissen über die Gruppenstruktur in Cluster gruppiert werden.
Band 1 · Band 1.1
CMMI (Capability Maturity Model Integration)
Ein ursprünglich am Software Engineering Institute der Carnegie Mellon University entwickeltes Reifegradmodell, seit der Übernahme des CMMI Institute 2016 bei ISACA geführt, das die Fähigkeit einer Organisation, Prozesse verlässlich auszuführen und zu verbessern, auf einer fünfstufigen Skala einordnet, von ad hoc (Stufe 1) bis kontinuierlich optimierend (Stufe 5). Eine CMMI-Bewertung vergibt entweder einen Reifegrad für die ganze Organisation oder Fähigkeitsgrade je Prozess- beziehungsweise Praxisbereich. Praxisrelevanz: CMMI ist ein etablierter externer Referenzpunkt für Reifegradmodelle generell, wichtig zur Einordnung von S‑OPDTs eigenem Transformationsaudit (Glossar Modellbegriffe, Band 2.1), das demselben Grundprinzip (stufenweise, wiederholbar messbarer Ausbau) folgt, aber auf Strategietransformation statt reine Softwareprozesse zielt; dieselbe Stufenlogik teilen auch MarTech-Reifegradmessungen wie die von Frans Riemersma (MartechTribe), was sich mit der Linie dieses Buchs deckt, die Ausbaustufe je Capability zu beschreiben statt sie zu einer Note zu verdichten (s. Band 1, Kapitel 2.4 und Band 3, Kapitel 1.2).
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Code-Graph (Abhängigkeits- und Aufrufgraph von Software)
Darstellung einer Codebasis als gerichteter Graph: Module, Klassen und Funktionen sind Knoten, Beziehungen wie „ruft auf“, „importiert“, „erbt von“ oder „liest Daten von“ sind Kanten. Gewonnen wird er aus dem Syntaxbaum (Abstract Syntax Tree) durch statische Analyse, etwa mit madge, dependency-cruiser, Doxygen, CodeQL oder Sourcegraph. Dient der Impact-Analyse (welche Aufrufer und Tests eine Änderung trifft), dem Auffinden zyklischer Abhängigkeiten, Risikozentren und toter Knoten sowie zunehmend als Strukturwissen für Coding-Agenten. Ein typisierter Graph ohne Ontologie, weil der Compiler die Bedeutung der Knoten- und Kantentypen bereits festlegt; ersetzt keine Tests. S. Band 1.1, Abschnitt 2.5.10.
In allen Bänden
Cognitive Load Theory (Sweller) / Change-Sättigung
Cognitive Load Theory unterscheidet drei Arten kognitiver Last, intrinsisch (der Sache selbst innewohnend), extraneous (unnötiger, durch schlechte Gestaltung erzeugter Ballast) und germane (deutsch etwa: sachdienlich, gemeint ist die eigentlich wertvolle Denkarbeit). Menschliches Arbeitsgedächtnis kann davon nur eine begrenzte Menge gleichzeitig verarbeiten. Change-Sättigung bezeichnet das daraus folgende Kapazitätsproblem in Organisationen, zu viele gleichzeitig laufende Initiativen (Gartner zählte für 2022 im Schnitt zehn pro Mitarbeitendem gegenüber zwei im Jahr 2016), zu unterscheiden von Change-Müdigkeit (emotionale Erschöpfung durch schlecht geführten Wandel). Ausführlich in Band 4, Kapitel 6.2.
Band 2.1 · Band 4
Cognitive Lock-in
Von der Boston Consulting Group geprägter Ausdruck für die Bindung an die Denkweise eines Anbieters, nicht nur an seine Plattform: Liegen die Definitionen der Bedeutungsschicht dort, wo eine fremde Plattform sie erwartet, lässt sich später zwar die Datenbank wechseln, aber kaum die Begriffe, Regeln und Abfragen, die darauf aufbauen. Weiter gefasst als der technische Vendor-Lock-in (s. dort). Im Buch ein Gegengewicht zum Nutzen eingebetteter Anbieteringenieure (s. Forward Deployed Engineer; Band 2, Abschnitt 2.6.3, ausführlich in Band 3, Abschnitt 4.8).
Band 2 · Band 2.1
Commodity / Kommoditisierung (im KI-Kontext)
Eine Commodity ist ein Gut oder eine Fähigkeit, die sich zwischen Anbietern kaum noch unterscheidet und deshalb primär über den Preis statt über die Qualität konkurriert, wie Strom oder Rohbaumwolle. Kommoditisierung ist der Prozess, der dorthin führt: Eine zuvor differenzierende Fähigkeit verliert durch breite Verfügbarkeit, sinkende Kosten und austauschbare Anbieter ihren Alleinstellungscharakter. Im KI-Kontext betrifft das zuerst die Modellebene: Offen gewichtete Modelle wie Kimi K3 erreichen proprietäre Frontier-Modelle auf mehreren Benchmarks bereits nahezu oder übertreffen sie, zu einem Bruchteil des Preises, ausführlich in Band 4, Kapitel 7.4. Praxisrelevanz: Dieses Buch führt die Regel „Erzeugen ist billig, Prüfen ist der Wert“ bereits für einzelne Ontologie-Kanten, s. Band 2.1, Kapitel 1.2 und Band 4, Abschnitt 8.3; Band 4, Kapitel 7.5 wendet dieselbe Logik auf ganze Geschäftsmodelle an: Sobald die zugrunde liegende KI-Fähigkeit kommoditisiert, verliert ein Anbieter, der nur diese Fähigkeit verpackt, seinen Vorsprung, während die eigene, geprüfte Unternehmensontologie (s. Glossar Modellbegriffe, Band 2.1) nicht kommoditisiert, weil sie nicht übertragbar ist.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
CommonKADS, Wissensmodell-Schichten (Domäne, Aufgabe, Inferenz)
Innerhalb der sechs CommonKADS-Modelle (Organisation, Aufgabe, Agent, Kommunikation, Wissen, Design, s. Band 1.1, Kapitel 1.3) gliedert sich das Wissensmodell (ursprünglich Expertise Model) in drei Schichten: die Domänenschicht (Begriffe, Klassen, Relationen eines Fachgebiets), die Aufgabenschicht (Zerlegung einer Aufgabe in Teilziele) und die Inferenzschicht als Prozessmodell (Reihenfolge und Schlussfolgerungsschritte, mit denen aus Domänenwissen eine Antwort entsteht). Praxisrelevanz: Die Trennung beugt einem typischen Modellierungsfehler vor, Prozessregeln versehentlich in die Domänenontologie selbst hineinzumodellieren, ausführlich in Band 1.1, Kapitel 1.3.
In allen Bänden
Commonsense Reasoning
Das Schließen mit nirgends explizit aufgeschriebenem Alltagswissen, etwa dass ein Lieferdatum nicht vor dem Bestelldatum liegen kann. Eng verbunden mit dem Frame-Problem (McCarthy & Hayes, 1969): der Frage, was ein formales System stillschweigend als unverändert voraussetzen darf. Historische Wissensbasen, die dieses Alltagswissen systematisch erfassen wollten: Cyc (Lenat, ab 1984, formal-logisch, von Hand kuratiert) und ConceptNet (MIT Media Lab, mehrere Millionen alltagsweltliche Aussagen über Dutzende Beziehungstypen). Praxisrelevanz: Selbst eine formal korrekte Unternehmensontologie kennt kein Alltagswissen, das niemand für nötig hielt, extra hineinzuschreiben, ausführlich in Band 1.1, Kapitel 3.1.
In allen Bänden
Company Memory
Im Buch der technische Stack hinter dem Company Brain (s. dort): die Wissensrepräsentationsschicht aus Vektordatenbank (Ähnlichkeitssuche) und Graph/ Ontologie (explizite, benannte Beziehungen), deren Ontologiearbeit, nicht die Technologie darunter, den eigentlichen, kaum zukaufbaren Wert schafft. Ausführlich in Band 1.1, Kapitel 2.1. Nicht zu verwechseln mit Graph Memory (s. dort): Das Company Memory ist die Wissensschicht des Unternehmens, das Graph Memory das sitzungsübergreifende Gedächtnis eines einzelnen Agenten.
Band 1.1
Competency Question (CQ)
Eine natürlichsprachliche Frage, die eine Ontologie, ein Wissensgraph oder ein semantischer Layer nachweislich beantworten können muss, formuliert vor der Modellierung als Anforderung, nicht danach als Nachweis. Formalisiert (z. B. in SPARQL/SPARQL-OWL, Cypher, SHACL) werden CQs zu ausführbaren Tests und damit zum prüfbaren Abnahmekriterium eines Modells. Ursprung: Grüninger & Fox (1995), TOVE-Projekt. Ausführlich in Band 1.1, Kapitel 1.5.
In allen Bänden
Complexity Leadership Theory (CLT) / Adaptive Space
Führungstheorie für komplexe adaptive Systeme (Uhl-Bien, Marion & McKelvey, The Leadership Quarterly, 2007): Administrative Führung ordnet den formalen Betrieb, adaptive Führung bringt in Interaktionen das Neue hervor, ermöglichende Führung hält den Raum zwischen beiden offen: von Uhl-Bien & Arena (2017) „adaptive space“ genannt. Emergenz wird ermöglicht, nicht angeordnet. Im S‑OPDT-Bild: Die Catchball-Runden der Strategieschleife sind institutionalisierter adaptive space, vom Graphen permanent statt workshopweise geöffnet. Begriffswarnung: „Emergent leadership“ bezeichnet in der Organisationspsychologie auch das informelle Aufsteigen Einzelner in Gruppen; im Buch ist die Systemebene gemeint (das System zeigt, wo Führung gebraucht wird). Verwandt: McChrystals „shared consciousness + empowered execution“ (Team of Teams, 2015) als Praxisform. Ausführlich in Band 2, Kapitel 2.4 und Band 4, Kapitel 4.4.
Band 1 · Band 1.1 · Band 2 · Band 2.1
Composability / MACH
Composability bezeichnet den modularen, lose gekoppelten Stack-Aufbau aus Best-of-breed-Bausteinen anstelle einer monolithischen Suite, gestützt auf Frans Riemersmas Auswertung von über 1.500 Unternehmens-Stacks (nur 4,2 Prozent nutzen eine Suite tatsächlich als Zentrum). MACH (Microservices, API-first, Cloud-native, Headless) ist die dazugehörige, von der MACH Alliance propagierte technische Formel, analog zu FAIR bei Daten. Praxisrelevanz: Die MACH Alliance ist selbst ein Anbieterkonsortium; die Prinzipien sind solide Ingenieurspraxis, die weitergehenden Nutzenversprechen sind Anbieterangaben, ausführlich in Band 3, Kapitel 1.3.
Band 1.1 · Band 2.1
Composable CDP
Die modulare Weiterentwicklung der klassischen CDP, API-first statt proprietär gebunden, mit austauschbaren statt monolithisch verbauten Bausteinen. Praxisrelevanz: Composable CDP ist die MarTech-spezifische Ausprägung desselben Vendor-Lock-in-Arguments, das für Graphdatenbanken gilt (s. Vendor-Lock-in und Band 3, Kapitel 1.3): Nicht die einzelne Plattform, sondern die Offenheit der zugrunde liegenden Datenstruktur entscheidet über langfristige Handlungsfähigkeit.
In allen Bänden
Compoundness (drei Lesarten)
Ein Begriff mit drei unterschiedlichen Bedeutungen: Compound AI Systems (Berkeley BAIR, Zaharia et al. 2024) beschreibt, dass KI-Leistung aus Systemen mit mehreren interagierenden Komponenten entsteht, nicht aus einem einzelnen Modell; Compound Startup/Platform (Parker Conrad, Rippling) ist das Gegenmodell zur Composability, tief integrierte Produkte auf einer gemeinsamen Datenbasis; Compounding Value (Brinker/Riemersma) bezeichnet Wert, der in sich selbst verstärkenden Loops entsteht. Praxisrelevanz: Die drei Lesarten werden im Diskurs häufig vermischt, obwohl sie unterschiedliche, teils gegensätzliche Architekturaussagen treffen, ausführlich in Band 3, Kapitel 1.3.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2
Computational Modelling
Einsatz von Computermodellen zur Simulation und Analyse komplexer Systeme und Prozesse. Im Buch bildet es die methodische Grundlage für Agent-Based Modelling und den Emergenten Ansatz zur Strategieentwicklung (s. Glossar Modellbegriffe (Band 2.1)), auf die S‑OPDT bei der Exploration strategischer Optionen zurückgreift.
In allen Bänden
Computational Thinking (CT)
Die Fähigkeit, Probleme und Fragestellungen so zu strukturieren, dass sie von Computern oder algorithmischen Systemen gelöst werden können: analytisches Zerlegen von Aufgaben, Mustererkennung, das Entwickeln von Algorithmen, das Abstrahieren von Lösungen. Praxisrelevanz: Gilt zusammen mit Systemdenken (s. Anhang 2) als Schlüsselkompetenz überall dort, wo Digitalisierung und Automatisierung eine Rolle spielen, und wird vom informatischen Grundhandwerk zur Organisationskompetenz: Wer eine Domäne heute auf die Transformation vorbereitet, entscheidet mit, ob dort in zwei Jahren jemand sitzt, der ein Simulationsergebnis lesen und einer Maschine eine brauchbare Aufgabe stellen kann. Ausführlich in Band 1, Abschnitt 4.4.
Band 1
Computer Vision (Bilderkennung)
Ein Bereich der KI, der Computern beibringt, visuelle Informationen aus Bildern oder Videos zu interpretieren und zu verstehen.
Band 1 · Band 1.1
Confidence Score
Ein Wert (oft zwischen 0 und 1), der angibt, wie sicher sich ein KI-Modell bezüglich seiner Vorhersage oder Klassifikation ist; hilft bei der Bewertung der Zuverlässigkeit der Ausgabe. Ohne Kalibrierung (s. Kalibrierte Wahrscheinlichkeit) garantiert ein hoher Wert keine entsprechende Trefferwahrscheinlichkeit, und auch ein kalibrierter Wert beschreibt eine Häufigkeit über viele Fälle, keine Gewissheit im Einzelfall.
Band 1 · Band 1.1
Configuration Management Database (CMDB)
Verzeichnis der Systeme eines Unternehmens und ihrer Abhängigkeiten. In der Transformationsplanung eine Quelle für Kandidaten des Knotentyps Tool und der Beziehung setztVoraus (Band 1.1, Abschnitt 5.6.3).
Band 1.1 · Band 2.1 · Band 2.2
Confounder (Störgröße, gemeinsame Ursache)
Eine Größe, die auf zwei andere gleichzeitig wirkt und sie dadurch im Gleichtakt bewegt: Sie kann eine Korrelation erzeugen, wo zwischen den beiden keine Ursache besteht, oder einen tatsächlich vorhandenen Effekt verzerren. Beispiel: App-Nutzer eines Händlers kaufen häufiger wieder; dahinter kann statt einer App-Wirkung schlicht die bestehende Kaufneigung stehen, die sowohl zur Installation als auch zum Wiederkauf führt. In kausalen Graphen (s. Kausaler Graph) erscheint der Confounder als Gabel: eine Ursache, zwei Pfeile nach außen. Welche Größen ein Modell kontrollieren muss, leitet das Backdoor-Kriterium aus dem angenommenen Kausalgraphen ab; die Antwort ist so belastbar wie die Annahmen, die in diesem Graphen stecken. Alltagssprachlich erklärt in Band 3.1, Kapitel 4.3, die Pfadmuster in Band 1.1, Kapitel 2.2.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Consumer Brain
Benannter Teilgraph des Company Brain für das Wissen über Kundinnen und Kunden: Segmente, Bedürfnisse, Journeys, kodierte Forschungsbefunde samt Herkunft und O-Ton-Rückverweis. Gegenstück zum Brand Brain; Datenanker für Customer Twins (s. Band 3, Kapitel 8.1 und 9.5/9.6).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Consumer versus Customer (agentische Marktrollen)
Die von diesem Buch für das agentische Zeitalter nachgezogene Unterscheidung zwischen zwei zuvor meist zusammenfallenden Marktrollen. Der Consumer ist, wer ein Produkt oder eine Information tatsächlich nutzt beziehungsweise verarbeitet; mit KI-Agenten tritt hier ein technischer, nicht-menschlicher Consumer hinzu, der Datenprodukte, APIs und semantische Netze maschinell verarbeitet und daraus Handlungen ableitet. Der Customer ist, wer bezahlt und wirtschaftlich sowie rechtlich verantwortlich ist; diese Rolle bleibt nach dem aktuellen Rechts- und Wirtschaftsrahmen menschlich beziehungsweise bei der juristischen Person, die den Agenten beauftragt, weil ein Agent keine eigene Kreditkarte und keine eigene Rechtspersönlichkeit besitzt. Praxisrelevanz: Die Trennung erklärt, warum ein Agent, obwohl rechtlich nur Stellvertreter, die klassische Customer Journey trotzdem faktisch aufbricht, weil er Recherche, Filterung und Vorauswahl weitgehend übernimmt, bevor der eigentliche, weiterhin menschliche Customer überhaupt in Erscheinung tritt. Ausführlich in Band 3, Kapitel 1.7.
In allen Bänden
Containerwort
Ein Wort, das nicht eine Sache bezeichnet, sondern mehrere Funktionen, Rollen und Werkzeuge unter einem Namen bündelt, etwa Semantic Layer, Governance, Data Mesh oder Company Brain. Containerwörter entstehen, wo abstrakte Zusammenhänge einen sprechenden Namen brauchen, bevor die Sache selbst abgegrenzt ist; jeder Anbieter und jede Disziplin füllt den Container anders. Sie sind kein Mangel, aber sie tragen erst, wenn gesagt ist, was gerade drin ist. Nicht zu verwechseln mit dem sprachwissenschaftlichen Kofferwort (zwei Wörter zu einem verschmolzen, wie „Brunch“). Die Gegenüberstellungen dieser Reihe (s. Band 3, Abschnitt 4.8, und Band 2.2, Abschnitt 5.3.8) sind das Werkzeug, mit dem ein Containerwort aufgemacht wird.
Band 2.2 · Band 2.3
Content Engine
Ein KI-System, das vom Briefing bis zum veröffentlichten, kanalfertigen Inhalt automatisieren soll, Text, Bild und teils Layout, ohne manuellen Zwischenschritt. Der Anspruch bleibt nach Gartner- und Forrester-Befunden bislang uneingelöst: Nach einer 2025 veröffentlichten, nur über Sekundärquellen zugänglichen Gartner-Erhebung berichten nur 44 Prozent der Marketingverantwortlichen, die generative KI dafür erproben, von tatsächlich signifikantem Nutzen (Beleglage in Band 3, Kapitel 7.2), und die öffentliche Kritik an KI-generierten Kampagnen von Coca-Cola, McDonald’s Niederlande (Spot zurückgezogen), Guess und Duolingo zeigt, dass die Erzeugung ohne verbindliche Markenvorgaben Risiken birgt; die Ursachen waren im Einzelnen verschieden. Praxisrelevanz: Zu einem Werkzeug der Markenführung wird eine Content Engine erst, wenn sie an verbindliche Markenregeln und geprüfte Zuordnungen gebunden ist; eine gepflegte Markenontologie ist der systematische Weg, diese Anforderungen maschinenlesbar zu machen. Ausführlich in Band 3, Kapitel 7.2.
In allen Bänden
Content Supply Chain (M‑AI‑Tech Content Supply Chain)
Ein Architektur-Entwurf für einen hochintegrierten, KI-gesteuerten End-to-End-Prozess, der Content-Erstellung, Datenhaltung und Kanalsteuerung in Marketing, Sales und CX zu einer durchgängigen, automatisierten Pipeline verbindet, statt sie als getrennte Werkzeuge nebeneinanderher zu betreiben. Metapher: eine Fabrikstraße, die aus einer manuellen, fehleranfälligen Content-Werkstatt eine industrielle, aber weiterhin qualitätsgesicherte Fertigungslinie macht. Wichtige Einordnung: Es handelt sich um ein Zielbild, keinen belegten Praxisstand: Einzelne Bausteine existieren real (Semantic Layer, CDP, Brand LLM, DAM), ihr vollständiges Zusammenspiel in der beschriebenen Form ist ein Referenzentwurf. Ausführlich in Band 3, Kapitel 7.1.
In allen Bänden
Context Engineering
Die seit 2025 so benannte Disziplin, die kuratiert, was innerhalb des begrenzten Kontextfensters eines Modells zur Verfügung steht. Im Unterschied zum älteren Prompt Engineering (wie formuliere ich die Anfrage) fragt Context Engineering, was überhaupt auf den Schreibtisch gehört, damit ein Agent über mehrere Handlungsschritte hinweg weder überladen wird noch Wichtiges übersieht. Bekannt wurde der Name im Juni 2025 in drei Schritten binnen einer Woche: Shopify-Gründer Tobi Lütke schlug den Begriff am 18. Juni 2025 öffentlich vor, Harrison Chase von LangChain veröffentlichte fünf Tage später, am 23. Juni 2025, eine viel zitierte Definition, der Aufbau dynamischer Systeme, die die richtige Information und die richtigen Werkzeuge im richtigen Format bereitstellen, damit ein Modell eine Aufgabe plausibel lösen kann (Chase, „The Rise of Context Engineering“, LangChain-Blog, 23. Juni 2025), und Andrej Karpathy griff den Begriff zwei Tage darauf, am 25. Juni 2025, auf. Gartner erklärte Mitte 2025 sinngemäß, dies sei zur eigentlich entscheidenden Disziplin für den Erfolg von KI-Agenten geworden. Ausführlich, inkl. Herleitung des Wortes Kontext aus fünf historisch getrennten Bedeutungen, in Band 1, Abschnitt 5.2.
In allen Bänden
Context Graph
Am Markt kein einheitlich definierter Fachbegriff, sondern ein Oberbegriff mit zwei realen, unterschiedlichen Ausprägungen, die dieses Buch beide benennt. Variante (a), ephemer/anfragespezifisch (Gartner): eine Laufzeit-Erweiterung eines Wissensgraphen, die zusätzlich zu Entitäten und Beziehungen auch Entscheidungslogik, Workflow-Spuren und situativen Kontext eines Agentenlaufs festhält, entsteht erst zur Laufzeit einer konkreten Anfrage und kann danach verworfen werden. Gartner führt Context Graphs im Hype Cycle for Agentic AI 2026 als Praxis für den Bau und Betrieb agentischer Systeme; die Prognose, dass bis 2028 über die Hälfte der Agentensysteme darauf zurückgreift, ist bislang nur in Anbieterdarstellungen unter Berufung auf Gartner zu finden. Im Buch als oberste, am schnellsten wechselnde Schicht des dreischichtigen „Layers of Meaning“-Modells eingeordnet. Variante (b), dauerhaft/agentenoptimiert (Davis/TrustGraph): Daniel Davis und Mark Adams (TrustGraph, „The Context Graph Manifesto“) verwenden denselben Begriff für einen bewusst gebauten, kuratierten und dauerhaften Wissensgraphen speziell für KI-Agenten, das genaue Gegenteil von ephemer, der Sache nach näher an Graph Memory oder an der Ontologie-Schicht als an der ephemeren Variante (a). Das Buch führt beide Lesarten nebeneinander, weil beide in der Praxis real verwendet werden; Unternehmen sollten im eigenen Sprachgebrauch klären, welche Bedeutung jeweils gemeint ist. Ausführlich in Band 1.1, Kapitel 2.2.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Context Layer
Die technische Infrastruktur-Schicht, die zur Laufzeit einer konkreten Anfrage zusammenstellt, was tatsächlich in den Kontext eines Modells geladen wird: dynamisch, pro Anfrage. Besteht aus Retrieval-Logik (welche Dokumente/Graph-Ausschnitte werden nachgeladen), dem Zugriff auf Memory-Speicher, Werkzeugergebnissen und orchestrierenden Systemanweisungen, oft ausgespielt über ein offenes Protokoll wie das Model Context Protocol (MCP). Abgrenzung zu Semantic Layer (s. dort): Der Context Layer umhüllt den Semantic Layer und macht dessen kuratierte Bedeutung erst zur Laufzeit für Agenten nutzbar, regelkonform und mit Herkunftsnachweis abrufbar. Ausführlich in Band 1, Abschnitt 5.2.
In allen Bänden
Context Product / Context Owner
Ein Context Product ist ein versioniertes, getestetes, eigentümergebundenes Paket kuratierten Wissens für eine Fachdomäne (etwa ein Brand-Context- oder ein Preis-Paket), mit Verfallsdatum als eingebautem Schutz gegen veraltete Stände. Der Context Owner ist die dafür im Betriebsmodell benannte, verantwortliche Rolle. Praxisrelevanz: Erst mit diesem organisatorischen Unterbau wird Context Engineering zu einer betriebenen Infrastruktur mit klarer Verantwortung, ausführlich in Band 3, Kapitel 7.4.
Band 2.1 · Band 2.2
Continuous Resonance Loop
Ein im Buch als Arbeitsbegriff für ein Gedankenexperiment eingeführter, nicht am Markt etablierter Name für eine mögliche Ablösung des klassischen Marketing-Funnels (von der Aufmerksamkeit über das Interesse bis zum Kauf) durch eine fortlaufende, dynamische Kopplung zwischen dem Agenten eines Kunden und der Ontologie eines Anbieters, die eher gepflegt als bei null neu gewonnen werden müsste; ein belegter Trend ist das nicht. Praxisrelevanz: Würde ein solcher Prozess Praxis, verschöbe sich die Kernaufgabe von Marketing von der Neukundengewinnung zur Aufrechterhaltung einer bestehenden, semantischen Kopplung. Ausführlich in Band 3, Abschnitt 1.7.8. Abgrenzung zum Agent-to-Agent-Commerce (s. dort): Dieser Arbeitsbegriff beschreibt, wie die Beziehung verläuft, jener, wer die Botschaft empfängt.
In allen Bänden
Control Item
Eine einzelne, prüfbare Anforderung, die einzuhalten ist: eine Aufbewahrungsfrist, eine Funktionstrennung, eine Meldepflicht, eine Zusage aus einem Vertrag. Der eingeführte Fachbegriff der internen Kontrolle lautet in den einschlägigen Rahmenwerken „Control“ (COSO) beziehungsweise „Control Objective“ (COBIT, ISACA); „Control Item“ ist die in diesem Buch gewählte Parallelbildung zum Work Item (s. dort) und ausdrücklich kein Zitat aus diesen Rahmenwerken. Im S‑OPDT-Modell gehören Control Items zur absoluten Basis: Sie gelten, ohne dass jemand sie sich vorgenommen hat, man hält sie ein, man gestaltet sie nicht. Praxisrelevanz: Die Naht, an der aus einem Control Item ein Work Item wird, ist der Punkt, an dem S‑OPDT ansetzt. Wird umgekehrt eine Leitungsentscheidung wie der Risikoappetit als Control Item geführt, gilt sie als Gegebenheit und entzieht sich damit Begründung und Überprüfung. Ausführlich in Band 2.1, Kapitel 1.1.
Band 2 · Band 2.1 · Band 2.3
Control Tower (KI-Agenten-Governance)
In der Praxis eingebürgerte Bezeichnung für eine Steuerungsschicht, die den Zugriff mehrerer KI-Agenten auf einen gemeinsamen Datenbestand oder Graphen orchestriert und dabei Budget-, Compliance- und Policy-Grenzen durchsetzt, meist über offene Protokolle wie MCP und A2A (s. dort) angebunden. Vorsicht bei Bezeichnungen wie „Control Tower Reasoning Systems (CTRS)“ mit eigenem Kürzel: Anders als MCP lässt sich dafür keine Primärquelle mit benennbarem Urheber finden, das Kürzel kursiert ohne gesicherten Ursprung. Praxisrelevanz: Im Bild des Viable System Model (s. dort) entspricht das System 3, operative Steuerung, angewendet auf KI-Agenten statt auf menschliche Teams, ausführlich in Band 2.1, Kapitel 1.1, Abschnitt 1.1.11c.
In allen Bänden
Conversational Analytics
Die dialogbasierte Datenauswertung: Statt Abfragen zu programmieren oder Dashboards zu durchsuchen, stellen Anwender per Chat, Sprache oder Text Fragen wie „Wie waren die Umsätze im letzten Quartal?“ und erhalten verständliche Antworten, Visualisierungen oder Berichte. Dahinter arbeiten Verfahren der natürlichen Sprachverarbeitung (s. NLP) und maschinelles Lernen, die die Absicht hinter der Frage erfassen und die passenden Daten dazu holen. Abgrenzung: „Talk to your Data“ (s. dort) bezeichnet dieselbe Nutzungsform aus der Sicht des Anwenders, Conversational Analytics die Verfahrensseite. Praxisrelevanz: Der Nutzen entsteht weniger durch die Oberfläche als durch das gepflegte Begriffsmodell darunter, etwa einen Graphen oder einen Semantic Layer, das den Begriffen ihre Bedeutung gibt; fehlt es, kann das System schnell und trotzdem falsch antworten. Ausführlich in Band 1.1, Kapitel 1.1, als Einstiegs-Testcase in Band 3.1, Kapitel 3.1.
In allen Bänden
Corporate Cognitive Systems
Sammelbegriff für unternehmensweite technische Systeme, die nicht nur Daten speichern oder Prozesse ausführen, sondern aktiv Wissen organisieren, Schlüsse ziehen und Entscheidungen unterstützen, nahe verwandt mit Systems of Intelligence (s. dort) und mit dem Company Brain dieser Reihe (Glossar Modellbegriffe, Band 2.1). Praxisrelevanz: Mehrere Autoren und Anbieter beschreiben unter verschiedenen Namen dieselbe Grundidee: eine eigene, wissensorganisierende Schicht oberhalb der reinen Transaktionssysteme.
In allen Bänden
CRM (Customer Relationship Management)
Kundenbeziehungsmanagement. Das System führt die Daten zu Kunden und Interessenten und steuert darauf Vertrieb, Marketing und Kundenservice. In der Tech-Lasagne gehört es zu den Kernsystemen (Koordinate RP.K2, Business Architecture Kunde und Transaktion, s. Band 2.1, Abschnitt 3.1.2). Praxisrelevanz für die Steuerung: Das CRM führt einen eigenen Kundenbegriff, der mit dem des Rechnungswesens oft nicht deckungsgleich ist. Im CRM ist ein Kunde häufig ein Account samt Interessenten und Ansprechpartnern, im Rechnungswesen ein Debitor mit Zahlungspflicht. Beide Definitionen sind in ihrem Kontext richtig, und genau deshalb ist die Frage, welche im Unternehmen gilt, eine Festlegung und keine Datenfrage (s. Entity Resolution).
In allen Bänden
Crypto-Shredding
Ein Verfahren, das das Recht auf Löschung (Art. 17 DSGVO) mit einer lückenlosen, aus Prinzip nichts überschreibenden Graphhistorie vereinbar machen soll: Personenbezogene Feldwerte werden pro betroffener Person mit einem eigenen Schlüssel verschlüsselt gespeichert, eine „Löschung“ besteht dann darin, ausschließlich diesen einen Schlüssel zu vernichten, wodurch der verschlüsselte Wert unwiderruflich unlesbar wird, während die strukturelle Historie selbst, dass zu diesem Zeitpunkt irgendein Ereignis stattfand, unangetastet bleibt. Ob das im Einzelfall als Löschung im Sinne der DSGVO genügt, ist eine Frage der rechtlichen Einzelfallprüfung. Praxisrelevanz: Erlaubt bitemporale Modellierung (s. dort) und Betroffenenrechte gleichzeitig, wenn die Trennung zwischen personenbezogenem Inhalt und anonymer Struktur bereits beim Ontologie-Design mitgedacht wird, nicht nachträglich. Ausführlich in Band 1.1, Kapitel 1.3.
Band 1.1 · Band 2.2
Current Operating Model
Der dokumentierte oder rekonstruierte Ist-Zustand einer Organisation: wie sie tatsächlich (nicht nur auf dem Papier) arbeitet, oft historisch gewachsen statt bewusst entworfen. Ausgangspunkt jeder TOM-Arbeit (s. Target Operating Model); ohne ehrliche Ist-Aufnahme bleibt jedes Zielbild ein Bild ohne Bezugspunkt.
In allen Bänden
Customer Data Platform
siehe CDP (Customer Data Platform, historisch/definitorisch) für die vollständige Definition, dazu CDP 2.0 und Composable CDP für die beiden jüngeren Ausprägungen.
In allen Bänden
Customer Effort Score (CES)
Eine 2010 von Dixon, Freeman und Toman (Harvard Business Review) eingeführte CX-Kennzahl, die misst, wie viel Aufwand eine Kundin für die Lösung ihres Anliegens aufwenden musste, statt wie zufrieden sie danach war. Basiert auf einer Untersuchung von über 75.000 Kundeninteraktionen: Von Kundinnen mit hohem empfundenem Aufwand zeigten 96 Prozent illoyales Verhalten (Abwanderung, negative Mundpropaganda, reduzierte Ausgaben), bei niedrigem Aufwand nur 9 Prozent. Praxisrelevanz: Misst eine andere Dimension als NPS (Weiterempfehlungsbereitschaft) und CSAT (punktuelle Zufriedenheit); erst die Kombination aller drei, verankert an konkrete Ereignisse im Customer Journey Graph (s. dort) statt als isolierte Dashboard-Zahl, ergibt ein belastbares CX-Bild. Ausführlich in Band 3, Kapitel 7.3.
In allen Bänden
Customer Experience (CX)
Die Gesamtheit aller Wahrnehmungen und Erfahrungen, die ein Kunde während seiner Beziehung zu einem Unternehmen macht. Im Buch wird CX als übergeordneter, abstrakter Kontext der kundenzentrierten Organisation verwendet, deren zentrales Ziel ihre Optimierung über alle Kontaktpunkte hinweg ist.
In allen Bänden
Customer Experience Layer
Eine der drei Schichten der Business Plane in der Tech-Lasagne, neben Business Strategy Layer und Business Management Layer; erklärt unter „Business Plane, Data Engine, Resource Plane“ im Glossar Modellbegriffe (Band 2.1).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Customer Journey
Der gesamte Weg und alle Interaktionspunkte (Touchpoints), die ein Kunde von der ersten Wahrnehmung eines Bedürfnisses bis zum Kauf, zur Nutzung und zur Nachkaufphase mit einem Unternehmen durchläuft. Kundenzentrierung erfordert eine End-to-End-Betrachtung und Gestaltung dieser Reise über alle Kanäle und Abteilungen hinweg.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Customer Journey Graph
Die Menge aller Berührungspunkte einer Kundin mit einem Unternehmen (Kampagnenkontakt, Beratungsgespräch, Serviceticket, Kauf), abgebildet als zeitlich geordnete Ereignisknoten, die alle an denselben Kundenknoten im gemeinsamen Kontextgraphen angebunden sind; die Customer Journey wird damit zum abfragbaren, mehrstufigen Pfad durch den Graphen statt zum statischen Workshop-Dokument. Praxisrelevanz: Setzt bei inkonsistenten Omnichannel-Erlebnissen am gemeinsamen Datenunterbau an, auf den alle Kanäle zugreifen, statt an einem weiteren vereinheitlichenden Frontend. Damit wird die Ursache eines Bruchs auffindbar; einen Prozess- oder Servicefehler behebt der Graph allein nicht. Ausführlich in Band 3, Kapitel 7.3.
In allen Bänden
Customer Journey Mapping
Methode zur Visualisierung der gesamten Reise, die ein Kunde mit einem Unternehmen, einem Produkt oder einer Dienstleistung durchläuft, konsequent aus der Kundenperspektive: Phasen und Touchpoints werden detailliert analysiert, dazu Kundenbedürfnisse, -erwartungen, -emotionen sowie Pain Points und „Moments of Truth“ (kritische, die Kundenwahrnehmung prägende Interaktionspunkte). Idealerweise ein kollaborativer, iterativer Prozess über mehrere Abteilungen hinweg, weil sich Journeys und Kundenbedürfnisse laufend weiterentwickeln. Abgrenzung zur Customer Journey selbst (s. dort): Journey Mapping ist die Methode, die eine Journey sichtbar und bearbeitbar macht. Ausführlich in Band 2.2, Kapitel 1.3.
Band 2 · Band 2.1 · Band 2.2 · Band 4
Customer Journey Modeling Language
siehe CJML (Customer Journey Modeling Language)
Band 2.1
Customer Lifetime Value (CLV, Kundenwert)
Der Deckungsbeitrag, den ein Kunde über die Dauer der Geschäftsbeziehung erwirtschaftet. Die Reihe führt die Kennzahl in zwei Fassungen, die nicht verwechselt werden dürfen: realisiert, als kumulierter Deckungsbeitrag seit Beginn der Beziehung, eine Lag-Kennzahl aus CRM und ERP; und prognostisch, als Schätzung künftiger Deckungsbeiträge. Die einfache Näherung Deckungsbeitrag je Jahr mal erwartete Kundenlebensdauer ist dabei nur der Einstieg; belastbare Prognosen berücksichtigen den zeitlichen Verlauf, die Abwanderung und gegebenenfalls eine Diskontierung. Im Katalog der Kennzahlen steht die realisierte Fassung, s. Band 2, Anhang 20.
In allen Bänden
Customer Performance Indikatoren (CPIs)
Kennzahlen, die nicht (wie klassische KPIs) primär den Erfolg des Unternehmens aus Unternehmenssicht messen, sondern den tatsächlich beim Kunden ankommenden Nutzen und Erfolg (z. B. „Zeit bis zum ersten Erfolgserlebnis“, „gelöste Probleme pro Kontakt“); die Kundenperspektive wird zur eigenständigen Steuerungsgröße statt nur mittelbar über Umsatz/Retention sichtbar zu sein. Praxisrelevanz: CPIs ergänzen die im Buch bereits beschriebene dynamische KPI-Modellierung (Glossar Modellbegriffe, Band 2.1) um eine explizit kundenzentrierte Achse: wichtig, weil rein unternehmensseitige KPIs Fehlanreize setzen können, die dem Kunden schaden, aber intern trotzdem „grün“ aussehen.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Customer Twin
KI-Repräsentation von Kundengruppen oder Einzelkunden, die Antworten und Präferenzen simuliert (an einzelnen Stellen der Reihe und im Markt auch Consumer Twin). Trägt den Namen nach diesem Buch nur, wenn sechs Prüfsteine erfüllt sind: Datenanker in eigenen Primärdaten, zitierbarer Belegpfad (RAG), Varianz-Audit, Subgruppen-Ausweis, Unsicherheitsausweis, laufende Rückvalidierung, sonst halluzinierende Persona (Prüfkatalog als Eigenvorschlag, s. Band 3.1, Kapitel 5.3).
In allen Bänden
CustomGPT
Eine per Systemprompt und optional hochgeladener Wissensdatenbank (Dokumente, FAQs) auf einen Fachbereich oder eine Aufgabe zugeschnittene, von Nutzern selbst angelegte Oberfläche für ein bestehendes, fertig trainiertes Sprachmodell (Generative Pre-trained Transformer), z. B. ein „Steuerberater-GPT“ auf Basis des jeweils aktuellen GPT-Modells. OpenAI führt solche Assistenten seit November 2023 unter dem Produktnamen GPTs. Entscheidende Abgrenzung: Ein CustomGPT verändert kein einziges Gewicht des zugrundeliegenden Modells und trainiert nichts neu; es bleibt derselbe Transformer, nur mit neuem Briefing und Nachschlagematerial. Das unterscheidet CustomGPTs von echtem Fine-Tuning, bei dem ein Modell mit zusätzlichen Trainingsdaten tatsächlich weitertrainiert wird und sich seine inneren Parameter ändern. Praxisrelevanz: CustomGPTs bieten eine niedrige Einstiegshürde für Fachbereichs-KI, ihre Verlässlichkeit hängt aber daran, welche Quellen und Werkzeuge tatsächlich angebunden sind und wie nachvollziehbar sie genutzt werden. Ohne eine solche Anbindung bleiben sie Textgeneratoren mit Briefing und ersetzen keine in Wissensgraphen verankerten, erklärbaren Systeme, insbesondere wenn Nachvollziehbarkeit oder AI-Act-Compliance gefordert sind. Eingeführt in Band 1, Vorwort, ausführlich diskutiert ebenda im Abschnitt zu den Unterschieden zu semantischer/neurosymbolischer KI.
Band 1 · Band 1.1 · Band 2 · Band 2.2
Cypher
Die von Neo4j entwickelte, mittlerweile breit adaptierte Abfragesprache für Property-Graph-Datenbanken. Sie liest sich nahe an der natürlichen Beschreibung eines Graph-Musters (z. B. „(Kunde)-[:KAUFT]->(Produkt)“) statt an klassischem SQL. Seit April 2024 gibt es mit GQL (ISO/IEC 39075) einen ISO-Standard für Property-Graph-Abfragen, der wesentlich auf Cypher aufbaut. Praxisrelevanz: Cypher ist neben SPARQL (für Triple Stores, s. dort) die zweite große Abfragesprachen-Familie für Wissensgraphen. Die Wahl der Graphdatenbank (Property Graph oder RDF) bestimmt damit auch die Abfragesprache und die Werkzeuglandschaft mit.
In allen Bänden
D
DAG, PC-Algorithmus und Do-Operator (kausale Graphen)
Drei zusammenhängende Bausteine der kausalen Inferenz. Ein DAG (Directed Acyclic Graph, gerichteter azyklischer Graph) stellt Ursache-Wirkungs-Annahmen als Pfeile ohne Rückkopplungsschleifen dar. Der PC-Algorithmus ist ein Verfahren, das aus reinen Beobachtungsdaten unter Annahmen wie kausaler Suffizienz (keine unbeobachteten gemeinsamen Ursachen), Faithfulness und ausreichender Datenqualität eine Markov-Äquivalenzklasse von DAGs bestimmt, meist dargestellt als CPDAG, nicht automatisch den einen richtigen DAG; bei vermuteten latenten Confoundern kommen Erweiterungen wie der FCI-Algorithmus zum Einsatz. Das Verfahren ersetzt damit die Handarbeit des Zeichnens durch ein geprüftes Ausgangsgerüst, nicht durch eine fertige, eindeutige Kausalstruktur. Der Do-Operator (Notation „do(X)“, Judea Pearl) unterscheidet formal zwischen bloßem Beobachten („P(Y|X)“) und aktivem Eingreifen („P(Y|do(X))“), der mathematische Kern der Frage, ob eine Maßnahme wirklich wirkt oder nur mit dem Ergebnis korreliert. Praxisrelevanz: Diese drei Bausteine sind das technische Fundament hinter der bereits im Glossar beschriebenen Pearlschen Leiter der Kausalität (s. Propensity Model, Incrementality Testing): Ohne sie bleibt „Kausalität statt Korrelation“ eine Behauptung ohne Werkzeugkasten.
In allen Bänden
Data as a Product (Daten als unmittelbares Marktprodukt)
Nicht zu verwechseln mit dem Datenprodukt im Sinne von Data Mesh (s. Band 1.1, Kapitel 4.3), das eine interne Architektureinheit bezeichnet. Gemeint ist hier ein Geschäftsmodell, bei dem Daten selbst, veredelt und aufbereitet, das verkaufte Produkt sind, statt nur ein internes Hilfsmittel für ein Produkt daneben zu bleiben. Reine B2B-Datenunternehmen wie Auskunfteien (Schufa, Experian) oder Finanzdatenanbieter (Bloomberg, LSEG Data & Analytics) sind der Referenzfall dafür, dass diese Grenze gar nicht erst existiert. Für Unternehmen, deren Daten historisch nur der internen Steuerung dienten (CRM, PIM), beschreibt das Buch die Verschiebung hin zu unmittelbarem Kundennutzen an zwei Fallmustern, dazu die FMCG-Ausnahme, das Käse-Paradoxon, s. Band 3.1, Kapitel 4.4.4 bis 4.4.6.
Band 1.1 · Band 2
Data Catalog (Datenkatalog)
Inventar der Datenbestände eines Unternehmens mit ihren Metadaten: welche Datensätze existieren, wo sie liegen, wem sie gehören, wie aktuell sie sind. Abgrenzung, auf die es ankommt: Ein Katalog inventarisiert alles, auch Rohes, Unfertiges und noch nicht Freigegebenes; eine Auffindbarkeitsfunktion für Konsumenten, Menschen wie Agenten, unterscheidet dagegen, was einsatzbereit ist (Governance-Prüfung bestanden, durchsetzbarer Data Contract vorhanden), und kann gesperrte oder erst beantragbare Bestände mit ihrem Status zeigen, statt sie als nutzbar anzubieten. Beides in einem Werkzeug zu haben ist möglich, beides zu verwechseln ist ein häufiger Grund, warum ein gepflegter Katalog trotzdem wenig hilft. Zwei Ebenen, zweimal derselbe Name: technisch in der Data Layer (Tabelle, Spalte, Lauf), fachlich in der Data Engine (Bedeutung, Vertrag, Erlaubnis); welches Werkzeug welche Ebene belegt, entscheidet über den Nutzen. Ausführlich in Band 2.2, Abschnitt 5.3.4 und Band 1.1, Abschnitt 1.2.4.
In allen Bänden
Data Contract
Deutsch Datenvertrag: eine explizite, versionierte, technisch durchsetzbare Vereinbarung zwischen dem Team, das Daten bereitstellt, und den Teams, die sie nutzen. Sie legt Schema, Bedeutung, Granularität, Qualitätsgarantien, Herkunft, Aktualisierungsfrequenz und Ansprechpartner verbindlich fest, statt dass Konsumenten sich stillschweigend auf ein unausgesprochenes Datenformat verlassen müssen. So wird die Bedeutungsfrage geklärt, bevor jemand mit den Daten arbeitet, und nicht erst nach einer fehlerhaften Auswertung unter Zeitdruck. Praxisrelevanz: Data Contracts sind der technische Vertrag, der Data-Mesh-Prinzipien (s. dort) in der Praxis durchsetzbar macht, und tauchen deshalb konsequenterweise als eigener Kernbestandteil der Data Engine in der Tech-Lasagne auf (s. „Governance & Data Contracts“, Glossar Modellbegriffe, Band 2.1). Ein Vertrag braucht festgelegte Reaktionen auf Verletzungen, von der Warnung über die Ablehnung bis zur Sperre. Für Daten, die ein KI-Agent selbstständig weiterverarbeitet, ist eine davon besonders wichtig, die Data-Contract-Quarantäne: Ein Datensatz, der den Vertrag nicht erfüllt, wird nicht stillschweigend durchgereicht, sondern in einen gesperrten Bereich verschoben, bis ein Mensch oder ein dafür vorgesehener Prozess ihn freigibt. Strukturell korrekte, aber noch nicht freigegebene Daten sind damit von vornherein von der agentischen Verarbeitung ausgeschlossen (Sadalage & Chandrasekaran, 2026). Ausführlich in Band 1.1, Kapitel 4.3 und Band 2.1, Kapitel 4.8.
In allen Bänden
Data Engineering
Die Ingenieursdisziplin, die Daten aus Quellsystemen einsammelt, umformt, zusammenführt und so bereitstellt, dass Analyse, Modelle und Agenten darauf zugreifen können: Pipelines, Ladeprozesse, Schemata und Aktualisierung, also das Bauen und Betreiben der Datenschicht, nicht ihre Auswertung. Abgrenzung nach beiden Seiten: Data Science wertet aus, was Data Engineering bereitstellt, und Data Stewardship verantwortet die fachliche Bedeutung und Qualität der Inhalte, nicht die Technik ihrer Lieferung (zur Rolle s. Ontology Steward (Ontologie-Verantwortliche/r), zur Technik s. Data Pipeline). Praxisrelevanz: Die Zuordnung ist eine Steuerungsentscheidung, nicht eine Formalie. Wer die Aktualität der Datenschicht dem Data Engineering zuordnet, hat eine wirksame Zuständigkeit geschaffen; wer dieselbe Erwartung an eine Rolle ohne Zugriff auf die Pipelines hängt, hat nur eine Erwartung formuliert (s. Band 2.1, Kapitel 3.1). In der Ontologiearbeit liegt die Trennlinie zwischen Schema und Instanz: Auf der Schema-Seite arbeiten Analyse und Fachexpertise, auf der Instanzseite Data Engineering, Data Science und Data Stewardship (s. Band 1.1, Kapitel 1.3).
In allen Bänden
Data Fabric
Eine Architektur, die Daten aus verteilten Quellen über eine automatisierte Schicht aus aktiven Metadaten, Integration, Orchestrierung und mehreren Zugriffsmustern zugänglich macht; virtuelle Verbindung ohne physische Zentralisierung ist dabei ein Baustein, nicht die vollständige Definition. Metapher: ein Gewebe aus vielen Fäden statt eines einzigen großen Speicherbeckens. Praxisrelevanz: Data Fabric und Data Mesh (s. dort) werden oft verwechselt, sind aber unterschiedliche Antworten auf dieselbe Frage: Data Fabric ist primär eine zentral orchestrierte Technologie-Schicht, Data Mesh ist primär ein organisatorisches Prinzip (dezentrale Eigentümerschaft durch Fachdomänen). Abgrenzung zur föderierten Datenhaltung (s. dort): Diese benennt allein das Prinzip, Daten am Ursprungsort zu lassen und erst zur Laufzeit zu verbinden, und ist damit ein Baustein einer Data Fabric, nicht ihr Synonym.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Data Lake / Data Lakehouse
Ein Data Lake speichert Rohdaten aller Art (strukturiert, halbstrukturiert, unstrukturiert) kostengünstig und ohne festes Schema beim Schreiben (Schema-on-Read), flexibler, aber ohne die Governance-Strenge eines Data Warehouse. Ein Data Lakehouse verbindet beide Welten: die Kostenvorteile und Flexibilität eines Data Lake mit den Transaktions-, Schema- und Qualitätsgarantien eines Data Warehouse (Beispiel: Databricks Lakehouse als Referenzarchitektur; Snowflake positioniert sich mit später hinzugekommenen Iceberg- und Lakehouse-Funktionen in dieselbe Richtung, gilt aber, weil die Plattform historisch als Cloud Data Warehouse startete, nicht einheitlich als Lakehouse-Beispiel). Praxisrelevanz: Die Lakehouse-Idee ist die technische Grundlage vieler moderner Plattformen, auf denen wiederum Semantic Layer und Ontologien aufsetzen (s. Genie Ontology, Ontology Control Plane).
In allen Bänden
Data Layer
Eine der vier Schichten der Resource Plane in der Tech-Lasagne, neben Domainapplikationen, KI-Werkzeugfabrik und Kernsystemen; erklärt unter „Business Plane, Data Engine, Resource Plane“ im Glossar Modellbegriffe (Band 2.1).
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Data Lineage (Datenherkunft)
Die nachvollziehbare Kette, über die ein Datum entstanden ist und weiterwirkt: aus welcher Quelle es stammt, welche Verarbeitungsschritte es durchlaufen hat und in welche Auswertungen, Berichte oder Modelle es einfließt. Praxisrelevanz: Lineage ist die Voraussetzung jeder Wirkungsanalyse vor einer Änderung („was bricht, wenn wir diese Spalte umbenennen“) und kann Nachweise stützen, wie sie etwa die KI-Verordnung für Hochrisiko-KI-Systeme verlangt; welche Pflicht im Einzelfall greift, klärt die rechtliche Prüfung. Abgrenzung: Lineage beantwortet eine rückblickende Herkunftsfrage, Observability (s. dort) eine laufende Diagnosefrage zum Verhalten im Betrieb; beide ersetzen einander nicht. Und sie ist enger als Provenienz (s. dort), die als Oberbegriff technische und organisatorische Herkunftsangaben umfasst; als Arbeitsschnitt dieser Reihe gilt: Lineage ist eine Eigenschaft der Verarbeitungskette und beschreibt den Weg eines Datums durch die Systeme, Provenienz ist eine Eigenschaft der Aussage und benennt, wer sie aufgestellt hat und worauf er sich stützt. Lineage lässt sich maschinell mitschreiben, etwa über den offenen Standard OpenLineage (s. dort), ein technisches Ereignisformat dafür; Provenienz nicht vollständig, weil zu ihr eine Zurechnung gehört und die trifft ein Mensch. Eine Zahl kann lückenlos durch zehn Systeme verfolgbar sein und trotzdem auf einer Annahme beruhen, die niemand verantwortet. Dann ist die Lineage vollständig und die Provenienz leer. In der Tech-Lasagne sitzt Lineage technisch in RP.L4 und fachlich in DE.1 (s. Band 2.2, Abschnitt 5.3.4). Das Gegenstück auf der Strategieseite heißt in dieser Reihe Strategy Lineage (s. Glossar Modellbegriffe).
In allen Bänden
Data Mart
Ein fachbereichsbezogener Ausschnitt aus einem Data Warehouse, zugeschnitten auf einen einzelnen Bereich wie Marketing, Finanzen oder Vertrieb, meist im Sternschema. Ralph Kimball baute seinen von unten nach oben wachsenden Architekturansatz auf themenbezogenen Data Marts auf, als Gegenentwurf zu Bill Inmons zentralem Enterprise Data Warehouse. In seiner üblichen Form ist ein Data Mart eine physische Kopie ohne Vertrag: keine Zusage über Qualität, keine Änderungsregeln, keine für andere Systeme nutzbare Schnittstelle, meist eine Tabelle für ein bestimmtes Dashboard. Abgrenzung zum Datenprodukt (Dehghani, 2022): Der Unterschied liegt im Governance-Versprechen, nicht in der Kopie. Ein Datenprodukt kapselt zusätzlich zur Nutzbarkeit die Transformationslogik und die Governance-Regeln; ein Data Mart beschreibt für sich genommen nur eine Schicht in der Verarbeitungskette. Praxisrelevanz: Ein unabhängig aufgesetzter Data Mart, entstanden, weil eine Auswertung schneller gebraucht wurde, als die zentrale Plattform sie liefern konnte, vervielfacht oft das Bedeutungsproblem, statt es zu lösen, weil jeder Mart seine Begriffe neu festlegt. Ausführlich in Band 1.1, Kapitel 4.1 und Band 1.1, Abschnitt 1.2.1.
Band 1.1
Data Mesh
Ein von Zhamak Dehghani (2019/2022) geprägtes organisatorisches Prinzip der Datenarchitektur: Statt eines zentralen Datenteams, das für alle Domänen Daten aufbereitet, übernehmen die Fachdomänen selbst die Verantwortung für ihre Daten als Datenprodukt (s. dort), mit vier Grundprinzipien: domänenorientierte Eigentümerschaft, Daten als Produkt, selbstbedienbare Dateninfrastruktur als Plattform und föderierte Computational Governance. Praxisrelevanz: Data Mesh ist die organisatorische Antwort auf zentrale Datenteams, die zum Flaschenhals werden; der Datenprodukt-Begriff stammt direkt aus diesem Konzept.
In allen Bänden
Data Pipeline
Die automatisierte Kette von Schritten, mit der Rohdaten aus Quellsystemen extrahiert, verarbeitet und in eine für Analyse oder KI-Training nutzbare Form gebracht werden, oft nach dem ETL-Muster (Extract, Transform, Load) oder dessen modernerer Variante ELT. Praxisrelevanz: Die technische Voraussetzung für jede der in diesem Buch beschriebenen Datenarchitekturen (s. Data Warehouse, Data Lake/Lakehouse); eine Ontologie ohne verlässliche Data Pipeline dahinter bleibt ein leeres Modell ohne aktuelle Daten.
In allen Bänden
Data Product Manager
Die Rolle, die ein Datenprodukt wie ein Produkt führt: Bedarf der Nutzer klären, Umfang und Reihenfolge festlegen, Nutzung messen und das Produkt weiterentwickeln. Der Begriff wird in der Praxis neben Data Product Owner gebraucht, ohne dass sich eine verbindliche Abgrenzung durchgesetzt hätte. Das Playbook von Modern Data 101 (2024) empfiehlt, die Rolle für ein erstes Datenprodukt kommissarisch aus dem bestehenden Team zu besetzen und sie erst nach einem Wertnachweis fest einzurichten. Praxisrelevanz: Ob die Rolle Manager oder Owner heißt, ist zweitrangig; besetzt ist sie erst, wenn ihre Inhaberin oder ihr Inhaber über den Inhalt des Datenprodukts entscheiden darf und nicht nur Anfragen weiterleitet (s. Datenprodukt), ausführlich in Band 1.1, Abschnitt 4.3.6.
In allen Bänden
Data Scientist
Die Rolle, die große Datenmengen analysiert, auswertet und daraus Erkenntnisse gewinnt, häufig mit Methoden des maschinellen Lernens. Bis etwa 2022 bauten Data Scientists und Machine Learning Engineers die Modelle eines Unternehmens meist selbst, je Aufgabe ein eigenes; mit allgemein einsetzbaren Foundation Models ist daneben das AI Engineering entstanden (s. AI Engineering (Abgrenzung zu ML Engineering), Band 1.1, Abschnitt 2.4.1). Praxisrelevanz: Ein analytischer Use Case braucht Data Scientists und ein ML-Toolkit, ein semantischer Use Case Ontologie-Kompetenz und eine Graphdatenbank (Band 2.2, Abschnitt 1.3.7).
In allen Bänden
Data Swarms
Akademisches Verfahren, das synthetische Prüfdaten mit einem Schwarm von Generator-Modellen erzeugt, die per Partikelschwarmoptimierung gemeinsam auf ein Bewertungsziel hin verbessert werden; die Erweiterung Adversarial Swarms lässt einen lernenden Gegenschwarm mitwachsen (Feng, Wang, Shi & Tsvetkov, 2026). Praxisrelevanz: Stand 2026 vor allem akademisch belegt, noch keine verbreitete kommerzielle Praxis (Band 2, Abschnitt 2.1.6).
Band 2
Data Vault
Eine Modellierungsmethode für den Kern eines Data Warehouse, weder ein Produkt noch eine Architektur. Sie zerlegt jede Entität in drei Tabellentypen: Hub (der fachliche Geschäftsschlüssel, etwa Kunden- oder Fahrgestellnummer, unveränderlich, dazu technische Lade- und Herkunftsangaben), Link (eine Beziehung zwischen zwei oder mehr Hubs als eigene Tabelle statt als Fremdschlüsselspalte) und Satellit (die beschreibenden Attribute, jeweils mit Zeitstempel und Herkunftsangabe). Geladen wird ausschließlich durch Einfügen, nie durch Überschreiben, wodurch Historie und Herkunft jedes Satzes von Bauart her mitlaufen; üblich ist die zusätzliche Trennung in Raw Vault (Daten so, wie sie geliefert werden) und Business Vault (Geschäftsregeln angewendet). Erstmals öffentlich beschrieben von Dan Linstedt (TDAN.com, Juli 2002), als Data Vault 2.0 ausgebaut mit Michael Olschimke (Building a Scalable Data Warehouse with Data Vault 2.0, Morgan Kaufmann 2015); herstellerneutrale Definition im DAMA-DMBOK (2. Auflage 2017, Abschnitt 1.3.4.5.1) als Hybrid zwischen dritter Normalform und Sternschema. Praxisrelevanz: Der Vault ist keine Abfrageschicht, jede Auswertung darauf braucht viele Joins, weshalb am Ende meist ein abgeleiteter Data Mart im Sternschema steht. Als Ersatz für das dimensionale Modell taugt Data Vault nicht; es ist für den Kern gebaut, nicht für die Abfrage. Für dieses Buch ist die Methode aus einem anderen Grund wichtig: Sie trennt Identität, Beziehung und Beschreibung in drei eigene Strukturen und nimmt damit den Schnitt des Graphen (Knoten, Kante, Attribut) innerhalb der relationalen Welt vorweg. Bedeutung trägt sie so weit, wie die Modellierung sie benennt: Ein Link kann eine fachlich benannte Beziehung abbilden; gemeinsame Begriffsdefinitionen, Geltung und Verantwortung über Systemgrenzen hinweg regelt die Methode selbst nicht. Ausführlich in Band 1.1, Abschnitt 1.2.1. Zur Verbreitung im deutschsprachigen Raum gibt es keine belastbare Zahl, belegbar sind nur die Institutionen (DDVUG e. V.; Scalefree International GmbH, Hannover, 2016 von Olschimke und Linstedt gegründet).
In allen Bänden
Data Virtualization
Ein Ansatz zur Datenintegration, bei dem Daten unabhängig von ihrem tatsächlichen Speicherort oder ihrer Struktur in einer abstrakten, virtuellen Ebene bereitgestellt werden, sodass Anwendungen auf Daten aus mehreren Quellen zugreifen können, als lägen sie zentral, ohne dass sie physisch verschoben oder kopiert werden müssen. Technisch legt Data Virtualization eine virtuelle Schicht über die unterschiedlichen Datenquellen, abstrahiert Speicherort, Datenstruktur und Zugriffsprotokolle und präsentiert die Daten einheitlich in Echtzeit oder nahezu Echtzeit. Abgrenzung zur Graphdatenbank: Die Graphdatenbank ist ein spezialisiertes Datenbanksystem für vernetzte Daten, Data Virtualization dagegen eine Integrationsschicht, die den Zugriff auf verschiedene Datenquellen, darunter auch Graphdatenbanken, vereinheitlicht; beide ergänzen sich, statt Alternativen zu sein. Praxisrelevanz: Virtualisierung verbirgt Inkonsistenzen zwischen Systemen, behebt sie aber nicht; wie brauchbar das vereinheitlichte Bild ist, hängt an der Qualität der darunterliegenden Quellen. Ausführlich in Band 1.1, Kapitel 1.2.
Band 1.1
Data Warehouse (Data Warehousing)
Ein zentrales, hochstrukturiertes Datenlager für bereits bereinigte, historisierte Geschäftsdaten (typischerweise aus mehreren operativen Systemen zusammengeführt), optimiert für wiederkehrende Analysen und Reports mit festem Schema (Schema-on-Write). Praxisrelevanz: Data Warehouses sind ein älterer, weiterhin verbreiteter Baustein der Datenarchitektur, wichtig als Abgrenzung zu Data Fabric und Data Mesh (s. dort), weil viele Unternehmen mehrere dieser Architekturmuster gleichzeitig betreiben, ohne die Unterschiede sauber zu benennen. Data Warehousing bezeichnet dieselbe Sache als Tätigkeit, also den Aufbau und Betrieb eines solchen Lagers; das Werk benutzt beide Formen und meint damit nichts Verschiedenes.
In allen Bänden
Datasheets for Datasets / Dataset Card
Ein von Gebru et al. (2018) vorgeschlagenes, standardisiertes Begleitdokument für einen Trainingsdatensatz, das Herkunft, Erhebungsmethode, Labeling-Prozess und bekannte Einschränkungen dokumentiert, in der Praxis meist als Dataset Card umgesetzt (z. B. im Hugging-Face-Ökosystem). Praxisrelevanz: Dieselbe Provenienz-Logik, die Ontorank (s. dort) für einzelne Knoten eines Wissensgraphen fordert, angewandt auf ganze Trainingsdatensätze, ausführlich in Band 1, Abschnitt 4.5.
