Folie 1
Applied AI Professional TAG 4
AI Transformation Institute
20. August 2026
Thorsten Gluitz
Folien: Was ist KI? Grundlagen, Geschichte & KI-Kompetenzprofil
Alle 134 Folien aus AppliedAIProfessional-M1-W1-T4.pptx, maschinell
aus dem Deck gespiegelt am 2026-09-23. Diese Seite ist keine
redaktionelle Auswertung. Sie zeigt, was im Deck steht, einschließlich
Sprechernotizen. Die kuratierte Auswertung steht auf der Tagesseite.
Folie 2
UNSER CODE OF KNOWLEDGE TRANSFER
#GernePerDu
#SonstFragenWir
#ImmerFragen✋
Sprechernotiz
MA machen lassen – micht alles Vorbesetimmen, speed I Bei Mitarbeiter Helfen Schulungen, Multiplikatoren , Center of Excellellence Strategische Richtung klar definieren: Vision und Mission deutlich kommunizieren Langfristige Ziele und kurzfristige Meilensteine festlegen Schlüsselindikatoren für Erfolg bestimmen Einbindung und Empowerment der Mitarbeiter: Nutzung von Basis Tools ermöglichen Fortbildungen und klare Regeln zur Nutzung Ermutigung eigene Projekte zu entwerfen Tools und Ressourcen für Tools oder iegene Entwicklungen bereitstellen: Erfolgsmessung und Anpassung: Strategische Leitlinie + Mitarbeiter mitnehmen! -> Angst nehmen + Technologieverständnis + Compliance einhalten -> Schulungen von einzelnen Team für Use Cases
Folie 3
Euer Referent für heute
Thorsten Gluitz
Gründer AI-X Lab CPO movacar | duke technologies HoP Ben Fleet Services PM Notebooksbilliger.de | Chrono24 | wetter.com
Product Innovation & AI Transformation Consultant
- Notebooksbilliger.de aus Folientext erkannt
- wetter.com aus Folientext erkannt
Folie 4
Checkpoint & Wiederholung
1
2
3
Wir haben intensiv mit Langdock gearbeitet.
Wir haben die 4 Kategorien des Promptings praxisnah erarbeitet.
Wir haben Moosrasen gepitcht und eine Prompt-Bibliothek angelegt.
Folie 5
Lernziele für Heute
1
2
3
Kannst du erklären, wie KI und neuronale Netze funktionieren – ohne Fachjargon.
Kennst du die drei Kräfte hinter dem KI-Durchbruch: Daten, Rechenleistung und Deep Learning.
Lernen wir Claude kennen und arbeiten ab heute damit.
Nach diesem Tag…
…verstehst du die wichtigsten KI-Grundlagen und erstellst dein erstes eigenes KI-Kompetenzprofil.
Sprechernotiz
MA machen lassen – micht alles Vorbesetimmen, speed I Bei Mitarbeiter Helfen Schulungen, Multiplikatoren , Center of Excellellence Strategische Richtung klar definieren: Vision und Mission deutlich kommunizieren Langfristige Ziele und kurzfristige Meilensteine festlegen Schlüsselindikatoren für Erfolg bestimmen Einbindung und Empowerment der Mitarbeiter: Nutzung von Basis Tools ermöglichen Fortbildungen und klare Regeln zur Nutzung Ermutigung eigene Projekte zu entwerfen Tools und Ressourcen für Tools oder iegene Entwicklungen bereitstellen: Erfolgsmessung und Anpassung: Strategische Leitlinie + Mitarbeiter mitnehmen! -> Angst nehmen + Technologieverständnis + Compliance einhalten -> Schulungen von einzelnen Team für Use Cases
Folie 6
Tag 4 - Unser Plan für heute
Zeit
Phase
Inhalt
09:00 – 09:15
Einstieg
Checkpoint & Tagesplan
09:15 – 12:00
Block 1
KI-Grundlagen, Geschichte & Durchbruch
12:00 – 12:30
Mittagspause
Mittagspause
13:30 – 14:30
Praxis 1
Gruppenübung Claude Research
14:30 – 16:00
Praxis 2
KI-Kompetenzprofil Meilenstein 1
15:45 – 16:15
Abschluss
Reflexion, Sicherung & Ausblick auf Tag 5
12:30 – 13:30
Block 2
Einführung Claude
Folie 7
1. KI-Grundlagen
Wie relevant ist das Thema aktuell? Wie funktioniert KI? Der Frühling der KI? Was kann Claude? Was forscht Europa? Wer bin ich beruflich? Was nehmen wir mit?
Folie 8
1. Wie relevant ist das Thema?
Wie relevant ist das Thema aktuell? Wie funktioniert KI? Der Frühling der KI? Was kann Claude? Was forscht Europa? Wer bin ich beruflich? Was nehmen wir mit?
MODUL 1 Tag 4
Folie 9
Drei Optionen der weiteren Entwicklung
Folie 10
Erster autonomer Agent auf den eigenen Geräten?
Folie 11
https://www.zdfheute.de/politik/deutschland/ki-anthropic-claude-mythos-schwachstellen-software-bsi-100.html
🎬 Eingebettetes Medium im Deck: 20260410-1544-35.8404200 (nicht extrahiert)
Folie 12
„Wir neigen dazu, die kurzfristige Wirkung einer Technologie zu überschätzen - und die langfristige Wirkung zu unterschätzen.“.“
Roy Amara, Forscher
Folie 13
Die Amis gehen all-in?
🧮 Burn‑Rate: ca. 1 Mrd USD/Monat
Sprechernotiz
MS: Three Mile island, Amazon Gerücht
Folie 14
KI-Kapazitäten vervierfachen - Beschlossen im Kabinett.
2×
Allgemeine Rechen- zentrums-kapazität bis 2030 verdoppeln
4×
KI-Rechenkapazität bis 2030 vervierfachen
15,5 Mrd. €
Investitionen in deutsche Rechenzentren allein 2025 (Bitkom)
Reicht das, um aufzuholen?
Handelsblatt | Zeit Online | Bitkom
Folie 15
Die “erste KI-Fabrik” Deutschlands - eröffnet Februar 2026.
