KILernpfade: KI verstehen und anwenden
Geführte Wege durch das KI Fachblatt, je nach Ziel und Vorwissen. Jeder Pfad ist eine Reihenfolge von Seiten, die aufeinander aufbauen. Du musst nicht alles lesen: Wähle den Pfad, der zu deiner Frage passt, und hake Schritt für Schritt ab.
Für alle
Entwickler und Technik
Unternehmen und Entscheider
Einsteiger
Ich will verstehen, was KI kann und was nicht.
Kein Vorwissen nötig. Du lernst, womit Sprachmodelle rechnen, warum sie sich irren und was ein Agent anders macht als ein Chatbot.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Tokens, Kontext, Kosten: Rechnen mit Sprachmodellen
Der Grundbaustein: Modelle lesen und schreiben in kleinen Textstücken, und danach richten sich Länge und Preis.
Wie ein Sprachmodell lernt: von Pretraining bis RLVR
Von Pretraining bis RLVR: Wie aus Rohtext ein Assistent wird und was die Begriffe in Modellkarten bedeuten.
Modalitäten-Matrix: Welche KI-Modelle was lesen und erzeugen
Welche Modelle Text, Bild, Audio und Video wirklich einlesen und ausgeben, statt nur "multimodal" zu versprechen.
Warum Sprachmodelle halluzinieren
Warum ein Modell überzeugend falsche Dinge sagt und was dagegen hilft.
Was ein KI-Agent wirklich ist
Vom Chatbot zum Helfer, der selbst Werkzeuge benutzt.
Agenten-Fundamente: Loop, Werkzeuge, Gedächtnis, Planung, MCP
Ein Agent ist ein Modell in einer Schleife: Loop, Werkzeuge, Gedächtnis, Planung und MCP als Bausteine.
Evals: Testen statt Bauchgefühl
Wie man Modelle fair vergleicht, ohne sich auf den Eindruck zu verlassen.
Benchmarks
Die Portraits zu zehn bekannten Prüfungen für KI-Modelle, zum Stöbern.
Begriffe auf diesem Weg
Praktiker
Ich baue oder nutze KI im Arbeitsalltag.
Du setzt Modelle ein und willst wissen, was trägt: welche Technik wofür taugt, wie du Qualität misst und wie du Agenten absicherst.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Wie ein Sprachmodell lernt: von Pretraining bis RLVR
Von Pretraining bis RLVR: Wie aus Rohtext ein Assistent wird und was die Begriffe in Modellkarten bedeuten.
Architekturen im Überblick: Transformer, MoE, Diffusion, SSM
Vier Architekturfamilien (Transformer, MoE, Diffusion, State-Space) entscheiden, was Modelle können, kosten und wo sie scheitern.
Modalitäten-Matrix: Welche KI-Modelle was lesen und erzeugen
Welche Modelle Text, Bild, Audio und Video wirklich einlesen und ausgeben, statt nur "multimodal" zu versprechen.
RAG oder langer Kontext: Was wann trägt
Wie das Modell an dein Wissen kommt: Index mit Suche oder alles in den Prompt.
Lokale Modelle: Wann sich der eigene Rechner lohnt
Wann sich ein Modell auf dem eigenen Rechner lohnt.
Quantisierung von Sprachmodellen: Verfahren, Zahlen, Grenzen
Wie große Modelle auf kleinere Hardware passen und was das an Qualität kosten kann.
Inferenz und Kosten verstehen: Tokens, KV-Cache, Quantisierung
Was beim Antworten passiert, warum der KV-Cache so viel Speicher braucht und woraus ein API-Preis entsteht.
Evals: Testen statt Bauchgefühl
Eine eigene Testmenge in einer Stunde bauen.
Agenten-Fundamente: Loop, Werkzeuge, Gedächtnis, Planung, MCP
Ein Agent ist ein Modell in einer Schleife: Loop, Werkzeuge, Gedächtnis, Planung und MCP als Bausteine.
Modelle und Agenten richtig evaluieren
Benchmark-Typen, Kontamination und pass^k: Zahlen richtig lesen und Agenten fair prüfen.
Sicherheit für Agenten-Systeme: von Prompt Injection bis Sandbox
Prompt Injection verstehen und Agenten mit kleinen Rechten und Sandbox bauen.
Begriffe auf diesem Weg
Function CallingAgent-LoopWerkzeugaufrufGuardrailsPrompt InjectionPass-Rate
Entscheider
Ich entscheide über Einsatz, Budget und Risiko.
Du musst nicht jede Technik verstehen, aber die richtigen Fragen stellen: Was kostet es, wie gut ist es wirklich und was kann schiefgehen?
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Tokens, Kontext, Kosten: Rechnen mit Sprachmodellen
Woraus sich Kosten zusammensetzen und wo sie sinken.
Inferenz und Kosten verstehen: Tokens, KV-Cache, Quantisierung
Was beim Antworten passiert, warum der KV-Cache so viel Speicher braucht und woraus ein API-Preis entsteht.
Modelle und Agenten richtig evaluieren
Eine Checkliste, um Herstellerzahlen einzuordnen, bevor du ihnen Budget gibst.
Sicherheit für Agenten-Systeme: von Prompt Injection bis Sandbox
Die Risiken von Agenten mit echten Rechten und die Fragen, die dein Team beantworten sollte.
Lokale Modelle: Wann sich der eigene Rechner lohnt
Datenschutz und Kontrolle gegen Leistung abwägen.
KI-Modelle
Portraits konkreter Modelle mit Aufgaben, Zugang und Grenzen.
Unternehmen
Wer die Modelle entwickelt und welche Schwerpunkte die Anbieter setzen.
Begriffe auf diesem Weg
Kosten pro gelöster AufgabeFoundation-Model-RisikenOffene GewichteLizenz (bei Modellen)Human-in-the-LoopRed Teaming
Entwickler: LLM-APIs in der Praxis
Ich will LLM-APIs produktiv einsetzen: Parameter, Streaming, Werkzeuge, RAG, Kosten.
Für Softwareentwickler mit Programmiererfahrung und HTTP/JSON-Grundlagen. Vom ersten Request bis zur getunten Anwendung: Du lernst, wie ein API-Aufruf aufgebaut ist, wie das Modell deine Funktionen aufruft, wie du es mit eigenem Wissen antworten lässt und wie du Kosten und Latenz in den Griff bekommst.
- Voraussetzungen
- Programmiererfahrung, HTTP/JSON
- Lernziel
- LLM-APIs produktiv einsetzen: Parameter, Streaming, strukturierte Ausgaben, Werkzeugaufrufe, Kosten im Griff.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Tokens, Kontext, Kosten: Rechnen mit Sprachmodellen
Der Grundbaustein: Modelle lesen und schreiben in Tokens, und danach richten sich Länge, Kosten und Kontextlimit.
Inferenz und Kosten verstehen: Tokens, KV-Cache, Quantisierung
Was beim Antworten passiert, warum der KV-Cache so viel Speicher braucht und woraus ein API-Preis entsteht.
LLM-APIs in der Praxis: Parameter, Streaming, Structured Output
Der Handwerkskasten: Request-Aufbau, die vier Parameter, die wirklich etwas verändern, Streaming und Structured Output.
Function Calling: Werkzeugaufrufe aus dem Modell heraus
Das Modell lernt tun: Werkzeugdefinition, die fünf Schritte der Aufruf-Schleife, Client- und Server-Tools.
RAG oder langer Kontext: Was wann trägt
Die Architektur-Weiche: Wann reicht der lange Kontext, wann brauchst du einen Index mit Suche?
RAG selbst bauen: Embeddings, Index, Antwort mit Belegen
Ein eigenes Retrieval-System von null: Text zerlegen, Embeddings erzeugen, indexieren, mit Belegen antworten.
Evals: Testen statt Bauchgefühl
Eine eigene Testmenge in einer Stunde bauen, damit Prompt- und Modelländerungen messbar statt gefühlt sind.
Kosten und Latenz senken: Caching, Batching, Modellwahl
Die drei großen Hebel für Betrieb: Prompt-Caching, Batch API und Modellwahl, mit Zahlen und eigener Rechnung.
Begriffe auf diesem Weg
TokenKontextfensterKV-CachePrompt-CachingFunction CallingRAGRate LimitLatenz
Abschluss-Check
Drei Szenarien: Wähle je die passende API-Konfiguration (Streaming ja/nein, Structured Output oder Text, Cache-Strategie) und begründe sie. Danach ein 6-Fragen-Quiz.
Aufgaben
Aufgabe 1
Ein Support-Chatbot soll Antworten Wort für Wort anzeigen und am Ende den Verbrauch loggen. Welche Einstellungen brauchst du?
stream: true für die Live-Anzeige und stream_options mit include_usage: true, sonst fehlt die Token-Abrechnung; beim Anthropic-Pendant kommen die Verbrauchswerte im Stream-Verlauf.
Aufgabe 2
Ein Hintergrundjob soll 40.000 Produkttexte klassifizieren, Ergebnis morgen früh ist früh genug. Wie stellst du das auf?
Batch API: Anfragen als JSONL-Datei mit custom_id einreichen, 50 Prozent Rabatt auf Input und Output, Ergebnisse innerhalb von 24 Stunden; Structured Output mit striktem Schema für die Klassifikation.
Aufgabe 3
Deine Anwendung schickt bei jeder Anfrage dieselbe 3.000-Tokens-Richtlinie plus 200 variable Tokens. Was ist der erste Hebel?
Prompt-Caching: Das stabile Präfix (über 1.024 Tokens) vorne halten, Variablem hinten; Cache-Lesungen kosten etwa ein Zehntel des Input-Preises.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Was begrenzt max_tokens?
Nur die maximale Länge der Antwort. Es ist ein Kosten- und Sicherheitsdeckel, kein Qualitätsregler.
Was garantiert der JSON mode, was Structured Outputs zusätzlich?
JSON mode garantiert nur syntaktisch gültiges JSON (und braucht das Wort JSON im Kontext). Structured Outputs mit striktem JSON Schema garantieren zusätzlich Schema-Treue: Pflichtfelder, Typen, Enum-Werte.
Wer führt einen Function-Calling-Aufruf aus?
Deine Anwendung, nie das Modell. Das Modell liefert nur Namen und Argumente als JSON. Ausnahme: Server-Tools, die der Anbieter auf eigener Infrastruktur ausführt.
Warum müssen Frage und Dokumente mit demselben Embedding-Modell vektorisiert werden?
Weil nur Vektoren desselben Modells im selben Raum liegen; Embeddings verschiedener Modelle sind untereinander unvergleichbar.
Wie viel spart die Batch API?
50 Prozent auf Input- und Output-Tokens, bei Ergebnisziel von 24 Stunden und deutlich höheren Rate-Limits.
Was kostet das Schreiben in den Prompt-Cache?
Bei OpenAI seit der GPT-5.6-Familie das 1,25-Fache des Input-Preises; bei Anthropic 1,25-fach für fünf Minuten, 2-fach für eine Stunde Lebensdauer.
Entwickler: Agenten bauen und absichern
Ich will Agenten mit Planung, Gedächtnis und Werkzeugen entwerfen und gegen Prompt Injection absichern.
Für Softwareentwickler mit API-Erfahrung (idealerweise der Lernpfad LLM-APIs vorab). Du steigst vom Agent-Loop über Planungsmuster und Memory bis zu MCP als Werkzeug-Standard, der Sicherheitsarchitektur und dem Praxistest Coding-Agent.
- Voraussetzungen
- Lernpfad LLM-APIs in der Praxis oder gleichwertige API-Erfahrung
- Lernziel
- Agenten mit Planung, Gedächtnis und Werkzeugen entwerfen und gegen Prompt Injection absichern.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Was ein KI-Agent wirklich ist
Die Begriffsklärung: Vom Chatbot zum System, das in einer Schleife selbst Werkzeuge benutzt.