In allen Bänden
Daten, Bedeutung, Kontext (Abgrenzung)
Drei Dinge, die in Projekten als austauschbar behandelt werden und an drei Orten liegen. Daten sind festgehaltene Unterschiede, etwa die Zahl 4.812 in einer Tabelle (Floridi, 2005/2013). Bedeutung ist die Bindung dieses Werts an einen geteilten Begriff samt Regeln, „Umsatz je Filiale, Woche 43, netto“, festgehalten im Bedeutungsmodell und mitgeliefert über den Data Contract. Kontext ist die Nachbarschaft des Werts in seiner Situation, das Wetter der Woche, die gesperrte Zufahrt, der Vorjahreswert, verbunden im Graphen über gemeinsame Begriffe wie Ort und Zeit. Praxisrelevanz: Bedeutung hängt am Begriff und gilt für jeden Fall gleich, Kontext hängt an der Situation und wird für jeden Fall neu zusammengestellt. Hergestellt wird Kontext in fünf Schritten: Begriffe festlegen, Daten an Begriffe binden, Nachbarschaft verknüpfen (Ort, Zeit, Herkunft), Regeln und Zweck anheften, Kontext zur Laufzeit liefern; erst der letzte Schritt ist Context Engineering (s. dort). Ausführlich in Band 1, Abschnitt 5.3.
In allen Bänden
Datenanalyse
Der Prozess der Untersuchung, Bereinigung, Transformation und Modellierung von Daten mit dem Ziel, nützliche Informationen zu entdecken und Schlussfolgerungen zu ziehen.
Band 1 · Band 1.1
Datenintegration
Prozess der Kombination von Daten aus verschiedenen Quellen, um eine einheitliche Sicht zu schaffen. Im S‑OPDT-Modell ist sie eine Grundvoraussetzung, um Datensilos (s. Glossar Modellbegriffe) zu überwinden und Daten in einem Wissensgraphen zusammenzuführen.
In allen Bänden
Datenprodukt
Eine domänen-eigene, wiederverwendbare Einheit, die drei Dinge zusammen liefert: die Daten, die Metadaten (Herkunft, Qualität, Zugriffsregeln) und die Bedeutung (Semantik, selbstbeschreibend). Dehghani unterscheidet drei Bautypen: quellorientiert (source-aligned, nah am Ursprungssystem, wenig Umformung), aggregiert (aggregate, fasst mehrere Quellen zu einer domänenübergreifenden Sicht zusammen) und konsumausgerichtet (consumer-aligned/fit-for-purpose, auf genau einen Verwendungszweck zugeschnitten, bewusst eng). Ausführlich mit Praxisbeispiel in Band 1.1, Abschnitt 4.3.6. (Data Mesh, Dehghani 2022.) In der Reihe steht dafür gleichbedeutend auch die englische Form Data Product, etwa in der Abschnittsüberschrift 1.2.6 in Band 2, Kapitel 1.2.
In allen Bänden
Datenqualität (Data Quality)
Maß dafür, wie gut Daten ihren beabsichtigten Zweck in Bezug auf Genauigkeit, Vollständigkeit, Konsistenz, Aktualität und Relevanz erfüllen. Im Buch ist Datenqualität keine eigene Ontorank-Säule, sie fließt in die Säulen Provenienz und Aktualität ein (s. Ontorank), die mitentscheiden, ob ein KI-Agent einem Datenpunkt vertrauen darf.
In allen Bänden
Datensouveränität (Data Sovereignty)
Die Verfügungsgewalt eines Unternehmens über die eigenen Daten und über deren Bedeutung, also darüber, wer festlegt, was ein Begriff im eigenen Haus heißt, in welchem Format diese Festlegung vorliegt und ob sie einen Anbieterwechsel übersteht. Der Begriff wird häufig auf die Frage verkürzt, in welchem Land Daten liegen. Für die Unternehmenssteuerung ist die zweite Hälfte die folgenreichere: Daten lassen sich in aller Regel exportieren, ein Objektmodell, das in der Logik eines Anbieters steckt, nicht. Praxisrelevanz: Datensouveränität ist damit keine Haltung, sondern eine Beschaffungsentscheidung mit Preisschild, ausgeführt an den fünf Architekturszenarien in Band 2.1, Abschnitt 3.1.2 und an den Architekturprinzipien der Dimension T in Band 2.1, Kapitel 4.1. Abzugrenzen von Vendor-Lock-in (s. dort), der die Folge beschreibt, wenn Souveränität fehlt.
In allen Bänden
Datenverordnung (EU Data Act)
Verordnung (EU) 2023/2854 über einen fairen Datenzugang und eine faire Datennutzung, veröffentlicht im Amtsblatt am 22. Dezember 2023, in Kraft seit 11. Januar 2024, im Wesentlichen anwendbar seit 12. September 2025. Sie regelt nicht den Datenschutz, sondern den Zugang zu und die Weitergabe von Daten: die Daten vernetzter Produkte und verbundener Dienste (Leistung, Nutzung, Umgebung), Datenverträge zwischen Unternehmen, die Bereitstellung an öffentliche Stellen und den Wechsel zwischen Datenverarbeitungsdiensten. Der „Nutzer“, dem sie Rechte gibt, ist meist ein Unternehmen, nicht die Privatperson; für personenbezogene Daten bleibt das Datenschutzrecht maßgeblich (DSGVO, s. dort). Praxisrelevanz für diese Reihe: Erwägungsgrund 2 nennt als Hindernisse der Datenweitergabe ausdrücklich Datensilos, schlechte Metadatenverwaltung und fehlende Normen für semantische Interoperabilität. Die Verordnung verlangt ein Ergebnis (Zugang, Bereitstellung, Wechsel) und überlässt dem Haus den Weg dorthin; Katalog, Definition und Eigentümerschaft bleiben Eigenverantwortung. Zuordnung je Datenart und Vertragsverhältnis in Band 1.1, Abschnitt 1.3.1, Wechselrechte in Band 3, Kapitel 7.5.
In allen Bänden
Datenvertrag
Deutsche Bezeichnung für Data Contract (s. dort), in den Bänden 1 und 1.1 durchgehend so gebraucht. Kurzfassung in diesem Glossar; zum Verhältnis von Datenvertrag und Agentenbeschreibung s. Agent Card.
In allen Bänden
Datenzentrierte Architektur (Data-Centric Architecture)
Architekturansatz, der die Daten in die Mitte stellt und Anwendungen als vergänglich behandelt, statt umgekehrt. Eine förmliche Norm gibt es nicht, wohl aber ein Manifest mit fünf Prinzipien (datacentricmanifesto.org), dessen Kernsatz lautet: „Data is the center of the universe; applications are ephemeral.“ Für dieses Buch ist das zweite Prinzip das tragende: Daten erklären sich selbst und sind für ihre Deutung nicht auf eine Anwendung angewiesen. Daraus folgt, warum dieser Ansatz der KI-native ist: Eine Anwendung kapselt Bedeutung in Code, und was dort steht, kann nur lesen, wer den Code liest; ein Agent sieht die Daten, nicht die Absicht dahinter. Ausgeführt in Band 1.1, Kapitel 1.1, vertreten unter anderem von Dave McComb (The Data-Centric Revolution, 2019).
Band 1.1
DCAT (Data Catalog Vocabulary)
Ein offenes Vokabular des W3C zur Beschreibung von Datenkatalogen und der darin geführten Datensätze, damit diese über Katalog- und Organisationsgrenzen hinweg auffindbar und vergleichbar bleiben. Die Europäische Kommission führt darauf aufbauende Anwendungsprofile, darunter DCAT-AP für Datenkataloge der Verwaltung und MLDCAT-AP für Machine-Learning-Modelle samt ihren Datensätzen, mit Begriffen aus den Dokumentationsanhängen der KI-Verordnung (s. Institutionelle Ressourcen (Band 1 und Band 1.1, Anhang)). Praxisrelevanz: Eine eigene Beschreibungsebene für Datenbestände knüpft am besten an DCAT an; so entsteht keine Insellösung an der Stelle, an der Anschlussfähigkeit der Zweck ist.
In allen Bänden
Decision Intelligence
Eine Anwendungsklasse, die Entscheidungsmodellierung mit Daten, Analytik und zunehmend KI verbindet, so dass eine wiederkehrende Entscheidung selbst zum geführten Gegenstand wird: beschrieben, bewertet, überwacht, verbessert, statt als Nebenprodukt eines Berichts zu entstehen. Geprägt maßgeblich von Lorien Pratt (Quantellia), deren mit N. E. Malcolm verfasstes Handbuch den Kerngedanken darin fasst, dass die Arbeit bei der zu treffenden Entscheidung beginnt und nicht beim vorhandenen Datenmaterial (Pratt & Malcolm, 2023); zur Marktkategorie erklärt haben ihn die Marktforscher. Gartner führt dafür seit Juli 2024 einen eigenen Markt und seit dem 26. Januar 2026 einen Magic Quadrant mit siebzehn bewerteten Anbietern. Vier Abgrenzungen, auf die es ankommt: gegen Business Intelligence (dort ist der Bericht über die Vergangenheit der Gegenstand), gegen Analytik und Data Science (dort das Modell und seine Güte), gegen Entscheidungsautomatisierung (dort die Ausführung einer bereits getroffenen Festlegung) und, praktisch am folgenreichsten, gegen Graphtechnologie und ihre Anbieter: Ein Graph ist eine Datenstruktur und eine Datenbankklasse, Decision Intelligence eine Anwendungsklasse, die einen Graphen nutzen kann, aber nicht braucht. Umgekehrt ist eine Graphdatenbank für sich noch kein Decision-Intelligence-System, gleich was ihr Anbieter sonst im Portfolio führt: Von den sechs Fähigkeiten, die Gartner für die Kategorie als zwingend führt (Entscheidungsmodellierung, Entscheidungs-Governance, menschliche und automatisierte Entscheidungsausführung, Komposition von Entscheidungsdiensten, Überwachung und Ergebnisbewertung), liefert eine Graphdatenbank von sich aus keine einzige. Customer & Marketing Decision Intelligence ist die Benennung dieses Buchs für die Anwendung derselben Sicht auf die kundennahen Funktionen Marketing, Vertrieb und Service, also auf die dort wiederkehrenden Entscheidungen über Budgetverteilung, Zielgruppenwahl, nächste Maßnahme je Kunde, Preis und Kanalmix; der Begriff ist ein Sortierschlüssel über bereits behandelte Inhalte, kein eigener neuer Inhalt, und sein Unterschied zur allgemeinen Fassung liegt im kurzen Entscheidungstakt und in der verzögerten, von Außeneinflüssen überlagerten Wirkung. Eine fünfte Abgrenzung betrifft den Ermittlungsmarkt: Anbieter wie Palantir, Cognyte, ChapsVision und DataWalk gehören nicht hierher, weil bei ihnen der einzelne Fall im Vordergrund steht und nicht die wiederkehrende, modellierte und gesteuerte Entscheidung (s. Ermittlungs- und Lageplattform); es sind damit nicht zwei Decision-Intelligence-Märkte, sondern zwei Entscheidungsgegenstände auf einem Technikstapel. Praxisrelevanz: Die Verwechslung mit Graphanbietern führt immer wieder dazu, dass eine Datenbank gekauft wird, wo eine Entscheidungslogik gefehlt hätte, und umgekehrt. Ausführlich in Band 1, Kapitel 1 (Begriff und Abgrenzung), Band 2, Kapitel 2.3 (Verortung im Steuerungsmodell) und Band 3.1, Kapitel 3.1 (Domänenfassung).
In allen Bänden
Decision Lineage
Die nachvollziehbare Spur einer einzelnen automatisierten Entscheidung: welche Anfrage ein Agent gestellt hat, welcher Kontext und welcher Zustand des Wissensgraphen zum Zeitpunkt der Entscheidung galten, welche Regel in welcher Fassung geprüft wurde und mit welchem Ergebnis. Abgrenzung: Data Lineage (s. dort) verfolgt den Weg der Daten durch die Systeme, Provenienz (s. dort) die Herkunft und Verantwortung einer Aussage, Decision Lineage den Grund einer Entscheidung. Sie baut auf den Decision Traces (s. dort) auf und ergänzt sie um die zum Entscheidungszeitpunkt geltende Regel. Praxisrelevanz: Ohne sie lässt sich im Streitfall nicht belegen, warum ein Agent so gehandelt hat. Ausführlich in Band 4, Kapitel 3.3.
In allen Bänden
Decision Rights (Entscheidungsrechte)
Die ausdrückliche Festlegung, wer eine Entscheidung empfiehlt, wer zustimmen muss, wer Input gibt, wer entscheidet und wer umsetzt; ein verbreitetes Schema dafür ist RAPID (Rogers & Blenko, 2006). Dahinter steht die Einsicht der Prinzipal-Agent-Theorie, dass delegierte Entscheidungsbefugnis nur zusammen mit Rechenschaft und Informationszugang trägt. Im Buch bindet das Mandat die Entscheidungsrechte an eine Funktion, eine Ebene und eine Laufzeit und hält sie in der Strategy of Record fest (s. Band 2, Abschnitt 1.1.8).
In allen Bänden
Decision Traces
Ein von der Investmentgesellschaft Foundation Capital Ende 2025 geprägtes Konzept (Gupta & Garg, „AI’s trillion-dollar opportunity: Context graphs“, Foundation Capital, 22.12.2025): eine dauerhafte Aufzeichnung der Eingaben, Regeln, Ausnahmen, Freigaben, Handlungen und Ergebnisse hinter einer konkreten Entscheidung, nicht nur deren Endzustand im System. Verkettet vier Dimensionen, Situation, Rationale, Action, Outcome, und macht damit aus einem bloßen Aktivitätsprotokoll einen wiederverwendbaren Präzedenzfall. Praxisrelevanz: Retrieval ist kein Gedächtnis. Ein klassisches RAG-System (s. RAG-Architektur) findet ein relevantes Dokument, weiß aber nicht, warum eine frühere Entscheidung so ausfiel oder ob eine vergleichbare Entscheidung später zu einem Fehler führte; diese Lücke schließen Decision Traces. Sie dokumentieren Ablauf, angewandte Regeln und angegebene Begründung; ob eine von einem Sprachmodell ausgegebene Begründung den tatsächlichen inneren Entscheidungsweg wiedergibt, belegen sie nicht, das ist gesondert zu prüfen. Ausführlich in Band 1.1, Kapitel 2.2.
In allen Bänden
Deckungsbeitrag (Contribution Margin)
Der Betrag, den ein Produkt, eine Kundengruppe oder eine Einheit nach Abzug der ihr direkt zurechenbaren, in der Regel variablen Kosten vom Umsatz zur Deckung der Fixkosten und zum Gewinn beiträgt. Übliche Messgröße für Einheiten mit eigener Ergebnisverantwortung (Profit Center). Im Buch Beispiel für die Messgröße, an der sich Bereichsstrategien ausrichten (s. Band 2, Abschnitt 1.3.4).
Band 1.1 · Band 2 · Band 2.1 · Band 4
Deep Learning
Ein Teilbereich des maschinellen Lernens, der künstliche neuronale Netze mit vielen Schichten nutzt, um komplexe Muster in großen Datenmengen zu lernen.
Band 1 · Band 1.1
Deepfake
Mittels KI erzeugte, manipulierte Bilder oder Videos, bei denen Personen realistisch in Situationen dargestellt werden, in denen sie nie waren, oder Dinge sagen, die sie nie gesagt haben.
Band 1 · Band 1.1
Delegierter Zugriff
Ein Berechtigungsmodell, bei dem ein KI-Agent nicht mit einem eigenen, dauerhaften Dienstkonto arbeitet, sondern im Namen eines konkreten menschlichen Nutzers handelt, mit dessen Rechten, für dessen Aufgabe und nachvollziehbar auf diese Person zurückführbar. Das Gegenmodell ist ein unkontrolliert geteiltes Servicekonto, bei dem im Nachhinein nicht mehr rekonstruierbar ist, welcher Agentenlauf welche Aktion ausgelöst hat; eindeutige Workload-Identitäten und protokollierte Dienstkonten sind davon zu unterscheiden und können ebenfalls zurechenbar sein. Praxisrelevanz: Delegierter Zugriff ist eine Grundlage, auf der Just-in-Time-Credentials (s. dort) aufsetzen; das Prinzip der geringsten Rechte gilt für delegierte wie für eigene technische Identitäten. Delegierter Zugriff ergänzt die Agent Governance (s. Band 4, Kapitel 3.3) um die Zugriffsebene. Ausführlich in Band 2.1, Kapitel 4.8. Der Unterschied, auf den es ankommt: „as Code“ verschiebt, wo eine Festlegung liegt, aus einem Dokument oder einer Oberfläche in ein versioniertes, prüfbares Artefakt. „to Code“ verschiebt, wer die Übersetzung leistet, vom Menschen auf die Maschine. Das eine erzeugt Verbindlichkeit, das andere Geschwindigkeit. Praxisrelevanz: Für diese Reihe ist die Unterscheidung mehr als eine Vokabelfrage, sie ist die Probe auf das eigene Argument. „Semantik als Code“ und Business as Code setzen voraus, dass die Bedeutung geklärt, belegt und versioniert vorliegt, bevor eine Maschine auf ihr handelt. Ein Verfahren aus dem to-Code-Zweig erzeugt Code aus einem Artefakt, das diese Klärung nicht durchlaufen hat: aus einem Bild, einem Satz, einer Absicht. Das ist kein Einwand gegen diese Werkzeuge, sie lösen eine andere Aufgabe und lösen sie gut. Es ist ein Einwand gegen die stille Annahme, mit dem erzeugten Code sei auch die Bedeutung geklärt. Wer beide Reihen auseinanderhält, stellt in der Beschaffung die richtige Frage, nämlich ob ein Werkzeug eine überprüfbare Festlegung erzeugt oder schnell Code aus einer Vorlage, deren Bedeutung niemand geprüft hat. Ausführlich eingeordnet in Band 2, Einleitung.
In allen Bänden
Design to Code
Die Umwandlung eines Oberflächenentwurfs aus einem Designwerkzeug wie Figma, Sketch oder Adobe XD in Frontend-Code, also in HTML, CSS oder fertige Komponenten für React, Vue und vergleichbare Rahmenwerke. Eine einzelne, datierbare Prägung ist nicht nachweisbar: Die Bezeichnung ist eine Marktkategorie, besetzt von Werkzeugen wie Zeplin, Anima und Builder.io, und sie ist mit dem „Dev Mode“, den Figma im Juni 2023 auf seiner Konferenz Config vorstellte, in die Entwurfswerkzeuge selbst gewandert. Das Problem, das sie löst, ist echt und teuer: die Übergabe zwischen Entwurf und Entwicklung, bei der Abstände, Farben und Zustände von Hand abgelesen und ein zweites Mal nachgebaut werden. Praxisrelevanz: Design to Code ist ein nützliches Werkzeug für genau diese Übergabe und wird in dieser Reihe nicht als Gegenmodell behandelt. Es beantwortet aber eine Darstellungsfrage, keine Bedeutungsfrage. Ein Entwurf zeigt, wie etwas aussieht, nicht, was die dargestellten Felder fachlich bedeuten, woher sie stammen und welche Regel über ihnen steht. Ein Werkzeug dieser Kategorie spart Zeit an der Oberfläche; die Bedeutungsschicht darunter klärt es nicht (s. X as Code und X to Code (Begriffsfamilie)). Die Anpassung in der Tech-Lasagne dieser Reihe (2026): Das Modell übernimmt Gartners Governance-Gedanken (unterschiedliche Tempi brauchen unterschiedliche Führung), tauscht aber die Primärachse: Erste Ordnung ist die Bedeutung (drei Planes), die Tempo-Klassen werden zu beschreibenden Toolsicht-Etiketten der Ebenen. Zudem verlagert es den Ort der Differenzierung: nicht mehr eine Klasse lizenzierbarer Anwendungen (Systems of Differentiation), sondern die Bedeutungsmitte aus Data Engine und Wissensobjekten. Der Tempo-Gedanke kehrt als Zwei-Taktungen-Regel wieder (s. Glossar Modellbegriffe, Band 2.1). Offengelegt in Band 3, Kapitel 1.2 und Band 2.1, Kapitel 4.1.
In allen Bänden
Deskriptive Analytik
Die Untersuchung historischer Daten, um zu verstehen, was in der Vergangenheit passiert ist, oft durch Berichte und Visualisierungen. Die Anpassung in der Tech-Lasagne dieser Reihe (2026): Das Modell übernimmt Gartners Governance-Gedanken (unterschiedliche Tempi brauchen unterschiedliche Führung), tauscht aber die Primärachse: Erste Ordnung ist die Bedeutung (drei Planes), die Tempo-Klassen werden zu beschreibenden Toolsicht-Etiketten der Ebenen. Zudem verlagert es den Ort der Differenzierung: nicht mehr eine Klasse lizenzierbarer Anwendungen (Systems of Differentiation), sondern die Bedeutungsmitte aus Data Engine und Wissensobjekten. Der Tempo-Gedanke kehrt als Zwei-Taktungen-Regel wieder (s. Glossar Modellbegriffe, Band 2.1). Offengelegt in Band 3, Kapitel 1.2 und Band 2.1, Kapitel 4.1.
Band 1 · Band 1.1
Digital Asset Management (DAM)
Ein System, das Medienbestände eines Unternehmens verwaltet: Bilder, Videos, Audiodateien, Logos, Layoutvorlagen und die dazugehörigen Rechte. Es führt zu jeder Datei Metadaten (Motiv, Kampagne, Freigabestatus, Nutzungsrecht, Ablaufdatum), hält Varianten und Formate zusammen und liefert Assets an die Kanäle aus, die sie brauchen. Abzugrenzen vom PIM, das Produktdaten führt, und vom CMS, das Seiten und Inhalte zusammensetzt; in der Praxis arbeiten die drei zusammen. Praxisrelevanz: Ein DAM ordnet Dateien und beschreibt sie mit Metadaten; was diese Metadaten über Systemgrenzen hinweg bedeuten, stimmt es nicht mit anderen Systemen ab. Ist die Asset-Kennung im Wissensgraphen verortet, lässt sich systemübergreifend fragen, zu welchem Produkt, welcher Kampagne und welchem Markenwert ein Bild gehört und welche Nutzungsrechte dort gelten; wie viel davon ein einzelnes DAM schon selbst leistet, hängt von Produkt und Konfiguration ab. Gute Metadaten im DAM sind deshalb die Vorstufe eines Markengraphen, nicht sein Ersatz (s. Band 3, Kapitel 7.1).
In allen Bänden
Digital Omnibus on AI
Verordnung (EU) 2026/1744 vom 8. Juli 2026, veröffentlicht im Amtsblatt vom 24. Juli 2026 (CELEX 32026R1744), zur Änderung der Verordnungen (EU) 2024/1689, (EU) 2018/1139 und (EU) 2023/1230 im Hinblick auf die Vereinfachung der Umsetzung harmonisierter Vorschriften für künstliche Intelligenz; der amtliche Kurztitel lautet Digital-Omnibus-Verordnung zur KI, Digital Omnibus on AI ist die geläufige englische Bezeichnung. Verschiebt den Geltungsbeginn der Vorschriften für Hochrisiko-Systeme (Kapitel III Abschnitte 1 bis 3 des AI Act) in zwei Stufen: für die in Anhang III gelisteten Anwendungsbereiche auf den 2. Dezember 2027, für in Produkte eingebettete Systeme nach Anhang I auf den 2. August 2028. Die Kennzeichnungspflicht nach Artikel 50 Absatz 2 bleibt davon ausgenommen und gilt unverändert ab dem 2. August 2026, mit einer Übergangsfrist bis zum 2. Dezember 2026 für vor dem 2. August 2026 in Verkehr gebrachte Systeme. In Kraft getreten ist die Verordnung am 27. Juli 2026. Sie fasst zudem die Pflicht zur KI-Kompetenz nach Artikel 4 neu (s. AI Literacy, dort der Absatz zu Artikel 4 des AI Act) und ergänzt die verbotenen Praktiken um KI-Systeme, die nicht einvernehmliche intime Bilder oder Darstellungen sexuellen Kindesmissbrauchs erzeugen. Praxisrelevanz: Die spätere Frist verlängert die Zeit bis zum Geltungsbeginn; ob ein System als hochriskant gilt, entscheidet sie nicht. Die Einstufungsregeln hat dieselbe Verordnung an anderer Stelle geändert (Art. 6 Abs. 1a bis 1c, unter anderem zur Frage, was als Sicherheitsbauteil gilt), die Einstufung gehört deshalb in die rechtliche Prüfung. Primärquelle: eur-lex.europa.eu/eli/reg/2026/1744/oj. Ausführlich in Institutionelle Ressourcen (Band 1 und Band 1.1, Anhang).
In allen Bänden
Digital Twin of an Organization (DTO) / Universal Digital Twin
Zwei unabhängige Vergleichsarchitekturen, die die These dieses Buchs plausibilisieren, dass sich das S‑OPDT-Bedeutungsmodell als digitaler Zwilling der Organisation lesen lässt (eigene Einordnung des Buchs, aus der Beratungspraxis hergeleitet), sie belegen diese These nicht im strengen Sinn: Ähnlichkeit zu einem fremden Begriff ist keine Identität mit ihm. Gartner führt den DTO als eigene Kategorie: ein dynamisches Softwaremodell der Organisation, das operative und Kontextdaten integriert (Kerremans & Miers, Market-Guide-Serie; Analystenmaterial hinter Paywall, Definition nach lizenzierter Wiedergabe). Akademisch: The World Avatar (Akroyd, Mosbach, Bhave & Kraft, Data-Centric Engineering, 2021): ein universeller Digital Twin ist am tragfähigsten als dynamischer Wissensgraph gebaut (Ontologien beschreiben, Agenten aktualisieren, der Graph verbindet Domänen). Merkformel des Buchs: Traceability/Time Travel = Zwilling mit Gedächtnis, Simulation = Zwilling mit Zukunft; Gegenstand ist Bedeutung statt Physik, dieser letzte Halbsatz ist dabei selbst schon eine Verschiebung des Twin-Begriffs, keine Ableitung aus ihm. Offen bleibt gegenüber einer vollständigen Twin-Definition, wie Synchronisation mit dem Original, Systemgrenze, Aktualitätsgarantie und Identitätsabbildung des S‑OPDT-Bedeutungsmodells konkret geprüft und validiert werden; bis diese Kriterien ausbuchstabiert sind, ist „Organisationsmodell“ oder „Knowledge Map“ die vorsichtigere, ebenso zutreffende Bezeichnung für die frühen Ausbaustufen. Ausführlich in Band 3, Kapitel 1.6.
In allen Bänden
Digitale Transformation
Prozess der Integration digitaler Technologien in alle Bereiche eines Unternehmens, der zu grundlegenden Änderungen in der Arbeitsweise und dem Wertangebot für Kunden führt. Das Buch grenzt die „Intelligente Transformation“ (s. dort) bewusst von diesem älteren, technologiezentrierten Begriff ab, weil KI eigene, strategische statt nur digitalisierende Anforderungen stellt.
Band 1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Digitaler Zwilling
Ein laufend aktualisiertes digitales Abbild eines realen Objekts oder Systems (einer Turbine, eines Stromnetzes, einer Fabrik), gespeist aus Sensordaten, Wartungshistorie und technischen Spezifikationen. Der digitale Zwilling erlaubt es, Änderungen oder Störfälle zunächst virtuell durchzuspielen, bevor man am echten Gerät etwas verändert, vergleichbar mit einem Flugsimulator, an dem Piloten üben, ohne ein echtes Flugzeug zu riskieren. In diesem Buch entsteht ein digitaler Zwilling meist, indem ein Wissensgraph die Bauteile und ihre Beziehungen abbildet (Kompendium der Fallstudien, Kapitel 4.1).
In allen Bänden
DIKW-Pyramide
Ein seit den 1980er-Jahren verbreitetes Schichtenmodell, das Erkenntnisgewinnung in vier aufeinander aufbauende Stufen gliedert: Data (rohe Zeichen/Zahlen ohne Bedeutung), darauf Information (Daten in Bezug gesetzt, beantwortet „Wer, was, wann“), darauf Knowledge (Information mit Kontext und Erfahrung verknüpft, beantwortet „Wie“) und zuoberst Wisdom (Wissen mit Urteilsvermögen angewendet, beantwortet „Warum“). Die Pyramide ist in der Wissensmanagement-Literatur selbst umstritten, unter anderem wegen der unscharfen Abgrenzung der Stufen und der impliziten, empirisch nicht belegten Annahme, Wissen und Weisheit entstünden automatisch, sobald genug Struktur vorliegt: Semantik und Graphstruktur allein erzeugen weder Wissen noch Weisheit, sie schaffen allenfalls die Voraussetzung dafür. Praxisrelevanz für dieses Buch: als didaktisches Bild, das plausibel macht, warum reine Datensammlungen ohne Semantik (s. Ontologie, Semantic Layer) auf der untersten Stufe steckenbleiben, nicht als geprüfter Beleg für die eigene Wissensgraph-Architektur. Erweiterung: Cannon (2026) fügt zwischen Data und Information eine oft übersehene Stufe ein, Authentication, die Prüfung, ob Daten glaubwürdig, nachvollziehbar und für den Zweck geeignet sind (Quelle, Integrität, Herkunftskette, Aktualität). Diese Erweiterung ist eine unabhängige Publikation zu einem selbst umstrittenen Modell, sie bestätigt nicht rückwirkend die Architekturentscheidungen dieses Buchs, sondern liefert einen Begriff, mit dem sich benennen lässt, was Traceability und der epistemische Status pro Kante technisch bereits leisten, ausführlich in Band 1, Abschnitt 5.3.
In allen Bänden
Disambiguierung
Die Auflösung der Mehrdeutigkeit von Begriffen, die je nach Kontext Verschiedenes bedeuten können (Homonyme wie „Bank“ als Finanzinstitut oder Sitzgelegenheit, s. Band 1.1, Kapitel 1.3). In Ontologien und Wissensgraphen ist Disambiguierung eine Grundvoraussetzung dafür, dass ein System überhaupt zuverlässig schließen kann, welche Entität oder welcher Begriff an einer bestimmten Stelle gemeint ist, dieselbe Aufgabe, die unter dem Namen „Entity Disambiguation“ in der KI-Forschung eigens untersucht wird (s. Wissensbasis (Band 1)). Dieselbe Aufgabe stellt sich nicht nur Maschinen: Auch ein Kürzel wie „CCIO“ oder der Name eines Frameworks wird an verschiedenen Stellen unterschiedlich gebraucht und muss gegen die jeweils maßgebliche Primärquelle aufgelöst werden, bevor eine Organisation damit arbeiten kann. Genau dafür steht der Begriffs-Catchball (s. Band 2, Kapitel 2.4).
Band 1 · Band 1.1 · Band 2 · Band 2.1
Discernment (Urteilsvermögen, phronesis)
Die Fähigkeit zu erkennen, welcher Teil einer vorliegenden Analyse in der konkreten Situation trägt. Der Begriff markiert im Vorwort dieser Reihe einen Rollenwechsel: Decision Support hieß bislang, genug Daten und Analysen bereitzustellen, damit ein Mensch am Ende gut entscheiden kann. Das reicht nicht mehr, sobald eine KI davon unbegrenzte Mengen in beliebiger Geschwindigkeit liefert. Knapp wird dann nicht die Analyse, sondern das Urteil darüber. Aristoteles nennt das in der Nikomachischen Ethik, Buch VI, phronesis, praktische Klugheit, die sich nicht vorab in eine Formel gießen lässt. Ausführlich in Band 1, Vorwort, für die Führung einer Strategy of Record in Band 2, Abschnitt 1.1.7.
In allen Bänden
Disqualifier (Compo)
Fünf Prüffragen nach Peter Compo, mit denen Aussagen ohne echten Strategiegehalt aussortiert werden: Opposite (wäre das Gegenteil absurd?), Numbers (enthält die Aussage Zahlen und ist damit eher ein Ziel?), Duplicate (wiederholt sie nur die Strategie der übergeordneten Einheit?), Excluded (nimmt sie wesentliche Teile der Organisation aus?) und List (ist sie eine Aufzählung statt einer leitenden Regel?). Im Buch die Prüfstufe vor dem Beschluss einer Strategieaussage (Band 2, Abschnitt 1.2.3).
In allen Bänden
Do-Kalkül
Ein Satz von Regeln, entwickelt von Judea Pearl, um die Auswirkungen von Interventionen in kausalen Modellen mathematisch abzuleiten.
Band 1 · Band 1.1
Domäne (Domain)
Ein fachlicher Zuständigkeitsbereich mit eigener Sprache: ein Ausschnitt der Wirklichkeit, über den eine Gruppe von Menschen so präzise spricht, dass Missverständnisse innerhalb der Gruppe selten sind (nach Evans, 2003). Der Bounded Context ist die Grenze, innerhalb derer ein bestimmtes Modell mit seinen Begriffen gilt und ein Begriff genau eine Bedeutung hat; eine Domäne kann mehrere solcher Kontexte enthalten. In dieser Reihe ist die Domäne die Einheit, an der die Verantwortung für Daten und Begriffe hängt (s. Domänenhoheit (Domain Ownership)). Ausführlich in Band 1.1, Kapitel 4.4.
In allen Bänden
Domänenhoheit (Domain Ownership)
Eines der vier Grundprinzipien von Data Mesh (s. Data Mesh), in dieser Reihe ausgestaltet als Definitionshoheit: Eine Domäne entscheidet, was ihre Begriffe bedeuten. Über den Zugriff entscheidet sie damit nicht automatisch; den regelt die gewählte Zugriffsverwaltung. Die Hoheit endet an geteilten Begriffen, für die der normative Raum zuständig ist (s. Glossar Modellbegriffe (Band 2.1)), und trägt nur, wenn ihr sechs konkrete Fähigkeiten mitgegeben werden: zuschneiden, zusagen, einlösen, Begriffe festlegen, Regeln durchsetzen, befähigen können. Ausführlich in Band 1.1, Kapitel 4.4.
In allen Bänden
DORA
Abkürzung mit zwei Bedeutungen, die sich im Buch nicht vermischen sollen. Im Recht steht sie für die EU-Verordnung über die digitale operationale Resilienz im Finanzsektor (Digital Operational Resilience Act, Verordnung (EU) 2022/2554), die für Finanzunternehmen unter anderem Ausstiegsstrategien für IKT-Dienstleistungen regelt (s. Exit-Strategie, Band 2, Abschnitt 2.6.2). In der Softwareentwicklung steht sie für das Forschungsprogramm DevOps Research and Assessment, dessen Kennzahlen die Lieferfähigkeit messen (Katalog der Kennzahlen und Gesundheitsindikatoren, Band 2, Anhang 20).
Band 2 · Band 2.1 · Band 2.3 · Band 4
Dragon1
Offene Unternehmensarchitektur-Methode des niederländischen Architekten Mark Paauwe. Kernbegriffe: Jedes Unternehmen ist als System bzw. Struktur betrachtbar; Architektur ist ein Gesamtkonzept (total concept) aus Konzepten mit ihren Prinzipien; ein Prinzip ist ein testbarer Wirkmechanismus, der Verhalten vorhersagt. Die Methode gliedert sich in Way of Thinking, Way of Working und Way of Supporting (s. dort und Band 2.1, Kapitel 4.12).
Band 2.1 · Band 2.2
Driver-Based Planning (treiberbasierte Planung)
Ein Planungsansatz im Controlling, der Ergebnisgrößen nicht aus dem Vorjahr fortschreibt, sondern aus ihren operativen Treibern ableitet, etwa den Umsatz aus Menge, Preis und Kundenzahl. Ändert sich ein Treiber, rechnet die Planung die abhängigen Größen nach; die Beziehungen bildet ein Value Driver Tree (s. dort) ab. Im Buch verwandt mit den dynamischen KPIs: KI schlägt Kennzahlen aus den Werttreibern vor, festgelegt und versioniert werden sie per Beschluss (s. Band 2, Abschnitt 1.5.3 und Kapitel 2.2).
Band 2
DSP (Demand-Side Platform) / CPQ (Configure-Price-Quote)
Eine DSP ist eine Software-Plattform, über die programmatische Werbeeinkäufer in Echtzeit auf Werbeplätze bieten (Real-Time Bidding) und Kampagnen über viele Kanäle/Publisher hinweg steuern. Ein CPQ-System unterstützt den Vertrieb dabei, komplexe, individuell konfigurierbare Produkte oder Verträge korrekt zusammenzustellen, automatisch zu bepreisen und in ein Angebot zu überführen. Praxisrelevanz: Beide Systeme sind typische Beispiele für Domänenapplikationen der Resource Plane in der Tech-Lasagne (Glossar Modellbegriffe, Band 2.1), wichtig, um zu verstehen, dass solche Fachsysteme ohne semantische Anbindung an eine Unternehmensontologie isolierte Dateninseln bleiben.
Band 2 · Band 2.1
Dublin Core
Ein seit den 1990er-Jahren etabliertes, bewusst schlankes Metadatenschema zur Beschreibung von Ressourcen über einen kleinen Satz von Kernangaben, darunter Titel, Ersteller, Datum, Format und Rechte, aber auch Thema (Subject), Beschreibung (Description) und Beziehung (Relation). Es beschreibt Ressourcen damit auch inhaltlich, bleibt dabei aber bewusst flach: Welche Begriffe gelten, wie sie zueinander stehen und wo sie gelten, legt es nicht fest. Praxisrelevanz: Dublin Core ist die einfachste Stufe der Beschreibungsebene und deshalb der Einstiegspunkt, bevor mit SKOS und DCAT (s. dort) weitergegangen wird; in der Reihe als Beispiel für eine Normierungsanforderung in Band 2.2, Kapitel 1.2.
In allen Bänden
DXP (Digital Experience Platform)
Eine Plattformkategorie, die das gesamte digitale Kundenerlebnis über Kanäle hinweg (Website, App, personalisierte Inhalte) steuert, mit typischerweise sehr hoher Integrationsdichte zu CMS, CRM, E-Commerce und Analytics. Praxisrelevanz: Eine DXP wird im Alltag häufig mit einer CDP oder einer Marketing-Automation-Lösung verwechselt, obwohl alle drei unterschiedliche Kernaufgaben lösen, s. die Abgrenzungstabelle in Band 3, Kapitel 1.3.
Band 1.1
Dynamic Graph Neural Networks (dynamische GNN)
Neuronale Netze, die nicht wie klassische Graph Neural Networks nur die Struktur eines Graphen zu einem einzelnen Zeitpunkt auswerten, sondern lernen sollen, wie sich diese Struktur selbst über Zeit verändert, welche Kanten entstehen, welche verschwinden, welcher Knoten an Bedeutung gewinnt. In Kombination mit Neurosymbolischer KI (s. dort) verbindet sich damit neuronales Lernen über Zeitreihen mit der Nachvollziehbarkeit eines symbolischen, regelbasierten Systems. Wichtige Einordnung: 2026 überwiegend Forschungsgegenstand; erste produktive neurosymbolische Einsätze bestehen bei eng abgegrenzten, statischen Aufgaben wie Formularverarbeitung und Dokumentenprüfung, die Verbindung mit zeitlich dynamischen Graphen ist davon zu unterscheiden und noch nicht Standardpraxis. Praxisrelevanz: Ein Unternehmen, das seine Bedeutungsschicht bereits bitemporal führt (s. Bitemporale Modellierung, Time Travel), besitzt mit einem solchen zeitversionierten Graphen bereits die Datengrundlage, auf der ein dynamisches GNN künftig direkt lernen könnte, statt sie nur zu speichern. Ausführlich in Band 2, Kapitel 2.1 und, angewendet auf den Customer-Journey-Graphen, in Band 3.1, Abschnitt 2.8.
In allen Bänden
E
Early Fusion (multimodale KI)
Eine Architekturentscheidung beim Training multimodaler KI-Modelle, verschiedene Datentypen (Text, Bild, Ton, Sensordaten) bereits sehr früh im Verarbeitungsprozess auf einer gemeinsamen Repräsentationsebene zusammenzuführen, statt sie erst spät nach getrennter Verarbeitung zu kombinieren („Late Fusion“). Praxisrelevanz: Early-Fusion-Architekturen gelten als Grundlage leistungsfähigerer, kohärenterer multimodaler Systeme (z. B. moderner KI-Weltmodelle für physische KI, s. World Model (KI-Fachbegriff) und Physische KI und SLM), weil Zusammenhänge zwischen Modalitäten von Anfang an mitgelernt statt erst nachträglich verknüpft werden. Eigene Erweiterung dieses Buches, „+Description“: Über das zitierte Original hinaus ergänzt dieses Buch beim eigenen S‑OPDT-Graphen eine sechste, selbst hinzugefügte Kategorie, ausdrücklich nicht Teil von Kalicińskis Fünf-Typen-Raster: Description, für Dinge, die weder Person noch physisches Objekt noch Ort noch Ereignis noch Organisation sind, sondern etwas beschreiben, ohne selbst ein räumlich verortetes Ding zu sein, etwa Anforderungen, Capabilities, Strategien oder KPIs; eine zeitliche Geltung können sie durchaus haben. Zu unterscheiden bleibt dabei die beschreibende Ebene (die Definition einer Fähigkeit, eine Anforderung, ein Zielwert) von der tatsächlich vorhandenen Fähigkeit und ihrem gemessenen Wert; ob das Modell beide als getrennte, über eine Kante verbundene Knoten führt, ist eine noch offene Modellentscheidung. Ohne eigene Kategorie landen sie notdürftig unter Object, wo sie ebenso wenig hingehören wie ein Unternehmen. Die Lücke wurde erst beim Aufbau eines tatsächlich lauffähigen S‑OPDT-Graphen sichtbar, als klar wurde, wie viele der im Buch verwendeten Kontext-Unterklassen genau diese Kategorie gebraucht hätten (s. Band 2.1, Kapitel 3.2). Ausführlich in Band 1.1, Abschnitt 1.3.8. Einordnung für dieses Buch: Entsprechung im Buch ist die Stufenfolge Terminologiearbeit, Taxonomie, Ontologie (s. Terminologiearbeit, Taxonomie, SKOS); Talisman unterteilt sie feiner und ergänzt eine eigens benannte Metadatenstufe. Im Refresh-Artikel von 2026 ergänzt Talisman zwei dauerhafte Disziplinen, Governance (fortlaufender Prozess statt einmaliges Liefergut) und die Prüfung KI-generierter Vorschläge durch ausgebildete Fachleute, und warnt: Ein KI-generiertes kontrolliertes Vokabular ohne Definitionen, Deduplizierung und Methode zur Auflösung von Synonymen und Homonymen sei kein kontrolliertes Vokabular, sondern „eine Liste“. Praxisrelevanz: Entsprechung im Buch ist die Warnung vor blind vertrauter, automatisiert erzeugter Struktur in der Ontologie-Falle, wie sie Vasiliev (Juni 2026) und Alcaraz (Juli 2026) beschreiben (s. Ontology Trap und Band 1.1, Kapitel 1.3). Ausführlich in Band 1.1, Abschnitt 1.3.9.
In allen Bänden
Edge Analytics
Verarbeitung und Auswertung von Daten direkt an ihrem Entstehungsort, an einer Maschine, einem Sensor, einem Kassenterminal oder einem Fahrzeug, statt sie zunächst vollständig in eine zentrale Plattform zu übertragen. Der Betriebsbegriff für alle Fälle, in denen Datenmenge, Netzverbindung oder verfügbare Zeit den Weg über die Zentrale ausschließen; TinyML (s. dort) ist der technisch engste Sonderfall davon. In der Tech-Lasagne ein Grenzfall der Data Layer, s. Band 2.2, Kapitel 5.2. Eigene Erweiterung dieses Buches, „+Description“: Über das zitierte Original hinaus ergänzt dieses Buch beim eigenen S‑OPDT-Graphen eine sechste, selbst hinzugefügte Kategorie, ausdrücklich nicht Teil von Kalicińskis Fünf-Typen-Raster: Description, für Dinge, die weder Person noch physisches Objekt noch Ort noch Ereignis noch Organisation sind, sondern etwas beschreiben, ohne selbst ein räumlich verortetes Ding zu sein, etwa Anforderungen, Capabilities, Strategien oder KPIs; eine zeitliche Geltung können sie durchaus haben. Zu unterscheiden bleibt dabei die beschreibende Ebene (die Definition einer Fähigkeit, eine Anforderung, ein Zielwert) von der tatsächlich vorhandenen Fähigkeit und ihrem gemessenen Wert; ob das Modell beide als getrennte, über eine Kante verbundene Knoten führt, ist eine noch offene Modellentscheidung. Ohne eigene Kategorie landen sie notdürftig unter Object, wo sie ebenso wenig hingehören wie ein Unternehmen. Die Lücke wurde erst beim Aufbau eines tatsächlich lauffähigen S‑OPDT-Graphen sichtbar, als klar wurde, wie viele der im Buch verwendeten Kontext-Unterklassen genau diese Kategorie gebraucht hätten (s. Band 2.1, Kapitel 3.2). Ausführlich in Band 1.1, Abschnitt 1.3.8. Einordnung für dieses Buch: Entsprechung im Buch ist die Stufenfolge Terminologiearbeit, Taxonomie, Ontologie (s. Terminologiearbeit, Taxonomie, SKOS); Talisman unterteilt sie feiner und ergänzt eine eigens benannte Metadatenstufe. Im Refresh-Artikel von 2026 ergänzt Talisman zwei dauerhafte Disziplinen, Governance (fortlaufender Prozess statt einmaliges Liefergut) und die Prüfung KI-generierter Vorschläge durch ausgebildete Fachleute, und warnt: Ein KI-generiertes kontrolliertes Vokabular ohne Definitionen, Deduplizierung und Methode zur Auflösung von Synonymen und Homonymen sei kein kontrolliertes Vokabular, sondern „eine Liste“. Praxisrelevanz: Entsprechung im Buch ist die Warnung vor blind vertrauter, automatisiert erzeugter Struktur in der Ontologie-Falle, wie sie Vasiliev (Juni 2026) und Alcaraz (Juli 2026) beschreiben (s. Ontology Trap und Band 1.1, Kapitel 1.3). Ausführlich in Band 1.1, Abschnitt 1.3.9.
Band 2.2
Einordnung
2026 überwiegend Forschungsstand mit einem ersten kommerziellen Beleg, nicht breiter Unternehmenspraxis: VERSES AI brachte im April 2025 mit Genius eine darauf aufbauende Agenten-Plattform auf den Markt, zunächst für eine kleine Zahl von Pilotkunden (VERSES AI, 2025). Praxisrelevanz: Für ein auf Vorhersage statt auf reine Reaktion ausgelegtes System, etwa ein CRM, das nicht auf ein bereits erkanntes Muster antwortet, sondern fortlaufend die eigene Erwartung an einen Kunden mit dessen tatsächlichem Verhalten abgleicht, liefert Active Inference eine mögliche, noch nicht etablierte formale Grundlage. Nicht zu verwechseln mit dem allgemeineren KI-Fachbegriff World Model (s. dort), der lernt und vorhersagt, aber keine Handlungslogik zur Überraschungsminimierung mitbringt. Ausführlich, mit der Anbindung an Stafford Beers Viable System Model und dem Markov-Blanket-Konzept, in Band 4, Kapitel 7.7; als Teil des mittelfristigen, zweiten Horizonts in Band 2, Kapitel 2.1 und, angewendet auf das Butler-CRM, in Band 3.1, Abschnitt 2.8.
In allen Bänden
Elicitation
Der strukturierte Prozess des Ermittelns, Sammelns und Herausarbeitens von Anforderungen, Wissen oder Erwartungen aus verschiedenen Quellen, meist durch direkte Zusammenarbeit mit Stakeholdern, ein Standardbegriff aus Business-Analyse, Requirements Engineering und Anforderungsmanagement (ausführlich bereits in Band 2.2, Kapitel 1.2). Im Ontologie-/Wissensgraph-Kontext ist Elicitation der erste Schritt des Competency-Question-Prozesses: die echten Fragen und das Erfahrungswissen der Fachrollen sammeln, bevor modelliert wird. Typische Methoden: Interviews, Workshops, Umfragen, Beobachtungen, Dokumentenanalyse. Praxisrelevanz: Elicitation gehört zu den teuersten und zeitraubendsten Schritten eines Ontologie-Projekts, weil sie klassisch an die Kalender menschlicher Gesprächspartner gebunden ist. Hier liegt der Ansatzpunkt für Befragungsagenten (s. dort). Ausführlich in Band 1.1, Kapitel 1.5.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Emergenz
Eigenschaften, die erst aus dem Zusammenwirken der Teile hervorgehen, nicht in einem einzelnen Teil stecken. Praxisrelevanz: Der Grund, warum sich die Wirkung einer Transformation nicht aus der Summe ihrer Einzelmaßnahmen vorhersagen lässt. In einem komplexen System entstehen Eigenschaften und Verhaltensweisen, die aus der Analyse der Einzelteile nicht ableitbar sind; klassische Planungsverfahren, die genau das voraussetzen, stoßen dort an Grenzen. Für stabile, gut verstandene Teilbereiche bleiben sie brauchbar; wo Wechselwirkungen dominieren, schlägt dieses Buch Simulation statt Extrapolation vor (s. Agent-Based Modelling). Ausführlich in Band 1, Kapitel 6.2.
In allen Bänden
Emotionserkennungssystem
Rechtsbegriff aus der KI-Verordnung, dort definiert als KI-System, das dem Zweck dient, Emotionen oder Absichten natürlicher Personen „auf der Grundlage ihrer biometrischen Daten“ festzustellen oder daraus abzuleiten (Verordnung (EU) 2024/1689, Art. 3 Nr. 39). Entscheidend ist die biometrische Grundlage: Gesichtsausdruck, Stimme, Mikrosignale, Sensorik am Körper. Nicht erfasst sind damit die abgefragte Emotion aus Journey Map, Markenanalyse, Befragung oder Interview sowie die Stimmungsschätzung aus Texten, Klickwegen oder Nutzungsmustern. Praxisrelevanz: Das Verbot in Artikel 5 Absatz 1 Buchstabe f betrifft die Ableitung von Emotionen am Arbeitsplatz und in Bildungseinrichtungen und nimmt Systeme aus, die aus medizinischen Gründen oder Sicherheitsgründen eingeführt oder auf den Markt gebracht werden sollen; Anhang III Nummer 1 Buchstabe c führt Systeme zur Emotionserkennung als Hochrisiko-Bereich, soweit ihr Einsatz rechtlich zugelassen ist, und nach Artikel 50 Absatz 3 informieren die Betreiber die betroffenen Personen über den Betrieb des Systems. Die Datenschutz-Grundverordnung gilt unabhängig davon. Keine Rechtsberatung, der Einzelfall gehört in fachanwaltliche Prüfung. Ausführlich in Band 3, Abschnitt 8.4.4; zur Modellgrenze s. Emotionale KI / Affective Computing in Glossar Modellbegriffe.
In allen Bänden
Employee Experience (EX)
Wie sich Arbeit für Mitarbeitende anfühlt, über die gesamte Reise von Einstellung bis Austritt: Kultur, Zugehörigkeit, Technologie am Arbeitsplatz (Morgan, 2017). Ein HR- und Kulturkonzept mit Wohlbefinden und Bindung im Zentrum, nicht zu verwechseln mit dem engeren Begriff Interner Kunde (s. dort): Der fragt, ob ein Transformationsteam dieselbe Discovery-Disziplin auf den Fachbereich anwendet, die es bei externen Kunden für selbstverständlich hält, eine Methodikfrage, keine Wohlbefindensfrage. Ausführlich abgegrenzt in Band 1.1, Kapitel 2.7.
Band 1.1 · Band 2.1
Employer Branding
Der gezielte Aufbau und die Pflege des Rufs eines Unternehmens als Arbeitgeber gegenüber aktuellen und potenziellen Mitarbeitenden, mit dem Ziel, im Wettbewerb um Fachkräfte sichtbar und attraktiv zu sein. Im Buch als Beispiel dafür genannt, wie Organisationsaufbau und Rollenzuschnitt nicht nur intern wirken, sondern auch nach außen sichtbar werden, gegenüber Aufsichtsräten, Regulatoren und dem Bewerbermarkt. Ausführlich in Band 2.1, Kapitel 3.1.
Band 1 · Band 2.1
Enablement (Abgrenzung zu Change Management)
Change Management (Kotter, ADKAR) ist projektförmig, mit Anfang, Zielarchitektur und definiertem Ende. Enablement ist demgegenüber keine Projektphase, sondern eine dauerhafte, nie abgeschlossene organisationale Fähigkeit: Adoption beantwortet „Setzen wir das Werkzeug ein?“, Enablement die härtere Frage „Können wir es tragfähig weiterentwickeln, ohne bei jeder neuen Version wieder bei null zu beginnen?“. Praxisrelevanz: Bei KI besonders wichtig, weil anders als bei klassischer Digitalisierung kein stabiler Zielzustand existiert, auf den hin einmalig geschult werden könnte, ausführlich in Band 4, Kapitel 6.1.
In allen Bänden
Enforcement (Data-Pipeline-Governance)
Die automatisierte, technisch erzwungene Durchsetzung einer Regel durch die Pipeline selbst, statt sie nur zu dokumentieren oder nachträglich zu prüfen: Eine Änderung wird bei bestandener Prüfung automatisch ausgerollt, bei nicht bestandener automatisch blockiert, ohne dass ein Mensch jeden Einzelfall manuell freigibt. Abgrenzung: Enforcement ersetzt einen administrativen Ticket-Prozess, bei dem ein Mensch eine Regelverletzung erst im Nachhinein bemerkt und bearbeitet, durch eine vorgelagerte Prüfung im Code selbst, dieselbe Verschiebung von nachgelagerter zu vorgelagerter Kontrolle, die Policy as Code (s. Anhang 2) für Governance-Regeln allgemein beschreibt, hier angewendet auf die Freigabe-Pipeline einer Ontologie. Praxisrelevanz: Werkzeuge wie Great Expectations, Soda oder Open Policy Agent (OPA) setzen Enforcement in der Praxis um, indem sie eine Änderung gegen Datenqualitäts- oder Zugriffsregeln prüfen, bevor sie in eine Data Engine, einen Wissensgraphen oder ein Data Warehouse ausgerollt wird. Auch Regelcode kann fehlerhaft oder unvollständig sein; automatisierte Prüfung und menschliches Review ergänzen sich deshalb. Ausführlich, als Ausblick auf eine sich entwickelnde, noch nicht etablierte Praxis gekennzeichnet, in Band 2.1, Kapitel 1.2.
In allen Bänden
Enterprise Architecture (EA)
Disziplin, die sich mit der Ausrichtung von Geschäfts- und IT-Strategien befasst, um die Transformation eines Unternehmens zu unterstützen. Im S‑OPDT-Modell übernimmt vor allem das Capability Mapping (s. Glossar Modellbegriffe) klassische EA-Aufgaben, ohne eine vollständige EA-Disziplin wie TOGAF zu ersetzen.
In allen Bänden
Enterprise Architecture Management (EAM)
Disziplin und Werkzeuggattung, die Anwendungen, Fähigkeiten, Abhängigkeiten und Lebenszyklen eines Unternehmens führt. In der Transformationsplanung eine Quelle für Kandidaten der Ist-Analyse (Band 1.1, Abschnitt 5.6.1). Siehe auch Enterprise Architecture (EA) in diesem Glossar.
In allen Bänden
Entitätserkennung (Named Entity Recognition, NER)
Ein Teilbereich von NLP, der darauf abzielt, benannte Entitäten (wie Personennamen, Orte, Organisationen) in Texten zu identifizieren und zu klassifizieren.
Band 1 · Band 1.1
Entity Resolution
Die Klärung, ob eine Entität (etwa „Kunde X“) in verschiedenen Systemen oder Datenquellen tatsächlich dieselbe reale Person oder dasselbe reale Objekt bezeichnet, und die anschließende Zusammenführung dieser Identität zu einem einzigen, wiederverwendbaren Knoten. Praxisrelevanz: Ohne Entity Resolution bleibt jede ganzheitliche Kundensicht brüchig, weil dieselbe Person in CRM, CDP und Webshop als drei verschiedene, nicht verknüpfte Datensätze existiert. Meist Ein- bis Zwei-Hop-Arbeit mit hohem Anspruch an semantische Präzision, ausführlich in Band 1.1, Kapitel 2.5, Band 4, Kapitel 1.1 und, mit den drei Matching-Verfahren dahinter, Band 3.1, Abschnitt 3.1.6. Verwandte, aber nicht identische Aufgaben: Entity Disambiguation (auch Entity Linking) ordnet eine im Text erwähnte Entität der richtigen, bereits bekannten realen Entität zu, etwa welches „Paris“ gemeint ist, das steht Entity Resolution nahe, ohne deckungsgleich zu sein, weil Entity Resolution zusätzlich Datensätze über Systeme hinweg zusammenführt statt nur einzelne Erwähnungen zuzuordnen. Word Sense Disambiguation (s. dort) ist eine eigene, rein sprachliche Aufgabe, die Bedeutung eines mehrdeutigen Worts im Kontext zu bestimmen, etwa „Bank“ als Sitzmöbel oder Geldinstitut, keine Entitätsaufgabe und mit Entity Resolution nicht gleichzusetzen. Begriffsklärung: „Identity Resolution“ und „Identitätsauflösung“, an anderen Stellen dieses Buches verwendet, bezeichnen denselben Vorgang, nur aus der Perspektive personenbezogener statt allgemeiner Entitäten, hier synonym behandelt. Fortgesetzt in Identity Graph.
In allen Bänden
Entwicklungsorientiertes Transformationsphasenmodell (Prägung dieses Buches)
Eigenes Denkmodell der Autorin für den Verlauf eines Vorhabens der intelligenten Transformation: drei Phasen (Grundlegung, Übertragung in die Domänen, etablierter Linienbetrieb) auf zwei Ebenen (befristete Einsätze im Feld, langfristiges Fundament aus Plattform, Governance und Enablement), gelegt auf die fünf Dimensionen des S‑OPDT-Modells; zwischen Phase 1 und Phase 2 liegt eine eigene Kalibrierungsphase (s. dort). Entwicklungsorientiert heißt es, weil sich die Phasen nach dem Stand der Fähigkeit im Haus richten und nicht nach Meilensteinen. Nicht empirisch geprüft; hergeleitet und mit bestehenden Phasenmodellen verglichen in Band 4, Kapitel 4.17.
Band 2.1 · Band 4
Ephemere / temporäre / persistente Graphen (Lebensdauer-Unterscheidung)
Persistente Graphen sind das kuratierte, geregelte, versionierte Bedeutungsmodell (die Wahrheit, die bleibt). Temporäre Graphen haben geplante, begrenzte Lebensdauer (Projekt-, Kampagnen-, Simulationsgraph: angelegt, genutzt, archiviert/verworfen). Ephemere Graphen leben nur für einen Verarbeitungsmoment: GraphRAG-Retrieval-Subgraphen je Anfrage, Aufgaben-Kontextgraphen von Agenten, Sitzungs-Arbeitsgedächtnis. Nutzen der Kurzlebigen: Struktur für unstrukturierten Kontext im Moment der Verarbeitung, Zwischenergebnisse des Reasonings, Vergessen als Datenschutz-Feature. Kernregel: Kurzlebige Graphen erben ihre Begriffe (Klassen, Beziehungstypen, Definitionen) aus dem persistenten Modell, nur Instanzen sind flüchtig; sonst entsteht ein „Silo mit Verfallsdatum“. Ausgeschlossen bleibt die vierte Kombination: dauerhaft und ohne Governance. Ausführlich in Band 1.1, Kapitel 2.1.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3
epistemisch (epistemischer Status)
Auf den Erkenntnisstatus einer Aussage bezogen, also auf die Frage, woher wir wissen, was wir behaupten, und wie sicher. In diesem Buch trägt der Begriff seine Last an einer Stelle: Jede Kante eines Wissensgraphen soll ihren epistemischen Status mitführen, ob eine Beziehung beobachtet, statistisch geschätzt, von Fachleuten gesetzt, logisch abgeleitet oder als Hypothese eingetragen wurde. Abgrenzung: Der Status sagt etwas über Herkunft und Belastbarkeit einer Aussage, nicht über ihren Inhalt. Eine bestätigte und eine vermutete Kante können denselben Sachverhalt behaupten und dürfen doch nicht dasselbe Gewicht in einer Entscheidung tragen; werden beide gleich behandelt, wächst nur die Zahl der Zeilen, nicht das Wissen. Praxisrelevanz: Sobald KI-Systeme Beziehungen in großer Zahl vorschlagen, ist nicht die Zahl der Kanten die knappe Größe, sondern die Auskunft darüber, welche davon geprüft ist. Deshalb steht „epistemischen Status pro Kante einführen, bevor das Volumen unüberschaubar wird“ in der Maßnahmenliste der Meta-Studie zu Treibern und Barrieren in Band 4, und deshalb unterstützt der Status die Antwort auf die Prüffrage „Woher weiß ich, dass dieses Wissen vertrauenswürdig ist?“ (s. DIKW-Pyramide, Erweiterung um die Stufe Authentication). Den Beleg selbst ersetzt er nicht; er zeigt, wo einer vorliegt und wo nicht. Ausführlich in Band 1.1, Kapitel 1.3 und Band 1, Abschnitt 5.3. Zweiter, davon getrennter Gebrauch in der Reihe: Die epistemische Ungerechtigkeit nach Miranda Fricker (2007) bezeichnet ein Unrecht, das jemandem in seiner Eigenschaft als Wissendem zugefügt wird, und betrifft damit nicht den Status einer Aussage, sondern die Frage, wessen Aussage in einer Organisation überhaupt gehört wird (s. Band 4, Kapitel 4.12).
Band 1 · Band 1.1 · Band 2.1 · Band 4
Epistemische Ungerechtigkeit
Ein Unrecht, das jemandem gerade in seiner Eigenschaft als Wissendem zugefügt wird, etwa wenn der Aussage einer Person wegen ihrer sozialen Position weniger Glaubwürdigkeit zugeschrieben wird als ihrem tatsächlichen Fachwissen entspräche (Fricker, 2007). In hierarchischen Arbeitsorganisationen ist das kein Randphänomen: Wenn die Fachexpertin, die ein System täglich bedient, in Entscheidungsrunden weniger zählt als die Managerin, die es nur vom Foliensatz kennt, ist das epistemische Ungerechtigkeit im präzisen Sinn des Begriffs, nicht nur schlechte Kommunikation. Ausführlich hergeleitet in Band 4, Kapitel 4.12.
Band 1 · Band 4
ePrivacy-Verordnung (Rückzug)
Der seit 2016/2017 angekündigte, letztlich nie verabschiedete EU-Rechtsakt, der die veraltete ePrivacy-Richtlinie von 2002 hätte ersetzen und Cookie-/Tracking-Regeln EU-weit unmittelbar geltend machen sollen. Von der EU-Kommission am 11. Februar 2025 formell aus ihrem Arbeitsprogramm zurückgezogen, mangels Einigungsaussicht und wegen technischer Überholung; die alte Richtlinie von 2002 bleibt über nationale Umsetzungsgesetze in Kraft, die Cookie-Regeln sollen nach dem Vorschlag der Kommission zum Digital Omnibus (November 2025) künftig in die DSGVO überführt werden. Praxisrelevanz: Die Grundunsicherheit bei Consent-Infrastruktur bleibt bestehen, nur das Rechtsinstrument, über das sie gelöst werden soll, hat sich verschoben, ausführlich in Band 3, Kapitel 1.3.