München / Bayern
Deutsche Telekom & Nvidia – "Industrial AI Cloud" 1 Milliarde Euro Investition – 10.000 GPUs Bayern: über 70 Großprojekte für Rechenzentren in Planung
Der Vergleich – Rechenzentrum = Fabrik funktioniert gut.
Bayern. Digitalministerium | BR24 | BR – Rechenzentren Bayern
Folie 16
11 Milliarden Euro. Auf einem alten Kohlekraftwerk.
Brandenburg / Lausitz
Schwarz-Gruppe (Lidl / Kaufland) – größte Einzelinvestition der Unternehmensgeschichte 100.000 GPUs – rund 130.000 m² Fläche Fertigstellung erste Ausbaustufe: Ende 2027 – Betrieb mit erneuerbaren Energien
Wo früher Kohle verbrannt wurde, laufen bald die leistungsstärksten KI-Chips Europas.
SWR | Niederlausitz Aktuell | Radio Cottbus
Folie 17
30 Hektar. 3 Milliarden Euro. Europas KI-Campus.
Heilbronn / Baden-Württemberg
Spatenstich November 2025 – erste Gebäude bezugsfertig Ende 2027 5.000 Menschen, autofreies Stadtquartier – Büros, Labore, Wohnungen, Kita Partner: Audi, Porsche, SAP, Vodafone – über 80 Unternehmen an Bord
Anekdote: Conrad / AITI – wir waren selbst da
Ein gigantisches Projekt – aber abseits vom Rest?
Tagesschau | VDE Dialog | Stadt Heilbronn | Land BW
Folie 18
US-Hyperscaler: CapEx-Explosion für KI-Infrastruktur
Unternehmensberichte, Bitkom, Futurum Research | Stand: April 2026
| Unternehmen | 2025 (IST) | 2026 (PLAN) | Wachstum |
|---|---|---|---|
| Amazon / AWS | $131 Mrd. | $200 Mrd. | +53% |
| Alphabet / Google | $91 Mrd. | $175–185 Mrd. | +97% |
| Microsoft | ~$78 Mrd. | $120–145 Mrd. | +70% |
| Meta | ~$71 Mrd. | $115–135 Mrd. | +76% |
| SUMME | ~$371 Mrd. | ~$610–665 Mrd. | +73% |
Folie 19
Deutschland im Vergleich: KI-Infrastruktur-Investitionen
US-Hyperscaler 2026 ~$650 Mrd. (€~600 Mrd.)
Deutschland 2026 ~€20 Mrd.
vs
Faktor 30x – Vier US-Unternehmen investieren 30-mal mehr als ganz Deutschland
Unternehmensberichte, Bitkom, Futurum Research | Stand: April 2026
| Kategorie | 2025 (IST) | 2026 (Schätzung) |
|---|---|---|
| Rechenzentren gesamt (Bitkom) | €15,5 Mrd. | ~€17–18 Mrd. |
| Davon KI-spezifisch (~15%) | ~€2–3 Mrd. | ~€3–4 Mrd. |
| Öffentliche Hand (kumuliert) | ~€5 Mrd. | n/a |
| GESAMT (konservativ) | ~€15–18 Mrd. | ~€18–22 Mrd. |
Folie 20
2. Wie funktioniert KI?
Wie relevant ist das Thema aktuell? Wie funktioniert KI? Der Frühling der KI? Was kann Claude? Was forscht Europa? Wer bin ich beruflich? Was nehmen wir mit?
MODUL 1 Tag 4
Folie 21
KI: Die Mutter aller „Hockey Sticks“?
1950
1960
1970
1980
1990
2000
2010
2020
Aufmerksamkeit/Investitionen
2022: ChatGPT veröffentlicht
Folie 22
Nein, KI gibt es nicht erst seit ChatGPT
1950
1960
1970
1980
1990
2000
2010
2020
Aufmerksamkeit/Investitionen
2022: ChatGPT veröffentlicht
Folie 23
Die Geburtsstunde von KI
2022: ChatGPT veröffentlicht
Neuronale Netze
1956: Dartmouth Konferenz
1950: Turing Test
´
Technologische Innovationen
Meilensteine der öffentlichen Aufmerksamkeit
Aufmerksamkeit/Investitionen
1950
1960
1970
1980
1990
2000
2010
2020
Folie 24
Irgendwas mit „Dreifaltigkeit“
Big Data
Rechenleistung
Folie 25
Vom menschlichen Gehirn inspiriert
Sprechernotiz
Aufmalen 3 Linien (in) + Dreieck (Neuron) + 1 Linie (out) Message: Viel einfacher, aber grundsätzlich macht das gleiche
Folie 26
Vom menschlichen Gehirn inspiriert
Sprechernotiz
Aufmalen 3 Linien (in) + Dreieck (Neuron) + 1 Linie (out) Message: Viel einfacher, aber grundsätzlich macht das gleiche
Folie 27
Ein Beispiel
Folie 28
Exemplarisch: Ein künstliches neuronales Netz
178 m2
0,97 km zum Zentrum
5 Zimmer
1,25 Mio. Kaufpreis in €
Folie 29
Exemplarisch: Ein künstliches Neuron
Gewichtete Summe
Aktivierungs-funktion
Inputs
Output
Folie 30
Wie funktioniert das?
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Input Neuronen
Output Neuron
Neuronen im sog. Hidden Layer
Sprechernotiz
Die Neuronen sind miteinander verbunden, hier fließt die Information. Die Verbindung wird Parameter bezeichnet. Die Kanten sind gewichtet. Dadurch wird bestimmt wieviel Information fließt Der Lernprozess wird dazu genutzt die Gewichtungen auf den Kanten richtig einzustellen
Folie 31
Wie wird ein neuronales Netz trainiert?
In der Trainingsphase werden über Machine Learning die Gewichte eingestellt. Das macht natürlich nicht der Mensch, sondern der Lernalgorithmus (Backpropagation) des Neuronalen Netzes.
