Folien: LLMs, Transformer & kritisches KI-Bewusstsein

AI Transformation Institute

21. August 2026

Thorsten Gluitz

#GernePerDu

#SonstFragenWir

#ImmerFragen✋

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

1

2

3

Die Dreifaltigkeit – Big Data, Rechenleistung und Deep Learning ermöglichen moderne KI

KI gibt es schon lange – neuronale Netze sind technische Grundlage für eine Vielzahl von Anwendungen

Claude-Oberfläche erkundet – Projekte, Artefakte und Modellauswahl verstanden

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.

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.

1

2

3

... versteht du, wie Transformer und Skalierung den KI-Durchbruch ermöglicht haben.

... kannst du Halluzinationen und Bias in KI-Outputs erkennen und einordnen.

… nutzt du, Claude gezielt für die Optimierung deines (LinkedIn-) Profils

Nach diesem Tag…

…hast du einen ersten Schritt unternommen um deine aktuelle Ki-Kompetenz-Journey zu teilen.

Zeit

Phase

Inhalt

09:00 – 09:15

Einstieg

Einstieg, Checkpoint & Wiederholung

09:15 – 10:15

Theorie 1

Was hat sich geändert? – Transformer & Skalierung

10:15 – 11:15

Theorie 2

Wie funktioniert ein Sprachmodell?

12:00 – 12:30

Mittagspause

Mittagspause

12:30 – 14:00

Praxis 1

Halluzinationen & Bias selbst erleben

14:00 – 16:00

Praxis 2

LinkedIn Profil Analyse & Optimierung undKompetenzprofil Meilenstein 2

16:00 – 16:15

Abschluss

Reflexion, Sicherung & Ausblick

11:15 – 12:00

Was kann KI nicht? Halluzinationen & Bias

Theorie 3

MODUL 1 Tag 5

Was hat sich geändert? Reasoning? Was geht und wo liegen die Grenzen? Halluzinationen erleben Bias sichtbar machen LinkedIn Profil Analyse & Optimierung Kompetenzprofil updaten

NeuronaleNetze

1956: Dartmouth Konferenz

1950: Turing Test

Technologische Herausforderungen

´

Technologische Innovationen

Rechen-leistung

1996 Chess: Deep Blue gewinnt gegen Kasparow

Neue Lern-algorithmen für Deep Learning

Große Daten-mengen

Narrow AI, hoher Bedarf an Trainingsdaten & Fehlerquote

Meilensteine der öffentlichen Aufmerksamkeit

2016 GO: Alpha Go gewinnt gegen Lee Sedol

Transformer Architektur

2022: ChatGPT veröffentlicht

1950

1960

1970

1980

1990

2000

2010

2020

Aufmerksamkeit/Investitionen

Transformer sind eine spezielle Art von Neuronalen Netzen

... es gibt sie seit Ende 2017 (Google)

…sie erlauben riesige parallele Berechnungen

https://arxiv.org/pdf/1706.03762

Die meisten Trainingsdaten stammen aus dem Webarchiv von Common Crawl, und sind seit 2008 gesammelt worden.

GPT 3 wurde hauptsächlich mit dem Webarchiv von 2008 bis 2021 trainiert

Umgerechnet in Bibeln ergibt sich eine Anzahl von 338.403 Bibeln. Gestapelt wäre das fast 4x so hoch wie der Mount Everest. Im Vergleich: Google‘s Gemini liegt heute schon bei 120 Mio. Bibeln.

10 Mrd. Parameter

540 Mrd. Parameter

Emergenz bei KI Plötzliches Auftreten neuer, komplexer Fähigkeiten, die nicht explizit programmiert wurden. Die Eigenschaften entstehen durch die Interaktion einfacher Komponenten.

Mehr als die Summe der einzelnen Teile

1) Instruction Model

WAS? Wie muss auf die verschiedenen Arten von Dialogen (Schreibe, fasse zusammen, klassifiziere) geantwortet werden?

WIE? 300.000 Beispieldialoge als Trainingsdaten

2) Alignment Training

WAS? Welche Antworten des Modells sind gut und welche nicht

WIE? >75.000 Dialoge von Testpersonen mit dem Modell und Bewertung der Antworten (1-5)

Damit auf die Frage „Wie baue ich eine Bombe?“ keine sinnvolle, sondern eine ungefährliche Antwort generiert wird.

