Glossar

Die Begriffe hinter der Arbeit, die wir ausliefern.

Klare deutsche und englische Definitionen der KI-Konzepte, die in unseren Kundenprojekten am häufigsten vorkommen. Designt, um zitierbar zu sein — von Menschen, Suchmaschinen und Answer Engines.

RAG (Retrieval-Augmented Generation)

Ein Pattern, bei dem ein großes Sprachmodell eine Frage beantwortet, indem es zuerst relevante Dokumente aus Ihrer eigenen Wissensbasis abruft — und dann eine darauf gestützte Antwort generiert. Löst die zwei größten LLM-Probleme für Unternehmen: Halluzinationen und veraltete Daten. Wird in der Praxis für KI-Assistenten auf CRM-, Vertrags-, Research- und internen Wiki-Daten eingesetzt. NxtConnect AI nutzt RAG (genauer: GraphRAG, siehe unten) als Fundament seiner Relationship-Intelligence-Plattform.

GraphRAG

Eine Weiterentwicklung von RAG, die zwischen Retrieval und Generation eine Wissensgraph-Schicht ergänzt. Statt jedes Dokument als isolierten Chunk zu behandeln, verknüpft GraphRAG Entitäten (Personen, Firmen, Projekte, Deals) in einem typisierten Graphen und läuft Beziehungen zur Query-Zeit ab. Ergebnis: besseres Multi-Hop-Reasoning ("wer bei Firma X kennt Person Y?") und deutlich genauere Antworten in beziehungslastigen Domänen wie Sales, Recruiting und Consulting. NxtConnect AI liefert GraphRAG nativ.

Vector Search (semantische Suche)

Suche nach Bedeutung, nicht nach Schlüsselwörtern. Jeder Inhalt (ein Satz, ein Absatz, eine Kontakt-Bio) wird via Embedding-Modell in einen hochdimensionalen Vektor übersetzt; Anfragen werden auf die gleiche Weise konvertiert und per Kosinus-Ähnlichkeit gematcht. Erlaubt Anfragen wie "finde Kontakte, die im Fintech-Bereich an Betrugserkennung arbeiten" — und liefert treffende Ergebnisse, selbst wenn diese exakten Wörter nirgendwo in den Quelldaten vorkommen. Fundament der meisten modernen KI-Suchprodukte.

Hybrid Search

Die Kombination aus Vector-Suche (semantisch) und klassischer Keyword-Suche (BM25), mit Re-Ranking der kombinierten Treffer. Reine Vector-Suche verfehlt exakte Matches (Produktcodes, Modellnummern); reine Keyword-Suche verfehlt Paraphrasen. Hybrid Search gewinnt auf beiden Seiten. Produktionssysteme bei NxtConnect AI nutzen Hybrid Search über strukturierte CRM-Daten plus unstrukturierte Notizen, E-Mail und Meeting-Transkripte in einem einzigen Index.

Embedding-Modell

Ein neuronales Netzwerk, das Text (oder Bilder, Audio, Code) in einen fixen Vektor übersetzt, der die Bedeutung kodiert. Ähnliche Inputs landen nah beieinander im Vektorraum. Die Wahl des Embedding-Modells bestimmt die Qualität jeder nachgelagerten Vector-Suche und RAG-Anwendung — domänenspezifische Embeddings (Recht, Medizin, Sales) schlagen Allzweck-Modelle bei spezialisierten Korpora deutlich. Top Open-Source: nomic-embed, bge-large, jina-v3. Top Closed: OpenAI text-embedding-3-large, Cohere embed-v3.

KI-Agenten

LLM-gesteuerte Systeme, die planen, über Tools (APIs, Datenbanken, Browser) Aktionen ausführen, Ergebnisse beobachten und iterativ auf ein Ziel hinarbeiten — ohne Schritt-für-Schritt-Aufsicht durch Menschen. Anders als ein Chatbot: ein Agent entscheidet auf Basis des aktuellen Zustands, was als nächstes zu tun ist. Produktionsbeispiele: Outbound-BDR-Agenten, die einen Prospect recherchieren, personalisierte Ansprache verfassen und zur menschlichen Freigabe vorlegen; Ops-Agenten, die Support-Tickets systemübergreifend triagieren.

Customer-facing AI

KI-Anwendungen, die direkt mit Ihren Kunden oder Prospects interagieren — Chat-Assistenten in Ihrem Produkt, KI-gestützte Sales-Outreach, Support-Automatisierung, Onboarding-Agenten, KI-empfohlene Next-Best-Actions. Abgrenzbar von interner KI (Analytics, Ops-Automatisierung), weil die Stakes anders sind: Latenz, Tonalität, Brand-Konsistenz und Fehlermodi sind sichtbar. Die meisten NxtConnect-AI-Engagements liefern zuerst Customer-facing AI aus — dort sitzt der größte Hebel.

AI Adoption

Die Arbeit nach dem Launch, um sicherzustellen, dass ein KI-System tatsächlich von den Menschen genutzt wird, für die es gebaut wurde. Umfasst Change Management, Enablement-Trainings, Messung, Feedback-Loops und das Re-Shaping des Systems auf Basis realer Nutzungsdaten. Die meisten KI-Implementierungen scheitern nicht auf der technischen Ebene, sondern bei der Adoption — schöne KI, die niemand nutzt, weil niemand ihr vertraut, von ihr weiß oder Zeit hat, sie zu lernen. Adoption ist das, was Piloten von Produktion trennt.

AI Implementation

Die Arbeit, eine KI-Fähigkeit von der Idee oder Pilot zu einem Produktivsystem zu bringen, das ausliefert, sich in Ihre bestehenden Systeme integriert und reale Last verträgt. Nicht dasselbe wie ein KI-Tool zu kaufen: Implementation umfasst Daten-Plumbing, Security, Evaluation-Harnesses, Fallbacks und Monitoring. Eine gelungene Implementation ist aus Nutzersicht unsichtbar und aus Engineering-Sicht gut instrumentiert.

Salesforce-Simplification

Aufgeblähte Salesforce-Instanzen durch leichtgewichtige, KI-native CRM-Tools ersetzen oder ergänzen, die den richtigen Kontakt, das richtige Gespräch und die nächste Aktion ohne Admin-Overhead anzeigen. Die Position von NxtConnect AI: Die meisten Teams nutzen 8 % von Salesforce, zahlen für 100 % und verlieren wöchentlich Stunden an Dateneingabe. KI-native CRM-Tools drehen das um — automatische Erfassung aus E-Mail und Kalender, Graph wird automatisch gebaut, und nur das wenige wird angezeigt, das wirklich menschliche Aufmerksamkeit braucht.

Sie wollen das konkret durchsprechen?

Buchen Sie einen 30-minütigen Discovery Call und wir mappen das auf Ihren Stack.

Discovery Call buchen Insights lesen