Folie 32
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Initialisierung mit Random Gewichten
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 33
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Erstes Trainingsbeispiel
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 34
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Erstes Trainingsbeispiel
3
93
0,9
Kaufpreis in €
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 35
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Ergebnis
3
93
0,9
478.000
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 36
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 569.000 Error: -91.000
Vergleich mit Trainingsdaten
3
93
0,9
478.000
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 37
Training des neuronalen Netzes
<
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 569.000 Error: -91.000
Gewichte verändern gemäß Error
3
93
0,9
478.000
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 38
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Zweites Trainingsbeispiel
5
178
0,93
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 39
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Ergebnis
5
178
0,93
1,25 Mio.
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 40
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 1,25 Mio. € Error: 0
Vergleich mit Trainingsdaten
5
178
0,93
1,25 Mio.
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 41
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Drittes Trainingsbeispiel
3
87
13
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 42
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
Ergebnis
3
87
13
338.267
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 43
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 330.000 Error: 8.267
Vergleich mit Trainingsdaten
3
87
13
338.267
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 44
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 330.000 Error: 8.267
4
121
2
338.267
Viertes Trainingsbeispiel
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 45
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 330.000 Error: 8.267
3
87
13
338.267
Gewichte verändern gemäß Error
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 46
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 677.000 Error: -17.000
4
121
2
660.000
Viertes Trainingsbeispiel
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 47
Training des neuronalen Netzes
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in € Bsp.: 677.000 Error: -17.000
4
121
2
660.000
Gewichte verändern gemäß Error
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 48
Trainingsphase ist abgeschlossen
Das neuronale Netz ist fertig trainiert. Die Gewichte sind so verändert, dass der Gesamtfehler auf den Trainingsdaten minimal ist.
Trainingsmenge
Anzahl der Zimmer
m2
Entfernung zum Zentrum
Kaufpreis in €
| Zimmer | m2 | km | € |
|---|---|---|---|
| 3 | 93 | 0,9 | 569.000 |
| 5 | 178 | 0,93 | 1.250.000 |
| 3 | 87 | 13 | 330.000 |
| 4 | 121 | 2 | 677.000 |
| … | … | … | … |
Folie 49
Anwendungsphase
Nun kann ein neues Beispiel, das nicht in den Trainingsdaten vorkam, und von dem wir das Ergebnis nicht wissen, durch das Netz gelöst werden.
Anzahl der Zimmer
m2
Entfernung zum Zentrum
3
115
1,5
798.000
Kaufpreis in €
Folie 50
Supervised Learning
(Ich weiß, das reingeht und ich weiß, was rauskommen soll)
🖼 Bild Grafik 19 liegt im Deck als WMF vor, ein Format, das Browser nicht anzeigen. Es ist hier nur vermerkt, nicht abgelegt.
Folie 51
Kuchen backen?
Zutaten
Rezept
Kuchen
Folie 52
Kein schlechter Vergleich!
Daten
Algorithmus
Model
Nicht der Algorithmus diskriminiert mich, sondern das Model, das aus Daten mit einem Algorithmus berechnet (trainiert) wurde.
Folie 53
Training und Anwendung sind getrennt!
Lernphase (Training)
Anwendungsphase (Inference)
Folie 54
Es gibt nicht nur ein neuronales Netz
Folie 55
Es gibt viele, viele Methoden der KI…
Copilot, ChatGPT, Claude...
Beispiel Sprachmodelle
Anwendungen: Erlauben Menschen die Nutzung von Sprachmodellen
Folie 56
Je komplexer die Aufgabe, desto komplexer das neuronale Netz.
…
…
1. Pixel
2. Pixel
3. Pixel
Input
Output
(viele) Hidden Layer
Es ist eine Katze.
Folie 57
Katzen auf Bildern erkennen? Google 2012: Unsupervised Learning
🖼 Bild Grafik 6 liegt im Deck als WMF vor, ein Format, das Browser nicht anzeigen. Es ist hier nur vermerkt, nicht abgelegt.
Sprechernotiz
Unsupervised Learning – erklärt mit Katzenbildern. Stell dir vor, du gibst einem Kind 10 Millionen Tierfotos. Keine Beschriftungen, keine Erklärungen – einfach nur Bilder. Das Kind fängt an zu sortieren. Nicht weil es weiß, was eine Katze ist, sondern weil es Muster erkennt. Erstmal grob: Manche Tiere haben Fell, manche Schuppen, manche Federn. Drei Haufen. Dann wird es feiner: Fell mit Schlappohren, Fell mit Spitzohren. Große Augen, kleine Augen. Schnurrhaare oder keine. Krallen, die sich einziehen – oder nicht. Streifen, Punkte, einfarbig. Irgendwann hat das Kind einen Haufen, in dem liegen: kleine Tiere, Fell, Spitzohren, Schnurrhaare, einziehbare Krallen, große Augen. Das Kind hat keine Ahnung, dass das „Katze" heißt. Aber es hat die Kategorie selbst entdeckt – rein über die gemeinsamen Merkmale. Genau das hat Googles neuronales Netz 2012 gemacht. 10 Millionen YouTube-Bilder, kein einziges Label, kein Mensch der sagt „das ist eine Katze". Das System hat eigenständig Gruppen gebildet – und eine davon waren Katzengesichter. Nicht weil es wusste, was Katzen sind, sondern weil Katzen eben ein sehr markantes Muster haben: diese Kombination aus Ohrenform, Augen und Schnurrhaaren. Der Fachbegriff dafür: Unsupervised Learning. Kein Lehrer, keine Vorgaben – nur Daten und die Fähigkeit, Strukturen darin zu finden.
Folie 58
Es gibt viele, viele Methoden der KI…
Copilot, ChatGPT, Claude...
Beispiel Sprachmodelle
Anwendungen: Erlauben Menschen die Nutzung von Sprachmodellen
Folie 59
3. Der Frühling der KI?
Wie relevant ist das Thema aktuell? Wie funktioniert KI? Der Frühling der KI? Was kann Claude? Was forscht Europa? Wer bin ich beruflich? Was nehmen wir mit?
