KI-Fachbegriffe -

Was bedeuten GEO, KI-Sichtbarkeit, Groundingpage oder Prompt-Monitoring für ein Hotel? Dieses Glossar erklärt wichtige Begriffe aus KI, Suchmaschinenoptimierung und Hotelmarketing verständlich und mit Blick auf die Praxis. Die Begriffe helfen bei der Einordnung von Maßnahmen; eine Erwähnung oder Empfehlung durch KI-Systeme lässt sich damit allein nicht garantieren.

KI-Grundlagen für Hotels

Künstliche Intelligenz (KI): Oberbegriff für Systeme, die Aufgaben wie Mustererkennung, Sprachverarbeitung oder Vorhersagen übernehmen. Für Hotels reicht die Anwendung von Gästekommunikation bis zur Analyse der eigenen Sichtbarkeit.
Generative KI: KI, die neue Texte, Bilder, Audioinhalte oder andere Ausgaben erzeugt. Ein Reiseassistent kann daraus beispielsweise eine Antwort auf die Frage nach einem passenden Familienhotel formulieren.
Großes Sprachmodell (Large Language Model, LLM): Ein auf umfangreichen Textdaten trainiertes Modell, das Sprache verarbeitet und Texte erzeugt. Seine Antwort auf eine Hotelfrage kann vom Modell, der konkreten Anfrage und gegebenenfalls abgerufenen aktuellen Quellen abhängen.
Agentische KI (KI-Agenten): KI-Systeme, die ein Ziel in mehrere Arbeitsschritte zerlegen und dafür gegebenenfalls Werkzeuge nutzen. Bei einer Reiseplanung kann ein Agent Unterkünfte recherchieren, vergleichen und einen Buchungsschritt vorbereiten; die tatsächlichen Möglichkeiten hängen vom jeweiligen System ab.
Maschinelles Lernen (ML): Teilgebiet der KI, bei dem Modelle aus Daten Muster ableiten. Ein Hotel kann damit zum Beispiel Nachfrageprognosen unterstützen; die Qualität hängt von Daten und Umsetzung ab.
Deep Learning: Maschinelles Lernen mit mehrschichtigen neuronalen Netzen. Es wird unter anderem für Sprach-, Bild- und Mustererkennung eingesetzt.
Neuronales Netzwerk: Rechenmodell aus verbundenen Verarbeitungsschichten, das Zusammenhänge in Daten lernen kann. Es ist ein technischer Baustein vieler moderner KI-Anwendungen.
Natural Language Processing (NLP): Methoden zur Verarbeitung menschlicher Sprache. Im Hotelkontext können sie helfen, Anfragen zu verstehen oder Bewertungen thematisch auszuwerten.
KI-gestützte Suche: Suche, bei der ein System Informationen aus Quellen abruft, zusammenfasst oder eine Antwort formuliert. Hotels können dabei als Link, Quelle oder Empfehlung erscheinen; diese Formen der Präsenz sollten getrennt gemessen werden.

KI-Sichtbarkeit, SEO und Erfolgsmessung

KI-Sichtbarkeit (AI Visibility): Beschreibt, ob und in welchem Zusammenhang ein Hotel in Antworten KI-gestützter Systeme erscheint. Sinnvolle Messgrößen sind beispielsweise Nennung, Empfehlung, Quellenlink und sachliche Richtigkeit – jeweils für festgelegte Fragen, Märkte und Messzeitpunkte. Zur Messmethode des KI-Audits.
Suchmaschinenoptimierung (SEO): Maßnahmen, die eine Website für klassische Suchergebnisse auffindbar und nützlich machen: etwa zugängliche Seiten, passende Inhalte, klare Seitentitel und interne Links. Eine solide SEO-Basis ist auch für viele KI-gestützte Suchfunktionen relevant.
Generative Engine Optimization (GEO): Bezeichnung für Maßnahmen, die Inhalte für KI-gestützte Suche und Antworten verständlich, zugänglich und überprüfbar machen sollen. Dazu gehören konkrete Hotelinformationen, widerspruchsarme Daten und hilfreiche Antworten. Eine KI-Empfehlung lässt sich dadurch nicht erzwingen.
Answer Engine Optimization (AEO): Ausrichtung von Inhalten auf konkrete Fragen, die Such- und Antwortsysteme beantworten. Ein Hotel könnte beispielsweise Anreise, Ausstattung und Zielgruppen direkt und eindeutig auf seiner Website erklären.