Agenten-Architekturen: Planung, Memory, Orchestrierung
Die Bausteine: Agent-Loop, Planung von ReAct bis Reflexion, Memory als Betriebssystem-Problem, Orchestrierung.
MCP verstehen: der USB-Standard für KI-Werkzeuge
Der offene Standard, über den Werkzeuge und Daten anwendungsübergreifend angedockt werden: Host, Client, Server.
Sicherheit für Agenten-Systeme: von Prompt Injection bis Sandbox
Prompt Injection verstehen und Agenten mit kleinen Rechten und Sandbox bauen.
Long-Horizon-Terminal-Bench 2.0: Was drei Stunden Agentenarbeit zeigen
Unsere Analyse: Was Agenten über lange Zeiträume leisten und wo sie kippen.
Terminal-Bench 2.1
Das Portrait der Terminal-Benchmark: Agenten unter realen Kommandozeilen-Bedingungen.
Coding-Agenten im Alltag: Setup, Grenzen, Review-Pflicht
Der Praxistest: Setup, Grenzen und Review-Pflicht bei Claude Code, Copilot coding agent und Codex.
Begriffe auf diesem Weg
Agent-LoopReActPlanung (bei Agenten)Memory (bei Agenten)OrchestrierungMCPPrompt InjectionGuardrails
Abschluss-Check
Architektur-Review: Prüfe einen Agenten-Entwurf auf fünf Risiken (Musterlösung). Danach ein 6-Fragen-Quiz.
Aufgaben
Aufgabe 1
Entwurf: Ein Agent mit Dateisystem- und E-Mail-Werkzeug liest eingehende Mails und beantwortet sie automatisch. Nenne fünf Risiken.
1) Prompt Injection aus Mail-Inhalten steuert Werkzeugaufrufe. 2) Senden ohne menschliche Freigabe (kein Human-in-the-Loop). 3) Zu breite Rechte: Lesen reicht für die meisten Fälle, Löschen gehört nicht ins Werkzeugset. 4) Memory-Selbstvergiftung: ungeprüfte Inhalte landen dauerhaft im Speicher. 5) Kein Abbruchkriterium: Schleifen ohne Schritt- oder Budgetlimit.
Aufgabe 2
Ein Agent soll wöchentlich einen Report aus drei internen Systemen bauen. Workflow oder Agent?
Workflow. Der Ablauf ist bekannt und fest: Orchestrator-Workers oder Prompt Chaining reicht. Agent erst, wenn die Schrittzahl offen und unvorhersehbar ist.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Aus welchen drei Phasen besteht der Agent-Loop?
Beobachten (Zustand ins Modell), Denken (nächsten Schritt entscheiden), Handeln (Werkzeug ausführen und Ergebnis zurückschreiben), bis ein Abbruchkriterium greift.
Was unterscheidet Workflow und Agent?
Beim Workflow legt der Code die Pfade fest; beim Agenten steuert das Modell selbst Ablauf und Werkzeugwahl.
Welche drei Primitive bietet ein MCP-Server?
Tools (ausführbare Funktionen), Resources (Datenquellen) und Prompts (wiederverwendbare Vorlagen), dynamisch entdeckbar über list-Methoden.
Warum ist Memory ein Sicherheitsthema?
Ein falscher oder präparierter Eintrag wandert in jede künftige Entscheidung; schreibe nur geprüfte Ergebnisse ins Langzeitgedächtnis und protokolliere Herkunft und Zeitpunkt.
Wer reviewed den Pull Request eines Coding-Agenten?
Ein Mensch, immer. Der Agent liefert einen Vorschlag mit Diff und Testlauf; Verantwortung und Merge bleiben beim prüfenden Entwickler.
Was ist der teuerste Architektur-Fehler bei Multi-Agent-Systemen?
Mehr Modelle als nötig: Jedes zusätzliche Modell multipliziert Kosten, Latenz und Fehlerstellen. Die erprobte Reihenfolge ist einzelner augmentierter Aufruf, Workflow, erst dann Orchestrierung.
Open Source & offene Modelle
Ich will die Landschaft offener Modelle lesen und richtig bewerten.
Lizenzen, Modellkarten, Leaderboards: Du lernst, was 'open' bei KI-Modellen wirklich bedeutet, wie du Angebote auf Hugging Face prüfst und woran du gute von lauten Veröffentlichungen unterscheidest.
- Zielgruppe
- Technikinteressierte Leser, Entwickler, Entscheider mit Souveränitätsfrage
- Voraussetzungen
- Keine
- Lernziel
- Landschaft offener Modelle lesen: Lizenzen, Modellkarten, Leaderboards, eigene Bewertung.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Offene Gewichte vs. Open Source: Was hinter den Begriffen steckt
Die Grundfrage zuerst: Herunterladbar heißt nicht frei nutzbar. Was offene Gewichte von Open Source trennt und welche Lizenzfallen lauern.
Muse Spark Open: Was die offenen Gewichte technisch bedeuten
Praxisbeispiel 1: Eine große Open-Weights-Veröffentlichung mit Schwellen und Bedingungen - an echten Zahlen eingeordnet.
MiniMax M3.1 Flash: Agenten-Modell im Kosten- und Benchmark-Check
Praxisbeispiel 2: Wie sich ein weiteres offenes Modell in Leistung und Lizenz einordnen lässt.
Beam 501B: Reflections offenes Modell im Nachrechnen
Praxisbeispiel 3: Marketing-Behauptungen eines offenen Modells gegen die Faktenlage prüfen.
Hugging Face lesen: Modellkarten, Downloads, Leaderboards
Das Handwerkszeug: Modellkarten, Downloads und Leaderboards auf Hugging Face richtig lesen und Blindgänger erkennen.
Lokale Modelle: Wann sich der eigene Rechner lohnt
Vom Lesen zum Machen: Wann sich der Betrieb eines offenen Modells auf eigener Hardware lohnt.
Dein KI-Update.Bleibt nicht im Feed.
Dein tägliches Werkzeug danach: Der KI-Tagesbericht zeigt die meistbeachteten Modelle auf Hugging Face - mit Kennzahlen, die du jetzt einordnen kannst.
Begriffe auf diesem Weg
Offene GewichteLizenz (bei Modellen)Lokale ModelleBenchmarkCheckpointQuantisierung
Abschluss-Check
Teste dich selbst: Aufgabe zuerst ohne Hilfe bearbeiten, dann mit der Musterlösung vergleichen.
Aufgaben
Aufgabe 1
Öffne die Modellkarte eines aktuellen Modells auf Hugging Face (z. B. aus dem KI-Tagesbericht) und prüfe sie auf sechs Pflichtangaben: Lizenz, Basismodell, Trainingsdaten, Evaluation, Limitationen, Aktualität. Was fehlt?
Vollständig ist die Karte, wenn: (1) die Lizenz im Metadaten-Kopf steht und als Text vorliegt, (2) das Basismodell (base_model) genannt ist, (3) Herkunft und Zeitraum der Trainingsdaten benannt sind, (4) Evaluationen mit Testmengen und Bedingungen dokumentiert sind, (5) ein substanzieller Abschnitt zu Grenzen und Risiken existiert und (6) die letzte Änderung nicht zu lange zurückliegt und die Community-Aktivität gepflegt wirkt. Fehlende Punkte sind Warnsignale - besonders Lizenz und Evaluation.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Ein Modell trägt 'open' im Namen. Darfst du es damit sicher kommerziell nutzen?
Nein. Entscheidend ist allein der Lizenztext: Community-Lizenzen können Schwellen (z. B. Nutzerzahl, Umsatz), Namensnennung und Verbotslisten enthalten. 'Open' im Namen ist ein Marketing-Signal, keine Kategorie.
Was verlangt die Open Source AI Definition (OSAID) zusätzlich zu den herunterladbaren Gewichten?
Ausreichende Informationen über die Trainingsdaten und den Code für Training und Betrieb unter offenen Bedingungen - plus die vier Freiheiten nutzen, untersuchen, verändern, teilen ohne Diskriminierung.
Ein Modell hat 2 Millionen Downloads auf Hugging Face. Was sagt dir das über seine Qualität?
Nichts Direktes. Downloads zählen Dateiabrufe inklusive automatischer Ladevorgänge und Deployments. Qualität zeigen nur benannte Testmengen, Bedingungen und im Zweifel eigene Tests.
Die Open LLM Leaderboard zeigt ein Modell auf Platz 1. Kannst du die Platzierung heute noch verwenden?
Nur eingeschränkt: Die Rangliste wurde im März 2025 archiviert und wird nicht mehr gepflegt. Platzierungen veralten, Testmengen werden bekannt (Kontamination). Aktuelle, spezialisierte Boards mit dokumentierter Methode prüfen.
Was nimmt die EU-KI-Verordnung für Modelle unter freien und quelloffenen Lizenzen von Pflichten aus?
Bei allgemeinen KI-Modellen entfallen nur zwei der vier Pflichten aus Artikel 53 (Dokumentation für Behörden und für nachgeschaltete Anbieter); Urheberrechtsrichtlinie und Trainingsdaten-Zusammenfassung bleiben Pflicht. Modelle mit systemischem Risiko sind ganz ausgenommen.
Security & Red Teaming
Ich will LLM-Systeme gegen Angriffe verteidigen.
Vom Angriff zur Abwehr: Du lernst die wichtigsten Angriffsmuster kennen, prüfst eigene Systeme methodisch per Red Teaming und baust eine Verteidigung in Schichten.
- Zielgruppe
- Security-Verantwortliche, Entwickler, Pentester
- Voraussetzungen
- Der Lernpfad zu Agenten oder gleichwertige Kenntnisse über agentische Systeme
- Lernziel
- Angriffsmuster auf LLM-Systeme verstehen, Red Teaming methodisch durchführen, Verteidigung schichten. Defensiv-Fokus: keine Angriffsanleitungen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Sicherheit für Agenten-Systeme: von Prompt Injection bis Sandbox
Das Fundament: Prompt Injection verstehen und Agenten mit kleinen Rechten und Sandbox bauen - ohne dieses Fundament trägt keine spätere Schicht.
Angriffsmuster auf LLMs: Jailbreaks, Poisoning, Extraktion
Die Landkarte der Gegenseite: Jailbreaks, Data Poisoning, Modell-Extraktion und die OWASP Top 10 für LLM-Anwendungen 2025.
Red Teaming selbst durchführen: Methodik, Umfang, Doku
Vom Wissen zur Prüfung: Umfang festlegen, Szenarien bauen, dokumentieren, abdichten, erneut testen - methodisch und erlaubnisbasiert.
CyberGym
Wie man Sicherheit von Agenten misst: Das Porträt eines Benchmarks, der Agenten an realen Schwachstellen arbeiten lässt.
Guardrails und sichere Prompts: Verteidigung in Schichten
Die Verteidigung bauen: Schicht für Schicht von der Prompt-Härtung bis zu Rechten und Sandbox - mit ehrlichen Grenzen.
τ²-Bench
Agenten unter Bedingungen prüfen: Das Porträt zeigt, wie Zuverlässigkeit von Agenten in realistischen Szenarien gemessen wird.
Begriffe auf diesem Weg
Prompt InjectionJailbreakRed TeamingGuardrailsSandboxingData Poisoning
Abschluss-Check
Teste dich selbst: Ordne jedes Angriffsbeispiel der Verteidigungsschicht zu, die es zuerst stoppen sollte - dann mit der Musterlösung vergleichen.
Aufgaben
Aufgabe 1
Ein Assistent mit E-Mail-Zugriff soll präparierte Nachrichten lesen. Welche Schicht stoppt den Datenabfluss am zuverlässigsten?
Rechte und Sandbox (Schicht 4): Der Assistent bekommt gar keine Möglichkeit, Daten nach außen zu senden. Eingabefilter (Schicht 2) können den Angriff zusätzlich erkennen, aber nur die Rechtebegrenzung macht ihn wirkungslos.
