KI
Praxis
Kosten pro gelöster Aufgabe messen: vom Tokenpreis zur Aufgabe
Tokenpreise allein sagen nicht, was KI wirklich kostet. So messen Sie in vier Schritten die Kosten pro gelöster Aufgabe und vergleichen Modelle fair.
Lesen →
Praxis
Lesen →
Praxis
Markenkonsistenz mit KI: eine Stimme in jedem Entwurf
Sprachmodelle schreiben im Durchschnittston ihrer Trainingsdaten. Wie Marken ihre Stimme messbar machen, in Werkzeugen hinterlegen und mit Review sichern.
Lesen →
Praxis
API-Preise vergleichen: Blended Price, Kontextlänge, versteckte Posten
Eingabe, Ausgabe, Cache, Batch: So lesen Sie LLM-Preislisten richtig, bringen Anbieter auf eine vergleichbare Größe und finden gern vergessene Posten.
Lesen →
Praxis
SEO und AEO im KI-Zeitalter: sichtbar in KI-Antworten
AI Overviews, Chatbots und Antwortmaschinen verändern, wie Inhalte gefunden werden. Was gemessen ist, was Google selbst rät und was hinter llms.txt steckt.
Lesen →
Praxis
Content-Workflows mit LLMs: Briefing, Entwurf, Review
Wie Redaktionen Sprachmodelle sinnvoll einbauen: klare Briefings, maschinelle Entwürfe, menschliche Prüfung. Mit Produktivitätszahlen und Googles Regeln.
Lesen →
Praxis
LLM-Betrieb überwachen: Rate-Limits, Kostenkontrolle, Alarme
Welche Metriken ein LLM-Dienst wirklich braucht: TTFT und Warteschlange aus dem Server, Rate-Limits lesen, Token-Budgets einziehen und Alarme, die nicht nerven.
Lesen →
Praxis
KI-generierte Schülerarbeiten: einordnen statt verdächtigen
Warum KI-Detektoren in Studien so stark irren, wie Lehrkräfte Verdachtsfällen fair begegnen und welche Aufgabenformate das Problem an der Wurzel verkleinern.
Lesen →
Praxis
Inferenz-Server im Betrieb: Batching, Durchsatz, TTFT/TPOT
Continuous Batching, PagedAttention und die Kennzahlen TTFT und TPOT: Wie ein Inferenz-Server viele Anfragen zugleich beantwortet und wo die Grenzen liegen.
Lesen →
Praxis
Unterrichtsmaterial mit KI erstellen: schnell, aber geprüft
Wie Lehrkräfte mit Sprachmodellen differenziertes Material entwerfen: ein Workflow mit Kontrollpunkten, ein Briefing zum Kopieren und seine Grenzen.
Lesen →
Praxis
Hugging Face lesen: Modellkarten, Downloads, Leaderboards
Der Hugging Face Hub ist der zentrale Marktplatz für offene KI-Modelle. Wie du Modellkarten, Kennzahlen und Leaderboards richtig liest und Blindgänger erkennst.
Lesen →
Praxis
KI in Schule, Ausbildung und Studium: Regeln und Grenzen
Wann Schüler, Azubis und Studierende KI nutzen dürfen, was Anbieter, Schulen und Hochschulen vorgeben und wo die Täuschungsgrenze verläuft.
Lesen →
Praxis
Dokumentenanalyse mit KI: Rechnungen und Verträge richtig auslesen
Wie KI Belege in strukturierte Daten übersetzt, warum die E-Rechnung die Arbeit erleichtert und welche Prüfung die GoBD verlangt.
Lesen →
Praxis
LoRA-Fine-Tuning Schritt für Schritt: der erste eigene Adapter
Wie LoRA ein Milliarden-Modell mit Millionen Zusatzparametern umbaut: die Mathematik dahinter, eine eigene Parameter-Rechnung und der Trainingslauf mit PEFT.
Lesen →
Praxis
Fine-Tuning: wann es sich lohnt, wann Prompting reicht
Prompting, RAG oder Fine-Tuning? Was jeder Weg kann, was Fine-Tuning nicht kann (aktuelles Wissen) und wie die Kostenrechnung die Entscheidung trägt.
Lesen →
Praxis
KI-UX: Vertrauen, Fehlerfälle, Fallbacks, Erwartungsmanagement
Wie Sie KI-Features so gestalten, dass Nutzer ihnen richtig vertrauen: Unsicherheit zeigen, Fehler prüfbar machen, Fallbacks bauen und Erwartungen steuern.
Lesen →
Praxis
KI in der Redaktion deklarieren: Die Transparenz-Regeln
Pressekodex, AP, Guardian und BR formulieren fast dieselben Regeln. Was Redaktionen kennzeichnen sollten und wie eine eigene Deklaration gelingt.
Lesen →
Praxis
KI-Feature-Canvas: von der Idee zum MVP
Neun Felder, mit denen Sie ein KI-Feature vor dem ersten Sprint prüfen: Nutzen, Daten, Machbarkeit, Qualitätsmaß, Kosten und der Plan für den Fehlerfall.