Large Language Model Optimization (LLMO): Uneinheitlich verwendeter Begriff für die Verbesserung der Auffindbarkeit und Einordnung einer Marke in LLM-gestützten Anwendungen. In der Praxis sind überprüfbare Informationen und eine klare Positionierung wichtiger als die Abkürzung.
AI-SEO / AIO: Begriffe mit unterschiedlicher Verwendung: Sie können den Einsatz von KI bei SEO-Arbeiten oder die Optimierung für KI-gestützte Sucherlebnisse meinen. Vor einem Auftrag sollte geklärt werden, welche Leistung und welche Messgröße konkret gemeint sind.
KI-Empfehlung eines Hotels: Eine Antwort, die ein Hotel als passende Option für eine konkrete Gästefrage nennt und begründet. Eine bloße Erwähnung des Hotelnamens ist noch keine Empfehlung; bei einer Messung sollten beide Fälle getrennt erfasst werden.
KI-Zitation / Quellenverweis: Ein sichtbarer Link oder Quellenhinweis auf eine Website innerhalb einer KI-generierten Antwort. Ein Quellenverweis zeigt, dass die Seite für diese Antwort herangezogen oder verlinkt wurde; er belegt für sich allein weder eine Hotel-Empfehlung noch eine Buchung.
Domain Citation (Domain-Zitation): Erfassung, wie oft die Domain eines Hotels in untersuchten KI-Antworten als Quelle verlinkt wird. Ein Link zur Hotelwebsite ist etwas anderes als die Nennung des Hotelnamens und sollte getrennt ausgewertet werden.
Domain Coverage (Quellenabdeckung): Anteil der überwachten Fragen, deren KI-Antwort einen Link zur Hotel-Domain enthält. Wenn 4 von 20 geprüften Antworten die Hotelwebsite verlinken, beträgt die Quellenabdeckung in diesem Testset 20 %. Bei OtterlyAI zählen Fälle ohne ausgelöste Google AI Overview nicht in deren Nenner.
Domain Ranking im KI-Monitoring: Rangfolge der Domains nach der Anzahl ihrer Quellenlinks innerhalb eines definierten Frage-Sets. Eine häufig zitierte Buchungsplattform kann vor einer Hotelwebsite stehen; die Kennzahl sagt nichts darüber aus, ob das Hotel selbst empfohlen wurde.
Prompt-Monitoring: Wiederholtes Prüfen festgelegter Fragen in ausgewählten KI-Systemen. Für Hotels sollten Zielgruppe, Reisezweck, Ort, Sprache und Prüfzeitpunkt dokumentiert werden, damit sich Antworten sinnvoll vergleichen lassen.
Search Prompts (KI-Suchfragen): Natürlich formulierte Fragen an ein KI-System, etwa „Welches familienfreundliche Hotel mit Pool liegt in der Steiermark?“. Sie sind oft länger und konkreter als klassische Suchbegriffe. Für ein Hotel sollten vor allem Fragen mit passender Zielgruppe und Buchungsabsicht untersucht werden.
Prompt Research: Auswahl und Prüfung jener Gästefragen, die für die Positionierung eines Hotels relevant sind. Sinnvolle Quellen sind echte Gästefragen, Suchanfragen und Buchungsanlässe; erfundene Testfragen sollten nicht als repräsentative Nachfrage ausgegeben werden.
Query Fan-Out: Ausweitung einer Ausgangsfrage auf verwandte Teilfragen. Aus „Wellnesshotel in Österreich“ können beispielsweise Fragen nach Lage, Spa-Angebot, Anreise und Preis entstehen. Der Begriff bezeichnet auch eine Recherchefunktion in manchen Analysewerkzeugen; die erzeugten Fragen sind keine automatisch nachgewiesenen Gästesuchen.
Brand Mentions (Hotelnennungen): Anzahl der beobachteten KI-Antworten, in denen der Name eines Hotels vorkommt. OtterlyAI zählt pro Frage, System und Prüftag maximal eine Nennung, selbst wenn das Hotel in derselben Antwort mehrfach genannt wird. Die Nennung sagt noch nicht, ob das Haus empfohlen oder als Quelle verlinkt wird.
Brand Coverage (Abdeckung der Hotelnennungen): Anteil der überwachten Fragen, bei denen ein Hotel in einer KI-Antwort genannt wird. Beispiel: Nennung bei 8 von 20 definierten Gästefragen entspricht 40 % Abdeckung in genau diesem Testset, nicht 40 % aller realen KI-Suchen.
