Schlüsselfrage
What do people actually mean when they say AI?
Kostenloser Leitfaden
2026 AI Guide
Ein einseitiger Lehrpfad, um KI von oben nach unten zu verstehen: was KI ist, welche Ebenen darin liegen, wie moderne Modelle Inhalte erzeugen und wie Menschen sie mit Urteilskraft einsetzen sollten.
The 2026 AI Guide supports corporate AI training in Switzerland — from foundation models and Generative AI to Agentic AI, MCP, and governance patterns used in AI Workshop programs.
12
Kernkonzepte
1
Zentrale Seite
Free
SEO-fertiger Guide
1 Layer 1 KI-Überblick AI is the umbrella field. Everything below sits inside it. 2 Layer 2 Maschinelles Lernen Machine Learning is a child of AI. It learns patterns from data instead of relying only on fixed rules. 3 Layer 3 Deep Learning Deep Learning is a child of Machine Learning. It uses many neural-network layers to learn complex features. 4 Layer 4 Foundation Models Foundation Models are a modern child of Deep Learning. They become reusable engines for many downstream tasks.
Kapitel 1
Der KI-Stack
Starten Sie mit KI als Oberbegriff und gehen Sie dann schrittweise zu den untergeordneten Ebenen über, die moderne Systeme ermöglichen.
Nach diesem Kapitel
Sie sollten die verschachtelte Beziehung zwischen KI, Maschinellem Lernen, Deep Learning, neuronalen Netzen und Foundation Models verstehen.
Kapitel 1 / Lektion 01 Grundlagen Aktualisiert 27. November 2025
KI-Überblick
Von Turing-Maschinen zu Transformer-Modellen.
Wo es im Stack sitzt
KI-Überblick
Was Sie behalten sollten
AI is the broad field. Everything else in this guide is a more specific layer inside it.
Künstliche Intelligenz ist die breite Disziplin der Schaffung intelligenter Maschinen. Es ist der Überbegriff, der alles umfasst, von einfachen regelbasierten Systemen bis hin zu den komplexen Large Language Models von heute.
Konzeptkarte +
Wie ist KI strukturiert? Welche Arten von KI gibt es? Warum ist KI kürzlich explodiert? Eine kurze Geschichte der KI
Theorie 01
Wie ist KI strukturiert?
Um KI zu verstehen, stellen Sie sich konzentrische Kreise vor. Der äußerste Kreis ist Künstliche Intelligenz – die große Vision. Darin befindet sich Maschinelles Lernen – die Technik des Lernens aus Daten. Darin befindet sich Deep Learning – die Verwendung neuronaler Netze. Und an der Spitze finden wir Generative KI – Modelle, die erschaffen.
Theorie 02
Welche Arten von KI gibt es?
Wir klassifizieren KI-Fähigkeiten in drei Stufen:
- ANI (Artificial Narrow Intelligence): KI, die in einer bestimmten Aufgabe hervorragt (z. B. Schach spielen, Filme empfehlen). Hier befinden wir uns heute.
- AGI (Artificial General Intelligence): KI, die die Fähigkeit besitzt, Wissen über eine Vielzahl von Aufgaben hinweg zu verstehen, zu lernen und anzuwenden, vergleichbar mit menschlichen Fähigkeiten.
- ASI (Artificial Super Intelligence): Ein Intellekt, der in praktisch jedem Bereich viel klüger ist als die besten menschlichen Gehirne.
Theorie 03
Warum ist KI kürzlich explodiert?
Es ist die Konvergenz von drei Faktoren:
- Big Data: Das Internet lieferte den Treibstoff.
- Rechenleistung: GPUs lieferten den Motor.
- Bessere Algorithmen: Transformer lieferten die Karte.
Theorie 04
Eine kurze Geschichte der KI
- 1950: Alan Turing schlägt den Turing-Test vor.
- 1956: Der Begriff "Künstliche Intelligenz" wird in Dartmouth geprägt.
- 1997: Deep Blue schlägt Garry Kasparov im Schach.
- 2012: AlexNet revolutioniert Computer Vision (Deep Learning Boom).
- 2017: Das Papier "Attention Is All You Need" führt Transformer ein.
- 2022: ChatGPT wird veröffentlicht und bringt Generative KI in die Massen.
Beispiel: Eine kurze Geschichte der KI +
- 1950: Alan Turing schlägt den Turing-Test vor.
- 1956: Der Begriff "Künstliche Intelligenz" wird in Dartmouth geprägt.
- 1997: Deep Blue schlägt Garry Kasparov im Schach.
- 2012: AlexNet revolutioniert Computer Vision (Deep Learning Boom).
- 2017: Das Papier "Attention Is All You Need" führt Transformer ein.
- 2022: ChatGPT wird veröffentlicht und bringt Generative KI in die Massen.
Häufige Frage +
Sind wir nah an AGI?
Die Schätzungen variieren stark von wenigen Jahren bis zu einigen Jahrzehnten. Der rasante Fortschritt von LLMs hat diese Zeitpläne beschleunigt, aber es bleiben signifikante Hürden beim logischen Denken und dem Verständnis der physischen Welt.