MODUL 1 Tag 4
Folie 60
Der Frühling von KI
2022: ChatGPT veröffentlicht
Neuronale Netze
1956: Dartmouth Konferenz
1950: Turing Test
´
Technologische Innovationen
Meilensteine der öffentlichen Aufmerksamkeit
Neue Lern-algorithmen für Deep Learning
1996 Chess: Deep Blue gewinnt gegen Kasparow
Rechen-leistung
Große Daten-mengen
2016 GO: Alpha Go gewinnt gegen Lee Sedol
2000
2010
1950
1960
1970
1980
1990
2020
Aufmerksamkeit/Investitionen
Folie 61
Auferstehung durch die Dreifaltigkeit
Big Data
Rechenleistung
Deep Learning
Folie 62
Was ist der Unterschied zwischen einem CPU (Prozessor) und einem GPU (Grafikkarte)?
Folie 63
Rechenleistung: GPUs lösen das Problem
Sprechernotiz
2000er Jahre: Einführung von Big Data Günstigere Speicherung Parallelverarbeitung (z. B. MapReduce, Hadoop, Spark) Gemeinsame Nutzung von Daten über das Internet Viele Bilder, viele mit Beschriftungen Viel Text, einige mit Beschriftungen Crowdsourcing-Systeme (z. B. Mechanical Turk) bieten eine Möglichkeit, mehr Labels zu erhalten
Folie 64
CPU
🎬 Eingebettetes Medium im Deck: Nvidia CPU (nicht extrahiert)
Folie 65
GPU
🎬 Eingebettetes Medium im Deck: Nvidia GPU (nicht extrahiert)
Folie 66
Auferstehung durch die Dreifaltigkeit
Big Data
Rechenleistung
Deep Learning
Folie 67
Big Data: Der einzige Hockey Stick
1990
1995
2000
2005
2010
2015
2020
2025*
Volumen der jährlich generierten Datenmenge weltweit
Große Mengen an Daten sind der "Treibstoff" für (viele) KI-Modelle.
Folie 68
Auferstehung durch die Dreifaltigkeit
Big Data
Rechenleistung
Deep Learning
Folie 69
Deep Learning: Neuronale Netze mit vielen Schichten („Hidden Layers“) jetzt berechenbar
Diese spezialisierte Art von Machine Learning hat den Durchbruch für viele Anwendungen ermöglicht, die zuvor als zu komplex galten.
Folie 70
Und damit waren schon übermenschliche Fähigkeiten möglich?
Folie 71
71
Folie 72
Was ist Machine Learning?
Arthur Samuel (1959): Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.
Sprechernotiz
A.S. hat ein Programm geschrieben, das nach einer gewissen Lernzeit besser wurde als er selbst. Wie hat er das gemacht? Schlüsselpositionen wurden gelernt von hinten nach vorne. Jetzt mach ein Bild..... Und erkläre den Min-Max Algorithmus, zumindest rudimentär
Folie 73
Was ist Machine Learning
73
Sprechernotiz
A.S. hat ein Programm geschrieben, das nach einer gewissen Lernzeit besser wurde als er selbst. Wie hat er das gemacht? Schlüsselpositionen wurden gelernt von hinten nach vorne. Jetzt mach ein Bild..... Und erkläre den Min-Max Algorithmus, zumindest rudimentär
Folie 74
Sorry, you‘ve lost!
Wait! Stop the presses! A computer has beaten a master at checkers!
Folie 75
Computer-Checkers
1956 das erste Mal in der Öffentlichkeit (TV) vorgestellt Technik: (Alpha-Beta Suche) Läuft auf einem IBM 701
Folie 76
… so sehen die Computer heute aus
Sprechernotiz
A.S. hat ein Programm geschrieben, das nach einer gewissen Lernzeit besser wurde als er selbst. Wie hat er das gemacht? Schlüsselpositionen wurden gelernt von hinten nach vorne. Jetzt mach ein Bild..... Und erkläre den Min-Max Algorithmus, zumindest rudimentär
Folie 77
Schonmal was von Lee Sedol gehört?
Sprechernotiz
A.S. hat ein Programm geschrieben, das nach einer gewissen Lernzeit besser wurde als er selbst. Wie hat er das gemacht? Schlüsselpositionen wurden gelernt von hinten nach vorne. Jetzt mach ein Bild..... Und erkläre den Min-Max Algorithmus, zumindest rudimentär
Folie 78
Was ist Machine Learning?
Sprechernotiz
A.S. hat ein Programm geschrieben, das nach einer gewissen Lernzeit besser wurde als er selbst. Wie hat er das gemacht? Schlüsselpositionen wurden gelernt von hinten nach vorne. Jetzt mach ein Bild..... Und erkläre den Min-Max Algorithmus, zumindest rudimentär
Folie 79
Besser als der Mensch: Alpha Go gewinnt im chinesischen Spiel Go gegen Lee Sedol in 2016
Sprechernotiz
Beteiligt war Google DeepMind – das KI-Forschungslabor, das Google 2014 für rund 500 Mio. Dollar übernommen hatte. Das Match: Lee Sedol, damals einer der besten Go-Spieler der Welt, verlor 1:4 gegen AlphaGo (9.–15. März 2016 in Seoul). Über 200 Millionen Menschen haben zugeschaut. Zum Reinforcement Training – die anschaulichen Zahlen: Das ursprüngliche AlphaGo wurde zunächst mit ca. 30 Millionen Zügen aus menschlichen Partien trainiert und dann per Self-Play (Reinforcement Learning) weiter verbessert. Google DeepMind hat AlphaGo beigebracht, Go zu spielen – indem es gegen sich selbst antrat. Millionenfach. Das Prinzip ist erstaunlich simpel: AlphaGo spielt eine Partie gegen eine Kopie von sich selbst. Am Ende gibt es einen Gewinner und einen Verlierer. Das System schaut sich an: Welche Züge haben zum Sieg geführt? Die werden verstärkt. Welche Züge haben in die Niederlage geführt? Die werden abgestraft. Dann spielt es die nächste Partie – minimal klüger als zuvor. Das Ganze wiederholt sich. Nicht hundertmal, nicht tausendmal – fünf Millionen Mal in drei Tagen. Das entspricht Tausenden Jahren menschlicher Spielerfahrung, komprimiert in ein Wochenende. Das Ergebnis: Ein System, das Züge spielt, die kein Mensch in 3.000 Jahren Go-Geschichte je gesehen hat – und damit den Weltmeister 4:1 schlägt.