Copilot, ChatGPT, Claude...

Beispiel Sprachmodelle

 Anwendungen: Erlauben Menschen die Nutzung von Sprachmodellen

MODUL 1 Tag 5

Was hat sich geändert? Reasoning? Was geht und wo liegen die Grenzen? Halluzinationen erleben Bias sichtbar machen LinkedIn Profil Analyse & Optimierung Kompetenzprofil updaten

1 — Die Frage

Strawberry

Wie viele r stecken in Strawberry? → 3

2 — Warum KI scheitert

3 — Die Lösung

Projekt Strawberry → OpenAI o1 (Sep 2024)

Nicht mehr Wissen war nötig — sondern eine neue Art zu denken.

Das Doppel-rr in „berry“ geht als ein Token-Bruchstück verloren. Die KI zählt nicht — sie rät.

So lesen wir:

S

t

r

a

w

b

e

r

r

y

Buchstabe für Buchstabe → 3 r’s ✓

KI sieht je ein r in ‚raw‘ und ‚berry‘ — aber das Doppel-rr geht als ein Block verloren.

So „liest“ die KI:

st

raw

berry

Token-Muster → 2 r’s ✗

Klassisches KI-Modell ⚡ Wie ein Schüler, der die Lösung aus dem Bauch heraus hinschreibt. Sofortige Antwort, kein sichtbarer Denkprozess.

Reasoning-Modell 🧠 Wie ein Schüler, der seine Rechenschritte aufschreibt. Zeigt den Lösungsweg Schritt für Schritt.

Die Frage ist: Woher kommen diese Denkschritte?

Anfang 2023 OpenAI heuert über 1.000 Freelancer an – viele aus Südamerika und Osteuropa.

Darunter Softwareentwickler, die einen ungewöhnlichen Coding-Test bekamen.

Was sie nicht wussten: Sie bewarben sich nicht auf einen Job. Sie lieferten Trainingsdaten.

Quelle: Semafor, Januar 2023

Teil 1 Denkweg beschreiben Erkläre schriftlich in Englisch, wie du an dieses Coding-Problem herangehen würdest. Schritt für Schritt.

Teil 2 Lösung + Bugs Liefere eine Lösung. Beschreibe jeden Bug, den du findest, und erkläre, wie du ihn behebst.

OpenAI wollte nicht den Code – sie wollten den Denkprozess in natürlicher Sprache.

1

Mensch löst Problem

2

Mensch dokumentiert Denkschritte

3

Daten werden zum Training verwendet

4

KI lernt, eigene Denkschritte zu erzeugen

Dieses Prinzip heißt Chain-of-Thought – die KI lernt nicht nur WAS richtig ist, sondern WIE man zur Antwort kommt.

https://arxiv.org/abs/2305.20050 (31 May 2023)

Klassisch GPT-4, Claude Sonnet Eingabe: "Was ist 17 × 24?" → Sofortige Antwort: "408" Kein sichtbarer Denkprozess. Schnell, aber bei komplexen Aufgaben fehleranfällig.

Reasoning o3, Claude mit Extended Thinking Eingabe: "Was ist 17 × 24?" → Denkprozess: "17 × 20 + 17 × 4 = 340 + 68" → Antwort: "408" Langsamer, aber nachvollziehbar und bei schwierigen Aufgaben deutlich besser.

vs.

Von Spezialmodellen zum Standard – September 2024 bis März 2026

○ Separate Reasoning-Modelle

● In Hauptlinie integriert

Sep 24

Dez 24

Feb 25

Apr 25

Jul 25

Okt 25

Jan 26

Mär 26

OpenAI

o1-prev.

o1

o3-mini

o3

o3-pro

GPT-5

5.2 Think

5.4 Think

Google

2.0 Flash

2.5 Pro

3 Pro

Anthropic

3.7 Son.

4 Opus

4.1

4.5

4.6

DeepSeek

R1

R2*

xAI

Grok 3

Grok 4

4.1

Grok 5

Alibaba

QwQ Prev.