Aufgabe 2
Ein Nutzer versucht per Rollenspiel-Eingabe, den Chatbot zu verbotenen Antworten zu bringen. Welche Schichten greifen?
Prompt-Härtung (Schicht 1) und Ausgabeprüfung (Schicht 3): Die harte Vorgabe erschwert das Umkippen, die Ausgabeprüfung fängt den Rest. Ein Restrisiko bleibt - deshalb Monitoring (Schicht 5).
Aufgabe 3
In der RAG-Wissensbasis liegt ein öffentlich editierbares Dokument mit versteckten Anweisungen. Was schützt zuerst?
Quellenkontrolle und Eingabeprüfung für fremde Inhalte (Schicht 2) plus Markierung externer Inhalte als Daten in der Prompt-Härtung (Schicht 1). Grundsätzlich: Wissensbasis gegen ungeprüfte Fremdinhalte abschotten.
Aufgabe 4
Jemand versucht, über gezielte API-Fragen Eigenschaften deines Modells abzugreifen (Modell-Extraktion). Welche Schicht bemerkt das?
Überwachung (Schicht 5): Ratenbegrenzung und Mustererkennung auf Abrufe. Technisch lässt sich gezieltes Abfragen schwer verhindern - entdecken und drosseln ist die realistische Verteidigung.
Aufgabe 5
Ein Coding-Agent soll generierten Code ausführen. Welche Schicht verhindert Schäden am echten System?
Sandboxing (Schicht 4): Ausführung in einer abgeschotteten Wegwerf-Umgebung ohne echte Daten und Rechte, plus menschliche Freigabe (Schicht 6) vor produktiven Änderungen.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Warum ist ein System-Prompt allein kein Sicherheitsmechanismus?
Weil Vorgaben und Angreifertext im selben Textkanal laufen und das Modell beides nicht zuverlässig trennt. Der Prompt steuert Verhalten, erzwingt es aber nicht - Schutz entsteht erst durch Schichten um das Modell herum.
Was unterscheidet Red Teaming von einem Benchmark?
Ein Benchmark misst Fähigkeiten mit festen Aufgaben und fester Bewertung; Red Teaming sucht offen und kreativ nach Fehlverhalten eines konkreten Systems - ohne feste Aufgabenliste, mit Dokumentations- und Retest-Pflicht.
Nenne die vier Ebenen, die der OWASP-Leitfaden für ganzheitliches Red Teaming empfiehlt.
Modellevaluierung, Test der Implementierung (Prompts, Werkzeuge, Schranken), Prüfung der Infrastruktur und Analyse des Laufzeitverhaltens.
Darfst du ein fremdes LLM-System 'zu Übungszwecken' angreifen, wenn du es gut meinst?
Nein. Ohne dokumentierte Autorisierung des Betreibers ist es kein Test, sondern ein Angriff - mit arbeits- und strafrechtlichen Risiken. Eigene Systeme: schriftliche Spielregeln; fremde: ausdrückliche Freigabe.
Was ist Data Poisoning im Alltag eines RAG-Systems?
Präparierte Inhalte in der Wissensbasis: Wer öffentlich editierbare oder ungeprüfte Dokumente indiziert, gibt Fremden einen Hebel auf die Antworten. Gegenmittel: Quellenkontrolle, Prüfung der Datenflüsse, Verhaltens-Tests.
Ein Angriff gelingt trotz Filter. Welche Schichten begrenzen jetzt den Schaden?
Kleinste nötige Rechte und Sandbox (was darf das System überhaupt?), Ausgabeprüfung (was verlässt das System?), Überwachung (wird es bemerkt?) und menschliche Freigabe bei kritischen Aktionen.
Schüler & Azubis
Ich will KI im Lernalltag klug und regelkonform nutzen.
Kein Vorwissen nötig. Du lernst, wie Sprachmodelle funktionieren, warum sie sich irren, welche Regeln in Schule, Ausbildung und Studium gelten und wie du gute Anweisungen schreibst.
- Zielgruppe
- Schüler, Azubis, Studienanfänger
- Voraussetzungen
- keine
- Lernziel
- KI-Hilfsmittel im Lernalltag sicher und regelkonform einsetzen; erkennen, wo KI irrt und wo Nutzung Täuschung wäre.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Tokens, Kontext, Kosten: Rechnen mit Sprachmodellen
Der Grundbaustein: Modelle lesen und schreiben in kleinen Textstücken, und danach richten sich Länge und Preis.
Wie ein Sprachmodell lernt: von Pretraining bis RLVR
Von Pretraining bis RLVR: Wie aus Rohtext ein Assistent wird und warum das Modell kein Wissensspeicher ist.
Warum Sprachmodelle halluzinieren
Warum ein Modell überzeugend falsche Dinge sagt, auch Quellen, die es nicht gibt.
KI in Schule, Ausbildung und Studium: Regeln und Grenzen
Welche Regeln in Schule, Ausbildung und Studium gelten und wo die Täuschungsgrenze verläuft.
Prompt-Grundlagen: Sprachmodellen klare Aufgaben geben
Wie du dem Modell klare Aufgaben gibst: die fünf Bausteine guter Prompts und warum Iteration mehr zählt als der perfekte erste Satz.
Begriffe auf diesem Weg
Sprachmodell (LLM)TokenPromptHalluzinationTemperaturSycophancy
Abschluss-Check
Selbsttest ohne Benotung: Antworten erst selbst formulieren, dann aufklappen.
Aufgaben
Aufgabe 1
Ein Modell nennt eine Quelle, die es nicht gibt. Was ist passiert?
Eine Halluzination: Das Modell erzeugt plausibel klingenden Text ohne Wahrheitsprüfung. Konsequenz: Quellenangaben immer gegen das Original prüfen, nie ungeprüft übernehmen.
Aufgabe 2
Du bist 15 und willst dir einen eigenen Account bei einem KI-Chatbot einrichten. Was gilt?
Anbieterbedingungen prüfen (bei OpenAI: mindestens 13, unter 18 nur mit Erlaubnis der Eltern). Datenschutzrechtlich gilt in Deutschland bei Einwilligungen die Grenze von 16 Jahren, darunter müssen Eltern zustimmen.
Aufgabe 3
Deine Lehrkraft hat nichts zu KI gesagt. Du lässt die komplette Hausaufgabe von der KI schreiben und gibst sie unverändert ab. Einordnen.
Täuschung: Eine geforderte Eigenleistung wird vorgetäuscht. Dass keine Absprache existiert, ändert daran nichts; die KMK erwartet Eigenständigkeit und empfiehlt Kennzeichnungs-Absprachen.
Aufgabe 4
Du lässt dir von der KI zehn Übungsfragen stellen und deine Antworten korrigieren. Einordnen.
Erlaubte Lernhilfe: Es wird keine Abgabeleistung vorgetäuscht. Trotzdem Antworten der KI bei Faktenfragen gegen den Unterrichtsstoff prüfen.
Aufgabe 5
Die KI korrigiert die Grammatik deines Aufsatzes, ohne den Inhalt zu ändern. Einordnen.
Meist erlaubtes Hilfsmittel, vergleichbar einer Rechtschreibprüfung. Maßgeblich ist die Absprache im Kurs; im Zweifel kurz kennzeichnen oder fragen.
Aufgabe 6
Warum reicht es nicht, die KI zu bitten: „Sag mir nur wahre Fakten“?
Das Modell hat keinen Wahrheitsfilter; die Anweisung ändert nichts an der Erzeugung. Sicherheit entsteht nur durch Prüfen gegen die Quelle.
Aufgabe 7
Die KI lobt deine Gliederung überschwänglich. Warum ist das keine Leistungsbeurteilung?
Sycophancy: Modelle neigen dazu, Nutzer zu bestätigen. Für echte Beurteilung ausdrücklich nach Schwächen fragen oder Menschen fragen.
Aufgabe 8
Ein Mitschüler sagt: „Prompten ist egal, das Modell versteht schon, was ich meine.“ Nenne zwei Gegenargumente aus den Prompt-Grundlagen.
Das Modell kennt nur den Text im Kontextfenster, nicht die Absicht dahinter; fehlender Kontext wird geraten. Und: Aufgabe, Format und Prüfkriterien im Prompt verändern die Antwort messbar, Beispiele (Few-Shot) schlagen lange Beschreibungen.
Lehrkräfte
Ich will KI im Unterricht einsetzen, ohne Kontrolle und Datenschutz zu verlieren.
Die Gegenseite des Schüler-Pfads: dieselben Grundlagen, dann Materialworkflow, fairer Umgang mit Verdachtsfällen und die Datenschutz-Ebenen der Schule.
- Zielgruppe
- Lehrkräfte, Dozenten, Ausbilder
- Voraussetzungen
- keine
- Lernziel
- Unterrichtsmaterial effizient erstellen, KI-Nutzung von Lernenden fair bewerten, Datenschutz in der Schule wahren.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
KI in Schule, Ausbildung und Studium: Regeln und Grenzen
Die Schülerperspektive verstehen: Anbieterregeln, Schulregeln und die Täuschungsgrenze aus Sicht der Lernenden.
Wie ein Sprachmodell lernt: von Pretraining bis RLVR
Fachliche Grundlage, um Chancen und Grenzen der Werkzeuge einschätzen und erklären zu können.
Unterrichtsmaterial mit KI erstellen: schnell, aber geprüft
Ein Fünf-Schritte-Workflow mit Kontrollpunkten und ein Briefing zum Kopieren für differenziertes Material.
KI-generierte Schülerarbeiten: einordnen statt verdächtigen
Warum Detektoren kein Beweis sind, wie Verdachtsfälle fair laufen und welche Aufgabenformate weiterhelfen.
Datenschutz in der Schule: welche KI, welche Daten
DSGVO, Einwilligungsalter und Landesfreigaben: welche Daten in welche Werkzeuge dürfen.
Prompt-Grundlagen: Sprachmodellen klare Aufgaben geben
Die eigenen Anweisungen verbessern und den Schülern gleich sauberes Prompting beibringen.
Begriffe auf diesem Weg
PromptHalluzinationWatermarking (bei KI-Text)Temperatur
Abschluss-Check
Selbsttest ohne Benotung: Antworten erst selbst formulieren, dann aufklappen.
Aufgaben
Aufgabe 1
Formuliere ein Arbeitsblatt-Briefing (Ziel, Klasse, Zeit, Format, Prüfkriterien) für ein Thema deiner Wahl.
Vergleiche mit der Vorlage im Artikel Unterrichtsmaterial mit KI: Rolle, Aufgabe, Kontext (Klasse, Lerngruppe, Zeit), Format (Anzahl und Art der Aufgaben, Erwartungshorizont) und Prüfkriterien (lösbare Zahlen, Niveau) müssen vorkommen.
Aufgabe 2
Finde drei Fehlerquellen, die ein ungeprüftes KI-Arbeitsblatt typischerweise enthalten kann.
Erfundene oder falsche Fakten und Jahreszahlen, nicht lösbare oder mehrdeutige Aufgaben und erfundene Quellenangaben. Deshalb: jede Zahl, jedes Zitat und jede Aufgabe vor dem Einsatz selbst prüfen.
Aufgabe 3
Ein Detektor meldet bei einem Schülertext „98 % KI“. Was tust du?
Nicht als Beweis behandeln: Studien zeigen hohe Fehlquoten, besonders bei nicht-muttersprachlichen Texten, und OpenAI hat seinen eigenen Classifier eingestellt. Fairer Weg: Gespräch, Prozessdokumente erfragen, mündlich nachfassen, im Zweifel unter Aufsicht wiederholen lassen.
Aufgabe 4
Eine Kollegin will Schülertexte zur Feedback-Erstellung in einen freien Consumer-Chatbot kopieren. Deine Einschätzung?