Band 1 · Band 2 · Band 4
Erklärbare KI
siehe XAI (Explainable AI, Erklärbare KI) (Buchstabe X) für die vollständige Definition.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Erlösmodell (Revenue Model)
Die Art, wie ein Anbieter sein Geld verdient, etwa über Tagessätze, über den Betrieb, über eine Plattform, über ein Partnerprogramm oder über eine Beteiligung. Im Buch ein Prüfkriterium bei der Wahl von Beratung und Umsetzung, weil der Rat, den ein Haus bekommt, auch davon abhängt, womit der Ratgeber verdient (Band 2, Abschnitt 2.6.4).
Band 2 · Band 2.1
Ermittlungs- und Lageplattform
Eine fertige Anwendung, die Daten aus vielen Quellen zusammenführt, klärt, welche Datensätze dieselbe Person, Firma oder denselben Ort meinen (s. Entity Resolution), Beziehungen zwischen ihnen sichtbar macht und Ermittelnden und Analysten eine Oberfläche gibt, auf der aus dem einzelnen Fall eine begründbare Aussage wird, und aus vielen Fällen ein Lagebild. Gebräuchlich im Umfeld von Strafverfolgung, Nachrichtendiensten, Sanktions- und Lieferkettenprüfung und Finanzkriminalität; Palantir, Cognyte, ChapsVision, DataWalk und Sayari gehören hierher. Kein Datenbankprodukt (s. Graphdatenbank) und kein Zeichenwerkzeug (s. Graph Visualisation), auch wenn eine solche Plattform beides enthalten kann. Der entscheidende Unterschied zur Decision-Intelligence-Plattform (s. Decision Intelligence) liegt weniger in der Technik als im dominanten Einsatzzweck: Dort werden Entscheidungsprozesse explizit modelliert, in Dienste zerlegt, ausgeführt und in ihrer Wirkung laufend beobachtet; hier steht die offene, fallbezogene Untersuchung im Vordergrund, auch wenn ein Fall viele Einzelentscheidungen und wiederkehrende Prüfschritte enthält. Überschneidungen und kombinierte Anwendungen kommen vor, und eine einzelne Produktfunktion sagt noch nichts über das ganze Portfolio eines Anbieters. Praxisrelevanz: Beide Kategorien benutzen Entitätsauflösung und Netzwerkanalyse und werden deshalb leicht verwechselt, mit der Folge, dass ein Fallarbeitsplatz gekauft wird, wo eine wiederholbare Entscheidungslogik gefehlt hätte, oder umgekehrt. Die Prüffrage dazu lautet: Steht die Untersuchung eines offenen Falls im Vordergrund oder eine wiederholbare Entscheidungslogik, deren Wirkung laufend beobachtet wird? Ausführlich in Band 3, Kapitel 4, Abschnitt 4.15.
In allen Bänden
ERP (Enterprise Resource Planning)
Geschäftsressourcenplanung. Das System verbindet die Kernbereiche eines Unternehmens, darunter Finanzen, Personal, Lager, Einkauf und Auftragsabwicklung, und führt sie auf einem gemeinsamen Datenbestand, damit eine Buchung an einer Stelle unternehmensweit sichtbar wird. In der Tech-Lasagne ist es das Herzstück der Kernsysteme (Koordinate RP.K1, Enterprise Core, s. Band 2.1, Abschnitt 3.1.2) und damit die Transaktionswahrheit, auf die jede Steuerung zugreift. Praxisrelevanz: Ein ERP ist um die Begriffe gebaut, die es für seine eigenen Buchungen braucht. Was quer dazu liegt, etwa Journey, Motiv, Kanal oder Marke, lässt sich je nach Produkt und Konfiguration als Merkmal mitführen, wird dort aber nicht systemübergreifend abgestimmt. Das ist keine Schwäche des Systems, sondern seine Bauart, und es ist der Grund, warum eine Bedeutungsschicht darüber nötig wird (s. Systems of Record, Semantic Layer).
In allen Bänden
Ethik in KI
Befasst sich mit den moralischen Fragen und gesellschaftlichen Auswirkungen von KI, einschließlich Fairness, Transparenz und Verantwortung.
Band 1 · Band 1.1
Event-basierte Reifikation (Event-based Reification)
Die Modellierungsentscheidung, eine Beziehung nicht als einfache Kante, sondern als eigenen Knoten mit eigenen Eigenschaften abzubilden: Statt „Person kauft Produkt“ als schlichte Kante entsteht ein eigener „Kauf-Ereignis“-Knoten (mit Zeitstempel, Preis, Kanal etc.), an den Person und Produkt beide angebunden werden. Metapher: eine Randnotiz wird zur eigenen Akte mit eigenem Aktenzeichen. Ereignisse werden dadurch zu Bürgern erster Klasse im Graphen, nicht nur zu Verbindungslinien. Der bequemste, aber nicht der einzige Weg zur bitemporalen Modellierung: Solange ein Ereignis keine weiteren eigenen Eigenschaften braucht, tragen die beiden Zeitstempel dieselbe Information auch direkt als Kanteneigenschaften, ein eigener Knoten lohnt sich vor allem, sobald zum Ereignis mehr gehört als nur die Zeitstempel. Ausführlich in Band 1.1, Kapitel 1.3.
In allen Bänden
Event-Driven Architecture (ereignisgesteuerte Architektur)
Ein Muster für den Datenfluss zwischen zwei Systemen, das die Taktung regelt, nicht den Übertragungsweg: Ein Upstream-System (s. Upstream/Downstream) meldet jede relevante Änderung sofort, im Moment ihres Entstehens, als eigenes Ereignis, statt dass ein Downstream-System periodisch nachfragt oder in festen Abständen beliefert wird (Batch-Verarbeitung, das Gegenmuster). Das Downstream-System abonniert diese Ereignisse und reagiert, sobald eines eintrifft (Publish/Subscribe, kurz Pub/Sub). Technisch trägt dieses Muster meist ein wiederabspielbares Ereignisprotokoll wie Apache Kafka, wie es die Kappa-Architektur hier im Glossar beschreibt. Praxisrelevanz vor allem im Marketing: Event-driven angebundene Systeme können innerhalb von Sekunden auf eine Kundenaktion reagieren, etwa eine Stornierung, und so eine bereits überholte Aussteuerung verhindern. Ausführlich, mit Prüfkriterium, wann sich der Mehraufwand lohnt, in Band 2.2, Abschnitt 5.3.6.
Band 2.1 · Band 2.2
Everything as Code
Sammelbegriff für die Praxis, Regeln und Konfigurationen nicht als Dokument, sondern als versionierten, testbaren, maschinell durchsetzbaren Code zu beschreiben, aus Infrastructure as Code (Morris, 2020) hervorgegangen und über Policy as Code (s. dort) auf Governance insgesamt ausgedehnt. Im Buch die technische Umsetzungsebene für die Idee, dass eine Regel erst dann wirkt, wenn sie ausführbar hinterlegt ist, nicht nur beschlossen. Nicht zu verwechseln mit der zweiten, gleich klingenden Begriffsreihe „X to Code“, die keine Form, sondern eine Umwandlung bezeichnet; die Abgrenzung beider Reihen steht unter „X as Code und X to Code (Begriffsfamilie)“ in diesem Glossar. Ausführlich in Band 2.1, Abschnitt 4.1.5.
Band 2.1 · Band 4
Evolutionary Model Merging (evolutionäre Modell-Verschmelzung)
Ein Verfahren, das ein Prinzip der biologischen Evolution, Auslese, Mutation und Kreuzung, auf neuronale Netze überträgt: Statt ein Modell von Grund auf neu zu trainieren, mischt ein Algorithmus automatisiert die Gewichte bestehender, unterschiedlich spezialisierter Modelle, testet jede so entstandene Variante in einer Sandbox gegen eine konkrete Aufgabe (Fitness-Test) und lässt nur die stärksten Varianten in die nächste Generation weiterkreuzen. Über mehrere Generationen entstehen so Modelle mit Fähigkeiten, die keines der Ausgangsmodelle einzeln besaß, bei einem Bruchteil des Aufwands eines Neutrainings. Herkunft: Sakana AI, ein 2023 in Tokio gegründetes Forschungslabor unter Mitgründung von David Ha und Llion Jones, veröffentlichte das Verfahren im März 2024 unter dem Titel „Evolutionary Optimization of Model Merging Recipes“, angenommen im Januar 2025 bei Nature Machine Intelligence (Akiba, Shing, Tang, Sun & Ha, 2025). Sakana AI ist damit die Primärquelle des Verfahrens, nicht eine der später darauf aufbauenden Werkzeugsammlungen. Ergebnisse: EvoLLM-JP (japanisches Sprachmodell mit mathematischer Schlussfolgerungsfähigkeit, schlug bei etablierten japanischen Benchmarks Modelle mit deutlich mehr Parametern) und EvoVLM-JP (Bild-Sprache-Modell mit verbessertem Verständnis japanisch-kultureller Inhalte). Praxisrelevanz: Verfügbar in offenen Werkzeugen wie mergekit und im Evolutionary-LLM-Merge-Sampler von Optuna Hub, damit über die Originalautoren hinaus nutzbar. Ausführlich, mit drei Praxisbeispielen aus Technologie- und Daten-Dimension, in Band 2, Kapitel 2.1; als Ausgangspunkt eines Gedankenexperiments zur „digitalen Zucht“ von Unternehmenskonfigurationen auf Basis der eigenen Ontologie in Band 2.1, Kapitel 1.1.
Band 2 · Band 2.1
Excessive Agency
Eines der von OWASP für LLM-Anwendungen benannten Kernrisiken (s. OWASP Top 10 for LLM Applications): Ein KI-Agent bekommt mehr Handlungsspielraum, Rechte oder Werkzeugzugriff eingeräumt, als für seine eigentliche Aufgabe nötig wäre, etwa Schreibzugriff auf ein System, wo Lesezugriff gereicht hätte. Praxisrelevanz: Das Prinzip der minimalen Rechtevergabe (Least Privilege), aus der klassischen IT-Sicherheit bekannt, gilt für autonome Agenten noch dringlicher, weil ein Agent Fehler oder Missbrauch schneller und in größerem Umfang ausführen kann als ein Mensch, der erst nachdenkt.
In allen Bänden
Exit-Strategie (geregelter Anbieterwechsel)
Der vorab vereinbarte Weg, eine Leistung von einem Anbieter zu einem anderen oder in den eigenen Betrieb zu überführen, ohne den Betrieb zu unterbrechen und ohne Daten, Wissen oder Konfiguration beim bisherigen Anbieter zurückzulassen. Für Finanzunternehmen regelt die Verordnung über die digitale operationale Resilienz (DORA, Verordnung (EU) 2022/2554, Art. 28 Abs. 8) Ausstiegsstrategien für IKT-Dienstleistungen; für welche Dienstleistungen und in welchem Umfang, ergibt sich aus dem Verordnungstext und gehört in die rechtliche Prüfung. Im Buch eine der Fragen, die vor dem Einsatz von Ingenieurinnen und Ingenieuren eines Plattformanbieters im eigenen Haus geklärt sein sollten (s. Band 2, Abschnitt 2.6.2).
Band 1.1 · Band 2 · Band 2.1 · Band 2.3 · Band 4
Explainable AI
siehe XAI (Explainable AI, Erklärbare KI)
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
F
Factual Correctness (faktische Richtigkeit)
Messgröße für die Frage, ob eine Antwort mit einer geprüften Referenz übereinstimmt, unabhängig davon, welcher Kontext dem Modell vorgelegt wurde. Das Gegenstück zur Faithfulness: Diese hält die Antwort gegen die Quelle, jene gegen die Wahrheit, soweit eine Referenz sie festhält. In der Praxis wird beides getrennt gemessen, weil ein System quellentreu und trotzdem falsch sein kann (fehlerhafte Quelle) oder richtig und trotzdem untreu (Antwort aus Modellwissen statt aus dem Beleg). Ein Wissensgraph mit Herkunftsnachweis kann in dieser Reihe als Referenz dienen, gegen die Factual Correctness gemessen wird, vorausgesetzt, die herangezogenen Aussagen sind selbst geprüft und stammen nicht aus demselben ungeprüften Material, aus dem die Antwort erzeugt wurde. S. Band 1.1, Kapitel 3.2.
Band 1 · Band 1.1
FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable)
Ein 2016 von Wilkinson et al. in Scientific Data vorgeschlagenes, seither weit über den ursprünglichen Forschungsdaten-Kontext hinaus etabliertes Qualitätsraster für maschinenlesbare Daten: Findable (eindeutige, dauerhafte Kennung plus durchsuchbare Metadaten), Accessible (Abruf über ein standardisiertes, dokumentiertes Protokoll, notfalls zumindest der Metadaten), Interoperable (Darstellung in einer formalen, gemeinsam verständlichen Sprache wie RDF/schema.org statt proprietärem Format) und Reusable (vollständig, präzise und mit klarer Lizenz beschrieben, sodass Weiterverwendung ohne Rückfrage möglich ist). Wichtige Abgrenzung: FAIR beschreibt die Qualität der Auffindbarkeit und Beschreibung, nicht den Grad der Offenheit, ein Datensatz kann vollständig FAIR und trotzdem zugriffsbeschränkt/kostenpflichtig sein. Praxisrelevanz: Eine Vergleichsstudie zu KI-Agenten (Chen, Alrashed, Halevy & Noy, 2026, s. Band 1.1, Kapitel 2.1) zeigt mit Zahlen, dass ein Agent auf FAIR-konformen, semantisch angereicherten Daten deutlich präziser und verlässlicher arbeitet als auf offen durchsuchtem, unstrukturiertem Web-Text. Darauf stützt sich die Empfehlung dieses Buchs, eine eigene, FAIR-artig aufgebaute Ontologie zu führen, statt darauf zu setzen, dass ein Agent die richtigen Daten selbst findet.
In allen Bänden
Faithfulness (Treue zur Quelle)
Messgröße für die Frage, ob eine Antwort eines Sprachmodells durch den vorgelegten Kontext gedeckt ist, etwa durch die Belege, die ein RAG- oder GraphRAG-System abgerufen hat. Berechnet wird sie, indem die Antwort in einzelne Behauptungen zerlegt wird, jede Behauptung gegen den Kontext geprüft und der Anteil der gedeckten Behauptungen an allen Behauptungen gebildet wird; 1,0 heißt, jede Behauptung ist belegt (Es et al., 2023; Ragas-Dokumentation). Faithfulness misst Treue, nicht Wahrheit: Ist die Quelle falsch, ist auch eine vollkommen treue Antwort falsch. Die Prüfung übernimmt meist ein zweites Sprachmodell (LLM-as-a-Judge) oder ein NLI-Klassifikator (s. dort). Verwandt, aber auf Graphen zugespitzt: Path Faithfulness (Pfadtreue) in Anhang 2. S. Band 1.1, Kapitel 3.2.
In allen Bänden
Fast GraphRAG
Quelloffenes GraphRAG-Werkzeug des Anbieters CircleMind (2024), das dieselbe Grundentscheidung trifft wie HippoRAG (s. dort) und sich dafür in der eigenen Projektbeschreibung ausdrücklich auf dessen Arbeit beruft: Die Auswahl der relevanten Knoten übernimmt Personalized PageRank (s. dort). Praxisrelevanz: In einer bereinigten Vergleichsmessung das Verfahren mit der kürzesten Antwortzeit und bei Fragen, die über einen größeren Teil des Graphen schließen müssen, das stärkste (Zeng et al., 2025/2026). Die dort berichteten Kostenvorteile stammen aus einer unabhängigen Messung, die Kostenangaben der Projektbeschreibung selbst sind Anbieterangaben.
In allen Bänden
FDE-Einsatz („Feldeinsatz“)
Befristete Form der Zusammenarbeit, in der eine Ingenieurin im Tandem mit einer Fachperson einer Domäne eine Lösung auf den echten Systemen bis in den Betrieb baut und übergibt; Bezeichnung dieses Buches für den einzelnen Einsatz im FDE-Modell (s. dort). Vom Enabling Team unterscheidet ihn, dass er selbst baut, vom Ontologie-Paten, dass er endet. Ausführlich in Band 4, Kapitel 4.17.
Band 1.1 · Band 2 · Band 4
FDE-Modell (Forward Deployed Engineering)
Betriebsmodell, in dem Ingenieurinnen und Ingenieure befristet in die Fachbereiche gehen, dort mit den Fachleuten Lösungen bis in den Betrieb bauen und das Bewährte in ein gemeinsames Produkt oder eine Plattform zurückgeben. Entstanden im Anbietergeschäft (s. Forward Deployed Engineer), zunehmend im eigenen Haus übernommen. Im Buch gilt: Das FDE-Modell trägt eine vorhandene Grundlage aus Geschäftsmodell, Zielbild, Kernbegriffen, Plattform und besetzten Verantwortungen in die Domänen; ohne sie erzeugt es Einzellösungen. Ausführlich, mit einem Vergleich der Playbooks, in Band 4, Kapitel 4.17; zum Anbietermodell s. Band 2, Abschnitt 2.6.2.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 4
Feature Store
Ein zentrales System zur Verwaltung, Speicherung und Bereitstellung von Merkmalen (Features), die als Eingabe für Machine-Learning-Modelle dienen, sowohl beim Training als auch im laufenden Live-Betrieb. Ein einmal berechnetes Feature wird zentral abgelegt, versioniert und für Training (historisch, batch) wie Online-Inferenz (Echtzeit) konsistent bereitgestellt, statt in jedem Projekt neu und potenziell abweichend berechnet zu werden. Praxisrelevanz: Im Buch als einer von mehreren möglichen Bausteinen der Data & Dev Layer genannt, neben Streaming, Event Store, Rules Engine oder Cache, deren Auswahl aus dem konkreten Ziel folgt, nicht aus einer festen Liste (s. Band 3, Kapitel 9), und als eine von mehreren Alternativen, mit denen sich viele der Ziele eines Unternehmensgraphen auch ohne Graph erreichen lassen, teils mit geringerem Aufwand (s. Band 4, Kapitel 1.1).
Band 4
Federated Computational Governance (föderierte, computergestützte Governance)
Das vierte Prinzip von Data Mesh (s. dort, Dehghani, 2022) und der Grund, warum ein Mesh nicht in Silos zerfällt: Ein Gremium aus Domänen und Plattform beschließt die wenigen übergreifenden Regeln (Interoperabilität, Sicherheit, Datenschutz, gemeinsame Begriffe), und diese Regeln werden maschinell in der Plattform durchgesetzt, statt in einem Dokument zu stehen. Computergestützt heißt konkret: Die Regel wird bei der Veröffentlichung eines Datenprodukts automatisch geprüft, statt erst in einem Review besprochen zu werden; Reviews schließt das nicht aus, sie verlagern sich auf die Regeln selbst und ihre Ausnahmen; damit ist sie dieselbe Bewegung wie Shift Left (s. dort), nur für Governance statt für Tests. Praxisrelevanz: Das Prinzip wird oft als letztes eingeführt; die Regeln werden dann statt zur Leitplanke zum Migrationsprojekt. Ausführlich in Band 1.1, Abschnitt 4.2.4.
In allen Bänden
Field-Driven Productization (Prägung dieses Buches)
Prinzip, nach dem gemeinsame Bausteine dort entstehen, wo sie sich im Feld bewährt haben: Eine im Einsatz gebaute Einzellösung wird abgenommen, als Muster abstrahiert und zur allgemeinen Fähigkeit der Plattform ausgebaut, oder sie wird der Domäne übergeben oder stillgelegt. Den Weg dorthin nennt das Buch Field-to-Core Flow (s. dort). Band 4, Kapitel 4.17.
Band 2.1 · Band 4
Field-to-Core Flow (Prägung dieses Buches)
Der feste Weg, auf dem Ergebnisse aus FDE-Einsätzen in den Kern des Hauses zurückfließen, mit den Stationen Einsatz, Forum zwischen Feld und Zentrale, Abnahme, Ausbau im Plattformteam und Selbstbedienung, und mit drei Rückwegen: in die Plattform (bewährte Bausteine), in die Governance (gelöste Risikofälle als Vorlage) und in das Enablement (wiederkehrende Schwierigkeiten und Vorlagen). Der Name lehnt sich an die „field-to-core forums“ einer Beratungspublikation von Alvarez & Marsal an; Quelle und Herleitung in Band 4, Kapitel 4.17.
Band 2.1 · Band 4
Fine-Tuning
Das Nachtrainieren eines bereits vortrainierten Sprachmodells mit einem kleineren, spezialisierten Datensatz, um es auf eine bestimmte Aufgabe, Domäne oder einen bestimmten Stil zuzuschneiden, im Unterschied zu RAG, CAG und Prompt Caching, die das Modell selbst unverändert lassen: RAG und CAG geben ihm Wissen über den Kontext zur Anfragezeit mit, Prompt Caching spart Rechenaufwand für wiederkehrende Kontextteile. Praxisrelevanz: Fine-Tuning ist aufwendiger und teurer als RAG, liefert aber tiefer verankerte Verhaltensänderungen; für die meisten in diesem Buch beschriebenen Anwendungsfälle (markenspezifisches Wissen, das sich häufig ändert) ist RAG über eine gepflegte Ontologie deshalb die robustere, leichter aktualisierbare Wahl. Hinzu kommt der Einwand, der in diesem Buch auch gegen Generative KI (s. dort) steht: Fine-Tuning optimiert Muster, ohne die Grundschwächen zu beheben, die fehlende Semantik und die fehlende Kausalität, und ist dabei anfälliger für Overfitting und schwerer zu prüfen als ein hybrides System, das Wissen strukturell einbindet.
In allen Bänden
FinOps
Eine Kombination aus Finance und DevOps: die Praxis, Cloud- und (zunehmend) KI-Kosten nicht getrennt vom Engineering-Team zu verwalten, sondern gemeinsam mit Finance und den verantwortlichen Fachteams laufend zu überwachen, zu verstehen und zu optimieren. Praxisrelevanz: Mit dem Aufkommen kostenintensiver, teils unvorhersehbar abrechnender KI-Agenten (Token-Kosten pro Aufruf) wird „FinOps for Agentic AI“ laut Gartner (s. Hype Cycle for Agentic AI) zu einem eigenen, wachsenden Themenfeld; ohne FinOps-Disziplin werden die Kosten von Agentensystemen schwer steuerbar.
Band 1 · Band 1.1 · Band 2 · Band 4
Fischgrätendiagramm (Ishikawa-Diagramm)
Von Kaoru Ishikawa 1968 in seinem „Guide to Quality Control“ beschriebenes Werkzeug der Ursachenanalyse: mögliche Ursachen eines Problems werden auf mehreren Ästen um eine zentrale Wirkungslinie angeordnet, etwa Mensch, Maschine, Methode, Material. Im Buch als anschauliches Beispiel dafür genutzt, dass Graphdenken älter ist als der Begriff „Graph“: Die Wirkung ist ein Knoten, jede Ursache ein weiterer Knoten, jede Linie eine Kante, nur bei einem Hop. Ausführlich in Band 1.1, Abschnitt 2.5.1. S. auch 5-Why-Technik (Zahlen).
Band 1.1 · Band 2 · Band 2.1
Fit-Gap-Analyse
Ein strukturierter Abgleich zwischen den fachlichen Anforderungen einer Organisation und den tatsächlichen Fähigkeiten eines Systems oder einer Standardsoftware: „Fit“ markiert bereits erfüllte Anforderungen, „Gap“ die Lücken, die durch Konfiguration, Customizing oder Prozessanpassung geschlossen werden müssen. Praxisrelevanz: Die Fit-Gap-Analyse ist der klassische erste Schritt vor jeder Systemeinführung oder -ablösung und verhindert teure Überraschungen, wenn ein Standardsystem stillschweigend als „passt schon“ angenommen wird, ohne die Lücken explizit zu benennen. Im Strategieteil dieser Reihe steht der Begriff weiter gefasst für den Abgleich von As-Is und To-Be auf allen Ebenen und Dimensionen (s. Exkurse zur Strategielehre, A9.4).
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Fixed Entity Architecture (FEA)
Von Irina Adamchic 2024 und 2025 veröffentlichtes dreischichtiges Muster für RAG auf Graphen, das den Graphaufbau bewusst ohne Sprachmodell organisiert (Adamchic, 2024a, 2024b, 2025). Schicht eins ist eine feste, von Fachleuten definierte Kernbegriffsmenge, jeweils mit Textbeschreibung und Embedding-Vektor. Schicht zwei bleiben die eigentlichen Inhalte. Schicht drei sind mit leichtgewichtigen NLP-Werkzeugen, nicht mit einem Sprachmodell, extrahierte Zusatzentitäten. Die Schichten verbindet Kosinus-Ähnlichkeit zwischen den Embeddings statt weiterer Modellaufrufe, deterministisch und ohne laufende API-Kosten. Ein 2026 veröffentlichter Praxisbericht (Aditya, 2026) macht damit konkret, wovor die Ontology Trap (s. dort) allgemein warnt: Ohne feste Kernontologie erzeugte ein Sprachmodell beim eigenständigen Graphaufbau widersprüchliche Duplikate und erfundene Beziehungen, FEA begegnet dem, indem die Bedeutung der Kernbegriffe stabil bleibt und nur ihre Verknüpfung zu den Inhalten laufend, aber ohne Modellaufruf, neu berechnet wird. Ausführlich, mit Einordnung gegenüber HyDE (s. dort) und LinearRAG (s. dort), in Band 1.1, Abschnitt 2.1.2.
Band 1.1
Föderierte Datenhaltung (Federated Data Storage)
Architekturprinzip, bei dem Daten an ihrem ursprünglichen Speicherort bleiben, statt vorab in einen gemeinsamen Speicher kopiert zu werden; eine Abfrageschicht verbindet die verteilten Quellen erst zur Laufzeit. Gegenmodell zur zentralen Kopie im Data Warehouse oder Data Lake und technische Voraussetzung dafür, dass mehrere Domänen mit unterschiedlichen Speicherorten als ein Datenbestand befragt werden können. Nicht zu verwechseln mit Föderiertem Lernen (s. dort), bei dem Modelle, nicht Daten, verteilt trainiert werden. S. Band 2.2, Kapitel 5.2. Abzugrenzen von Data Fabric (s. dort): Die föderierte Datenhaltung ist das Prinzip, die Data Fabric die darauf aufbauende Architektur mit Metadaten, Orchestrierung und Zugriffsmustern.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Föderiertes Lernen (Federated Learning)
Ein Trainingsverfahren für KI-Modelle, bei dem das Modell zu den verteilten Datenquellen (z. B. einzelne Endgeräte, Kliniken, Unternehmensstandorte) reist statt umgekehrt: Jede Quelle trainiert lokal mit ihren eigenen, nicht geteilten Daten, nur die gelernten Modell-Updates (nicht die Rohdaten selbst) werden zentral zusammengeführt. Praxisrelevanz: Ermöglicht KI-Training über sensible, rechtlich oder wettbewerblich nicht teilbare Datensätze hinweg (Gesundheitsdaten, Bankdaten mehrerer Institute) und ist damit ein technischer Baustein, der Datenschutz/Datensouveränität (s. Sovereign Cloud, GAIA-X) und KI-Nutzen gleichzeitig ermöglicht, statt sie gegeneinander auszuspielen.
In allen Bänden
Forward Deployed Engineer (FDE)
Ingenieurin oder Ingenieur eines Plattform- oder Modellanbieters, die oder der beim Kunden sitzt, dort Datenquellen anschließt, Arbeitsabläufe baut und das System in den Betrieb bringt: produktiver Code im Haus des Kunden auf der Plattform des eigenen Arbeitgebers, kein Bericht wie bei einer Beratung und keine Vorführung wie im Vertrieb. Im Buch steht der Zugang zu knappen Fachleuten der Bindung an einen Anbieter gegenüber; geklärt sein sollten vorab Weisung, Wissenstransfer und Exit-Strategie (s. dort; Band 2, Abschnitt 2.6.2). Zur Steuerung im eigenen Haus s. FDE-Modell.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 4
Foundation Model
Ein auf sehr breiten, allgemeinen Daten vortrainiertes Basismodell, das als gemeinsamer Ausgangspunkt für viele nachgelagerte Anwendungen dient (CustomGPTs, Fine-Tuning, RAG-Systeme, Agenten), statt für jede Anwendung ein eigenes Modell von Grund auf zu trainieren. Der Begriff wurde 2021 am Stanford Center for Research on Foundation Models geprägt, das zum Institute for Human-Centered AI gehört (Bommasani et al., 2021). Praxisrelevanz: Fast alle in diesem Buch besprochenen Sprachmodelle (GPT, Claude, Gemini, Llama und andere) sind Foundation Models; Frontier-Modelle (s. dort) sind die jeweils leistungsfähigste, aktuellste Untergruppe davon.
In allen Bänden
Free Energy Principle (Freie-Energie-Prinzip) und Active Inference (Aktive Inferenz)
Ein vom Neurowissenschaftler Karl Friston formulierter mathematischer Rahmen, wonach biologische wie künstliche Systeme fortlaufend versuchen, die Abweichung zwischen ihrem inneren Modell der Welt und ihrer tatsächlichen Wahrnehmung zu minimieren, formal gefasst als freie Energie (Friston, 2010). Active Inference ist die daraus abgeleitete Handlungslogik: Ein Agent handelt, um Überraschung zu reduzieren, nicht weil eine Belohnungsfunktion es vorschreibt wie beim klassischen bestärkenden Lernen. Wichtige
In allen Bänden
Frontier-Modelle
Bezeichnung für die jeweils leistungsfähigsten, an der Grenze des technisch Machbaren trainierten KI-Modelle eines Anbieters, trainiert mit sehr hohem Rechenaufwand; ihnen werden teils Fähigkeiten zugeschrieben, die beim Training nicht gezielt angestrebt wurden (ob solche Fähigkeiten mit der Modellgröße sprunghaft entstehen, ist in der Forschung umstritten). Verbreitet hat den Begriff unter anderem das Frontier Model Forum, eine im Juli 2023 von Anthropic, Google, Microsoft und OpenAI gegründete Industrieinitiative für Sicherheitsstandards bei genau dieser Modellklasse, und findet sich seither auch in der Regulierung: Der europäische AI Act nutzt für General-Purpose-AI-Modelle mit „systemischem Risiko“ einen Trainingsrechenaufwand von 10²⁵ FLOPs als Indikatorschwelle, Kaliforniens Transparency in Frontier AI Act und New Yorks RAISE Act setzen die Schwelle bei 10²⁶ Operationen an. Praxisrelevanz: „Frontier“ markiert eine relative, sich ständig verschiebende Grenze, kein festes Gütesiegel; das zeigt sich daran, dass offene Gewichtsmodelle wie Moonshot AIs Kimi K3 (Juli 2026, s. Band 4, Kapitel 7.4) proprietäre Frontier-Modelle auf mehreren Benchmarks bereits einholen oder übertreffen. Für Unternehmen folgt daraus: Die strategische Differenzierung verschiebt sich von der Wahl des Frontier-Modells selbst zur Bedeutungs- und Orchestrierungsschicht darüber (s. Bedeutungsmodell, Glossar Modellbegriffe, Band 2.1).
In allen Bänden
Funktionale Anforderungen
Anforderungen, die beschreiben, was ein System oder eine Lösung tun soll, im Gegensatz zu nicht-funktionalen Anforderungen, die beschreiben, wie es sein soll. Im Buch werden beide Anforderungsarten im Rahmen des Integrierten Use Case Managements (s. Glossar Modellbegriffe) auf Use Cases und Capabilities bezogen.
Band 2.2
Funktionale Capabilities
Fähigkeiten eines Unternehmens, die sich auf spezifische Geschäftsfunktionen beziehen, wie Marketing, Vertrieb, Produktion oder Kundenservice. Im S‑OPDT-Modell ist dies eine der drei Capability-Arten neben organisatorischen und technischen Capabilities (s. dort), die zusammen das Capability Mapping ergeben.
Band 2.2
Fuzzy Logic / Fuzzy OWL
Von Lotfi Zadeh 1965 eingeführte Erweiterung der klassischen, zweiwertigen (crisp) Logik um graduelle Mengenzugehörigkeit, ein Zugehörigkeitsgrad zwischen 0 und 1 statt eines strikten Wahr/Falsch. Fuzzy Description Logic/Fuzzy OWL überträgt dieses Prinzip auf die aus Band 1.1, Kapitel 1.3 bekannten crisp-logischen OWL-Axiome. Abgrenzung: Wägt ein Agent zwischen mehreren Wegen ab und gibt einem davon 0,7, ist das keine Fuzzy Logic. In den heute üblichen Agentenarchitekturen gewichtet ein Sprachmodell die Wege; eine fachlich festgelegte Zugehörigkeitsfunktion gibt es dort nicht, und die Zahl ist weder ein Zugehörigkeitsgrad noch eine geprüfte Wahrscheinlichkeit, solange niemand sie am eigenen Bestand kalibriert hat. Ebenso wenig ist ein Zugehörigkeitsgrad das Gewicht einer Wirkungsannahme (s. dort): Die geschätzte Stärke, die Fachleute einer Wirkung geben, sagt nichts über die Zugehörigkeit zu einem Begriff und wird an Daten oder per Eingriff geprüft. Wirklich zusammen kommen Fuzzy-Operatoren und neuronales Lernen bisher in der Forschung, etwa in Logic Tensor Networks (s. dort). Praxisrelevanz: Für harte Compliance-Regeln bleibt crisp logic (OWL/SHACL) richtig, für genuin graduelle Geschäftsurteile (z. B. „gefährdeter Kunde“) erzeugt eine starre Ja/Nein-Schwelle dagegen eine Scheingenauigkeit, ausführlich in Band 1.1, Kapitel 3.1.
In allen Bänden
G
GAIA-X
Eine 2019 von Deutschland und Frankreich initiierte europäische Dateninfrastruktur-Initiative, die keine eigene Cloud baut, sondern gemeinsame technische Standards und Regeln (Interoperabilität, Transparenz, Datenschutz, europäisches Recht) definiert, nach denen bestehende Cloud- und Dateninfrastruktur-Anbieter zertifiziert vernetzt werden können, ein „Föderationsmodell“ statt eines einzelnen Konzern-Hyperscalers. Praxisrelevanz: GAIA-X ist ein zentraler europäischer Bezugsrahmen für Datensouveränität, mit dem sich Konzepte wie Sovereign Cloud und Geopatriation (s. dort) inhaltlich verzahnen, wichtig für Unternehmen, die regulatorische Zukunftssicherheit ihrer Datenarchitektur planen.
In allen Bänden
Gate (Prüfpunkt)
Der Punkt am Ende eines Vorgehensschritts, an dem eine benannte Rolle das Ergebnis abnimmt, bevor weitergearbeitet wird. In Band 2.2 steht er als eigener Kasten „Gate“ in den Kapiteln 4.2 und 4.3; dort nennt er je Stufe die Bedingung zum Weitergehen und das Anzeichen dafür, dass es zu früh geschah.
In allen Bänden
GenAI Divide
Befund des MIT-Projekts NANDA (Studie „The GenAI Divide: State of AI in Business 2025“, Juli 2025): Trotz 30 bis 40 Milliarden Dollar Unternehmensinvestition zeigen 95 Prozent der GenAI-Pilotprojekte keinen messbaren Geschäftsertrag, während eine kleine Minderheit von rund 5 Prozent der Projekte Millionenwerte erzielt. Die entscheidende Ursache ist laut Studie weniger Modellqualität als fehlendes Lernen/Gedächtnis in den eingesetzten Systemen und vor allem organisatorisches Design. Praxisrelevanz: Die Richtung passt zu der in dieser Reihe beschriebenen Kombination aus Wissensgraph- und Gedächtnis-Architektur (s. Memory-Architektur) und organisatorischer Transformation. Die Studie hat diese Architektur nicht getestet; sie liefert eine Parallelbeobachtung, keinen Wirksamkeitsnachweis. Ihre Datengrundlage (Interviews, eine Befragung und die Auswertung öffentlich berichteter Projekte) ist zudem schmal, die 95-Prozent-Zahl trägt deshalb weniger weit, als sie oft zitiert wird.
In allen Bänden
Generative Agents
Von Park et al. (Stanford/Google, 2023) eingeführte KI-Agenten, die glaubwürdiges menschliches Verhalten simulieren, indem ein Sprachmodell jedem Agenten eine Persona, ein Gedächtnis vergangener Erlebnisse und die Fähigkeit zur Reflexion über dieses Gedächtnis gibt, aus der heraus der Agent eigenständig plant und handelt, statt fest programmierte Regeln abzuarbeiten. Praxisrelevanz: Der technologische Auslöser für die zweite, deutlich leistungsfähigere Welle des Agent-Based Modelling (s. dort) seit 2023, ausführlich mit einem konkreten Marketing-Fallbeispiel (elf Agenten, Rabattaktion, Mundpropaganda-Diffusion) in Band 3.1, Kapitel 1.2.
In allen Bänden
Generative KI
KI-Modelle, die neue Inhalte wie Text, Bilder oder Code erstellen können, basierend auf Mustern, die sie in Trainingsdaten gelernt haben (z. B. GPT-Modelle). Das Buch erkennt ihre Fähigkeiten an, warnt aber davor, dass reine generative KI ohne strukturelle und semantische Fundierung (z. B. durch Wissensgraphen) oft an Grenzen stößt, Halluzinationen produzieren kann und allein selten nachhaltige Wertschöpfung trägt. Sie sollte idealerweise in hybride Systeme eingebettet werden. In der Reihe steht dafür auch die englische Form Generative AI.
In allen Bänden
Generative Pre-trained Transformer (GPT)
Eine spezifische Architektur für LLMs, die auf der Transformer-Technologie basiert und für generative Aufgaben vortrainiert wird.
Band 1 · Band 1.1
Generative Visualisierung
Darstellung, die ein System im Moment des Bedarfs aus dem aktuellen Zustand eines Graphen erzeugt, etwa als Strategiekarte, Ursache-Wirkungs-Diagramm oder Ampel-Übersicht, statt eines im Voraus gestalteten Foliensatzes. Erzeugt wird die Darstellung, nicht ihre Logik: Kennzahldefinitionen, Schwellen und zugelassene Sichten liegen versioniert im Graphen. Ausführlich in Band 2, Abschnitt 2.3.3.
In allen Bänden
Genie Ontology (Databricks)
Ein 2026 auf dem Data + AI Summit vorgestellter, sich selbst fortlaufend aktualisierender Wissensgraph, der die natürlichsprachliche Abfrageschnittstelle „AI/BI Genie“ von Databricks mit verbindlichen Geschäftsbedeutungen unterlegt. Der Produktname ist Databricks’ eigene Wortwahl, nicht die Terminologie dieses Buches: Technisch beschrieben wird ein Wissensgraph mit Ranking-Ebene, nicht ein formales, axiombasiertes Regelwerk im Sinne von Ontologie (s. dort). Speist sich aus Tabellen, Abfragen, Dashboards und mehr als 50 angebundenen Anwendungen sowie aus den Unity Catalog Metrics, in denen Kennzahlen wie Umsatz oder Kündigungsquote einmal verbindlich definiert werden: dasselbe Geschäftsglossar-Prinzip, das der Semantic Layer (s. dort) beschreibt, hier als produktiv ausgeliefertes Beispiel. Ein Rankingmechanismus namens Ontorank (nach dem Vorbild von PageRank) bewertet konkurrierende Datendefinitionen nach Autorität (Urheberschaft, Nutzungsbreite, Verknüpfung, Aktualität), damit ein Agent die geprüfte statt eine geratene Definition verwendet. Denselben Namen trägt in dieser Reihe ein eigenes, um die Säule Permission erweitertes Vertrauensraster (s. Ontorank). Praxisrelevanz: In von Databricks berichteten Tests stieg die Trefferquote korrekter Antworten dadurch von rund 50 auf 84,5 Prozent, eine Herstellerangabe ohne veröffentlichte Methodik, Stichprobe oder unabhängige Prüfung, aber ein Hinweis darauf, dass große Datenplattformen selbst Richtung Ontologie und Semantik gehen, dieselbe Bewegung wie bei Customer Data Platforms (s. CDP 2.0). Ausführlich in Band 3, Abschnitt 4.3.
In allen Bänden
GEO (Generative Engine Optimization)
Die Praxis, Inhalte so zu strukturieren, dass generative KI-Suchsysteme (ChatGPT Search, Perplexity, Google AI Overviews/Gemini) sie in ihren Antworten zitieren, statt sie wie beim klassischen SEO nur in einer Trefferliste möglichst weit oben zu zeigen. Technisch entscheidet sich Zitierfähigkeit über mehrere Schritte: Retrieval (die Systeme durchsuchen live und/oder trainierte Bestände unterschiedlich), Content-Chunking (nicht die Seite, sondern ein einzelner, in sich geschlossener Abschnitt von 100 bis 300 Wörtern wird per Vektor-Ähnlichkeit gefunden), Entitäten-Erkennung (das Modell muss erkennen, was Marke, Produkt, Preis oder Inhaltsstoff ist) und Zitierhäufigkeit/Autorität (bereits vielfach referenzierte Entitäten werden bevorzugt zitiert). Strukturierte Daten (schema.org/JSON-LD) nehmen dem Modell die Rate-Arbeit der Entitäten-Erkennung ab, deshalb ist GEO im Kern ein Problem expliziter, strukturierter Bedeutung, kein Text- oder Keyword-Problem. Crawlbarkeit, Informationsgehalt, bereits vorhandene Zitierautorität und Aktualität entscheiden daneben eigenständig mit, unabhängig von jeder Strukturfrage, und ein eigener unternehmensinterner Wissensgraph ist für diese Struktur ein möglicher, kein zwingender Weg: schema.org-Markup und ein in sich geschlossener, entitätenreicher Textabsatz können denselben Zweck erfüllen, zumal generative Systeme strukturierte Auszeichnung nicht einheitlich gleich verarbeiten. Wichtige Abgrenzung: schema.org-Markup, das den Google Knowledge Graph/Googles Wissenspanel füttert, ist nicht dasselbe wie ein unternehmenseigener Wissensgraph (s. Business Object, Ontologie): Das eine ist ein ausgefülltes Standardformular für ein fremdes System, das andere die selbst geführte, vollständige eigene Akte mit Reasoning-Fähigkeit. Ausführlich, inkl. empirischem Beleg aus 152 deutschen Online-Shops (Hristev, Clessienne & Kretschmar 2026, GEO-Apokalypse vertagt), in Band 3, Abschnitt 5.1.
In allen Bänden
Geopatriation
Ein von Gartner geprägter Begriff (Top-Trend 2026) für die gezielte Rückverlagerung von Unternehmensdaten und -anwendungen aus globalen Public-Cloud-Umgebungen zurück in lokale, souveräne oder On-Premise-Umgebungen, anders als die klassische Cloud-Repatriation primär aus geopolitischen (nicht Kosten-)Gründen motiviert. Praxisrelevanz: Gartner prognostiziert, dass bis 2030 über 75 Prozent der europäischen und nahöstlichen Unternehmen ihre Workloads geopatriieren werden (Ausgangswert 2025: unter 5 Prozent), eine Prognose eines einzelnen Analystenhauses, kein bereits eingetretener oder unabhängig bestätigter Trend. Träfe sie auch nur teilweise ein, beeinflusste das direkt, wo und wie Unternehmensontologien und Wissensgraphen künftig gehostet werden dürfen.
In allen Bänden
Gesetz der erforderlichen Vielfalt (Law of Requisite Variety, Ashby’sches Gesetz)
Von William Ross Ashby 1956 formuliertes Grundgesetz der Kybernetik: Nur Vielfalt kann Vielfalt absorbieren, ein Steuerungssystem muss mindestens so viele unterschiedliche Reaktionen bereithalten, wie die Störungen unterschiedlich sind, denen es begegnet. Trägt das Viable System Model (s. dort), das aus diesem Gesetz ableitet, warum starre, zentrale Steuerung in einer komplexen, veränderlichen Umwelt an ihre Grenzen stößt. Praxisrelevanz: Ein Argument dafür, dass föderierte statt rein zentrale Governance-Modelle bei hoher Umweltkomplexität tendenziell im Vorteil sind.
In allen Bänden
Gestufte Autonomie (Staged Autonomy)
Eine vierstufige Betriebspraxis, die einem KI-Agenten Handlungsfreiheit schrittweise zuweist, statt sie an einem einzigen Stichtag vollständig zu erteilen: Shadow Mode (der Agent empfiehlt, ein Mensch prüft und führt aus), Supervised Autonomy (der Agent handelt, ein Mensch bestätigt vor der Wirkung), Autonomous with Guardrails (der Agent handelt selbstständig innerhalb definierter Grenzen, ein Mensch wird nur bei Abweichung eingeschaltet) und Full Autonomy (der Agent handelt ohne laufende menschliche Freigabe, mit nachgelagerter Prüfung). Vorgeschlagen von Sadalage & Chandrasekaran (Thoughtworks, 2026). Praxisrelevanz: Übersetzt die Aufsichtsfrage aus ISO/IEC 38507, ob ein Führungsgremium den KI-Einsatz im eigenen Haus überhaupt beaufsichtigen kann, in eine laufende Betriebspraxis für Systeme, die selbstständig handeln, ohne die vier im Buch behandelten Governance-Normen zu ersetzen. Ausführlich in Band 2.1, Kapitel 4.8.
Band 2 · Band 2.1
Getypte Entscheidung (typed decision)
Eine Modellausgabe, deren Form schon vor dem Aufruf feststeht. Übergeben werden ein Zustand und eine oder mehrere Fragen mit jeweils vorgegebenen Antwortoptionen, in der Regel eine Auswahl aus benannten Optionen, ein Ja-Nein oder ein Punktwert auf einer selbst definierten Skala; zurück kommen die gewählte Option, eine Wahrscheinlichkeit je Option und, wenn die Grundlage nicht reicht, eine Enthaltung (s. Abstention). Weil die Form aus der Anfrage stammt und nicht aus dem generierten Text, verzweigt die aufrufende Software direkt auf die Antwort, statt Text auszuwerten; dass sie kein ungültiger Typ sein kann, garantiert erst ein tatsächlich erzwungener Ausgabe- und Validierungsmechanismus samt Fehlerbehandlung. Ein gültiger Typ sagt noch nichts darüber, ob die Entscheidung stimmt, ob die Wahrscheinlichkeiten kalibriert sind oder ob sich das Modell im richtigen Moment enthält: Formatvertrag, Entscheidungsmodell, Unsicherheitsmessung und Enthaltungsregel sind verschiedene Eigenschaften. Abzugrenzen vom erzwungenen Ausgabeformat eines Sprachmodells (Structured Output, JSON-Modus): Dort erzeugt das Modell weiter Text in einer vorgeschriebenen Hülle, hier ist die Entscheidung selbst die Ausgabe. Einzelne Anbieter führen die Bauart unter eigenen Namen, und offen verfügbare Modelle setzen denselben Vertrag um; die Bezeichnungen wechseln schnell und sind für den Begriff unwichtig. Praxisrelevanz: Ein solches Modell wird nicht wie ein Chatmodell bewertet. Geprüft wird, ob die mitgelieferte Wahrscheinlichkeit trägt (s. Kalibrierte Wahrscheinlichkeit) und ob es sich enthalten kann, nicht, wie brauchbar sein Text ist. Ausführlich in Band 1.1, Kapitel 2.4, die Steuerungsseite der Schwelle in Band 2, Kapitel 2.3.
In allen Bänden
gist (Upper Ontology von Semantic Arts)
Eine offen lizenzierte (CC BY 4.0) Oberontologie für Unternehmen, entwickelt und gepflegt von Semantic Arts, dem Haus von Dave McComb, mit dem Anspruch, typische Geschäftsbegriffe mit möglichst wenigen Grundbegriffen abzudecken: rund 100 Klassen mit Alltagsnamen wie Organization, Person, Event, Intention, Agreement, Commitment, Content, Magnitude, Category, dazu etwa ebenso viele Eigenschaften, feinkörnige Disjunktheit an der Spitze, keine inversen Eigenschaften. Aktuelle Fassung 14.1.0 (April 2026). Abgrenzung: Anders als DOLCE, BFO oder SUMO ist gist nicht philosophisch, sondern betrieblich gebaut; anders als POLE+O (s. dort) ist es eine gepflegte, versionierte Ontologie mit Community, aber kein Standard eines Normungsgremiums. Einordnung des Buchs: eine etablierte Upper Ontology, an der sich das Bedeutungsmodell für die Grundkategorien orientiert. Das Modell bleibt eine eigene Domänenontologie im eigenen Namensraum; seine Klassen behalten ihre Namen und werden dort ausdrücklich mit gist-Klassen verknüpft, wo die Bedeutung übereinstimmt oder enger ist. Nicht abgedeckt sind Ebenenkaskade, Seeds und Capability. Ausführlich in Band 1.1, Kapitel 1.4.
In allen Bänden
Global Integration versus Local Responsiveness
Die Abwägung zwischen weltweit einheitlicher Steuerung und Anpassung an lokale Märkte, die Bartlett und Ghoshal (1989) ins Zentrum internationaler Strategie stellen. Im Buch die Balance, die regionale Strategien bei der Umsetzung der Gesamtstrategie finden müssen (Band 2, Abschnitt 1.2.2).
Band 2
Golden Circle (Sinek)
Von Simon Sinek (2009) popularisiertes Modell aus drei Kreisen, Warum, Wie und Was, das den Purpose, also das Warum, zum Ausgangspunkt der Unternehmensstrategie macht. Sinek stützt die These vor allem auf ausgewählte Unternehmensbeispiele, systematisch empirisch geprüft ist sie kaum. Im Buch Ordnungshilfe für die Frage, wovon die übrigen Strategieelemente abgeleitet werden (Band 2, Abschnitt 1.2.1), und Quelle des Begriffs Purpose im Purpose-Position-Plan-Pattern-Raster (Band 2, Kapitel 2.1).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Golden Path
Der eine Weg, den jemand vorbereitet hat, damit er der bequemste ist, nicht der vorgeschriebene. Zwei Eigenschaften machen ihn aus: meinungsstark, es ist entschieden, wie man eine wiederkehrende Aufgabe löst, statt dass jeder wählt; und unterstützt, wer ihn geht, findet Vorlagen, eine Anleitung und eine zuständige Stelle vor. Fehlt das Erste, ist es keine Hilfe, sondern eine weitere Möglichkeit; fehlt das Zweite, eine Vorschrift ohne Gegenleistung. Er ist keine Vorschrift: Der Umweg bleibt erlaubt, wer ihn nimmt, trägt selbst, was daraus folgt. Damit wird nicht durch Verbot standardisiert, sondern dadurch, dass ein Weg so viel einfacher ist als alle anderen, dass ihn fast alle freiwillig nehmen; genau deshalb verträgt er sich mit der Domänensouveränität, die ein Verbot zerstören würde. Wird er verpflichtend, kippt er in den Golden Cage und schreibt wieder Inhalt statt Schnittstelle vor (s. Ontology Trap). Ein Golden Path braucht keine Software: Das Arbeitsheft zu dieser Reihe ist einer. Der Begriff entstand intern bei Spotify um 2014 und wurde im August 2020 veröffentlicht; Netflix nennt dasselbe „Paved Road“. Dass der Name auf Frank Herberts „Dune“ zurückgeht, vermutet der Spotify-Beitrag selbst nur (Niemen, 2020). Im Modell dieses Buchs ist der Golden Path die Umsetzungsform des Prinzips „Flexibilisierung durch Standardisierung“ (s. Band 2.1, Kapitel 4.1).
In allen Bänden
Good-Regulator-Theorem und Requisite Variety (Kybernetik)
Zwei Sätze der Kybernetik, die die Modellthese dieser Reihe tragen. Conant & Ashby (1970): „Every good regulator of a system must be a model of that system“: wirksame Steuerung setzt ein Modell des gesteuerten Systems voraus; Machine Ready Strategy macht dieses Regulator-Modell explizit und maschinenlesbar. Dazu Ashbys Gesetz der erforderlichen Vielfalt (1956, s. dort): die Begründung, warum ein Kennzahlen-Dashboard allein der Vielfalt eines Unternehmens selten gewachsen ist und ein hinreichend reiches Bedeutungsmodell bessere Voraussetzungen für Steuerung bietet. Verwandt: Stafford Beers POSIWID („The purpose of a system is what it does“, 2002) als Prüfsatz gegen Zweck-Behauptungen. Ausführlich in Band 1, Kapitel 2.2 und Band 2.1, Abschnitt 2.2.
In allen Bänden
Governance
Rahmen von Regeln, Praktiken und Prozessen, durch die ein Unternehmen gesteuert und beaufsichtigt wird; Governance setzt und beaufsichtigt, Management führt aus. Das Wort ist ein Containerwort (s. dort): ISO 37000, ISO/IEC 38500, die G20/OECD-Prinzipien und DAMA-DMBOK definieren es jeweils für ihren Gegenstand anders. Wortgeschichtlich dieselbe Wurzel wie Kybernetik (griechisch kybernan, ein Schiff steuern). Im Buch taucht der Begriff mehrfach konkretisiert wieder auf, etwa als Datengovernance-Struktur (s. Glossar Modellbegriffe), als Technologie-Governance-Modell und als Governance-Raum, die Setzung an einem einzelnen Knoten des Bedeutungsmodells (Band 2.2, Abschnitt 4.2.5).
In allen Bänden
Governance Inversion Hypothesis / Autoritätsfragmentierung, symbolische Governance-Expansion, Externalisierung von Kontrolle, Autoritätsparalyse
Eine 2026 vorgeschlagene These (Frimpong), wonach zunehmende KI-Regulierung die tatsächliche organisatorische Kontrolle nicht zwangsläufig stärkt, sondern über vier Mechanismen schwächen kann: Verantwortung zersplittert auf immer mehr Stellen (Autoritätsfragmentierung), Governance-Strukturen wachsen sichtbar, ohne wirksamer zu werden (symbolische Governance-Expansion), Kontrolle wird formal an externe Prüfer oder Tools abgegeben, statt intern aufgebaut zu werden (Externalisierung), und am Ende kann niemand mehr eindeutig entscheiden, wer zuständig ist (Autoritätsparalyse). In Band 4, Kapitel 7.1 ausführlich hergeleitet, dort auch als bislang nur einfach belegte, noch nicht peer-reviewte These eingeordnet.
In allen Bänden
GPAI (General Purpose AI, KI mit allgemeinem Verwendungszweck)
Ein KI-Modell, das für sehr viele unterschiedliche Aufgaben gebaut ist statt für eine einzelne; große Sprachmodelle sind der typische Fall. Der europäische AI Act führt für solche Modelle eine eigene Regelkategorie mit besonderen Transparenz- und Dokumentationspflichten für die Anbieter, weil sich bei einem Allzweckmodell vorab nicht absehen lässt, wofür es später eingesetzt wird (Kapitel 7.4).
Band 4
Graph Data Science (Graph Analytics)
Sammelbegriff für Algorithmen, die auf der Struktur eines Graphen rechnen, statt seine Inhalte abzufragen: Zentralitätsmaße (welcher Knoten ist wichtig), Community Detection (welche dicht vernetzten Gruppen findet der gewählte Algorithmus unter der gewählten Graphkonstruktion, kein automatisch „natürliches“ Segment), Path Finding (welcher Weg verbindet zwei Knoten, ein Baustein unter mehreren für Time-Travel-Abfragen, nicht deren alleinige algorithmische Grundlage), Similarity und Link Prediction (wie ähnlich sind zwei Knoten, welche Kante fehlt vermutlich, eine Hypothese, die vor der Übernahme in die Ontologie fachlich geprüft gehört, keine bereits gesicherte Beziehung) sowie Graph Embeddings (s. jeweils dort). Zweck ist, aus der Struktur eine Aussage zu gewinnen, die vorher in keinem Datenfeld stand. Abgrenzung: Die Ergebnisse sind berechnete Strukturgrößen und keine Kausalaussagen. Für Zentralitätsmaße ist belegt, dass ihr Zusammenhang mit dem kausalen Einfluss eines Knotens für mehrere Maße schwach ist (Dablander & Hinne, 2019); zur Gegenüberstellung mit gemessenem Effekt und Wirkungsannahme (s. dort) Band 1.1, Abschnitt 2.2.3. Zwei Abgrenzungen, an denen es in der Praxis oft hakt: Graph Data Science ist keine bloße Datenbankabfrage, die vorhandene Fakten abliest, und nicht gleichzusetzen mit einem neuronalen Netz: Der Oberbegriff umfasst lernende Verfahren wie Graph Embeddings und Link Prediction ebenso wie nicht lernende. Ein Zentralitätsmaß etwa lernt nichts, es rechnet. Und es setzt weder eine Graphdatenbank noch eine Ontologie voraus; die Beziehungsstruktur lässt sich zur Laufzeit auch aus relationalen Tabellen oder Protokolldaten erzeugen (s. die vierte Kategorie Graph AI/GNN in Band 1.1, Abschnitt 2.5.1). Praxisrelevanz: Die Verwechslung mit einem Wissensgraphen ist eine teure, weil sie in beide Richtungen läuft. Wer eine bessere Vorhersage braucht, kauft womöglich eine Bedeutungsschicht, die er nicht braucht; wer Begriffe über Abteilungsgrenzen vereinheitlichen will, kauft womöglich ein Lernverfahren, das ihm dabei nicht hilft. Ausführlich in Band 1.1, Kapitel 2.3, die knappe Abgrenzung gegen Graph Visualisation (s. dort) in Band 1.1, Kapitel 2.1.
In allen Bänden
Graph Embeddings
Verfahren, die die strukturelle Rolle eines Knotens (Nachbarschaft, Zentralität, Community-Zugehörigkeit) in einen dichten Vektor übersetzen. node2vec (Grover & Leskovec, 2016) lernt Knoten-Vektoren über simulierte, gesteuerte Zufalls-Spaziergänge durch den Graphen; GraphSAGE (Hamilton, Ying & Leskovec, 2017) lernt stattdessen eine Funktion, die sich auch auf neue, beim Training unbekannte Knoten anwenden lässt. Praxisrelevanz: Die technische Brücke zwischen der symbolischen Ontologie-/Reasoning-Layer-Welt und der Vektorwelt aus RAG/GraphRAG (s. dort), ausführlich in Band 1.1, Kapitel 2.3.
In allen Bänden
Graph Intelligence
Sammelbezeichnung, die in Anbieterunterlagen und Konferenzvorträgen oft ohne nähere Bestimmung steht. Genauer gefasst kein Werkzeug, sondern das Zusammenspiel aus Struktur (Graphdatenbank), Bedeutung (Ontologie, Semantic Layer) und Analyse (Graph Data Science, s. dort), das Fragen über viele verknüpfte Beziehungen hinweg handhabbar macht, die sich in Tabellen zwar ebenfalls abbilden, dort aber nur mühsam stellen und pflegen lassen, dazu ein Weg, das Ergebnis zu jemandem zu bringen (Graph Visualisation, GraphRAG, s. dort), und die Regeln, die dafür sorgen, dass das Ergebnis später noch nachvollziehbar bleibt (s. Provenienz). Eine Graphdatenbank allein ist deshalb noch keine Graph Intelligence. Ausführlich in Band 1.1, Kapitel 2.1.
In allen Bänden
Graph Memory
Ein persistentes, graphbasiertes Gedächtnis eines KI-Agenten, das über eine einzelne Sitzung hinaus erhalten bleibt, technisch die Fortsetzung dessen, was als Semantic Memory in der CoALA-Gedächtnisarchitektur beschrieben wird. Frameworks wie Graphiti (Zep) oder Mem0 setzen dieses Prinzip produktiv um, meist bitemporal, jede Kante trägt einen Zeitstempel für Gültigkeit und einen für Erfassung. Im Buch als mittlere, sitzungsübergreifende Schicht des „Layers of Meaning“-Modells eingeordnet, zwischen dem ephemeren Context Graph und der dauerhaften Ontologie. Nicht zu verwechseln mit Company Memory (s. dort): Dieses ist die Wissensschicht des Unternehmens, das Graph Memory das Gedächtnis eines einzelnen Agenten über Sitzungen hinweg. Abgrenzung zu Knowledge Graph: Der Unterschied liegt im Nutzungszweck. Ein Graph Memory kann selbst als fortlaufend aktualisierter Wissensgraph gebaut sein; es dient dem Gedächtnis eines Agenten über Sitzungen hinweg, während ein Unternehmens-Wissensgraph Entitäten und Beziehungen einer Domäne für viele Nutzer festhält. Dynamik und Governance betreffen beide. Ansätze, die ein solches Gedächtnis über Reinforcement Learning selbst umgewichten lassen, sind ein Forschungs- und Entwurfsthema, kein gesicherter Stand. Praxisrelevanz für S‑OPDT: Eine Gedächtnisschicht, die selbstständig umgewichtet, braucht dieselbe Nachvollziehbarkeitspflicht wie die Ontorank-Säulen der Schicht 3. Ausführlich in Band 1.1, Kapitel 2.2 sowie zur Gedächtnis-Architektur in Band 1, Kapitel 5.
Band 1.1 · Band 4
Graph Visualisation (Graph-Visualisierung)
Das sichtbare Darstellen eines Graphen für Menschen, Knoten als Punkte, Kanten als Linien, dazu Farbe, Größe und Anordnung. Kein Rechenverfahren, sondern eine Darstellungsform, deren Zweck Verstehen und Verständigung ist: Auffälligkeiten, Ballungen und Umwege werden sichtbar, die in einer Tabelle mit exakt denselben Daten unentdeckt bleiben, und ein Team einigt sich vor einem Bild schneller als vor einer Abfragesprache. Zwei Abgrenzungen: Eine Graph Visualisation durchsucht einen Datenbestand, während die Abbildungen dieses Buchs ein Modell erklären, das eine ist Arbeitsmittel, das andere Didaktik. Und sie zeigt einen Graphen, statt auf ihm zu rechnen (s. Graph Data Science). Praxisrelevanz: Ein Ähnlichkeits- oder Netzbild ist schnell gebaut und überzeugt sofort, es trägt aber keine Entscheidung, die jemand später begründen muss, dafür braucht es benannte Kanten, Herkunft und Berechtigung (s. Provenienz). Anschauungsbeispiel aus dem Vektorraum, ausdrücklich kein Wissensgraph-Fall: die t-SNE Map der Google Arts & Culture Experiments, beschrieben in Band 1.1, Kapitel 2.1.
In allen Bänden
Graphdatenbank
Eine Datenbank, die Dinge und ihre Beziehungen als Knoten und Kanten speichert und Abfragen darüber schnell beantwortet, auch über mehrere Verbindungen hinweg. Sie ist die Speicher- und Abfrageschicht (Beispiele: Neo4j, TigerGraph, Amazon Neptune), keine Anwendung und keine Entscheidungsplattform (s. Decision Intelligence, Ermittlungs- und Lageplattform). Technische Grundformen s. Property Graph und RDF (Resource Description Framework). Praxisrelevanz: Der Kauf einer Graphdatenbank beantwortet nicht, wer die Daten pflegt, wer die Bedeutung festlegt und wer die Oberfläche baut. An diesen Fragen scheitern Graphprojekte häufiger als an der Datenbank (s. Graph Intelligence).