Share of Voice in KI-Antworten: Anteil der Hotelnennungen an allen erfassten Markennennungen im definierten Frage-Set. OtterlyAI teilt dafür die Nennungen der eigenen Marke durch sämtliche dort gezählten Markennennungen. Der Wert hängt stark von den Fragen und KI-Systemen ab und ist kein allgemeiner Marktanteil.
Brand AI Visibility Index: Werkzeugabhängige Darstellung der Markenpräsenz in KI-Antworten. OtterlyAI kombiniert dafür die Abdeckung der überwachten Fragen mit der durchschnittlichen Position des Hotels in Antworten. Die dort genannte „Likelihood to Buy“ ist ein aus der Position abgeleiteter Modellwert, keine gemessene Buchungswahrscheinlichkeit.
Durchschnittliche Markenposition in KI-Antworten: Mittlere Reihenfolge, an der ein Hotel innerhalb der beobachteten KI-Antworten genannt wird, sofern es vorkommt. Die Kennzahl ist keine Google-Rankingposition und sollte nur bei vergleichbaren Fragen und Messverfahren gegenübergestellt werden.
Brand Ranking im KI-Monitoring: Rangfolge von Hotels nach der Anzahl ihrer Nennungen innerhalb eines definierten Prüfzeitraums. Ein Platz in dieser Liste bezieht sich auf das verwendete Testset und belegt keinen allgemeinen Marktanteil oder Buchungserfolg.
Content Gap Analysis (Inhaltslückenanalyse): Vergleich, welche Gästefragen und Quellen Wettbewerber abdecken, während das eigene Hotel dort nicht oder unzureichend vorkommt. Eine Lücke kann auf fehlende Informationen hinweisen; daraus folgt nicht automatisch, dass eine neue Seite nötig ist.
KI-Sichtbarkeitsmessung: Systematische Erfassung der Präsenz eines Hotels bei definierten Gästefragen. Ein belastbarer Vergleich hält Fragen, Systeme, Märkte und Bewertungsregeln möglichst konstant und unterscheidet Nennungen, Empfehlungen und Quellenlinks. So erläutern wir unsere Messmethode.
Hotel-Benchmarking: Vergleich eines Hotels mit passenden Wettbewerbern anhand derselben Kriterien. Bei KI-Sichtbarkeit sollten Standort, Kategorie, Zielgruppe und Suchfrage vergleichbar sein; sonst kann ein scheinbarer Vorsprung irreführend sein.
Nachmessung der KI-Sichtbarkeit: Erneute Prüfung nach umgesetzten Maßnahmen. Sie zeigt, ob sich die Sichtbarkeit bei den definierten Fragen verändert hat; Veränderungen können auch durch Systemupdates, Wettbewerb oder andere externe Faktoren entstehen.
KI-Audit für Hotels: Strukturierte Bestandsaufnahme, wie ein Hotel in ausgewählten KI-Systemen und bei relevanten Gästefragen erscheint. Je nach Leistungsumfang umfasst sie technische Prüfung, Datenquellen, Wettbewerbsvergleich und priorisierte Maßnahmen. Leistungen und Preise ansehen.
KI Quick-Check: Kurze erste Einschätzung ausgewählter Aspekte der KI-Sichtbarkeit. Sie kann Hinweise auf Handlungsbedarf liefern, ersetzt aber keine vollständige Analyse von Website, Datenquellen und Wettbewerbsumfeld.
Suchintention: Ziel hinter einer Suchanfrage: informieren, vergleichen oder buchen. Die Frage „Was ist GEO?“ verlangt eine andere Seite als „KI-Audit für Hotels buchen“; passende Inhalte beantworten die jeweilige Absicht direkt.
Zero-Click-Suche: Suche, bei der Nutzer eine Antwort erhalten, ohne anschließend eine Website anzuklicken. Deshalb sollte ein Hotel neben Klicks auch qualifizierte Erwähnungen, direkte Anfragen und Buchungen beobachten, soweit diese verlässlich messbar sind.

Hotelinformationen, Datenquellen und Vertrauen

Groundingpage: Strukturierte, öffentlich erreichbare Seite mit überprüfbaren Fakten über ein Hotel, etwa Lage, Ausstattung, Zielgruppen und Kontaktmöglichkeiten. Sie sollte mit der regulären Website übereinstimmen. „Groundingpage“ ist keine offizielle Voraussetzung für Google oder eine garantierte Abkürzung zu KI-Empfehlungen.