Kapitel 1 / Lektion 02 Kernkonzept Aktualisiert 27. November 2025
Maschinelles Lernen
Computer, die aus Daten lernen und sich durch Erfahrung verbessern.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen
Schlüsselfrage
How does a machine get better without being reprogrammed for every case?
Was Sie behalten sollten
Machine Learning is the learning engine inside AI, powered by data rather than explicit instructions for every outcome.
Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz (KI), bei dem Computer aus Daten lernen und sich durch Erfahrung verbessern, ohne explizit programmiert zu sein. Algorithmen werden trainiert, um Muster und Zusammenhänge in großen Datensätzen zu finden, um fundierte Entscheidungen und Vorhersagen zu treffen.
Konzeptkarte +
KI, Maschinelles Lernen und Deep Learning Neuronale Netze und Deep Learning Die 4 Arten des Maschinellen Lernens Anwendungen in der Praxis Herausforderungen
Theorie 01
KI, Maschinelles Lernen und Deep Learning
Stellen Sie sich konzentrische Kreise vor. Künstliche Intelligenz ist der Überbegriff. Maschinelles Lernen ist ein Teilbereich, der es Maschinen ermöglicht, aus Daten zu lernen. Darin befindet sich Deep Learning, und darin wiederum die künstlichen neuronalen Netze. KI verarbeitet Daten; ML ermöglicht es der KI, ohne zusätzliche Programmierung schlauer zu werden.
Theorie 02
Neuronale Netze und Deep Learning
Künstliche neuronale Netze ahmen das biologische Gehirn nach, mit Knoten (Neuronen), die in Schichten gruppiert sind und parallel arbeiten.
Deep Learning umfasst viele Schichten dieser Netzwerke und riesige Datenmengen. Es extrahiert Merkmale hierarchisch: Ein System erkennt vielleicht eine Pflanze in der ersten Schicht, eine Blume in der nächsten und eine gelbe Margerite in der letzten.
Theorie 03
Die 4 Arten des Maschinellen Lernens
- Überwachtes Lernen: Lernen am Beispiel. Die Maschine erhält gelabelte Eingaben und Ausgaben (z. B. "Dies ist eine Margerite"). Sie lernt, neue Eingaben zuzuordnen.
- Unüberwachtes Lernen: Kein Lösungsblatt. Die Maschine sucht nach Mustern oder Clustern in ungelabelten Daten.
- Halbüberwachtes Lernen: Nutzt eine kleine Menge gelabelter Daten, um die Analyse großer Mengen ungelabelter Daten zu steuern. Dies beschleunigt das Lernen.
- Bestärkendes Lernen: Lernen durch Versuch und Irrtum. Das System erhält "Belohnungen" für gute Aktionen und "Bestrafungen" für schlechte (z. B. beim Schachspielen).
Theorie 04
Anwendungen in der Praxis
- Empfehlungssysteme: Netflix oder Spotify schlagen Inhalte basierend auf Nutzungsgewohnheiten vor.
- Dynamisches Marketing: Personalisierung von Inhalten und Kundenansprache in Echtzeit.
- ERP & Automatisierung: Optimierung von Arbeitsabläufen und Automatisierung wiederkehrender Aufgaben.
- Vorausschauende Wartung (Predictive Maintenance): IoT-Sensoren sagen Maschinenausfälle voraus, bevor sie passieren.
Theorie 05
Herausforderungen
Verzerrung (Bias) und Scheinkorrelationen: Modelle können falsche Zusammenhänge lernen (z. B. Margarinekonsum und Scheidungsrate), wenn Daten fehlerhaft sind.
Das Black-Box-Problem: Komplexe Modelle sind oft schwer zu interpretieren. Es ist oft unklar, wie oder warum eine Entscheidung getroffen wurde, was in kritischen Bereichen Risiken birgt.
Beispiel: Anwendungen in der Praxis +
- Empfehlungssysteme: Netflix oder Spotify schlagen Inhalte basierend auf Nutzungsgewohnheiten vor.
- Dynamisches Marketing: Personalisierung von Inhalten und Kundenansprache in Echtzeit.
- ERP & Automatisierung: Optimierung von Arbeitsabläufen und Automatisierung wiederkehrender Aufgaben.
- Vorausschauende Wartung (Predictive Maintenance): IoT-Sensoren sagen Maschinenausfälle voraus, bevor sie passieren.
Häufige Frage +
Was ist der Unterschied zwischen KI und ML?
ML ist ein Teilbereich der KI. KI ist das übergeordnete Konzept intelligenter Maschinen, während ML der Prozess ist, durch den Maschinen aus Daten lernen, ohne für jede Aufgabe explizit programmiert zu werden.
Kapitel 1 / Lektion 03 Fortgeschritten Aktualisiert 13. Juni 2026
Deep Learning
Die Kraft hochdimensionaler Daten freisetzen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning
Schlüsselfrage
Why did modern AI become dramatically more capable?