Lesen →
Praxis
Transkription und Zusammenfassung: KI im Redaktionsalltag
KI transkribiert Interviews in Minuten, fast auf Profi-Niveau. Was Whisper und Co. leisten, wo sie Fehler machen und wie ein sauberer Workflow aussieht.
Lesen →
Praxis
Eine persönliche Prompt-Bibliothek aufbauen
Gute Prompts sind wiederverwendbares Werkzeug. Wie man sie sammelt, versioniert und pflegt, damit aus einmaligem Ausprobieren ein wachsender Bestand wird.
Lesen →
Praxis
Bildverständnis in der Praxis: Dokumente, Screenshots, Diagramme
Modelle lesen Bilder: Was Bildverständnis bei Dokumenten, Screenshots und Diagrammen leistet, wo es Fehler macht und wie du Ergebnisse zuverlässig absicherst.
Lesen →
Praxis
System-Prompts und Rollen: die unsichtbare Anweisung
Was ein System-Prompt ist, wie die Anweisungshierarchie von OpenAI und Anthropic funktioniert, was in den System-Prompt gehört und was dort nichts verloren hat.
Lesen →
Praxis
KI-geschriebene Bewerbungen: erkennen, einordnen, Prozesse anpassen
Zwei von drei Bewerbungen entstehen mit KI-Hilfe. Was das für die Auswahl bedeutet, warum Detektoren keine Lösung sind und wie Personaler Prozesse umbauen.
Lesen →
Praxis
Few-Shot-Prompting in der Praxis: Beispiele, die wirken
Warum ein paar Beispiele im Prompt oft mehr bringen als lange Anweisungen, was die Forschung dazu wirklich zeigt und wie man Beispiele richtig baut.
Lesen →
Praxis
Mitarbeiter mitnehmen: KI-Einführung, die nicht scheitert
Technik ist der leichte Teil: Wie du Belegschaft, Führung und Betriebsrat bei der KI-Einführung mitnimmst – mit Schulung, Regeln und Freigaben.
Lesen →
Praxis
Build vs. Buy bei KI: SaaS, API oder selbst hosten?
Fertigabo, API-Anbindung oder eigener Server? Die drei Beschaffungswege für KI: Was sie kosten, wo die versteckten Posten stecken, wann sich was rechnet.
Lesen →
Praxis
KI-Use-Cases finden und priorisieren: Was sich wirklich lohnt
Vom Bauchgefühl zur Liste: KI-Anwendungsfälle im Betrieb finden, nach Wirkung und Aufwand sortieren und mit einem Piloten starten, der misst statt verspricht.
Lesen →
Praxis
KI-Nutzung in wissenschaftlichen Arbeiten deklarieren
COPE, ICMJE, Nature und Science sind sich einig: KI ist nie Autorin, die Nutzung wird offengelegt. Was wohin gehört und was verboten ist.
Lesen →
Praxis
Datenanalyse mit KI-Assistenten: Code, Plots, Plausibilität
Tabelle hochladen, Frage stellen, Diagramm bekommen: KI-Assistenten schreiben den Analyse-Code mit. Wo das hilft und wie die Gegenprobe aussieht.
Lesen →
Praxis
Deep-Research-Werkzeuge: Recherche per Agent, mit Grenzen
Recherchierende KI-Agenten lesen Hunderte Quellen und liefern Berichte mit Zitaten. Was die Angebote leisten, was sie kosten und wo sie irren.
Lesen →
Praxis
Kosten und Latenz senken: Caching, Batching, Modellwahl
Die drei großen Hebel für günstigere und schnellere LLM-Anwendungen: Prompt-Caching, Batch API und die richtige Modellgröße, mit Zahlen und eigener Rechnung.
Lesen →
Praxis
Video-KI: Stand der Technik, Werkzeuge, Grenzen
Videomodelle nach dem Sora-Aus: Was Veo 3.1, Runway Gen-4.5 und Kling 3.0 können, wie Video-Diffusion funktioniert und woran die Clips bis heute scheitern.
Lesen →
Praxis
RAG selbst bauen: Embeddings, Index, Antwort mit Belegen
Ein eigenes Retrieval-System von null: Text zerlegen, Embeddings erzeugen, Vektoren indexieren, Treffer in den Prompt legen und mit Quellenangabe antworten.
Lesen →
Praxis
Function Calling: Werkzeugaufrufe aus dem Modell heraus
Wie ein Sprachmodell deine Funktionen aufruft: Werkzeugdefinition per JSON Schema, die fünf Schritte der Aufruf-Schleife, Client- und Server-Tools, Fehler.
Lesen →
Praxis
LLM-APIs in der Praxis: Parameter, Streaming, Structured Output
Wie ein API-Aufruf an ein Sprachmodell aufgebaut ist, welche Parameter das Verhalten steuern, wie Streaming funktioniert und wann Structured Output Pflicht ist.
Lesen →
Praxis
Bild-KI in der Praxis: Prompts, Referenzen, Workflows
Vom Prompt zur Bildserie: Midjourney, Firefly und API-Modelle gezielt steuern, typische Fehler prüfen und KI-Bilder sauber kennzeichnen.
Lesen →