Tabu ohne geprüfte Freigabe: Schülertexte sind personenbezogene Daten Minderjähriger. Alternativen: anonymisieren (wenn wirksam) oder ein landesseitig freigegebenes Werkzeug nutzen.
Aufgabe 5
Ab welchem Alter können Schüler in Deutschland in Onlinedienste datenschutzrechtlich selbst einwilligen, und was folgt daraus für verpflichtende KI-Nutzung im Unterricht?
Ab 16 Jahren (Deutschland hat nicht abgesenkt). Verpflichtende Nutzung kann sich nicht auf Einwilligungen über Privataccounts stützen, weil Einwilligung freiwillig sein muss; der Zugang muss schulisch organisiert und abgesichert sein.
Aufgabe 6
Welche Pflicht bringt Artikel 4 der EU-KI-Verordnung, und seit wann gilt sie?
Seit 2. Februar 2025 müssen Anbieter und Betreiber von KI-Systemen für ausreichende KI-Kompetenz der Nutzer sorgen. Auch Schulen können Betreiber sein; Datenschutz ist damit auch eine Bildungsaufgabe.
Prompt-Praxis: vom Wunsch zum Ergebnis
Ich will systematisch bessere Antworten bekommen, statt jedes Mal neu herumzuprobieren.
Prompting ist eine lernbare Handwerkskunst, kein Rätselraten. Dieser Pfad führt von den Grundlagen über Beispiele und Systemanweisungen bis zum eigenen, prüfbaren Prompt-Bestand.
- Zielgruppe
- Alle, die Chatbots und KI-Assistenten im Alltag oder Beruf nutzen
- Voraussetzungen
- Keine. Grundkenntnisse im Umgang mit einem Chatbot reichen.
- Lernziel
- Systematisch prompten: Kontext geben, Beispiele nutzen, iterieren und die Qualität der Ergebnisse prüfen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Prompt-Grundlagen: Sprachmodellen klare Aufgaben geben
Der Einstieg: Woraus ein Prompt besteht und warum Kontext mehr zählt als Zauberformeln (Artikel in Vorbereitung durch die Redaktion).
Few-Shot-Prompting in der Praxis: Beispiele, die wirken
Warum ein paar Beispiele oft mehr bringen als lange Anweisungen, und wie man Beispiele richtig baut.
System-Prompts und Rollen: die unsichtbare Anweisung
Die unsichtbare Daueranweisung: Rolle, Regeln und Grenzen einmal richtig setzen.
Prompt-Iteration und Debugging: systematisch statt raten
Prompts debuggen wie Software: Fehler einordnen, eine Stelle ändern, mit Testmenge prüfen.
Evals: Testen statt Bauchgefühl
Eine eigene kleine Testmenge bauen, damit Verbesserungen messbar statt gefühlt sind.
Eine persönliche Prompt-Bibliothek aufbauen
Aus einmaligem Ausprobieren wird ein wachsender, gepflegter Bestand an geprüften Prompts.
Begriffe auf diesem Weg
PromptSystem-PromptFew-Shot-PromptingZero-ShotChain of Thought
Abschluss-Check
Aufgaben
Aufgabe 1
Schwacher Prompt: 'Schreib was über unsere neue Software.' Verbessere ihn mit Zielgruppe, Auftrag, Länge und Tonalität.
Zum Beispiel: 'Schreibe einen LinkedIn-Beitrag (max. 120 Wörter) für Bestandskunden: Unsere Software Version 4 spart bis zu 30 % Erfassungszeit. Ton: sachlich, kein Marketing-Überbieten. Ende mit einem Satz zur kostenlosen Testphase.' Entscheidend ist nicht diese Formulierung, sondern dass Zielgruppe, Auftrag, Umfang und Ton benannt sind.
Aufgabe 2
Schwacher Prompt: 'Fass das zusammen: [2.000 Wörter Vertragstext]'. Wo liegt das Problem und wie repariert man es?
Das Ziel fehlt: Zusammenfassen wofür und für wen? Reparatur: Auftrag und Publikum ergänzen ('die drei für einen Mieter riskantesten Klauseln in je einem Satz, für Laien') und bei sensiblen Texten prüfen, welche Daten in welches Werkzeug dürfen.
Aufgabe 3
Schwacher Prompt: 'Mach die Antwort besser.' Warum funktioniert das nicht, und was wäre die bessere Iteration?
'Besser' ist kein prüfbares Kriterium; das Modell rät. Besser: den Fehler benennen ('zu lang, zu formell, Punkt 2 fehlt') und genau eine Stelle ändern, dann erneut prüfen (siehe Prompt-Iteration).
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Was ist der Unterschied zwischen Zero-Shot und Few-Shot?
Zero-Shot: nur die Anweisung, keine Beispiele. Few-Shot: einige gelöste Beispiele stehen im Prompt, das Modell setzt das Muster fort.
Was steht typischerweise im System-Prompt und wer sieht ihn?
Rolle, Regeln, Format und Grenzen der Antworten; er stammt vom Anbieter oder Entwickler und ist für Nutzer der App meist unsichtbar.
Nenne die Kernregel beim Debuggen eines Prompts.
Pro Iteration nur eine Stelle ändern und gegen eine feste Testmenge prüfen; sonst ist nicht erkennbar, welche Änderung wirkte.
Warum gehören keine Geheimnisse in den System-Prompt?
Alles im System-Prompt kann im Prinzip vom Modell wiedergegeben und durch geschickte Fragen ausgelesen werden; er ist eine Anweisung, kein Tresor.
Woran erkennt man, dass ein Prompt eine eigene Testmenge braucht?
Sobald er wiederholt läuft (Produkt, Workflow, Assistenz) oder Änderungen bewertet werden sollen: Dann zählt die Leistung über eine feste Menge echter Fälle, nicht der Einzeleindruck.
Marketing & SEO: KI-gestützte Content-Arbeit
Ich will Content mit KI schneller produzieren, ohne Markenkonsistenz und Sichtbarkeit in KI-Antwortsystemen zu verlieren.
Sprachmodelle verändern zwei Seiten des Marketings gleichzeitig: die Produktion von Inhalten und deren Auffindbarkeit. Dieser Pfad deckt beide ab: vom Workflow über die Markenstimme bis zur Sichtbarkeit in AI Overviews und Antwortmaschinen.
- Zielgruppe
- Marketing-Verantwortliche, SEOs, Content-Teams
- Voraussetzungen
- Marketing-Grundlagen; hilfreich ist der Lernpfad Prompt-Praxis.
- Lernziel
- Content-Produktion mit KI beschleunigen und gleichzeitig Markenstimme halten sowie in KI-Übersichten und Antwortmaschinen zitierbar bleiben.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Content-Workflows mit LLMs: Briefing, Entwurf, Review
Der tragfähige Prozess: Briefing, Kontext, KI-Entwurf, menschliches Review, Freigabe; mit Produktivitätszahlen und Googles Regeln.
SEO und AEO im KI-Zeitalter: sichtbar in KI-Antworten
Klicks wandern zu KI-Antworten: was gemessen ist, was Google rät und was llms.txt kann und nicht kann.
Bild-KI in der Praxis: Prompts, Referenzen, Workflows
Bilder zum Content mit Bild-KI erzeugen: Prompts, Referenzen, Workflows (Artikel in Vorbereitung durch die Redaktion).
Markenkonsistenz mit KI: eine Stimme in jedem Entwurf
Eine Stimme in jedem Entwurf: Tonalität messbar machen, dauerhaft hinterlegen, im Review sichern.
Evals: Testen statt Bauchgefühl
Qualitätsmessung auf Content übertragen: feste Prüffälle statt Stichprobe nach Gefühl.
Warum Sprachmodelle halluzinieren
Das Markenrisiko falscher Fakten verstehen: warum Modelle erfinden und was dagegen hilft.
Begriffe auf diesem Weg
SycophancySemantisches CachingGroundingPromptAEO
Abschluss-Check
Aufgaben
Aufgabe 1
Prüfe diesen KI-Entwurf gegen einen Stilguide (Vorgabe: sachlich, keine Superlative, kurze Sätze): 'Unser revolutionäres, bahnbrechendes Produkt wird Ihre Arbeitswelt für immer transformieren!'
Der Satz verstößt dreifach: Superlative ('revolutionär', 'bahnbrechend'), unbelegte Zukunftsbehauptung, Werbepathos statt Sachlichkeit. Umarbeiten etwa: 'Version 4 erfasst Belege automatisch; in unserem Test sank der Aufwand pro Beleg von 4 auf 3 Minuten.' Regel: Abweichung benennen und als Beispiel in die Vorgabe zurückspielen.
Aufgabe 2
Dein Chef fragt: 'Warum sinken unsere Besucherzahlen, obwohl wir bei Google auf Platz 2 stehen?' Skizziere die Antwort.
Rang und Klicks entkoppeln sich: KI-Übersichten beantworten viele Anfragen direkt; die Pew-Auswertung zeigte 8 % Klickrate mit KI-Übersicht gegenüber 15 % ohne. Gegenmaßnahmen: Zitierbarkeit stärken (Antwortabsätze, strukturierte Daten, belegte Aussagen), Themen mit eigenen Daten ausbauen, Sichtbarkeit in KI-Antworten beobachten statt nur Ränge.
Aufgabe 3
Baue die Minimal-Vorgabe für Markenstimme aus fünf Beispieltexten deines Arbeitgebers (gedanklich).
Aus den Texten werden Tonalitätsregler abgeleitet (z. B. ernst 8/10, förmlich 6/10), drei Beispielsätze im eigenen Ton und eine Negativliste typischer Modellfloskeln; das Paket wird in den Werkzeugen hinterlegt und im Review genutzt.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Wie bewertet Google KI-generierte Inhalte grundsätzlich?
Nach Nutzen für Leser, nicht nach Entstehungsart. Missbrauch ist die massenhafte Produktion wertloser Inhalte zur Ranking-Manipulation, egal ob von Mensch oder Maschine.
Was besagt die Pew-Studie zu Klicks bei KI-Übersichten?
Bei Seiten mit KI-Zusammenfassung wurde nur in 8 % der Besuche auf ein klassisches Ergebnis geklickt (ohne: 15 %); Quellen in der Übersicht selbst nur in 1 %.
Was ist llms.txt und was ist es nicht?
Ein inoffizieller Vorschlag für eine Markdown-Datei, die Modellen die wichtigsten Inhalte einer Site weist. Es ist weder Standard noch dokumentierter Rankingfaktor.
Nenne die vier Tonalitätsdimensionen nach Nielsen Norman Group.
Witzig vs. ernst, förmlich vs. locker, respektvoll vs. respektlos, enthusiastisch vs. sachlich.
Warum gehört der Ton-Check in dasselbe Review wie der Fakten-Check?
Weil Modelle im Durchschnittston ihrer Trainingsdaten schreiben und in langen Unterhaltungen dorthin driften; ohne Prüfung klingt der Entwurf nach dem Modell, nicht nach der Marke.
Was bedeutet AEO und wie verhält es sich zu SEO?
Answer Engine Optimization: Inhalte so aufbereiten, dass Antwortmaschinen sie erfassen und zitieren. Es ergänzt SEO, ersetzt es nicht; KI-Funktionen sitzen auf dem klassischen Index.
Multimodale KI: Text, Bild, Audio, Video in einem Modell
Ich will verstehen, wie ein Modell mehrere Medientypen verarbeitet - und das richtige für meine Aufgabe wählen.
Für technikinteressierte Leser, Entwickler und Kreative: Vom gemeinsamen Token-Trick über kontrastive und generative Architekturen bis zur Modellwahl nach Aufgabe.