Was Sie behalten sollten
Deep Learning is scaled Machine Learning built on many layers, which makes it strong on high-dimensional and unstructured data.
Deep Learning ist ein spezialisierter Teilbereich des maschinellen Lernens, der von der Struktur des menschlichen Gehirns inspiriert ist. Es verwendet mehrschichtige neuronale Netze, um aus riesigen Mengen unstrukturierter Daten wie Bildern, Audio und Text zu lernen.
Konzeptkarte +
Warum heißt es "Deep" Learning? Was ist automatische Merkmalsextraktion? Warum ist Deep Learning jetzt wichtig? Schlüsselarchitekturen
Theorie 01
Warum heißt es "Deep" Learning?
Das "Deep" (tief) in Deep Learning bezieht sich auf die Anzahl der Schichten im neuronalen Netz. Traditionelle neuronale Netze haben vielleicht 2-3 Schichten. Deep-Learning-Modelle können Hunderte oder Tausende haben. Diese Tiefe ermöglicht es dem Modell, eine Hierarchie von Merkmalen zu lernen – von einfachen Kanten und Texturen bis hin zu komplexen Formen und Objekten.
Theorie 02
Was ist automatische Merkmalsextraktion?
Im traditionellen ML mussten Menschen Merkmale manuell auswählen (z. B. "hat dieses Bild Ohren?"). Im Deep Learning führt das Netzwerk eine automatische Merkmalsextraktion durch. Es lernt direkt aus den Rohpixeln oder dem Text, welche Merkmale wichtig sind.
Theorie 03
Warum ist Deep Learning jetzt wichtig?
Deep Learning ist die Technologie hinter selbstfahrenden Autos, Sprachassistenten, Gesichtserkennung und dem jüngsten Boom der generativen KI. Es lebt von Skalierung – mehr Daten und mehr Rechenleistung führen in der Regel zu besserer Leistung.
Theorie 04
Schlüsselarchitekturen
- CNNs (Convolutional Neural Networks): Die Könige der Computer Vision.
- RNNs (Recurrent Neural Networks): Gut für Zeitreihen und sequentielle Daten.
- Transformer: Der Stand der Technik für die Verarbeitung natürlicher Sprache (NLP).
Beispiel: Warum ist Deep Learning jetzt wichtig? +
Deep Learning ist die Technologie hinter selbstfahrenden Autos, Sprachassistenten, Gesichtserkennung und dem jüngsten Boom der generativen KI. Es lebt von Skalierung – mehr Daten und mehr Rechenleistung führen in der Regel zu besserer Leistung.
Häufige Frage +
Ist Deep Learning dasselbe wie neuronale Netze?
Deep Learning ist im Wesentlichen die Verwendung von *tiefen* neuronalen Netzen. Also beinhaltet alles Deep Learning neuronale Netze, aber nicht alle neuronalen Netze sind 'tief' (obwohl die Begriffe im modernen Kontext oft austauschbar verwendet werden).
Kapitel 1 / Lektion 04 Technisch Aktualisiert 27. November 2025
Neuronale Netze
Die mathematische Architektur des Geistes.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Neuronale Netze
Schlüsselfrage
What is the actual mechanism doing the learning inside Deep Learning?
Was Sie behalten sollten
Neural Networks are the mathematical structure that powers Deep Learning and makes modern model scaling possible.
Künstliche Neuronale Netze (ANNs) sind Rechensysteme, die vage von den biologischen neuronalen Netzen inspiriert sind, die tierische Gehirne bilden. Sie sind die fundamentalen Bausteine des Deep Learning.
Konzeptkarte +
Wie funktioniert ein künstliches Neuron? Was sind die Hauptarten neuronaler Netze? Wie lernen neuronale Netze?
Theorie 01
Wie funktioniert ein künstliches Neuron?
Ein Neuron nimmt mehrere Eingaben, multipliziert sie mit Gewichten (Wichtigkeit), addiert einen Bias (Schwellenwert) und leitet das Ergebnis durch eine Aktivierungsfunktion (Nichtlinearität). Wenn das Signal stark genug ist, "feuert" das Neuron und gibt Informationen an die nächste Schicht weiter.
Theorie 02
Was sind die Hauptarten neuronaler Netze?
- Feedforward NN: Der einfachste Typ. Informationen bewegen sich in eine Richtung.
- CNN (Convolutional Neural Network): Spezialisiert auf die Verarbeitung gitterartiger Daten (Bilder). Es scannt das Bild mit Filtern, um Muster zu erkennen.
- RNN (Recurrent Neural Network): Entwickelt für sequentielle Daten (Zeitreihen, Text). Es hat ein "Gedächtnis" für frühere Eingaben.
- Transformer: Die moderne Architektur für Sprache. Sie nutzt "Attention"-Mechanismen, um die Wichtigkeit verschiedener Teile der Eingabedaten gleichzeitig zu gewichten.
Theorie 03
Wie lernen neuronale Netze?