In allen Bänden
GraphRAG
Sammelbegriff für Verfahren, bei denen ein Sprachmodell seine Antworten über einen Wissensgraphen erdet statt nur über Vektor-Ähnlichkeit, uneinheitlich definiert und am Markt in zwei Lesarten im Einsatz: In der Bauweise, die den Namen geprägt hat (Microsoft Research; Edge u. a., 2024), wird der Graph erst aus den Texten extrahiert; liegt im Haus bereits ein geprüfter Graph vor, entfällt die Extraktion, und abgefragt wird der Bestand. Welche der beiden Lesarten ein Angebot meint, ist die erste Rückfrage. Das kann Halluzinationen reduzieren und mehrstufiges Schließen erleichtern, ist aber Risikominderung, keine Garantie: Auch ein Graph-Retrieval kann falsche, unvollständige oder irrelevante Treffer liefern, und ein Sprachmodell kann trotz korrektem Kontext davon abweichen. Praxisrelevanz: Ohne Retrieval-, Faithfulness- und End-to-End-Tests gilt kein GraphRAG-Verfahren als faktentreu, nur als weniger anfällig. Ausführlich in Band 1.1, Abschnitt 2.1.9. Der Sammelbegriff deckt vier Bauweisen mit unterschiedlichen Kosten und unterschiedlichen Stärken: Community-Hierarchien (Microsoft GraphRAG, Edge et al., 2024: Entitätengraph plus rekursive Leiden-Zerlegung plus vom Sprachmodell geschriebene Zusammenfassungen je Hierarchieebene), flache Entitäten-Relations-Graphen (LightRAG, s. dort), gedächtnisnahe Traversierung über Personalized PageRank (HippoRAG und Fast GraphRAG, s. dort) und rekursive Zusammenfassungsbäume (RAPTOR, s. dort). Die Vierteilung ist Orientierung und keine abschließende Taxonomie: Viele Systeme im Betrieb sind Mischformen (s. Hybrides Graph-Text-Retrieval). Praxisrelevanz: Die Unterschiede sind messbar und gegenläufig. Eine bereinigte Vergleichsmessung (Zeng et al., 2025/2026) findet auf dem Mix-Teilbestand des Ultra Domain Benchmark, mit GPT-4o-mini und gemittelt über 100 Fragen, bei den Qualitätsvorsprüngen zwischen den Verfahren überwiegend unter 8 Prozent, mit zwei Ausnahmen (Fast GraphRAG 21 Prozent und Microsoft GraphRAG 11 Prozent gegenüber LightRAG), bei den Kosten je Abfrage dagegen einen Faktor 16,6 zwischen Microsoft GraphRAG und LightRAG und einen Faktor 77 gegenüber einfachem Vektor-RAG. Diese Zahlen betreffen die Abfrage und nicht die Indexierung, und sie sind das Ergebnis dieses Aufbaus, keine Eigenschaft der Verfahren. Eine Beschaffung von „GraphRAG“ ohne benannte Bauweise lässt deshalb die Kostenfrage offen. Ausführlich in Band 1.1, Abschnitt 2.1.9.
In allen Bänden
Great Flattening
Bezeichnung für die seit 2025/26 beobachtbare Welle des Abbaus mittlerer Führungsebenen in Unternehmen (u. a. bei Meta, Amazon, Google, Intel öffentlich berichtet); Managerzahlen sanken laut Korn-Ferry-Daten allein zwischen 2022 und 2025 um über 6 Prozent, mit weiter steigender Tendenz. Wie viel davon auf agentische KI zurückgeht und wie viel auf Kosten-, Zinsumfeld- und allgemeine Strategieentscheidungen der letzten Jahre, ist mit den öffentlich berichteten Zahlen allein nicht sauber zu trennen, ein KI-beschleunigter Anteil ist plausibel, aber Hypothese, kein belegter Kausalanteil. Praxisrelevanz: Wenn KI-Agenten Koordinationsaufgaben übernehmen, verschiebt sich die Rolle verbleibender Führungskräfte vom Bündeln und Weitergeben von Statusinformationen zur Gestaltung der Zusammenarbeit von Mensch und Maschine; ein strukturelles Risiko dabei ist der Verlust der Übersetzungs- und Kontextfunktion, die mittlere Führung traditionell zwischen Topmanagement und operativer Basis übernimmt.
Band 4
Gremlin (Apache TinkerPop)
Neben SPARQL (für RDF) und Cypher (Neo4js deklarative Mustersprache) die dritte große Familie der Graph-Abfragesprachen, mit einem funktionalen, schrittweisen Stil: Statt ein Zielmuster zu beschreiben, formuliert Gremlin eine Abfrage als Traversierungs-Pipeline, eine Kette einzelner Schritte, die den Graphen Knoten für Knoten durchwandert. Von Beginn an herstellerübergreifend angelegt, unterstützt u. a. von JanusGraph, Amazon Neptune und Microsoft Azure Cosmos DB. Ausführlich in Band 1.1, Kapitel 2.1.
In allen Bänden
Grenzen
POLE+O ist ein schnelles Ermittlungs- und Discovery-Raster, keine philosophisch hergeleitete, universell tragfähige Oberklassen-Ontologie, und belegt sind die Erweiterung um Organization und ihre Zuspitzung zum Einstiegsschema nur durch eine Anbieterdokumentation (Neo4j Labs) und einen Blogbeitrag von 2026 (Kaliciński), nicht durch Fachliteratur mit Peer Review. „Object“ als Auffangklasse für alles, was nicht Person, Location, Event oder Organization ist, verschiebt die eigentliche Modellierungsarbeit eher, als sie zu lösen: Zeit, Zustand, Vertrag als Rechtsverhältnis (nicht nur als Dokument), Information, Rolle, Maßeinheit und andere abstrakte Konzepte lassen sich fachlich nicht immer sinnvoll als Unterklasse der fünf Typen führen und verlangen im Zweifel eine eigene Kategorie oder den Vergleich mit einer der etablierten Standard-Ontologien wie DOLCE, BFO, schema.org oder FOAF (s. Band 1.1, Kapitel 1.4). Kein Ersatz für Competency Questions, die im Zweifel entscheiden, ob POLE+O für die eigene Domäne trägt, und kein Ersatz für Terminologiearbeit, sondern deren praktischer Vorunterbau.
In allen Bänden
Grounding (LLM-Grounding)
Die etablierte, seit Jahren in der Forschung zu Sprachmodellen verwendete Bezeichnung dafür, eine Modellausgabe an eine geprüfte, externe Wissensbasis zurückzubinden, etwa einen Wissensgraphen, statt sie allein aus den im Modell gespeicherten, nicht mehr einzeln nachweisbaren Trainingsgewichten zu erzeugen. Praxisrelevanz: Grounding ist der Grund, warum ein Reasoning Layer über einer Ontologie (s. Band 1.1, Kapitel 2.2) Halluzinationen verringert, nicht weil das Modell klüger würde, sondern weil ihm eine geprüfte Faktengrundlage vorgelegt wird, gegen die es antworten muss.
In allen Bänden
Gruppe verbundener Kunden
Aufsichtsrechtlicher Begriff aus Art. 4 Abs. 1 Nr. 39 CRR für Kunden, die über Kontrolle oder wirtschaftliche Abhängigkeit so verbunden sind, dass die Schwierigkeiten des einen den anderen mitreißen können; im Kreditrisiko werden sie als eine Einheit betrachtet. Im Modell keine Unterart von Kunde, sondern ein Ganzes aus Kunden, s. Band 2.2, Abschnitt 4.4.6.
Band 2.2
Guardian Agents
Von Gartner benannte Kategorie von KI-Agenten, deren Aufgabe darin besteht, andere autonome Agenten zu überwachen, zu kontrollieren und bei Fehlverhalten einzugreifen, als organisatorische Antwort auf die wachsende Zahl eigenständig handelnder Agenten in Unternehmen (Gartner, 2026b). Im Buch als Beleg dafür eingeordnet, dass mit steigender Agenten-Autonomie zusätzliche Steuerungsebenen entstehen und die Bedeutungsschicht dringlicher wird, statt überflüssig zu werden, s. Band 1, Kapitel 7.3.
Band 1 · Band 2 · Band 2.3
Guardrails (Leitplanken)
Technische und organisatorische Regeln, die festlegen, was ein KI-System tun darf, und die das zur Laufzeit durchsetzen. Sie prüfen Eingaben, Ausgaben und geplante Aktionen eines Modells oder Agenten und blockieren, korrigieren oder eskalieren sie, sobald eine Grenze verletzt wird, etwa bei vertraulichen Daten, unzulässigen Inhalten, Berechtigungen oder Budgets. Guardrails sind damit das Gegenstück zum Grounding (s. dort): Grounding bindet, woraus ein System seine Aussage ableitet, Guardrails begrenzen, was es damit tun darf. Praxisrelevanz: Ein Guardrail wirkt nur so gut wie die Regel, die er durchsetzt; sind die Grenzen fachlich nicht festgelegt, automatisiert er nur die bestehende Unklarheit. Die Rolle, die solche Grenzen entwirft, beschreibt die Reihe als Guardrail-Architect (s. Glossar Modellbegriffe, Band 2.1). Synonyme: Leitplanke. Beide Begriffe stehen in der Reihe nebeneinander, und der Kontext entscheidet: „Guardrail“ steht in benannten Modellen, Rollen, Adressen und Produktnamen, etwa bei den Human Guardrails mit ihren drei Risikostufen, beim Guardrail-Architect oder bei der Guardrail Engine; „Leitplanke“ steht dort, wo es um Führung, Strategie und Governance im Fließtext geht, etwa bei den ökonomischen Leitplanken der Strategy of Record.
In allen Bänden
I
Implizites Wissen (tacit knowledge)
Erfahrungswissen, das seine Träger anwenden, ohne es vollständig aussprechen zu können. Der Begriff geht auf Michael Polanyi zurück (ausgeführt in Band 1, Abschnitt 7.1.5); Nonaka (1994) beschreibt die Entstehung von Organisationswissen als fortlaufenden Dialog zwischen implizitem und explizitem Wissen. Abgrenzung: Implizites Wissen ist kein undokumentiertes explizites Wissen. Ein Teil lässt sich durch Interview, Workshop oder die Auswertung von Entscheidungsprotokollen erheben und steht dann als zugeschriebene Einschätzung oder als Wirkungsannahme (s. dort) im Graphen; ein anderer Teil bleibt an Übung gebunden. Praxisrelevanz: Ein Wissensgraph hält nur fest, was vorher jemand ausgesprochen hat; die Erhebung ist deshalb eine eigene, laufende Arbeit mit benannten Rollen. Ausführlich in Band 1.1, Abschnitt 2.2.3.
In allen Bänden
Incrementality Testing (Incrementality-Messung, Inkrementalitätsmessung)
Eine Messmethode, die den tatsächlichen kausalen Effekt einer Marketingmaßnahme ermittelt, indem eine der Maßnahme ausgesetzte Gruppe mit einer vergleichbaren, nicht ausgesetzten Kontrollgruppe verglichen wird, „a measurement methodology that determines the true causal impact of a marketing campaign by comparing outcomes between a group exposed to the marketing intervention and a control group that was not exposed“ (CDP.com, Incrementality Testing, 2026). Anders als klassische Attribution (s. dort), die Erfolg auf Touchpoints verteilt, fragt Incrementality Testing, ob eine Conversion überhaupt ohne die Maßnahme stattgefunden hätte, entspricht damit Sprosse 2, Intervention, der Pearlschen Leiter der Kausalität (s. Propensity Model und Band 1.1, Kapitel 2.2). Verfahren: Randomized Controlled Trials, Holdout-Gruppen oder geografisch abgegrenzte Geo-Tests. Abgrenzung zu Marketing- oder Media Mix Modelling (MMM, s. Band 3, Kapitel 3): MMM schätzt aggregiert über Kanäle und Zeiträume hinweg, Incrementality Testing prüft eine einzelne Kampagne oder Taktik experimentell. Ausführlich in Band 3.1, Kapitel 3.1.
In allen Bänden
Inference Engineering
Die Ingenieursdisziplin, die den einzelnen Inference-Vorgang (s. dort) in Produktion bei hoher Last zuverlässig, schnell und wirtschaftlich macht. Zentrale Hebel: Batching (mehrere Anfragen gebündelt durch dieselbe GPU schicken), KV-Caching (bereits berechnete Zwischenwerte wiederverwenden statt neu zu berechnen), Quantisierung (geringere Zahlenpräzision spart Speicher und Zeit), Modell-Routing (einfache Anfragen an ein kleines, günstiges Modell, schwere an ein großes) sowie Lastverteilung über viele GPUs (Kiely, P., Inference Engineering, 2026). Wer diese Arbeit übernimmt, hängt davon ab, wer das Modell kontrolliert (s. AI Engineering (Abgrenzung zu ML Engineering), Band 1.1, Kapitel 2.4): Bei geschlossenen Modellen wie GPT oder Claude liegt die Rechenoptimierung im Modell beim Anbieter; die anwendungsseitige Orchestrierung, also Routing, Caching und die Gestaltung der Aufrufe, bleibt auch dort beim Unternehmen. Erst sobald ein Unternehmen ein offen gewichtetes oder selbst gehostetes Modell betreibt, wird Inference Engineering zur eigenen Aufgabe, was mit der wachsenden Leistungsfähigkeit offener Modelle spürbar häufiger vorkommt (Orosz, G., What is inference engineering? Deepdive, The Pragmatic Engineer, 2026). Praxisrelevanz: In erster Linie eine Kosten- und Geschwindigkeitsfrage der Infrastrukturebene, verwandt mit Prompt Caching und LLMLingua (s. dort), aber breiter angelegt (Systemebene statt Einzelprompt). Ohne Wirkung auf das Ergebnis ist sie nicht: Quantisierung und das Routing auf kleinere Modelle können die Antwortqualität verändern, deshalb werden Kosten, Latenz und Qualität gemeinsam geprüft. Einen eigenen Kapitelabschnitt hat das Thema nicht.
In allen Bänden
Inference (Inferenz)
Der einzelne Rechenschritt, in dem ein bereits trainiertes Modell aus einem Input (Prompt, Bild, Frage) einen Output erzeugt: Anwendung, kein Lernen mehr, das ist die Abgrenzung zum Training. Jeder einzelne Modellaufruf, auch jede Antwort eines Chatbots oder Agenten, ist ein Inference-Vorgang. Praxisrelevanz: Der Modellaufruf wird zur Ware. Nach dem AI Index der Stanford University fiel der Preis einer Anfrage an ein Modell auf dem Leistungsstand von GPT-3.5 von 20 US-Dollar je Million Tokens im November 2022 auf 0,07 US-Dollar im Oktober 2024 (Stanford HAI, 2025), gemessen bei festgehaltener Leistung; dazu kommen Chips, die für genau diese Rechenlast gebaut sind (s. ASIC / Inferenzbeschleuniger). Billiger wird damit das Erzeugen und das Prüfen gegen vorhandene Texte. Die Festlegung, was gilt und wer dafür einsteht, wird es nicht; ein Geschäftsfall für die Bedeutungsschicht gehört deshalb nicht auf heutige Tokenpreise gestützt. Abgrenzung: Nicht zu verwechseln mit Inferenz als logischem Schließen aus Fakten und Regeln (s. Inferenz und Reasoner). Ausführlich in Band 1, Abschnitt 7.3.1.
In allen Bänden
Inferenz
Prozess des Ableitens logischer Schlussfolgerungen aus vorhandenen Daten oder Wissen. Im Buch ist Inferenz die Grundfähigkeit, die Reasoning, kausale Graphen und Ontorank (s. dort) erst nutzbar macht. Nicht zu verwechseln mit der engeren technischen Bedeutung von Inference als einzelnem Rechenschritt eines bereits trainierten Modells, dem Modellaufruf, s. Inference (Inferenz). In der Reihe kommen beide Bedeutungen vor: Wo von sinkenden Inferenzkosten die Rede ist, ist der Modellaufruf gemeint.
In allen Bänden
Infrastructure as Code (IaC)
Die Praxis, Server, Netzwerke und Cloud-Ressourcen nicht manuell in einer Konsole einzurichten, sondern als versionierten, testbaren Code zu beschreiben und automatisiert anzuwenden (Morris, 2020), Ursprung der umfassenderen Everything-as-Code-Familie (s. dort). Terraform (anbieterübergreifend über mehrere Clouds) und Ansible (vor allem Konfiguration bereits laufender Server) gehören illustrativ und austauschbar zu den am weitesten verbreiteten Werkzeugen dieser Kategorie. Ohne IaC bleibt eine Infrastrukturentscheidung oft an die Person gebunden, die sie getroffen hat, und geht mit ihr verloren. Davon zu unterscheiden ist die Konfigurationsdrift: die Abweichung zwischen dem erwarteten, im Code beschriebenen und dem tatsächlichen Zustand der Infrastruktur, die IaC sichtbar und korrigierbar macht. Herkunft des Begriffs und Abgrenzung gegen die zweite, gleich klingende Reihe „X to Code“ unter „X as Code und X to Code (Begriffsfamilie)“ in diesem Glossar. Ausführlich in Band 2.2, Abschnitt 5.2.4.
In allen Bänden
Instant-Valenz
Eigene Wortprägung dieses Buchs für eine einzelne, alltagsnahe Anwendung von Self-Grounding (s. dort): Statt eine strategische Initiative erst nach wochenlangen Abstimmungsrunden gegen bestehende Fähigkeiten und Datenstrukturen zu prüfen, führt eine Bereichsleitung den Dialog direkt mit dem Graphen, und die Prüfung, ob die Initiative auf eine definierte Capability einzahlt oder eine bereits vorhandene Struktur dupliziert, läuft in Realzeit statt in der nächsten Abstimmungsrunde. Der Unterschied zu Self-Grounding ist keiner der Mechanik, dieselbe Selbstverpflichtung, eine Aussage vor der Ausgabe gegen Ontologie und Graph zu verankern, sondern der Anwendungsebene: Self-Grounding beschreibt das Prinzip allgemein, Instant-Valenz benennt seine konkrete, für eine Führungskraft erlebbare Ausprägung im Dialog mit dem Bedeutungsmodell. Praxisrelevanz: Der Begriff macht einen sonst abstrakten Ontologie-Mechanismus für ein Managementpublikum greifbar, ohne selbst eine neue Architektur zu behaupten. Ausführlich eingeordnet in Band 2, Exkurs „Die Strategie erden“.
In allen Bänden
Instrumentvariable
Denkfigur der Kausalinferenz für Situationen ohne Experiment: ein „Hebel“, der die vermutete Ursache bewegt, aber keinen eigenen Weg zum Ergebnis hat. Beispiel: Wird eine Kundenbindungs-App in ausgelosten, zeitversetzten Wellen ausgerollt, erreicht die Einladungswelle den Wiederkauf nur über die App: Unterschiede zwischen den Wellen müssen App-Wirkung sein und können keine Treue sein. So lässt sich eine Wirkung von Confounder-Effekten (s. dort) trennen. Alltagssprachlich in Band 3.1, Kapitel 4.3.
Band 2 · Band 2.1
Intelligence-System
Im Markt gebräuchliche Sammelbezeichnung für eine fertige Anwendung, die Daten aus vielen Quellen zusammenführt, Entitäten auflöst (s. Entity Resolution), Beziehungen sichtbar macht und daraus eine begründbare Aussage oder Entscheidung herleiten lässt. In diesem Buch nicht als Kategorie verwendet, weil der Sammelbegriff zwei verschiedene Gegenstände verdeckt: den einzelnen Fall, der einmal entschieden wird (s. Ermittlungs- und Lageplattform), und die wiederkehrende Entscheidung, die modelliert, ausgeführt, überwacht und gesteuert wird (s. Decision Intelligence). Praxisrelevanz: Ein Einkauf unter diesem Namen lässt offen, welches der beiden geliefert wird; daraus entstehen teure Fehlkäufe. Ausführlich in Band 3, Kapitel 4, Abschnitt 4.15.
In allen Bänden
Intelligente Transformation
Transformationsprozess, der KI und andere fortschrittliche Technologien nutzt, um Geschäftsprozesse, Kundenerfahrungen und Geschäftsmodelle zu verbessern und zu innovieren. Dieser Begriff ist der zentrale Gegenstand des gesamten Buches: Das S‑OPDT-Modell ist der hier vorgeschlagene strukturierte Rahmen, um genau diese Transformation entlang der fünf Dimensionen Strategie, Organisation, Prozess, Daten und Technologie kohärent zu gestalten.
In allen Bänden
Intent (Suchintention, Kaufabsicht)
Das Ziel, das jemand mit einer Suchanfrage oder einer Frage an einen KI-Assistenten tatsächlich verfolgt, klassisch in vier Grundtypen unterschieden: informational (etwas verstehen), navigational (eine bestimmte Seite finden), transactional (kaufen) und commercial investigation (vergleichen vor dem Kauf). Für die generative Suche werden in der Fachdiskussion zwei weitere Typen unterschieden: Prompt Intent, bei dem der Nutzer eine komplexe, mehrteilige Aufgabe in einem einzigen Gespräch formuliert statt in einem Stichwort, und Solution Intent, bei dem nicht mehr ein Produkt, sondern eine ganze Problemlösung erfragt wird. Praxisrelevanz: Wer in einem KI-Assistenten sucht, formuliert seine Kaufabsicht ausführlicher als früher im Suchfeld, das Unternehmen bekommt diese Formulierung aber oft gar nicht mehr zu sehen, weil die Antwort direkt im Chat erfolgt und kein Klick auf die eigene Seite mehr nötig ist (s. Zero-Click-Realität). Die Antwort darauf ist, Kaufabsicht zunehmend als eigenes, explizit erfragtes Datum zu behandeln (Zero-Party-Daten), statt sie allein aus Klickpfaden zu erraten. Ausführlich in Band 3, Abschnitt 5.2, zur Unterscheidung deklarierter von erschlossener Kaufabsicht auch Band 3, Kapitel 1.6.
In allen Bänden
Interner Kunde
Der Fachbereich als Nutznießer und Abnehmer transformatorischer Arbeit (Ontologien, Agenten, Betriebsmodelle), behandelt mit derselben Discovery-Disziplin, die einem externen Kunden selbstverständlich zugestanden wird: vorher befragen statt nachher informieren. Die Grundidee reicht über Berry (1981) bis in die Qualitätsbewegung der frühen 1980er zurück; neu ist die Übertragung der Kundenzentrierungs-Methodik, nicht nur der Kunden-Metapher, auf KI- und Datenteams. Nicht zu verwechseln mit Employee Experience (s. dort), die breiter auf Engagement und Wohlbefinden zielt. Ausführlich in Band 1.1, Kapitel 2.7.
Band 1.1
Intervention
Eine gezielte Änderung oder Manipulation einer Variablen in einem System, um deren kausale Auswirkungen auf andere Variablen zu untersuchen.
Band 1 · Band 1.1
iPaaS (Integration Platform as a Service)
Middleware-Software, die den technischen Datenaustausch zwischen unterschiedlichen Cloud- und On-Premise-Systemen herstellt, ohne dass für jede Systemkombination eine eigene, individuelle Punkt-zu-Punkt-Integration gebaut werden muss. Praxisrelevanz: iPaaS löst die syntaktische Übertragung von Daten zwischen Systemen, aber nicht die Frage, ob dieselben Begriffe in beiden Systemen dasselbe bedeuten, genau diese Lücke zwischen technischer Anbindung und semantischer Übereinstimmung erklärt, warum „Interoperabilität“ in der MarTech-Geschichte fünfzehn Jahre lang ein Dauerthema blieb, ohne je als erledigt zu gelten (s. Band 3, Kapitel 1.3 und Band 2.1, Kapitel 1.2).
In allen Bänden
ISO/IEC 42001
2023: Die im Dezember 2023 veröffentlichte, weltweit erste zertifizierbare Managementsystem-Norm eigens für Künstliche Intelligenz (AI Management System, AIMS). Aufgebaut nach derselben Annex-SL-Grundstruktur wie das bereits etablierte Informationssicherheits-Pendant ISO/IEC 27001 und deshalb mit vorhandenen Managementsystemen kombinierbar statt eine weitere isolierte Insel zu sein; deckt den gesamten Lebenszyklus einer KI-Anwendung ab, von Entwurf bis Außerbetriebnahme, und gilt für jede Organisation, die KI-Systeme anbietet oder einsetzt. Praxisrelevanz: Liefert einem AI-Governance-Board die zertifizierbare, wiederkehrende Struktur für Risikobewertung und Kontrolle, statt Agent Governance bei null neu erfinden zu müssen, ausführlich in Band 4, Kapitel 3.3 und gebündelt in Institutionelle Ressourcen (Band 1 und Band 1.1, Anhang).
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Ist-Analyse
Aufnahme dessen, was heute gilt, gelebt und nicht nur dokumentiert, je Transformationsfeld. Jeder Eintrag nennt Quelle, Datum und bestätigende Rolle; leere Felder werden als leer ausgewiesen. Quellen sind Systeme, Dokumente und Befragung, einschließlich des Prozesswissens und des impliziten Wissens der Fachleute (Band 1.1, Abschnitt 5.2).
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
K
Kalibrierte Wahrscheinlichkeit (Kalibrierung)
Eine Konfidenzangabe, die ihrem Wert entspricht: Von allen Fällen, in denen ein Modell 80 Prozent angibt, müssen etwa 80 Prozent tatsächlich richtig sein. Kalibrierung ist eine eigene Eigenschaft neben der Treffergenauigkeit und nicht deren Nebenprodukt; ein Modell kann oft richtigliegen und seine Sicherheit dabei systematisch überschätzen, und ebenso umgekehrt. Geprüft wird sie nie an einer einzelnen Antwort, sondern an der Verteilung über viele Fälle, meist mit mitgelieferten Kalibrierungsdaten je Modellversion. Praxisrelevanz: Eine Schwelle, ab der ein System selbst entscheiden darf, braucht in jedem Fall eine empirische Prüfung ihrer Fehlerquote und Abdeckung an einem unabhängigen Fallbestand; das geht auch mit einem nicht kalibrierten Rangwert. Soll der Wert an der Schwelle als Wahrscheinlichkeit gelesen werden, etwa als „80 Prozent sicher“, ist zusätzlich Kalibrierung nötig. Die Angabe eines Anbieters, sein Modell sei kalibriert, ist am eigenen Fallbestand prüfbar und gehört vor die Abnahme, nicht danach. Verwandt: Getypte Entscheidung, Abstention. Ausführlich in Band 1.1, Kapitel 2.4.
In allen Bänden
Kalibrierungsphase (Prägung dieses Buches)
Eigene Phase zwischen Grundlegung und Übertragung in die Domänen im Entwicklungsorientierten Transformationsphasenmodell (s. dort). Sie dient der Prüfung und Nachbesserung der Grundlage aus Phase 1; neue Bausteine entstehen in ihr nicht: Zielbild und Geschäftsmodell werden nachgeschärft, Verantwortungen auf tatsächliche Wahrnehmung geprüft, Konflikte benannt, die Kommunikation neu aufgesetzt, angefangene Piloten und Doppelstrukturen bereinigt und die Lehren aus Phase 1 technisch, in den Daten, in den Abläufen und in der Organisation aufgenommen. Band 4, Kapitel 4.17.
Band 2.1 · Band 4
Kanonisch
Verbindlich festgelegt, also die eine Fassung, an der sich alle anderen ausrichten. Ein kanonischer Begriff ist die eine autoritative Definition eines Wortes innerhalb eines Unternehmens, eines Modells oder einer Termbase, nicht eine von mehreren gleichberechtigt nebeneinanderstehenden Lesarten; grundlegend erklärt in Band 2.1, Kapitel 1.1, terminologietheoretisch eingeordnet in Band 3, Kapitel 2.1. In der Reihe gilt das Wort nicht nur für Begriffe, sondern für jede Festlegung, die als Bezugsgröße dient, etwa: • die fünf kanonischen Ebenen Cloud, Kite, Sea, Fish und Clam (s. Glossar Modellbegriffe); • die kanonische Fassung der Tech-Lasagne mit ihrer festgelegten Zahl an Layern und Boxen; • die kanonische Koordinatennotation BP/DE/RP; • die kanonische Symbolik eines Company Brain, bei der je Elementtyp genau eine vereinbarte Darstellung existiert. Praxisrelevanz: „Kanonisch“ ist eine Zuständigkeitsaussage, kein Qualitätsurteil. Wo etwas als kanonisch gesetzt ist, gibt es eine benannte Stelle, die diese Fassung pflegt, und abweichende Lesarten verschwinden nicht, sondern werden als ausdrücklich abgeleitete Facetten mit eigenem Geltungsbereich daran gehängt. Fehlt diese Stelle, ist der Begriff nicht kanonisch, sondern nur einmal aufgeschrieben.
In allen Bänden
Kanten (im Kontext von Graphen/Netzwerken)
Definition und Modellverwendung s. Glossar Modellbegriffe.
In allen Bänden
Kantengewicht
Eine Zahl oder Stufe an einer Kante. Vier Größen sehen im Graphen gleich aus und bedeuten Verschiedenes: die Effektstärke aus einer statistischen Schätzung oder einem Experiment, das Strukturmaß aus einem Algorithmus der Graph Data Science (s. dort; etwa Ähnlichkeit oder Kosten eines Pfades), der Zugehörigkeitsgrad der Fuzzy Logic (s. dort) und die geschätzte Stärke einer Wirkungsannahme (s. dort). Hinzu kommt die Nennungshäufigkeit aus Befragungen, die zählt, wie oft eine Verbindung genannt wurde. Praxisrelevanz: Ein Gewicht ohne Angabe, welche dieser Größen es ist, wie es gewonnen wurde und von wem, ist in einer Entscheidung nicht verwendbar. Ausführlich in Band 1.1, Abschnitt 2.2.3.
In allen Bänden
Kapitalallokation (Capital Allocation)
Die Verteilung des verfügbaren Kapitals auf Geschäfte, Investitionen, Zukäufe und Ausschüttungen, gemessen an der erwarteten Rendite gegenüber den Kapitalkosten. Im Buch Teil der Wachstumsstrategie (s. dort) auf Ebene 1, zusammen mit Portfolio und Zukäufen (M&A); nur Festlegungen, die für die ganze Gruppe gelten, berühren zugleich den Rahmen auf Ebene 0 (Band 2, Abschnitt 1.1.7).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Kappa-Architektur
Die Gegenposition zur Lambda-Architektur (s. dort): Der Batch Layer entfällt, es bleibt eine einzige Strecke, die Stromverarbeitung, dazu ein wiederabspielbares Ereignisprotokoll (in der Regel Apache Kafka), in dem die Rohereignisse lange genug vorgehalten werden. Muss wegen geänderter Logik neu gerechnet werden, läuft derselbe Code ein zweites Mal ab dem Anfang des Protokolls, schreibt in eine neue Zieltabelle und wird umgeschaltet, sobald er aufgeholt hat. Vorgeschlagen von Jay Kreps in Questioning the Lambda Architecture (O’Reilly Radar, 02.07.2014), samt der beiläufigen Benennung: „Maybe we could call this the Kappa Architecture, though it may be too simple of an idea to merit a Greek letter.“ Praxisrelevanz: Passt, wenn die Quellen ohnehin Ereignisströme sind und die nötige Rückrechnungstiefe zur Aufbewahrungsdauer des Protokolls passt; nicht, wenn die Historie weiter zurückreicht als das Log oder wenn Stapelverarbeitung fachlich schlicht der richtige Modus ist, etwa beim Monatsabschluss. Weder Lambda noch Kappa sind vollständige Datenarchitekturen, beide sagen etwas über Latenz und Wiederberechenbarkeit und nichts über Speicherform, Modellierung, Governance oder Bedeutung. Ausführlich in Band 1.1, Abschnitt 1.2.9.
Band 1.1 · Band 2.1 · Band 2.2
Kausale Inferenz
Der Prozess des Schließens auf Ursache-Wirkungs-Beziehungen aus Daten, oft unter Berücksichtigung potenzieller Störfaktoren (Confounder). Anders als die allgemeine Inferenz (s. dort), die jede Art von Schlussfolgerung aus Daten oder Wissen meint, zielt kausale Inferenz gezielt auf die Frage, was Ursache und was Wirkung ist, statt nur auf Korrelation. Im Buch die Arbeitsebene der Kausalen KI und des Kausalen Graphen (s. dort). Abgrenzung: Kausale Inferenz liefert einen gemessenen oder geschätzten Effekt unter offengelegten Annahmen. Davon zu trennen sind die berechnete Strukturgröße der Graph Data Science und die Wirkungsannahme der Fachleute, die im Graphen dieselbe Form haben (s. Wirkungsannahme).
In allen Bänden
Kausale KI (Causal AI)
KI-Systeme, die mit einem expliziten Kausalmodell arbeiten und Interventions-/Was-wäre-wenn-Fragen beantworten statt Korrelationen fortzuschreiben. Fundament: Pearl (SCM, Leiter der Kausalität); der Dachbegriff selbst ist von Anbietern und Analysten geprägt (causaLens 2020, Gartner Hype Cycle ab 2022; erste akademische Abgrenzung Carloni, WIREs 2025). Vier Teildisziplinen mit je eigener Frage: Causal Discovery (Struktur), Causal Inference (Effektgröße), Causal ML (Uplift/CATE, Double ML nach Chernozhukov), Counterfactuals (Einzelfall). Merkregel des Buchs: Die Verlässlichkeit kommt aus dem Kalkül unter dem Sprachmodell. Sprachmodelle sind Quelle für Kausalwissen und Schnittstelle, die Schlussfolgerung leistet das Kausalmodell. Abgrenzung: Das Kausalmodell besteht zunächst aus Wirkungsannahmen (s. dort), die Fachleute, Verfahren oder Sprachmodelle beisteuern; geprüft wird jede an Daten oder per Eingriff. Der Einsatz kausaler KI macht eine Kante noch nicht zur geprüften kausalen Kante. Ausführlich in Band 2.1, Kapitel 2.6, Anwendung in Band 3.1, Kapitel 4.3.
In allen Bänden
Kausaler Graph (Causal Graph)
Ein Graph, dessen Kanten Ursache-Wirkungs-Annahmen darstellen, also „verursacht“ statt nur „hängt zusammen mit“; zu jeder Kante gehören ihre Begründung und ihr Status. Hergeleitet oder gestützt werden solche Kanten über Verfahren wie den PC-Algorithmus (constraint-basiert), score-basierte Verfahren oder FCI (für latente Confounder), mit kontrollierten Experimenten als Goldstandard. Granger-Kausalität (für Zeitreihen) zeigt dabei nur, dass eine Größe die Vorhersage einer anderen zeitlich verbessert, und liefert ohne weitere Voraussetzungen nicht dieselbe Aussage wie eine Intervention. Pfadkriterien beantworten Fragen unter dem angenommenen Modell; ob das Modell stimmt, klären empirische Identifikation und Validierung als eigene Schritte. Judea Pearls Leiter der Kausalität (drei Stufen: Assoziation, Intervention, Counterfactual) und der Do-Kalkül liefern den theoretischen Rahmen dafür. Ausführlich, inklusive der Methoden zur Kantenidentifikation, in Band 1.1, Kapitel 2.2 sowie am Praxisbeispiel Marketing- oder Media Mix Modelling in Band 3.1, Kapitel 4.3.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Kausales Modell
Eine formale Darstellung von Ursache-Wirkungs-Beziehungen zwischen Variablen, oft als Graph visualisiert.
Band 1 · Band 1.1
Kausalität (auch im Kontext von Kausaler KI)
Definition und Modellverwendung s. Glossar Modellbegriffe.
In allen Bänden
Kausalmatrix
Darstellung, die Wirkungsannahmen zwischen Steuerungsgrößen ausdrücklich aufführt, etwa dass eine Investition in Qualifikation auf einen Prozessindikator wirken soll. Sie macht Beziehungen explizit, die eine Balanced Scorecard nur andeutet, und dient der Diskussion dieser Annahmen. Offen bleibt meist, unter welcher Bedingung, mit welcher Verzögerung und auf welcher empirischen Grundlage eine Wirkung gilt; die Kausalität ist explizit, aber oft binär und statisch dargestellt, in der Regel als Momentaufnahme. Jede Variable vergrößert die Matrix, und bei vielen Variablen werden Rückkopplungen, indirekte Wirkungen und Beziehungen über mehrere Organisationseinheiten unlesbar. Abgrenzung: Die Einträge einer Kausalmatrix sind Wirkungsannahmen (s. Wirkungsannahme) und keine geprüften Effekte. Ausführlich, im Vergleich mit Balanced Scorecard und Graphsystem, in Band 2.1, Kapitel 2.2.
In allen Bänden
Kennzahlenschicht
s. Semantic Layer, dort als schlankere der beiden Bauformen, im bestehenden Datenstack über dem Warehouse und ohne Graph.
In allen Bänden
Kette, Gabel, Collider (kausale Pfadmuster)
Die drei Grundbausteine jedes Pfades in einem kausalen Graphen (Pearl): die Kette A→B→C (B vermittelt als Mediator), die Gabel A←B→C (B ist gemeinsame Ursache/Confounder und erzeugt Scheinkorrelation) und der Collider A→B←C (dessen unbedachte Konditionierung Zusammenhänge erst herbeirechnet). Ob ein beobachteter Zusammenhang kausal deutbar ist, entscheidet sich daran, welche Pfade über diese Muster offen oder blockiert sind (d-Separation, Backdoor-Kriterium): Die Pfadprüfung ist damit Multihop-Analyse auf einem Graphen, unter den Annahmen, die in diesem Graphen stecken; ob der Graph selbst stimmt, beantwortet sie nicht; Werkzeuge wie DAGitty machen offene und blockierte Pfade visuell prüfbar. Grundlagen in Band 1.1, Kapitel 2.2, Anwendung auf Journeys und Inkrementalität in Band 2.1, Kapitel 4.10 (s. auch den bestehenden Eintrag Incrementality Testing).
In allen Bänden
KI-Agent (Agent)
Ein KI-System, das, anders als ein Chatbot oder CustomGPT, der eine Anfrage mit einer einzelnen Antwort beantwortet und dann fertig ist, ein Ziel über mehrere Schritte hinweg selbstständig verfolgt: Es zerlegt eine Aufgabe in Zwischenschritte, nutzt dafür bei Bedarf Werkzeuge und Schnittstellen (Websuche, Dateisystem, Datenbanken, andere Software), bewertet Zwischenergebnisse und passt sein weiteres Vorgehen entsprechend an, bis das eigentliche Ziel erreicht ist. Basiert in der Regel auf einem Transformer-Sprachmodell, geht aber über dessen reine Textgenerierung hinaus, weil ein Kontroll- bzw. Orchestrierungsmechanismus das mehrschrittige Handeln steuert. Verwandt: Agentische KI (Systeme, die auf dem Konzept solcher autonomer Agenten basieren, wahrnehmen, entscheiden und handeln) und Agentensysteme (mehrere interagierende Agenten, die dezentral zusammenarbeiten). Praxisrelevanz: Wissensgraphen sind eine tragfähige Grundlage für belastbare Agentensysteme, weil sie eine prüfbare Faktenebene liefern; fehlt eine solche Ebene, handeln Agenten „offroad“, also ohne geprüften Kontext. Eingeführt in Band 1, Vorwort.
In allen Bänden
KI-Bias (Verzerrung)
Systematische Fehler oder Vorurteile in KI-Systemen, die oft aus unausgewogenen Trainingsdaten resultieren und zu unfairen Entscheidungen führen können.
Band 1 · Band 1.1
KI-Ethik
Bereich, der sich mit ethischen Fragen und Auswirkungen der Entwicklung und des Einsatzes von KI-Systemen befasst. Das Buch verortet KI-Ethik als integriertes Projekt im Organisations-Bereich des S‑OPDT-Modells und verknüpft sie mit Ontorank und den Nachvollziehbarkeitsanforderungen des AI Acts.
In allen Bänden
KI-Readiness (AI Readiness)
Sammelbezeichnung für Fragebögen, die den Vorbereitungsgrad eines Unternehmens auf KI in einer Note oder auf einer Fünferskala ausdrücken. Die Gattung ist verbreitet und für ein erstes Gespräch brauchbar, ihre Schwäche liegt in der Verrechnung: Eine Auswertung von 24 solchen Modellen für diese Reihe fand nur vier Dimensionen, über die in mindestens zwei Dritteln der Modelle Konsens besteht. Das Arbeitsheft Intelligent Diagnostics dieser Reihe ist kein Readiness-Score: Es erhebt vier getrennte Bilder und verrechnet sie nie zu einer Zahl. Die ausführliche Abgrenzung steht in der Methodenrechenschaft des Hefts.
Band 1 · Band 4
KI-Rollen in der Strategiearbeit (Researcher, Interpreter, Thought Partner, Simulator,Communicator)
Fünf Rollen, die generative KI nach einer McKinsey-Analyse (D’Amico et al., 2025) in der Strategiearbeit übernimmt: Daten sammeln und verdichten (Researcher), Rohdaten deuten (Interpreter), als Sparringspartner Denkfehler und blinde Flecken aufdecken (Thought Partner), Szenarien durchspielen (Simulator) und dieselbe Botschaft für verschiedene Zielgruppen aufbereiten (Communicator). Praxisrelevanz: Die Rollen sind nicht gleich robust, ihr Wert hängt an der Anbindung an die eigenen Daten (Band 2, Abschnitt 2.3.6).
In allen Bänden
Klassifikation
Eine Aufgabe des überwachten Lernens, bei der Datenpunkte vordefinierten Kategorien oder Klassen zugeordnet werden (z. B. Spam-Erkennung).
Band 1 · Band 1.1
Knoten (im Kontext von Graphen/Netzwerken)
Definition und Modellverwendung s. Glossar Modellbegriffe.
In allen Bänden
Knotengrad (Degree)
Die Anzahl der Kanten, die direkt an einem Knoten hängen: das älteste und einfachste Zentralitätsmaß der Graphentheorie, bereits von Leonhard Euler 1736 am Königsberger Brückenproblem verwendet (s. Zentralität). Praxisrelevanz: Im Unternehmenskontext die Anzahl direkter Verbindungen einer Person oder eines Datenobjekts, informativ, aber blind dafür, welche strukturelle Rolle diese Verbindungen tatsächlich spielen, ausführlich hergeleitet in Band 1.1, Kapitel 2.2.
In allen Bänden
Knowledge Engineer
Die Person, die eine Unternehmensontologie tatsächlich modelliert, gegen Competency Questions prüft und über die Zeit pflegt, in der Sprache dieses Buches oft in einem Atemzug mit Ontologe/Ontologin genannt. Abgrenzung zum AI Engineer: Der Knowledge Engineer baut das Wissen, identifiziert Wissensquellen, überführt sie in Ontologie, Taxonomie oder Graph und entfernt Redundanzen und Widersprüche, der AI Engineer baut das System, das dieses Wissen technisch nutzt, etwa indem er LLM-Pipelines integriert. Praxisrelevanz: Ein Knowledge Engineer ohne AI Engineer hat eine gepflegte Bibliothek ohne Personal, das Bücher ausleiht, ein AI Engineer ohne Knowledge Engineer ein leeres, aber technisch perfektes Bibliotheksgebäude, beide Rollen werden am Arbeitsmarkt häufig verwechselt und bleiben eine senior besetzte Nische ohne eigenen Eintrag im US-Berufsregister O*NET. Ausführlich in Band 3.1, Kapitel 3.2 und Band 4, Kapitel 6.1.
In allen Bänden
Knowledge Engineering
Die Disziplin, Fachwissen so zu erheben, zu modellieren und zu pflegen, dass Menschen und Maschinen damit arbeiten können: Begriffe klären, Beziehungen und Regeln festlegen, das Modell gegen Competency Questions prüfen und im Betrieb aktuell halten. Sie ist älter als die heutige KI und stammt aus der Forschung zu Expertensystemen; mit Wissensgraphen und Agenten wird sie zur Fähigkeit, die ein Haus selbst aufbauen muss, statt sie vollständig einzukaufen (s. Knowledge Engineer und die Transformationsmatrizen, Felder 1 und 3).
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Knowledge-Graph-Systeme (Wissensgraph-Systeme)
Technologien zur Verwaltung von Wissensgraphen, d. h. Netzwerken von Entitäten und ihren Beziehungen. Das Buch hebt moderne Systeme wie Fluree oder Stardog hervor, die Wissen oft dreidimensional (semantisch, operativ, kausal) modellieren können. Sie werden als entscheidende Grundlage für fortgeschrittene KI-Anwendungen im Marketing und Content-Bereich positioniert, um Kontext zu liefern, Halluzinationen zu reduzieren und strategische Anschlussfähigkeit sicherzustellen.
Band 1 · Band 1.1
Knowledge Graph (Wissensgraph)
Wissensbasierte Struktur, die Informationen in Form von Entitäten (Knoten) und Beziehungen (Kanten) darstellt, um komplexe Zusammenhänge zu modellieren und abzufragen. Abgrenzung zur Ontologie: Der Graph enthält die Instanzen und ihre Beziehungen, die Ontologie das Schema und die Regeln, nach denen sie erfasst und geprüft werden; ein Graph kann ohne Ontologie arbeiten, dann gilt die Bedeutung seiner Labels nur per Konvention (s. Band 1.1, Abschnitt 1.3.5). Bedeutungsschicht (s. dort) nennt diese Reihe den Ort, an dem verbindlich festgehalten ist, was die Begriffe des Hauses meinen, welche Regeln gelten und woher eine Angabe stammt; Ontologie und Wissensgraph sind ihre häufigste Bauform und nicht der Begriff selbst. Im Buch ist der Wissensgraph die zentrale technische Infrastruktur, auf die S‑OPDT als Basisontologie referenziert und über die die drei „Layers of Meaning“ (Context Graph, Graph Memory, Ontologie, s. dort) strukturiert werden.
In allen Bänden
Knowledge Transfer (Wissensübergabe)
Die vertraglich geregelte Übergabe von Wissen und Betrieb eines externen Anbieters an das eigene Haus, mit einem Zeitpunkt, ab dem das Haus ohne den Anbieter weiterarbeiten kann. Im Buch eine der Fragen, die vor dem Einsatz fremder Ingenieurinnen und Ingenieure geklärt sein sollten, zusammen mit der Exit-Strategie (Band 2, Abschnitt 2.6.2).
Band 2
Kohäsion
Das Maß dafür, wie stark eine einzelne Einheit in sich zusammenhängt, also ob das, was in einem Zuschnitt zusammenliegt, sachlich zusammengehört. Der Begriff stammt aus der Softwaretechnik und ist dort das Gegenstück zur Kopplung, die umgekehrt misst, wie stark zwei Einheiten voneinander abhängen; beide stammen aus derselben Arbeit und sind seit den sechziger Jahren ein Paar. Einzeln taugt keines der beiden als Kriterium: Niedrige Kopplung bekommt man auch, indem man alles in eine Einheit packt, denn was nicht getrennt ist, kann auch nicht schlecht verbunden sein. Übertragen auf Domänen und Datenprodukte heißt hohe Kohäsion, dass eine Domäne eine Sache ist und nicht ein Sammelbecken. Nicht zu verwechseln mit Kohärenz: Kohärenz ist ein Modellbegriff dieser Reihe und bezeichnet die senkrechte Ausrichtung über die Ebenen von Cloud bis Clam, als eines der vier K neben Konsistenz, Kongruenz und Konsequenz (s. Band 2, Kapitel 2.2). Kohärenz fragt, ob zwei Ebenen dasselbe wollen, Kohäsion, ob eine Einheit eine ist. Kohäsion ist kein Modellbegriff und trägt deshalb keine Marke. Ausführlich in Band 4, Kapitel 5.2 und Band 4, Kapitel 5.3.
Band 1.1 · Band 4
Konfabulation
Seltener gebrauchtes Synonym für Halluzination (s. dort), entlehnt aus der Neurologie: eine Ausgabe, die überzeugend und sprachlich korrekt klingt, aber erfunden ist, ohne dass das Modell sie als Fehler erkennt. Siehe Kapitel 3.6.
Band 1
Konnektionistische KI (Konnektionismus)
Die kognitionswissenschaftliche und KI-Denkschule, die geistige Leistungen wie Lernen und Mustererkennung nicht durch explizite Regeln, sondern durch das Zusammenspiel vieler einfacher, miteinander verbundener Verarbeitungseinheiten erklärt und nachbildet, deren Verhalten erst im Netzwerk als Ganzes, nicht in der einzelnen Einheit, entsteht. Historisch geprägt durch Rumelhart, McClelland und die PDP Research Group („Parallel Distributed Processing“, MIT Press, 1986), mit Wurzeln bis zum McCulloch-Pitts-Neuronenmodell (1943). Praxisrelevanz: Konnektionismus ist die direkte theoretische Vorgeschichte heutiger neuronaler Netze und damit auch der modernen Sprachmodelle. Der Begriff subsymbolische KI (s. dort) beschreibt dieselbe Grundidee aus der Abgrenzung zur symbolischen Repräsentation heraus, „konnektionistisch“ betont dagegen die Netzwerkarchitektur selbst als erklärendes Prinzip. Beide Begriffe werden in der Literatur oft synonym verwendet, dieses Buch nutzt „subsymbolisch“, wenn es um die Abgrenzung zu Symbolischer KI und Neurosymbolischer KI (s. dort) geht, und „konnektionistisch“, wenn die historische Denkschule selbst gemeint ist.
In allen Bänden
Kontext (KI-/Agentenkontext)
Alles, was ein Sprachmodell bei einer einzigen Anfrage tatsächlich „sieht“, die Gesamtheit der Tokens im Kontextfenster: Systemanweisung, bisheriger Gesprächsverlauf, per Retrieval nachgeladene Dokumente, Ergebnisse von Werkzeugaufrufen, Nutzerprofil. Metapher: der eigene Schreibtisch im Moment der Arbeit: klein, endlich, nur das gerade Ausgebreitete, nicht die ganze Bibliothek dahinter (s. Memory). Praxisrelevanz: Die Begrenztheit des Kontextfensters ist der Grund, warum kuratiertes Auswählen dessen, was hineingehört, seit 2024/2025 zur eigenen Disziplin geworden ist (s. Context Engineering). Nicht zu verwechseln mit „KI Kontext“ im Glossar Modellbegriffe, das eine Fähigkeit des Systems meint, nicht sein Eingabefenster. Ausführlich in Band 1, Kapitel 5.
In allen Bänden
Kontextdrift (Context Drift)
Die Verschiebung des Umfelds, das eine Entscheidung geprägt hat, aber in keinem System erfasst ist, etwa eine Marktkrise, die Modellparameter beeinflusst, ohne als Regel hinterlegt zu sein. Folge: Auch eine lückenlose Decision Lineage erklärt eine Entscheidung Jahre später nur unvollständig. Gegenmittel ist eine Kontextnotiz in der Audit-Spur. Siehe Band 4, Abschnitt 3.3.7.
Band 4
Kontrafaktisches Denken
Die Fähigkeit, darüber nachzudenken, was passiert wäre, wenn bestimmte Bedingungen anders gewesen wären („Was wäre wenn?“), ein Schlüsselkonzept in der Kausalität.
Band 1 · Band 1.1
Kontrolliertes Vokabular
Eine gepflegte Begriffsliste, in der jeder Begriff genau eine Vorzugsbenennung, eine Definition und eine verantwortliche Rolle hat, Synonyme auf die Vorzugsbenennung verweisen und gleichlautende Wörter mit verschiedener Bedeutung (Homonyme) durch einen Qualifikator getrennt sind, etwa „Kunde (Kontakt)“ und „Kunde (Vertrag)“. Genormt in ANSI/NISO Z39.19 (Fassung 2005), die Definitionsarbeit in ISO 704. Erste Station der The Ontology Pipeline® (Talisman) und Stufe 1 des Vorgehens in Band 2.2, Kapitel 4.4. Praxisrelevanz: Eine Wortliste ohne Definitionen, Synonymauflösung und Homonymtrennung ist noch kein kontrolliertes Vokabular; eine Kennzahl, die auf ihr aufsetzt, kann zwei verschiedene Dinge addieren, ohne dass es jemandem auffällt.
In allen Bänden
Kontrolltiefe
Die aus Risiko und Impact abgeleitete Mindesttiefe von Prüfung und Aufsicht, in drei Stufen: Voll, Zwischenstufe, Schlank (Band 2.2, Kapitel 5.1). Dieselbe Einstufung gilt für Setzungen an Knoten (Band 2.2, Abschnitt 4.2.7) und für jedes Element der Bedeutungsmitte (Band 2.2, Abschnitt 4.3.4). Rechtliche Pflichten können sie verschärfen, nie absenken.
Band 2.1 · Band 2.2 · Band 2.3
Kreativitätsarten (Boden)
Margaret Bodens Unterscheidung (1990) in kombinatorische (Vertrautes unvertraut verknüpfen), explorative (einen Regelraum ausloten) und transformationale Kreativität (den Regelraum selbst verändern). Die ersten beiden sind maschinisierbar und von generativer KI in Skalierung erreichbar; die dritte ist der umkämpfte Rest: beim Menschen bleiben zudem Absicht und Urteil (s. Band 1.1, Kapitel 2.8).
Band 1 · Band 1.1 · Band 2.1 · Band 4
Kreativitätsleiter (Taylor)
Fünf-Stufen-Modell der Kreativität nach Irving A. Taylor (1959): expressive (freier Ausdruck), produktive (gekonnte Ausführung), erfinderische (Neukombination von Vorhandenem), innovative (Veränderung der Grundlagen) und emergente Kreativität (ein neues Prinzip entsteht). Nützlich, weil es die Ja/Nein-Frage „Ist das kreativ?“ durch die beantwortbare Stufenfrage ersetzt, im Buch Grundlage der Mensch-Maschine-Abgrenzung in Band 1.1, Kapitel 2.8.
Band 1.1 · Band 2.1 · Band 4
Kundenzentrierung
Strategischer Ansatz, bei dem alle Aktivitäten und Entscheidungen eines Unternehmens auf die Bedürfnisse und Erwartungen der Kunden ausgerichtet sind. Im Buch ist dies mehr als ein Marketingkonzept: Ausführlicher, mit direktem S‑OPDT-Bezug als strategisches Paradigma, s. Band 3, Kapitel 1.6. In der Reihe steht dafür auch die englische Form Customer Centricity.
In allen Bänden
Künstliche Intelligenz (KI)
Computersysteme, die menschenähnliche Fähigkeiten wie Lernen, Problemlösen und Spracherkennung simulieren können.
Band 1 · Band 1.1
KYA (Know Your Agent)
Ein seit 2025 im agentischen Handel verbreiteter Begriff, gebildet in Analogie zum im Bankenwesen gesetzlich verankerten KYC-Prinzip (Know Your Customer); ein frühes Beispiel ist das offene KYAPay-Protokoll des Anbieters Skyfire (Juni 2025). Dieses Buch nutzt den Begriff für folgendes Prinzip: Bevor ein fremder KI-Agent auf eine Produkt- oder Preis-API zugreifen darf, weist er sich über ein zertifiziertes Token aus, das seinen Anbieter und seine Vertrauensstufe erkennbar macht, statt anonym Anfragen stellen zu können. Praxisrelevanz: KYA ist der Identitätsbaustein eines dreiteiligen Schutzkonzepts gegen manipulierte oder böswillige Kaufagenten im E-Commerce und B2B-Vertrieb, ergänzt um die Semantic Data Firewall (s. dort) und eine Eskalation an einen Menschen bei Abweichung von definierten Korridoren; baut auf der allgemeinen, in Band 4 als LLM01 der OWASP-Liste hergeleiteten Prompt-Injection-Gefahr auf, und zieht daraus die Konsequenz für Vertrieb und Transaktion. Ausführlich in Band 3, Kapitel 1.8.
In allen Bänden
L
Labeling / Annotation (RLHF)
Der meist ausgelagerte, menschliche Bewertungsprozess, mit dem ein vortrainiertes Foundation Model nachträglich auf erwünschtes Verhalten ausgerichtet wird. Bei RLHF (Reinforcement Learning from Human Feedback) vergleichen und bewerten menschliche Annotatorinnen und Annotatoren Modellantworten nach Kriterien wie Hilfreichkeit oder Korrektheit, diese Bewertungen trainieren ein Belohnungsmodell, das anschließend das eigentliche Sprachmodell steuert. Praxisrelevanz: Wer die Bewertungen vornimmt und nach welchen Richtlinien, prägt das spätere Modellverhalten unsichtbar mit, ausführlich in Band 1, Abschnitt 4.5.
Band 1 · Band 1.1 · Band 2 · Band 2.2 · Band 4
Lambda-Architektur
Ein Muster für Datenverarbeitung, das jeden Datensatz zweimal durch das System führt: Ein Batch Layer hält den vollständigen, unveränderlichen Rohdatenbestand und rechnet daraus in Stunden- oder Tageszyklen exakte Ergebnisse, ein Speed Layer verarbeitet parallel nur die jüngsten Stunden im Datenstrom und liefert schnelle, unter Umständen genäherte Werte, ein Serving Layer setzt beim Abruf beide Teile zusammen; der nächste Batch-Lauf überschreibt den schnellen Teil und korrigiert dessen Ungenauigkeiten dadurch von selbst. Beschrieben von Nathan Marz am 13.10.2011 im Blogbeitrag How to beat the CAP theorem, Buchfassung Marz/Warren, Big Data, Manning 2015. Zur Datierung, weil sie regelmäßig falsch zitiert wird: Der Name „Lambda-Architektur“ steht in Marz’ Text nicht, er nannte es die Batch- und Realtime-Architektur, der Name setzte sich erst danach durch; und die in der Sekundärliteratur verbreitete Angabe „2014/15“ gilt für Kappa, nicht für Lambda. Praxisrelevanz: Der bekannte Schwachpunkt ist die doppelte Implementierung derselben fachlichen Logik in zwei Systemen. Historisch einzuordnen, nicht als heutige Wahlmöglichkeit zu lesen: Die Trennung von Stapel- und Stromverarbeitung, die das Muster voraussetzt, haben Delta Lake, Iceberg und Hudi weitgehend aufgehoben. Ausführlich in Band 1.1, Abschnitt 1.2.9.
Band 1.1 · Band 2.1 · Band 2.2
Large Language Model (LLM)
Ein Typ eines neuronalen Netzes, das auf riesigen Textmengen trainiert wurde, um menschliche Sprache zu verstehen und zu generieren (z. B. ChatGPT, Gemini).
Band 1 · Band 1.1
Law as Code (Rules as Code)
Die Praxis, ein Gesetz oder eine Verordnung von Anfang an zugleich in einer maschinenlesbaren Fassung neben dem menschenlesbaren Text zu erstellen, statt sie erst nachträglich zu übersetzen. Von der OECD in ihrem Arbeitspapier „Cracking the Code: Rulemaking for Humans and Machines“ beschrieben (Mohun & Roberts, 2020, OECD Working Papers on Public Governance Nr. 42), von Neuseeland unter dem Namen Better Rules als eines der ersten Länder erprobt, Frankreich (OpenFisca), Großbritannien, Australien und Kanada betreiben eigene Initiativen oder erproben den Ansatz. Ein weiteres Mitglied der Everything-as-Code-Familie (s. dort), mit eigenem Ursprung außerhalb der DevOps-Linie: nicht aus der Softwareentwicklung, sondern aus der öffentlichen Rechtsetzung. Ausführlich, mit der Anwendung auf Agentenverträge, in Band 2.1, Abschnitt 4.1.5.
Band 2.1 · Band 2.3
Layers of Meaning
Die drei Schichten Context Graph, Graph Memory und Ontologies for AI, auf die der Reasoning Layer (s. dort) als Recheninstanz zugreift, ausführlich in Band 4, Kapitel 3.2. Die drei Schichten sind einzeln belegt, Context Graph bei Gartner, Graph Memory über CoALA und die Frameworks Graphiti und Mem0, die Ontologie als Fachbegriff. Ihre Zusammenstellung zu drei Layers of Meaning ist die Anordnung dieses Buchs. Nicht zu verwechseln mit der Bedeutungsschicht (Singular, s. dort), die eine Funktion im Unternehmen benennt und die Bauform offenlässt.
In allen Bänden
LEADing Practice (Enterprise Ontology)
Ein offener Standard für Unternehmensontologien, entwickelt in Zusammenarbeit mit der Global University Alliance, mit eigenem Semantic Glossary, Ontology Repository und einer Governance-Struktur für dessen Pflege (leadingpractice.com/enterprise-standards, abgerufen am 22.08.2026). Praxisrelevanz: Ein externer Standard mit derselben Begriffsdisziplin; Entsprechung im Buch sind normativer Raum und Kernbestand, ausführlich in Band 2.1, Kapitel 1.1, Abschnitt 1.1.11c.
Band 2.1
Leiden-Algorithmus
Verfahren zur Community Detection (s. dort), das einen belegten Fehler des Louvain-Algorithmus (s. dort) ausschließt: Louvain kann Gruppen ausgeben, die intern gar nicht zusammenhängen, Leiden garantiert zusammenhängende Communities (Traag, Waltman & van Eck, 2019). In Neo4j GDS, igraph und scikit-network der empfohlene Nachfolger. Praxisrelevanz: Doppelt einschlägig, einmal als Analysewerkzeug auf dem eigenen Graphen (s. Band 1.1, Kapitel 2.3) und einmal als Baustein von Microsoft GraphRAG, das mit Leiden rekursiv die Community-Hierarchie erzeugt, deren Zusammenfassungen dort die globalen Fragen beantworten. Wo Louvain eingesetzt wird, obwohl Leiden vorliegt, wird ein bekannter Fehler in Kauf genommen.
In allen Bänden
Lethal Trifecta (gefährliche Dreierkombination)
Eine von Simon Willison (2025) benannte Risikokombination für KI-Agenten mit Werkzeugzugriff: Zugang zu privaten Daten, Kontakt mit nicht vertrauenswürdigem Inhalt (etwa einer manipulierten Webseite oder E-Mail) und die Fähigkeit, nach außen zu kommunizieren. Liegen alle drei gleichzeitig vor, kann eine im nicht vertrauenswürdigen Inhalt versteckte Anweisung den Agenten dazu bringen, private Daten unbemerkt nach außen zu senden, unabhängig davon, wie sorgfältig der ursprüngliche Auftrag formuliert war. Praxisrelevanz: Delegierter Zugriff, Just-in-Time-Credentials (s. jeweils dort) und das Prinzip der geringsten Rechte (Least Privilege) verkleinern genau die Angriffsfläche, die diese drei Bedingungen gemeinsam öffnen. Die Trifecta ist, wie ihr Namensgeber selbst betont, eine Heuristik zur Risikoeinschätzung und keine vollständige Absicherung; dokumentierte Angriffe funktionieren auch bei nur zwei der drei Eigenschaften. Ergänzt um Metas „Rule of Two“ (ein Agent soll innerhalb einer Sitzung ohne menschliche Freigabe höchstens zwei der drei Eigenschaften gleichzeitig erfüllen) ist die Trifecta 2026 eine häufig zitierte Prüffrage beim Entwurf einer Agenten-Architektur, ausdrücklich als Eindämmungsprinzip statt als Filterlösung, weil Filter dieselbe Grenze zwischen Anweisung und Inhalt prüfen müssten, die ein Sprachmodell selbst nicht zuverlässig zieht (s. Prompt-Governance und KYA). In Band 3 im Vorwort und in Kapitel 1.8. Ausführlich in Band 2.1, Kapitel 4.8.