Grounding: Abstützung einer KI-Antwort auf abrufbare Informationen statt allein auf dem internen Modellwissen. Ob und welche Hotelquellen ein System verwendet, hängt von dessen Funktionen und der konkreten Anfrage ab.
Wikidata-Eintrag für ein Hotel: Öffentlich bearbeitbarer Datensatz über ein Hotel in Wikidata, sofern die Aufnahmevoraussetzungen erfüllt sind. Er kann etwa Namen, Standort und offizielle Website enthalten. Angaben sollten korrekt belegt werden; ein Eintrag garantiert keine Aufnahme in KI-Antworten.
Knowledge Graph: Netz aus eindeutig beschriebenen Dingen und ihren Beziehungen, beispielsweise Hotel, Betreiber, Ort und Website. Eindeutige und konsistente Angaben erleichtern die Zuordnung; ein eigener „Knowledge Graph“ ist kein von Google bestätigter Rankinghebel.
Entität: Eindeutig identifizierbares Objekt, etwa ein konkretes Hotel statt nur der allgemeine Begriff „Hotel“. Name, Adresse, Website und weitere verlässliche Angaben helfen, ähnliche Betriebe auseinanderzuhalten.
Entity Recognition (Entitätserkennung): Automatische Erkennung von Personen, Orten oder Unternehmen in Texten. Bei Hotels ist beispielsweise wichtig, dass ein System den Betrieb und seine Lage richtig zuordnet.
NAP-Daten: Abkürzung für Name, Address und Phone: Name, Anschrift und Telefonnummer eines Betriebs. Abweichende Angaben auf Website und Branchenprofilen können Gäste verwirren und sollten geprüft werden.
Datenkonsistenz: Übereinstimmung wichtiger Fakten auf Hotelwebsite, Buchungsseiten, Kartenprofilen und anderen verlässlichen Quellen. Dazu gehören besonders Name, Lage, Kontakt, Ausstattung und aktuell angebotene Leistungen.
First-Party-Daten: Informationen, die ein Hotel selbst veröffentlicht oder mit entsprechender Rechtsgrundlage direkt erhebt. Öffentliche Fakten auf der eigenen Website sind für die Beschreibung des Angebots besonders wichtig und sollten aktuell sein.
E-E-A-T: Experience, Expertise, Authoritativeness und Trustworthiness: Erfahrung, Fachwissen, Autorität und Vertrauenswürdigkeit. Die Begriffe helfen bei der Beurteilung von Inhalten; E-E-A-T ist laut Google kein einzelner, direkt messbarer Rankingfaktor.
Quellenqualität: Einschätzung, ob eine Information nachvollziehbar, aktuell und für eine Aussage geeignet ist. Bei Hotelinformationen sollten insbesondere offizielle Angaben und unabhängige Belege nicht miteinander verwechselt werden.
Halluzination: Plausibel klingende, aber falsche oder unbelegte KI-Aussage. Ein System könnte einem Hotel beispielsweise eine nicht vorhandene Sauna zuschreiben. Regelmäßige Kontrollen können solche Fehler sichtbar machen, aber nicht vollständig verhindern.
KI-Bias: Systematische Verzerrung in Daten, Auswahl oder Antworten eines KI-Systems. Sie kann dazu führen, dass bestimmte Arten von Hotels häufiger berücksichtigt werden als andere; die Ursache muss im Einzelfall untersucht werden.
Online-Reputation: Öffentliches Bild eines Hotels in Bewertungen, redaktionellen Inhalten und weiteren Quellen. Für Gäste zählen dabei nicht nur Sterne, sondern auch wiederkehrende Erfahrungen zu Service, Ausstattung und Verlässlichkeit.
Brand Sentiment (Stimmung zur Hotelmarke): Einordnung, ob eine untersuchte KI-Antwort ein Hotel überwiegend positiv, neutral oder negativ beschreibt. Eine automatische Einstufung kann Nuancen übersehen; besonders bei wenigen Antworten lohnt sich eine manuelle Prüfung.