Sie lernen durch einen Prozess namens Backpropagation. Das Netzwerk macht eine Schätzung, vergleicht sie mit der tatsächlichen Antwort, um den Verlust (Fehler) zu berechnen, und arbeitet dann rückwärts, um die Gewichte anzupassen und diesen Fehler zu minimieren. Dies wird millionenfach wiederholt.
Beispiel: Was ist eine Aktivierungsfunktion? +
Es ist eine mathematische Funktion (wie ReLU oder Sigmoid), die an jedem Neuron angebracht ist und entscheidet, ob es aktiviert werden soll. Sie führt Nichtlinearität ein, was dem Netzwerk ermöglicht, komplexe Muster zu lernen.
Häufige Frage +
Was ist das 'Black Box'-Problem?
Neuronale Netze können so komplex sein, dass selbst ihre Schöpfer nicht vollständig verstehen, wie sie zu einer bestimmten Entscheidung gelangen. Dieser Mangel an Interpretierbarkeit ist eine große Herausforderung in Bereichen mit hohem Einsatz wie der Medizin.
Kapitel 1 / Lektion 05 Moderne KI Aktualisiert 27. November 2025
Foundation Models
Ein Modell, unendliche Anwendungen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models
Schlüsselfrage
Why do a few large models now power so many different tasks?
Was Sie behalten sollten
Foundation Models are general-purpose engines trained at massive scale and adapted to many downstream uses.
Ein Foundation Model ist ein groß angelegtes KI-Modell, das auf einer riesigen Datenmenge (oft im Internet-Maßstab) trainiert wurde und an eine Vielzahl von nachgelagerten Aufgaben angepasst werden kann. Sie stellen einen Paradigmenwechsel von aufgabenspezifischen Modellen zu Allzweckmotoren dar.
Konzeptkarte +
Was macht ein Modell zu einem "Foundation Model"? Was ist "Emergenz"? Wie werden sie gebaut? Führende Foundation Models
Theorie 01
Was macht ein Modell zu einem "Foundation Model"?
Es muss breit fähig sein. Im Gegensatz zu früheren Modellen, die für eine Aufgabe entwickelt wurden (z. B. Stimmungsanalyse), kann ein Foundation Model Gedichte schreiben, Code debuggen, Sprachen übersetzen und Text zusammenfassen, alles ohne spezifisches Neutraining.
Theorie 02
Was ist "Emergenz"?
Foundation Models zeigen Emergenz – Fähigkeiten, für die sie nicht explizit trainiert wurden. Zum Beispiel könnte ein Modell, das einfach darauf trainiert wurde, das nächste Wort in einem Satz vorherzusagen, mit der Fähigkeit hervorgehen, Sprachen zu übersetzen, Code zu schreiben oder Logikrätsel zu lösen.
Theorie 03
Wie werden sie gebaut?
Der Lebenszyklus umfasst zwei Phasen:
- Pre-Training: Die teure, rechenintensive Phase, in der das Modell allgemeine Muster aus massiven Datensätzen lernt (z. B. "Lesen und Schreiben lernen").
- Fine-Tuning: Die Anpassungsphase, in der das Modell auf eine bestimmte Aufgabe oder ein bestimmtes Verhalten spezialisiert wird (z. B. "lernen, ein hilfreicher Assistent zu sein").
Theorie 04
Führende Foundation Models
Prominente Foundation Models sind die GPT-Serie (OpenAI), BERT (Google), Claude (Anthropic) und Stable Diffusion (Stability AI).
Beispiel: Führende Foundation Models +
Prominente Foundation Models sind die GPT-Serie (OpenAI), BERT (Google), Claude (Anthropic) und Stable Diffusion (Stability AI).
Häufige Frage +
Sind Foundation Models dasselbe wie LLMs?
LLMs (Large Language Models) sind eine *Art* von Foundation Model, die sich auf Text konzentriert. Aber Foundation Models können auch multimodal sein und Bilder, Audio und Video verarbeiten.
Kapitel 2
Von Modellen zu generierten Ergebnissen
Sobald der Stack klar ist, wird verständlich, wie moderne Systeme Inhalte erzeugen und wer diese Ebene prägt.
Nach diesem Kapitel
Sie sollten erklären können, was Generative KI ist, warum sie auf Foundation Models aufbaut und wie sich die wichtigsten Anbieter unterscheiden.
Kapitel 2 / Lektion 06 Kreative KI Aktualisiert 27. November 2025
Generative KI
Von der Analyse zur Kreation.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> Generative KI
Schlüsselfrage
How does modern AI move from analysis into creation?
Was Sie behalten sollten
Generative AI is the creation layer. It uses modern models to produce new text, images, code, audio, and more.
Generative KI bezieht sich auf Algorithmen, die neue Inhalte erstellen können – einschließlich Audio, Code, Bilder, Text, Simulationen und Videos. Im Gegensatz zur traditionellen KI, die klassifiziert oder vorhersagt, produziert Generative KI neuartige Ausgaben.