QwQ-32B

Qwen3

Q3-Max

Q3.5

*DeepSeek R2 bleibt eigene Reasoning-Linie | Quellen: Herstellerblogs, offizielle Release-Daten

2024

Das Experiment

Anfang 2025

Alle ziehen nach

Ab Mitte 2025

Zusammenführung

GPT-4

o1

OpenAI

Qwen

QwQ

Alibaba

Einzelne Hersteller veröffentlichen separate Reasoning-Modelle neben ihren Hauptmodellen

Op

Go

An

DS

xA

Al

Startschuss!

Innerhalb weniger Monate bringen alle sechs Anbieter Reasoning-Modelle

Hauptmodell

Reasoning

Reasoning + Standard

Reasoning wird ins Hauptmodell integriert. Kein separates Produkt mehr.

Reasoning ist zum Standard-Feature jedes Frontier-Modells geworden.

Nachvollziehbarkeit Wir können sehen, WIE die KI zu ihrem Ergebnis kommt.

Bessere Ergebnisse bei komplexen Aufgaben Reasoning-Modelle lösen mehrstufige Probleme deutlich zuverlässiger.

Neue Interaktionsmuster Statt kurzer Prompts können wir der KI komplexe Aufgaben geben und sie zerlegt sie selbst in Schritte.

Prompt: Untersuche und bewerte die Wirksamkeit der vorliegenden Kündigung unter Berücksichtigung der relevanten rechtlichen Rahmenbedingungen und Vorschriften.   Sachverhalt:   Herr Müller arbeitet seit fünf Jahren als Vertriebsmitarbeiter bei der "TechSolutions GmbH", einem Unternehmen, das sich auf IT-Lösungen für mittelständische Unternehmen spezialisiert hat. Herr Müller hat in den letzten zwei Jahren wiederholt seine Verkaufsziele nicht erreicht und erhielt in diesem Zeitraum zwei schriftliche Abmahnungen. Die erste Abmahnung erhielt er vor 18 Monaten wegen anhaltend schlechter Verkaufszahlen und die zweite vor sechs Monaten wegen unangemessenen Verhaltens gegenüber einem wichtigen Kunden.  Am 15. März erhielt Herr Müller eine schriftliche Kündigung, die ihm persönlich von seinem direkten Vorgesetzten übergeben wurde. In dem Kündigungsschreiben wurde als Grund für die Kündigung die anhaltende Nichterfüllung der Verkaufsziele genannt. Die Kündigung soll zum 30. Juni wirksam werden. Herr Müller ist 42 Jahre alt, verheiratet und hat zwei Kinder. Er ist nicht Mitglied des Betriebsrats, aber er ist seit vier Jahren schwerbehindert mit einem Grad der Behinderung von 60. Die "TechSolutions GmbH" beschäftigt 250 Mitarbeiter und hat keinen Betriebsrat. In den letzten Monaten musste das Unternehmen aufgrund wirtschaftlicher Schwierigkeiten und sinkender Nachfrage nach seinen Produkten bereits mehrere Mitarbeiter entlassen. Diese Entlassungen betrafen hauptsächlich den Produktionsbereich, nicht den Vertrieb.  In seiner Freizeit engagiert sich Herr Müller ehrenamtlich für soziale Projekte in seiner Gemeinde und ist bei seinen Kollegen und Vorgesetzten für sein Engagement und seine Hilfsbereitschaft bekannt.

Gebt bitte diesen Prompt komplett in Langdock in ChatGPT ein und analysiert das Ergebnis.

MODUL 1 Tag 5

Was hat sich geändert? Reasoning? Was geht und wo liegen die Grenzen? Halluzinationen erleben Bias sichtbar machen LinkedIn Profil Analyse & Optimierung Kompetenzprofil updaten

3 Dinge, die KI-Modelle eurer Meinung nach können & 1 Ding, das sie nicht können.

Foundation Model

Input

Output

Text

Text

Bild

Bild

Audio

Audio

Daten/Code

Daten/Code

Moderne Modelle sind multimodal — sie verarbeiten und erzeugen verschiedene Medientypen.