Technische Begriffe und Lernmethoden

Schema Markup / strukturierte Daten: Maschinenlesbare Beschreibung von Inhalten, häufig als JSON-LD mit Begriffen von Schema.org. Der Typ Hotel kann passende, sichtbare Hotelfakten strukturieren. Strukturierte Daten ersetzen gute Seiteninhalte nicht und garantieren weder Rankings noch KI-Empfehlungen. Schema.org für Hotels erklärt.
Schema.org: Gemeinsames Vokabular für strukturierte Daten im Web. Ein Hotel kann damit zum Beispiel Adresse und Kontaktdaten auf seiner Website technisch beschreiben, sofern die Angaben auch für Besucher nachvollziehbar sind.
JSON-LD: Format zur Einbindung strukturierter Daten in eine Webseite. Es beschreibt vorhandene Inhalte maschinenlesbar; die Angaben müssen zum sichtbaren Inhalt passen.
Indexierung: Aufnahme einer Seite in den Suchindex eines Suchdienstes. Eine abrufbare Seite wird nicht automatisch indexiert; technische Zugänglichkeit und nützlicher, eigenständiger Inhalt sind wichtige Grundlagen.
Crawlability (Crawlbarkeit): Technische Erreichbarkeit der Inhalte für Suchmaschinen-Crawler. Bei einer Hotelwebsite sollten wichtige Informationen ohne Login erreichbar sein und nicht durch technische Sperren verborgen werden. Crawlbarkeit allein garantiert keine Indexierung oder KI-Zitation.
llms.txt: Vorgeschlagene Textdatei unter /llms.txt, die wichtige Seiten einer Website für unterstützende KI-Werkzeuge zusammenfasst. Ein Hotel könnte dort etwa Zimmer, Lage und Kontaktseiten aufführen. Sie ist keine Voraussetzung für KI-Sichtbarkeit; die Google Suche verwendet sie laut eigener Dokumentation nicht für ihre generativen Suchfunktionen.
Kanonische URL (Canonical): Bevorzugte Adresse einer Seite, wenn gleiche oder sehr ähnliche Inhalte unter mehreren URLs erreichbar sind. Einheitliche Links, Weiterleitungen und Canonical-Angaben helfen bei der Zuordnung der richtigen Version.
Interne Verlinkung: Links zwischen zusammengehörenden Seiten derselben Website. Eine Erklärung zu Schema.org kann etwa auf eine ausführliche Hotel-Anleitung und auf die passende Audit-Leistung verweisen.
Semantische Suche (Semantic Search): Suche, die Bedeutungszusammenhänge berücksichtigt und nicht nur identische Wörter abgleicht. Eine Seite über „Hotels mit Ladepunkt“ kann dadurch auch für verwandte Formulierungen relevant sein.
Retrieval-Augmented Generation (RAG): Technik, bei der ein KI-System vor dem Formulieren einer Antwort zusätzliche Informationen abruft. Die Qualität einer Hotelantwort hängt auch davon ab, ob die abgerufenen Quellen aktuell und zutreffend sind.
Embeddings: Numerische Darstellungen von Inhalten, mit denen Systeme Ähnlichkeiten berechnen können. Sie werden unter anderem für semantische Suche und das Abrufen passender Textstellen genutzt.
Vektordatenbank: Datenbank zur Speicherung und Suche von Embeddings. Sie kann etwa in einem Hotel-Chatbot helfen, passende Informationen aus freigegebenen Unterlagen zu finden.
Kontextfenster (Context Window): Menge an Informationen, die ein Modell bei einer einzelnen Verarbeitung berücksichtigen kann. Lange Hotelunterlagen können dieses Limit erreichen; eine klare Gliederung erleichtert auch Menschen das Auffinden relevanter Angaben.
Token: Verarbeitungseinheit eines Sprachmodells, häufig ein Wortteil oder Zeichenfolge. Die Anzahl der Tokens beeinflusst unter anderem Kosten und die Länge der verarbeitbaren Eingabe.
Tokenisierung: Aufteilung von Text in Tokens vor seiner Verarbeitung durch ein Sprachmodell. Unterschiedliche Modelle können denselben Text unterschiedlich zerlegen.
Tokenizer: Technische Komponente, die Text in Tokens zerlegt und bei der Ausgabe wieder zusammensetzt.
Transformer: Modellarchitektur, die Beziehungen zwischen Teilen einer Eingabe verarbeitet und vielen modernen Sprachmodellen zugrunde liegt.