- Zielgruppe
- technikinteressierte Leser, Entwickler, Kreative
- Voraussetzungen
- keine
- Lernziel
- Verstehen, wie Modelle mehrere Medientypen verarbeiten, und die richtige Modellklasse je Aufgabe wählen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Multimodale Modelle verstehen: Tokenizer für Bild, Audio, Video
Der Architektur-Überblick: Wie Bild, Audio und Video zu Tokens werden und warum ein Transformer alle verarbeiten kann.
Bildverständnis in der Praxis: Dokumente, Screenshots, Diagramme
Die wichtigste Anwendung: Dokumente, Screenshots und Diagramme lesen lassen - inklusive der Pflicht zur Verifikation.
Audio- und Sprach-KI: TTS, STT und Stimmklone verstehen
Sprache als Ein- und Ausgabe: Erkennen, Erzeugen und die Regeln für Stimmklone.
Video-KI: Stand der Technik, Werkzeuge, Grenzen
Die zeitliche Dimension: Video-Diffusion, Werkzeugmarkt und Shot-Workflow.
KI-Modelle
Die Porträts aktueller multimodaler Modelle zum Vertiefen und Vergleichen.
OSWorld
Computer Use als Grenzfall des Bildverständnisses: Modelle, die Oberflächen lesen und bedienen - und wie man das misst.
Begriffe auf diesem Weg
Vision-Language-ModellMultimodalBild-TokenizerAudio-Language-ModellComputer Use
Abschluss-Check
Aufgaben
Aufgabe 1: Ordne fünf Aufgaben der richtigen Modellklasse zu (VLM, Text-to-Image, Text-to-Video, Audio-Language, Computer Use): (1) Diagramm erklären lassen, (2) Werbe-Shot aus Text erzeugen, (3) Rechnung aus Foto auslesen, (4) Sprachassistent mit eigener Stimme, (5) Formular automatisch im Browser ausfüllen.
Aufgabe 2: Ein Modell liest aus einem Liniendiagramm einen Umsatzanstieg ab. Beschreibe, warum du den Wert nicht ungeprüft übernimmst und wie du stattdessen vorgehst.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Was ist der verbindende Mechanismus aller multimodalen Modelle?
Tokenisierung: Text, Bild, Audio und Video werden in Symbole oder Vektoren zerlegt, die ein gemeinsamer Transformer verarbeitet.
Was unterscheidet CLIP von einem Vision-Language-Modell wie LLaVA?
CLIP ordnet Bild und Text nur einander zu (verstehen ohne Erzeugen); ein VLM beantwortet Fragen zu Bildern in freiem Text.
Warum hinken Audio- und Videofähigkeiten den Bildfähigkeiten hinterher?
Beschriftete Trainingspaare sind der Engpass: Bild-Text-Paare existieren milliardenfach, gut beschriebene Audio- und Video-Daten sind rarer und teurer.
Nenne zwei dokumentierte Schwächen aktueller Vision-Modelle.
Z. B. präzises räumliches Ablesen (Achsen, Zählen) und das Verwechseln ähnlicher Objekte - deshalb Verifikationspflicht.
Welche Modellklasse wählst du, um eine Rechnung aus einem Foto auszulesen?
Ein Vision-Language-Modell (Bildverständnis); für die reine Massenextraktion fester Felder bleiben OCR-Pipelines eine Alternative.
Unternehmer & KMU
Ich will KI im Betrieb einführen – kalkulierbar und ohne Lehrgeld.
Du führst einen kleinen oder mittleren Betrieb und willst KI nicht als Experiment, sondern als Werkzeug: Dieser Pfad führt von der Auswahl der ersten Anwendungsfälle über die Kauf-oder-Bauen-Frage und die Kostenrechnung bis zur Mitnahme der Belegschaft – und schließt mit den Sicherheitsgrundlagen für Systeme mit echten Rechten.
- Voraussetzungen
- Keine. Der Entscheider-Pfad ist ein guter Einstieg vorab.
- Lernziel
- Vom ersten Use-Case zur kalkulierbaren Einführung: priorisieren, beschaffen, Mitarbeiter mitnehmen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
KI-Use-Cases finden und priorisieren: Was sich wirklich lohnt
Der häufigste Fehlschlag ist das falsche Projekt: So findest und sortierst du Anwendungsfälle mit der Wirkung-Aufwand-Matrix und startest einen Piloten mit Messwerten.
Build vs. Buy bei KI: SaaS, API oder selbst hosten?
Abo, API oder eigener Server? Die drei Beschaffungswege mit aktuellen Preisen, versteckten Kosten und einer ehrlichen Vollkosten-Rechnung (TCO).
Lokale Modelle: Wann sich der eigene Rechner lohnt
Wann es sich lohnt, Modelle selbst zu hosten – für Datenhoheit, Volumen oder Unabhängigkeit – und was das an Hardware und Betrieb kostet.
KI-Kosten und ROI kalkulieren: rechnen statt schätzen
Vom Token-Preis zu den Kosten pro gelöster Aufgabe und zum ROI: die Rechnung, die entscheidet, ob sich der Einsatz trägt.
Mitarbeiter mitnehmen: KI-Einführung, die nicht scheitert
Technik ist der leichte Teil: Schulung, Nutzungsrichtlinie, Freigaben und die frühe Einbindung des Betriebsrats.
Sicherheit für Agenten-Systeme: von Prompt Injection bis Sandbox
Sobald KI echte Rechte bekommt (lesen, schreiben, senden), zählen Zugriffsbegrenzung und Absicherung – hier lernst du die Grundregeln.
Begriffe auf diesem Weg
GrenzkostenKosten pro gelöster AufgabeHuman-in-the-LoopFoundation-Model-Risiken
Abschluss-Check
Aufgaben
Vier Use-Cases einordnen
Ordne in die Wirkung-Aufwand-Matrix ein: (a) KI-Entwürfe für Standardantworten im Support, (b) vollautomatischer Preisroboter im Onlineshop, (c) Wissensdatenbank mit RAG über 15 Jahre Projektdokumentation, (d) KI-Zusammenfassung der wöchentlichen Teamsitzung.
(a) hohe Wirkung, geringer Aufwand: schneller Gewinn, Ergebnis ist in Minuten prüfbar. (b) unklare Wirkung, hoher Aufwand und hohes Fehlerrisiko: vorerst Finger weg. (c) hohe Wirkung, hoher Aufwand: strategisches Projekt, erst nach einem schnellen Gewinn angehen. (d) geringe Wirkung, geringer Aufwand: Lückenfüller, mitnehmen, aber nicht als Pilotprojekt verkaufen.
ROI-Mini-Rechnung nachvollziehen
Ein Werkzeug kostet 400 € im Monat (Lizenz, Pflege, Prüfzeit). Es spart 60 Stunden Schreibarbeit, interner Stundensatz 50 €. Wie hoch sind monatlicher Überschuss und ROI?
Ersparnis: 60 × 50 € = 3.000 €. Überschuss: 3.000 € − 400 € = 2.600 €. ROI = (3.000 € − 400 €) / 400 € = 650 %. Ehrlich bleibt die Rechnung nur, wenn die 60 Stunden wirklich freigesetzt und anderweitig genutzt werden.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Warum ist der Token-Preis pro Million keine gute Entscheidungsgrundlage?
Weil er nichts über die Kosten einer gelösten Aufgabe sagt: Akzeptanzquote, Prüfzeit und Vollkosten (Anbindung, Pflege) entscheiden. Ein teureres Modell kann pro brauchbarem Ergebnis günstiger sein.
Nenne zwei valide Gründe für Self-Hosting statt API.
Datenhoheit (Daten dürfen den eigenen Verantwortungsbereich nicht verlassen) und hohes, stabiles Volumen, bei dem eigener Betrieb die Token-Kosten schlägt; außerdem, wenn KI Teil des eigenen Produkts ist.
Was ist Schatten-KI und warum ist sie eine Gratis-Bedarfsanalyse?
Beschäftigte nutzen private KI-Werkzeuge ohne Freigabe. Das ist ein Datenschutzrisiko, zeigt aber genau, wo im Betrieb echter Bedarf liegt – die Aufgaben, die sich Leute heute schon heimlich erleichtern, sind bewährte Kandidaten für genehmigte Prozesse.
Welche drei Dinge legst du vor Start eines Pilotprojekts fest?
Startwert (Dauer und Kosten der Aufgabe heute), Zielwert mit Abbruchkriterium, und die Messmethode (Stichprobe echter Aufgaben, mit und ohne KI, von Menschen bewertet).
Warum soll der Betriebsrat bei der KI-Einführung früh eingebunden werden?
Weil KI-Werkzeuge Verhalten oder Leistung überwachen können und dann Mitbestimmung nach § 87 BetrVG greift – und weil die frühe Einbindung Bedenken auf den Tisch bringt, die sonst als stiller Widerstand im Projekt landen.
Produktmanager: KI-Features konzipieren
Ich muss entscheiden, ob und wie ein KI-Feature in unser Produkt kommt.
Von der Idee zum belastbaren MVP: Machbarkeit einschätzen, Qualität messen statt hoffen, Kosten skalieren und UX-Fallstricke vermeiden. Keine technischen Vorkenntnisse nötig.
- Zielgruppe
- Produktmanager, Product Owner, Gründer
- Voraussetzungen
- keine technischen
- Lernziel
- KI-Features von Idee bis MVP bewerten: Machbarkeit, Qualität messen, Kosten skalieren, UX-Fallstricke vermeiden.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Was ein KI-Agent wirklich ist
Die Grundlage: Was ein Agent anders macht als ein Chatbot und warum das für Feature-Ideen wichtig ist.
KI-Feature-Canvas: von der Idee zum MVP
Das Werkzeug dieses Pfads: neun Felder, mit denen Sie jede KI-Feature-Idee in 30 Minuten auf Machbarkeit und Nutzen prüfen.
Modelle und Agenten richtig evaluieren
Wie Sie Qualität mit Zeithorizont, Pass-Rate und Konfidenzintervall messen statt dem Demo-Video zu glauben.
Evals: Testen statt Bauchgefühl
Der Praxisteil: In einer Stunde eine eigene Testmenge bauen, mit der Sie Modelle fair vergleichen.
KI-Kosten und ROI kalkulieren: rechnen statt schätzen
Was das Feature kostet und was es bringt: die ROI-Rechnung, bevor das Budget fließt.
KI-UX: Vertrauen, Fehlerfälle, Fallbacks, Erwartungsmanagement
Damit das Feature ankommt: Vertrauen kalibrieren, Fehlerfälle und Fallbacks gestalten, Erwartungen steuern.
Begriffe auf diesem Weg
Zeithorizont (Time Horizon)Pass-RateHuman-in-the-LoopGrenzkosten
Abschluss-Check
Nehmen Sie einen echten KI-Feature-Pitch (eigenen oder fremden) und durchleuchten Sie ihn mit diesen sechs Prüffragen. Danach testen Sie Ihr Wissen im Fünf-Fragen-Quiz.
Aufgaben
Aufgabe 1: Lässt sich der Nutzen in einem Satz ohne KI-Schlagwort erklären? Wenn nicht, ist das Problem noch nicht klar.
Aufgabe 2: Ist begründet, warum dafür ein KI-Modell nötig ist - oder würde es eine einfache Regel oder Suche auch tun? (Googles ML-Regel Nr. 1)
Aufgabe 3: Gibt es eine schriftliche „gelöst“-Regel und eine Testmenge aus echten Fällen, oder nur Demo-Eindrücke?
Aufgabe 4: Ist die Qualität mit Stichprobengröße und Konfidenzintervall angegeben - und für welche Aufgabenlänge (Zeithorizont) gilt sie?
Aufgabe 5: Sind die Kosten pro gelöster Aufgabe gerechnet und skalieren sie bei der erwarteten Nutzung tragbar?
Aufgabe 6: Sind Fehlerfälle, Fallbacks und die Rolle des Menschen (Human-in-the-Loop) definiert, bevor gebaut wird?