Konzeptkarte +
Diskriminative vs. Generative KI Wie funktioniert Generative KI? Die kreative Revolution Anwendungsfälle
Theorie 01
Diskriminative vs. Generative KI
Traditionelle KI ist Diskriminativ: Sie zieht eine Linie, um Daten zu trennen (z. B. "Ist das eine Katze oder ein Hund?"). Generative KI ist Kreativ: Sie lernt die Verteilung der Daten, um neue Beispiele zu erstellen (z. B. "Zeichne mir eine Katze, die nie existiert hat").
Theorie 02
Wie funktioniert Generative KI?
Generative Modelle, wie Diffusionsmodelle (für Bilder) oder Transformer (für Text), lernen die zugrunde liegende Struktur der Trainingsdaten. Sie nutzen dann Wahrscheinlichkeiten, um neue Muster zusammenzusetzen, die diesen Strukturen folgen, aber keine identischen Kopien sind.
Theorie 03
Die kreative Revolution
Generative KI demokratisiert Kreativität. Sie fungiert als Co-Pilot für Autoren, Künstler, Programmierer und Designer und ermöglicht es ihnen, schneller zu iterieren und neue Ideen zu erkunden. Sie verschiebt den Engpass von "Fähigkeit" zu "Fantasie".
Theorie 04
Anwendungsfälle
- Marketing: Erstellung von Werbetexten und Visuals.
- Coding: Schreiben von Boilerplate-Code und Dokumentation.
- Unterhaltung: Erstellung von Spiel-Assets und Skripten.
- Wissenschaft: Generierung neuartiger Proteinstrukturen für die Wirkstoffforschung.
Beispiel: Anwendungsfälle +
- Marketing: Erstellung von Werbetexten und Visuals.
- Coding: Schreiben von Boilerplate-Code und Dokumentation.
- Unterhaltung: Erstellung von Spiel-Assets und Skripten.
- Wissenschaft: Generierung neuartiger Proteinstrukturen für die Wirkstoffforschung.
Häufige Frage +
Stiehlt Generative KI Kunst?
Dies ist ein komplexes rechtliches und ethisches Problem. Modelle lernen aus vorhandenen Daten, aber sie 'kopieren und fügen nicht ein'. Sie lernen Stile und Konzepte. Die Rechte der ursprünglichen Ersteller der Trainingsdaten sind jedoch Gegenstand aktiver Debatten und Rechtsstreitigkeiten.
Kapitel 2 / Lektion 07 Industrie Aktualisiert 13. Juni 2026
LLM-Akteure
Die Titanen, die die Zukunft der Intelligenz formen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> LLM-Akteure
Schlüsselfrage
Who is shaping the model layer that everyone builds on?
Was Sie behalten sollten
Model providers are not interchangeable. Each one makes different tradeoffs in openness, performance, integration, and control.
Die Landschaft der Large Language Models wird von einigen wenigen Technologiegiganten und ehrgeizigen Startups dominiert. Zu verstehen, wer sie sind und was sie anbieten, ist entscheidend, um sich im KI-Ökosystem zurechtzufinden.
Konzeptkarte +
Wer sind die Hauptakteure? Open Source vs. Closed Source
Theorie 01
Wer sind die Hauptakteure?
- OpenAI: Der Pionier. GPT-5.5 und ChatGPT setzten den Standard für moderne generative KI. OpenAI konzentriert sich darauf, die Grenzen von Skalierung und logischem Denken zu erweitern.
- Google (DeepMind): Der schlafende Riese. Mit Gemini hat Google seine enormen Forschungskapazitäten in ein multimodales Modell integriert, das tief in das Google-Ökosystem eingebunden ist.
- Anthropic: Der sicherheitsorientierte Herausforderer. Gegründet von ehemaligen OpenAI-Mitarbeitern, konzentriert sich Anthropic auf "Constitutional AI" und Sicherheit. Ihre Claude-Modelle sind bekannt für ihre großen Kontextfenster und nuanciertes Schreiben.
- Meta (Facebook): Der Open-Source-Champion. Metas Llama-Serie war entscheidend dafür, der Open-Source-Community zu ermöglichen, leistungsstarke Modelle auf eigener Hardware zu bauen und auszuführen.
- Mistral: Der europäische Herausforderer. Mit Sitz in Frankreich produziert Mistral hocheffiziente Modelle mit offenen Gewichten, die den Giganten in der Leistung pro Parameter Konkurrenz machen.
Theorie 02
Open Source vs. Closed Source
- Closed Source (Proprietär): Modelle wie GPT-5.5 und Gemini. Sie greifen über eine API darauf zu. Sie sind im Allgemeinen leistungsfähiger und einfacher zu bedienen, aber Sie haben weniger Kontrolle und Privatsphäre.
- Open Source (Offene Gewichte): Modelle wie Llama und Mistral. Sie können sie herunterladen und selbst ausführen. Sie bieten Privatsphäre, Kontrolle und Anpassung, erfordern jedoch Hardware zum Ausführen.