In allen Bänden
Levels of Conceptual Interoperability Model (LCIM)
Ein von Andreas Tolk und James A. Muguira entwickeltes, schichtorientiertes Modell dafür, auf welchen Ebenen zwei Systeme, auch KI-Systeme, sicher miteinander arbeiten können, von der bloßen technischen Verbindung über ein gemeinsames Datenformat bis zum geteilten Verständnis und zur Anpassungsfähigkeit. Betont, dass eine gemeinsame Denkweise und ein geteiltes Begriffsverständnis der eigentlichen technischen Anbindung vorausgehen müssen, nicht umgekehrt. Praxisrelevanz: Liefert die akademische Begründung dafür, warum Interoperabilität sich über Ontologie und Taxonomie operationalisieren lässt, statt eine reine Schnittstellenfrage zu sein. Ausführlich in Band 1.1, Kapitel 1.3.
Band 1.1
Leverage Points (Hebelpunkte, Meadows)
Donella Meadows’ Rangordnung möglicher Eingriffe in ein System nach Wirksamkeit (Aufsatz 1999; Buchfassung Thinking in Systems, 2008): unten Parameter (Budgets, Quoten, Zahlen-Stellschrauben), aufsteigend Puffer und Strukturen, Verzögerungen, Rückkopplungen, Informationsflüsse, Systemregeln, Selbstorganisation, Ziele, nahe der Spitze das Paradigma, aus dem das System seine Ziele bezieht, und ganz oben die Fähigkeit, Paradigmen zu überschreiten. Meadows beobachtet, dass die meiste Aufmerksamkeit den Parametern gilt, also den schwächsten Hebeln. Praxisrelevanz: Das S‑OPDT-Modell setzt an den oberen Hebeln an (Bedeutungsmodell = neuer Informationsfluss, Ontologie-Governance = Regeln, Zielkaskade = Zielhebel, data centric = Paradigmenwechsel); Meadows’ Rangordnung erklärt, warum Strukturarbeit mehr bewegen kann als die Beschaffung eines weiteren Werkzeugs. Ausführlich in Band 1, Kapitel 2.2.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 4
LightRAG
GraphRAG-Verfahren der University of Hong Kong (Guo, Xia, Yu, Ao & Huang, 2024), das auf die Community-Hierarchie von Microsoft GraphRAG verzichtet und stattdessen die Abfrage zweiteilt: eine Ebene für konkrete Entitäten, eine zweite für übergreifende Themen („dual-level retrieval“). Dazu ein Verfahren, das neue Dokumente laufend einarbeitet, ohne den Graphen neu aufzubauen. Praxisrelevanz: Deutlich günstiger als Microsoft GraphRAG, in einer bereinigten Vergleichsmessung um einen Faktor 16,6 beim Tokenverbrauch je Abfrage (Zeng et al., 2025/2026). Der Preis dafür ist, dass die Übersicht zur Laufzeit neu entstehen muss; dieselbe Messung führt die schwächere Leistung bei komplexen Fragen auf die fehlende Rangfolge der Treffer und auf den Beifang aus der Ein-Schritt-Nachbarschaft zurück. Ausführlich in Band 1.1, Abschnitt 2.1.8.
Band 1.1
Lightweight Ontology / Heavyweight Ontology
Der akademisch etablierte Name für die Ausdrucksstärke-Achse zwischen Schema und Ontologie (Fürst & Trichet, 2005). Eine Lightweight Ontology verbindet Konzepte über lose, allgemeine Assoziationen statt über strikte formale Verknüpfungen. Eine Heavyweight Ontology ist dieselbe Struktur, zusätzlich angereichert um Axiome, Kardinalitätsbeschränkungen und eine ausdifferenzierte Taxonomie von Beziehungstypen, die die semantische Interpretation fixieren. In der Praxis fällt Lightweight mit schema-based (automatisierter, algorithmischer Struktur-Ableitung) zusammen und Heavyweight mit expert-based (bewusster Fachleute-Modellierung, meist Competency-Question-getrieben). Pragmatic Ontology ist der in der Praxis kursierende, nicht akademisch etablierte Name für den Lightweight-/ schema-based-Pol dieser Achse, keine dritte, eigenständige Kategorie. Ausführlich, inkl. Handhabbarkeitsprobleme, Reality-Check zur automatisierten Ontologie-Generierung und fünfschrittigem Projektablauf, in Band 1.1, Kapitel 1.3.
Band 1.1 · Band 2.2
Line of Truth
Die gemeinsame Bezugslinie, an der die Maps des Gesamtmodells hängen und über die Ziele, Umsetzung, Wirkung und Architektur einander zugeordnet werden (Band 2, Abschnitt 1.2.7).
Band 2
LinearRAG
Auf der ICLR 2026 angenommene akademische Arbeit (Zhuang et al., 2026), die die instabile, teure Relationsextraktion klassischer GraphRAG-Verfahren vollständig vermeidet: Entitäten werden über leichtgewichtige Extraktion und semantische Verknüpfung in einem relationsfreien, hierarchischen Graphen verbunden, ganz ohne zusätzlichen Modellaufruf beim Graphaufbau. Im Buch als von der Fixed Entity Architecture (s. dort) unabhängiger akademischer Beleg eingeordnet: Praxisbericht und akademische Arbeit kommen 2026 unabhängig voneinander zur selben Grundentscheidung, Relationen und Kernbegriffe nicht vom Sprachmodell erfinden zu lassen, ein Indiz, keine Doppelbestätigung derselben Quelle. Ausführlich in Band 1.1, Abschnitt 2.1.2.
Band 1.1
Link-Analyse (Link Analysis)
Das Untersuchen von Verbindungen zwischen Personen, Firmen, Konten, Telefonnummern oder Orten, meist als Netzbild: Wer ist mit wem verbunden, über wen läuft der Kontakt, welche Gruppe hängt zusammen. Ein Verfahren aus Ermittlung und Betrugsbekämpfung (Beispiel: i2 Analyst’s Notebook, bis 2022 bei IBM, seither bei N. Harris Computer). Die Rechenarbeit dahinter ist Graph Data Science (s. dort), die Darstellung Graph Visualisation (s. dort); die Link-Analyse ist die Arbeitsweise, die beides in einem Ermittlungsablauf nutzt. Praxisrelevanz: Ein Bild der Verbindungen ist kein Beweis. Es zeigt, wo man hinsehen muss, und trägt nur, wenn jede Kante eine benannte Herkunft hat (s. Provenienz).
In allen Bänden
Linked Data
Prinzipien zur Veröffentlichung und Verknüpfung strukturierter Daten im Web, um ein globales Netz von Wissen (das Semantische Web) zu schaffen.
Band 1 · Band 1.1
Liquid Team (S‑OPDT-Gedankenexperiment)
Eigene Prägung dieses Buchs für eine befristete, von einem Supervisor-Agenten anlässlich einer erkannten Überlastung oder Marktveränderung formierte Verantwortlichkeit, die sich nach Erledigung der Aufgabe wieder auflöst, Teil des Gedankenexperiments zu einer hierarchischen Agenten-Gesellschaft. Praxisrelevanz: Bleibt, wie das gesamte Gedankenexperiment, Hypothese, keine beobachtete Praxis; verwandt mit, aber nicht identisch mit Jurgen Appelos „Crews“ im unFIX-Modell (s. Band 1.1, Abschnitt 4.4.13), die befristete Arbeitsgruppen für Menschen statt für Agenten beschreiben. Ausführlich in Band 2.1, Abschnitt 1.1.20.
Band 2.1
LLM-as-a-Judge
Bewertungsverfahren, bei dem ein zweites, meist stärkeres Sprachmodell die Ausgabe des zu prüfenden Systems gegen einen Referenztext, einen abgerufenen Kontext oder ein Kriterienraster benotet. Belegt ist eine Übereinstimmung von über 80 Prozent mit menschlichen Urteilen, ebenso aber die Verzerrungen des Richters: Vorliebe für längere Antworten, für die eigene Modellfamilie und für die Position einer Antwort im Vergleich (Zheng et al., 2023). Die verbreiteten Prüfwerkzeuge Ragas, DeepEval (dort als G-Eval, Liu et al., 2023) und TruLens setzen darauf auf. S. Band 1.1, Kapitel 3.2.
In allen Bänden
LLM-Benchmark
Ein standardisiertes Testaufgabenset, mit dem sich die Fähigkeiten verschiedener Sprachmodelle vergleichbar messen lassen sollen, etwa MMLU für breites Allgemeinwissen oder HumanEval für Programmieraufgaben. Praxisrelevanz: Benchmark-Werte werden von Anbietern häufig selektiv beworben und sind anfällig für Trainingsdaten-Kontamination, ein Modell hat die Testfragen unter Umständen bereits im eigenen Training gesehen, weshalb sie als Anhaltspunkt zu lesen sind, nicht als Beweis realer Praxistauglichkeit, dieselbe Vorsicht, die dieses Buch an anderer Stelle gegenüber Reifegrad-Scores einfordert (s. Band 1, Kapitel 2.4).
Band 1 · Band 1.1
LLM-Router / Model Gateway
siehe Model Routing (LLM Router)
In allen Bänden
LLM Wiki
Muster für eine Wissenssammlung, die ein Sprachmodell schreibt und pflegt, Anfang April 2026 von Andrej Karpathy als Ideenskizze veröffentlicht (Karpathy, 2026). Drei Schichten: unveränderliche Rohquellen, ein Wiki aus verlinkten Markdown-Seiten, das allein das Modell fortschreibt, und ein Schema, eine Anweisungsdatei, die Aufbau, Konventionen und Abläufe festlegt. Drei Operationen: Ingest (eine Quelle einlesen und die betroffenen Seiten nachziehen), Query (Fragen aus dem Wiki beantworten, gute Antworten als Seiten zurückschreiben) und Lint (Durchsicht auf Widersprüche, überholte Aussagen und verwaiste Seiten). Abgrenzung: Anders als bei einer RAG-Architektur (s. dort) entsteht die Synthese einmal beim Einlesen und nicht bei jeder Frage neu; anders als bei CAG (Cache-Augmented Generation) (s. dort) liegt geschriebener, korrigierbarer Text vor und nicht der Volltext im Kontextfenster; anders als ein Wissensgraph mit Ontologie hält es Bedeutung als Satz fest und nicht als typisierte Beziehung an einer Kennung. Einordnung: Kein Standard und kein Produkt, sondern eine Konvention; Karpathy beschreibt sie für persönliche Wissenssammlungen und nennt Teams nur als möglichen Einsatz, „possibly with humans in the loop“. Voraussetzung und Grenze: Trägt, solange wenige schreiben, alle alles lesen dürfen und ein Mensch den Bestand gegenlesen kann; nach Karpathy reicht der Index allein bis etwa 100 Quellen und einige hundert Seiten. Rechte je Inhalt, gleichzeitiges Schreiben, der Nachweis je Aussage und Identität über Systeme sind in der Grundform nicht gelöst (innobu, 2026; Winks, 2026). Praxisrelevanz: als erster Schnitt der Bedeutungsarbeit brauchbar, denn Seitentypen und wiederkehrende Verweise sind Kandidaten für Klassen und Beziehungen einer späteren Ontologie. Nicht zu verwechseln mit gleichnamigen Werkzeugen, die das Muster umsetzen. Ausführlich in Band 1.1, Abschnitt 2.1.11.
In allen Bänden
LLMLingua
Eine von Microsoft Research entwickelte Familie von Kompressionsverfahren, die einen Prompt vor dem Versand an ein Sprachmodell verdichten, indem sie für die Bedeutung weniger wichtige Tokens entfernen; dass der Kerninhalt dabei erhalten bleibt, ist das Ziel und muss für den eigenen Anwendungsfall geprüft werden. Praxisrelevanz: Ergänzt Prompt Caching (s. dort) als zweiten Hebel gegen Kosten- und Kontextfenster-Begrenzung. Das ist wichtig, wenn große Mengen an Kontext (etwa Ergebnisse einer Wissensgraph-Abfrage) in ein begrenztes Kontextfenster passen müssen, ohne dass die Kürzung inhaltlich wichtige Zusammenhänge kappt.
In allen Bänden
LLMOps
Betriebspraxis und Plattformkategorie für Sprachmodell-Anwendungen im produktiven Einsatz, analog zu MLOps für klassische Modelle. Eine LLMOps-Plattform empfängt über eine Programmbibliothek oder OpenTelemetry für jeden Modell- und Werkzeugaufruf einen Trace mit Modell, Prompt-Version, Eingabe- und Ausgabetoken, Kosten und Latenz, setzt daraus den ganzen Lauf eines Agenten zusammen und bietet Prompt-Verwaltung und Evaluationen. Praxisrelevanz: Macht Kosten je Lauf, je Prompt-Version und je Nutzer sichtbar statt als Monatssumme, stoppt aber selbst keinen Aufruf; die harte Grenze liegt beim AI Gateway. Ausführlich in Band 2.2, Abschnitt 5.2.4.
In allen Bänden
llms.txt
Ein seit 3. September 2024 kursierender, community-getriebener Vorschlag (Jeremy Howard, Answer.AI) für eine einfache Textdatei im Root-Verzeichnis einer Website, die einer KI beziehungsweise einem Agenten eine kuratierte, komprimierte Zusammenfassung der wichtigsten Inhalte liefern soll, angelehnt an das etablierte Vorbild robots.txt. Wichtige Einordnung: llms.txt ist kein von einem Normungsgremium wie dem W3C verabschiedeter, offizieller Standard, sondern eine unter mehreren konkurrierenden, informellen Praktiken, mit entsprechend uneinheitlicher Unterstützung durch die großen KI-Anbieter. Praxisrelevanz: Dieses Buch rät bereits an anderer Stelle ausdrücklich vom primären Verlass auf llms.txt-Dateien ab, wegen Versionierungsrisiken und Inkonsistenzen zwischen der für Menschen sichtbaren und der für Agenten bestimmten Fassung (s. Band 3, Abschnitt 5.1); zugleich ist llms.txt, wie jede von einer Website bereitgestellte, automatisiert von einem Agenten verarbeitete Textquelle, eine plausible Angriffsfläche für indirekte Prompt Injection, wenn ein Dritter die Datei manipulieren kann, dieselbe Risikoklasse, die dieses Buch als LLM01 der OWASP-Liste einordnet (s. Band 4, Kapitel 3.3). Ausführlich in Band 3, Kapitel 1.7.
In allen Bänden
Logic Tensor Networks
Forschungsansatz der neurosymbolischen KI (s. dort), der logische Formeln mit Wahrheitswerten zwischen 0 und 1 auswertet. Die Verknüpfungen rechnen mit Operatoren der Fuzzy Logic (s. Fuzzy Logic / Fuzzy OWL), und weil das Ganze differenzierbar ist, kann ein neuronales Netz an den Formeln lernen: Die Regeln wirken als Nebenbedingung des Trainings (Badreddine u. a., 2020). Einordnung: ein Forschungsrahmen mit Beispielimplementierung, den die Autoren an einfachen Lehrbeispielen vorführen; ein Baustein, den ein Unternehmen heute einkauft, ist es nicht. Praxisrelevanz: Der Ansatz zeigt, wo graduelle Wahrheitswerte und neuronales Lernen tatsächlich verbunden sind, und dient damit der Abgrenzung: Der Score, den ein Agent einem Weg gibt, ist weder ein Zugehörigkeitsgrad noch das Ergebnis eines solchen Verfahrens. Ausführlich in Band 1.1, Abschnitt 3.1.3; die Einordnung unter die Bauweisen neurosymbolischer Werkzeuge in Band 1.1, Abschnitt 2.1.8.
In allen Bänden
Loop (Agentenschleife)
Die wiederkehrende Arbeitsschleife eines KI-Agenten: planen, handeln, prüfen und erneut ansetzen, bis das Ziel erreicht ist, ein Fehler auftritt oder eine Regel einen Menschen einschaltet. Der Loop ist ein Takt, kein Inhalt; was in ihm geschieht, legen Skill und Playbook fest (s. dort). Praxisrelevanz: Der Prüfschritt der Schleife ist nur so gut wie das Kriterium, gegen das er prüft; ist dieses Kriterium in einem gemeinsamen Bedeutungsmodell festgelegt, prüft der Agent gegen eine Bedingung statt gegen eine selbst ausgelegte Formulierung. Eingeführt in Band 1.1, Abschnitt 4.3.7, die Schleife selbst in Band 1.1, Kapitel 2.6, ihre typischen Fehler unter Loop Engineering / Graph Engineering.
In allen Bänden
Loop Engineering / Graph Engineering
Zwei Entwurfsmuster für Feedback- und Verbesserungssysteme, popularisiert durch Peter Steinberger und Carlos E. Perez (Juli 2026). Loop Engineering baut eine einzelne Verbesserungsschleife (Ziel, Referenz, Messung, Handlung), die aber strukturell vier Fehler erzeugt: Goodharts Gesetz (die Kennzahl verliert ihre Aussagekraft, sobald sie zum Steuerungsziel wird), Blindheit nach oben (die Referenz selbst bleibt unhinterfragt), Konflikt zwischen unabhängigen Schleifen und stiller Messungsverfall. Graph Engineering vernetzt mehrere Schleifen, die sich gegenseitig beobachten, mit vier passenden Gegenmitteln, Paarung, Hierarchie, Schiedsinstanz, Audit-Schleife. Eine Ebene tiefer liegt die eigentliche Unterscheidung: Ein Graph aus Schleifen, die nur sich selbst bestätigen, ohne Kontakt zur Realität, scheitert wie die Einzelschleife, nur später. Entscheidend ist deshalb geerdet versus ungeerdet, also ob die Verbesserungsmaschinerie durch Anker, unstrittige Messungen, eingefrorene Regeln, ein von außen kommendes menschliches Urteil, noch die Realität berührt. Ausführlich, inkl. Anschluss an Ontologie-Falle und Reifegradmodell-Kritik dieses Buchs, in Band 1.1, Kapitel 3.3.
In allen Bänden
Louvain-Algorithmus
Ein weit verbreiteter, recheneffizienter Algorithmus zur Community Detection in Graphen: Er findet dicht vernetzte Teilgruppen von Knoten (Communities/ Cluster) unter der jeweils gewählten Graphkonstruktion und Kantengewichtung, ohne dass vorab festgelegt werden muss, wie viele Gruppen es geben soll; das Ergebnis hängt dabei von Projektion, Kantengewichten, Auflösungsparameter und teils vom Zufall der Optimierung ab und ist deshalb eine strukturelle Hypothese, kein automatisch „natürliches“ Ergebnis. Praxisrelevanz: Ein Standardwerkzeug der Graph-Analytics, um in einem Wissensgraphen mögliche Strukturen sichtbar zu machen, etwa Kundengruppen, die im gewählten Datenmodell dicht zusammenhängen, oder eng verflochtene Themencluster, die in einer klassischen Tabelle unsichtbar blieben; ob ein solches Ergebnis stabil ist und geschäftlich trägt, prüft man gegen mehrere Parametrierungen und gegen unabhängige Daten, bevor daraus ein Kundensegment wird.
In allen Bänden
M
M-shaped Supervisors / T-shaped Experts
Zwei Kompetenzprofile aus der Organisationsentwicklung. T-shaped ist ein etabliertes Profil der Organisationsentwicklung; M-shaped führt diese Reihe als Marktvokabular, ohne zuschreibbare Erstquelle. T-shaped beschreibt eine Person mit tiefem Fachwissen in einem Gebiet (der vertikale Balken des T) plus breitem, oberflächlicherem Verständnis angrenzender Gebiete (der horizontale Balken), die Grundlage guter interdisziplinärer Zusammenarbeit. M-shaped erweitert das Bild auf Führungskräfte/Supervisoren mit tiefem Fachwissen in mehreren Gebieten gleichzeitig (mehrere Vertiefungs-„Zacken“ statt nur einem T-Balken), nötig, wenn eine Rolle mehrere zuvor getrennte Fachdisziplinen (Daten, KI, Fachbereich) gleichzeitig verantwortet. Praxisrelevanz: Mit zunehmender Verschmelzung von IT- und Fachrollen in agentischen Organisationen (s. Business-Led IT, Missing Middle) dürfte M-shaped-Kompetenz knapp werden, weil klassische T-shaped-Spezialisierung allein kaum reicht, um domänenübergreifende KI-Vorhaben zu führen.
In allen Bänden
Machine Learning (ML)
Teilbereich der KI, der sich mit der Entwicklung von Algorithmen und statistischen Modellen befasst, die Systeme befähigen, aus Daten zu lernen und Vorhersagen zu treffen, ohne explizit programmiert zu werden. Im Buch bildet ML die statistische Grundschicht, die semantische, kausale und neurosymbolische Ansätze (s. dort) um explizite Bedeutung, Ursache-Wirkungs-Annahmen und Regeln ergänzen, um über reine Mustererkennung hinauszugehen.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Machine-to-Machine Legal und Economic Jurisdiction
Die Frage, unter welcher Rechts- und Wirtschaftsordnung ein autonomer Agent für ein Unternehmen wirksam verhandelt und abschließt, wenn kein Mensch den einzelnen Abschluss mehr sieht. Die geltende Antwort ist in den USA seit dem Jahr 2000 rechtlich klar, aber eng: Nach dem Electronic Signatures in Global and National Commerce Act (ESIGN Act) bleibt ein von einem elektronischen Agenten geschlossener Vertrag wirksam, solange sein Handeln der dahinterstehenden Person zurechenbar ist, der Agent bleibt Stellvertreter, keine eigene Rechtsperson. International ist die Rechtsprechung dazu noch dünn, akademische Arbeiten diskutieren erst, welches Gericht überhaupt zuständig wäre, wenn zwei autonome Agenten grenzüberschreitend kontrahieren (Abdugaffarov, 2026). Einen ersten konkreten Regelungsschritt gab es am 22. Januar 2026 aus Singapur mit dem Model AI Governance Framework for Agentic AI der Infocomm Media Development Authority (IMDA), vier Dimensionen, Einhaltung freiwillig, im Mai 2026 um Praxisbeispiele erweitert (IMDA, 2026); ein vergleichbares Rahmenwerk für die EU oder Deutschland lag bei Redaktionsschluss nicht vor. Damit ist das Feld 2026 weder gelöst noch rein spekulativ: ein erstes, freiwilliges Regelwerk existiert, eine internationale Zuständigkeitsordnung für Streitfälle zwischen Agenten nicht. Praxisrelevanz: Für den agentischen Handel, wie ihn das KYA-Prinzip (s. dort) technisch absichert, bedeutet das, dass die technische Absicherung der rechtlichen Einordnung dessen, was ein Agent im eigenen Namen wirksam vereinbaren kann, momentan voraus ist. Ausführlich in Band 2, Kapitel 2.1 und Band 3.1, Abschnitt 2.8.
In allen Bänden
M‑AI‑Tech-Modell
Das im Buch entwickelte Architekturmodell für die Domäne Marketing, Vertrieb, Service und Customer Experience, im Arbeitsalltag auch „Tech-Lasagne“ genannt: eine geschichtete Technologie- und Datenarchitektur aus Ressourcenseite (Resource Plane), Wissensseite (Business Plane) und einer verbindenden Mitte (Data Engine), erweitert um KI als Kleber statt als eigene Schicht. Ausführlich in Band 3, Kapitel 1.2.
In allen Bänden
Make-or-Buy (Eigenerstellung oder Fremdbezug)
Die Entscheidung, ob eine Leistung selbst erbracht oder am Markt zugekauft wird, abgewogen nach den Gesamtkosten über die Nutzungsdauer (s. TCO), nach Kompetenz, Abhängigkeit, Geschwindigkeit und strategischer Bedeutung. Was zum Kern des eigenen Wettbewerbsvorteils gehört, spricht eher für die Eigenerstellung. Im Buch stellt sich die Frage für das Company Brain: mit einem gemischten Team aus dem eigenen Haus aufbauen oder Anbietern überlassen (s. Band 2, Abschnitt 2.6.2).
Band 2 · Band 2.1
Management Cadence / Operating Rhythm (Steuerungstakt)
Der festgelegte Takt der Steuerungsrunden eines Unternehmens, etwa häufige operative Reviews, monatliche Strategie-Reviews und die jährliche Überprüfung der Strategie selbst, jeweils mit festen Teilnehmenden, Vorlagen und Entscheidungen. Ein abgestimmter Takt erlaubt Einheiten unterschiedlicher Größe, ihre Planungs-, Umsetzungs- und Reflexionszyklen aufeinander zu beziehen. Im Modell entspricht er dem langen Takt der Strategy of Record und dem kurzen Takt der Durchsteuerung (s. Band 2, Abschnitt 1.1.7; der Begriff selbst in den Abschnitten 1.5.2 und 2.4.7).
Band 2
Manual (KI-Kontext)
Gleichbedeutend mit Playbook (s. dort) verwendeter Begriff für einen festgeschriebenen Ablauf, den ein KI-Agent lesen und ausführen soll. Eingeführt in Band 1.1, Abschnitt 4.3.7.
In allen Bänden
MAPE-K (Monitor, Analyze, Plan, Execute over Knowledge)
Der Regelkreis, mit dem ein sich selbst verwaltendes System arbeitet: beobachten, bewerten, planen, handeln, jeweils über einer gemeinsamen Wissensbasis (White, Hanson, Whalley, Chess & Kephart, 2004). Er beschreibt das Wie zu dem, was Self-CHOP (s. dort) als Was benennt: Jede der vier Selbst-Eigenschaften durchläuft denselben Kreislauf, nur mit anderem Gegenstand, der neue Fakt aus dem Quellsystem, der erkannte Widerspruch, die Kante mit Ablaufdatum, die geplante Handlung vor ihrer Ausführung. Praxisrelevanz: Die Ontologie liefert dem Regelkreis erst die Bedeutung, gegen die er prüft. Ohne ein geprüftes Modell dessen, was ein Fakt, ein Widerspruch oder eine erlaubte Handlung überhaupt ist, hat auch der beste Regelkreis nichts, worüber er urteilen könnte. Ausführlich in Band 2.1, Kapitel 1.2.
In allen Bänden
Marketing- oder Media Mix Modelling (MMM)
Ökonometrisches Verfahren, das den Beitrag einzelner Marketingkanäle und externer Faktoren (Preis, Wetter, Saison, Wettbewerb) zum Absatz auf aggregierter Ebene von Kanal, Region und Zeitraum modelliert. Ob das Ergebnis kausal statt nur korrelativ interpretierbar ist, hängt vom Studiendesign, von Variation in den Daten, von Modellannahmen, Kontrollvariablen und Validierung ab, nicht vom Namen des Verfahrens allein. Abgrenzung zu Attribution (s. o.), die auf Einzelkontaktebene misst. Ausführlich in Band 3.1, Kapitel 4.3, dazu der Katalogeintrag in Band 3.1, Kapitel 3.1.
In allen Bänden
MarTech (Marketing Technology)
Technologien und Tools, die für die Planung, Ausführung und Messung von Marketingaktivitäten eingesetzt werden. Ausführlich, inklusive der S‑OPDT-spezifischen MarTech-Stack-Betrachtung, in Band 3, Kapitel 3.
In allen Bänden
MarTech Stack
Die Gesamtheit der Marketingtechnologien und -tools, die ein Unternehmen einsetzt, um seine Marketingaktivitäten zu unterstützen. Das Buch behandelt den MarTech Stack als Teil der Technologie-Dimension des S‑OPDT-Modells, der mit Wissensgraph und Datenstrategie integriert werden muss, statt isoliert von Marketing beschafft zu werden. Ausführlich in Band 3, Kapitel 3.
Band 2.2
Master Data Management (MDM)
Prozess, der sicherstellt, dass ein Unternehmen nicht-transaktionale Stammdaten konsistent und einheitlich verwendet. Im S‑OPDT-Modell ist MDM eine Voraussetzung für Entity Resolution und damit für belastbares Customer Profiling (s. dort) im Wissensgraphen.
Band 2 · Band 2.1 · Band 2.2 · Band 4
Master-Ontologie
Außerhalb dieses Buchs gebräuchliche Bezeichnung für das, was dieses Buch bereits als Unternehmensontologie führt, die konkrete, auf ein bestimmtes Unternehmen angewendete Instanz des Bedeutungsmodells (s. Glossar Modellbegriffe, Band 2.1), nicht das Bedeutungsmodell selbst, das eine Ebene darüber sitzt. Um keinen dritten, konkurrierenden Namen neben den bereits kanonisch getrennten Begriffen Bedeutungsmodell und Unternehmensontologie zu setzen, sagt der Buchtext dort, wo andere Quellen „Master-Ontologie“ sagen, durchgängig „Unternehmensontologie“. Praxisrelevanz dieser Abgrenzung: Wenn Band 2, Exkurs „Die Strategie erden“, beschreibt, dass ein neuer strategischer Vorschlag „gegen die Ontologie gemappt“ wird, ist damit die konkrete Unternehmensontologie gemeint, nicht das abstrakte, unternehmensunabhängige Bedeutungsmodell.
In allen Bänden
Matrix Guardian (Prägung dieses Buches)
Eine Rolle, die im Konfliktfall zwischen zwei sich widersprechenden Führungslinien einer Matrixorganisation legitimiert entscheiden darf. Kein Titel aus der zitierten Forschung, dort nicht bestätigt, sondern eine eigene Zuspitzung dieses Buchs für eine Lücke, die in matrixierten Strukturen regelmäßig unbenannt bleibt. Ausführlich hergeleitet in Band 4, Kapitel 4.12.
Band 2.1 · Band 4
MCP (Model Context Protocol)
Ein Ende 2024 von Anthropic veröffentlichter, offener Standard, der beschreibt, wie ein KI-Agent einheitlich auf externe Werkzeuge, Datenquellen und Dienste zugreift, statt für jede Kombination aus Modell und Werkzeug eine eigene, proprietäre Anbindung zu bauen. Seit Dezember 2025 liegt MCP bei der Agentic AI Foundation, die Anthropic, Block und OpenAI unter dem Dach der Linux Foundation gegründet haben (Anthropic, 09.12.2025); damit verantwortet kein einzelner Anbieter mehr die Weiterentwicklung. Praxisrelevanz: MCP ist die technische Infrastruktur, über die der in diesem Buch beschriebene Context Layer (s. dort) in der Praxis häufig ausgespielt wird; ein offener Standard statt vieler geschlossener Einzellösungen senkt das Risiko von Vendor-Lock-in bei Agenten-Architekturen, weil sich Werkzeuge und Modelle austauschen lassen, ohne die Anbindung neu zu bauen.
In allen Bänden
Means-End-Chain (Laddering)
Theorie und Erhebungsverfahren, die verbinden, was ein Produkt hat, mit dem, was einem Menschen wichtig ist. Jonathan Gutman formulierte die Theorie 1982; Thomas Reynolds und Gutman beschrieben 1988 mit dem Laddering-Interview das zugehörige Verfahren: Vom konkreten Attribut fragt sich das Interview über funktionale und psychosoziale Konsequenzen bis zum persönlichen Wert hinauf. Das Ergebnis ist wörtlich ein gerichteter Graph vom Attribut über die Konsequenz zum Wert; die klassische Auswertungsform, die Hierarchical Value Map, ist ein aggregiertes Kantennetz mit Nennungshäufigkeiten als Kantengewicht. Praxisrelevanz: Die Häufigkeit zeigt, wie oft eine Verbindung genannt wurde, nicht, wie stark sie kausal wirkt; jede Kante führt deshalb ihren Evidenzstatus mit (s. Evidenz-Ampel). Ausführlich in Band 3, Kapitel 8.3.
Band 2.1
Mechanistische Interpretierbarkeit
Die noch junge Forschungsrichtung, die untersucht, welche Merkmale und Begriffe sich in einem trainierten neuronalen Netz konkret auffinden, auslesen und gezielt verstärken lassen, statt sich mit reiner Black-Box-Beobachtung zufriedenzugeben. Benennt dabei die eigenen Grenzen nüchtern: Die bislang gefundenen Merkmale sind ein kleiner Ausschnitt dessen, was ein Modell gelernt hat, und zu wissen, welche Begriffe ein Modell führt, heißt noch nicht zu wissen, wie es sie benutzt (Anthropic, 2024). Praxisrelevanz: Spricht dafür, dass die Undurchsichtigkeit neuronaler Netze aus ihrer Bauart folgt und sich nicht kurzfristig beheben lässt; deshalb entsteht Vertrauen in diesem Buch über dokumentierte Herkunft und falsifizierbare Erklärungen, nicht über das Versprechen künftiger Interpretierbarkeit. Ausführlich in Band 1, Abschnitt 3.2.
Band 1
Medallion-Architektur (Bronze, Silver, Gold)
Eine Benennungs- und Ordnungskonvention für die Aufbereitungsstufen einer Datenpipeline im Data Lakehouse (s. Data Lake / Data Lakehouse), keine Architektur im eigentlichen Sinn: Bronze nimmt Rohdaten unverändert auf, Silver enthält bereinigte, entdoppelte und zusammengeführte Daten, Gold fachlich modellierte, meist aggregierte Sichten für Berichte, Dashboards und Modelle. Inhaltlich dieselbe Idee wie die klassischen Data-Lake-Zonen Landing/Raw, Staging/Processed und Curated/Trusted. Geprägt von Databricks im Umfeld von Delta Lake und dort dokumentiert, von Microsoft für sein Produkt Microsoft Fabric übernommen; Databricks bezeichnet die Reihenfolge selbst als Empfehlung, nicht als Vorgabe. Aufschlussreiche Randnotiz zur Begriffsbildung: Der Databricks-Blogbeitrag von 2019, der die drei Farben einführt, nennt das Muster noch „multi-hop“ und nicht „Medallion“ (Heintz/Lee, 14.08.2019); der heutige Name kam später und lässt sich keiner datierten Primärquelle zuordnen. Praxisrelevanz: Der Nutzen ist sozial, nicht technisch, alle Beteiligten wissen sofort, welche Stufe eine Tabelle hat. Die Grenze ist für dieses Buch die entscheidende: Die Stufen ordnen nach Aufbereitungsgrad, nicht nach Bedeutung. Eine Gold-Tabelle ist geputzt, nicht verstanden, ob „Kunde“ darin dasselbe meint wie im Nachbarsystem, sagt keine der drei Farben. Ausführlich in Band 1.1, Abschnitt 1.2.6.
In allen Bänden
Memory-Architektur
Das Gesamtsystem, mit dem ein KI-Agent Informationen erfasst, speichert, wieder abruft und vergisst (s. Memory für die Kurzform der vier Typen). Seit dem CoALA-Papier (2023), das die kognitionswissenschaftliche Unterscheidung von Tulving (1972), Squire (1987) und Baddeley/Hitch (1974) auf KI-Agenten übertragen hat, branchenweit etabliert als Vier-Typen-Modell: Working Memory (der aktuelle Kontext selbst, sitzungsgebunden), Episodic Memory (konkrete vergangene Ereignisse und Interaktionen, wie ein Tagebuch), Semantic Memory (verallgemeinertes Faktenwissen über Begriffe, Entitäten und Beziehungen; hier liegt die zentrale Buch-Brücke: der Wissensgraph als externes, persistentes semantisches Langzeit-Gedächtnis) und Procedural Memory (gelernte oder definierte Vorgehensweisen, Brücke zu Skills). Praxisrelevanz: Ein Agent ohne saubere Memory-Architektur vergisst entweder alles zwischen Sitzungen oder ertrinkt in unstrukturierten Rohdaten ohne Bedeutungsebene. Für den Einkauf ergänzt Band 1 die vier Typen um fünf Prüfdimensionen, die quer zu ihnen liegen und keine weiteren Gedächtnisarten sind: Behalten und Wiederfinden, Zeit, Geltung, Vorgehen und Vorhaben. Die fünf sind eine eigene Zusammenstellung dieses Bandes, gestützt auf Sumers u. a. (2023) und Wu u. a. (2025). Ausführlich in Band 1, Kapitel 5.
In allen Bänden
Memory (Gedächtnis bei KI-Agenten)
Wie ein KI-Agent Wissen über Schritte und Sitzungen hinweg behält. Vier Arten: Working (aktueller Kontext), Episodic (konkrete vergangene Ereignisse), Semantic (extrahierte Fakten/Bedeutungen) und Procedural (gelernte eigene Vorgehensweisen). Wichtig: RAG ist kein Gedächtnis: Abruf ist Nachschlagen, nicht Lernen. Bezug zur Ontologie: Der Wissensgraph dient als strukturiertes semantisches (Langzeit-)Gedächtnis, die Ontologie als sein Schema, geerdet, konsistent, abfragbar; temporale Wissensgraphen (z. B. Zep) verbinden episodisches und semantisches Gedächtnis. Deshalb: „Memory is the moat“ (m2-consulting 2026); die Ontologie ist das Rückgrat dieses Gedächtnisses.
In allen Bänden
MES (Manufacturing Execution System)
Produktionsleitsystem. Es überwacht, steuert und dokumentiert die Fertigungsprozesse unmittelbar an den Maschinen, in der Regel in Echtzeit, und liegt damit zwischen der Planungsebene des ERP und der Steuerungstechnik der Anlagen. Praxisrelevanz für dieses Buch: Das MES ist der Ort, an dem die Zeitauflösung der Steuerung sprunghaft feiner wird. Wo das ERP in Tagen und Buchungsperioden denkt, denkt ein MES in Sekunden und Chargen. Wer beide Bestände in einem Modell zusammenführen will, stößt deshalb nicht auf ein Schnittstellenproblem, sondern auf ein Bedeutungsproblem: „Auftrag“ heißt im ERP eine kaufmännische Verpflichtung und im MES ein Fertigungslos, und die beiden stehen selten eins zu eins zueinander. In produzierenden Häusern ist das MES der wichtigste Kandidat für die Kernsysteme-Ebene der Tech-Lasagne (s. dort), auch wenn die kanonische Boxenliste dieses Buchs es nicht eigens ausweist.
In allen Bänden
Metadatenprofil (Anwendungsprofil, Metadata Application Profile)
Die Festlegung, welche Angaben jedes Element einer bestimmten Anwendung tragen muss, aus welchen vorhandenen Vokabularen diese Angaben stammen, welche davon Pflicht sind und welche Werte sie annehmen dürfen; den Aufbau beschreibt das Singapore Framework der Dublin Core Metadata Initiative (Nilsson, Baker & Johnston, 2008). Im Vorgehen dieser Reihe Stufe 2, mit drei Feldgruppen: beschreibend (Benennung, Definition, Adresse im Modell), strukturell (Klasse, erlaubte Beziehungen, Wertelisten) und administrativ (Herkunftsfelder, Gültigkeit, Owner, Kontrolltiefe, Setzungsfelder), s. Band 2.2, Kapitel 4.4. Praxisrelevanz: Das Profil macht Herkunft und Governance zur Bauvorschrift statt zur nachträglichen Empfehlung, und seine Pflichtfelder lassen sich später unmittelbar als SHACL (Shapes Constraint Language)-Prüfformen ausführen.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2
Methods as Code
Eigene Prägung dieses Buchs. Baut auf dem in Band 1, Abschnitt 5.2 hergeleiteten Gedanken auf, dass nicht nur die Geschäftsdaten einer Organisation, sondern auch ihr Vorgehenswissen, wie in dieser Organisation gearbeitet wird, sich als Graph aus Schritten, Abhängigkeiten und Zuständigkeiten modellieren lässt, statt als lineares Dokument. Methods as Code geht diesen Gedanken einen Schritt weiter: Ein so als Graph geführtes Vorgehen wird abfragbar in derselben Struktur wie andere Unternehmensdaten, ein Agent kann eine Methode dadurch als Struktur abrufen statt sie aus einem Handbuch zu lesen und frei zu interpretieren. Ausführlich eingeordnet in Band 2, Einleitung. Ein abfragbarer Methodengraph ist damit noch nicht von selbst ausführbarer Code. Ob ein Agent eine abgerufene Methode tatsächlich selbst ausführen darf, entscheidet sich nicht am Graphen, sondern an denselben Prüfungen, die dieses Buch für jede Agentenhandlung verlangt, Freigabegrenzen, deterministische Regeln außerhalb des Sprachmodells und eine definierte Eskalationsschwelle, wie sie das KYA-Prinzip beispielhaft ausführt (s. KYA). Praxisrelevanz: Beschreibt, wie aus dem in Band 1 hergeleiteten Befund, dass auch Methodenwissen graphfähig ist, im Betrieb abfragbare, aber nicht automatisch ausführungsbefugte Steuerung wird, die Ausführungsbefugnis bleibt an dieselben Guardrails gebunden wie jede andere Agentenhandlung. Ein ähnlich lautender, aber inhaltlich enger Begriff eines Datenberatungsunternehmens (Hakkoda, hakkoda.io) bezeichnet dort eine firmeneigene Beratungsmethodik für Data-Engineering-Projekte, nicht dasselbe Konzept, und wird deshalb hier nicht als Beleg herangezogen.
In allen Bänden
Micro-Wallets (Machine-to-Machine-Zahlungen)
Digitale Zahlungskonten, die für Zahlungen in Kleinstbeträgen, Centbeträge oder Bruchteile davon pro einzelnem API-Aufruf, ausgelegt sind, für die klassische Zahlungsabwickler zu teuer und zu langsam sind, die zweite Nische, in der Blockchain-Infrastruktur für Agenten bereits einen belegbaren Beitrag leistet. Praxisrelevanz und Realitätscheck: Das bekannteste Beispiel ist x402, ein von Coinbase entwickeltes, Stablecoin-Zahlungen direkt in Web-Anfragen einbettendes Protokoll, im April 2026 an die neu gegründete, von der Linux Foundation getragene x402 Foundation übergeben, mit 22 Gründungsmitgliedern, darunter AWS, Google, Mastercard, Microsoft, Shopify, Stripe und Visa (Linux Foundation, 2026). Eine Onchain-Analyse von Artemis fand im März 2026 hinter einer rund 7 Milliarden US-Dollar schweren Ökosystembewertung nur etwa 28.000 US-Dollar tatsächliches tägliches Zahlungsvolumen, einen Großteil davon erkennbar als Testtransaktionen zwischen eigenen Wallets, nicht als echten Handel (Reynolds, 2026). Spätere Marktbeobachtungen (Stand Spätsommer 2026) zeichnen ein deutlich lebhafteres Bild, rund 600 Millionen US-Dollar annualisiertes Zahlungsvolumen über alle unterstützten Chains zusammen (Noda, 2026), wobei eine Methodenprüfung von Quantum Economics ausdrücklich warnt, dass x402-Volumenangaben je nach Filtermethode um eine Größenordnung auseinanderfallen können und keine der kursierenden Zahlen als gesicherter Gesamtwert gelten sollte (Quantum Economics AI Lab, 2026). Die Infrastruktur entsteht damit sichtbar, ob die reale Nachfrage im Zwei-bis-fünf-Jahre-Fenster nachzieht, ist offen. Ausführlich in Band 2, Kapitel 2.1 und Band 3.1, Abschnitt 2.8.
Band 2
Mikado-Methode
Von Ola Ellnestam und Daniel Brolund beschriebenes Verfahren für größere Umbauten an bestehender Software (Ellnestam & Brolund, The Mikado Method, Manning 2014). Das Ziel steht an der Wurzel; jeder Umsetzungsversuch, der an einem Hindernis scheitert, wird vollständig zurückgenommen und das Hindernis als Vorbedingung unter das Ziel eingetragen. So entsteht ein Graph der Voraussetzungen (Mikado-Graph), der von den Blättern zur Wurzel in kleinen, einzeln gebauten, getesteten und eingecheckten Schritten abgearbeitet wird. Benannt nach dem Stäbchenspiel, bei dem ein Stäbchen nach dem anderen gezogen wird, ohne den Haufen zu bewegen. S. Band 1.1, Abschnitt 2.5.10.
Band 1.1
Mintzbergs 5 Ps für Strategie (Plan, Ploy, Pattern, Position, Perspective)
Konzeptionelles Framework zur Strategieentwicklung nach Henry Mintzberg (1987), das fünf Perspektiven auf Strategie integriert: Plan (bewusst entworfener, nach vorne gerichteter Handlungsplan), Ploy (gezielter Schachzug gegen einen Wettbewerber), Pattern (Muster, das sich erst im Rückblick aus dem tatsächlichen Handeln ergibt, unabhängig vom ursprünglichen Plan), Position (Positionierung im Markt- und Wettbewerbsumfeld) und Perspective (tief verankerte, geteilte Wahrnehmung der Organisation). Nicht zu verwechseln mit dem Vier-P-Marketingmix. Das Buch verwendet an einer Stelle (Band 2, Kapitel 2.1) eine eigene, verkürzte Arbeitsversion aus drei dieser fünf Perspektiven (Position, Plan, Pattern) plus Sineks Purpose, ausdrücklich gekennzeichnet als eigene Adaption, nicht als vollständiges Mintzberg-Modell.
In allen Bänden
Missing Middle (agentische KI)
Sammelbegriff für die fehlenden strukturellen Zwischenschichten, die viele Unternehmen beim Übergang von einzelnen KI-Piloten zu echter, unternehmensweiter Agenten-Skalierung übersehen: eine Governance-/Kontrollschicht (wie Agenten mit echten Systemen und Compliance-Pflichten interagieren dürfen), eine Orchestrierungsschicht (s. Agent Boss/Director/Orchestrator, statt isolierter Einzelagenten), eine Identitäts-/Zugriffsschicht für autonome Agenten sowie eine unternehmensweite Kontextschicht (s. Context Layer). Praxisrelevanz: Eine plausible Erklärung dafür, warum der GenAI Divide (s. dort) entsteht, nicht fehlende Modellqualität, sondern genau diese fehlende „Mitte“ zwischen Einzel-Tool und Unternehmensarchitektur, ohne vergleichende Daten zwischen skalierten und gescheiterten Piloten bleibt das aber eine Diagnose, die zur MIT-NANDA-Beobachtung passt, sie nicht schon beweist.
In allen Bänden
Mission
Der Auftrag eines Unternehmens: wofür es tätig ist, für wen und mit welchem Anspruch, in der Gegenwart formuliert, während die Vision (s. dort) den angestrebten künftigen Zustand beschreibt. Im Buch gehören Vision und Mission zur Unternehmensstrategie auf Ebene 1 und damit zur Strategy of Record (s. dort), Purpose und Werte (s. dort) dagegen als Dauermerkmale zu Ebene 0 (Band 2, Abschnitt 1.1.7). Mitglieder von X to Code: Dazu gehören Design to Code, Prompt to Code und Vibe Coding (s. jeweils dort), dazu zwei seltenere Bezeichnungen ohne gefestigten Sprachgebrauch, Diagram to Code für die Erzeugung von Code aus einem Architektur- oder Ablaufdiagramm und Voice to Code für den Weg über gesprochene Sprache, technisch eine Spracherkennung vor einem Prompt-to-Code-Schritt.
In allen Bänden
MLOps
Die Übertragung von DevOps-Prinzipien (Automatisierung, kontinuierliche Integration/Auslieferung, Monitoring) auf den gesamten Lebenszyklus von Machine-Learning-Modellen, von Trainingsdaten über Training, Deployment, Monitoring bis zum kontrollierten Retraining oder Ablösen eines Modells. Praxisrelevanz: Ohne MLOps bleiben Modelle einmalige Data-Science-Artefakte, die niemand systematisch aktuell hält; MLOps ist damit die Betriebsdisziplin, die ein KI-Modell von einem Prototyp zu einem verlässlich betriebenen Produktionssystem macht, vergleichbar mit dem, was Ontology as Code (s. dort) für Ontologien leistet.
In allen Bänden
Model Merging of Natural Niches (M2N2)
Eine 2025 vorgestellte Weiterentwicklung der evolutionären Modell-Verschmelzung (s. dort), veröffentlicht unter dem Titel „Competition and Attraction Improve Model Fusion“ (Abrantes, Lange & Tang, 2025). Anders als beim ursprünglichen Verfahren, das Modelle in fest vorgegebenen Blöcken kreuzt, verschiebt M2N2 die Kreuzungsgrenzen selbst dynamisch, näher an einem Chromosomentausch mit variabler Bruchstelle als an einem Austausch ganzer Chromosomen, und hält eine Population unterschiedlicher, konkurrierender Modellvarianten aktiv am Leben, statt vorschnell auf eine einzige Linie zu verengen. Praxisrelevanz: Die Autoren berichten, dass sich Modelle mit diesem Verfahren auch vollständig neu evolvieren lassen, nicht nur aus bereits trainierten Elternmodellen zusammensetzen. Ausführlich in Band 2, Kapitel 2.1.
Band 2
Model Routing (LLM Router)
Middleware-Schicht, die vor der eigentlichen Modellanfrage sitzt und pro Anfrage entscheidet, welches von mehreren verfügbaren, vollständig getrennten Modellen sie bearbeiten soll, nicht zu verwechseln mit Mixture-of-Experts (Auswahl innerhalb eines einzigen Modells). Entscheidungskriterien: Aufgabenkomplexität, Kosten, Latenz und Datensouveränität (fremdgehostet vs. selbstgehostet). Etablierte Ansätze: RouteLLM (Ong et al., 2024, LMSYS/Berkeley), ein auf menschlichen Präferenzdaten trainierter Klassifikator, mit dokumentierten 85 Prozent Kosteneinsparung bei 95 Prozent GPT-4-Antwortqualität; vLLM Semantic Router (Red Hat/vLLM, 2026), ein Open-Source-Router für selbstgehostete Modellpools mit semantischem Caching und über 90 Prozent berichteter Tokenkosten-Reduktion; kommerzielle Anbieter wie Martian und Not Diamond. Praxisrelevanz: Der Ort, an dem sich die Permission-Säule von Ontorank technisch bis in die Modellwahl fortsetzen lässt: sensible Anfragen zwingend an selbstgehostete Modelle, unkritische an das günstigste verfügbare Modell, ausführlich in Band 4, Kapitel 3.2. Im Werk auch LLM-Router oder Model Gateway genannt. Neben Kosten und Latenz schützt diese Schicht vor Vendor-Lock-in (s. dort): Modelle lassen sich hinter ihr austauschen, ohne dass sich die Schnittstelle für Agenten oder Anwendungen ändert; weil Modelle unterschiedlich leisten, braucht jeder Wechsel trotzdem Regressionstests und gegebenenfalls Anpassungen.
In allen Bänden
Moralische Intensität (Moral Intensity)
Modell von Thomas Jones (1991), nach dem die Wahrnehmung eines ethischen Problems weniger von der Persönlichkeit als von der Situation abhängt: Ausmaß der Folgen, sozialer Konsens, Wahrscheinlichkeit, zeitliche Unmittelbarkeit, Nähe und Konzentration. Praktisch erklärt es, warum dieselbe Belegschaft eine zugespitzte Werbung mitträgt und bei der Mitarbeit an Überwachungs- oder Militärprojekten protestiert (s. Band 4, Kapitel 6.5).
Band 4
Moralische Knautschzone (Moral Crumple Zone)
Von Madeleine Clare Elish (2019) geprägter Begriff für das Muster, die Verantwortung für das Fehlverhalten eines hoch automatisierten Systems dem nächststehenden Menschen zuzuschreiben, obwohl dieser das System kaum beeinflussen konnte. Für Agenten folgt daraus, Verantwortung vorab nach Domäne, Regelwerk, Plattform und Mensch im Loop zu trennen. Siehe Band 4, Abschnitt 3.3.7.
Band 2.3 · Band 4
Motivationsgraph
Ein semantischer Graph (RDF/OWL), der neben dem Verhalten eines Kunden (das speichert bereits die CDP) mögliche und berichtete Beweggründe festhält, und zwar ausschließlich aus dem, was eine Person selbst angibt oder tut: genannte Ziele, geäußerte Bedenken, selbst berichtete Empfindungen, gezeigter Bedarf, beobachtbares Verhalten, als benannte, abfragbare Kanten. Drei Arten von Aussagen bleiben dabei getrennt: beobachtetes Verhalten, berichtetes Motiv und die daraus abgeleitete Hypothese, jeweils mit Quelle, Zeitpunkt, Kontext und Unsicherheit. Eine Selbstauskunft ist eine Aussage über einen Beweggrund, ein beobachtetes Verhalten legt keinen Beweggrund eindeutig fest, und auch RDF/OWL macht daraus keinen gesicherten Zugang zum inneren Zustand. Aus biometrischen Daten abgeleitete Gefühlszustände bleiben ausgeschlossen (s. Emotionserkennungssystem). Metapher: Verhaltensdaten sind der Messwert, der Motivationsgraph hält die Erklärungsangebote dafür fest. Praxisrelevanz: Gekoppelt mit einer RAG-Architektur soll der Motivationsgraph verhindern, dass generierter Content zwar grammatikalisch korrekt, aber am eigentlichen Beweggrund des Kunden vorbeigeht. Vorsicht: Die Behauptung, motivationsgraph-gestützter Content steigere „nachweislich“ die Conversion-Rate, ist im zugrundeliegenden Architektur-Entwurf der M‑AI‑Tech Content Supply Chain unbelegt und eher als Herstellervision denn als geprüfte Studie zu lesen. Ausführlich in Band 3, Kapitel 7.1. Move the Task, Keep the Data: Das im Buch für autonome KI-Agenten hergeleitete Gegenstück zur Domänenhoheit (s. Anhang 2) für Menschen: Statt Rohdaten domänenübergreifend an einen zentralen Orchestrierungsagenten zu senden, betreibt jede Domäne einen eigenen, spezialisierten Domänen-Agenten als Gatekeeper, dem ein übergeordneter Agent eine Aufgabe stellt, statt sich die Daten selbst zu holen; der Domänen-Agent beantwortet die Aufgabe innerhalb der Grenzen seines Data Contracts (s. dort) und gibt nur das Ergebnis zurück, nicht die Rohdaten dahinter. Praxisrelevanz: Verhindert, dass ein einzelner, weitreichender Orchestrierungsagent zum neuen zentralen Flaschenhals wird, den Data Mesh (s. dort) auf der menschlichen Ebene eigentlich auflösen sollte. Ausführlich in Band 1.1, Abschnitt 4.4.14.
In allen Bänden
Multi-Agent Reinforcement Learning (MARL)
Ein Teilgebiet des bestärkenden Lernens (Reinforcement Learning), in dem mehrere autonome Agenten gleichzeitig und häufig mit jeweils eigenen, lokalen Zielen lernen und interagieren, statt wie beim klassischen Reinforcement Learning ein einzelner Agent gegen eine feststehende Umgebung. Praxisrelevanz für Unternehmens-Agentensysteme: Optimieren mehrere Abteilungs-Agenten jeweils nur ihr eigenes lokales Ziel, ohne Abstimmung, kann daraus ein für das Unternehmen als Ganzes schädliches Ergebnis entstehen, selbst wenn jeder einzelne Agent korrekt handelt, s. Tragedy of the Commons im Unternehmenskontext (s. dort). Ausführlich in Band 4, Kapitel 7.6, kurz eingeordnet auch in Band 4, Exkurs „Beweise ohne Einblick“.
Band 4
Multi-Agenten-System
Eine Architektur, in der mehrere spezialisierte KI-Agenten arbeitsteilig zusammenwirken, statt dass ein einzelner, universeller Agent alle Aufgaben allein übernimmt, etwa ein Recherche-Agent, ein Analyse-Agent und ein Formulierungs-Agent, die nacheinander oder parallel an einer Aufgabe arbeiten. Praxisrelevanz: Grundlage der bereits definierten Agent Boss/Director/Orchestrator-Hierarchie (s. dort): Ohne Orchestrierung entsteht aus vielen Einzelagenten schnell ein unkoordiniertes Nebeneinander statt Arbeitsteilung.
In allen Bänden
Multi-Experience (MX)
Ein Konzept, das sich auf die Gestaltung durchgängiger und konsistenter Benutzererfahrungen über verschiedene digitale Touchpoints, Geräte und Interaktionsmodalitäten (z. B. Web, Mobile, Sprache, AR/VR) hinweg konzentriert. Im Buch wird MX als eine Komponente der umfassenderen Total Experience (TX) genannt und als wichtiger Aspekt in der modernen, kundenzentrierten Organisation betrachtet.
Band 2.1
Multi-Hop (Multi-Hop-Reasoning)
Beantwortung einer Frage über mehrere Verknüpfungsschritte hinweg: jede Kante im Graphen ist ein „Hop“ (Sprung). Die Frage „Welche Kampagnen zahlen auf Ziele ein, die aus der Big Bet abgeleitet sind?“ braucht drei Hops: von der Big Bet zum Ziel, vom Ziel zur Messgröße, von der Messgröße zur Kampagne. Die Stärke gegenüber der Dokumentensuche: Jeder Zwischenschritt ist explizit und prüfbar. Die Antwort kommt mit ihrem Herleitungsweg. Grundlage sind Competency Questions (s. Band 1.1, Kapitel 1.5) und die Traversierung (s. dort). Nicht zu verwechseln mit „Multihop (Multi-Hop-Query)“ in diesem Glossar: Dort liegt der Fokus auf der technischen Abfrage- und Architekturentscheidung (Graphdatenbank gegenüber relationaler Datenbank), hier auf der Nachvollziehbarkeit der Schlussfolgerungskette selbst.
In allen Bänden
Multi-Party Computation (MPC)
Ein kryptografisches Verfahren, das mehreren Parteien erlaubt, gemeinsam ein Ergebnis zu berechnen, ohne dass eine der Parteien ihre eigenen Eingabedaten den anderen offenlegen muss. Praxisrelevanz: Eine der etablierten Alternativen zu Blockchain für die Steuerung von Agenten, insbesondere wenn mehrere Unternehmen gemeinsam rechnen wollen, ohne ihre jeweiligen Rohdaten zu teilen, verwandt mit Föderiertem Lernen (s. dort), das dasselbe Prinzip auf das Training von Modellen anwendet. Ausführlich in Band 2, Kapitel 2.1 und Band 3.1, Abschnitt 2.8.
Band 2
Multihop (Multi-Hop-Query)
Eine Abfrage, die nicht nur eine einzelne Beziehung zwischen zwei Entitäten betrachtet, sondern eine Kette mehrerer Beziehungsschritte hintereinander verfolgt (z. B. vom Kunden über den Kauf und das Produkt zur Kategorie und weiter zum Trend). Relationale Datenbanken benötigen dafür pro zusätzlichem Schritt einen weiteren, zunehmend aufwendigen Join, Graphdatenbanken sind für genau diese Art der Traversierung gebaut. Zentrales Prüfkriterium dieses Buchs, ob ein Use Case wirklich einen Graphen braucht oder nur ein Bedeutungsproblem ist: „Braucht die gesuchte Erkenntnis wirklich mehrere Beziehungsschritte?“ Ausführlich in Band 1.1, Kapitel 2.5 und Band 4, Kapitel 1.1.
In allen Bänden
Multimodale Modelle
KI-Modelle, die mehr als eine Datenart gleichzeitig verarbeiten oder erzeugen können (Text, Bild, Ton, Video), statt auf eine einzige Modalität beschränkt zu sein. Praxisrelevanz: Grundlage vieler Content-Engine-Anwendungen (s. Band 3, Kapitel 7.2), die aus einem Text-Briefing automatisch Bild- oder Videovarianten erzeugen sollen: dieselbe Technologie, die die in Early Fusion (s. dort) beschriebene frühe Verknüpfung verschiedener Modalitäten nutzt.
Band 1.1 · Band 4
Mustererkennung
Die automatische Identifizierung von Regelmäßigkeiten, Trends oder Mustern in Daten durch KI-Algorithmen.
Band 1 · Band 1.1
O
Object-Centric Process Mining (OCPM)
Von Wil van der Aalst (RWTH Aachen, als Begründer des Process Mining geführt) 2019 vorgeschlagene Weiterentwicklung des klassischen, fallzentrierten Process Mining: Ein Ereignis wird nicht mehr genau einem Fall zugeordnet, sondern kann mit mehreren Objekten unterschiedlichen Typs gleichzeitig verknüpft sein, etwa eine Bestellung mit mehreren Positionen, Lieferungen und Rechnungen, gespeichert im offenen Format OCEL, inzwischen in Version 2.0 (van der Aalst, 2019). Praxisrelevanz: Löst die Divergenz- und Konvergenzprobleme des klassischen Verfahrens, das Ereignisse künstlich vervielfachen oder Objekte zusammenfassen muss, sobald ein Fall aus mehreren, vernetzten Objekten besteht; van der Aalst selbst ordnet OCPM 2025 als Voraussetzung dafür ein, dass generative, prädiktive und präskriptive KI auf echten Prozessdaten überhaupt trägt (van der Aalst, 2025), ein aktives, wachsendes Forschungsfeld, kein abgeschlossenes Ergebnis. Ausführlich, als Baustein eines Gedankenexperiments zu evolvierenden Prozessgraphen, in Band 2.1, Abschnitt 1.1.20.
Band 1.1 · Band 2.1
Observability
Ursprünglich ein Begriff der Regelungstechnik (Kálmán, 1960): ob sich der innere Zustand eines Systems vollständig aus seinem beobachtbaren Verhalten rekonstruieren lässt. In der IT seit rund 2018 die Fähigkeit, auch unbekannte, vorher nicht vorhergesehene Fehlerbilder eines laufenden Systems zu diagnostizieren, gestützt auf Logs, Metriken und Traces und heute überwiegend über den offenen Standard OpenTelemetry umgesetzt. Bei KI-Systemen in vier Varianten gebräuchlich: LLM-, KI- (Full-Stack), Agenten- und Daten-Observability. Wichtige Abgrenzung: Nicht dasselbe wie Traceability (Band 1.1, Kapitel 1.3): Observability ist laufend und diagnostisch (verhält sich das System gerade wie erwartet), Traceability ist retrospektiv und belegend (woher stammt diese eine, bereits erzeugte Aussage). Ebenfalls nicht dasselbe wie Reliability: Reliability ist das Ziel eines Systems, verlässlich zu funktionieren, Observability ist das Mittel, mit dem sich prüfen lässt, ob dieses Ziel erreicht wird. Ausführlich, inkl. Vier-Varianten-Tabelle, in Band 1.1, Kapitel 3.2.