Folie 80
Go trainieren Google Deep: Reinforcement Learning
Sprechernotiz
Reinforcement Learning – erklärt am heißen Ofen. Ein Kind fasst auf den heißen Ofen. Es tut weh. Das Kind merkt sich: Ofen heiß → nicht anfassen. Beim nächsten Mal hält es Abstand. Niemand musste dem Kind eine Anleitung geben oder ein Handbuch schreiben. Es hat durch Erfahrung gelernt – durch die negative Konsequenz. Umgekehrt: Das Kind probiert zum ersten Mal Schokolade. Schmeckt gut. Schokolade → mehr davon. Positive Konsequenz, Verhalten wird verstärkt. Genau so funktioniert Reinforcement Learning. Das System macht etwas, bekommt eine Rückmeldung – Belohnung oder Strafe – und passt sein Verhalten an. Kein Lehrer, kein Regelwerk, nur: Was hat funktioniert? Mehr davon. Was hat wehgetan? Weniger davon. Bei AlphaGo war der „heiße Ofen" eine verlorene Partie und die „Schokolade" ein Sieg. Fünf Millionen Mal ausprobieren, fünf Millionen Mal Feedback bekommen – in drei Tagen.
Folie 81
Ein Jahr später. Kein Zweifel mehr in China.
Mai 2017 – Peking, China
01
Ke Jie, Weltranglistenerster im Go, verliert gegen AlphaGo – 0:3
02
Ke Jie weinte während der Partie – live übertragen, millionenfach gesehen
03
Im Heimatland von Go war kein Zweifel mehr möglich – KI verändert alles.
Folie 82
Aus einer Niederlage wird ein Staatsauftrag.
Juli 2017
Was passierte
China veröffentlicht den nationalen KI-Entwicklungsplan 「新一代人工智能发展规划」
Das Ziel
Bis 2030 weltweit führend in KI
Der Go-Moment wurde in China als Sputnik-Moment wahrgenommen – und löste eine der größten staatlichen KI-Investitionen der Geschichte aus.
Folie 83
Grundsätzlich toll, aber Narrow AI
2022: ChatGPT veröffentlicht
Neuronale Netze
1956: Dartmouth Konferenz
1950: Turing Test
Fehlendes Vertrauen
Fehlende Rechen-leistung, Komplexität und fehlende Anwendungsfälle
1974-1980 1. KI Winter
1986-1993 2. KI Winter
´
Technologische Innovationen
Meilensteine der öffentlichen Aufmerksamkeit
Technologische Herausforderungen
Neue Lern-algorithmen für Deep Learning
1996 Chess: Deep Blue gewinnt gegen Kasparow
Rechen-leistung
Große Daten-mengen
2016 GO: Alpha Go gewinnt gegen Lee Sedol
2000
2010
1950
1960
1970
1980
1990
2020
Aufmerksamkeit/Investitionen
Narrow AI, hoher Bedarf an Trainingsdaten & Fehlerquote
Folie 84
AlphaGo - gleichzeitig brillant und dumm.
Sprechernotiz
Die Pointe: AlphaGo ist gleichzeitig brillant und dumm. AlphaGo hat den Weltmeister geschlagen – auf einem 19×19-Brett. Aber jetzt stell dir vor, jemand legt ein 20×20-Brett auf den Tisch. Einfach eine Zeile und eine Spalte mehr. Ein Mensch wie Lee Sedol würde kurz stutzen, sich umorientieren und weiterspielen. Kein Problem. AlphaGo? Totaler Ausfall. Das System kann damit schlicht nichts anfangen. Sein neuronales Netz ist fest auf 19×19 Eingabefelder gebaut – wie eine Excel-Tabelle mit exakt 361 Zellen. Kommt eine 362. Zelle dazu, gibt es keinen Platz dafür. Das System kann den Wert nicht verarbeiten, nicht einmal ignorieren. Es ist, als würdest du versuchen, einen Brief in einen Briefkasten zu stecken, der zugeschweißt ist. Das zeigt den entscheidenden Unterschied: AlphaGo ist Narrow AI – extrem gut in genau einer Sache, aber komplett hilflos, sobald sich die Aufgabe auch nur minimal verändert. Ein Mensch kann mit einer einzigen Gehirnstruktur Schach, Go, Dame und Mühle spielen – auf Brettern jeder Größe. AlphaGo braucht für jede Variante ein komplett neues Training.
Folie 85
Morgen dann die Frage: Warum ist das Ganze heute nicht mehr „narrow“ ist?
Folie 86
1. Einführung Claude
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Kompetenzprofil Meilenstein 1
Folie 87
Wer hat bereits Erfahrung mit Claude?
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 88
Falls ja, was sind eure Erfahrungen?
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 89
Claude: Unser (KI-)Werkzeug ab heute
🎬 Eingebettetes Medium im Deck: Keep thinking with Claude.mp4 (nicht extrahiert)
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 90
Anthropic: Das Unternehmen hinter Claude
Gegründet 2021 von Dario & Daniela Amodei – zuvor bei OpenAI, Abgang wegen Differenzen bei KI-Sicherheit Public Benefit Corporation – rechtlich verpflichtet, öffentlichen Nutzen mit Geschäftsinteressen auszubalancieren Constitutional AI: Training mit Werte-Regeln statt nur menschlichem Feedback – Safety als Kernprinzip Investoren: Google, Amazon, Microsoft, NVIDIA, Salesforce u.v.m.
380 Mrd. $
Unternehmensbewertung (Feb 2026)
67 Mrd. $
Gesamtfinanzierung über 17 Runden
„Die erste Version von Claude war 2022 fertig – aber Anthropic veröffentlichte sie bewusst nicht, um kein Wettrennen auszulösen.“
Folie 91
Claude: Unser KI-Werkzeug ab heute
Versteht lange und komplexe Texte und gibt strukturierte, nachvollziehbare Antworten Arbeitet präzise und reflektiert – gerade bei Aufgaben, die Sorgfalt erfordern Business-Version: Daten werden nicht für das Training des Modells verwendet Constitutional AI: Anthropic trainiert mit Werte-Regeln statt nur menschlichem Feedback Später im Kurs lernt ihr weitere Tools & Modelle kennen und könnt selbst vergleichen
Haiku
Schnell & günstig
Sonnet
Unser Standard im Kurs
Opus
Komplex & tiefgehend
200.000 Token Kontext
≈ 500 Seiten in einem Chat
14 Mrd. $ Jahresumsatz
80% von Unternehmen
Folie 92
Eher Guten Morgen, AITI!