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Was gehört ins erste Feld des KI-Feature-Canvas?
Das Nutzerproblem und der erwartete Nutzen Wer mit dem Modell beginnt, baut Lösungen ohne Problem. Der Canvas startet bei Problem und Nutzen.
Warum reicht ein überzeugendes Demo-Video nicht als Qualitätsnachweis?
Es zeigt Einzelfälle ohne Stichprobe, „gelöst“-Regel und Konfidenz Eine Demo ist ein bester Fall. Erst ein Eval mit echten Fällen und fester Bewertungsregel misst die tatsächliche Quote.
Was beschreibt der Zeithorizont eines Agenten?
Die Länge der Aufgaben, die er mit einer gegebenen Erfolgswahrscheinlichkeit löst Der Zeithorizont (METR) sagt, bei welcher Aufgabenlänge ein Modell noch zuverlässig liefert - zentrale Größe für Machbarkeit.
Was ist ein Fallback in der KI-UX?
Ein definierter Plan B, wenn das Modell unsicher ist oder scheitert Fallbacks (Rückfrage, Mensch, klassische Suche) verhindern, dass Unsicherheit als falsche Sicherheit beim Nutzer ankommt.
Wann ist ein KI-Feature reif für den MVP?
Wenn Eval-Schwelle, Kosten pro gelöster Aufgabe und Fallback-Plan belastbar stehen Messbare Qualität, tragfähige Stückkosten und ein Fehlerplan sind die drei Mindestbedingungen.
Kreative: Bild-, Audio- und Video-KI
Ich gestalte Medien und will generative KI sauber und rechtssicher einsetzen.
Für Designer, Mediengestalter und Content-Produzenten: Du lernst, wie Bild-, Audio- und Video-Modelle arbeiten, wie du sie gezielt steuerst und wie du Ergebnisse prüfst, kennzeichnest und veröffentlichst.
- Zielgruppe
- Designer, Mediengestalter, Content-Produzenten
- Voraussetzungen
- keine
- Lernziel
- Generative Medienmodelle verstehen, sauber prompten, rechtlich und kennzeichnungskorrekt veröffentlichen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Wie Bildmodelle lernen: Diffusion, Tokenizer und Stile
Das Fundament: Diffusion, Latentraum und Bild-Tokenizer - danach verstehst du, warum die Werkzeuge sich so verhalten, wie sie es tun.
Bild-KI in der Praxis: Prompts, Referenzen, Workflows
Das Handwerk: Prompts, Referenzen, Workflows und die Prüfliste für typische Bildfehler.
Audio- und Sprach-KI: TTS, STT und Stimmklone verstehen
Transkription, Vertonung und der heikle Sonderfall Stimmklon: was geht, was nur mit Einwilligung.
Video-KI: Stand der Technik, Werkzeuge, Grenzen
Der aktuelle Werkzeugmarkt nach dem Sora-Aus und der Shot-Workflow, mit dem aus Einzelclips ein Film wird.
Urheberrecht bei KI-Medien: Training, Nutzung, Kennzeichnung
Kennzeichnung, Urheberrecht und AI Act für KI-Medien: die Rechtsseite des Veröffentlichens (mit Stand-Datum, keine Rechtsberatung).
Warum Sprachmodelle halluzinieren
Artefakte in Bildern sind das visuelle Gegenstück zu Halluzinationen bei Text: plausibel, aber falsch - und darum prüfbar.
Begriffe auf diesem Weg
DiffusionsmodellText-to-Image-ModellText-to-Video-ModellMultimodalBild-TokenizerText-to-SpeechSpeech-to-Text
Abschluss-Check
Aufgaben
Aufgabe 1: Ordne fünf beschriebene Bild-Artefakte der richtigen Fehlerstelle zu (Hände, Text im Bild, Physik, Markenlogos, Stilkonflikt) und nenne je ein Gegenmittel aus der Prüfliste in "Bild-KI in der Praxis".
Aufgabe 2: Ein Kollege will die Stimme einer bekannten Moderatorin für ein Erklärvideo klonen, "die merkt das schon nicht". Welche zwei Dinge sind vorher zwingend zu klären?
Aufgabe 3: Du brauchst einen 60-sekündigen Werbeclip. Erkläre, warum du nicht einen Prompt für den ganzen Film schreibst, sondern in Shots denkst.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Ein Bildmodell rendert im Logo-Schriftzug zwei Buchstaben falsch. Was ist die wahrscheinlichste Ursache?
Text ist hochfrequent und regelbasiert; die Bildstatistik trifft exakte Muster schlechter als grobe Formen (plus Decoder-Verlust im Latentraum).
Was unterscheidet STT von TTS?
STT wandelt gesprochene Sprache in Text um (erkennen), TTS erzeugt aus Text gesprochene Sprache (erzeugen).
Welche Voraussetzung gilt vor jedem Stimmklon?
Die dokumentierte Einwilligung der sprechenden Person; Anbieter verlangen zusätzlich Berechtigungsnachweise.
Nenne zwei derzeit führende Video-KI-Werkzeuge nach dem Sora-Aus (Stand Oktober 2026).
Z. B. Google Veo 3.1, Runway Gen-4.5 oder Kling 3.0.
Welche zwei Kennzeichnungs-Ebenen gehören in jeden Veröffentlichungs-Workflow?
Sichtbare Markierung für Leser ("KI-generiert") und maschinenlesbare Herkunftsnachweise (C2PA/Content Credentials).
Warum sind Referenzbilder wichtiger als längere Prompts für konsistente Serien?
Referenzen verankern Stil und Motiv direkt in der Bildstatistik; Prompt-Text gewichtet nur und verwässert mit jedem Baustein.
HR & Recruiting
Ich will KI in Personalprozessen einsetzen – ohne Diskriminierung und ohne Rechtsbruch.
Kaum ein Bereich berührt Grundrechte so direkt wie die Personalarbeit: KI im Recruiting ist im EU AI Act ausdrücklich als Hochrisiko eingestuft. Dieser Pfad zeigt, was die Werkzeuge können, wo die rechtlichen Linien laufen, wie du KI-geschriebene Bewerbungen einordnest und wie du die Belegschaft mitnimmst.
- Voraussetzungen
- Keine.
- Lernziel
- KI in Recruiting und Personalentwicklung einsetzen, AI-Act-Hochrisiko-Einstufung und Diskriminierungsrisiken kennen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
KI im Recruiting: Chancen, Werkzeugtypen, Fallstricke
Werkzeugtypen, Bias-Forschung und die Hochrisiko-Einstufung im EU AI Act: der Überblick über Chancen und Fallstricke, mit sechs Praxisregeln.
EU AI Act: Risikoklassen, Pflichten und Fristen im Überblick
Der Rechtsrahmen im Detail: Risikoklassen, Pflichten für Anbieter und Anwender, Fristen – Personalauswahl ist der prominenteste Hochrisiko-Fall. (Artikel aus Paket 7, in Arbeit)
KI-geschriebene Bewerbungen: erkennen, einordnen, Prozesse anpassen
Die Gegenseite: Zwei von drei Bewerbungen entstehen mit KI-Hilfe. Warum Detektoren versagen und wie du deine Auswahlprozesse umbaust.
Mitarbeiter mitnehmen: KI-Einführung, die nicht scheitert
KI in HR-Prozessen braucht Akzeptanz: Schulung, Nutzungsrichtlinie und die Rolle des Betriebsrats. (Geteilt mit dem KMU-Pfad)
DSGVO und KI: Was mit personenbezogenen Daten erlaubt ist
Bewerberdaten sind personenbezogene Daten: Was in Prompts und Systeme darf, was nicht – und welche Verträge du brauchst. (Artikel aus Paket 7, in Arbeit)
Begriffe auf diesem Weg
SycophancyHalluzinationHuman-in-the-LoopAlignment
Abschluss-Check
Aufgaben
Drei Szenarien nach Risikoklasse einordnen
Ordne nach dem EU AI Act ein (Hochrisiko ja/nein): (a) Ein Werkzeug filtert eingehende Lebensläufe und erzeugt eine Rangliste der zehn besten Kandidaten. (b) Ein Werkzeug prüft deine Stellenanzeigen auf diskriminierende Formulierungen. (c) Ein System bewertet die schriftlichen Antworten von Bewerbenden in einem Online-Test und schlägt vor, wen du einlädst.
(a) Hochrisiko: Auswahl und Rangfolge natürlicher Personen, Anhang III Punkt 4(a). (b) Kein Hochrisiko-System: Es bewertet Texte des Arbeitgebers, nicht Personen; die Einordnung des AI Act Service Desk nennt genau diesen Fall als außerhalb von Punkt 4(a). (c) Hochrisiko: Bewertung von Bewerberantworten mit materiellem Einfluss auf die Auswahl. Stand der Einordnung: Oktober 2026, keine Rechtsberatung.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Ab wann gelten die Hochrisiko-Pflichten des EU AI Act für Recruiting-Systeme?
Nach der Änderung durch das Digital-Omnibus-Paket ab dem 2. Dezember 2027 (ursprünglich: 2. August 2026). DSGVO und AGG gelten unabhängig davon schon heute. Stand: Oktober 2026.
Was fand die Washington-Studie zur Lebenslauf-Bewertung durch Sprachmodelle?
Drei getestete Modelle bevorzugten in über drei Millionen Vergleichen weiß assoziierte Namen in 85 % der Fälle; schwarz männlich gelesene Namen wurden nie gegenüber weiß männlich gelesenen bevorzugt. Die Verzerrungen zeigen sich auch in Kombinationen von Merkmalen (Intersektionalität).
Warum sind KI-Text-Detektoren im Bewerbungsprozess problematisch?
Sie markieren schlichte, vorhersehbare Sprache als KI-generiert – und trafen in einer Studie 61 % der Texte nicht-muttersprachlicher Schreiber fälschlich, während Muttersprachler fast fehlerfrei durchkamen. Ablehnungen auf dieser Basis benachteiligen systematisch Unschuldige.
Nenne zwei Prozess-Anpassungen, die besser wirken als Detektoren.
Referenzaufgaben aus dem echten Job statt Hochglanz-Anschreiben, mündliche Vertiefung behaupteter Stationen im Gespräch – plus eine klare Ansage in der Ausschreibung, welche KI-Nutzung akzeptiert ist.
Was ist der Unterschied zwischen KI-Assistenz und KI-Bewertung im Recruiting?
Assistenz (Anzeigen schreiben, Termine koordinieren, Fragen beantworten) bewertet keine Menschen und fällt nicht unter Anhang III. Bewertung (Filtern, Rangfolge, Testauswertung von Personen) ist Hochrisiko-KI mit entsprechenden Pflichten.
Recht & Datenschutz: KI compliant nutzen
Ich will KI im Unternehmen einsetzen, ohne Datenschutz und Haftung aus dem Blick zu verlieren.
Für Datenschutzbeauftragte, Juristen, Compliance und Geschäftsführer. Du lernst die Grundpflichten aus DSGVO und KI-Verordnung, prüfst Anbieter systematisch und ordnest Dokumentationspflichten ein. Keine Rechtsberatung: Jede Seite nennt Quellen und ihren Stand.
- Zielgruppe
- Datenschutzbeauftragte, Juristen, Compliance, Geschäftsführer
- Voraussetzungen
- Grundverständnis DSGVO hilfreich
- Lernziel
- DSGVO- und AI-Act-Grundpflichten kennen, Anbieter prüfen, Dokumentationspflichten einordnen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
DSGVO und KI: Was mit personenbezogenen Daten erlaubt ist
Die Basis: Wann Prompts und Trainingsdaten personenbezogene Daten enthalten und was die Aufsichtsbehörden dazu sagen.
EU AI Act: Risikoklassen, Pflichten und Fristen im Überblick
Das Risikomodell der KI-Verordnung: verboten, hochriskant, transparenzpflichtig - mit den Fristen, die jetzt gelten.