In allen Bänden
Offene Gewichtsmodelle (Open-Weight-Modelle)
Im Text der Reihe auch „offen gewichtete Modelle“. KI-Modelle, deren trainierte Parameter (Gewichte) frei zum Herunterladen, Ausführen und Weitertrainieren veröffentlicht werden, während Trainingsdaten, Trainingscode und die genaue Trainingsmethodik meist unveröffentlicht bleiben. Praxisrelevanz: Nach der Einordnung in Band 4 holt diese Modellklasse (s. Frontier-Modelle, Band 4, Kapitel 7.4) proprietäre Frontier-Modelle auf mehreren Benchmarks bereits ein oder überholt sie; offene Gewichte allein sagen also nichts über die tatsächliche Leistungsfähigkeit eines Modells aus, nur darüber, wer es unter welchen Bedingungen selbst betreiben darf. Die Wahl zwischen fremd betriebenem und selbst betriebenem Modell, mit ihren Folgen für Datenabfluss, Kostenform und Abhängigkeit, behandelt Band 1, Abschnitt 7.3.1. Abgrenzung zu „Open Source“: Die Open Source Initiative (OSI) hat Ende 2024 eine offizielle Open Source AI Definition veröffentlicht, die verlangt, dass auch Trainingscode und ausreichend Angaben zu den Trainingsdaten offengelegt werden, damit ein Modell tatsächlich von Grund auf nachgebaut werden könnte. Nach diesem strengeren Maßstab gelten fast alle prominenten „offenen“ Modelle (Llama, DeepSeek, Qwen, GLM, Kimi) nicht als echtes Open Source, sondern nur als Open-Weight, weshalb der präzisere Begriff „Open-Weight“ seither zunehmend verwendet wird. Für Unternehmen ergibt sich daraus ein zusätzlicher Souveränitäts-Hebel (s. Sovereign Cloud, Geopatriation): Ein Open-Weight-Modell lässt sich, anders als ein rein API-gebundenes Frontier-Modell, im eigenen Rechenzentrum oder in einer souveränen Cloud betreiben und schafft damit eine Betriebsoption, die von der Verfügbarkeit eines einzelnen externen API-Anbieters unabhängig ist. Vollständige Souveränität entsteht dadurch nicht automatisch: Lizenzbedingungen, Exportkontrollen, benötigte Hardware und Treiber, der Serving-Stack, Modell-Updates, die Herkunft der Trainingsdaten und die eigene Sicherheitskompetenz können neue Abhängigkeiten erzeugen, und Selbsthosting ist damit möglich, aber nicht von selbst wirtschaftlich oder unabhängig, das muss je Fall gegen den Betrieb über einen API-Anbieter aufgerechnet werden.
In allen Bänden
Office of Strategy Management (OSM)
Die von Kaplan und Norton (2005) vorgeschlagene Stabsstelle, die die Prozesse rund um Strategie, Planung, Budgetierung und Berichtswesen zusammenführt und dafür sorgt, dass die Strategie über alle Einheiten hinweg umgesetzt und regelmäßig überprüft wird. Sie pflegt Strategy Map und Balanced Scorecard und organisiert die Strategie-Reviews. Im Buch ein Beispiel für die Stelle, die die Rückläufe aus der Durchsteuerung verdichtet und im langen Takt vorlegt (s. Band 2, Abschnitt 3.2.2).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Ontologie
Formale Repräsentation von Wissen als Menge von Konzepten innerhalb einer Domäne und der Beziehungen zwischen diesen Konzepten. Zur spezifischen Verwendung als Basisontologie für „Machine Ready Strategy“ im S‑OPDT-Modell und als dauerhafteste der drei „Layers of Meaning“-Schichten (neben Context Graph und Graph Memory) s. Glossar Modellbegriffe. Die Schicht selbst ist in diesem Glossar unter Ontologies for AI (s. dort) beschrieben.
In allen Bänden
Ontologies for AI
Die unterste der drei Layers of Meaning (s. dort), die dieses Buch unterscheidet, nach Context Graph (s. dort) und Graph Memory (s. dort): der von Menschen kuratierte Unternehmenswissensgraph mit seiner Ontologie, mit Klassen, Axiomen, Provenienz und Zeitreise. Sie ändert sich am seltensten, weil eine Änderung hier bedeutet, dass sich die gemeinsame Bedeutung eines Begriffs im ganzen Unternehmen ändert, nicht nur eine Sitzung oder eine Anfrage. Praxisrelevanz: Je tiefer die Schicht, desto teurer und langsamer ist ihre Pflege. Einen höheren Ontorank-Wert erhält sie dadurch nicht automatisch; für eine konkrete Frage kann eine aktuelle Messung belastbarer sein als eine alte kuratierte Festlegung. Ein gut gebauter Agent arbeitet mit allen drei Schichten und zieht sie situativ zusammen. Ausführlich in Band 1.1, Kapitel 2.2.
In allen Bänden
Ontology as Code (Semantik als Code)
Die Praxis, Ontologien und semantische Definitionen als versionierten Code zu führen (in Git, mit Review/Pull-Requests, Tests und CI/ CD) statt in GUI-Werkzeugen oder proprietären Runtimes. Vorteile: Versionierung, Nachvollziehbarkeit (Provenienz), Reproduzierbarkeit, Zusammenarbeit und Portabilität (kein Lock-in). Praxis: Git-basierte Ontologie-Entwicklung mit SHACL-/SPARQL-Tests und Competency-Question-Regressionstests (Werkzeuge/Ansätze u. a. ROBOT, ODK, OnToology, Ontolo-CI, ACIMOV/SAREF); Neo4j führt Ontologien 2026 als „First-Class Citizen“ seiner Plattform. Deckt sich mit dem von der Autorin unter „Semantik als Code“ vertretenen Prinzip (Clessienne, F.A.I.R to AI, 2026).
In allen Bänden
Ontology Control Plane
Bezeichnung (u. a. aus Snowflakes technischer Praktiker-Dokumentation, Reihe „Ontology on Snowflake“) für die native Einbettung einer Semantik-/ Ontologie-Schicht direkt in eine große Cloud-Datenplattform, statt sie als nachgelagerten, separaten Analyseschritt zu betreiben. Kernthese: Der eigentliche „letzte Meter“ (Last Mile) für verlässliche KI-Agenten liegt im bedeutungsvollen Kontext, weniger im Agenten-Protokoll oder im besseren Sprachmodell: Ein technisch sauberer, verifizierter Kennzahlenname wie ACTIVE_USERS reicht nicht, wenn Finance, Sales und Engineering jeweils eine andere, kontextabhängige Definition von „aktiv“ verwenden. Praxisrelevanz: Snowflake verfolgt mit diesem Konzept (parallel zu „Horizon Context“) nahezu dieselbe Idee wie Databricks mit Genie Ontology (s. dort); dass zwei konkurrierende Datenplattformen zum selben Schluss kommen, spricht deutlicher für eine Marktbewegung Richtung Semantik als eine einzelne Anbieterinitiative. Ausführlich in Band 3, Abschnitt 4.3.
In allen Bänden
Ontology Learning (auch Ontology Induction, Automatic Ontology Construction)
Der akademisch etablierte Name für das automatisierte oder algorithmische Ableiten von Klassen, Attributen und Beziehungen aus Daten oder Texten, geprägt von Maedche und Staab (2001), im Buch als schema-based/Bottom-up-Bauweise eingeführt (s. Band 1.1, Abschnitt 1.3.5). Praxisrelevanz: Liefert schnell einen ersten Strukturentwurf, meist eine Lightweight Ontology, ersetzt aber nicht die expert-based Prüfung, die daraus eine Heavyweight Ontology macht.
Band 1.1 · Band 2.2
Ontology Population (auch Knowledge Graph Population, Instance Population)
Das gezielte Befüllen einer bereits feststehenden Ontologie mit konkreten Instanzen und Fakten, nicht das Entwerfen der Struktur selbst, etwa alle Produkte einer Kategorie samt ihrer Eigenschaften in ein vorgegebenes Schema einzutragen. Ein 2008 erschienener Sammelband trägt beide Begriffe, Ontology Learning und Ontology Population, folgerichtig im selben Titel (Buitelaar & Cimiano, Hrsg., 2008), darin unter anderem der Beitrag von Tanev & Magnini zur Population. Praxisrelevanz: Wo Ontology Learning die Struktur liefert, liefert Ontology Population die belastbaren Fakten darin, beide Schritte laufen oft im selben Projekt nacheinander ab (s. Band 1.1, Kapitel 2.1). Bei GraphRAG-Werkzeugen ist diese Unterscheidung zugleich eine Kaufentscheidung: Wer bei jeder Anfrage neu und proprietär beim Anbieter lernt statt einmal in eine eigene, exportierbare Ontologie zu investieren, riskiert genau den Vendor-Lock-in, den Band 1.1, Abschnitt 2.1.5 beschreibt.
Band 1.1
Ontology Steward (Ontologie-Verantwortliche/r)
Eine im Data-/Ontologie-Governance-Umfeld etablierte Rolle, die für die laufende Qualität, Konsistenz und Weiterentwicklung einer Unternehmensontologie verantwortlich ist, vergleichbar mit einem Data Steward, nur auf Bedeutungsebene statt auf einzelne Datenfelder bezogen: Wer entscheidet, wenn zwei Abteilungen „Kunde“ unterschiedlich definieren? Praxisrelevanz: Ohne einen klar benannten Ontology Steward verwaist eine Ontologie nach dem initialen Aufbauprojekt erfahrungsgemäß schnell; die im Buch beschriebene Rollenverschiebung vom reinen Report-Ersteller zum Ontologietreiber (Glossar Modellbegriffe, Band 2.1) ist die im Buch verwendete, inhaltlich sehr nahe Entsprechung dieser Rolle. Abgrenzung zum Governance Owner (auch Context Owner): Der Steward entscheidet über den Inhalt des geteilten Bestands, der Governance Owner über die Regeln dafür, s. Band 2.2, Abschnitt 4.3.3.
In allen Bänden
Ontology Trap
Der Praktikerbegriff für ein Muster, das im Buch an zwei Stellen von zwei verschiedenen externen Autoren beschrieben wird, mit demselben englischen Namen: KI generiert heute plausibel klingende Bedeutung (Ontologie-Struktur, Beziehungen) schneller, als eine Organisation sie prüfen kann; am Ende steht nicht Intelligenz im großen Stil, sondern gut formulierter, fest verdrahteter Irrtum. Sergey Vasiliev prägt den Begriff so in „The Ontology Trap: When AI Scales Unvalidated Meaning“ (Substack, Juni 2026, s. Band 2.1, Kapitel 1.2). Wenige Wochen später verwendet Anthony Alcaraz denselben englischen Ausdruck „the ontology trap“ für dasselbe Phänomen (LinkedIn, Juli 2026), dort zusätzlich mit dem Gegenmittel dreier Prinzipien (Eigentum/Portabilität, Delta-Autorenschaft, geprüft statt blind vertraut) und dem Anschluss an Goodharts Gesetz (s. Band 1.1, Kapitel 1.3 und Band 1.1, Kapitel 3.3). Praxisrelevanz: Dass zwei Praktiker 2026 im Abstand weniger Wochen denselben Begriff für dasselbe Problem verwenden, deutet darauf hin, wie verbreitet die Beobachtung inzwischen ist.
In allen Bänden
Ontorank
Ein Vertrauensranking für Wissen in einem Graphen oder Datenkatalog, analog zu Googles PageRank, nur nicht für Webseiten, sondern für Ontologie- und Datenelemente. Den Namen nutzte bereits die Semantic-Web-Suchmaschine Swoogle 2005 für das Ranking von Ontologien und Dokumenten (Finin u. a., 2005); in der heutigen Verwendung greift ihn Databricks nach eigener Darstellung für seine Genie-Ontology-Plattform auf (Herstellerangabe, s. Band 1.1, Kapitel 2.2). Ontorank bewertet die Vertrauenswürdigkeit eines Knotens oder einer Kante anhand mehrerer Signale: Provenance (Herkunft), Authority (Autorität der Quelle), Usage Frequency (Nutzungshäufigkeit) und Freshness (Aktualität); dieses Buch ergänzt Permission (Änderungs- und Freigaberechte; das Leserecht wirkt vorher als harte Schranke) als für europäische Unternehmen mit AI-Act-Pflichten zusätzlich relevante Dimension, verankert in einem Datenkatalog. Die Idee dahinter: Ein Knoten ist nicht schon deshalb vertrauenswürdig, weil er im Graphen existiert, genauso wenig wie eine Webseite allein durch ihre Existenz vertrauenswürdig wird. Für KI-Agenten, die autonom auf Unternehmensgraphen zugreifen, schlägt diese Reihe Ontorank als Governance- und Auswahlraster vor: Harte Berechtigungs- und Geltungsregeln wirken vorher, das Ranking ordnet danach, was übrig bleibt. Gewichtung, Schwellen und der Umgang mit Widersprüchen werden am Einsatzfall geprüft, denn Häufigkeit und Autorität können auch einen ungeprüften Irrtum verstärken; explizite Freigaben und Regeln ohne Ranking sind ebenfalls ein gangbarer Weg. Der Wert beantwortet dabei nicht, ob eine Aussage wahr ist, sondern unter welchen Bedingungen ein Agent ihr folgen darf: ein Governance-Raster, kein Wahrheitswert. Ausführlich in Band 1.1, Kapitel 2.2.
In allen Bänden
Open Data Contract Standard (ODCS)
Offener Standard der Bitol-Initiative unter dem Dach der Linux Foundation, der einen Data Contract (s. dort) als maschinenlesbare YAML-Datei beschreibt: Schema, Qualitätsregeln, Service-Level, Verantwortliche und Nutzungsbedingungen eines Datenprodukts. Praxisrelevanz: Ein Vertrag in diesem Format lässt sich versionieren, im Review prüfen und in CI/CD-Pipelines automatisch durchsetzen; die Schwesterspezifikation Open Data Product Standard (ODPS) beschreibt das Datenprodukt selbst. Ausführlich in Band 2.2, Abschnitt 5.3.4.
In allen Bänden
Open Research Knowledge Graph (ORKG)
Eine seit rund 2020 von der TIB Hannover unter Leitung von Sören Auer betriebene Forschungsinfrastruktur, die wissenschaftliche Publikationen nicht als Fließtext, sondern als strukturierte, maschinenlesbare Aussagen (Forschungsfrage, Methode, Datensatz, Ergebnis) in einem Wissensgraphen erfasst: ein Wandel von dokumentenzentrierter zu wissensbasierter wissenschaftlicher Kommunikation. Praxisrelevanz: Nutzt Competency Questions seit Jahren im laufenden Betrieb, über eine Pilotübung hinaus, und zeigt damit, dass die Methode auch außerhalb der Wirtschaft im Dauerbetrieb trägt, ausführlich in Band 1.1, Kapitel 1.5.
Band 1.1 · Band 2.2
Open Semantic Interchange (OSI)
Im September 2025 von Snowflake, Salesforce, dbt Labs und RelationalAI gestartete Initiative für eine herstellerneutrale Spezifikation von Kennzahlen, Dimensionen und ihren Beziehungen, also der Definitionen einer Auswertung (Snowflake, 2025a). Sie ergänzt die W3C-Standards RDF, OWL und SHACL, die Klassen, Beziehungen und Regeln eines Bedeutungsmodells tragen; Freigabestand und Änderungsspur trägt keiner der Standards von sich aus. Ausführlich mit dem Stand der Beitritte in Band 2, Abschnitt 2.6.3.
Band 1 · Band 1.1 · Band 2 · Band 2.1
Open Strategy (offene Strategiearbeit)
Die Öffnung des Strategieprozesses für Beteiligte jenseits der Unternehmensleitung, etwa Mitarbeitende, Kunden oder Partner, entlang zweier Dimensionen: Einbeziehung (wer mitwirkt) und Transparenz (wer Einblick in Inhalte und Prozess erhält). Der Begriff geht auf Whittington, Cailluet und Yakis-Douglas (2011) zurück und wurde von Hautz, Seidl und Whittington (2017) systematisiert. Im Buch eine der Formen kollaborativer Strategieentwicklung, die zentrale und dezentrale Strategiearbeit verbinden (s. Band 2, Abschnitt 1.2.1).
Band 2 · Band 4
Open World Assumption / Closed World Assumption
Zwei gegensätzliche Grundannahmen darüber, wie vollständig das vorhandene Wissen in einem Graphen ist. Unter der Open World Assumption gilt eine Aussage, die nicht explizit als falsch feststeht, als potenziell wahr; fehlt eine Angabe, ist das für ein darauf aufbauendes Reasoning kein Fehler, sondern schlicht unbekanntes Wissen. Unter der Closed World Assumption gilt umgekehrt der vorliegende Graph als vollständig; fehlt eine Pflichtangabe, etwa eine E-Mail-Adresse an einem Kunden-Knoten, ist das ein Validierungsfehler. OWL folgt der Open World Assumption (geeignet zum Ableiten neuen Wissens), SHACL folgt faktisch der Closed World Assumption (geeignet zum Prüfen von Vollständigkeit und Datenqualität). Deshalb ersetzen sich beide Standards nicht, sondern ergänzen sich. Ausführlich in Band 1.1, Kapitel 2.1.
Band 1.1 · Band 2.2
OpenLineage
Offener Standard zur Erfassung von Data Lineage (s. Data Lineage (Datenherkunft)), ein Projekt der LF AI & Data Foundation (OpenLineage, 2026). Kein Katalog und keine Datenbank, ein Ereignisformat: Verarbeitungswerkzeuge melden während des Laufs, welcher Job in welchem Run welche Datasets liest und schreibt; weitere Angaben wie Schema, Version, Spaltenherkunft oder Codestand hängen als Facets daran. Die Ereignisse brauchen einen Empfänger, der sie sammelt und abfragbar macht (Referenzimplementierung: Marquez), und die Anbindung jedes Werkzeugs muss mit dessen Versionen gepflegt werden. Praxisrelevanz: Lohnt sich, wenn mehrere Verarbeitungswerkzeuge an derselben Strecke arbeiten und die Frage nach dem Weg der Daten an ihren Grenzen abreißt; solange ein einziges Werkzeug die Verarbeitung trägt und seine Lineage selbst mitschreibt oder der vorhandene Katalog sie schon ausliest, genügt das. Abgrenzung: OpenLineage hält den Weg der Daten fest, nicht die Herkunft und Freigabe einer einzelnen Aussage; dafür s. PROV-O und Provenienz. Ausführlich in Band 1.1, Abschnitt 1.3.3.
In allen Bänden
Operational Excellence (OPEX)
Disziplin, den laufenden Betrieb dauerhaft und systematisch zu verbessern, als eingebaute Fähigkeit der Organisation, nicht als einmaliges Effizienzprogramm: Prozesse standardisieren, Abweichungen sichtbar machen, Verbesserung durch die Menschen, die die Arbeit tun. Wurzeln im Toyota-Produktionssystem, Kaizen und Six Sigma; als Wertdisziplin geprägt von Treacy/Wiersema (1995), als Reifegradrahmen gefasst im Shingo-Modell. Im S‑OPDT-Modell in der Prozess-Dimension beheimatet, mit Querwirkung in Organisation, Daten und Technologie; zum Target Operating Model verhält es sich wie die seemännische Disziplin zum Konstruktionsplan des Schiffs: das TOM baut den Zielbetrieb, OPEX macht ihn im Betrieb kontinuierlich besser (s. Band 2.1, Kapitel 4.3). Nicht zu verwechseln mit OpEx (Operational Expenditure): laufende Betriebskosten im Gegensatz zu Investitionsausgaben (CapEx), gleiches Kürzel, anderes Fach.
Band 1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Organisationales Schweigen (Organizational Silence)
Von Elizabeth Morrison und Frances Milliken (2000) beschriebenes kollektives Muster, in dem Beschäftigte Wissen über Probleme systematisch zurückhalten, weil sie annehmen, dass Widerspruch nichts bewirkt oder schadet. Für die Steuerung wichtig, weil es der Führung genau die Rückmeldung nimmt, die sie für Korrekturen braucht, und weil eine ruhige Belegschaft dann kein Zeichen von Zustimmung ist (s. Band 4, Kapitel 6.5).
Band 4
Organisatorische Capabilities
Fähigkeiten eines Unternehmens, die sich auf seine organisatorische Struktur, Kultur und Prozesse beziehen. Im S‑OPDT-Modell ist dies neben funktionalen und technischen Capabilities (s. dort) die zweite der drei Capability-Arten, die zusammen das Capability Mapping ergeben.
Band 2.2
Output-Governance
Die Filter- und Moderationsschicht, die eine Agentenantwort prüft, bevor sie den Menschen oder ein nachgelagertes System erreicht, etwa auf unberechtigte Preisgabe vertraulicher Informationen (s. Ontorank, Säule Permission) oder auf ein Abweichen von der im Reasoning Layer geprüften Faktengrundlage. Praxisrelevanz: Die laufzeitnahe, letzte Kontrollinstanz, auch wenn Kontext und Wissensgraph bereits sauber Ontorank-gefiltert sind, ausführlich in Band 4, Kapitel 3.3.
In allen Bänden
Output Port (Datenprodukt)
Die definierte Schnittstelle, über die ein Datenprodukt seine Daten an Konsumenten abgibt, bei Dehghani (2022) mit ausdrücklich festgelegtem Vertrag und API; Gegenstück ist der Input Port, über den das Produkt Daten aus Quellsystemen oder anderen Datenprodukten bezieht. Ein Datenprodukt kann mehrere Output Ports tragen (Tabelle, Ereignis-Topic, API, Dashboard, zunehmend auch ein Vektorindex für Retrieval), der Open Data Product Standard (ODPS) der Bitol-Initiative verlangt mindestens einen und verknüpft ihn über eine Vertragskennung mit seinem Data Contract (s. dort). Praxisrelevanz: Der Output Port ist der Ort, an dem semantische Plattform und Datenarchitektur sich treffen, der Contract hängt an ihm, die Policy-Engine prüft an ihm, und ein Agent wird an ihm gesteuert, nicht am Modell und nicht am Speicher, ausführlich in Band 2.2, Abschnitt 5.3.9.
In allen Bänden
OWASP Top 10 for LLM Applications
Eine vom Open Worldwide Application Security Project (bis 2023 Open Web Application Security Project) herausgegebene, regelmäßig aktualisierte Liste der zehn kritischsten Sicherheitsrisiken speziell für Anwendungen mit großen Sprachmodellen (u. a. Prompt Injection, Excessive Agency (s. dort), unsichere Ausgabeverarbeitung, Datenvergiftung). Praxisrelevanz: So wie die klassischen OWASP Top 10 seit Jahren der Referenzstandard für Web-Sicherheit sind, wird diese LLM-spezifische Variante zum Standard-Prüfraster für Security Reviews von KI-Agenten-Architekturen, unverzichtbar, bevor ein Agent produktiv mit echten Systemen interagieren darf.
In allen Bänden
OWL / OWL 2 (Web Ontology Language)
Eine auf RDF(S) aufsetzende, deutlich ausdrucksstärkere Ontologiesprache, für OWL DL und die OWL-2-Profile formal fundiert in der Beschreibungslogik (Description Logic), einem entscheidbaren Fragment der Prädikatenlogik; die volle Ausdrucksstärke von OWL Full ist nicht entscheidbar. Anders als RDFS kann OWL Klassenrestriktionen („jede Bestellung muss mindestens ein Produkt enthalten“), Kardinalitäten, Disjunktheit von Klassen, sowie Eigenschaften von Relationen selbst ausdrücken, transitiv (Vorfahre-von), symmetrisch (verheiratet-mit), invers (kauft/wird-gekauft-von) oder funktional (hat-höchstens-eine-Mutter; dass es genau eine gibt, verlangt eine zusätzliche Aussage). OWL beschreibt und folgert dabei unter offener Welt (Open World Assumption): Fehlt in einem Datensatz das Produkt, schließt ein Reasoner nicht auf einen Fehler, sondern behandelt es als unbekannt. Ob gelieferte Datensätze vollständig sind, prüft man mit einer eigenen Validierung, etwa mit SHACL (s. dort). W3C-Empfehlung seit 2004, grundlegend überarbeitet zu OWL 2 (2009, aktualisiert 2012), das drei Profile mit unterschiedlichem Ausdrucks-/Performance-Tradeoff definiert: OWL 2 EL (skalierbar auch bei sehr großen Ontologien, etwa in den Life Sciences), OWL 2 QL (optimiert für das Umschreiben von Anfragen gegen relationale Datenbanken) und OWL 2 RL (regelbasiert, für skalierbares Reasoning in Produktionssystemen, exakt das Profil, das der in Band 1.1, Kapitel 2.2 beschriebene Reasoning Layer von ReasoningLayer/Kortexya nach Herstellerangabe nutzt). Praxisrelevanz: Der Unterschied zwischen RDFS und OWL ist der Unterschied zwischen einer Landkarte, die nur zeigt, was zu was gehört, und einer Landkarte, die zusätzlich selbst erkennt, wenn zwei Angaben sich logisch widersprechen, oder eine dritte Tatsache zwingend aus zwei anderen folgt.
In allen Bänden
P
P2V-MAP
Verfahren von Gabel, Guhl und Klapper (2019), das latente Produkteigenschaften nicht aus Text, sondern aus Warenkorb-Ko-Vorkommen lernt, also daraus, welche Produkte gemeinsam gekauft werden, und sie in eine zweidimensionale Marktkarte projiziert. Die Positionierungslandkarte entsteht damit aus Kaufverhalten statt aus Befragung oder Text; der Code ist öffentlich. Eines der drei akademisch gesicherten Kartierungswerkzeuge dieses Buchs, neben Text-Mining von Marktstrukturen (Netzer, 2012) und dem Semantic Brand Score (s. dort). Praxisrelevanz: Ko-Okkurrenz-Embeddings, Osgoods Ratingdimensionen und Warenkorb-Embeddings teilen die Bauform, nicht das Messmodell, und sind nicht gleichzusetzen. Ausführlich in Band 3, Kapitel 8.5.
Band 2.1
Pace Layering (Pace-Layered Model)
Die Grundidee, dass unterschiedliche Schichten eines Systems sich mit unterschiedlichem Tempo ändern und deshalb unterschiedliche, dem jeweiligen Tempo angemessene Entscheidungs- und Governance-Logiken brauchen, statt einer einheitlichen Regel für alles. Ursprung in der Architektur: Stewart Brand beschreibt in „How Buildings Learn“ (1994) Gebäude als Stapel von „Shearing Layers“ mit sehr unterschiedlicher Lebensdauer (Grundstück, Struktur, Hülle, Haustechnik, Raumaufteilung, Mobiliar). Gartner adaptierte dieselbe Idee ab 2012 für IT-Landschaften als „Pace-Layered Application Strategy“ (Systems of Record, Systems of Differentiation, Systems of Innovation). Frans Riemersma (MartechTribe) überträgt das Prinzip in einer sechsstufigen Tabelle (Moment/Session/Journey/Relationship/Company/Market) auf den Kundenkontext im MarTech-Umfeld: Wie schnell sich ein bestimmter Kontext ändert, bestimmt, ob eine Entscheidung am Edge, lokal oder zentral getroffen wird und welche Rolle KI dabei übernimmt (Execute bis Analyze). Ausführlich, inkl. Tabelle und kritischer Einordnung, in Band 3, Kapitel 7.1.
Band 1.1 · Band 2.1
Paradigma
Grundlegendes Denkmuster oder Weltanschauung, die bestimmt, wie ein Unternehmen die Welt betrachtet und interpretiert. Das Buch führt Kundenzentrierung explizit als ein solches Paradigma, nicht nur als Marketingkonzept (s. Band 3, Kapitel 1.6).
In allen Bänden
Parenting (Corporate Parenting)
Die Rolle der Konzernzentrale gegenüber ihren Geschäftseinheiten und die Frage, wo sie durch Vorgaben, Ressourcen und Fähigkeiten tatsächlich Wert stiftet und wo sie Wert vernichtet. Nach Goold, Campbell und Alexander (1994) ist eine Zentrale nur gerechtfertigt, wenn sie ihren Einheiten mehr Wert verschafft, als es ein anderer Eigentümer könnte (Parenting Advantage). Im Buch fasst der Begriff die Frage, wie viel die Zentrale bei der Deklination der Gesamtstrategie auf die Bereiche vorgibt (s. Band 2, Abschnitt 1.2.2).
Band 2
Path Faithfulness (Pfadtreue)
Prüffrage, ob die Aussagen einer GraphRAG-Antwort tatsächlich durch die abgerufenen Knoten, Kanten und durchlaufenen Pfade gedeckt sind, statt vom Sprachmodell über plausibel klingendes Zusatzwissen ergänzt zu werden. Eine Antwort kann sachlich richtig klingen und trotzdem pfaduntreu sein, wenn sie eine Beziehung behauptet, die im abgerufenen Graphen für genau diese Anfrage nicht belegt war, sondern nur anderswo im größeren Wissensbestand existiert. Eine von sechs Prüfdimensionen (Vasiliev, 2026), die in dieser Reihenfolge zeigen, ob ein GraphRAG-System wirklich arbeitet, nicht nur, ob die Antwort gut klingt: Retrieval Coverage (wurden die für die Frage nötigen Entitäten, Beziehungen und Randbedingungen überhaupt abgerufen, nicht nur etwas thematisch Passendes), Path Faithfulness, Provenance Completeness (Herkunfts-Vollständigkeit: lässt sich jede Extraktions-, Normalisierungs- und Auswahlentscheidung entlang der ganzen Kette rekonstruieren, nicht nur die eine Quellenangabe), Cost (Aufbau und Betrieb getrennt gerechnet, ein Architekturaufschlag gegenüber einfacher Vektorsuche muss sich an echtem Nutzen rechtfertigen), Latency (am 95. oder 99. Perzentil gemessen, nicht am Mittelwert, weil Nutzer die langsame Ausreißer-Antwort erleben) und Decision Usefulness (Entscheidungsnutzen: Hat die Antwort eine menschliche Entscheidung tatsächlich schneller, konsistenter oder mit weniger Fehleskalationen gemacht, nicht nur schöner geklungen). Im Buch mit der eigenen Regulierungsfähigkeit (s. Glossar Modellbegriffe (Band 2.1)) verknüpft: Ein GraphRAG-System, das nur an der Anmutung der Antwort gemessen wird, bietet weder eine belastbare Beobachtbarkeit noch die dort geforderte Rekonstruierbarkeit. Ausführlich in Band 1.1, Abschnitt 3.2.6.
In allen Bänden
Path Finding
Algorithmenfamilie, die den kürzesten, günstigsten oder wahrscheinlichsten Weg zwischen zwei bestimmten Knoten berechnet, nicht nur ob sie verbunden sind. Dijkstras Algorithmus (1959) findet den kürzesten Weg in einem gewichteten Graphen; A* (Hart, Nilsson & Raphael, 1968) beschleunigt das über eine Zielentfernungs-Heuristik. Praxisrelevanz: Ein Baustein für das Zurückverfolgen von Provenienzketten und für Time-Travel-Abfragen, ausführlich in Band 1.1, Kapitel 2.3.
In allen Bänden
Pflichtspur
Eigene Prägung dieses Buchs für die Spur, die ein System zu jeder regulierungsrelevanten Entscheidung lückenlos führt: abgerufener Kontext, geltende Policy, autorisierende Identität und Definitionsversion, die vier Angaben der Vier-Punkte-Probe (nach Das Sarma, 2026). Sie ist der Prüfmaßstab der Autorin für die Regulierungsfähigkeit (s. Glossar Modellbegriffe) und keine Rechtsauskunft: Artikel 12 der KI-Verordnung schreibt diese vier Punkte nicht vor, und ob mit ihnen die Aufzeichnungspflicht des Artikels erfüllt ist, bleibt eine rechtliche Prüfung. Abgrenzung: Die Pflichtspur dient dem Nachweis und wird nicht gesampelt. Die zusätzliche Telemetrie der Observability (s. dort), etwa Latenzverteilungen, Drift-Werte und Kostenverfolgung je Einzelaufruf, dient der Diagnose und darf mit Stichproben arbeiten. Ausführlich in Band 1.1, Abschnitt 3.2.8.
In allen Bänden
Physische KI und SLM (Small Language Model)
Physische KI bezeichnet KI-Systeme, die nicht nur Text/Bild verarbeiten, sondern über Sensoren und Aktoren mit der realen physischen Welt interagieren (Roboter, autonome Fahrzeuge, Fabrikautomation); hierfür sind KI-Weltmodelle im Sinne der lernenden, vorhersagenden Systeme (s. World Model (KI-Fachbegriff)) zentral. SLMs (Small Language Models) sind demgegenüber bewusst verkleinerte, spezialisierte Sprachmodelle, die lokal (z. B. direkt auf einem Gerät oder Roboter) statt in der Cloud laufen können: schneller, günstiger und ohne durchgängige Internetverbindung nutzbar, aber mit begrenzterem Allgemeinwissen. „Klein“ und „spezialisiert“ bezeichnen dabei zwei unabhängige Eigenschaften, die dieser Begriff oft zusammenzieht: Klein ist eine Kostenfrage (weniger Rechenleistung, geringere Latenz, lokal betreibbar), spezialisiert eine Domänenfrage (schmaleres, aber tieferes Fachwissen in einem Gebiet). Ein Modell kann klein und generalistisch sein oder groß und hochspezialisiert, beide Eigenschaften treten in der Praxis häufig gemeinsam auf, sind aber nicht dasselbe. Praxisrelevanz: Beide Trends (physische KI und SLM) hängen zusammen, weil physische KI oft niedrige Latenz und Offline-Fähigkeit direkt am Einsatzort braucht, wofür sich große, cloudgehostete Modelle schlecht eignen.
In allen Bänden
PIM (Product Information Management)
Das System, in dem ein Unternehmen seine Produktdaten zentral pflegt, Attribute, Varianten, Inhaltsstoffe, Verfügbarkeit, Zertifikate, meist getrennt von Marketing-Anwendungen und lange als reines IT- oder Category-Management-Thema behandelt. Praxisrelevanz: Sobald PIM-Daten graphbasiert und semantisch verknüpft vorliegen, werden sie zum unterschätzten Fundament für Sichtbarkeit in KI-Antworten (s. GEO) und für Agenten, die Fragen zu Verfügbarkeit oder Inhaltsstoffen direkt aus echten Daten statt aus plausibler Vermutung beantworten sollen, ausführlich als „Hidden Champion PIM“ mit zwei unabhängigen Praxisfällen (REWE aus der GEO-Studie, ein anonymisiertes Beispiel aus dem Kosmetikumfeld) in Band 3, Kapitel 5.5.
In allen Bänden
Plan-and-Solve
Prompttechnik, bei der das Modell zuerst einen Plan aus Teilaufgaben erzeugt und diese dann abarbeitet; schließt die Lücken, die reines Schritt-für-Schritt-Denken auslässt (Wang et al., 2023). S. Band 2.2, Kapitel 5.2.
Band 2.2
Plane (Control Plane, Data Plane, Management Plane)
Begriff aus der Netzwerktechnik für eine Ebene, die nach ihrer Aufgabe geschnitten ist. Ein softwaredefiniertes Netz trennt die Control Plane, die entscheidet, wie Datenverkehr behandelt wird, von der Data Plane, die ihn nach diesen Entscheidungen weiterleitet (Feamster, Rexford & Zegura, 2014); die Management Plane überwacht, konfiguriert und wartet die Geräte (Haleplidis u. a., 2015). Dehghani hat das Wort 2020 auf Datenplattformen übertragen und festgehalten, eine Plane sei weder eine Schicht, noch setze sie eine strenge Hierarchie voraus (Dehghani, 2020). Die Übertragung auf den Agentenbetrieb ist eine Analogie und kein Standard: Die Data Plane ist, was ein Agent ausführt (Aufrufe, Buchungen, Nachrichten), die Control Plane, wer entscheidet, was er darf, und wo diese Regeln liegen, die Management Plane, wer die Agenten registriert, konfiguriert, überwacht und abrechnet. Band 1 ergänzt zwei Zeilen von anderem Status: die Evaluation Plane (woran geprüft wird, ob ein Agent richtig gehandelt hat), eine Prägung aus der Agentenpraxis und kein Standard, und die Governance Plane (wer Regeln, Prüfmaßstab und Ausnahmen verantwortet und wer sie ändern darf), ein Vorschlag und eine Empfehlung dieses Bandes. Abgrenzung: Die drei Planes der Tech-Lasagne, des Architekturschichtmodells dieser Reihe (Business Plane für das Entscheiden, Data Engine als Vermittlung dazwischen, Resource Plane für das Ausführen; entfaltet in Band 2.1, Kapitel 3.1), schneiden nach dem Ort, an dem etwas liegt, die Planes des Agentenbetriebs nach der Aufgabe. Beide Schnitte gelten nebeneinander; die Data Plane ist deshalb nicht die Data Engine. Praxisrelevanz: Die Frage an jeden Anbieter lautet, ob Regeln und Freigaben getrennt vom Agenten liegen oder in ihm. Eine eigene Steuerungsebene braucht ein Haus nicht, solange ein Mensch jede Aktion eines Agenten freigibt; nötig wird sie, sobald Agenten ohne Einzelfreigabe handeln oder mehrere Agenten denselben Regeln folgen sollen. S. auch Semantic Control Plane und Ontology Control Plane. Ausführlich in Band 1, Abschnitt 7.3.4.
In allen Bänden
Planungsgraph
Sicht auf den S‑OPDT-Graphen, in der Ist, Ziel, Lücke und Maßnahme einer Transformation als Knoten und Kanten geführt werden. Kein eigenes Modell und keine zweite Datenhaltung; Klassen und Beziehungen stammen aus dem Modellvertrag (Band 2.2, Kapitel 4.1). Bezeichnung dieser Reihe (Band 1.1, Abschnitt 5.5).
Band 1.1
Playbook (KI-Kontext)
Ein festgeschriebener Ablauf mit Schritten, Entscheidungspunkten, Zuständigkeiten und Abbruchbedingungen, auch Manual genannt. Die Form ist älter als jeder Agent, Betriebshandbücher und Notfallpläne folgen ihr; neu ist, dass eine Maschine sie liest und ausführt. Abgrenzung: Das Playbook gibt die Reihenfolge vor, der Skill liefert das Können für einen einzelnen Schritt, und im Loop wird beides ausgeführt und geprüft (s. dort). Praxisrelevanz: Ein Playbook, dessen Begriffe nur in Prosa stehen, wird vom Agenten nach der wahrscheinlichsten Lesart ausgeführt, die nicht die des Hauses sein muss. Eingeführt in Band 1.1, Abschnitt 4.3.7.
In allen Bänden
POLE+O
Ein sehr schlankes Einstiegsraster mit fünf fixen Basis-Entitätstypen. Der Kern, POLE (Person, Object, Location, Event), stammt aus jahrzehntelanger Praxis der britischen Polizei- und Intelligence-Analyse; die Erweiterung um den fünften Typ, Organization, führt Neo4j Labs als Standardraster (Dokumentation „The POLE+O data model“), die Zuspitzung auf ein generisches Wissensgraph-Einstiegsschema hat Konrad Kaliciński beschrieben (Neo4j Developer Blog/Medium, „POLE+O: The 5-Type Ontology That Solves the Hardest Part of Building a Knowledge Graph“, 15.06.2026), der das O in POLE allerdings als Organization und das „+O“ als Object liest; die fünf Typen sind in beiden Lesarten dieselben: Person (jede menschliche Entität), Object (Dinge und Gegenstände, ein Vertrag, ein Produkt, ein Fahrzeug), Location (Orte, physisch oder logisch), Event (Dinge, die passieren) und, als fünfter, ergänzter Typ, Organization (Unternehmen, Behörden, Teams und andere kollektive Akteure, die das klassische POLE-Modell nicht als eigene Kategorie kennt). Mit diesen fünf Typen lässt sich praktisch jede extrahierte Information einordnen, bevor eine einzige domänenspezifische Klasse definiert wurde. Praxisrelevanz: Verkürzt die typische, tagelange Whiteboard-Debatte am Anfang eines Ontologie-Projekts („Was sind eigentlich unsere Entitäten?“, s. die „zehn Fachbereiche, zehn Definitionen von Kunde“-Problematik in Band 1, Abschnitt 5.1) in vielen Fällen deutlich, weil die fünf Basistypen des Ausgangsrasters fix bleiben (die eigene Erweiterung um Description steht daneben) und jede feinere, domänenspezifische Unterklasse darunter angehängt wird, ohne die Basis selbst zu verändern, etwa „Lead“ oder „Vertrag“ als Subtyp von Object.
In allen Bänden
Policy as Code
Praxis, Regeln nicht als Dokument, sondern in einer maschinenlesbaren Sprache zu formulieren und automatisiert durchzusetzen, etwa mit der Policy-Engine Open Policy Agent (OPA) und ihrer Sprache Rego. Verwandte Ausprägungen sind Compliance as Code (NIST OSCAL) für Nachweispflichten und, für KI-Agenten, Policy-as-Prompt (Kholkar & Ahuja, 2025): Governance-Regeln werden direkt in laufzeitfähige Guardrails übersetzt, mit Herkunftsnachweis und einer Eingriffsmöglichkeit nach dem Prinzip Human in the Loop. Im Buch die technische Seite von Everything as Code (s. dort): Eine Regel, die nur beschlossen, aber nicht ausführbar hinterlegt ist, bleibt Absicht statt Betrieb. Ausführlich in Band 2.1, Abschnitt 4.1.5 und Band 4, Kapitel 3.3.
Band 2.1 · Band 2.2 · Band 2.3
Policy Decision Point (PDP)
Begriff aus der Zugriffssteuerung, im OASIS-Standard XACML die Komponente, welche die geltenden Regeln auf eine Anfrage anwendet und eine Autorisierungsentscheidung trifft. Gegenstück zum Policy Enforcement Point (s. dort), der diese Entscheidung erfragt und durchsetzt. Eine Policy Engine (s. dort) wie der Open Policy Agent arbeitet als PDP. Praxisrelevanz: Bei KI-Agenten entscheidet der PDP außerhalb des Sprachmodells und deterministisch, ob eine geplante Aktion ausgeführt wird. Ausführlich in Band 4, Kapitel 3.3 und Band 2.3, Abschnitt 1.3.7.
Band 2 · Band 2.2 · Band 2.3 · Band 4
Policy Enforcement Point (PEP)
Begriff aus der Zugriffssteuerung, im OASIS-Standard XACML die Komponente, die den Zugriff kontrolliert, indem sie beim Policy Decision Point (s. dort) eine Entscheidung anfragt und diese durchsetzt. Bei KI-Agenten ist das typischerweise ein Proxy oder Tool-Gateway, über das der Agent seine Werkzeuge aufruft; der Agent erreicht die Zielressource nie direkt. Praxisrelevanz: Gibt es einen Weg am PEP vorbei, gilt für diesen Weg keine Regel. Ausführlich in Band 4, Kapitel 3.3 und Band 2.3, Abschnitt 1.3.7.
Band 2 · Band 2.2 · Band 2.3 · Band 4
Policy Engine
Eine Software-Komponente, die Regeln als Code durchsetzt, statt sie nur zu dokumentieren, eine Anfrage oder Schema-Änderung wird automatisch geprüft und bei Regelverstoß blockiert. Dieses Buch beschreibt mit Open Policy Agent (OPA) bereits ein konkretes Werkzeug dafür (s. Enforcement). Praxisrelevanz: Eine der etablierten Alternativen zu Blockchain für die Steuerung von Agenten, wenn es um die Durchsetzung von Zugriffs- und Geschäftsregeln geht, nicht um Vertrauen zwischen fremden Parteien. Ausführlich in Band 2.1, Kapitel 1.2, als Blockchain-Alternative in Band 2, Kapitel 2.1 und Band 3.1, Abschnitt 2.8.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Post-Investment Review (Investitionsnachschau)
Die rückblickende Prüfung im Investitionscontrolling, ob eine Investition die im Business Case (s. dort) zugesagten Kosten, Termine und Nutzen tatsächlich eingelöst hat; auch Post-Completion Audit genannt. Sie dient nicht nur der Kontrolle, sondern verbessert die Annahmen künftiger Business Cases. Im Buch Teil der Wirkungsanalyse nach der Umsetzung (s. Band 2, Abschnitt 1.6.1).
Band 2
Post-Quanten-Kryptographie
Verschlüsselungsverfahren, die so konstruiert sind, dass sie auch von zukünftigen, ausreichend leistungsfähigen Quantencomputern nicht in praktikabler Zeit gebrochen werden können, im Unterschied zu heute verbreiteten Verfahren (RSA, elliptische Kurven), deren Sicherheit auf mathematischen Problemen beruht, die ein Quantencomputer mit dem Shor-Algorithmus prinzipiell effizient lösen könnte. Die ersten Standards dafür hat das US-amerikanische NIST im August 2024 veröffentlicht (FIPS 203, 204 und 205). Praxisrelevanz: Relevanz ergibt sich schon heute aus „Harvest now, decrypt later“-Angriffen (verschlüsselte Daten werden bereits jetzt abgegriffen, um sie erst zu entschlüsseln, sobald Quantencomputer verfügbar sind): Wer heute langlebige, sensible Unternehmensontologien aufbaut, sollte Kryptographie-Agilität von Anfang an mitdenken.
Band 4
Prädiktive Analytik
Die Verwendung von Daten, statistischen Algorithmen und maschinellem Lernen, um die Wahrscheinlichkeit zukünftiger Ergebnisse auf der Grundlage historischer Daten zu bestimmen.
Band 1 · Band 1.1
Predictive Maintenance (vorausschauende Wartung)
Durch Sensordaten und Analysemodelle vorhergesagter Wartungsbedarf einer Maschine oder Anlage, bevor ein Ausfall eintritt, im Unterschied zur reaktiven Wartung (Reparatur nach Ausfall) und zur präventiven Wartung (Wartung nach starrem Intervall, unabhängig vom tatsächlichen Zustand). Real und seit Jahrzehnten belegtes Geschäftsmodell: Rolls-Royce bietet Flugzeugtriebwerke seit den 1960er-Jahren im „Power by the Hour“-Modell an, heute als TotalCare-Programm geführt. Nicht das Triebwerk wird verkauft, sondern Triebwerksleistung nach Flugstunde, abgesichert durch Fernüberwachung (Engine Health Management) und vorausschauende Wartungsplanung. Im Buch Ankerbeispiel für den Wandel vom Maschinenverkauf zum Verfügbarkeits-Abo, s. Band 3.1, Abschnitt 4.4.5.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2
Predictive Modelling (prädiktive Modellierung)
Der Oberbegriff für statistische und maschinelle Lernverfahren, die aus historischen Daten Vorhersagen über zukünftiges Verhalten treffen, im Marketingkontext etwa Kündigungswahrscheinlichkeit oder Kaufwahrscheinlichkeit. Praxisrelevanz: Eng verwandt mit, aber nicht identisch zum bereits definierten Propensity Model (s. dort), das eine spezifische Anwendung prädiktiver Modellierung auf Einzelkunden-Handlungswahrscheinlichkeiten ist.
In allen Bänden
Prinzip
Grundlegende Handlungsmaxime, die aus Paradigmen abgeleitet wird und als Leitlinie für Entscheidungen und Verhalten dient. Im S‑OPDT-Modell sind die 4K-Prinzipien (Konsistenz über die Zeit, Kohärenz vertikal über die Ebenen, Kongruenz horizontal zwischen den Dimensionen, Konsequenz in der Durchsetzung, s. Glossar Modellbegriffe) das konkreteste Beispiel für diese Kategorie.
In allen Bänden
Process Mining
Eine Analysetechnik, die aus den digitalen Spuren eines Geschäftsprozesses (Zeitstempel, Systemprotokolle) rekonstruiert, wie ein Prozess tatsächlich abläuft, oft abweichend vom offiziellen Prozesshandbuch. Dient dazu, Engpässe und Umwege sichtbar zu machen, bevor man sie mit KI oder einem Wissensgraphen angeht (Kapitel 1.6).
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Produktivitätsparadoxon
Das Phänomen, dass trotz massiver Investitionen in Informationstechnologie (IT) oft kein entsprechender Anstieg der Produktivität messbar ist (bekannt durch Robert Solows Ausspruch). Das Buch erwähnt dieses Paradoxon im Kontext der Herausforderungen der Digitalisierung und warnt davor, dass die KI-Integration diesen Effekt verschlimmern könnte, wenn sie nicht strategisch und organisatorisch richtig gestaltet wird. Gründe sind u. a. Messprobleme, Verzögerungen und mangelnde Integration.
Band 1
Profil, das (Prägung dieses Buches)
Ein eigener, dritter Begriff neben Rolle (Position im Betriebsmodell) und Funktion (bereichsübergreifende Capability-Domäne), unabhängig von beiden. Gemeint sind Menschen, die vernetzt denken, Muster über Fachgrenzen hinweg erkennen, sich neuen Inhalten angstfrei stellen, Führung aus der Sache statt aus dem Titel übernehmen und mit echtem Interesse an anderen Fachgebieten und gesunder Neugier arbeiten. Ausführlich hergeleitet in Band 4, Abschnitt 2.6.2.
Band 2.1 · Band 2.2 · Band 4
Prompt
Die Eingabeaufforderung oder Anweisung, die einem generativen KI-Modell gegeben wird, um eine bestimmte Ausgabe zu erzeugen.
Band 1 · Band 1.1
Prompt Caching
Eine Technik, bei der wiederkehrende, unveränderte Teile eines Prompts (z. B. lange Systemanweisungen, Referenzdokumente) vom Sprachmodell-Anbieter serverseitig zwischengespeichert werden, sodass sie bei der nächsten Anfrage nicht erneut vollständig verarbeitet werden müssen. Praxisrelevanz: Senkt Kosten und Antwortzeit spürbar bei Agenten, die wiederholt mit demselben großen Kontext (etwa einem geladenen Wissensgraph-Ausschnitt) arbeiten, ein praktischer wirtschaftlicher Hebel, der bei Skalierung von Agentensystemen den Unterschied zwischen bezahlbar und zu teuer machen kann.
In allen Bänden
Prompt Engineering
Die Formulierung und Strukturierung der Eingabe an ein Sprachmodell, damit es eine Aufgabe zuverlässig und in der gewünschten Form löst. Zwischen 2023 und 2026 vom eigenen Berufsbild zur Grundkompetenz geworden: Heutige Modelle verstehen knappe Anweisungen deutlich besser, starre Prompt-Schablonen sind häufig überflüssig, und der Schwerpunkt hat sich vom Wortlaut auf die Struktur verlagert, also darauf, wie ein Modell denkt, in welcher Reihenfolge es arbeitet und in welcher Form es antwortet (Münster, 2026). Bei Agenten, Schnittstellen und Datenpipelines ist der Prompt die unterste von mehreren Schichten, über ihm liegen Context, Harness und Loop Engineering; s. Band 2.2, Kapitel 5.2.
Band 1 · Band 1.1 · Band 2.2
Prompt-Governance
Die organisatorische Kontrolle darüber, wer den System-Prompt eines Agenten, seine grundlegende Verhaltensinstruktion, verändern darf und über welchen Freigabeprozess. Praxisrelevanz: Strukturell dieselbe Schwachstelle wie ein Wissensgraph-Knoten ohne Provenienz und Freigabe (s. Ontorank, Säule Authority), nur dass hier das gesamte Verhalten eines Agenten betroffen ist, nicht ein einzelner Fakt, ausführlich in Band 4, Kapitel 3.3.
In allen Bänden
Prompt Injection
Die zuerst genannte Risikoklasse der OWASP Top 10 for LLM Applications (LLM01): eine Laufzeit-Angriffsklasse, bei der bösartige Anweisungen über eine beliebige vom Modell verarbeitete Eingabe eingeschleust werden, den direkten Nutzer-Prompt ebenso wie, indirekt, Dokumente, Websuchergebnisse, Tool-Ergebnisse oder RAG-Kontext (indirekte Prompt Injection, englisch indirect prompt injection), mit dem Ziel, das Modell zu Handlungen außerhalb seiner beabsichtigten Aufgabe zu bewegen. Gilt Stand Sommer 2026 als strukturell ungelöstes Problem, weil ein Sprachmodell Systemanweisung, Nutzeranfrage und von außen eingespeisten Inhalt als einen einzigen, ununterschiedenen Zeichenstrom verarbeitet, ohne verlässlichen Mechanismus, der Befehl von Information trennt. Daraus folgen zwei getrennte Steuerungsaufgaben: Prompt-Governance (s. dort) regelt, wer den System-Prompt eines Agenten verändern darf, Output-Governance kontrolliert, was aus einem Modell herauskommt, bevor es einen Menschen oder ein nachgelagertes System erreicht. Eindämmungsprinzip statt Filterlösung: die Lethal Trifecta (s. dort), wonach Zugriff auf private Daten, Kontakt mit nicht vertrauenswürdigem Inhalt und die Fähigkeit zu externer Kommunikation möglichst nicht ungeprüft gleichzeitig zusammenkommen sollen. Bauregel für Agenten: Was über Werkzeuge und abgerufene Inhalte hereinkommt, ist Eingabe und kein Auftrag, auch die Beschreibung eines Werkzeugs; fremde Inhalte werden getrennt und gekennzeichnet übergeben, die Rechte knapp gehalten, und Handlungen mit hohem Risiko an eine menschliche Freigabe gebunden (OWASP, 2025; s. Band 1.1, Abschnitt 2.6.3). Ausführlich in Band 4, Kapitel 3.3.
In allen Bänden
Prompt to Code
Die Erzeugung von Programmcode aus einer natürlichsprachlichen Anweisung an ein Sprachmodell. Eine datierbare Einzelprägung ist nicht nachweisbar; die Wendung ist ein Sammelname, der sich mit der Verbreitung der Codeassistenten gebildet hat. GitHub Copilot lief ab dem 29. Juni 2021 als technische Vorschau und war ab dem 21. Juni 2022 allgemein verfügbar; mit den Chatoberflächen ab Ende 2022 wurde aus der Zeilenvervollständigung im Editor das Erzeugen ganzer Dateien und Projekte aus einer Beschreibung. Abgrenzung: Prompt to Code bezeichnet das Verfahren, Vibe Coding (s. dort) die Arbeitsweise, bei der das Ergebnis dieses Verfahrens bewusst ungeprüft übernommen wird. Praxisrelevanz: Die Güte des erzeugten Codes hängt an der Genauigkeit der Beschreibung, und genau dort liegt die Verbindung zu dieser Reihe. Eine Anweisung in natürlicher Sprache trägt dieselben Mehrdeutigkeiten wie jede andere Aussage in einer Organisation, in der „aktiver Kunde“ in zwei Bereichen Verschiedenes heißt. Ein Modell fragt in einem solchen Fall oft nicht nach, es entscheidet sich still für eine Lesart und schreibt sie in den Code. Prompt to Code ersetzt die Bedeutungsarbeit deshalb nicht, es macht ihre Lücken schneller sichtbar und teurer (s. Semantic Drift, Grounding).
In allen Bänden
Proof of Value (Wertnachweis)
Ein zeitlich begrenztes Vorhaben, das nicht die technische Machbarkeit belegen soll wie ein Proof of Concept, sondern den Nutzen für eine benannte Nutzergruppe an einer vorher festgelegten Kennzahl. Für Datenprodukte schlägt das Playbook von Modern Data 101 (2024) dafür sechs Wochen vor, mit dem größten Anteil nach dem Start, wenn die Nutzung messbar wird. Praxisrelevanz: Ein Wertnachweis ist nur so aussagekräftig wie die Kennzahl, an der er gemessen wird; hängt sie an keinem strategischen Ziel, belegt er einen Nutzen, nach dem niemand gefragt hat, ausführlich in Band 1.1, Abschnitt 4.3.6.
Band 1.1 · Band 2 · Band 4
Propensity Model (Propensity-Modell)
Ein per maschinellem Lernen trainiertes Modell, das für einen einzelnen Kunden die Wahrscheinlichkeit schätzt, mit der er eine bestimmte Handlung vornimmt, kauft, kündigt, auf eine Kampagne reagiert, aus seinen bisherigen Merkmalen und seinem Verhalten. Wichtige Abgrenzung: Ein Propensity-Modell sagt nur voraus, was wahrscheinlich zusammen auftritt (Assoziation, Sprosse 1 der in Band 1.1, Kapitel 2.2 beschriebenen Leiter der Kausalität), es belegt nicht, dass eine Marketingmaßnahme diese Handlung tatsächlich verursacht hat, dafür ist Incrementality Testing (s. dort) nötig. Davon zu trennen ist der Propensity Score der Kausalanalyse (Rosenbaum & Rubin, 1983, doi:10.1093/biomet/70.1.41): Er schätzt nicht die Wahrscheinlichkeit eines Kaufs, sondern die Wahrscheinlichkeit, eine Maßnahme zu erhalten, gegeben die beobachteten Merkmale, und dient dazu, vergleichbare Test-und Kontrollgruppen für Wirkungsmessungen wie das Incrementality Testing zu bilden. Praxisrelevanz: Ein komplexeres Lernverfahren macht dieses Matching nicht automatisch besser; Balance der Gruppen, Überlappung der Merkmale und unbeobachtete Störgrößen bleiben zu prüfen. Ausführlich in Band 3.1, Kapitel 3.1.
In allen Bänden
Property Graph
Ein Graph-Datenmodell, in dem sowohl Knoten als auch Kanten eigene, benannte Eigenschaften (Key-Value-Paare) tragen dürfen, zusätzlich zu Typ und Verbindung selbst, etwa eine „kauft“-Kante mit den Eigenschaften Datum, Betrag und Kanal. Abgrenzung zu RDF: RDF modelliert Wissen als reine Subjekt-Prädikat-Objekt-Tripel; Eigenschaften an einer Kante selbst brauchen dort einen Umweg über Event-basierte Reifikation (s. dort), ein Property Graph trägt sie nativ direkt an der Kante. Praxisrelevanz: Property Graphs (Neo4j, TigerGraph, Amazon Neptune u. a.) sind in der Praxis meist die performantere Wahl für schnelle, mehrstufige Traversierung, RDF/OWL die präzisere für formales Schließen (Reasoning); diese Wahl leitet Band 1.1, Kapitel 2.1 unter dem Stichwort „dieselbe Wahrheit, drei Formen“ ausführlich her. Die ausgeschriebene Form lautet Labeled Property Graph (LPG); beide Bezeichnungen meinen dasselbe Datenmodell.
In allen Bänden
PROV-O (PROV Ontology)
Vokabular des World Wide Web Consortium zur Beschreibung von Herkunft (Provenance): welche Entität aus welcher Aktivität hervorging und welcher Akteur dafür verantwortlich war; W3C-Empfehlung seit 30. April 2013. Die Reihe führt PROV-O nicht als Referenzimplementierung, sondern löst Herkunft über Herkunftsattribute an jeder Kante und bitemporale Speicherung (s. Band 1.1, Kapitel 1.3; Band 2, Abschnitte 2.1.5 und 2.6.3). Diese Herkunftsfelder lassen sich Feld für Feld auf PROV-O abbilden: die Aussage als Entity, die Quelle als Ableitung, der Erfasser als Agent, der Kanal als Art der Activity (s. Band 1.1, Abschnitt 1.3.3).
Band 1 · Band 1.1 · Band 2 · Band 2.2 · Band 2.3
Provenienz
Der Herkunftsnachweis eines Wissens- oder Datenbausteins: woher eine Aussage stammt, über welche Aktivitäten sie entstanden ist, wer daran beteiligt war und worauf sie sich stützt. Der W3C-Standard PROV fasst das allgemein über Entitäten, Aktivitäten und beteiligte Akteure; Teile davon lassen sich automatisiert erfassen. Abgrenzung zu Data Lineage (s. dort), als Arbeitsschnitt dieser Reihe: Lineage verfolgt den technischen Weg der Daten durch die Systeme, Provenienz umfasst zusätzlich die Zurechnung, wer eine Aussage verantwortet und seit wann sie gilt. Beide überlappen; die Zurechnung ist der Teil, der sich nicht vollständig maschinell mitschreiben lässt. Praxisrelevanz: Provenienz ist die Bedingung, unter der ein Graph überhaupt als vertrauenswürdig gelten kann, denn sie entscheidet, ob eine Aussage geprüft, vermutet oder übernommen ist. Ohne sie lässt sich weder ein Widerspruch auflösen noch eine Aussage zurückziehen, wenn ihre Quelle entfällt. Ausführlich in Band 1.1, Kapitel 1.3, am Praxisfall im Kompendium der Fallstudien, Kapitel 6.4.
In allen Bänden
Provenienzpflicht
Sammelbezeichnung dieses Buchs (kein Rechtsbegriff des AI Act) für eine fachliche Praxis, die die Regulatorik an mehreren Stellen nahelegt, ohne sie flächendeckend für jede einzelne Aussage vorzuschreiben: Für Hochrisiko-KI-Systeme verlangt Artikel 12 AI Act automatische Protokollierung zur Rückverfolgbarkeit, und Artikel 13 verlangt einen hinreichend transparenten Betrieb und Betriebsanleitungen für die Betreiber, beides bezogen auf das System und seinen Betrieb, nicht auf jede von einem Wissensgraphen ausgelieferte Einzelaussage. Provenienz, wann eine Aussage erfasst wurde und worauf sie sich stützt, ist damit eine Fähigkeit, die den Nachweis nach Artikel 12 und 13 erleichtert und für gute fachliche Praxis ohnehin sinnvoll ist: die Pflichtausprägung dessen, was im Glossar bereits als Provenienz (s. dort) definiert ist. Praxisrelevanz: Ein Wissensgraph mit sauberer Provenienz-Modellierung liefert dafür einen Baustein, welche Pflicht daraus konkret folgt, hängt von Rolle (Anbieter oder Betreiber), Systemklasse und dem jeweiligen Artikel ab und ist im Einzelfall zu prüfen, nicht schon durch die Architektur erfüllt.
In allen Bänden
Prozessautomatisierung
Einsatz von Technologien zur Automatisierung von Geschäftsprozessen, um Effizienz zu steigern und menschliche Fehler zu reduzieren. Im S‑OPDT-Modell zählt sie zu den operativen Lösungen der Prozess-Dimension und wird laut Buch erst durch explizite, maschinenlesbare Prozesslogik (s. Integriertes Use Case Management, Glossar Modellbegriffe) wirklich intelligent statt nur regelbasiert.
Band 1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Psychologische Sicherheit
Nach Amy Edmondson (1999) die geteilte Überzeugung der Mitglieder eines Teams, dass das Team sicher genug ist, um zwischenmenschliche Risiken einzugehen, also Fragen zu stellen, Fehler zuzugeben oder zu widersprechen, ohne Beschämung oder Zurückweisung befürchten zu müssen. Eine Eigenschaft des Teams als System, nicht der einzelnen Beziehung (Unterschied zu Vertrauen). Timothy Clarks Vierstufenmodell (2020) ordnet den Aufbau in Inclusion Safety, Learner Safety, Contributor Safety und Challenger Safety, jede Stufe Voraussetzung der nächsten. Robust und wiederholt bestätigt, aber mit offener Wirkrichtung: Eine systematische Auswertung von 89 Studien (Capezio u. a., CIPD/CEBMa 2023) fand nur 8 Studien mit belastbarem Studiendesign und keine einzige Interventionsstudie, die einen ursächlichen Effekt gezielter Maßnahmen misst. Im Buch die Forschungsrichtung, die die Beobachtungen zu Grenzverteidigungskosten und Kommunikationsarchitektur unterlegt, samt eigener Gegenprobe. Ausführlich in Band 4, Abschnitt 6.3.13.
Band 2.1 · Band 4
Psychologischer Vertrag
Die ungeschriebenen, gegenseitigen Erwartungen zwischen Mitarbeitenden und Organisation, an Loyalität, Sicherheit, Aufstiegschancen und Wertschätzung, neben dem juristischen Arbeitsvertrag (Rousseau, 1989/1995). Restrukturierung oder radikale Digitalisierung kündigt diesen Vertrag häufig einseitig auf, selbst wenn kein Arbeitsplatz verloren geht und das Gehalt unverändert bleibt, weil ein anderer Teil der Erwartung bricht: die Statuskontrolle, also Sicherheit, Aufstiegsperspektive und Stabilität der eigenen Rolle. Ausführlich hergeleitet in Band 4, Kapitel 4.12.