Und Gute Nacht heisst es, wenn ihr einzeln das Budget von 20$ verbraucht.
Folie 93
Ein kurzer Blick in die Einstellungen und du siehst dein Nutzungslimit.
Folie 94
Mehr dazu jetzt in der Live Demo!
Folie 95
2. Was kann Claude alles?
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Kompetenzprofil Meilenstein 1
Folie 96
Claude – was ihr schon kennt
01
Eingabefeld und Prompt abschicken – einfach tippen und Enter drücken.
02
Antwort lesen, iterieren, weiterpromten – der Dialog funktioniert.
03
Chat-Verlauf in der Sidebar – Deine Chat Historie
Folie 97
Die Oberfläche – und welches Modell ihr nutzt
Sidebar
Chatverläufe – alle bisherigen Gespräche
Neuer Chat – frischer Start
Projekte – kommt gleich
Haiku
Schnell – für einfache Aufgaben
Sonnet
Unser Standard – stark & ausgewogen
Opus
Intelligenter, tiefer, langsamer – und teurer. Limit beachten!
Bestes Modell (derzeit) für “alltägliche Tasks”: Sonnet
Sprechernotiz
[ Thorsten zeigt live: Sidebar, Modellwechsel, kurz Haiku vs. Sonnet anklicken ]
Folie 98
Claude liest – und hört zu
Dateien hochladen
📎 Büroklammer-Icon im Eingabefeld Unterstützt: PDFs, Word-Dokumente, Bilder, Tabellen 💡 Praxis-Hinweis: Das nutzt ihr gleich für euer KI-Kompetenzprofil.
Spracheingabe
🎤 Mikrofon-Icon rechts im Eingabefeld Einfach sprechen statt tippen. Claude transkribiert und antwortet. 💡 Praxis-Hinweis: Probiert es aus – Je nach KI Anbieter unterschiedlich stark.
Folie 99
Artefakte – kein Copy-Paste mehr
Chat-Fenster
[ Platzhalter – Screenshot einfügen ]
Artefakt-Fenster – erscheint automatisch rechts
Berufsprofil als strukturiertes Word Dokument
Excel-Tabelle mit Tool-Vergleich
Zusammenfassung als formatierter Bericht im md/ doc/ docx/ pdf Format
Sprechernotiz
[ Thorsten erstellt live ein Artefakt: ‘Erstelle mir eine Word-Vorlage für ein klassisches DIN-genormtes Angebot.“]
Folie 100
Projekte – Arbeitsbereiche für euren Kontext.
01 – Projekt anlegen
Ein Thema. Ein Container. Ein Ort für alle Konversationen zu diesem Thema.
02 – Dokumente hinterlegen
Claude kennt den Kontext in jedem neuen Chat innerhalb des Projekts – kein Wiederholen.
03 – Über alle 20 Tage wachsen lassen
Euer KI-Kompetenzprofil lebt hier und wird an jedem Meilenstein erweitert.
Euer KI-Kompetenzprofil lebt in eurem Projekt – heute legt ihr es an.
Sprechernotiz
[ Thorsten zeigt live: Neues Projekt anlegen, Dokument hochladen, ersten Chat im Projekt starten – Claude kennt sofort den Kontext “Euer Name – KI Kompetenzprofil” ]
Folie 101
Ihr kennt das Werkzeug – jetzt nutzt ihr es.
✓
Habt ihr Claude geöffnet?
✓
Habt ihr euer Projekt angelegt?
✓
Seid ihr bereit für den Beginn eures KI Kompetenzprofils?
Gleich erstellt ihr Meilenstein 1: Euer erstes KI-Kompetenzprofil.
Folie 102
3. Was unterscheidet ChatGPT von Claude?
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Wie nutzen wir die Ergebnisse von Tag 1?
Folie 103
ChatGPT vs. Claude: Ein Vergleich
ChatGPT macht…
Claude macht…
Liefert sofort 5 Bullet-Points für eine Präsentation Du hast ein Ergebnis Funktioniert super, wenn du genau weißt, was du willst
Fragt zuerst: Wer ist dein Team? Gibt es Widerstand? Was ist passiert? Du hast ein Gespräch – und dann ein besseres Ergebnis Funktioniert besonders gut, wenn du es noch herausfindest
Wenn ich prompte: Ich will meinem Team erklären, warum wir KI einführen.
Sprechernotiz
[ Thorsten erstellt live ein Artefakt: ‘Erstelle mir eine Word-Vorlage für ein klassisches DIN-genormtes Angebot.“]
Folie 104
ChatGPT ist eine KI die für euch arbeitet.
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 105
Claude ist eine KI, die mit euch arbeitet.
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 106
4. Praxisübung: Dreifaltigkeit
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Kompetenzprofil Meilenstein 1
Folie 107
Praxisübung: Die Dreifaltigkeit unter der Lupe
Sprechernotiz
Kurze Erinnerung an die letzte Einheit; „RPA-Pipeline mit LLM-Call“ (Input → LLM → Mapping → Output) Heute bündeln wir die Schritte in einen Agenten, der versteht, entscheidet und handelt.
Folie 108
Die Dreifaltigkeit unter der Lupe: Eure Recherche-Aufgabe
Team 1
Big Data
Team 2
Algorithmen & Deep Learning
Team 3
USA-Vergleich Infrastruktur
20 Min. Recherche mit Claude | Danach Präsentation pro Team und gemeinsame Diskussion
Primärtool: Claude mit Research-Funktion
Folie 109
Euer Tool für heute: Claude Research-Funktion
Was ist Research?