Beispiel: Open Source vs. Closed Source +
- Closed Source (Proprietär): Modelle wie GPT-5.5 und Gemini. Sie greifen über eine API darauf zu. Sie sind im Allgemeinen leistungsfähiger und einfacher zu bedienen, aber Sie haben weniger Kontrolle und Privatsphäre.
- Open Source (Offene Gewichte): Modelle wie Llama und Mistral. Sie können sie herunterladen und selbst ausführen. Sie bieten Privatsphäre, Kontrolle und Anpassung, erfordern jedoch Hardware zum Ausführen.
Häufige Frage +
Welches Modell ist das beste?
Das hängt vom Anwendungsfall ab. GPT-5.5 ist oft der Maßstab für logisches Denken. Claude eignet sich hervorragend für lange Dokumente und Programmierung. Llama ist am besten für die lokale Bereitstellung. Gemini integriert sich am besten in Google Workspace.
Kapitel 3
Von Modellen zu Produkten und Praxis
Nach der Modellebene folgt die Frage, wie Menschen KI in der Arbeit einsetzen und wie sie Intuition aufbauen.
Nach diesem Kapitel
Sie sollten verstehen, wie aus KI Werkzeuge werden, wie Produkte verglichen werden und wie praktische Übungen die Konzepte festigen.
Kapitel 3 / Lektion 08 Praktisch Aktualisiert 13. Juni 2026
KI-Tools
Erweiterung der menschlichen Fähigkeiten.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> Generative KI -> KI-Tools
Schlüsselfrage
How do models become useful products in everyday work?
Was Sie behalten sollten
AI tools are the interface layer between advanced models and real human tasks.
KI-Tools sind Anwendungen, die künstliche Intelligenz nutzen, um spezifische Probleme zu lösen. Sie sind die praktische Schnittstelle zwischen komplexen Modellen und Endbenutzern.
Konzeptkarte +
Was sind die Hauptkategorien von KI-Tools? Wie wählt man das richtige Tool?
Theorie 01
Was sind die Hauptkategorien von KI-Tools?
- Text & Schreiben: Tools wie ChatGPT, Claude und Jasper helfen beim Entwerfen, Bearbeiten, Zusammenfassen und Brainstorming von Texten.
- Bild & Design: Tools wie Midjourney, GPT Image und Stable Diffusion ermöglichen es Benutzern, fotorealistische Bilder und Kunst aus Textbeschreibungen zu generieren.
- Coding: Tools wie GitHub Copilot, Cursor und Replit fungieren als Pair Programmer, schlagen Code vor, debuggen und refaktorisieren.
- Produktivität: Tools wie Perplexity (Suche), Otter.ai (Transkription) und Notion AI (Arbeitsbereich) integrieren KI in tägliche Arbeitsabläufe, um Zeit zu sparen.
Theorie 02
Wie wählt man das richtige Tool?
- Definieren Sie Ihr Ziel: Schreiben, programmieren oder designen Sie?
- Prüfen Sie das Modell: Welches zugrunde liegende Modell wird verwendet? (z. B. GPT-5.5 vs Claude)
- Berücksichtigen Sie den Datenschutz: Trainiert das Tool mit Ihren Daten?
- Suchen Sie nach Integration: Passt es in Ihren bestehenden Workflow?
Beispiel: Wie wählt man das richtige Tool? +
- Definieren Sie Ihr Ziel: Schreiben, programmieren oder designen Sie?
- Prüfen Sie das Modell: Welches zugrunde liegende Modell wird verwendet? (z. B. GPT-5.5 vs Claude)
- Berücksichtigen Sie den Datenschutz: Trainiert das Tool mit Ihren Daten?
- Suchen Sie nach Integration: Passt es in Ihren bestehenden Workflow?
Häufige Frage +
Werden diese Tools meinen Job ersetzen?
KI wird Ihren Job eher verändern als ersetzen. Der Konsens ist: 'Sie werden nicht durch KI ersetzt, sondern durch einen Menschen, der KI nutzt.' Das Erlernen dieser Tools ist eine Karriere-Superkraft.
Kapitel 3 / Lektion 09 Ressourcen Aktualisiert 13. Juni 2026
KI-Tools Verzeichnis
Eine kuratierte Sammlung der besten KI-Ressourcen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> Generative KI -> KI-Tools -> KI-Tools Verzeichnis
Schlüsselfrage
How do you evaluate the crowded tool market without getting lost?
Was Sie behalten sollten
The right tool choice depends on workflow, privacy, integration, and the model sitting underneath the interface.
Die Explosion von KI-Tools zu navigieren, kann überwältigend sein. Dieses Verzeichnis kategorisiert die zuverlässigsten und wirkungsvollsten Tools, die heute verfügbar sind.
Konzeptkarte +
Chat & Assistenten Visuelle Erstellung Entwicklung
Theorie 01
Chat & Assistenten
- ChatGPT (OpenAI): Der Industriestandard für konversationelle KI.
- Claude (Anthropic): Bekannt für Sicherheit und die Verarbeitung großer Kontexte.
- Gemini (Google): Multimodaler Assistent, integriert in Google-Apps.
