Guide

GenAI Tutorial & KI-Automatisierung: Der pragmatische Guide

by
published on

GenAI & KI-Automatisierung: Die „Hands-On“-Anleitung für echte Ergebnisse

Weil „KI einfach mal machen“ zwar kein Strategie-Vorschlag ist, aber ein super Einstieg um Erfahrung zu sammeln.

Dieses GenAI Tutorial-Hub ist eine kuratierte Sammlung von 15-20 Lerneinheiten, die ich als Training halte. Sie ebnen den Weg von den Grundlagen der Large Language Models (LLM) bis zur komplexen KI-Automatisierung (Vibe Coding & Agenten). Ziel ist es, Privatpersonen und KMU ohne IT-Abteilung zu befähigen, KI-Werkzeuge pragmatisch in den Arbeitsalltag zu integrieren, statt nur mit Chatbots zu plaudern. Pro Kapitel eine kleine Übung und pro Einheit eine große Projektübung runden das Training ab.

Table of Contents

1. AI Intro, Fortschritt, Impact

Willkommen in der Realität. Bevor wir anfangen, Code zu viben oder Prompts zu hacken, müssen wir verstehen, warum die Welt gerade kollektiv durchdreht. In diesem Abschnitt klären wir, warum KI kein vorübergehender Trend wie Fidget Spinner ist, sondern die Art und Weise verändert, wie wir Business-Cases kalkulieren. Wir schauen uns an, wo die Reise hingeht – und warum dein "Bauchgefühl" bei der Einschätzung von KI-Fortschritt meistens falsch liegt.

  • Einheit 1: AI Speed UP – Impact, Branchen & Business Cases
  • Einheit 2: Arten von AI & Arten von Wissen
  • Einheit 3: Use-Cases Übersicht: Wo fängt man an?
  • Projektarbeit: Case Study – Impact-Analyse für dein Business

2. GenAI: Die neue Werkbank

Generative KI ist wie ein neuer, extrem fähiger Praktikant, der aber leider auch ein pathologischer Lügner sein kann. Hier legen wir das Fundament für die Arbeit mit Texten, Bildern und Wissen. Es geht nicht darum, der KI beim Denken zuzusehen, sondern sie als produktiven Output-Generator zu nutzen. Wir trennen den Hype von der harten Realität.

2.1 GenAI Praxis

Wir schauen uns an, wie Prompt Engineering funktioniert, wie man Dokumente analysiert und warum die KI manchmal bei 1+1 ins Schwitzen kommt.

  • 2.1.1 - 2.1.4: Intro: LLM, Prompting, vLM Bildgenerierung & Use Cases
  • 2.1.5: Arbeit mit Dokumenten (Zusammenfassung, Extraktion & Limits)
  • 2.1.6: RAG – Retrieval Augmented Generation (Industrie Use-Cases & NotebookLM)
  • 2.1.7: Confidently Wrong – KI-Probleme, Qualität & Explainable AI
  • 2.1.8: Rechnen mit LLM – Limits, Excel-Formeln & Python-Scripts
  • 2.1.9: Datenanalyse – Statistische Operationen & Diagramm-Erstellung
  • 2.1.10: Google Research Labs – Gemini Gems & AI Studio Apps
  • Projektarbeit: Dokumenten-LLM-Audit & NotebookLM Projekt

2.2 Deep Dive LLM

Für alle, die wissen wollen, wie es in der Tiefe wirklich funktioniert. Wir schauen unter die Motorhaube der Large Language Models. Was sind Token? Warum "würfelt" die KI ihre Antworten?

  • 2.2.1: Was ist ein LLM & wie funktionieren Neuronale Netze (KNN)?
  • 2.2.3: Spezielle Anwendungen: Große Projekte, System Prompts & SEO-Webseiten
  • Recht & Ethik: IP Schutz, EU AI Act, DSGVO & Ethik
  • Zusammenfassung: Abschluss der GenAI Praxis-Einheit

3. KI Automatisierung

Das ist die Königsdisziplin. Wir lassen das Chat-Fenster hinter uns und bauen Maschinen. Von No-Code-Tools wie Make.com über lokale Container-Lösungen bis hin zum "Vibe Coding".

  • 3.1: Einführung: Von der Theorie zu Praxis-Use-Cases
  • 3.2: No-Code Basics: Zapier & Make.com im Vergleich
  • 3.3: IT-Fundament: Linux, WSL & Containerization (Docker)
  • 3.4: Self-Hosting: Lokales n8n Experiment
  • 3.5: Case Study: Qualitätssicherung in der Fertigung (Bildverarbeitung & LLM)
  • 3.6: Optimierungsprobleme & Operations Research
  • 3.7: Vibe Coding: Claude Code & Antigravity
  • 3.8: Micro-Agenten: Eigene Agenten "vibe-coden" & lokale LLMs
  • 3.9: Deep Dive Agenten: Open/Zero Claw Agenten
  • Abschluss: Zusammenfassung & Ausblick Automatisierung

Zusatz-Ressourcen

  • Der „Shadow IT“ Check: Wie führe ich KI im KMU ein, ohne dass der Chef Panik kriegt?
  • Kosten-Nutzen: Wann lohnen sich die 20$ Abos wirklich?