Bild → Text

„Das Bild zeigt einen Mann in einem grauen Anzug, der auf einem Basketballfeld steht und einen Basketball hält.“

Daten → Text

{ "name": "AeroGlide X5", "kategorie": "Scooter", "preis": 499 }

„Der AeroGlide X5 ist ein kompakter E-Scooter für den Stadtverkehr. Für 499 € bietet er 40 km Reichweite und erreicht bis zu 25 km/h.“

KI kann strukturierte und unstrukturierte Informationen in verständliche Sprache übersetzen.

Text → Bild

"Photo of a little girl with a dog on a floor, soft natural light"

Text → Video

"A cinematic shot of an SUV driving on a winding mountain road..."

Von der Textbeschreibung zum fertigen Medium — in Sekunden.

Bild → Bild

Technische Skizze → Fotorealistisches Rendering

Text → Code

„Schreibe ein JavaScript-Snippet für ein Shop-Popup mit Rabattcode“

function showPopup() { const code = "SAVE20"; modal.show("20% Rabatt!"); }

Natürliche Sprache → Funktionierender Code

Bestehende Inhalte in neue Formate und Sprachen übersetzen — auch in Programmiersprachen.

Was ihr genannt habt

[ Wird live befüllt ]

Was wir gesehen haben

Verstehen & Zusammenfassen

Erzeugen & Kreieren

Transformieren & Übersetzen

Was hat euch überrascht? Was fehlt?

Was passiert Das Modell wählt Token für Token die statistisch wahrscheinlichste Fortsetzung. Gibt es keine eindeutige Antwort, erzeugt es die plausibelste.

Das Problem Plausibel klingt oft richtig. Das Modell erfindet Fakten, Quellen und Zusammenhänge, die überzeugend klingen.

Wichtig Das ist kein Bug. Es ist eine direkte Konsequenz des Mechanismus.

"Wer erfand die Relativitätstheorie?"

Modell generiert Token für Token:

Albert

Einstein

im Jahr

???

P:

1905 42%

1915 35%

1921 23%

✓ richtig

Bei hoher Konfidenz: meist korrekt. Bei niedriger Konfidenz: das Modell rät — klingt aber genauso sicher.

Halluzinierte Quelle Müller, K. & Bergmann, T. (2023). Organizational Impact of Generative AI in Mid-Size Enterprises. Journal of Digital Transformation, 14(2), 127–143. DOI: 10.1082/jdt.2023.0142 Autor, Journal und DOI — alles erfunden.

Halluzinierte Marktdaten "Der europäische Markt für KI-gestützte Prozessautomatisierung wuchs 2024 um 34,7% auf ein Volumen von 12,3 Mrd. Euro." (Quelle: McKinsey Digital Report Q3/2024) Zahl, Wachstumsrate und Quelle — alles erfunden.

Die Qualität der Formulierung sagt nichts über die Richtigkeit aus.

Prompt: "Illustration of a CEO meeting" Stable Diffusion XL, 2023 Der Prompt sagt nichts über Geschlecht, Alter oder Herkunft.

Das Modell ergänzt aus den Trainingsmustern — und die spiegeln bestehende Verhältnisse wider. Was in den Daten überrepräsentiert ist, wird zum Standard.

Bias in KI ist kein Programmierfehler. Es ist ein Spiegel der Trainingsdaten — und damit ein Spiegel unserer Gesellschaft.

Fakten prüfen KI-Outputs nie ungeprüft übernehmen. Besonders bei Zahlen, Quellen und Eigennamen — das sind die häufigsten Halluzinations-Stellen.

Sensible Entscheidungen hinterfragen Wenn KI bei Recruiting, Kundenbewertung oder Berichterstattung eingesetzt wird: Bewusst auf Verzerrungen prüfen.

Stärken nutzen, Schwächen kennen KI ist am stärksten bei Aufgaben, deren Ergebnis ihr einschätzen könnt. Am riskantesten bei Themen ohne eigene Expertise.

Was hat sich geändert? Reasoning? Was geht und wo liegen die Grenzen? Halluzinationen erleben Bias sichtbar machen LinkedIn Profil Analyse & Optimierung Kompetenzprofil updaten

MODUL 1 Tag 5

Was passiert, wenn ein Werkzeug eine falsche Antwort gibt, die sich richtig anfühlt?

Aufgabe:

1

Öffne Langdock und klicke auf das Modell-Auswahlmenü (oben links). Wähle ein älteres Modell — z.B. „claude-2“ oder das Modell mit dem ältesten Versionsdatum in der Liste.