Prompt Engineering: Bewusste Formulierung einer KI-Anfrage mit Ziel, Kontext und gewünschten Kriterien. Für Vergleichstests von Hotels ist wichtig, dieselbe Frage über Messzeitpunkte hinweg möglichst konstant zu halten.
Systemprompt: Übergeordnete Anweisung, die ein KI-System oder eine Anwendung für sein Verhalten erhält. Betreiber fremder KI-Dienste legen solche Anweisungen selbst fest; eine Hotelwebsite kann sie nicht kontrollieren.
Prompt Injection: Versuch, ein KI-System über Inhalte aus einer externen Quelle zu unerwünschten Anweisungen zu bewegen. Bei Hotel-Chatbots betrifft das beispielsweise ungeprüfte Texte aus Webseiten oder Dokumenten.
Chain-of-Thought: Bezeichnung für schrittweises Bearbeiten einer Aufgabe durch ein Modell. Das Wort beschreibt eine Technik, ist aber keine Methode, mit der ein Hotel sich in KI-Antworten platzieren kann.
Fine-Tuning: Zusätzliches Training eines vorhandenen Modells für einen bestimmten Zweck. Für die öffentliche Sichtbarkeit eines einzelnen Hotels ist es in der Regel nicht erforderlich.
Supervised Learning: Lernen aus Beispieldaten mit bekannten Ergebnissen, etwa zuvor zugeordneten Kategorien von Gästebewertungen.
Unsupervised Learning: Erkennen von Gruppen oder Mustern in Daten ohne vorgegebene Zielkategorien, beispielsweise bei der Untersuchung ähnlicher Gästebedürfnisse.
Self-Supervised Learning: Lernverfahren, bei dem das Trainingssignal aus den Daten selbst erzeugt wird. Es spielt beim Aufbau vieler Sprachmodelle eine Rolle.
Reinforcement Learning: Lernverfahren, bei dem ein System Rückmeldungen zu seinen Handlungen nutzt, um eine Strategie zu verbessern.
Transfer Learning: Übertragung von Wissen aus einer bereits trainierten Aufgabe auf eine verwandte neue Aufgabe. Dadurch kann der Bedarf an zusätzlichen Trainingsdaten sinken.
Temperatur: Einstellung, die bei manchen Sprachmodellen die Vielfalt möglicher Ausgaben beeinflusst. Sie ist kein Maß für die Verlässlichkeit einer Hotel-Empfehlung.
Top-p / Top-k Sampling: Verfahren zur Auswahl möglicher nächster Tokens bei der Textgenerierung. Sie beeinflussen die Ausgabevielfalt eines Modells.
Beam Search: Suchverfahren, das bei der Generierung mehrere mögliche Fortsetzungen einer Ausgabe parallel betrachtet.
Logits: Rohwerte, aus denen ein Modell Wahrscheinlichkeiten für mögliche nächste Tokens ableitet.
Positional Encoding: Verfahren, das einem Transformer Informationen über die Reihenfolge von Teilen einer Eingabe liefert.
GANs (Generative Adversarial Networks): Modellfamilie aus zwei gegeneinander trainierten Netzen, die unter anderem zur Bilderzeugung eingesetzt wurde.

KI-Anwendungen und verantwortungsvoller Einsatz im Hotel

Chatbot: Programm, das Fragen im Dialog beantwortet. Auf einer Hotelwebsite kann es etwa Öffnungszeiten oder Ausstattungsmerkmale erklären; Buchungen erfordern eine passende Anbindung an den Buchungsprozess.
Conversational AI: KI-gestützte Dialogsysteme, die Anfragen über Text oder Sprache verarbeiten. Bei einem Hotel können sie Gästen bei der Orientierung helfen, sofern ihre Antworten mit den aktuellen Hoteldaten übereinstimmen.
Multimodale KI: KI, die mehrere Arten von Eingaben wie Text, Bilder oder Audio verarbeitet. Ein Reiseassistent könnte beispielsweise eine Beschreibung mit Fotos eines Hotels zusammen auswerten.
Computer Vision: Automatische Auswertung von Bildern oder Videos. Im Hotelumfeld sind mögliche Anwendungen beispielsweise Bildsuche oder Qualitätskontrolle; Datenschutz und konkrete Einsatzbedingungen müssen berücksichtigt werden.
Sentimentanalyse: Automatische Einordnung der Tonalität von Texten, zum Beispiel Hotelbewertungen. Sie kann Trends sichtbar machen, sollte aber Ironie, Kontext und einzelne Gästesituationen nicht überinterpretieren.