KI-Anbieter prüfen: Auftragsverarbeitung, Datenflüsse, Nachweise
Vom Gesetz zum Einkauf: Auftragsverarbeitung, Datenflüsse und Zertifizierungen als Prüfliste für jeden KI-Anbieter.
Lokale Modelle: Wann sich der eigene Rechner lohnt
Die technische Ausweichroute: Wann ein Modell auf eigener Hardware Datenschutzprobleme schon am Ursprung löst.
Urheberrecht bei KI-Medien: Training, Nutzung, Kennzeichnung
Was bei KI-generierten Texten und Bildern zu beachten ist: Training, Ausgabe, Kennzeichnung.
Sicherheit für Agenten-Systeme: von Prompt Injection bis Sandbox
Zugriffsrechte als Haftungsfrage: Warum ein Agent mit weiten Rechten ein Compliance-Risiko ist.
KI-Transparenz: So arbeitet das KI Fachblatt mit künstlicher Intelligenz
Das Praxisbeispiel: Wie diese Redaktion selbst KI-Nutzung, Quellen und Verantwortung offenlegt.
Begriffe auf diesem Weg
DSGVOEU AI ActAuftragsverarbeitungUrheberrechtLizenz (bei Modellen)Offene GewichteData PoisoningModell-Extraktion
Abschluss-Check
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Seit wann gelten die zentralen Transparenzpflichten (Art. 50) der KI-Verordnung?
Seit dem 2. August 2026 (mit Übergang für Bestandssysteme bis 2. Dezember 2026).
Welcher Vertrag ist Pflicht, wenn ein KI-Anbieter personenbezogene Daten für dein Unternehmen verarbeitet?
Ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO.
Was erlaubt § 44b UrhG - und unter welcher Bedingung?
Text und Data Mining, also Vervielfältigungen für Analysen wie KI-Training - solange Rechteinhaber nicht wirksam widersprochen haben (Opt-out).
Nenne drei Punkte des Anbieter-Checks vor dem KI-Einkauf.
Auftragsverarbeitung und Datenflüsse (wohin gehen die Daten, wird trainiert?), Zertifizierungen (z. B. C5), Drittland-Transfer und Modell-/Exit-Fragen.
Ab wann gelten die Hochrisiko-Anforderungen für Kreditscoring und Versicherungspricing (Anhang III) nach dem KI-Omnibus?
Ab dem 2. Dezember 2027.
Warum ist die Kennzeichnung KI-generierter Inhalte auch außerhalb gesetzlicher Pflichten sinnvoll?
Sie schafft Vertrauen und Transparenz gegenüber Lesern und Kunden - und ist ab August 2026 für viele synthetische Inhalte ohnehin Pflicht (Art. 50).
Finanzen & Controlling: KI in Zahlenprozessen
Ich will KI für Belege, Auswertungen und Prognosen nutzen - ohne Fehlern und Prüfungsrisiken.
Für Controller, Buchhaltung und Finanzverantwortliche. Du lernst, KI für Dokumenten- und Datenanalyse einzusetzen, die Rechengrenzen von Sprachmodellen zu respektieren und die Prüf- und Compliance-Anforderungen zu erfüllen. Keine Anlageberatung, keine Produktempfehlung.
- Zielgruppe
- Controller, Buchhaltung, Finanzverantwortliche
- Voraussetzungen
- kaufmännische Grundkenntnisse
- Lernziel
- KI für Dokumenten- und Datenanalyse einsetzen, Rechengrenzen von LLMs kennen, Prüf- und Compliance-Anforderungen erfüllen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Tokens, Kontext, Kosten: Rechnen mit Sprachmodellen
Die Grundeinheit: Warum Modelle in Tokens rechnen und was das für Kontextlänge und Kosten großer Belegstapel bedeutet.
Dokumentenanalyse mit KI: Rechnungen und Verträge richtig auslesen
Der Kernfall: Rechnungen, Verträge und Berichte mit KI lesen - inklusive Grenzen bei Tabellen und Prüfstrategie.
Rechnen mit LLMs: Warum Modelle bei Zahlen stolpern und was hilft
Die wichtigste Grenze: Sprachmodelle rechnen schlecht - wann Werkzeuge und Verifikation Pflicht sind.
Warum Sprachmodelle halluzinieren
Warum ein Modell überzeugend falsche Zahlen nennt und welche Arbeitsweisen das abfangen.
Marktdaten und Sentiment mit KI auswerten: Methodik und Grenzen
Was KI-Auswertungen von Markt- und Stimmungsdaten leisten - und wo die Methodik endet.
KI-Compliance in Finanzprozessen: DORA, GoBD und Nachvollziehbarkeit
Der Pflichtenrahmen: DORA, KI-Verordnung und GoBD als Schichten - plus ein Betriebsmodell, das trägt.
Begriffe auf diesem Weg
KonfidenzintervallGroundingHalluzinationTemperatur
Abschluss-Check
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Warum darf ein LLM im Controlling keine Summen bilden?
Sprachmodelle erzeugen Text statistisch und rechnen nicht verlässlich; Fehler bei mehrstelliger Arithmetik sind dokumentiert. Berechnungen gehören in prüfbare Werkzeuge.
Was verlangt DORA von einem Finanzunternehmen, das KI einsetzt?
KI-Systeme als IKT-Assets im Register führen, Risikomanagement und Tests, Vorfälle klassifizieren und melden, Drittanbieter vertraglich regeln - gilt seit dem 17. Januar 2025.
Welche GoBD-Grundsätze gelten, wenn KI Belegdaten extrahiert?
Nachvollziehbarkeit: Der Originalbeleg bleibt unverändert maßgeblich, das Verfahren ist dokumentiert, jede Buchung ist zum Beleg rückverfolgbar - die KI-Extraktion ist ein protokollierter Verarbeitungsschritt.
Was bedeutet Halluzination bei Zahlen - und welches Gegenmittel hilft am meisten?
Das Modell nennt plausibel klingende, aber falsche Werte. Am wirksamsten: Grounding (Quelltext im Kontext), Zahl-für-Zahl-Abgleich gegen das Original und niedrige Temperatur.
Ab wann wird Kreditscoring per KI hochriskant-reguliert - und von wem überwacht?
Ab dem 2. Dezember 2027 (Anhang III nach dem KI-Omnibus); im Finanzsektor ist die BaFin Marktüberwachungsbehörde.
Warum sind Token-Kosten bei der Belegverarbeitung eine Planungsgröße?
Kontextlänge und Preis hängen an Tokens: Große Dokumentenstapel erzeugen erhebliche Eingabemengen; wer Tokens schätzt, kann Kosten und sinnvolle Stapelgrößen vorab kalkulieren.
Data & ML: von null zum ersten eigenen Modell
Ich will verstehen, wie Modelle lernen, und selbst einen ersten Adapter trainieren.
Von den Grundbegriffen des maschinellen Lernens über Embeddings bis zum ersten eigenen LoRA-Fine-Tuning: mit eigener Rechnung, echten Werkzeugen und einer Prüfmenge am Ende.
- Zielgruppe
- Quereinsteiger in ML, Data-Analysten, Studierende
- Voraussetzungen
- Grundkenntnisse Programmieren (Python hilfreich)
- Lernziel
- ML-Grundbegriffe sicher anwenden, Embeddings verstehen, ein erstes LoRA-Fine-Tuning nachvollziehen.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Wie ein Sprachmodell lernt: von Pretraining bis RLVR
Die vier Lernstufen eines Sprachmodells: Von Pretraining bis RLVR, damit die Begriffe der Modellkarten kein Neuschnee sind.
ML-Grundbegriffe kompakt: Daten, Overfitting, Generalisierung
Daten, Overfitting, Generalisierung: das Handwerkszeug, um jede Lernkurve und Benchmark-Zahl richtig zu lesen.
Embeddings und Vektorsuche: Bedeutung wird Geometrie
Bedeutung wird Geometrie: Wie Vektoren Texte auffindbar machen und woran man Embedding-Modelle erkennt.
Quantisierung von Sprachmodellen: Verfahren, Zahlen, Grenzen
Wie große Modelle auf kleinere Hardware passen: die Zahlen hinter 4 Bit, bevor du selbst trainierst.
Fine-Tuning: wann es sich lohnt, wann Prompting reicht
Die Entscheidung vor dem Training: Prompting, RAG oder Fine-Tuning, mit Kostenrechnung und Entscheidungsregel.
LoRA-Fine-Tuning Schritt für Schritt: der erste eigene Adapter
Der praktische Kern: LoRA verstehen, die Parameter selbst nachrechnen und den ersten Adapter mit PEFT und TRL trainieren.
Evals: Testen statt Bauchgefühl
Der Abschluss jedes Trainings: eine eigene Prüfmenge entscheidet, ob der Adapter besser ist als das Basismodell.
Begriffe auf diesem Weg
LoRAQLoRAAdapterCheckpointOverfitting
Abschluss-Check
Aufgaben
Aufgabe 1: Entscheidungsmatrix anwenden: Ein Team will, dass das Modell interne Abkürzungen und den Firmen-Tonfall sicher beherrscht. Prompting, RAG oder Fine-Tuning?
Aufgabe 2: Entscheidungsmatrix anwenden: Der Kundensupport soll Antworten aus 4.000 Handbuchseiten geben, die monatlich aktualisiert werden. Prompting, RAG oder Fine-Tuning?
Aufgabe 3: Entscheidungsmatrix anwenden: Das Modell soll Antworten immer als valides JSON in einem festen Schema liefern, Prompts mit Beispielen helfen nur teilweise. Prompting, RAG oder Fine-Tuning?
Aufgabe 4: Entscheidungsmatrix anwenden: Ein Anwalt möchte, dass das Modell die aktuelle Rechtsprechung seit diesem Quartal kennt. Prompting, RAG oder Fine-Tuning?
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Der Trainingsfehler fällt weiter, der Validierungsfehler steigt. Was liegt vor?
Overfitting: Das Modell lernt die Trainingsdaten auswendig statt zu generalisieren.
Wofür sind Testdaten reserviert?
Für die einmalige, ehrliche Abschlussmessung. Wer sie zum Nachjustieren nutzt, macht sie zu Validierungsdaten.
Was misst die Kosinus-Ähnlichkeit?
Den Winkel zwischen zwei Vektoren; Werte nahe 1 bedeuten gleiche Bedeutungsrichtung, unabhängig von der Vektorlänge.
Warum braucht man bei Millionen von Embeddings approximative Suche?
Die exakte Suche vergleicht jede Anfrage mit jedem Vektor und wird zu langsam; Indexe wie HNSW tauschen einen kleinen Recall-Verlust gegen logarithmisch wachsende Suchzeit.
Wie viele Parameter trainiert LoRA mit r=16 auf den q- und v-Projektionen eines 8B-Modells mit 32 Schichten ungefähr?
Rund 6,8 Millionen, etwa 0,085 Prozent der 8 Milliarden Gesamtparameter (Herleitung im LoRA-Artikel).
Was ist der Unterschied zwischen LoRA und QLoRA?
QLoRA legt das Basismodell zusätzlich in 4 Bit ab und trainiert den Adapter darüber; das senkt den Speicherbedarf so weit, dass 65-Milliarden-Modelle auf einer 48-GB-GPU trainierbar waren.
IT-Admin & DevOps: LLMs selbst hosten
Ich will LLM-Inferenz im eigenen Betrieb: Server, Durchsatz, Überwachung, Absicherung.
Vom lokalen Modell zum belastbaren Dienst: wie Inferenz-Server Durchsatz gewinnen, welche Kennzahlen den Betrieb tragen, wie man überwacht und absichert.