- Perplexity: KI-gestützte Suchmaschine für genaue Antworten.
Theorie 02
Visuelle Erstellung
- Midjourney: Künstlerische Bildgenerierung von höchster Qualität.
- Leonardo.ai: Vielseitige Asset-Erstellung für Spiele und Design.
- Runway: Führendes Tool für KI-Videogenerierung und -bearbeitung.
Theorie 03
Entwicklung
- Cursor: Der KI-First Code-Editor.
- GitHub Copilot: Das am weitesten verbreitete Code-Vervollständigungstool.
- V0.dev: Generatives UI-System von Vercel.
Beispiel: Chat & Assistenten +
- ChatGPT (OpenAI): Der Industriestandard für konversationelle KI.
- Claude (Anthropic): Bekannt für Sicherheit und die Verarbeitung großer Kontexte.
- Gemini (Google): Multimodaler Assistent, integriert in Google-Apps.
- Perplexity: KI-gestützte Suchmaschine für genaue Antworten.
Kapitel 3 / Lektion 10 Praxis Aktualisiert 13. Juni 2026
Interaktive Übungen
Lernen durch Tun.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Interaktive Übungen
Schlüsselfrage
How do abstract AI ideas become intuition instead of memorized jargon?
Was Sie behalten sollten
Interactive learning is the shortest path from theory to intuition.
Theorie ist essenziell, aber Übung macht den Meister. Diese interaktiven Simulationen und Spiele sind darauf ausgelegt, Ihre Intuition dafür zu stärken, wie KI-Systeme tatsächlich funktionieren.
Konzeptkarte +
Warum interaktives Lernen? Verfügbare Module
Theorie 01
Warum interaktives Lernen?
KI-Konzepte wie "Gradientenabstieg" oder "Backpropagation" können abstrakt und mathematisch sein. Interaktive Visualisierungen ermöglichen es Ihnen, die Mathematik in Aktion zu sehen und ein tieferes, intuitives Verständnis aufzubauen.
Theorie 02
Verfügbare Module
- Neuron Visualizer: Sehen Sie, wie Eingaben, Gewichte und Bias zusammenwirken, um ein Neuron zu feuern.
- Network Playground: Bauen und trainieren Sie einfache neuronale Netze in Ihrem Browser.
- Gradient Descent Sim: Visualisieren Sie, wie Modelle Fehler minimieren, indem sie eine Verlustlandschaft hinabsteigen.
- Hyperparameter Sandbox: Experimentieren Sie mit Lernraten und Batch-Größen, um deren Auswirkungen auf das Training zu sehen.
Beispiel: Verfügbare Module +
- Neuron Visualizer: Sehen Sie, wie Eingaben, Gewichte und Bias zusammenwirken, um ein Neuron zu feuern.
- Network Playground: Bauen und trainieren Sie einfache neuronale Netze in Ihrem Browser.
- Gradient Descent Sim: Visualisieren Sie, wie Modelle Fehler minimieren, indem sie eine Verlustlandschaft hinabsteigen.
- Hyperparameter Sandbox: Experimentieren Sie mit Lernraten und Batch-Größen, um deren Auswirkungen auf das Training zu sehen.
Kapitel 4
Menschliches Urteil und gemeinsame Sprache
Zum Schluss wird KI wieder mit Menschen verbunden: menschliche Intelligenz, augmentierte Entscheidungen und gemeinsames Vokabular.
Nach diesem Kapitel
Sie sollten über KI präziser, urteilsstärker und mit einer gemeinsamen Sprache im Team sprechen können.
Kapitel 4 / Lektion 11 Grundlagen Aktualisiert 27. November 2025
Intelligenz
IQ, EQ und KI prägen unsere Entscheidungsfindung.
Wo es im Stack sitzt
KI-Überblick -> Intelligenz
Schlüsselfrage
What still belongs to humans in an AI-shaped world?
Was Sie behalten sollten
The strongest future is not human or machine alone. It is augmented intelligence with clear human oversight.
Zu verstehen, wie sich menschliche Intelligenz, künstliche Intelligenz und erweiterte Intelligenz (Augmented Intelligence) ergänzen, ist der Schlüssel zur Gestaltung der Zukunft. Intelligenz ist nicht nur Rechenleistung; es geht um die Synergie zwischen biologischer und synthetischer Kognition.
Konzeptkarte +
Drei Arten von Intelligenz Künstliche Intelligenz (KI) Emotionale Intelligenz (EQ)
Theorie 01
Drei Arten von Intelligenz
Wir können Intelligenz in drei verschiedene Formen einteilen, die in der modernen Welt interagieren:
| Merkmal | Menschen | Maschinen | Erweiterte Intelligenz |
|---|---|---|---|
| Datenverarbeitung | Konzepte verstehen und verallgemeinern | Große Datenmengen verarbeiten und analysieren | Kontext mit datengestützten Erkenntnissen kombinieren |
| Wiederholung | Anfällig für Ermüdung | Repetitive Aufgaben mit hoher Genauigkeit ausführen | Aufgaben automatisieren bei gleichzeitiger menschlicher Aufsicht |
| Kreativität | Flexible Problemlösung | Begrenzte kreative Kapazität | Menschliche Kreativität mit intelligenten Tools erweitern |
| Emotionale Einsicht | Empathie & Kundenbetreuung | Kein emotionales Verständnis | Menschlich geführte Empathie, unterstützt durch intelligente Assistenz |
Theorie 02
Künstliche Intelligenz (KI)
Definition: Die Fähigkeit von Maschinen, wie Menschen zu denken und zu reflektieren, mit dem Versuch, menschliche Intelligenz mit Maschinen nachzubilden.