Claude führt mehrere Suchanfragen durch, die aufeinander aufbauen – erkundet verschiedene Blickwinkel automatisch und arbeitet offene Punkte systematisch ab.
Welche Quellen?
Claude durchsucht das Web sowie internen Kontext (z. B. Gmail, Google Calendar, Google Docs – wenn verbunden).
Wann nutzen?
Research: Wenn Infos aus mehreren Quellen synthetisiert werden sollen. Normale Suche: Für einfache Fakten mit 1–2 Anfragen.
Verfügbar für bezahlte Claude-Pläne (Pro, Max, Team, Enterprise) – Web, Desktop & Mobil
Das Ergebnis: eine umfassende Antwort in Minuten – inklusive leicht nachprüfbarer Zitationen.
Folie 110
Team 1 – Big Data
Big Data in Deutschland & Europa
01
Findet 2–3 konkrete Beispiele: Wer sammelt in Deutschland oder Europa wirklich große Datensätze – oder kontrolliert sie?
02
Recherchiert den Status von GAIA-X: Was war das Ziel – und wo steht das Projekt heute?
03
Beantwortet die Frage: Wo landen die Daten europäischer Nutzer und Unternehmen tatsächlich?
Tipp: GAIA-X / Catena-X / Mobility Data Space / European Health Data Space / AWS Europe
Folie 111
Team 2 – Algorithmen
Deep Learning & Algorithmen in Deutschland & Europa
01
Findet 2–3 Unternehmen aus Deutschland oder Europa, die eigene KI-Modelle entwickeln – mit konkreten Beispielen und aktuellem Stand.
02
Wie groß sind diese im Vergleich zu OpenAI oder Google DeepMind – Finanzierung, Mitarbeiter, Modellstärke?
03
Was fehlt Europa, um hier wirklich konkurrenzfähig zu sein – und wo gibt es Lichtblicke?
Tipp: Black Forest Labs (Flux) / Aleph Alpha / Mistral / DeepMind London / OpenAI zum Vergleich
Folie 112
Team 3 – USA-Vergleich
KI-Infrastruktur in den USA
01
Findet 2–3 aktuelle Gigaprojekte für Rechenzentren oder KI-Infrastruktur in den USA – mit konkreten Investitionsvolumina und Status.
02
Was investieren Microsoft, Google, Amazon und Meta zusammen in KI-Infrastruktur im Jahr 2025 – in Zahlen?
03
Stellt den Vergleich her: Deutschland investiert 12 Mrd. Euro in Rechenzentren 2025. Was investieren die USA im selben Zeitraum?
Tipp: Stargate Project / Microsoft AI Infrastructure 2025 / Meta Llama Data Centers / Google TPU
Folie 113
20 Minuten
Recherche in den Teams.
01
Ihr werdet jetzt in drei Teams aufgeteilt.
02
Gleich starten die Breakout Rooms in Microsoft Teams.
03
Ab ins Miro Board – dort ist alles vorbereitet. Sammelt eure Ergebnisse direkt dort.
Folie 114
Jetzt seid ihr dran – Vorstellung der Ergebnisse
01
Was haben wir gefunden? – 2–3 konkrete Fakten oder Beispiele
02
Was hat uns überrascht?
03
Was bedeutet das für KI in Europa?
Kein Anspruch auf Vollständigkeit – Überraschungsmoment zählt mehr als Perfektion.
Folie 115
Eure Einschätzung
Was bedeutet das für Europa?
Was bedeutet das für euch als KI-Manager:innen?
Folie 116
5. Was ist das KI-Kompetenzprofil?
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Kompetenzprofil Meilenstein 1
Folie 117
Euer KI-Kompetenzprofil – was es ist und was wird es
Step 1
Berufsprofil & Potenzial
Step 2
Prompting & Use Cases
Step 3
Toolkompass
Step 4
Prompt- Bibliothek
Step 5
KI-Playbook Fertig
• Es ist euer persönliches(berufliches) Asset. • Es wächst mit jedem Meilenstein. • Womöglich das vielseitigste Dokument, das ihr je über euch erstellt habt.
Folie 118
8 Dokumente – 20 Tage – ein vollständiges Berufsprofil
01
Berufsprofil
Heute
02
Prozesse & Potential
Morgen
03
KI-Bewusstsein
Tag 6
04
Prompting- Kompetenz
Tag 7
05
Use Cases
Tag 8
06
Toolkompass
Tag 13
07
Prompt- Bibliothek
Tag 3–17
08
Change- Kompetenz
Tag 16
Ihr baut das nicht in einem Tag – ihr baut es über 20 Tage.
Folie 119
KI produziert unterschiedliche Ergebnisse – das ist in diesem Projekt gewünscht
Was alle gemeinsam haben
• Dieselbe Struktur – 8 Dokumente
• Dieselben Meilensteine – Tag 4 bis 20
• Derselbe Systemprompt als Ausgangspunkt
Was individuell ist
• Eure Branche & Berufsrolle
• Eure Aufgaben & Erfahrungen
• Eure Sprache & Formulierungen
Ziel ist nicht das perfekte Dokument – Ziel ist euer Mehrwert für die berufliche Neuorientierung.
Folie 120
6. KI Kompetenzprofil Systemprompt?
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Wie nutzen wir die Ergebnisse von Tag 1?
Folie 121
Euer Systemprompt – Claude in der Rolle des Karriere-Coaches
01
Claude arbeitet in diesem Projekt als persönlicher Karriere-Coach – mit Gedächtnis für alles, was ihr ihm gebt.
02
Er stellt Fragen, hört zu und erarbeitet das Profil gemeinsam mit euch – dialogisch, kein Formular, kein Ausfüllen.
03
Er hat drei eingebaute Kontrollpunkte: Vollständigkeits-Check, Abschluss-Check, Qualitäts-Check.
Das ist euer erster Einblick in Systemprompts – ab Tag 5 werdet ihr ihn selbst erweitern und individualisieren. Je mehr ihr einbringt, desto persönlicher wird euer Coach.
Folie 122
Schritt 1: Systemprompt ins Projekt laden
5 Min.
01
AITI Academy öffnen → Datei herunterladen: Projektprompt-Systemprompt.md
02
Claude-Projekt „Mein KI-Kompetenzprofil“ erstellen
03
Datei 1. lesen 2. kopieren und 3. in die Projektanweisungen einsetzen.