Band 4
Purpose
Der übergeordnete Sinn und Zweck eines Unternehmens, der über finanzielle Ziele hinausgeht und die Motivation und das Engagement der Mitarbeiter stärkt. Das Konzept wurde vor allem durch Simon Sinek populär gemacht, insbesondere durch sein Buch „Start with Why“ und seinen bekannten TED-Talk. Im S‑OPDT-Modell ist Purpose einer der Normativen Strategieaspekte (s. Glossar Modellbegriffe), also Teil des normativen Strategieraums, und gehört als Dauermerkmal zu Ebene 0, dem Rahmen der Strategy of Record (s. dort; Band 2, Abschnitt 1.1.7).
In allen Bänden
R
R2RML (RDB to RDF Mapping Language)
Seit 2012 eine Empfehlung des W3C, die festlegt, wie Tabellen, Spalten und Schlüssel einer relationalen Datenbank in Knoten und Kanten eines RDF-Graphen übersetzt werden (Das, Sundara & Cyganiak, 2012). Praxisrelevanz: Der größte Teil der Unternehmensdaten liegt in relationalen Systemen; R2RML ist der genormte Weg, sie an eine Ontologie anzubinden, ohne die Quellsysteme umzubauen, s. Stufe 6 in Band 2.2, Kapitel 4.4.
Band 2.2
RACI (Responsible, Accountable, Consulted, Informed)
Eine Matrix-Methode zur eindeutigen Klärung von Verantwortlichkeiten in einem Prozess oder Projekt: Responsible (führt aus), Accountable (trägt die Letztverantwortung, genau eine Person/Rolle pro Aufgabe), Consulted (wird vorab einbezogen), Informed (wird nachträglich informiert). Praxisrelevanz: RACI ist die verbreitete Standardmethode, an der sich S‑OPDTs eigene, im Wissensgraph hinterlegte Verantwortungskante „istVerantwortlichFuer“ (Glossar Modellbegriffe, Band 2.1) explizit orientiert. Der entscheidende Unterschied ist, dass RACI klassischerweise als statische Tabelle geführt wird, während S‑OPDT dieselbe Information als abfragbare, versionierte Graphkante modelliert.
In allen Bänden
RAG-Architektur (Retrieval-Augmented Generation)
Der technische Aufbau, mit dem ein Sprachmodell vor der Antwortgenerierung gezielt externe Informationen abruft (Retrieval) und diese in seine Antwort einbaut (Generation), statt sich allein auf antrainiertes Wissen zu stützen, was das Risiko von Halluzinationen senkt. Praxisrelevanz: GraphRAG (s. dort) ist eine Spezialform dieser Architektur, bei der der Abruf über einen Wissensgraphen statt über reine Vektor-Ähnlichkeit erfolgt. „RAG“ ist der Oberbegriff, „GraphRAG“ eine von mehreren Ausprägungen.
In allen Bänden
RAPTOR (Recursive Abstractive Processing for Tree-Organized Retrieval)
Verfahren der Stanford University (Sarthi, Abdullah, Tuli, Khanna, Goldie & Manning, 2024, ICLR 2024), das ohne Entitätengraphen arbeitet: Die Textstücke selbst werden eingebettet, geclustert und zusammengefasst, und dieses Dreierschema läuft rekursiv von unten nach oben, bis ein Baum mit mehreren Abstraktionsebenen entstanden ist, aus dem zur Laufzeit auf der jeweils passenden Ebene abgerufen wird. Die Autoren berichten auf dem QuALITY-Benchmark in Verbindung mit GPT-4 eine um 20 Prozentpunkte höhere Genauigkeit gegenüber dem damals besten Ergebnis. Praxisrelevanz: Unter den vier Bauweisen von GraphRAG (s. GraphRAG, die vier Bauweisen) der flexibelste beim Wechsel zwischen Detail- und Überblicksfrage, aber der einzige ohne benannte Kanten und damit ohne den exakten relationalen Pfad, auf den sich eine Begründung stützen ließe. Für eine Antwort, die später jemand verantworten muss, ist das die entscheidende Einschränkung (s. Path Faithfulness).
Band 1.1
RDF (Resource Description Framework)
Das vom W3C standardisierte Basis-Datenmodell des Semantic Web, das Wissen ausschließlich als Tripel speichert, Subjekt, Prädikat, Objekt, z. B. „Kunde-A kauft Produkt-B“. RDF 1.1 legt dabei durchaus fest, was formal als Subjekt, Prädikat oder Objekt zulässig ist, ein Subjekt ist eine IRI oder ein Blank Node, ein Prädikat ist immer eine IRI, ein Objekt ist eine IRI, ein Blank Node oder ein Literal, und besitzt mit RDF Semantics eine eigene, standardisierte modelltheoretische Bedeutungsebene. Was RDF nicht mitliefert, ist eine fachliche Ontologie: Es sagt nichts darüber, welche IRIs in einem konkreten Unternehmen einen gültigen Kunden oder ein gültiges Produkt bezeichnen sollen, diese Festlegung bleibt Aufgabe der eigenen Modellierung. Praxisrelevanz: Die native Speicherform für Triple Stores (s. dort): Jede Aussage in einer RDF-basierten Ontologie lässt sich auf diese eine, immer gleiche Grundform zurückführen, weshalb RDF-Daten sich über Quellen- und Systemgrenzen hinweg vergleichsweise leicht zusammenführen lassen.
In allen Bänden
RDFS (RDF Schema)
Eine schlanke Erweiterung von RDF um ein Mindestvokabular zur Beschreibung von Klassen und Hierarchien, rdfs:Class, rdfs:subClassOf (Unterklassenbeziehung), rdfs:subPropertyOf, sowie rdfs:domain/rdfs:range (welche Art von Subjekt bzw. Objekt zu einem Prädikat passt). RDFS erlaubt es, aus „Golden Retriever ist eine Unterklasse von Hund“ und „Rex ist ein Golden Retriever“ automatisch abzuleiten, dass Rex auch ein Hund ist, reine Vererbung entlang der Klassenhierarchie. Praxisrelevanz: RDFS ist bewusst schwach ausdrucksstark, es kennt weder Kardinalitäten („ein Kunde hat genau eine E-Mail-Adresse“) noch Disjunktheit („eine Katze ist niemals ein Hund“), deshalb lassen sich in reinem RDFS kaum logische Widersprüche formulieren. Folgerungen zieht es trotzdem: Über rdfs:domain und rdfs:range leitet es Typen ab, statt einen Fehler zu melden, und Datentypen haben ihre eigene Semantik. Die Lücke bei Kardinalität und Disjunktheit schließt OWL (s. dort).
In allen Bänden
Reasoner (automatisiertes Schlussfolgern)
Die Software, die aus den expliziten Axiomen einer OWL-Ontologie tatsächlich die impliziten, nicht explizit gespeicherten logischen Konsequenzen berechnet, Klassifikation (die vollständige Klassenhierarchie aus verstreuten Einzelaussagen rekonstruieren), Konsistenzprüfung (widersprüchliche Aussagen aufdecken, bevor sie in eine Anwendung gelangen) und Instanz-Zuordnung (aus den Eigenschaften eines konkreten Datensatzes ableiten, zu welchen Klassen er gehört, auch wenn das nirgends explizit so eingetragen wurde). Etablierte Description-Logic-Reasoner sind HermiT (Hypertableau-Kalkül, University of Oxford, seit 2014 als „HermiT: An OWL 2 Reasoner“ im Journal of Automated Reasoning dokumentiert), Pellet (der erste vollständige OWL-DL-Reasoner mit Unterstützung für konkrete Individuen und konjunktive Anfragen, Clark & Parsia) und FaCT++ (tableau-basiert, University of Manchester, Nachfolger des älteren FaCT-Reasoners). Unabhängige Vergleichsstudien zeigen dabei keinen einheitlichen Sieger: modernere Reasoner wie Konclude und HermiT liegen bei Klassifikationsaufgaben auf großen Ontologien meist vorn, FaCT++ behauptet sich trotz mehr Ausfällen bei sehr kleinen Ontologien. Praxisrelevanz: Der Reasoner ist genau die „Recheninstanz“, die der Reasoning Layer dieses Buches meint. Ohne ihn bleibt eine noch so sauber modellierte Ontologie eine passive Faktensammlung, mit ihm wird sie zu einer Wissensbasis, die selbstständig Schlüsse zieht, die unter ihren Axiomen logisch folgen, und Widersprüche aktiv meldet, statt sie stillschweigend weiterzureichen. Ob diese Schlüsse in der Sache stimmen, hängt an Axiomen und Ausgangsdaten: Ein formal korrekter Schluss aus falschen Prämissen bleibt falsch.
In allen Bänden
Reasoning Layer
Die Recheninstanz, die neben den drei Layers of Meaning Context Graph, Graph Memory und Ontologies for AI (s. Layers of Meaning in Band 4, Kapitel 3.2) arbeitet und aus den Fakten und Regeln einer Ontologie tatsächlich die logischen Konsequenzen zieht, statt sie nur bereitzustellen. Grundthese: LLMs halluzinieren, weil sie ein Modell von Text, nicht ein Modell der Welt besitzen: Sie sagen vorher, was plausibel klingt, ohne Ground Truth zum Abgleich. Ein Context Graph oder Wissensgraph allein löst das nicht. Ein Reasoner kann als zusätzliche Prüfinstanz die logischen Folgen der Axiome berechnen, wo eine Frage sie braucht; für eine reine Quellenabfrage muss nicht jede Folge vollständig materialisiert sein. Die Grenze bleibt: Er zeigt, was aus den Prämissen folgt, nicht, dass die Prämissen stimmen, und eine nachgelagerte Textgenerierung kann vom berechneten Ergebnis weiterhin abweichen. Metapher: ein Taschenrechner, der aus den Ontologie-Regeln tatsächlich rechnet, statt wie ein belesener Mensch nur plausibel über Mathematik zu sprechen. Ein am Markt tätiges Beispiel ist das französische Unternehmen ReasoningLayer (Kortexya), das nach eigenen, auf öffentlichen Benchmarks (OWL2Bench, LUBM, WatDiv, DDXPlus) gestützten Angaben SUMO-Alltagswissen, OWL-Domänenregeln und n-äre (nicht nur Tripel-)Fakten auf einer Engine mit vollständigem OWL-2-RL-Reasoning vereint (Herstellerangabe, nicht unabhängig durch dieses Buch nachgeprüft). Praxisrelevanz, in der Formulierung des Anbieters: „Ein Context Graph hilft AI, die richtigen Fakten zu finden. Ein Reasoning Layer ist das, was ihr erlaubt, recht zu haben, und es zu beweisen.“ Beweisen lässt sich damit die logische Ableitung aus den hinterlegten Regeln, nicht die sachliche Richtigkeit dieser Regeln. Ausführlich in Band 1.1, Kapitel 2.2. Nicht zu verwechseln mit Reasoning-Modellen (s. dort): Ein Reasoning Layer zieht Konsequenzen aus Axiomen und ist eine Logikinstanz außerhalb des Modells; ein Reasoning-Modell ist ein Sprachmodell mit verlängertem Zwischenschritt. Das gemeinsame Wort meint zwei verschiedene Dinge.
In allen Bänden
Reasoning-Modelle (Thinking Models)
Eine seit 2024 verbreitete Modellklasse (OpenAI o1, danach u. a. Modelle mit Extended Thinking, DeepSeek-R1), die vor der eigentlichen Antwort einen längeren, oft einklappbaren Zwischenschritt einlegt, in mehreren Schritten „denken“, statt sofort das erste plausible Token auszugeben. Seit 2025 sind viele Frontier-Modelle Hybridmodelle, bei denen sich die Denkphase zuschalten oder in ihrer Tiefe einstellen lässt; aus der Wahl zwischen zwei Modellklassen wird damit oft eine Einstellung je Anfrage. Praxisrelevanz: Verbessert in veröffentlichten Benchmarks die Ergebnisse bei mehrstufigen logischen, mathematischen oder Planungsaufgaben, kostet aber deutlich mehr Rechenzeit und Tokens pro Antwort, weshalb Modellwahl und Denktiefe eine bewusste Abwägung sind (s. Model Routing (LLM Router)). Nicht zu verwechseln mit dem Reasoning Layer (s. dort): Dort zieht eine Logikinstanz die Konsequenzen einer Ontologie, hier denkt ein Sprachmodell länger nach. Ein Reasoning-Modell ersetzt keinen Reasoning Layer.
In allen Bänden
Reasoning (Schlussfolgern)
Prozess des logischen Denkens, bei dem aus vorhandenen Informationen neue Erkenntnisse abgeleitet werden. Im Buch ist Reasoning keine eigene Schicht der drei „Layers of Meaning“, sondern die Recheninstanz darunter, die aus Ontologie und Graph die logischen Konsequenzen zieht; Ontorank entscheidet dabei, welchem Knoten vertraut werden darf (s. Ontorank, Context Graph). Zum Verhältnis zu Inferenz (s. dort): Das Buch führt Inferenz als die Grundfähigkeit, die Reasoning erst nutzbar macht.
In allen Bänden
Red Teaming
Prüfverfahren, bei dem ein System oder ein Ablauf vor dem Betrieb gezielt mit Angriffen und Fehlern konfrontiert wird, damit Schwachstellen sichtbar werden, bevor sie im Ernstfall auftreten. Praxisrelevanz: Bei KI-Systemen prüft Red Teaming neben dem Modell auch die Kette vom Vorfall bis zur Wiederfreigabe, einschließlich des Stopprechts (Band 2.3, Kapitel 4.5).
Band 2.3
Regression
Eine Aufgabe des überwachten Lernens, bei der kontinuierliche Werte vorhergesagt werden (z. B. Vorhersage von Hauspreisen).
Band 1 · Band 1.1
Reifikation
Im Umlauf sind zwei Verwendungen, und beide sind in diesem Buch relevant. (1) In der Graphtechnik bezeichnet Reifikation den Vorgang, eine Beziehung, die man sonst nur als Kante zwischen zwei Knoten zeichnet, selbst zu einem Knoten mit eigenen Eigenschaften zu machen (ausführlich in Band 1.1, Kapitel 1.3, Abschnitt Reifikation, Bitemporalität und temporale Extensions). Erst dadurch lässt sich über eine Aussage etwas aussagen, etwa wer sie wann auf welcher Grundlage getroffen hat. (2) In Philosophie und Soziologie bezeichnet Reifikation, deutsch Verdinglichung, das Gegenteil eines Verfahrens, nämlich einen Denkfehler: ein gesellschaftliches Verhältnis oder ein gedankliches Konstrukt so zu behandeln, als wäre es ein Ding mit eigenen, natürlichen Eigenschaften. Geprägt hat diese Fassung Georg Lukács in Geschichte und Klassenbewusstsein (1923), im Anschluss an Marx’ Analyse des Warenfetischismus. In diesem Buch gemeint ist (1), die Modellierungsentscheidung. Sie ist eine gängige technische Grundlage für Strategy Lineage (s. Glossar Modellbegriffe): Herkunft, Annahme, Entscheidung und Zeitpunkt sind Eigenschaften einer Beziehung, nicht eines Knotens. Solange dazu nicht mehr gehört als das, lassen sie sich auch direkt als Kanteneigenschaften führen; wann die Beziehung einen eigenen Knoten braucht, sagt die Faustregel unten. Nicht gemeint ist (2). Der Einwand, den diese zweite Bedeutung benennt, gilt allerdings auch für ein Bedeutungsmodell und wird deshalb ernst genommen: Wer eine Landkarte für die Landschaft hält, verdinglicht sein eigenes Modell. Die Gegenmaßnahme steht in Band 2.1, Kapitel 3.2 und heißt Bitemporalität: Ein Modell, das mitführt, wann eine Aussage galt und wann sie eingetragen wurde, behauptet keine Naturtatsache, sondern einen datierten Stand. Faustregel für die Anwendung: Reifiziert wird, wenn die Beziehung selbst befragt, datiert, bestritten oder von außen angesprochen werden muss. Sonst genügt eine Eigenschaft an der Kante. In einem Graphen, in dem alles reifiziert ist, ist keine Beziehung mehr auf einen Blick zu sehen.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Reinforcement Learning (Verstärkendes Lernen)
Eine Methode des maschinellen Lernens, bei der die KI durch Versuch und Irrtum lernt, indem sie Belohnungen für richtige Aktionen erhält.
Band 1 · Band 1.1
Resource Reallocation (Ressourcenumschichtung)
Die ausdrückliche Umschichtung von Budget und Personal zwischen Vorhaben, Einheiten oder Funktionsbereichen dorthin, wo die Strategie sie verlangt, statt die Verteilung des Vorjahrs fortzuschreiben. Von der Ressourcenallokation (Resource Allocation) als laufender Verteilung unterscheidet sie sich dadurch, dass sie bestehende Zuweisungen bewusst verändert. Im Buch fällt eine solche Umschichtung per Beschluss und mit Blick auf alle drei Horizonte (s. Band 2, Abschnitte 1.3.3 und 2.1.1).
Band 2 · Band 2.2
Restrict-Ignore-Embrace-Trilemma
Ein Führungstrilemma im Umgang mit unautorisiert genutzten KI-Werkzeugen/Schatten-IT (s. Business-Led IT): Eine Organisation kann Nutzung strikt verbieten (Restrict: riskiert, dass Mitarbeitende die Tools trotzdem heimlich nutzen und Vertrauen verlieren), ignorieren (Ignore: riskiert unkontrollierte Datenabflüsse und Compliance-Verstöße) oder aktiv einbinden (Embrace: untersuchen, warum ein Tool genutzt wird, und es sicher offiziell integrieren). Der Name ist eine Prägung dieser Reihe für ein Dilemma, das die Literatur zur Schatten-IT beschreibt, ohne es unter einem gemeinsamen Dach zu führen. Praxisrelevanz: Keine der drei Optionen ist automatisch richtig oder in jeder Situation gleich geeignet; das Dreieck macht sichtbar, dass reine Verbotspolitik bei KI-Werkzeugen selten trägt, wenn sie nicht mit einem echten Embrace-Angebot verbunden wird.
In allen Bänden
Retrieval-Maße (Recall@k, Precision@k, MRR, nDCG)
Die vier gebräuchlichen Kennzahlen für die Güte einer Trefferliste, gemessen an einem Testsatz, für den die richtigen Fundstellen vorab festgelegt sind (Gold-Belege). Recall@k gibt den Anteil der Gold-Belege an, der unter den ersten k Treffern auftaucht, Precision@k den Anteil brauchbarer Treffer unter diesen k. MRR (Mean Reciprocal Rank) misst, wie weit oben der erste brauchbare Treffer steht, nDCG (normalized Discounted Cumulative Gain), wie gut die gesamte Rangfolge geordnet ist, mit abnehmendem Gewicht für weiter hinten liegende Treffer. Abgrenzung: Alle vier bewerten das Retrieval und keine die Antwort; Korrektheit, Belegtreue und angemessene Enthaltung (s. Abstention) sind eigene Größen. Praxisrelevanz: Eine Rangfolgezahl allein entscheidet keine Architektur, weil Trefferrelevanz und Antworttreue auseinanderlaufen (s. Query Performance Prediction (QPP)); deshalb werden Retrieval, Antwort und Betrieb getrennt gemessen. Ausführlich in Band 2.2, Kapitel 5.4.
In allen Bänden
Retrieval-Strategie
Die konkrete Methode, mit der eine RAG-Architektur entscheidet, welche externen Informationen zu einer Anfrage abgerufen werden, etwa reine Vektor-Ähnlichkeitssuche, hybride Verfahren (Vektor plus Schlüsselwortsuche) oder graphbasierte Mehrschritt-Traversierung (s. GraphRAG, Multihop). Praxisrelevanz: Die Wahl der Retrieval-Strategie entscheidet maßgeblich über Genauigkeit und Nachvollziehbarkeit der späteren Antwort: Eine schlechte Strategie liefert dem Sprachmodell irrelevanten Kontext, egal wie gut das Modell selbst ist.
In allen Bänden
Reverse ETL
Der umgekehrte Weg des klassischen ETL (Extract-Transform-Load): Statt operative Daten in ein zentrales Analysesystem zu laden, werden bereits zentral gehaltene, angereicherte Daten oder Assets aktiv zurück in die operativen Anwendungen gespielt, in denen Marketing, Vertrieb und Service tatsächlich arbeiten. Praxisrelevanz: Reverse ETL ist der technische Mechanismus, mit dem Zero-Copy Activation (s. dort) in der Praxis umgesetzt wird. Ausführlich in Band 3, Kapitel 7.1.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2
Reverse RFP (rRFP, Reverse Request for Proposal)
Ein im Buch als Gedankenexperiment behandelter, nicht am Markt belegter Mechanismus: Statt dass eine Marke ein Angebot schafft und dafür Nachfrage sucht, veröffentlichte der Agent eines Nachfragers Parameter, etwa eine gesuchte Lösung, eine Bedingung, eine ethische Prämisse und einen Maximalpreis, gegen die Anbieter-Agenten automatisiert bieten würden. Wichtige Einordnung: Weder ein Standard noch eine Marktbeobachtung belegt die Existenz eines solchen Mechanismus, Stand September 2026; der Begriff dient hier ausschließlich als Illustration einer möglichen Prozessverschiebung. Praxisrelevanz: Ein möglicher Baustein dessen, was dieses Buch als Continuous Resonance Loop skizziert (s. dort, Buchstabe C). Ausführlich in Band 3, Abschnitt 1.7.8.
In allen Bänden
Risikoappetit (Risk Appetite Statement)
Der beschlossene Rahmen, wie viel Risiko ein Unternehmen zur Erreichung seiner Ziele eingehen will, oft als ausdrückliche Erklärung zum Risikoappetit festgehalten (COSO, 2017). Im Buch ein Beschluss wie jeder andere und deshalb Teil der ökonomischen Leitplanken in der Strategy of Record (s. dort), keine Gegebenheit (s. Control Item, falls im Auszug enthalten, sonst Glossar der Reihe; Band 2, Abschnitte 1.1.2 und 1.1.4).
Band 2 · Band 2.1 · Band 2.3
Robotik
Wissenschaft und Technik von Robotern, die oft KI nutzen, um mit ihrer Umgebung zu interagieren und Aufgaben autonom auszuführen.
Band 1 · Band 1.1
Rolling Forecast (rollierende Vorschau)
Eine Planung, die in festen Abständen, meist monatlich oder quartalsweise, über einen gleich langen Zeitraum nach vorn fortgeschrieben wird, statt am Ende des Geschäftsjahres abzubrechen. Sie ist ein Kerninstrument des Beyond-Budgeting-Ansatzes (Hope & Fraser, 2003). Im Buch ersetzt sie den langen Takt der Strategy of Record nicht: Das Budget darf rollieren, der Rahmen ändert sich nur per Beschluss (s. Band 2, Abschnitt 1.1.7).
Band 2 · Band 2.1 · Band 2.2
Ruflo
siehe Claude Flow (Ruflo) unter Buchstabe C für die vollständige Definition, den heutigen Namen der 2025 von Reuven Cohen veröffentlichten Multi-Agenten-Orchestrierungsschicht über Claude Code.
In allen Bänden
S
SABSA (Sherwood Applied Business Security Architecture)
Business-getriebenes Framework der Sicherheitsarchitektur (Sherwood, Clark, Lynas). Spannt sechs Schichten (kontextuell bis Komponenten, quer dazu Service-Management) gegen sechs Fragen (Was, Warum, Wie, Wer, Wo, Wann); jede Zelle der Matrix ist ein Punkt, den die Architektur beantworten muss. In diesem Buch als Beispiel dafür, dass ganze Frameworks als Teilgraph eines Company Brain abbildbar sind (s. Band 2.1, Kapitel 4.12).
Band 2.1 · Band 2.2
Safe & Responsible AI
Eine der zwölf Domänen aus James Kavanaghs „AI Governance Mega Map“ (s. dort): Sicherstellung menschlicher Aufsicht, Sicherheit, Robustheit, Erklärbarkeit und Fairness eines KI-Systems. Im Buch als eigene Zeile der Domänenübersicht geführt, ohne eigene Vertiefung über die Frage der Domänenspalte hinaus, ausführlicher behandelt das Buch stattdessen das damit teilweise überlappende, im eigenen Modell vertiefte Agent Governance (s. dort). Ausführlich in Band 4, Kapitel 3.3.
Band 4
Schatten-KI (Shadow AI)
KI-Werkzeuge, die Mitarbeitende ohne Freigabe der IT oder Governance einsetzen, etwa ein öffentlicher Chat-Dienst, bei dem sich jemand mit der Firmenadresse anmeldet und dort Unternehmensdaten verarbeitet. Gebildet nach dem älteren Begriff Schatten-IT. Praxisrelevanz: Schatten-KI ist selten Regelbruch aus Gleichgültigkeit, sondern meist eine Wette auf Geschwindigkeit, wenn die offizielle Freigabe länger dauert als die Aufgabe; ein Verbot allein beseitigt sie deshalb nicht. Ausführlich in Band 2.1, Abschnitt 4.14.8, Band 4, Abschnitt 4.2.1 und, als Befund über die Governance, in Band 2.3, Abschnitt 1.2.7.
Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Schwache KI (Weak AI / Narrow AI)
KI-Systeme, die auf spezifische, eng definierte Aufgaben spezialisiert sind, wie z. B. Schach spielen oder Bilder erkennen.
Band 1 · Band 1.1
ScienceGRAPH
Das größere, ERC-geförderte Forschungsprogramm des Teams um Sören Auer (TIB Hannover / Leibniz Universität Hannover), das auch den Open Research Knowledge Graph (ORKG) (s. dort) betreibt, zur wissensgraphenbasierten Repräsentation, Anreicherung und Erschließung wissenschaftlicher Kommunikation, zeigt, dass hinter dem ORKG keine abgeschlossene Einzelinitiative, sondern eine wachsende Forschungsrichtung steht, ausführlich in Band 1.1, Kapitel 1.5.
Band 1.1
Self-CHOP
Ein Kürzel aus der akademischen Forschung zum autonomen Rechnen (Autonomic Computing), geprägt von den IBM-Forschern Jeffrey O. Kephart und David Chess (Kephart & Chess, 2003), nach den Anfangsbuchstaben von vier Eigenschaften selbstverwaltender Systeme: Self-Configuring, Self-Healing, Self-Optimizing, Self-Protecting. Anders als Self-Sourcing oder Self-Healing (s. dort), die als Marktbegriffe ohne akademische Normierung kursieren, stammt Self-CHOP aus einer 2003 veröffentlichten, seither mehrere tausend Mal zitierten Arbeit. Praxisrelevanz: Dieses Buch ordnet die bereits beschriebenen Bausteine der Pflegearchitektur für Ontologie und Wissensgraph dieser etablierten Taxonomie zu, statt eigene Namen zu prägen: Self-Sourcing entspricht Self-Configuring, Self-Healing trägt in beiden Literaturen denselben Namen, die laufende Aktualitätsprüfung ist Self-Optimizing, die vorgelagerte Prüfung einer Handlung vor der Ausführung ist Self-Protecting. Ausführlich mit Tabelle in Band 2.1, Abschnitt 1.2.11.
In allen Bänden
Self-Configuring
Eine der vier Self-CHOP-Eigenschaften (s. dort, Kephart & Chess, 2003): Ein System konfiguriert und integriert neue Komponenten automatisch, nach hochstufigen Vorgaben, ohne dass eine Administratorin oder ein Administrator jede Änderung von Hand einrichtet. Für Ontologie und Wissensgraph deckungsgleich mit dem Marktbegriff Self-Sourcing (s. dort). Ausführlich in Band 2.1, Abschnitt 1.2.11.
Band 2 · Band 2.1 · Band 2.2 · Band 4
Self-Grounding
Sammelbegriff dieses Buchs (in der Fachliteratur kein etablierter Terminus) für ein Prinzip, das die Forschung unter mehreren benachbarten Namen führt, aber nicht unter einem gemeinsamen Dach: Grounding und Retrieval-Augmented Generation (RAG, s. dort) für die Verankerung an externen Quellen, Internal beziehungsweise Parametric Knowledge Grounding für die Verankerung im bereits trainierten Modellwissen, Self-Correction und Self-Critique, etwa Constitutional AI, für die nachträgliche Prüfung eigener Ausgaben, und im engsten, für dieses Buch entscheidenden Sinn Output-Governance (s. dort) für die organisatorische Kontrollschicht, die genau das in der Praxis bereits leistet, ohne dass ein Anbieter dafür einen einheitlichen Namen verwendet. Gemeint ist hier konkret: die Selbstverpflichtung eines Systems, eine Aussage, bevor sie überhaupt als Antwort ausgegeben wird, gegen die Ontologie und den Graphen zu prüfen und zu verankern, statt sie ungeprüft zu formulieren. Der Unterschied zu Self-Healing (s. dort) liegt im Zeitpunkt: Self-Healing korrigiert einen bereits im Graphen erkannten Fehler nachträglich, Self-Grounding verhindert, dass eine ungeprüfte Aussage den Graphen in Richtung Nutzerin oder Nutzer überhaupt erst verlässt, vorgelagert statt nachgelagert, in der Self-CHOP-Taxonomie (s. dort) die Entsprechung zu Self-Protecting. Praxisrelevanz: Ein System kann einen sauber gepflegten, self-healing-fähigen Graphen besitzen und trotzdem im Moment der Antwortformulierung von dieser Grundlage abweichen, weil ein Sprachmodell auch mit bestem Kontext die Freiheit behält, sich in der Formulierung davon zu entfernen; genau diese Lücke schließt Output-Governance in der Praxis bereits, unter diesem Namen bislang nicht (s. Band 4, Abschnitt 3.3.6). Ausführlich eingeordnet in Band 2.1, Abschnitt 1.2.10.
In allen Bänden
Self-Healing (Wissensgraph)
In der Praxis kursierende, nicht akademisch normierte Bezeichnung dafür, dass ein System strukturelle, logische oder zeitliche Widersprüche in einem Wissensgraphen selbstständig erkennt und korrigiert, ohne dass eine Administratorin oder ein Administrator manuell eingreifen muss, üblicherweise durch Invalidieren statt Löschen der betroffenen Kante. Trägt denselben Namen wie die Self-CHOP-Eigenschaft (s. dort, Kephart & Chess, 2003), weil beide dieselbe Grundidee in unabhängig entstandenen Literaturen meinen. Mindestens zwei Formen sind mit benannten Systemen belegbar, logisch-axiombasierte Korrektur (s. Loconte, Hospedales & Cornelio, 2026) und temporal-ereignisgesteuerte Korrektur (s. Graphiti/Zep, Rasmussen et al., 2025); eine dritte, agentische Form, ein Agent bemerkt eine unplausible Antwort und verifiziert eigenständig an der Primärquelle nach, ist als Erweiterung der bestehenden Architektur plausibel, aber bis September 2026 an keinem benannten System nachgewiesen. Ausführlich in Band 2.1, Abschnitt 1.2.10, in die Self-CHOP-Taxonomie eingeordnet in Band 2.1, Abschnitt 1.2.11.
In allen Bänden
Self-Modifying System
Ein System, das nicht nur, wie beim bereits im Buch beschriebenen Self-Healing (s. dort), Widersprüche in seinem Wissensgraphen selbstständig erkennt und korrigiert, sondern darüber hinaus seinen eigenen Code, seine API-Endpunkte oder seine Data Contracts eigenständig anpasst, als Reaktion auf beobachtete operative Reibung, ohne dass ein Mensch jede einzelne Änderung freigibt. Abgrenzung zu Self-Healing: Self-Healing korrigiert auf der Ebene von Daten und Fakten im Graphen, ein Self-Modifying System griffe zusätzlich in Code und Schnittstellen ein, eine grundsätzlichere und deutlich risikoreichere Stufe. Bislang eine Hypothese, an keinem produktiven Unternehmenssystem belegt, die dieselbe Vorsicht erfordert wie Self-Healing, nur eine Stufe strenger: Sandbox-Prüfung vor jeder Veränderung, feste Leitplanken. Praxisrelevanz: Verschiebt, sollte es Praxis werden, die Rolle der bisher für Prozesse Verantwortlichen vom Zeichnen des Ablaufs zum Definieren dieser Leitplanken, in diesem Buch Guardrail-Architect genannt (s. Guardrails (Leitplanken)). Ausführlich in Band 4, Kapitel 7.6.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Self-Optimizing
Eine der vier Self-CHOP-Eigenschaften (s. dort, Kephart & Chess, 2003): Ein System überwacht sich fortlaufend und passt sich an, um seine Leistung oder Genauigkeit zu erhalten oder zu verbessern. Für Ontologie und Wissensgraph ist das die laufende Aktualitätsprüfung: ereignisgetrieben über das Schließen von Gültigkeitsfenstern bei widersprechenden Fakten (dieselbe Graphiti/Zep-Logik wie bei Self-Healing, s. dort), periodisch über einen festen Scan-Turnus, der den gesamten Bestand gegen Schwellenwerte prüft, auch ohne auslösendes Ereignis, technisch also näher an einem klassischen Scanner als an einer ereignisgetriebenen Regel. Praxisrelevanz: Schließt die Lücke zwischen Aufbau (Self-Configuring/Self-Sourcing) und Korrektur (Self-Healing): Ohne laufende Aktualitätsprüfung merkt niemand, dass eine Bedeutung lautlos veraltet, bis eine Handlung auf ihrer Grundlage bereits danebengeht. Ausführlich in Band 2.1, Abschnitt 1.2.11.
Band 2.1
Self-Protecting
Eine der vier Self-CHOP-Eigenschaften (s. dort, Kephart & Chess, 2003), die einzige, die primär nach außen statt nach innen wirkt: Ein System erkennt, identifiziert und wehrt Bedrohungen und Folgefehler ab, bevor sie Schaden anrichten. Für Ontologie und Wissensgraph ist das die vorgelagerte Prüfung einer Handlung gegen Ontologie, Berechtigung und Bedingung, bevor sie ausgeführt wird, dieselbe Funktion, die dieses Buch bereits unter Self-Grounding (s. dort) und unter der Semantic Data Firewall (s. dort) beschreibt. Praxisrelevanz: Die beiden 2026 dokumentierten Ernstfälle, der ungeprüfte API-Zugriff auf McKinseys „Lilli“ und die gelöschte PocketOS-Datenbank (s. Band 2.1, Abschnitt 1.2.9), lassen sich aus dieser Perspektive als fehlendes Self-Protecting lesen, weniger als Lücke bei Self-Healing oder Self-Sourcing: In beiden Fällen fehlte eine Instanz, die vor der Ausführung geprüft hätte, ob eine Handlung innerhalb einer erlaubten Bedingung lag. Ausführlich in Band 2.1, Abschnitt 1.2.11.
In allen Bänden
Self-Refine (Kritiker-Schleife)
Prompttechnik, bei der ein Durchlauf erzeugt, ein zweiter kritisiert und der erste überarbeitet, mit einem Modell oder in zwei Rollen wie Autor und Lektor (Madaan et al., 2023). S. Band 2.2, Kapitel 5.2.
Band 2.2
Self-Sourcing
In der Praxis kursierende, nicht akademisch normierte Bezeichnung dafür, dass ein System sich neue Datenströme, Dokumente oder Ereignisse aus operativen Quellsystemen (CRM, ERP, E-Mail, Tickets) automatisiert beschafft und, geprüft gegen die bestehende Ontologie, strukturiert einspeist, unsichere oder neuartige Fälle bleiben Kandidat für die menschliche Freigabe, in der Self-CHOP-Taxonomie (s. dort) die Entsprechung zu Self-Configuring. Beschreibt keine neue Architektur, sondern einen Namen für dieselben neun Bausteine (u. a. ereignisbasierte Erfassung, Konfidenz-Routing, Provenienzpflicht), die Band 2.1, Abschnitt 1.2.9 bereits ohne diesen Namen herleitet. Ausführlich mit Praxisbeispiel (Palantir HyperAuto) in Band 2.1, Abschnitt 1.2.10, in die Self-CHOP-Taxonomie eingeordnet in Band 2.1, Abschnitt 1.2.11.
Band 2 · Band 2.1 · Band 2.2 · Band 4
Semantic Brand Score
Maß für Markenwichtigkeit in Textkorpora (Fronzetti Colladon, 2018) über drei Dimensionen: Prevalence (Nennhäufigkeit), Diversity (Vielfalt des Wortumfelds) und Connectivity (Brückenfunktion im Ko-Okkurrenz-Netz, gemessen als Betweenness-Zentralität). Beispiel dafür, dass sich die semantische Prominenz einer Marke im gewählten Korpus als Netzwerkposition messen lässt; ein vollständiges Maß für Markenstärke ist der Score damit nicht (s. Band 3, Kapitel 8.5).
Band 2.1
Semantic Control Plane
Ein seit Mitte 2026 von mehreren Anbietern benutzter Begriff (früheste belegte Fundstelle Colrows, Blog vom 10.05.2026; Stardog, Blog vom 15.06.2026; beide Anbieterseite) für eine Schaltzentrale über der semantischen Ebene eines Unternehmens: Die semantische Schicht liefert das Wissen selbst (Ontologien, Entitäten, Beziehungen, Regeln), der Control-Plane-Teil macht es nutzbar und steuerbar, mit Policies, Prüfung, Freigaben und Beobachtung, bevor Agenten autonom handeln. Die Analogie stammt aus der Netzwerktechnik: Ein softwaredefiniertes Netz trennt die Control Plane, die entscheidet, wie Datenverkehr behandelt wird, von der Data Plane, die ihn nach diesen Entscheidungen weiterleitet (Feamster, Rexford & Zegura, 2014). Dehghani hat das Wort 2020 auf Datenplattformen übertragen (Dehghani, 2020; s. Plane (Control Plane, Data Plane, Management Plane)). Praxisrelevanz: Der Begriff benennt extern, was die Data Engine der Tech-Lasagne als Fläche baut. Er ist breiter als „Ontology Control Plane“ und wird deshalb im Buch als Referenzbegriff geführt (s. Band 2.1, Kapitel 4.1 und Band 3, Kapitel 1.2). Die veröffentlichten Schrittfolgen beider Anbieter, den Begriffen dieser Reihe zeilenweise gegenübergestellt, stehen in Band 2.2, Abschnitt 5.3.8.
In allen Bänden
Semantic Data Firewall
Ein von diesem Buch geprägter Vorschlag für eine Prüfschicht, durch die jede von einem KI-Agenten gestellte API-Anfrage laufen muss, bevor sie in eine operative Ausführung wie einen Data Contract oder eine Preiszusage mündet: Sie prüft die Anfrage gegen die Unternehmensontologie, ob sie von den harten ökonomischen Eckwerten des Unternehmens abweicht, ob sie in sich logisch konsistent ist und ob sie verdeckte Instruktionen (Prompt Injection) enthält. Abgrenzung zu Output-Governance: Output-Governance prüft, was ein Agent als Antwort verlässt, die Semantic Data Firewall prüft, was von einem fremden Agenten hereinkommt, bevor daraus eine echte Transaktion wird, die eingehende statt die ausgehende Kontrollinstanz. Praxisrelevanz: Zweiter von drei Bausteinen des KYA-Prinzips (s. dort), neben der kryptografischen Agenten-Identität und einer Eskalation an einen Menschen bei Grenzwertüberschreitung. Ausführlich in Band 3, Kapitel 1.8.
In allen Bänden
Semantic Drift (semantische Drift)
Die schrittweise Abweichung eines KI-Agenten von seiner ursprünglich beauftragten Absicht über eine lange Kette von Interaktionsschritten hinweg, ohne dass ein einzelner Schritt für sich genommen fehlerhaft wirkt. Eine 2026 vorgeschlagene Taxonomie unterscheidet Semantic Drift (fortschreitende Abweichung von der ursprünglichen Absicht) von Coordination Drift (Zusammenbruch der Abstimmung zwischen mehreren Agenten) und Behavioral Drift (Entstehen ungeplanter Verhaltensmuster) als drei eigenständige Erscheinungsformen desselben Grundproblems (Rath, 2026). Dieselbe Arbeit berichtet quantifizierend: Erfolgsraten von 40 bis 50 Prozent bei kurzen Aufgaben fallen unter 10 Prozent, sobald dieselbe Aufgabe in eine längere Interaktionshistorie eingebettet wird, selbst wenn die relevante Information technisch weiterhin im Kontextfenster vorhanden ist. Praxisrelevanz: Entsprechung im Buch sind die Drift-Erkennung in der Observability-Praxis (s. Band 1.1, Kapitel 3.2) und, für die Fehlerverstärkung in Agentenketten allgemein, das Vorwort von Band 1. Der Befund relativiert vor allem die verbreitete Annahme, dass ein größeres Kontextfenster allein das Problem löst, weil die Information zwar vorhanden bleibt, ihr Gewicht im tatsächlichen Antwortverhalten des Agenten aber trotzdem sinkt.
In allen Bänden
Semantic Layer
Die Auslieferungsschicht verbindlicher Begriffs- und Kennzahldefinitionen: Sie liefert ein Semantic Model (s. dort) an viele unabhängige Abnehmer (BI-Werkzeuge, Chatbots, KI-Agenten, Schnittstellen) zentral und konsistent aus, statt es in jedem System einzeln nachzubauen; beantwortet „Wie bekommt jedes System dieselbe Antwort auf eine Frage, zuverlässig und ohne sie zweimal zu bauen?“. In dieser Reihe steht das Wort in genau diesem Sinn, unabhängig von der Bauform, und wie viel Bedeutung ein Semantic Layer trägt, hängt an ihr. Zwei Bauformen kommen vor: als Kennzahlenschicht im bestehenden Datenstack über dem Warehouse, ohne Graph, oder aufgesetzt auf einem Knowledge Graph mit Ontologie. Abgrenzung zur Bedeutungsschicht: Die Bedeutungsschicht ist der Ort, an dem verbindlich und für Menschen wie Maschinen nutzbar festgehalten ist, was die Begriffe eines Hauses meinen, welche Regeln gelten und woher eine Angabe stammt, unabhängig von der Bauform (s. dort); der Semantic Layer ist ihre Auslieferung an die Abnehmer. Eher statisch und kuratiert, unabhängig von einer einzelnen Anfrage (Beispiele: dbt Semantic Layer, Cube, AtScale, Databricks Genie Ontology, Snowflake Horizon Context). Abgrenzung zu Semantic Model: Der Semantic Layer ist das Gebäude, das Semantic Model der Bauplan darin. Ein Unternehmen kann ein gutes Semantic Model (z. B. eine gepflegte Ontologie) besitzen und trotzdem keinen echten Semantic Layer betreiben, wenn diese Definitionen nur in einem Dokument statt technisch zentral durchgesetzt leben. Abgrenzung zu Context Layer: Nicht dasselbe, aber eng verzahnt: Der Semantic Layer liefert aus, was Dinge bedeuten, der Context Layer entscheidet, was davon gerade jetzt, zur Laufzeit einer konkreten Anfrage, in den Kontext eines Modells geladen wird. Festlegung und Bauformen in Band 1.1, Kapitel 1.1, Abgrenzung zum Laufzeitkontext in Band 1, Kapitel 5.
In allen Bänden
Semantic Model
Der eigentliche Bauplan hinter einem Semantic Layer (s. dort): die konkrete, meist in einer Datei oder Konfiguration festgehaltene Definition, welche Entitäten, Kennzahlen und Beziehungen existieren und wie sie berechnet werden; beantwortet „Was bedeutet das?“. Begegnet praktisch als dbt-Semantic-Model-Datei, als Power-BI-oder Looker-Modell (LookML), oder, wie in diesem Buch durchgängig, als Ontologie. Im S‑OPDT-Kontext ist die Unternehmensontologie das Semantic Model, die Plattform, über die sie an BI-Tools, Chatbots und Agenten ausgeliefert wird, der Semantic Layer darum herum. Ausführlich in Band 1, Kapitel 5.
In allen Bänden
Semantic Silo
Der Datensilo-Fehler auf der nächsthöheren Ebene: Mehrere Domänen pflegen jeweils formal ordentliche, saubere Ontologien, die aber untereinander nicht abgestimmt sind (z. B. definieren zwei Domänen „Kunde“ unabhängig voneinander). Anders als beim ursprünglichen Datensilo liegt das Problem nicht an schlechter Modellierung, jede Teil-Ontologie kann für sich genommen korrekt sein, sondern an fehlender Abstimmung zwischen den Teil-Ontologien; die Rechnung dafür kommt meist erst spät, als teure Integrationsüberraschung. Gegenmaßnahme: s. Shared Ontology Practice. Ausführlich in Band 2.1, Kapitel 1.2. Als eigene Bedeutung im S‑OPDT-Modell (Modellbegriff) auch in Glossar Modellbegriffe geführt.
In allen Bänden
Semantic-Web-Technologien
Sammelbegriff für die vom W3C standardisierten Technologien zur maschinenlesbaren Bedeutungsauszeichnung im Web und in Unternehmensdaten: RDF, RDFS, OWL/OWL2, SPARQL (s. Triple Store, RDF, RDFS, OWL/OWL2) sowie schema.org für strukturierte Auszeichnung von Webinhalten. Praxisrelevanz: Die technische Grundlage vieler in diesem Buch beschriebener Ontologie- und Wissensgraph-Architekturen sowie, im Marketingkontext, von GEO (Generative Engine Optimization), weil strukturierte Auszeichnung Maschinen die Zuordnung von Inhalten erleichtert; wie stark KI-Suchsysteme sie tatsächlich gewichten, ist offen.
In allen Bänden
Semantifizierung
Planungsschritt, in dem ein Haus festlegt, welche Begriffe, Beziehungen und Regeln des Ist- und des Zielzustands verbindlich und für Maschinen nutzbar festgehalten werden, in welcher Tiefe und unter wessen Verantwortung. Ergebnis ist eine Begriffsliste mit Tiefe, Artefakt und Verantwortlichem. Bezeichnung dieser Reihe (Band 1.1, Abschnitt 5.3).
Band 1.1 · Band 4
Semantik
Die Lehre von der Bedeutung sprachlicher (und inzwischen auch maschinenlesbarer) Zeichen; der Begriff stammt aus dem Griechischen, Michel Bréal führte ihn 1883 ein und begründete die Disziplin 1897 mit seinem Essai de sémantique. Über Tim Berners-Lees „Semantic Web“ (2001) wanderte er in die Informatik und bezeichnet dort die explizite, maschinenlesbare Kodierung von Bedeutung und Zusammenhängen, dieselbe Grundfrage, die auch Terminologiearbeit, Taxonomie und Ontologie beantworten wollen, nur für Maschinen statt für Sprachphilosophen. Praxisrelevanz: Der historische Bogen vom Semantic Web über den Google Knowledge Graph („Things, not strings“, 2012) bis zu heutigem GraphRAG und Grounding für Sprachmodelle zeigt Wissensgraphen als Fortsetzung einer über 20 Jahre alten Idee. Ausführlich im Exkurs in Band 1.1, Kapitel 1.3.
In allen Bänden
Semantische Entropie
Unsicherheitsmaß für Sprachmodelle, das misst, wie stark mehrere Antworten auf dieselbe Frage in ihrer Bedeutung auseinanderlaufen, nicht in ihrem Wortlaut: Antworten, die dasselbe meinen, zählen als eine. Hohe semantische Entropie deutet auf eine erfundene Antwort hin, weil das Modell an dieser Stelle nichts Stabiles weiß (Kuhn, Gal & Farquhar, 2023; Farquhar et al., 2024, dort für die Teilmenge der „Konfabulationen“). Der Befund, dass dieselbe Frage zehnmal gestellt nur zu 73 Prozent dasselbe ergab (Band 2.1, Abschnitt 4.2.5), ist genau das Muster, das dieses Maß systematisch erfasst. S. Band 1.1, Kapitel 3.2.
Band 1.1
Semantische Fragmentierung
Der Silo-Fehler eine Ebene höher, und die nach Einschätzung dieses Buchs derzeit am schnellsten wachsende Gefahr: Jede Domäne baut ihre eigene, für sich genommen korrekte Bedeutungsschicht (Ontologie, semantisches Datenprodukt), ohne dass diese Schichten untereinander verbunden sind. Schwerer zu erkennen als ein klassisches Datensilo (s. dort in Glossar Modellbegriffe (Band 2.1)), weil jedes Einzelteil für sich betrachtet ordentlich aussieht und der Fehler erst sichtbar wird, wenn zwei Systeme aufeinander handeln. Ausführlich in Band 1.1, Kapitel 4.6.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3
Semantische KI
KI-Ansatz, der die Bedeutung von Daten und Informationen erfasst und verarbeitet, oft unter Verwendung von Ontologien und Wissensgraphen, semantischer Annotation und logikbasiertem Reasoning. Sie geht über die reine Mustererkennung hinaus und ermöglicht kontextbewusste Verarbeitung und logisches Schließen. Die Reihe führt semantische KI als eigenes Paradigma neben neurosymbolischer und kausaler KI und hebt sie als entscheidende Grundlage für die nächste Stufe der KI-Wertschöpfung hervor, weil sie Struktur, Kontext und Nachvollziehbarkeit stützt. Abgrenzung s. Neurosymbolische KI; eingeführt in Band 1, Abschnitt 3.2.
In allen Bänden
Semantische Plattform
Marktwort für die betriebene Infrastruktur, die die semantischen Informationen eines Unternehmens hält, versioniert und ausliefert: Ontologie, Vokabulare und Synonyme, Begriffsdefinitionen, Metrikdefinitionen, Data Contracts und die an Begriffen hängenden Regeln; in der Tech-Lasagne DE.2 zusammen mit dem Vertragsteil von DE.1, begrifflich der Semantic Layer (s. dort) samt dem darin ausgelieferten Semantic Model. Abgrenzung: Sie umfasst nicht die Datenarchitektur darunter, also Pipelines, Speicher, Zugriffskontrolle, technische Lineage, API- und Output-Port-Management und Betrieb; beide Seiten treffen sich im Datenprodukt. Praxisrelevanz: Die Verwechslung beider Seiten ist eine häufige Beschaffungsfalle, ausführlich in Band 2.2, Abschnitt 5.3.9.
In allen Bänden
Semantische Räume
Aus Texten gewonnene Positionierungslandkarten, auf denen Begriffscluster als Territorien erscheinen, aufgespannt zwischen Achsen wie individuell/ sozial oder funktional/emotional, gewonnen über Text-Mining, Embedding-Karten und semantische Netze statt über klassische Befragung. Dünn besiedelte Regionen darin heißen White Space (s. dort). Ausführlich in Band 3, Kapitel 8.5.
In allen Bänden
Semantische Schuld
In dieser Reihe in zwei Lesarten verwendet. Nach Simone Cicero (Boundaryless) sind vage Begriffe, unklare Prozesse und Rollen selbst die Schuld, die ein Unternehmen gegenüber KI-Systemen trägt; Talisman (2026) widmet den Kosten semantischer Schuld im Produktionsbetrieb einen eigenen Abschnitt; das Bild entspricht der technischen Schuld in der Softwareentwicklung, einer Abkürzung heute, die später Zinsen kostet. Für den Betrieb der Bedeutungsmitte fasst Band 2.2, Kapitel 4.4 den Begriff enger und zählbar, in vier getrennt abfragbaren Posten: Stufen, die schlank ausgeführt wurden, wo das Element eine volle verlangt, überfällige Pflege, Aussagen ohne Herkunft und Kompetenzfragen mit fehlschlagendem Test. Abzugrenzen von der strategischen Schuld (s. Glossar Modellbegriffe). Praxisrelevanz: Eine Schuld, die sich abfragen lässt, lässt sich tilgen, bevor ein Agent auf einer veralteten Aussage handelt.
Band 2.2
Semantische Suche
Suchmethode, die nicht nur Schlüsselwörter, sondern auch den Kontext und die Bedeutung der Suchanfrage berücksichtigt (Google, Amazon). Im Buch ist sie ein Anwendungsbeispiel dafür, wie semantische KI und Wissensgraphen über reine Stichwortsuche hinausgehen.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2
Semantisches Web
Erweiterung des World Wide Web, die darauf abzielt, Daten maschinenlesbar zu machen, indem sie mit semantischen Metadaten angereichert werden. Im Buch ist es der historische Vorläufer der heutigen unternehmensinternen Wissensgraphen und Ontologien, auf denen S‑OPDT als Basisontologie aufbaut.
Band 1 · Band 1.1
Sensing, Seizing, Transforming
Drei dynamische Fähigkeiten nach David Teece (1997/2007), die Yeow, Soh und Hansen (2018) auf die erfolgreiche digitale Transformation und Kundenzentrierung anwenden. Sensing bezeichnet die Fähigkeit, Veränderungen im Markt und Kundenbedürfnisse frühzeitig zu erkennen. Seizing ist die Fähigkeit, daraus resultierende Chancen (z. B. für neue digitale Angebote) zu ergreifen. Transforming beschreibt die Fähigkeit, die Organisation (Strukturen, Prozesse) kontinuierlich anzupassen, um diese Chancen zu nutzen und Kundennutzen zu maximieren. Ursprungsquelle und Anwendung im Detail: Band 2.1, Kapitel 4.4 und Band 3, Abschnitt 1.6.1.
Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Service Level Objective (SLO)
Eine konkrete, messbare Zusage eines Teams oder Systems über die Qualität einer Leistung, etwa Verfügbarkeit, Reaktionszeit oder Fehlerquote, formuliert als Zielwert statt als allgemeines Qualitätsversprechen. Praxisrelevanz: Im X-as-a-Service-Modus von Team Topologies (s. dort) ist ein SLO neben Dokumentation, Programmierschnittstelle (API) und Support-Kanal einer der Bausteine, mit denen ein Plattform-Team seine interne Leistung wie ein echtes Produkt führt, statt sie nur zuzusagen. Ausführlich in Band 1.1, Abschnitt 2.7.3.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Serviceorientierte Architektur (SOA)
Architekturansatz, der die Leistung in die Mitte stellt: Ein System wird in Dienste geschnitten, die je etwas Abgeschlossenes tun und über einen Vertrag angeboten werden. Der einzige der drei in diesem Buch verwendeten Architekturansätze mit förmlicher Definition, dem Reference Model for Service Oriented Architecture 1.0 der OASIS, verabschiedet am 12. Oktober 2006. Praktisch folgen daraus vier Merkmale, die das Datenprodukt übernimmt: Vertrag, stabile Adresse, Schnittstelle, Version (s. Band 1.1, Kapitel 4.3 und Band 1.1, Kapitel 1.1).
Band 1 · Band 1.1 · Band 2.2
SHACL (Shapes Constraint Language)
Ein W3C-Standard, mit dem sich Regeln und Qualitätsanforderungen für RDF-Daten und Ontologien maschinell prüfbar formulieren lassen („jeder Kunde-Knoten muss genau eine E-Mail-Adresse haben“), vergleichbar mit einem automatisierten Korrekturleser für einen Wissensgraphen. Praxisrelevanz: SHACL macht Competency Questions (s. dort) und Ontologie-Qualität testbar und damit Teil einer CI/CD-Pipeline (s. Ontology as Code), statt Qualität nur stichprobenartig manuell zu prüfen. W3C-Empfehlung seit 20. Juli 2017. Im Bedeutungsmodell sind Pflichtfelder und Kardinalitäten SHACL-Prüfungen und keine Schlussregeln: Fehlt eine Angabe, meldet die Prüfung einen Verstoß, eine Warnung oder einen Hinweis, statt wie ein OWL-Reasoner unter offener Welt eine unbekannte Angabe anzunehmen. Die Stufen Pflicht, empfohlen und optional entsprechen den SHACL-Schweregraden Violation, Warning und Info (s. Band 2.1, Abschnitt 1.1.4).
In allen Bänden
SHACL-Validierungswerkzeuge (u. a. pySHACL)
SHACL selbst ist nur die Sprache, in der Regeln formuliert werden (s. SHACL); die eigentliche Prüfung übernimmt ein separates Validierungswerkzeug, das eine SHACL-Shapes-Datei gegen einen konkreten RDF-Datengraphen laufen lässt und jeden Verstoß als strukturiertes Ergebnis (Validation Report) zurückgibt. pySHACL ist die im Python-/RDFLib-Ökosystem am weitesten verbreitete, quelloffene Implementierung, nutzbar als Kommandozeilenwerkzeug oder als Bibliothek direkt in einer Datenpipeline, und deckt neben den SHACL-Kernconstraints auch die SHACL-SPARQL-Erweiterung ab (frei formulierte SPARQL-Regeln für Fälle, die die vordefinierten Constraint-Typen nicht abdecken). Daneben existieren die TopBraid SHACL API (Java, Referenzimplementierung aus dem SHACL-Standardisierungsumfeld) und Apache Jena SHACL (Java, direkt in das verbreitete Jena-Framework integriert); einige Triple Stores wie Stardog bringen eine eigene, ähnlich funktionierende Integrity-Constraint-Validation gleich eingebaut mit. Praxisrelevanz: Erst ein solches Werkzeug macht aus SHACL-Shapes einen ausführbaren Test, den eine CI/CD-Pipeline bei jeder Ontologieänderung automatisch laufen lassen kann (s. Ontology as Code). Ohne Validator bleibt eine Shapes-Datei nur dokumentierte Absicht, kein tatsächlich erzwungenes Qualitätsgate. Für Python-lastige Data-/AI-Teams ist pySHACL dabei meist der pragmatischste Einstieg, weil es sich ohne JVM-Abhängigkeit direkt neben RDFLib in bestehende Pipelines einfügt.
In allen Bänden
Shared Ontology Practice
Die Governance-Disziplin, die einen Semantic Silo (s. dort) verhindert, ohne dafür in eine zentral vorgeschriebene Einheitsontologie zurückzufallen: Domänen behalten die Hoheit über ihre eigenen, fachspezifischen Konzepte, verpflichten sich aber auf einen schmalen, zentral verwalteten Kernbestand gemeinsamer Begriffe plus verbindliche Mapping-Regeln zwischen Domänenbegriffen und diesem Kern. Entspricht Data Meshs „föderierter, computergestützter Governance“ (Dehghani, 2022): eine zentrale Instanz legt Interoperabilitätsregeln fest, ohne jede Einzeldefinition zu kontrollieren. Im S‑OPDT-Kontext ist das Bedeutungsmodell (s. Glossar Modellbegriffe, Band 2.1) genau dieser gemeinsame Kern. Ausführlich in Band 2.1, Kapitel 1.2. Als eigene Bedeutung im S‑OPDT-Modell (Modellbegriff) ebenfalls in Glossar Modellbegriffe geführt.
In allen Bänden
Shift Left / Shift Right
Zwei Prinzipien aus der Softwareentwicklung, auf Daten- und KI-Qualität übertragen. Shift Left bedeutet, Qualitätsprüfungen (Datenvalidierung, Tests, Governance-Checks) so früh wie möglich im Prozess durchzuführen statt erst am Ende: Ein Fehler ist am billigsten zu beheben, bevor er sich durch nachgelagerte Systeme fortpflanzt. Shift Right bedeutet umgekehrt, Systeme auch nach dem Go-Live in der echten Produktivumgebung fortlaufend zu beobachten und zu testen (Monitoring, A/B-Tests, Canary-Releases), weil nicht jedes Problem vorab simulierbar ist. Praxisrelevanz: Beide Prinzipien zusammen verhindern die klassische Falle, Qualität nur an einem einzigen Zeitpunkt zu prüfen, obwohl Daten- und KI-Systeme sich laufend verändern. Geprägt hat den Ausdruck Larry Smith in „Shift-Left Testing“ (Dr. Dobb’s Journal, September 2001), wobei er über die Integration der Qualitätssicherung in die Entwicklung argumentierte; die heute übliche Zeitachsen-Deutung, Tests wanderten nach links, ist eine spätere Vereinfachung.
In allen Bänden
Similarity und Link Prediction
Zwei eng verwandte Verfahren: Similarity (Jaccard-Ähnlichkeit für überlappende Nachbarschaften, Cosine Similarity für Vektor-Winkel, s. Graph Embeddings) misst, wie ähnlich sich zwei Knoten sind. Link Prediction nutzt hohe Ähnlichkeit bei fehlender direkter Verbindung, um plausible, aber noch nicht erfasste Kanten vorzuschlagen. Praxisrelevanz: Die konkrete Algorithmenfamilie hinter dem in Band 1.1, Kapitel 1.3 beschriebenen KI-gestützten Ontologie-Lernen, ausführlich in Band 1.1, Kapitel 2.3.
In allen Bänden
Single Source of Truth
Die eine Quelle, deren Stand für eine bestimmte Information als maßgeblich gilt, sodass Berichte und Systeme nicht mit abweichenden Kopien arbeiten. Für Vorgänge sind das die Systems of Record (s. dort), für Beschlüsse die Strategy of Record (s. dort). Im Buch kann ein Company Brain diese Rolle für strategische Inhalte übernehmen (s. Band 2, Kapitel 2.2).
Band 1.1 · Band 2 · Band 2.1 · Band 4
Skill (KI-Kontext)
Ein modulares, wiederverwendbares Fähigkeits- oder Anleitungspaket (Anleitungstext, Beispieldateien, kleine Hilfsskripte), das ein KI-Agent bei Bedarf selbstständig lädt, um eine bestimmte Aufgabe zu erledigen, etwa einen Skill für „Excel-Tabellen auswerten“ oder „PowerPoint-Präsentationen erstellen“ (Claude Skills sind ein aktuelles Beispiel: Anthropic hat das Format am 16. Oktober 2025 als Agent Skills eingeführt und am 18. Dezember 2025 als offenen Standard veröffentlicht; Anthropic, 2025, Introducing Agent Skills, https://claude.com/resources/articles/skills). Abgrenzung zum klassischen Tool: Ein Tool ist eine vom Entwickler fest verdrahtete, starre Funktion; ein Skill ist eher ein Nachschlagewerk, das der Agent selbst erkennt, zieht und anwendet, wenn die Situation es verlangt, flexibler und ohne Neuprogrammierung des Agenten erweiterbar. Praxisrelevanz: Skills erlauben es, die Fähigkeiten eines Agenten schrittweise zu erweitern, ohne das zugrundeliegende Modell neu zu trainieren oder den Agenten selbst umzubauen, strukturell näher an einem CustomGPT-Update als an echtem Fine-Tuning. Abgrenzung zu Prompt (einzelne Anweisung für einen Durchlauf), Agent (das handelnde System) sowie zu Loop und Playbook (s. dort). Ein Skill wird verlässlicher, wenn seine Begriffe auf ein gemeinsames Bedeutungsmodell verweisen statt nur im Anweisungstext zu stehen: gemeinsame Begriffe, eindeutige Prüfkriterien, weniger Interpretationsspielraum, Wiederverwendbarkeit über Domänen und Prüfbarkeit, ausführlich in Band 1.1, Abschnitt 4.3.7. Eingeführt in Band 1, Vorwort. Bezug zur Memory-Architektur: Ein Skill ist explizit gemachtes, abrufbares Procedural Memory (s. Memory-Architektur), ausführlich in Band 1, Kapitel 5.