Predictive Analytics: Datenbasierte Vorhersage, zum Beispiel von Nachfrage oder Auslastung. Sie ist etwas anderes als die Messung, ob ein Hotel in KI-Antworten empfohlen wird.
Model Drift: Veränderung der Leistungsfähigkeit eines Modells, wenn sich Daten oder Bedingungen ändern. Bei Sichtbarkeitsmessungen können außerdem Updates der KI-Dienste die Antworten verändern.
Explainable AI (XAI): Methoden, um Ergebnisse eines KI-Systems besser nachvollziehbar zu machen. Bei Hotel-Audits sollten verwendete Fragen, Bewertungsregeln und Grenzen der Messung verständlich dokumentiert sein.
AI Governance: Regeln, Zuständigkeiten und Kontrollen für den Einsatz von KI in einer Organisation. Im Hotel betrifft das beispielsweise Datenfreigaben, Qualitätsprüfung und die Verantwortung für Antworten an Gäste.
Responsible AI / Trustworthy AI: Sammelbegriffe für einen verantwortungsvollen, sicheren und nachvollziehbaren KI-Einsatz. Konkrete Anforderungen hängen von Anwendung, Daten und Rechtslage ab.
AI Act: EU-Verordnung über künstliche Intelligenz (EU AI Act). Sie legt je nach Rolle und Anwendung unterschiedliche Regeln fest. Für ein Hotel sind beim Einsatz von KI etwa die Kompetenz der Mitarbeitenden und gegebenenfalls Transparenz gegenüber Gästen zu prüfen; die konkrete Pflicht hängt vom verwendeten System und Einsatz ab. Offizieller EU AI Act Explorer.
KI-Kompetenz (AI Literacy): Fähigkeit, Chancen, Grenzen und Risiken eingesetzter KI zu verstehen. Nach Artikel 4 des EU AI Act müssen Anbieter und Betreiber von KI-Systemen nach Maßgabe ihrer Rolle und des Einsatzkontexts Maßnahmen für ausreichende KI-Kompetenz der beteiligten Personen treffen. Im Hotel betrifft das zum Beispiel Mitarbeitende, die KI-Antworten an Gäste prüfen.
Transparenz bei KI-Interaktion: Bei bestimmten KI-Systemen gelten Informationspflichten nach Artikel 50 des EU AI Act. Ein Hotel sollte bei einem Gäste-Chatbot prüfen, ob Gäste darüber informiert werden müssen, dass sie mit einem KI-System interagieren; die rechtliche Bewertung hängt von Gestaltung, Rolle und konkretem Einsatz ab.
Risikoklassen im AI Act: Der AI Act unterscheidet unter anderem verbotene Praktiken, Hochrisiko-Anwendungen und Anwendungen mit bestimmten Transparenzpflichten. Die Einstufung richtet sich nach dem konkreten KI-Einsatz und lässt sich nicht pauschal für „Hotel-KI“ festlegen.
Autonome Systeme: Technische Systeme, die bestimmte Aufgaben mit begrenzter menschlicher Steuerung ausführen. Ein Service-Roboter ist ein mögliches Beispiel; ein gewöhnlicher Chatbot ist nicht automatisch autonom.
Edge Computing: Datenverarbeitung nahe am Ort ihrer Entstehung, etwa auf einem Gerät statt ausschließlich in einer entfernten Cloud. Das kann bei bestimmten Hotelanwendungen Latenz oder Datenübertragung verringern.
Few-Shot Learning: Bearbeitung einer Aufgabe anhand weniger Beispiele in einer Eingabe. Ein Hotel könnte einem Textassistenten beispielhafte Antwortstile für Gästefragen zeigen.
Zero-Shot Learning: Bearbeitung einer neuen Aufgabe ohne Beispiele für genau diese Aufgabe in der Eingabe.
Hybride KI: Kombination unterschiedlicher Verfahren, zum Beispiel eines Sprachmodells mit festen Buchungsregeln. So können flexible Antworten und verlässlich geprüfte Angebotsdaten zusammenwirken.

Begriffe zur KI-Suchmessung wurden unter anderem anhand des OtterlyAI-Glossars für die Hotellerie eingeordnet. Zu llms.txt siehe den ursprünglichen Vorschlag und die Hinweise von Google. Rechtliche Angaben beruhen auf dem offiziellen EU AI Act Explorer. Stand: September 2026.