Fähigkeiten:
- Logisches Denken: Schlussfolgerungen und Inferenz.
- Natürliche Kommunikation: Verstehen und Generieren menschlicher Sprache.
- Problemlösung: Finden von Lösungen für komplexe Herausforderungen.
Eigenschaften:
- Ersetzt menschlichen Aufwand: Automatisiert Aufgaben, die traditionell von Menschen erledigt wurden.
- Führt Aufgaben unabhängig aus: Arbeitet ohne ständige menschliche Intervention.
Theorie 03
Emotionale Intelligenz (EQ)
"Warum sind wir nicht mitfühlender?" - Daniel Goleman
Emotionale Intelligenz operiert durch die Basalganglien (das Weisheitszentrum des Gehirns). Sie leitet Entscheidungen basierend auf emotionaler Valenz (was sich gut/schlecht anfühlte). Im Gegensatz zum Neocortex spricht sie nicht in Worten, sondern ist mit Emotionen und dem Bauchgefühl verbunden.
Wichtige Erkenntnis: Kombinieren Sie EQ + IQ für bessere Entscheidungen.
Beispiel: Was ist Erweiterte Intelligenz? +
Erweiterte Intelligenz (Augmented Intelligence) ist ein Designmuster für ein menschenzentriertes Partnerschaftsmodell, bei dem Menschen und KI zusammenarbeiten, um die kognitive Leistung zu verbessern, einschließlich Lernen, Entscheidungsfindung und neuer Erfahrungen.
Häufige Frage +
Was ist Erweiterte Intelligenz?
Erweiterte Intelligenz (Augmented Intelligence) ist ein Designmuster für ein menschenzentriertes Partnerschaftsmodell, bei dem Menschen und KI zusammenarbeiten, um die kognitive Leistung zu verbessern, einschließlich Lernen, Entscheidungsfindung und neuer Erfahrungen.
Kapitel 4 / Lektion 12 Wörterbuch Aktualisiert 27. November 2025
KI-Konzepte & Terminologie
Sprechen Sie die Sprache der Zukunft.
Wo es im Stack sitzt
KI-Überblick -> KI-Konzepte & Terminologie
Schlüsselfrage
Which terms should everyone use consistently after reading this guide?
Was Sie behalten sollten
A strong AI guide should end with alignment: people leaving with the same words for the same concepts.
Das Feld der KI ist voll von Fachjargon. Dieses Wörterbuch bietet klare, prägnante Definitionen für die wichtigsten Begriffe, die Sie kennen müssen.
Konzeptkarte +
A-E F-L M-Z
Theorie 01
A-E
Algorithmus: Ein Satz von Regeln oder Anweisungen, die einer KI, einem neuronalen Netz oder einer anderen Maschine gegeben werden, um ihr zu helfen, selbstständig zu lernen.
Alignment (Ausrichtung): Das Problem sicherzustellen, dass KI-Systeme Ziele haben, die mit menschlichen Werten übereinstimmen.
Bias (Voreingenommenheit): Fehler in der KI-Ausgabe, die aus Vorurteilen in den Trainingsdaten resultieren.
Theorie 02
F-L
Fine-Tuning: Der Prozess des Trainings eines vorab trainierten Modells auf einem kleineren, spezifischen Datensatz, um es zu spezialisieren.
Halluzination: Wenn eine KI falsche oder unsinnige Informationen selbstbewusst generiert.
LLM (Large Language Model): Ein Deep-Learning-Algorithmus, der Text erkennen, zusammenfassen, übersetzen, vorhersagen und generieren kann.
Theorie 03
M-Z
Multimodal: KI, die mehrere Arten von Medien (Text, Bilder, Audio) verstehen und generieren kann.
Parameter: Die internen Variablen (Gewichte), die ein Modell während des Trainings lernt und bei der Ausgabe nutzt.
Token: Die Grundeinheit von Text für ein LLM (ungefähr 0,75 Wörter).
Beispiel: F-L +
Fine-Tuning: Der Prozess des Trainings eines vorab trainierten Modells auf einem kleineren, spezifischen Datensatz, um es zu spezialisieren.
Halluzination: Wenn eine KI falsche oder unsinnige Informationen selbstbewusst generiert.
LLM (Large Language Model): Ein Deep-Learning-Algorithmus, der Text erkennen, zusammenfassen, übersetzen, vorhersagen und generieren kann.