In allen Bänden
SKOS (Simple Knowledge Organization System)
Ein seit 2009 als W3C-Empfehlung verabschiedeter, schlanker Standard, um Begriffssysteme wie Thesauri, Taxonomien und Klassifikationen maschinenlesbar zu machen, mit drei zentralen Beziehungstypen: skos:broader (Oberbegriff), skos:narrower (Unterbegriff) und skos:related (verwandter, aber nicht hierarchisch untergeordneter Begriff). Praxisrelevanz: SKOS sitzt begrifflich zwischen einer reinen Taxonomie (die nur Ober-Unterbegriff-Hierarchien kennt) und einer vollständigen Ontologie (die zusätzlich Axiome und Constraints formuliert) und löst genau die Mehrdeutigkeit auf, die eine reine Hierarchie offenlässt, etwa ob zwei benachbarte Begriffe Synonyme, Teilmengen oder nur lose verwandt sind. Im Bedeutungsmodell sind die Auswahllisten wie Dimension, Ebene oder Status SKOS-Konzepte mit Bezeichnung, Definition und stabiler Kennung (s. Band 2.1, Abschnitt 1.1.4). S. dazu ausführlich Band 1.1, Kapitel 1.3.
In allen Bänden
SKOS-XL
Erweiterung der SKOS-Empfehlung, in der Benennungen eigene Objekte sind und deshalb eigene Angaben tragen können, etwa eine Quelle oder ein Gültigkeitsdatum (Miles & Bechhofer, 2009). Nur dort nötig, wo eine einzelne Benennung solche Angaben braucht, s. Band 2.2, Abschnitt 4.4.3.
Band 1.1 · Band 2.2
Smart KPIs (KI-generierte/KI-angereicherte Kennzahlen)
Von MIT Sloan Management Review und BCG geprägter Begriff (Schrage/Kiron/Candelon et al., „The Future of Strategic Measurement“, Februar 2024) für Kennzahlen, die mit KI entwickelt oder angereichert werden, in drei Stufen: smart descriptive (präziseres Bild des Geschehens), smart predictive (verlässlichere Frühindikatoren, auch kontraintuitive Muster) und smart prescriptive (Maßnahmenempfehlung). Studienbefund: 60 Prozent der Führungskräfte halten ihre KPIs für verbesserungsbedürftig, nur 34 Prozent nutzen KI dafür; 90 Prozent der Nutzenden berichten Verbesserungen (Selbstauskunft, keine unabhängige Wirkungsmessung). Einordnung dieses Buchs: Auch ein smart predictive KPI ist zunächst Korrelation; zur richtigen Kennzahl wird er erst mit kausal geprüftem Pfad zum Geschäftsergebnis (s. Incrementality Testing und Kette, Gabel, Collider): eine Vanity Metric ist eine Korrelation ohne belastbaren Pfad. Ausführlich in Band 2.1, Abschnitt 2.2.
In allen Bänden
SOC 2 (System and Organization Controls 2, Trust Services Criteria)
Ein von US-Wirtschaftsprüfern (AICPA) vergebenes Prüfsiegel, das bestätigt, dass ein Dienstleister nachweisbare Kontrollen für Sicherheit, Verfügbarkeit, Verarbeitungsintegrität, Vertraulichkeit und Datenschutz seiner Systeme eingerichtet hat, im US-Markt eine De-facto-Grundvoraussetzung für Unternehmenssoftware, vergleichbar in seiner Marktwirkung mit einer TÜV-Plakette. In Band 4, Kapitel 3.3 als eine von sechs Kontrollquellen der AI Governance Mega Map genannt.
Band 1.1 · Band 2.2 · Band 4
Solution Design (technisches und datenseitiges Lösungsdesign)
Die Systemlandschaft eines Vorhabens mit Datenflüssen, Schnittstellen, Identitäten und Berechtigungen, jedes Element als bestehend, zu erweitern oder neu gekennzeichnet; die Ebene der Solution Building Blocks im ABB-Prinzip. Folgt auf die Transformationsarchitektur (s. dort), nie umgekehrt. Ausführlich in Band 2.1, Abschnitt 3.1.5.
Band 2.1
Solution Issue (Umsetzungshürde)
Eine Hürde, an der die Umsetzung einer Maßnahme scheitert oder zu scheitern droht, mit technischer, organisatorischer, kultureller oder kompetenzbezogener Ursache; im Modell ein Stadium eines Konflikts, nach Konfliktpotential und Watch-Out das Stadium, in dem die Hürde eingetreten ist (Band 2, Abschnitt 1.6.2).
Band 1.1 · Band 2 · Band 2.1 · Band 2.2
Souveränität (vier Ebenen)
Ein Sammelbegriff für vier unterschiedliche, oft vermischte Formen von Kontrollverlust im MarTech-Stack: Infrastruktur-Souveränität (Cloud-Jurisdiktion, US CLOUD Act vs. DSGVO), Vendor-/Logik-Souveränität (Daten-Lock-in plus neuer Logik-Lock-in über proprietäre Agent-Orchestrierung), Daten-Souveränität in Walled Gardens (First-Party-Daten fließen hinein, Kontrolle fließt nicht proportional zurück) und Interface-Souveränität (Käufer-Agenten wie ChatGPT als neuer Gatekeeper zwischen Marke und Kunde). Praxisrelevanz: Eine Checkliste, die alle vier Ebenen vor einer Kaufentscheidung prüfbar macht, ausführlich in Band 3, Kapitel 7.5.
In allen Bänden
Sovereign Cloud
Eine Cloud-Umgebung, deren erklärtes Ziel ist, Daten und Betrieb möglichst weitgehend der Rechtshoheit (Jurisdiktion) und Kontrolle einer bestimmten Region zu unterstellen, ohne Zugriffsmöglichkeit ausländischer Behörden oder Konzernmütter (Abgrenzung z. B. zum US CLOUD Act). Diese vollständige Form ist in real gewachsenen Anbieterketten selten lückenlos nachweisbar: Jurisdiktion des Betreibers, Eigentümerschaft, Betriebspersonal, Schlüsselkontrolle, eingesetzte Subprozessoren und Hardware-Lieferkette sind getrennte Dimensionen, die einzeln zu prüfen sind, weshalb in der Praxis abgestufte Souveränitätsgrade realistischer sind als ein pauschales Ja oder Nein. Praxisrelevanz: Sovereign Cloud ist die konkrete technische Zielarchitektur, in die Geopatriation (s. dort) migriert; GAIA-X (s. dort) liefert dafür Kriterien und ein Rahmenwerk, gegen das ein konkretes Angebot geprüft werden muss, es zertifiziert nicht automatisch jede teilnehmende Cloud als souverän, und CADA (s. dort) war zum Stand dieses Buchs ein Gesetzesvorschlag, noch keine verabschiedete Regulierung. Für Unternehmen mit sensiblen Unternehmensontologien/Wissensgraphen zunehmend eine Grundvoraussetzung, die aber anhand konkreter Kontrolldimensionen geprüft werden muss, nicht am Marketingbegriff.
In allen Bänden
Specification Gaming
Der in der KI-Forschung gebräuchliche Name für das Verhalten eines optimierenden Systems, das seine Zielvorgabe formal korrekt erfüllt und dabei am eigentlichen Zweck vorbei optimiert. Häufige Ursache sind zu viele, zu vage oder widersprüchliche Ziele. Dieses Buch verwendet an anderer Stelle den älteren, allgemeineren Namen für dieselbe Mechanik, Goodharts Gesetz (s. Loop Engineering / Graph Engineering). Praxisrelevanz: Die Beschränkung auf wenige, konzentrierte Breakthrough Objectives ist damit auch eine Schutzmaßnahme für jedes System, das auf diese Ziele hin optimiert. Ausführlich in Band 2, Kapitel 2.4.
In allen Bänden
Speech-to-Text (STT)
Technologie, die gesprochene Sprache automatisch in geschriebenen Text umwandelt.
Band 1 · Band 1.1
Stakeholder-Management
Prozess der Identifikation, Analyse, Kommunikation und Einbindung von Personen oder Gruppen, die ein Interesse an einem Projekt oder einer Initiative haben oder von diesen betroffen sind. Im S‑OPDT-Modell ist dies eng mit Mandaten und Funktionen (s. Glossar Modellbegriffe) verknüpft, über die Zuständigkeiten und Einflussbereiche in Transformationsprojekten geregelt werden.
Band 1.1 · Band 2.2
Standard-Ontologie
Ein fachlich anerkanntes, veröffentlichtes Begriffsmodell, das ein Feld so weit vorstrukturiert, dass ein einzelnes Haus nicht bei null anfangen muss: obere Klassen, Grundbeziehungen, Benennungskonventionen. Beispiele sind DOLCE und BFO als Oberklassen-Ontologien (Upper Ontologies), die sehr allgemeine Kategorien modellieren, sowie schema.org und FOAF als verbreitete, praktisch eingesetzte Vokabulare ohne diese Rolle; Verbreitung und Abstraktionsebene sind zwei verschiedene Eigenschaften. Praxisrelevanz: Ob es für ein Feld eine solche Ontologie gibt, entscheidet über den Aufwand der ersten Modellierungsrunde. Für die Markenpsychologie existiert nach Recherchestand 2026 keine, weshalb dieses Buch die Vier-Stufen-Skala des Evidenzstatus und die Modellierung von Evidenz als Knoten-Metadatum ausdrücklich als eigene Syntheseleistung kennzeichnet, nicht als Anwendung eines Standards. Ausführlich in Band 3, Kapitel 8.3.
Band 1.1
Starke KI (Strong AI / Artificial General Intelligence, AGI)
Hypothetische KI-Systeme, die menschenähnliche Intelligenz besitzen und eigenständig denken, lernen und Probleme lösen können.
Band 1 · Band 1.1
Start-Stop-Continue
Ein aus der Retrospektiven-Praxis stammendes Format, mit dem sich zu einer Position festhalten lässt, was eine Organisation beginnen (Start), was sie beenden (Stop) und was sie beibehalten (Continue) sollte, statt eines allgemeinen Ratschlags. In der Meta-Studie zu Treibern und Barrieren (Band 4) auf die dort zusammengefassten, bereits an anderer Stelle im Buch belegten Barrieren und Treiber angewendet.
Band 4
Steering (Unternehmenssteuerung)
Die betriebswirtschaftliche Führung eines Unternehmens über Ziele, Planung, Budgets, Kennzahlen, Berichte und Abweichungsanalyse, also der Regelkreis aus Zielsetzung, Planung, Umsetzung, Kontrolle und Gegensteuerung. In der Praxis tragen ihn vor allem Unternehmensleitung, Controlling und Finanzbereich, mit strategischer, operativer und finanzieller Planung, Forecast und Reporting; im Englischen heißt das Feld auch Performance Management oder Management Control, verwandt ist der Lenkungsausschuss eines Vorhabens (Steering Committee). Steering ist Strategie im Vollzug: Es übersetzt die Strategie in Ziele und Mittel und prüft laufend, ob sie wirkt. In dieser Reihe gibt Steering Band 2 den Namen (Intelligent Steering): Die Strategy of Record (s. dort) hält fest, was für die Steuerung gilt, die Durchsteuerung ab Ebene 1 führt sie aus (Band 2.1).
In allen Bänden
Story Splitting
Technik aus der agilen Softwareentwicklung: Ein Epic (zu große Anwendungsidee) wird vertikal in User Stories zerlegt, sodass jedes Teilstück eigenständig Nutzen liefert (Qualitätsmaßstab: INVEST nach Bill Wake; Muster: Schnitt entlang Ablaufschritten, Regeln, Datenvarianten, Nutzergruppen). Im S‑OPDT-Modell mit zweiter Schnittachse: Jede Story wird konsequent aus der Strategie abgeleitet und über die vier Betriebsmodelldimensionen aufgespannt: die leere Dimensions-Bahn ist die Scheiterprognose des Use Case (s. Band 2.2, Kapitel 1.2).
Band 2.1 · Band 2.2 · Band 2.3
Strategic Portfolio Management (SPM)
Die Steuerung aller Vorhaben eines Unternehmens als ein Portfolio an der Strategie: Vorhaben werden nach ihrem Beitrag zu strategischen Zielen priorisiert, Budgets und Kapazitäten entsprechend zugeteilt und bei Bedarf umgeschichtet oder gestoppt. Im Buch bindet SPM Budgets an Prioritäten, führt die Ergebnisse der Analysephasen aber nicht als eigene Elemente mit; für KI gilt die Regel, sie als Portfolio statt als Sammlung von Piloten zu führen (s. Band 2, Abschnitt 1.2.5).
Band 2 · Band 2.2
Strategiegraph
Die als Graph geführte Strategie eines Hauses: Ziele, Annahmen, Maßnahmen und Kennzahlen sind Knoten, verbunden über Ableiten-, Aggregieren- und Deklinieren-Beziehungen, sodass eine Änderung an einer Stelle auf alle verbundenen Knoten wirkt. Versioniert und mitprotokollierend hält er fest, wer wann welche Annahme geändert hat (Band 2, Kapitel 2.3).
Band 1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Strategielinkage
Vertikale Verbindung zwischen verschiedenen Ebenen der Strategie, die sicherstellt, dass alle Aktivitäten auf die übergeordneten strategischen Ziele einzahlen. Im S‑OPDT-Modell ist dies dasselbe Konzept wie Strategy Linkage (s. Glossar Modellbegriffe), dort mit den zugehörigen horizontalen, vertikalen und lateralen Verbindungsarten näher beschrieben.
Band 2
Strategische Integrität
Im Buch die konsequente Ausrichtung aller strategischen Entscheidungen, Ziele und Maßnahmen eines Unternehmens an wirtschaftlichen Zielen ebenso wie an klar definierten, handlungsleitenden Werten und Prinzipien; sie geht über die Einhaltung von Gesetzen und Standards hinaus. Ein Unternehmen mit strategischer Integrität handelt auch in Dilemmasituationen nach seinen eigenen Grundsätzen (Band 2, Abschnitt 1.2.1).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Strategy Deployment
Englische Bezeichnung für Hoshin Kanri, die Ableitung weniger langfristiger Durchbruchziele über Jahresziele und Maßnahmen bis in die Teams, mit der X-Matrix als Werkzeug und Catchball als Abstimmungsverfahren (s. Breakthrough Objectives; Methode im Methodenglossar; Band 2, Abschnitt 2.4.2).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Strategy Map (Kaplan & Norton)
Die Ursache-Wirkungs-Karte der strategischen Ziele aus der Balanced Scorecard: Sie verknüpft die Ziele der vier Perspektiven Lernen und Entwicklung, interne Prozesse, Kunden und Finanzen und zeigt, welches Ziel welches andere ermöglicht (Kaplan & Norton, 2004). Im Buch dient sie auf den Ebenen Kite und Sea als Steuerungsinstrument der Strategieschleife (s. Band 2, Abschnitt 2.4.3).
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Strategy of Record
Die verbindlich beschlossene Absicht eines Unternehmens in der Fassung, die gilt, mit Datum und Urheber, im Unterschied zum jeweils neuesten Foliensatz. Gegenstück zu den Systems of Record (s. dort) auf der Business Plane der Tech-Lasagne: Die Systems of Record halten fest, was tatsächlich geschehen ist, die Strategy of Record hält fest, was beschlossen ist. Praxisrelevanz: Sie umfasst Ebene 0, den Rahmen mit Record-Kern und Dauermerkmalen, und Ebene 1 (Cloud, Gesamtunternehmen) mit der Unternehmensstrategie als Wachstumsstrategie; von dort setzt die Durchsteuerung an. Eingeführt in Band 2, Kapitel 1.1, Ebene 0 und Ebene 1 in Abschnitt 1.1.7. Fehlt sie, oder existiert sie nur als Foliensatz ohne Verbindlichkeit, beginnt die Kaskade ohne Anfang, und jede Ebene darunter leitet aus etwas ab, das sich rückwirkend ändern lässt. Ausführlich in Band 2.1, Kapitel 1.1.
In allen Bänden
Strategy-to-Performance Gap
Die Lücke zwischen dem finanziellen Wert, den eine Strategie verspricht, und dem, der tatsächlich realisiert wird. Mankins und Steele (2005) prägten den Begriff; in ihrer Befragung erreichten Unternehmen im Schnitt rund 63 Prozent des versprochenen Ergebnisses. Nach Einschätzung der Autorin entsteht ein großer Teil dieses Verlusts an der Übergabe zwischen Strategie und Durchsteuerung (s. Band 2, Abschnitte 2.4.8 und 3.2.3).
Band 2
Strategy Trendslop
Von Angelo Romasanta, Llewellyn D. W. Thomas und Natalia Levina 2026 geprägter Name für die Neigung von Sprachmodellen, auf strategische Fragen nahezu unabhängig vom geschilderten Unternehmenskontext dieselbe, gerade als modern geltende Empfehlung zu geben. Belegt über führende Sprachmodelle und tausende simulierter Geschäftsszenarien, ausgewertet entlang der Grundspannungen der Strategielehre; berichtet wird, dass die Empfehlungen bei mehreren Spannungen fast geschlossen auf einen Pol fielen (Differenzierung, Augmentation, Langfristorientierung, Dezentralisierung, Kooperation). Die Zahl der geprüften Modelle und der Simulationen nennt die frei zugängliche Zusammenfassung nicht; kursierende Einzelzahlen stammen aus einer Sekundärquelle und sind in Band 2, Abschnitt 2.3.7 als solche gekennzeichnet. Abgrenzung zur Halluzination: Eine Halluzination erfindet einen Sachverhalt, Trendslop gibt eine sachlich vertretbare Antwort, die nur nichts mit der Lage des fragenden Hauses zu tun hat, und ist deshalb schwerer zu bemerken. Die Untersuchung misst, was Modelle empfehlen, nicht, ob die Empfehlung im Einzelfall falsch ist; reichhaltigerer Kontext im Prompt half nur begrenzt dagegen, ein Vergleich zwischen Prompt-Kontext und strukturiertem Unternehmenswissen wurde nicht durchgeführt. Praxisrelevanz: Prüffrage für jede von einem KI-Werkzeug gelieferte strategische Empfehlung, ob sie eine Angabe enthält, die nur auf das eigene Haus zutrifft, eine Zahl, einen Namen, eine Abhängigkeit; enthält sie keine, ist das ein deutlicher Hinweis auf Trendslop. Ausführlich in Band 2, Abschnitt 2.3.7, als Aufhänger auch in Band 1, Vorwort.
Band 1 · Band 2
Structure of Intellect (Guilford)
Modell von J. P. Guilford (1967), das Intelligenz als Würfel aus drei Achsen zerlegt: Operationen (Erkennen, Erinnern, divergentes und konvergentes Erzeugen, Bewerten), Produkte (Einheiten, Klassen, Relationen, Systeme, Transformationen, Implikationen) und Inhalte (bildhaft, symbolisch, semantisch, verhaltensbezogen). Psychometrisch umstritten (Carroll 1993), in diesem Buch als Taxonomie und Prüfraster genutzt; die Produkte-Achse entspricht den Grundelementen eines Wissensgraphen (s. Band 2.1, Kapitel 4.11). Symbolische KI vs. subsymbolische KI: Symbolische KI (auch „Good Old-Fashioned AI“) arbeitet mit explizit formulierten Regeln, Logik und Wissensrepräsentationen (Ontologien, Regelwerke), nachvollziehbar, aber mühsam von Hand zu pflegen. Subsymbolische KI (neuronale Netze, heutige Sprachmodelle) lernt Muster statistisch aus Daten, ohne dass ein Mensch die Regeln explizit formuliert, leistungsfähig bei unscharfen Mustern, aber schwerer nachvollziehbar. Praxisrelevanz: Diese Unterscheidung ist die technische Grundlage der bereits definierten Neurosymbolischen KI (s. dort), die beide Traditionen bewusst kombiniert: Der Wissensgraph liefert das symbolische, das Sprachmodell das subsymbolische Element.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Strukturelle Kausalmodelle (SCM)
Mathematische Modelle, die kausale Annahmen über ein System explizit darstellen und zur Analyse von Interventionen und kontrafaktischen Szenarien verwendet werden.
Band 1 · Band 1.1
Strukturierte Ausgabe (Structured Output)
Festlegung eines Sprachmodells auf ein maschinenlesbares Antwortformat wie JSON, damit die Antwort ohne Nacharbeit in ein System fließen kann (OpenAI, 2024). S. Band 2.2, Kapitel 5.2.
Band 2.2
Supervised Learning (Überwachtes Lernen)
Eine Methode des maschinellen Lernens, bei der die KI mit gekennzeichneten Beispielen trainiert wird, um korrekte Ausgaben vorherzusagen.
Band 1 · Band 1.1
Supplier Concentration Risk (Lieferantenkonzentrationsrisiko)
Das Risiko aus der Abhängigkeit von wenigen Lieferanten oder Bezugsquellen für eine Leistung oder Warengruppe: Fällt ein Lieferant aus oder ändert er seine Konditionen, fehlen Ausweichmöglichkeiten. Gemessen wird es etwa über den Einkaufsanteil der größten Lieferanten. Im Buch gehört es neben den Gesamtkosten (s. TCO) in die Bewertung einer Bestellung und ist ein Beispiel für eine Bedingung der deterministischen Zone im Trendmodell (s. Band 2, Abschnitte 1.1.4 und 2.1.3).
Band 2
Symbolische KI
KI-Ansatz, der auf der Manipulation von Symbolen und Regeln basiert, um Wissen zu repräsentieren und Schlussfolgerungen zu ziehen. Im Buch ist sie die eine Hälfte der Neurosymbolischen KI (s. dort), die das Modell für erklärbare, regelkonforme Systeme bevorzugt. Symbolische KI vs. subsymbolische KI: Symbolische KI (auch „Good Old-Fashioned AI“) arbeitet mit explizit formulierten Regeln, Logik und Wissensrepräsentationen (Ontologien, Regelwerke), nachvollziehbar, aber mühsam von Hand zu pflegen. Subsymbolische KI (neuronale Netze, heutige Sprachmodelle) lernt Muster statistisch aus Daten, ohne dass ein Mensch die Regeln explizit formuliert, leistungsfähig bei unscharfen Mustern, aber schwerer nachvollziehbar. Praxisrelevanz: Diese Unterscheidung ist die technische Grundlage der bereits definierten Neurosymbolischen KI (s. dort), die beide Traditionen bewusst kombiniert: Der Wissensgraph liefert das symbolische, das Sprachmodell das subsymbolische Element.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Symbolisches Schließen
Die Fähigkeit eines Systems, logische Schlussfolgerungen auf Basis von Fakten und Regeln zu ziehen, eine Kernkomponente symbolischer KI.
Band 1 · Band 1.1
Synthetic Branding
Eine im Buch als Warnung, nicht als wünschenswerte Entwicklung behandelte Idee: Markenkommunikation und Produktdarstellung könnten sich in Echtzeit an Kontext und Datenlage des jeweiligen Gegenübers anpassen, gestützt auf Wissensgraphen und generative Infrastruktur, statt auf ein statisches Logo oder eine feste Kampagne zu setzen. Ohne Leitplanken wäre das keine bloße Weiterentwicklung von Personalisierung, sondern eine hyper-personalisierte, psychologisch maßgeschneiderte Beeinflussung, sobald ein System ausschließlich auf Conversion optimiert würde, ohne Rücksicht auf die Person dahinter. Nicht zu verwechseln mit der ebenfalls im Buch als offene Hypothese behandelten Synthetic Economy (s. dort), die eine simulierte Marktökonomie beschreibt, nicht die Anpassung von Markenkommunikation. Praxisrelevanz: Eine Prüffrage für jedes System, das Markenbotschaften automatisiert personalisiert: Optimiert es nachweisbar für die Person, oder nur für die Conversion-Rate? Ausführlich, als eine von drei ausdrücklich unbelegten Ausblicks-Linien, in Band 3, Abschnitt 1.8.7.
Band 4
Synthetic Economy (synthetische Ökonomie)
Eine im Buch als Hypothese behandelte, noch nicht enterprise-taugliche Idee: eine simulierte Miniatur-Volkswirtschaft innerhalb eines Unternehmens, gespeist mit echten, aktuellen Unternehmensdaten, um strategische Entscheidungen vorab durchzuspielen, bevor Kapital gebunden wird. Wichtige Einordnung: Zu unterscheiden von bereits am Markt existierenden Simulationswerkzeugen für die Qualitätssicherung einzelner KI-Agenten (etwa der NiCE-Cognigy-Simulator, Januar 2026, oder das Forschungsframework OrgForge), die synthetische Kundeninteraktionen beziehungsweise synthetische Unternehmenskorpora erzeugen, aber keine ganze simulierte Marktökonomie für strategische Testzwecke abbilden, Stand September 2026 an keinem Unternehmenssystem belegt. Praxisrelevanz: Bestünde eine Synthetic Economy im hier beschriebenen Sinn, wäre sie die konsequente Erweiterung von Talk to your Data (s. dort) von der einzelnen Abfrage zum simulierten Markt. Ausführlich, als offene Hypothese gekennzeichnet, in Band 4, Exkurs „Beweise ohne Einblick“.
In allen Bänden
Systemdenken
Ganzheitlicher Analyse- und Gestaltungsansatz, der Phänomene als Systeme aus miteinander in Beziehung stehenden Elementen versteht, deren Zusammenspiel Eigenschaften hervorbringt, die über die Einzelteile hinausgehen (Interdependenz, Rückkopplung, Emergenz, mentale Modelle und Systemgrenzen als vier Grundprinzipien). Kommt aus fünf ursprünglich getrennten Traditionen zusammen: Philosophie, Soziologie, Biologie, Kybernetik und Ingenieurwesen. Im Buch das gedankliche Fundament des S‑OPDT-Modells: Die vier Prinzipien geben jeder der fünf Dimensionen ihren Platz, statt sie als Checkliste zu behandeln. Ausführlich in Band 1, Kapitel 2.2.
In allen Bänden
Systems of Record / Systems of Engagement / Systems of Intelligence (Dreiteilung)
Eine Klassifikation von Unternehmenssoftware. Die ersten beiden Stufen gehen auf eine Taskforce der AIIM (Association for Intelligent Information Management) unter Mitwirkung von Geoffrey Moore zurück (AIIM, 2010), Moore (2011) hat sie ausgearbeitet; George Gilbert und Dave Vellante (Wikibon, heute theCUBE Research) haben sie seit 2016/17 um eine dritte Stufe erweitert. Systems of Record sind die klassischen, stabilen Transaktionssysteme (ERP, CRM, Kernbuchhaltung). Systems of Engagement sind die Systeme, die direkt mit Kunden interagieren (CDP, Kampagnenmanagement, Self-Service-Portale). Systems of Intelligence sind die jüngste, dritte Stufe: eine unternehmensweite Kontextschicht, die Daten, Semantik, Governance, Geschäftslogik, Handlungen, Agenten-Spuren und institutionelles Wissen so organisiert, dass Menschen und KI-Agenten bessere Fragen stellen, bessere Antworten erhalten und kontrolliert handeln können. Praxisrelevanz: Der Begriff „Systems of Record“ kehrt in der Tech-Lasagne dieser Reihe wieder: Die Kernsysteme der Resource Plane bilden das, was im Betriebsmodell-Vokabular Systems of Record heißt (s. Band 2.2, Kapitel 5.2). Laut Vellante/Gilberts eigener Analyse (Juni 2026) hat selbst ein Vorreiter wie Snowflake dieses „System of Intelligence“ noch nicht vollständig gebaut, es entsteht aus dem Zusammenspiel mehrerer Bausteine, nicht aus einem einzigen Produkt. Ausführlich in Band 3, Abschnitt 4.8. „Talk to your Data“: Ein Konzept, das die natürlichsprachliche Interaktion mit Daten und Wissensbasen ermöglicht. Es kombiniert natürliche Sprachverarbeitung, Knowledge Graphs und semantische Technologien, um Benutzern zu ermöglichen, in natürlicher Sprache Fragen zu stellen und Antworten aus komplexen Datenbeständen zu erhalten. Ausführlich, inklusive der technischen Umsetzung über RDF und GraphRAG, in Band 1.1, Kapitel 2.1.
In allen Bänden
Systems of Truth / Systems of Context
Scott Brinkers 2025 vorgeschlagene Ablösung des klassischen Schemas „Systems of Record vs. Systems of Engagement“. Systems of Truth (Data Warehouses/Lakehouses) trennen Datenspeicherung von der domänenspezifischen Entscheidung, was als „wahr“ gilt; Systems of Context (KI-Agenten) erzeugen Kontext dynamisch statt in fixen App-Strukturen. Praxisrelevanz: Der Stack wandelt sich damit vom Schichtenmodell zum Graphen um die Systems of Truth herum, ausführlich in Band 3, Kapitel 1.3. „Talk to your Data“: Ein Konzept, das die natürlichsprachliche Interaktion mit Daten und Wissensbasen ermöglicht. Es kombiniert natürliche Sprachverarbeitung, Knowledge Graphs und semantische Technologien, um Benutzern zu ermöglichen, in natürlicher Sprache Fragen zu stellen und Antworten aus komplexen Datenbeständen zu erhalten. Ausführlich, inklusive der technischen Umsetzung über RDF und GraphRAG, in Band 1.1, Kapitel 2.1.
Band 2.1 · Band 2.2
T
Talk to your Model (eigene Prägung)
Die Sprachschnittstelle über dem Wirkmodell statt über den Rohdaten. Abgrenzung zu Talk to your Data (Band 1.1, Kapitel 1.1): Talk to your Data befragt die Vergangenheit (was ist passiert), Talk to your Model befragt die Zukunft unter Eingriff (was passiert, wenn). Architektur: LLM übersetzt Frage und Antwort, gerechnet wird im kalibrierten Kausal-/Simulationsmodell. Entstehende Produktkategorie (u. a. Chat-Interfaces über MMM, Anbieterclaims), noch ohne unabhängige Wirkungsmessung. Ausführlich in Band 3.1, Kapitel 4.3.
Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Target Architecture / Baseline Architecture (TOGAF)
Zwei präzise definierte ADM-Artefakte, keine Synonyme für „Vision“: Die Baseline Architecture dokumentiert die Ist-Architektur, wie ein Unternehmen heute tatsächlich aufgestellt ist; die Target Architecture ist die formal ausgearbeitete Soll-Architektur, aufgeschlüsselt nach den vier BDAT-Ebenen (Business, Data, Application, Technology, s. TOGAF). Abgrenzung zum in diesem Buch verwendeten „Zielbild“: Zielbild ist der bewusst methodenneutralere, umgangssprachlichere Bruder der Target Architecture: beschreibt denselben konkret ausgestalteten Soll-Zustand, ist aber nicht an TOGAFs BDAT-Gliederung oder ein bestimmtes ADM-Artefakt gebunden. Ausführlich in Band 2.2, Abschnitt 1.2.4.
In allen Bänden
Target Operating Model (TOM) / (AI) Target Operating Model
Ein etabliertes Konzept aus der Managementberatung (u. a. bei McKinsey, Deloitte, BCG, Accenture seit Jahrzehnten im Einsatz), das beschreibt, wie eine Organisation in einem definierten Zeithorizont tatsächlich arbeiten soll: mit welcher Struktur, welchen Rollen, welchen Prozessen, Steuerungsmechanismen, Kompetenzen und welchem Technologieeinsatz. Gegenstück zum Current Operating Model (dem historisch gewachsenen Ist-Zustand). Der Zusatz „(AI)“ ist die aktuelle Weiterentwicklung des Begriffs: KI ist heute selbstverständlicher Bestandteil des Zielbilds, nicht mehr nachträglich aufgesetztes Extra. Praxisrelevanz: Ein TOM ist kein Organigramm und keine Governance-Richtlinie, sondern das umfassendere Bild, aus dem sich beides erst ableiten lässt. Abgrenzung ausführlich in Band 2.1, Kapitel 4.3.
In allen Bänden
Taxonomie
Eine hierarchische Begriffsordnung mit reinen Ist-eine-Art-von-Beziehungen zwischen Ober- und Unterbegriffen, nach Obrst (2003) die zweite von fünf Stufen zwischen einem losen kontrollierten Vokabular und einer formalen, logischen Ontologie (s. Band 3, Kapitel 1.5). Eine Ontologie geht darüber hinaus: Sie erlaubt beliebige, formal festgelegte Beziehungen zwischen Begriffen, nicht nur die Ist-eine-Art-von-Hierarchie einer Taxonomie (s. Ontologie). Praxisrelevanz: Terminologiearbeit, die verbindliche Klärung einzelner Begriffe, ist die notwendige Vorstufe jeder Taxonomie; erst geklärte Begriffe tragen eine Hierarchie darüber, ausführlich in Band 3, Abschnitt 2.1.1.
In allen Bänden
TBox / ABox
Zwei feste Fachbegriffe der Beschreibungslogik, auf der RDF/OWL aufbaut, für die Trennung von Schema und Instanzdaten. Die TBox (Terminological Box) ist die Schema-Ebene: Sie legt fest, welche Klassen und Beziehungen es in einer Domäne überhaupt geben kann, unabhängig von jedem einzelnen Datensatz. Die ABox (Assertional Box) ist die Instanzebene: Sie hält fest, was tatsächlich existiert, welche konkreten Personen, Organisationen und Beziehungen in den Daten stehen. Praxisrelevanz: Die TBox ist der Bauplan eines Hauses, die ABox das fertige, bewohnte Haus; Band 2.2 überträgt dieselbe Unterscheidung unter eigenem Namen (Typschicht/Ausprägungsschicht) auf das Capability Management. Ausführlich in Band 1.1, Kapitel 1.3.
Band 1.1 · Band 2.1 · Band 2.2
TCO (Total Cost of Ownership)
Die Gesamtkosten einer Investition über ihre gesamte Nutzungsdauer, also neben dem Anschaffungspreis auch Einführung, Integration, Betrieb, Wartung, Schulung und Ausstieg. Der Blick auf die TCO verhindert, dass eine Entscheidung allein am Stück- oder Lizenzpreis fällt. Im Buch ist die TCO zu niedrig angesetzt, wenn ein Business Case (s. dort) die Vorleistungen bei Daten und Fähigkeiten nicht erfasst (s. Band 2, Abschnitt 1.4.3).
In allen Bänden
Team Topologies
Organisationsmodell für schnelle Wertströme (Skelton & Pais, 2019) mit vier Teamtypen: stream-aligned (wertstromorientiert), platform, enabling und complicated-subsystem, dazu die kognitive Last als hartes Zuschnittskriterium: Kein Team soll mehr Verantwortung tragen, als sein gemeinsames Arbeitsgedächtnis verkraftet. Im S‑OPDT-Bild: Die Data Engine ist der Sache nach ein Plattform-Team, die Community of Practice ein befähigendes Team; verwandt mit dem Brain-Capital-Thema (Band 4, Abschnitt 6.2.4). Ausführlich in Band 2.1, Kapitel 4.3.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 4
Technische Capabilities
Fähigkeiten eines Unternehmens, die sich auf seine technologische Infrastruktur und IT-Systeme beziehen. Im S‑OPDT-Modell ist dies die dritte der drei Capability-Arten neben funktionalen und organisatorischen Capabilities (s. dort).
Band 2.1 · Band 2.2
Technologiearchitektur
Struktur und Organisation der Technologien und Systeme eines Unternehmens. Im S‑OPDT-Modell wird sie in der Technologie-Strategie (s. Katalog der Reflexions- und Diagnosefragen) explizit auf die anderen vier Dimensionen abgestimmt, statt isoliert von der IT entworfen zu werden.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Temperatur (Sampling-Parameter)
Ein Einstellwert, der steuert, wie stark ein Sprachmodell beim nächsten Token vom statistisch wahrscheinlichsten Wort abweichen darf. Niedrige Temperatur (nahe 0) macht Antworten weitgehend deterministisch und wiederholbar, geeignet für Fakten, Code oder alles, was Nachvollziehbarkeit verlangt. Hohe Temperatur erhöht Variabilität und wirkt kreativer, erhöht aber auch das Risiko von Halluzination (s. dort) und Inkohärenz. Praxisrelevanz: Für graphgestützte, faktentreue Anwendungen im Sinn dieses Buchs ist niedrige Temperatur die naheliegende Voreinstellung, für Ideengenerierung oder Textvarianten eine höhere.
Band 1 · Band 1.1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3
Temporal Knowledge Graph / Fluent
Zwei verwandte, aber unterschiedliche Antworten auf die Frage, wie ein Wissensgraph einen sich über die Zeit wandelnden Sachverhalt abbildet. Ein Temporal Knowledge Graph annotiert Kanten direkt mit einem Zeitstempel oder Zeitintervall [Start, Ende], in dem eine Beziehung galt (Leblay & Chekol, 2018), und macht die Gültigkeitsspanne damit zu einem strukturellen Merkmal der Kante selbst, anders als die über Reifikationsknoten geführte Bitemporalität (s. dort). Ein Fluent, ein deutlich älterer Begriff der Wissensrepräsentation (McCarthy, 1963; McCarthy & Hayes, 1969), ist eine Eigenschaft oder ein Zustand, der in einer Situation gilt und sich durch ein Ereignis in eine andere Situation hinein ändert: Statt eine Kundin direkt mit dem Wert „aktiv“ zu verknüpfen, hängt an ihr ein eigener Fluent-Knoten „Vertragsstatus“, der für eine Zeitspanne einen Wert trägt und danach von einem neuen Fluent-Knoten abgelöst wird. Praxisrelevanz: Der Temporal Knowledge Graph fragt nach der Zeit, wie hat sich X zwischen zwei Zeitpunkten verändert, der Context Graph (s. Context Layer) fragt nach dem Umfeld, beide beantworten verschiedene Fragen, keine konkurrierenden Antworten auf dieselbe. Ausführlich in Band 1.1, Kapitel 2.2.
In allen Bänden
Temporale Extensions (Temporal Extensions, z. B. TigerGraph, Neo4j)
Die native Datenbank-Unterstützung, zeitversionierte Knoten-/Kantenzustände zu speichern und abzufragen, ohne bitemporale Muster mühsam per Anwendungslogik nachzubauen. TigerGraph setzt das über das „Multi-Edge“-Konzept um: Mehrere zeitgestempelte Kanten zwischen denselben Knoten koexistieren, GSQL filtert direkt nach Gültigkeitszeitpunkt oder -fenster (TigerGraph-Praxisbeispiele: Geldwäscheprävention, zeitversionierte Vertriebshierarchien). Neo4j bietet keinen eingebauten bitemporalen Datentyp, das Muster wird meist über Beziehungs-Eigenschaften (gueltigVon/gueltigBis) und „Schließen“ alter statt Löschen nachgebaut, Forschungsarbeiten schlagen dafür SQL-nahe Abfragesyntax (AS OF, BETWEEN AND) vor. Technische Umsetzung von bitemporaler Modellierung, keine eigenständige Idee. Ausführlich in Band 1.1, Kapitel 1.3.
In allen Bänden
Tensor / Sparse Tensor
Ein Tensor ist die Verallgemeinerung einer Tabelle auf mehr als zwei Achsen: Statt Zeilen und Spalten (wie in einer klassischen Excel-Tabelle) spannt ein Tensor ein Gitter aus drei oder mehr unabhängigen Achsen auf, sodass jede Zelle über eine mehrteilige Koordinate statt über nur Zeile/Spalte adressiert wird. Ein Sparse Tensor ist ein solches mehrdimensionales Gitter, in dem die allermeisten Zellen leer bleiben und nur ein kleiner Teil tatsächlich mit Werten befüllt ist, die rechnerisch mögliche Zahl an Zellen (alle Achsen multipliziert) sagt damit nichts darüber aus, wie viel davon in der Praxis tatsächlich genutzt wird. Praxisrelevanz: Das S‑OPDT-Bedeutungsmodell nutzt dieses Adressierungsprinzip für seine drei orthogonalen Achsen Dimension, Raum und Ebene: Bei 5 Dimensionen, 4 Räumen und 5 Ebenen ergeben sich rechnerisch 100 adressierbare Zellen, von denen pro Unternehmen immer nur ein Bruchteil tatsächlich befüllt wird, nämlich der, den eine konkrete Competency Question braucht. Ebene 0, der Rahmen der Strategy of Record, liegt außerhalb dieses Rasters. Gemeint ist hier ausdrücklich nur die Koordinaten- und Sparsity-Idee, ein dreiachsiges Klassifikationsraster mit mehrteiliger Zelladresse, nicht ein Tensor im engeren mathematischen oder Machine-Learning-Sinn mit Tensoralgebra, Kontraktionen oder einem numerischen Wertefeld je Zelle: Der Begriff Tensor dient hier als anschauliche Analogie zur Adressierungslogik, keine Operation dieses Buchs rechnet tatsächlich mit Tensoren. Das erklärt zugleich, warum eine vollständige Referenzstruktur kein unrealistischer Anspruch ist: Vollständig ist nur das Gitter selbst (das Menü), nicht seine Befüllung. Ausführlich, inkl. Beispiel, in Band 2.2, Abschnitt 1.4.4.
Band 1 · Band 1.1 · Band 2.1 · Band 4
Termbase
Eine strukturierte Sammlung verbindlich definierter Fachbegriffe eines Unternehmens oder einer Domäne (Definition, Quellenbeleg, Verwendungskontext, Vorzugsbenennung, Abgrenzung zu Nachbarbegriffen, Owner, Versionierung), das praktische Arbeitsergebnis der Terminologiearbeit (s. dort), im deutschsprachigen Raum oft schlicht „Glossar“ genannt. Enthält als Teilkonzept die Vorzugsbenennung: die unter mehreren im Unternehmen kursierenden Synonymen verbindlich festgelegte, zu verwendende Bezeichnung für einen Begriff, damit nicht mehrere Teams unterschiedliche Namen für dasselbe Konzept pflegen. Praxisrelevanz: Eine gepflegte Termbase ist die Voraussetzung dafür, dass eine spätere Taxonomie oder Ontologie nicht auf innerlich uneinheitlichem Vokabular aufsetzt. Ausführlich in Band 3, Kapitel 2.1.
In allen Bänden
Terminologiearbeit
Die verbindliche Definition und einheitliche Verwendung einzelner Fachbegriffe (Termini), inklusive Quellenbeleg, Verwendungskontext, bevorzugter Benennung und Zuständigkeit, ohne notwendigerweise deren Beziehungen zueinander zu modellieren. Die notwendige Vorstufe von Taxonomie und Ontologie: Ohne verbindlich geklärte Einzelbegriffe bleibt jede Hierarchie und jedes Beziehungsnetz brüchig. Orientiert an den Prinzipien von ISO 704 („Terminology work: Principles and methods“) und DIN 2330 (Begriffe und Benennungen, Allgemeine Grundsätze): klare Trennung von Begriff (Konzept) und Benennung (Bezeichnung), pro Begriff genau eine bevorzugte Benennung, Abgrenzung zu Nachbarbegriffen. Ausführlich in Band 3, Kapitel 2.1.
In allen Bänden
Text-to-Speech (TTS)
Technologie, die geschriebenen Text in natürlich klingende gesprochene Sprache umwandelt.
Band 1 · Band 1.1
The Ontology Pipeline® (Talisman)
Ein sequenzielles, sechsstufiges Modell der amerikanischen Information-Architektin und Semantic Engineer Jessica Talisman (MLS, u. a. Adobe, Amazon, Gründerin von Contextually LLC und der Knowledge Graph Academy) für den Aufbau semantischer Wissensinfrastruktur: Controlled Vocabulary (kontrolliertes Vokabular, dedupliziert und definiert), Metadata Standards (strukturell, beschreibend, administrativ), Taxonomy (hierarchische Ober-Unterbegriffe), Thesaurus (assoziative Beziehungen über SKOS), Ontology (Klassen, Beziehungen, Axiome, echtes Reasoning) und Knowledge Graph als abschließende Synthese- und Visualisierungsschicht. Kernthese: Jede Stufe bereitet den Boden für die nächste, wer eine überspringt, etwa direkt zur Ontologie oder zum Wissensgraphen greift, baut ein konstruktionsbedingt fehlerhaftes System. Metapher der Urheberin: Eine Ontologie zu bauen gleicht dem Schreiben einer Geschichte, die Domänen, Systeme und die Beziehungen zwischen allen Figuren, Orten, Dingen und Begriffen festlegt.
In allen Bänden
Thesaurus
Eine Begriffsordnung, die eine Taxonomie um die Beziehungen erweitert, die keine Unterart sind: Synonyme, verwandte Begriffe und Abbildungen auf andere Vokabulare, auch über Sprachgrenzen hinweg; genormt in ISO 25964 (Teil 1, 2011; Teil 2, 2013), maschinenlesbar in SKOS (Simple Knowledge Organization System). Vierte Station der The Ontology Pipeline® (Talisman) und Stufe 4 in Band 2.2, Kapitel 4.4. Praxisrelevanz: Für Häuser, die intern auf Deutsch und nach außen auf Englisch arbeiten, ist der Thesaurus die Stelle, an der „Kunde“ und „customer“ ein Begriff mit zwei Benennungen werden statt zwei Begriffe.
Band 2
Thesaurus (SKOS)
Eine Zwischenstufe zwischen Taxonomie und Ontologie: Während eine Taxonomie nur die Ober-Unterbegriff-Hierarchie liefert, klärt ein Thesaurus zusätzlich, wie zwei Begriffe auf derselben oder benachbarter Ebene zueinander stehen, ob sie Synonyme sind, sich überschneiden oder bloß verwandt sind. Genormt ist der Thesaurus in ISO 25964 (Teil 1, 2011; Teil 2, 2013). SKOS (Simple Knowledge Organization System, seit 2009 W3C-Empfehlung) ist der Standard, mit dem das im Buch umgesetzt wird, über drei Beziehungstypen: broader (Oberbegriff), narrower (Unterbegriff) und related (verwandter, nicht-hierarchischer Begriff). SKOS erlaubt außerdem, an denselben Konzept-Knoten mehrere sprachlich getaggte Bezeichnungen zu hängen (Mehrsprachigkeit), und über exactMatch/closeMatch auch Begriffe ohne saubere Eins-zu-eins-Entsprechung zwischen Sprachen zu verknüpfen. Für Häuser, die intern auf Deutsch und nach außen auf Englisch arbeiten, ist der Thesaurus damit die Stelle, an der „Kunde“ und „customer“ ein Begriff mit zwei Benennungen werden statt zwei Begriffe. In der The Ontology Pipeline® (Talisman) ist er die vierte Station. Ausführlich in Band 1.1, Kapitel 1.3, als Stufe 4 der Bedeutungsmitte in Band 2.2, Kapitel 4.4.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
Thinnest Viable Platform (TVP)
Begriff aus Team Topologies (Skelton & Pais, 2019) für die kleinste Plattform, die den Teams, die darauf bauen, gerade genügt, im Grenzfall eine Wikiseite, und die erst wächst, wenn diese Teams mehr brauchen. Praxisrelevanz: Für Agenten reicht die Wikiseite nicht, weil ein Agent nur einhält, was technisch durchgesetzt ist; die schmalste tragfähige Plattform hat deshalb fünf Bestandteile. Ausführlich in Band 1, Abschnitt 2.6.5.
Band 1
Threat-Rigidity-Effekt
Ein Befund aus der Organisationsforschung, wonach wahrgenommene Bedrohung auf individueller, Gruppen- und Organisationsebene die Informationsverarbeitung verengt und Kontrolle zentralisiert, statt die Offenheit für neue Lösungen zu erhöhen (Staw, Sandelands & Dutton, 1981). Für die Praxis folgt daraus: Wer eine Transformation mit Angst und künstlichem Druck einleitet, erzeugt eher hektische Aktivität derselben Art als den Erfindungsreichtum, den echte Veränderung braucht. Ausführlich hergeleitet in Band 4, Kapitel 4.12.
Band 4
Tiered Memory (inkl. Recall Storage und Archival Storage)
Ein Speicherkonzept für KI-Agenten-Gedächtnis (s. Memory-Architektur), das Erinnerungen nach Zugriffshäufigkeit und -dringlichkeit in Stufen organisiert statt alles gleich zu behandeln: Recall Storage hält kürzlich oder häufig benötigte Erinnerungen schnell abrufbar nah am aktiven Kontext, Archival Storage lagert selten gebrauchtes, aber nicht gelöschtes Wissen kostengünstiger und langsamer abrufbar aus, ähnlich wie ein Schreibtisch (aktueller Kontext), ein Aktenschrank im Büro (Recall) und ein Kellerarchiv (Archival). Praxisrelevanz: Ohne Tiered Memory müsste ein Agent entweder alles im teuren, begrenzten Kontextfenster halten oder Wissen komplett verlieren. Die Stufung macht Langzeitgedächtnis erst wirtschaftlich skalierbar (Beispiel-Implementierung: MemGPT/Letta).
In allen Bänden
Time and Material (T&M)
Abrechnung nach Aufwand: Der Dienstleister erhält seine Kosten (Stunden, Tage, Material) ersetzt und einen vorab festgelegten Gewinn darauf, ein Preis für das Ergebnis ist nicht vereinbart, das Kostenrisiko trägt der Kunde. Vorteil: wenig Verhandlungsaufwand, Änderungen werden leicht aufgenommen. Nachteil: Anreiz, Aufwand zu dehnen (Moral Hazard), und Risiko steigender Kosten. Im Buch die Gegenform zum Forward Deployed Engineer (s. dort), der ein Ergebnis im Betrieb schuldet; Band 2, Abschnitt 2.6.2.
Band 2
Time Travel (Zeitreise)
Abfrage früherer Stände, in dieser Reihe in zwei Bedeutungen. Bei offenen Tabellenformaten wie Delta Lake oder Apache Iceberg heißt Time Travel, eine frühere Version einer Tabelle zu lesen (welche Daten enthielt Version 42?); das Zurücksetzen einer Tabelle auf diese Version ist ein eigener Vorgang. Im Wissensgraphen ist es die aus Reifikation, bitemporaler Modellierung und temporalen Extensions resultierende Abfragefähigkeit mit zwei Zeitachsen: was zum Zeitpunkt X galt, nach dem Wissensstand vom Zeitpunkt Y (s. Bitemporale Modellierung; Abgrenzung in Band 1.1, Kapitel 1.2). Zentral für AI-Act-Nachvollziehbarkeit (Rekonstruktion, was ein KI-System zum Entscheidungszeitpunkt wusste), Debugging und Audit. Ergänzt Traceability (die Frage „woher stammt diese Aussage“) um die Achse „was galt/wusste man wann“. Zusammen sind beide Grapheigenschaften mögliche Evidenzartefakte für die Nachweispflichten des AI Act, keine automatische Erfüllung durch die Konstruktion allein. Ausführlich in Band 1.1, Kapitel 1.3.
In allen Bänden
TinyML
Betrieb trainierter maschineller Lernmodelle auf stark ressourcenbeschränkter Hardware, meist Mikrocontrollern mit einer Leistungsaufnahme von oft unter einem Milliwatt und wenigen hundert Kilobyte Arbeitsspeicher (Lin, Zhu, Chen, Wang & Han, 2023). Damit ein Modell in diesen Rahmen passt, wird es komprimiert und quantisiert, also die Zahlengenauigkeit seiner Gewichte auf 8-Bit- oder 4-Bit-Werte reduziert. Der engste Sonderfall von Edge Analytics (s. dort). S. Band 2.2, Kapitel 5.2.
Band 2.2
To-Prove (Wirkungsmessung)
Im Buch der dritte Schritt nach To-Be (Zielbild) und To-Do (Umsetzung): der Nachweis, dass eine Maßnahme tatsächlich gewirkt hat, gemessen aus den Kernsystemen und auf denselben Definitionen wie die Hypothese, mit der geplant wurde. Erst alle drei zusammen schließen den Kreis, den die Strategieschleife auf Unternehmensebene beschreibt. To-Be ist als Gegenstück zum Ist-Zustand (As-Is) geläufig; To-Prove ist eine im Buch verwendete Ergänzung, fachlich entspricht ihr die Benefits Realisation (s. dort; Band 2, Kapitel 1.6).
Band 1 · Band 2 · Band 2.1 · Band 2.2 · Band 2.3 · Band 4
TOGAF (The Open Group Architecture Framework)
Ein weit verbreiteter offener Standard für Unternehmensarchitektur (Enterprise Architecture): liefert eine Methode (die „Architecture Development Method“, ADM) sowie eine Klassifikation von Architekturebenen (Business, Data, Application, Technology, kurz BDAT), mit der Organisationen ihre IT-und Geschäftslandschaft systematisch dokumentieren und weiterentwickeln. Praxisrelevanz: Die Tech-Lasagne dieses Buchs verwendet TOGAFs BDAT-Klassifikation und das ABB/SBB-Prinzip (Glossar Modellbegriffe, Band 2.1) bewusst als externen, geprüften Standard statt einer Eigenerfindung, wichtig für Leser mit Enterprise-Architecture-Hintergrund, um die Anschlussfähigkeit an ihre bestehende Praxis zu erkennen.
In allen Bänden
Token / Tokenisierung
Die kleinste Verarbeitungseinheit, in die ein Sprachmodell Text vor der eigentlichen Berechnung zerlegt, meist Wortteile statt ganzer Wörter (aus „Transformation“ könnte „Trans“ und „formation“ werden). Praxisrelevanz: Tokens sind die Abrechnungseinheit der meisten API-Anbieter (Kosten pro Million Tokens) und zugleich die begrenzende Ressource des Kontextfensters (s. Kontext). Im Deutschen braucht ein Text wegen komplexerer Wortbildung meist mehr Tokens als derselbe Inhalt im Englischen, ein oft übersehener Kostenfaktor bei mehrsprachigen Systemen. Tragedy of the Commons im Unternehmenskontext: Die auf autonome Unternehmens-Agenten übertragene, aus der Spieltheorie und der Ressourcenökonomie bekannte Beobachtung (Hardin, 1968), dass rational und lokal optimierende Akteure eine gemeinsame Ressource oder ein gemeinsames Ziel übernutzen beziehungsweise gegeneinander ausspielen, wenn keine übergeordnete Abstimmung stattfindet. Im Unternehmen: ein Einkaufs-, ein Vertriebs- und ein Produktions-Agent, jeder für sich auf sein eigenes Ziel optimiert, können in Summe ein für das Unternehmen schädliches Ergebnis erzeugen, selbst wenn jeder Einzelne korrekt handelt. Aktiv beforscht im Rahmen von Multi-Agent Reinforcement Learning (MARL, s. dort), unter anderem in einer computerökonomischen Simulationsstudie zur Steuerung von Allmendegütern (2026). Praxisrelevanz: Begründet, warum die Zerlegung eines Unternehmens in einzelne, autonom handelnde Agenten eine übergeordnete, befragbare Instanz nicht überflüssig macht, sondern erst recht notwendig. Ausführlich in Band 4, Kapitel 7.6.
In allen Bänden
Total Experience (TX)
Ein umfassendes Konzept, das darauf abzielt, die Erlebnisse verschiedener Stakeholder-Gruppen (insbesondere Kundenerlebnis (CX), Mitarbeitererlebnis (EX), Nutzererlebnis (UX) und Multi-Experience (MX)) integriert zu betrachten und zu optimieren. Das Buch nennt TX als Höhepunkt der Abstraktionsebenen in der kundenzentrierten Organisation. Ziel ist ein durchgängig positives Gesamterlebnis, das Unternehmenserfolg und Loyalität steigert.
Band 1 · Band 1.1 · Band 2.1 · Band 2.2 · Band 2.3
Transformationsarchitektur
Das funktionale Zielbild eines Vorhabens, aufgebaut aus strategischen Building Blocks (Handlungsfeldern), die je Block ausweisen, was in Technologie, Daten und Sourcing gebraucht wird; beantwortet, was das Haus können muss. Abzugrenzen vom Solution Design (s. dort), das beantwortet, womit und wie. Ausführlich in Band 2.1, Abschnitt 3.1.5.
Band 1 · Band 1.1 · Band 2.1
Transformationsfeld
Spezifischer Bereich an der Kreuzung zweier S‑OPDT-Dimensionen, der transformiert werden muss, um die strategischen Ziele zu erreichen. Ausführlich, inklusive der Herleitung der 25 Felder aus der Überlagerung von Strategie, Organisation, Prozessen, Daten und Technologie (sechzehn davon im Kern des Betriebsmodells, neun mit Strategie als Zeile oder Spalte), in Band 2.1, Kapitel 3.1.
In allen Bänden
Transformer
Eine neuronale Netzwerkarchitektur, die besonders gut darin ist, Beziehungen und Abhängigkeiten in sequenziellen Daten wie Text zu verarbeiten, oft mittels Aufmerksamkeitsmechanismen.
Band 1 · Band 1.1
Traversierung (Graph-Traversierung)
Das systematische Ablaufen eines Graphen entlang seiner Kanten, von Knoten zu Knoten, die Grundoperation jeder Graphabfrage. Alltagsbild: mit dem Finger auf der Landkarte von Ort zu Ort die Straßen entlangfahren, statt alle Ortsnamen alphabetisch durchzulesen. Auf Traversierung beruhen Pfadsuche und Nachbarschaftsanalysen (s. Band 1.1, Kapitel 2.3) und damit jede Frage der Form „Wie hängt A mit B zusammen?“, auch das Multi-Hop-Reasoning (s. dort) ist gesteuerte Traversierung.
Band 1.1 · Band 2.2 · Band 4
Tree of Thoughts (ToT)
Prompttechnik, bei der das Modell mehrere Lösungswege erzeugt, bewertet, den besten weiterverfolgt und bei Bedarf zurückspringt; geeignet für Entscheidungen und Architekturfragen (Yao et al., 2023). S. Band 2.2, Kapitel 5.2.
Band 2.2
Triangulation (Assessment-Methodik)
Dieselbe Grundidee wie bei der Triangulation als Messmethodik (s. dort), angewendet auf Ausbaustufen- und Fähigkeitsbewertung: Eine Fähigkeit wird über mehrere unabhängige Kanäle gelesen, etwa Selbstauskunft, Artefaktbeleg und beobachtetes Symptom, statt zu einem Mittelwert verrechnet. Abweichungen zwischen den Kanälen sind der eigentliche Befund, nicht Rauschen. Akademisch verankert in Denzin (1978); als etabliertes Prinzip der Assessment-Branche selbst bereits umgesetzt in der RADAR-Logik des EFQM Excellence Model (Approach/Deployment/Results getrennt bewertet) und in ISO/IEC 33002 (Pflicht zu „objective evidence“ statt bloßer Selbstauskunft). Ausführlich in Band 1, Abschnitt 2.4.7, dort auch verknüpft mit dem 4K-Modell (Kohärenz/Kongruenz) und dem neuen Begriff der strategischen Spannung. Die Kanäle lassen sich zusätzlich danach unterscheiden, ob sie von innen (Selbstauskunft) oder von außen gelesen werden, Experte, Marktbenchmark oder Kunden-/Stakeholder-Befragung; ausgeführt im Arbeitsheft Intelligent Diagnostics, Anhang M, Abschnitt „Wer misst“. Die Kunden-/Stakeholder-Befragung ist dabei eine günstige und schwer zu beschönigende Außenlesart, verwandt mit NPS, CES und CSAT als Symptommessung in Band 3, Abschnitt 7.3.3.
Band 1 · Band 2.1
Triangulation (Messmethodik)
Die Kombination mehrerer, methodisch unterschiedlicher Messverfahren zu einem Urteil, statt einem einzelnen Modell blind zu vertrauen, im Mediakontext konkret MMM (Portfolio-Sicht) plus Inkrementalitätstests (experimentell abgesicherte Kausalität im Einzelfall) plus Plattform-Attribution (taktisches Signal im Tagesgeschäft). Praxisrelevanz: Der Stand der Technik 2026 für Mediabudget-Steuerung, ausführlich in Band 3.1, Kapitel 4.1, eine strukturelle Fortsetzung des in Band 3.1, Kapitel 1.1 beschriebenen virtuellen Analysten, mehrere Perspektiven statt einer einzigen Wahrheit.
Band 1 · Band 2.1
TriG (RDF-Serialisierungsformat)
Eine Erweiterung von Turtle um ein viertes Element: Statt nur Tripel (Subjekt, Prädikat, Objekt) speichert TriG Quads, Tripel plus benannter Graph, und kann damit mehrere RDF-Graphen mitsamt ihrer Zugehörigkeit in einer einzigen Datei ablegen. W3C Recommendation seit Februar 2014 (RDF 1.1 TriG), eine erweiterte RDF-1.2-Fassung mit Reifikationsunterstützung ist seit März 2026 in Überarbeitung. N-Quads (s. dort) leistet dasselbe für das schlichtere N-Triples. Praxisrelevanz: Für die reine Bedeutungsfrage sind die Austauschformate Turtle, RDF/XML, N-Triples und JSON-LD untereinander austauschbar, sobald aber Herkunft oder Vertrauensstatus einer Aussage selbst Teil der Bedeutung werden, etwa bei einer Data-Contract-Quarantäne für Agentendaten (s. Band 2.1, Kapitel 4.8), braucht das Format eine vierte Stelle: durchgängig bei TriG und N-Quads, bei JSON-LD über das Schlüsselwort @graph, bei Turtle, RDF/XML und N-Triples gar nicht. Ausführlich in Band 1.1, Kapitel 2.1.
Band 1.1 · Band 2.2
Triple Store
Eine spezialisierte Datenbank, die Wissen als Tripel (Subjekt, Prädikat, Objekt, z. B. „Kunde kauft Produkt“) speichert und über Abfragesprachen wie SPARQL durchsucht; die native Speicherform für RDF-basierte Wissensgraphen und Ontologien. Praxisrelevanz: Triple Stores sind neben Property-Graph-Datenbanken (Neo4j, TigerGraph) die zweite große Familie von Graphdatenbanken; wichtig zum Verständnis, dass „Wissensgraph“ kein einzelnes Produkt, sondern eine Kategorie mit mehreren technischen Umsetzungen ist.
In allen Bänden
Trusted Execution Environment (TEE)
Eine hardware-isolierte Enklave, etwa Intel SGX oder TDX und ARM TrustZone, die Programmcode und Daten selbst vor dem eigenen Infrastrukturbetreiber abschirmt und über eine sogenannte Remote Attestation kryptografisch belegt, dass tatsächlich das geprüfte, unveränderte Programm gelaufen ist. Praxisrelevanz: Eine der etablierten Alternativen zu Blockchain für die Steuerung von Agenten, weil sie Vertrauenswürdigkeit ohne dezentralen Konsens und dessen Latenz herstellt. Ausführlich in Band 2, Kapitel 2.1 und Band 3.1, Abschnitt 2.8.
In allen Bänden
Trustworthy AI (Vertrauenswürdige KI)
KI-Systeme, die ethische Prinzipien einhalten, zuverlässig, transparent, fair und sicher sind.
Band 1 · Band 1.1
Twin Transformation (Zwillingstransformation)
Die parallele, eng miteinander verzahnte Umsetzung von zwei zentralen Veränderungsprozessen: der digitalen Transformation und der Nachhaltigkeitstransformation. In der Digitalisierungs- und Nachhaltigkeitsliteratur seit einigen Jahren etablierter Begriff, keine Prägung dieses Buches. Im Kompendium der Fallstudien, Kapitel 14.4, auf den Finanzdienstleistungssektor angewendet und um Multitransformation (s. dort) erweitert.
Band 2 · Band 2.1 · Band 2.2 · Band 2.3