Sprechernotiz
[ Thorsten zeigt live – Download aus Learnworlds, Upload ins Projekt ]
Folie 123
Schritt 2: Testet euren Coach
5 Min.
Starter-Prompt – kopiert diesen in euer Projekt:
„Hallo! Ich bin bereit, mit dir an meinem KI-Kompetenzprofil zu arbeiten. Kannst du dich kurz vorstellen und mir erklären, wie wir zusammenarbeiten werden?“
Was jetzt passiert: Claude stellt sich als euer Karriere-Coach vor und erklärt seinen Arbeitsstil. Schaut, wie er antwortet – und ob ihr spürt, dass der Systemprompt wirkt.
[ Alle testen gleichzeitig – Thorsten zeigt live seine Antwort und gibt 3 Minuten Freiraum ]
Folie 124
7. Kompetenzprofil Meilenstein 1
MODUL 1 Tag 4
Einführung Claude Was kann Claude alles? Was unterscheidet Claude von ChatGPT? Praxisübung: Dreifaltigkeit Was ist das KI-Kompetenzprofil? KI Kompetenzprofil Systemprompt Kompetenzprofil Meilenstein 1
Folie 125
Unser empfohlener Loop – für jeden Meilenstein
01
Prompt befüllen
Platzhalter durch eigene Inhalte ersetzen
02
Abschicken
Claude startet den Dialog
03
Coaching- Gespräch
Bis zum Abschluss-Check
04
MD-Datei ausgeben
Strukturiertes Ergebnis
05
Ins Projekt hochladen
Claude baut darauf auf
Das ist eine Empfehlung – kein Pflichtformat. Ihr seid frei in eurer Erarbeitung. Wer einen anderen Weg findet, der besser zu ihm passt, soll ihn gehen.
Struktur hilft – aber das Gespräch mit Claude gehört euch.
Folie 126
Euer Projekt-Wissen bleibt – bis ihr es aktualisiert
Was das bedeutet
• Claude arbeitet immer mit dem, was im Projekt liegt.
• Ältere Dateien bleiben aktiv bis ihr sie ersetzt.
• Was heute stimmt, stimmt in zwei Wochen vielleicht nicht mehr.
Wann ihr updaten solltet
• Nach jedem Meilenstein – neue MD-Datei hochladen.
• Wenn ihr neue Kenntnisse entwickelt oder bestehende Inhalte weiterentwickelt habt.
• Wenn sich euer Berufsbild oder eure Ziele ändern.
Wer sein Projekt pflegt, bekommt bessere Antworten – immer.
Folie 127
Schritt 3 – Den Erarbeitungsprompt ins Projekt kopieren
3 Min.
Dieser Prompt ist Plug and Play – ihr müsst nichts vorher aufbereiten oder sortieren.
01
AITI Academy öffnen und Datei herunterladen: Erarbeitungsprompt1_Berufsprofil.md
02
Neue Konversation im Projekt „Mein KI-Kompetenzprofil“ starten
03
Prompt kopieren und abschicken – noch kein Material hochladen, das kommt gleich
Sprechernotiz
[ Thorsten zeigt live – Prompt aus Learnworlds herunterladen, in neuen Chat im Projekt einfügen und absenden ]
Folie 128
Schritt 4 – Euer Miro-Material rein – so wie es ist
5 Min.
01
Miro öffnen: Tag-1-Übung „Wer bist du – beruflich?“ und „Was erwartest du – und was bringst du mit?“
02
Screenshots oder Copy-Paste der Sticky Notes in die nächste Nachricht – unstrukturiert, roh, so wie es steht
03
Absenden – Claude ordnet alles zu und stellt 2–3 Rückfragen
Je mehr Material ihr gebt, desto besser wird das Gespräch. Stichworte reichen – aber mehr ist mehr.
[ 5 Minuten – alle sammeln und posten ihr Rohmaterial aus Miro ]
Folie 129
Schritt 5 – 01_berufsprofil.md: Euer erstes Dokument
20 Min.
01
Dialog führen
Claude fragt, ihr antwortet ehrlich und konkret. Wenn der Dialog zu oberflächlich ist: „Frag mich noch mehr dazu.“
02
Kontrollpunkte laufen automatisch
Vollständigkeits-Check, Abschluss-Check, Qualitäts-Check – gesteuert durch den Systemprompt
03
Abschluss-Check bestätigen
MD-Datei erstellen lassen
04
Exportieren & hochladen
Als 01_berufsprofil.md exportieren und ins Projekt-Wissen hochladen
Kein Formular – ein echtes Gespräch. Claude führt euch. Der Systemprompt steuert das Verhalten.
Folie 130
Reflexion, Sicherung & Ausblick auf den nächsten Tag
Folie 131
Tag 4 Abschluss
Das nehmen wir mit
KI ist kein neues Phänomen – aber die Dreifaltigkeit aus Big Data, Rechenleistung und Deep Learning hat den Durchbruch erst möglich gemacht. Deutschland holt auf. Neuronale Netze lernen aus Daten – nicht aus Regeln. Wer das versteht, versteht warum Qualität von Input abhängt. Wir haben Meilenstein 1 gesetzt: Unser KI-Kompetenzprofil lebt – als Projekt das über die nächsten Tage mitwächst.
KI wird nicht alle ersetzen. Aber jemand, der KI einsetzt – und weiß warum.
Folie 132
Ausblick Tag 5
Wir haben zwar über “Narrow AI” gesprochen, aber was ist diese generative KI von der alle sprechen?
Folie 133
Let‘s Checkout
Jede:r erarbeitet den Check-out und wir besprechen es gemeinsam.
1
https://miro.com/app/board/uXjVGjjun1c=/
- https://miro.com/app/board/uXjVGjjun1c=/ aus Folientext erkannt
Sprechernotiz
https://miro.com/app/board/uXjVGjjun1c=/
Folie 134
Vielen Dank! Tag 4 geschafft!
AI Transformation Institute
20. August 2026
Thorsten Gluitz