- Zielgruppe
- Admins, DevOps, IT-Leiter
- Voraussetzungen
- Linux-/Server-Grundlagen, GPU-Basiswissen hilfreich
- Lernziel
- LLM-Inferenz im eigenen Betrieb: Server, Durchsatz, Überwachung, Absicherung.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Lokale Modelle: Wann sich der eigene Rechner lohnt
Die Grundfrage: Wann sich der eigene Rechner gegenüber der API lohnt; Datenschutz und Kontrolle gegen Leistung abwägen.
Quantisierung von Sprachmodellen: Verfahren, Zahlen, Grenzen
Das Speicher-Vokabular des Betriebs: Was 8, 4 oder 1,58 Bit für Hardware und Qualität bedeuten.
Inferenz und Kosten verstehen: Tokens, KV-Cache, Quantisierung
Prompt-Phase, Generierungsphase, KV-Cache: die Mechanik, an der später Durchsatz und Kapazität hängen.
Inferenz-Server im Betrieb: Batching, Durchsatz, TTFT/TPOT
Der Kern: Continuous Batching, PagedAttention, TTFT/TPOT und eine Kapazitätsrechnung für die eigene GPU-Ausstattung.
LLM-Betrieb überwachen: Rate-Limits, Kostenkontrolle, Alarme
Der Dienst ist live: Metriken aus vLLM, Rate-Limits lesen, Token-Buchhaltung und Alarme, die nicht nerven.
Eigene KI-Dienste absichern: Zugriff, Datenflüsse, Updates
Vier Fronten: Zugriff, Datenflüsse, Lieferkette und Updates, geordnet nach den OWASP Top 10 für LLM-Anwendungen.
Nemotron 3.5: Was 99,62 Prozent Quantisierungserhalt bedeuten
Das Praxisbeispiel: eine echte Analyse eines Modells, das genau für diesen effizienten Betrieb gebaut wird.
Begriffe auf diesem Weg
Continuous BatchingPagedAttentionInferenz-ServerSpeicherbandbreite-GrenzeTime to First TokenTime per Output Token
Abschluss-Check
Aufgaben
Aufgabe 1: Kapazitätsrechnung: Ein 70B-Modell in FP16 (140 GB Gewichte) soll auf vier 80-GB-GPUs laufen. Der KV-Cache braucht 320 KiB pro Token und Anfrage. Wie viele Unterhaltungen mit je 8.000 Token Kontext passen ungefähr gleichzeitig auf den Server, wenn nach Gewichten und Reserve rund 150 GB frei bleiben?
Aufgabe 2: Die Warteschlange wächst seit einer Stunde, die KV-Cache-Auslastung liegt bei 98 Prozent. Was sind die drei sinnvollen Hebel?
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Was ist der Unterschied zwischen TTFT und TPOT?
TTFT ist die Wartezeit bis zum ersten Token (Prompt-Phase), TPOT das Tempo pro Ausgabetoken danach (Generierungsphase).
Welches Problem löst Continuous Batching?
Beim klassischen Batch warten kurze Anfragen auf die längste und neue auf den kompletten Durchlauf; Continuous Batching lässt fertige Anfragen sofort aussteigen und neue einsteigen.
Was verwaltet PagedAttention und nach welchem Vorbild?
Den KV-Cache, nach dem Vorbild virtueller Speicherseiten in Betriebssystemen; das senkt Verschnitt und erhöht den Durchsatz.
Ein API-Aufruf antwortet mit HTTP 429. Was ist die richtige Reaktion im eigenen Code?
Warteschlange und Wiederholung mit wachsenden Wartezeiten (Backoff); parallel prüfen, ob die Anfragen- oder die Token-Grenze getroffen ist, bei Token-Reserve Aufgaben bündeln.
Warum ist Pickle als Modellformat ein Sicherheitsrisiko, und was ist die Alternative?
Pickle kann beim Entpacken beliebigen Code ausführen; Safetensors ist ein reines Datenformat ohne Ausführungsmöglichkeit, ergänzt um Signaturprüfung der Quelle.
Welche vier Funktionen bilden den Kern des NIST AI Risk Management Framework?
Govern, Map, Measure, Manage.
KI-Kosten & ROI: rechnen statt schätzen
Ich will wissen, was KI wirklich kostet und ob sich das rechnet.
Das Rechenwerkzeug für Entscheider: API-Preise lesen, Gesamtkosten erfassen, Kosten pro gelöster Aufgabe normieren und den Betrieb überwachen. Grundverständnis von Tokens ist hilfreich, aber nicht nötig.
- Zielgruppe
- Entscheider, Controller, IT-Leiter
- Voraussetzungen
- keine, Grundverständnis Tokens hilfreich
- Lernziel
- KI-Kosten vollständig erfassen und steuern: API-Preise, TCO, Kosten pro gelöster Aufgabe, Budget-Alarme.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Tokens, Kontext, Kosten: Rechnen mit Sprachmodellen
Die Grundeinheit jeder KI-Rechnung: was Tokens sind und warum Ein- und Ausgabe unterschiedlich teuer sind.
Inferenz und Kosten verstehen: Tokens, KV-Cache, Quantisierung
Warum jede Antwort Rechenzeit frisst und was das für Preise und Wartezeiten bedeutet.
API-Preise vergleichen: Blended Price, Kontextlänge, versteckte Posten
Preislisten richtig lesen: Blended Price, Kontextlängen-Staffeln und die Posten, die nicht im großen Preis stehen.
Build vs. Buy bei KI: SaaS, API oder selbst hosten?
Die Weiche vor jeder Kostenrechnung: selbst bauen, zukaufen oder mischen - inklusive Total Cost of Ownership.
KI-Kosten und ROI kalkulieren: rechnen statt schätzen
Von den Stückkosten zum Business Case: Zeitgewinn und Personalkosten gegen die KI-Rechnung stellen.
Kosten pro gelöster Aufgabe messen: vom Tokenpreis zur Aufgabe
Die Kernkennzahl dieses Pfads: in vier Schritten messen, was eine gelöste Aufgabe wirklich kostet.
LLM-Betrieb überwachen: Rate-Limits, Kostenkontrolle, Alarme
Damit die Rechnung stimmt bleibt: Budgets, Alarme und Qualität im laufenden Betrieb überwachen.
Begriffe auf diesem Weg
Blended PriceGrenzkostenKosten pro gelöster Aufgabe
Abschluss-Check
Übung mit Musterlösung: Normieren Sie drei Angebote auf die Kosten pro gelöster Aufgabe. Annahmen für alle drei: eine Aufgabe ist ein Support-Ticket mit 3.000 Eingabetoken und 700 Ausgabetoken pro Versuch; Standardpreise; Fehlversuche werden wiederholt.
Quiz-Selbsttest
Antworte zuerst im Kopf, dann klappe die Antwort auf.
Was ist der Blended Price?
Ein Mischpreis je Million Token aus einem festen Verhältnis von Ein- und Ausgabe, meist 3:1 Der Blended Price macht Preislisten vergleichbar, weil er Ein- und Ausgabepreis nach einem realistischen Nutzungsmix gewichtet.
Warum ist der Listenpreis je Token kein guter Modellvergleich?
Weil Erfolgsquote und Tokenverbrauch (Denk-Token, Werkzeuge) die wahren Kosten erst bestimmen Ein teureres Modell, das seltener scheitert und weniger nachdenkt, kann pro gelöster Aufgabe billiger sein.
Wie lautet die Formel für die Kosten pro gelöster Aufgabe?
Kosten pro Versuch geteilt durch Erfolgsquote Gesamtkosten durch gelöste Aufgaben; pro Versuch gerechnet ist das Kosten je Versuch durch die Quote.
Welcher Posten fehlt typischerweise im großen Listenpreis?
Zuschläge wie Datenresidenz, Such-Grounding und Cache-Schreiben Nebenbedingungen wie Data Residency (+10 %), Grounding je 1.000 Anfragen und Cache-Write-Faktoren ändern die Rechnung spürbar.
Was sind die Grenzkosten der Qualität?
Der Mehrpreis pro gelöster Aufgabe für die nächste Stufe Erfolgsquote Grenzkosten zeigen, was zehn Prozentpunkte mehr Erfolgsquote konkret kosten - die eigentliche Entscheidungsgröße.
Journalisten: KI in Recherche und Redaktion
Ich arbeite in einer Redaktion und will KI einsetzen, ohne Faktentreue und Quellenkritik aufzugeben.
Etwa 2 Stunden, keine Vorkenntnisse nötig. Du lernst, warum Modelle Fakten erfinden, wie du KI-Ergebnisse prüfst, welche Deep-Research-Werkzeuge taugen, wie Transkription und Zusammenfassung sauber laufen, woran du KI-Texte (nicht) erkennst und wie du den Einsatz offen deklarierst.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Warum Sprachmodelle halluzinieren
Das Grundrisiko zuerst: Warum Sprachmodelle überzeugend Falsches behaupten und was das für jede Recherche bedeutet.
Faktencheck mit KI: Was geht, was nie geht
Was Studien über Fehlerquoten zeigen und wie ein Prüf-Workflow aussieht, in dem die KI nie ihre eigene Quelle ist.
Deep-Research-Werkzeuge: Recherche per Agent, mit Grenzen
Die recherchierenden Agenten von OpenAI, Google, Perplexity und Anthropic im Vergleich, mit Trefferquoten und Grenzen.
Transkription und Zusammenfassung: KI im Redaktionsalltag
Vom Interview-Audio zum geprüften Protokoll: Whisper, Parakeet und ein Workflow, der Zitate schützt.
KI-Texte erkennen: Wasserzeichen, Detektoren und ihre Grenzen
Wasserzeichen und Detektoren: warum der Stil-Test versagt und welche Nachweise wirklich zählen.
KI in der Redaktion deklarieren: Die Transparenz-Regeln
Pressekodex, AP, Guardian und BR: die Transparenz-Regeln und die eigene Deklaration.
Begriffe auf diesem Weg
Wissenschaft & Studium: KI als Forschungswerkzeug
Ich schreibe wissenschaftlich und will KI für Literatur und Daten nutzen, ohne Zitier- und Deklarationspflichten zu verletzen.
Etwa 2 Stunden, wissenschaftliches Arbeiten als Voraussetzung. Du lernst, welche Recherche-Werkzeuge echte Literaturdatenbanken durchsuchen, wie du Quellen prüfst und KI-Nutzung korrekt zitierst, wo KI bei der Datenanalyse hilft und wie COPE, ICMJE, Nature und Science die Deklaration regeln.
Schritte
Dein Fortschritt bleibt auf diesem Gerät gespeichert, nicht auf einem Server.
Literaturrecherche mit KI: Werkzeuge, Abdeckung, Blindgänger
Datenbanken mit KI-Schicht versus Chat-Assistenten: Abdeckung, Herstellerangaben und die typischen Blindgänger.
Warum Sprachmodelle halluzinieren
Erfundene Quellen sind das Lehrstück der Halluzination: Warum Modelle Referenzen fabulieren.
Quellen prüfen und korrekt zitieren bei KI-Unterstützung
Der Drei-Schritte-Check für jede Quelle und die aktuellen APA- und MLA-Formate für KI-Chats.
Datenanalyse mit KI-Assistenten: Code, Plots, Plausibilität
Code, Plots und Plausibilität: Was die Assistenten mit deinen Tabellen tun und wie die Gegenprobe aussieht.
KI-Nutzung in wissenschaftlichen Arbeiten deklarieren
Keine KI-Autorschaft, feste Deklarationsorte, Ampel-Modell: die Regeln von COPE, ICMJE, Nature und Science.
Benchmarks
Die Porträts zu GPQA und MLE-Bench als Grenzmarke: Was Modelle in Forschung und Data Science leisten und wie die Werte zu lesen sind.
Begriffe auf diesem Weg
Alle Seiten sind mit Quellen belegt und entstehen mit KI-Unterstützung, redaktionell verantwortet (so arbeiten wir). Nachschlagen kannst du jederzeit im Glossar.