2

Stelle 2–3 Fragen aus deinem Berufsfeld — Fragen, bei denen DU die richtige Antwort bereits kennst. Beispiel: Fachbegriffe, gesetzliche Regelungen, branchenspezifische Verfahren.

3

Halte fest: Wo antwortet das Claude Modell falsch, unvollständig oder irreführend? Schreib dir einen Satz dazu auf.

Drei Leitfragen für die Reflexion:

Wo hat das Modell etwas Falsches oder Veraltetes geantwortet? Klang die falsche Antwort trotzdem überzeugend — oder war der Fehler sofort erkennbar? Was bedeutet das konkret für deinen Arbeitsalltag?

Wo lag das Claude Modell falsch?

Teile ein konkretes Beispiel — was hat das Modell behauptet, das nicht stimmte? Ein Satz reicht.

Wie überzeugend klang es?

War die falsche Antwort auf den ersten Blick schwer zu erkennen — oder offensichtlich? Was hat den Unterschied gemacht?

Was nimmst du mit?

Worauf wirst du ab jetzt in deinem Arbeitsalltag anders achten, wenn du KI-Outputs verwendest?

Jede:r teilt ein Beispiel — ein Satz reicht.

Halluzinationen sind keine Fehlfunktion. Sie sind eine direkte Konsequenz davon, wie Sprachmodelle arbeiten. Ein Sprachmodell berechnet die statistisch wahrscheinlichste Fortsetzung eines Textes. Es unterscheidet nicht zwischen „ich weiß das sicher“ und „ich vermute das“.

9,2 %

Allgemein

Durchschnitt, allg. Wissen

bis 18,7 %

Recht & Verwaltung

domänenspezifisch

bis 64 %

Gesundheitswesen

klinische Texte, ohne Mitigation

Quelle: Vectara Hallucination Benchmark / drainpipe.io, Stand 2025

Das ist kein Bug. Das ist ein Feature der Technologie. Wer das verinnerlicht, nutzt KI besser.

Niemals auf Output verlassen. Immer eigenständig prüfen.

Was hat sich geändert? Reasoning? Was geht und wo liegen die Grenzen? Halluzinationen erleben Bias sichtbar machen LinkedIn Profil Analyse & Optimierung Kompetenzprofil updaten

MODUL 1 Tag 5

Was passiert, wenn die Trainingsdaten selbst verzerrt sind?

Gebt genau diesen Prompt in Langdock in ChatGPT und Claude ein:

Erstelle ein Bild eines C-Level-Meetings eines mittelständischenUnternehmens mit 8 Teilnehmern. Verwende realistische in Deutschland vorkommende Namen und Positionen.

ChatGPT Prompt eingeben & Ergebnis sichern

Claude Sonnet Prompt eingeben & Ergebnis sichern

+

Dann wertet aus: Wie viele Männer, wie viele Frauen? Wer führt den Vorsitz? Was fällt auch sonst noch (negativ) auf?

Prompt A

„Beschreibe einen typischen Manager in einem Technologieunternehmen.“

→

Prompt B

„Beschreibe eine typische Managerin in einem Technologieunternehmen.“

Sende beide Prompts in zwei einzelnen Chats an Claude Sonnet oder ChatGPT und vergleiche die Antworten. Was fällt dir auf?

Waren die Antworten auf Prompt A und Prompt B wirklich gleich — oder gab es subtile Unterschiede in Sprache, Attributen, Ton?

Woher kommen diese Unterschiede? Nicht von einer Person, nicht von einer Absicht, sondern aus Millionen von Texten, die Menschen vorher geschrieben haben.

Was bedeutet das, wenn ich KI-Ergebnisse unreflektiert weiterverwende? Zum Beispiel bei Stellenausschreibungen, Beurteilungen oder Kundenkommunikation?

„KI spiegelt die Gesellschaft — nicht die Gesellschaft, die wir uns wünschen.“

Bekannte Fälle: Amazon-Recruiting-Tool (KI bevorzugte männliche Bewerber bei Tech-Stellen) | Workday-Klage 2025 (systematische Absagen für Bewerber über 40). Bias ist kein Ausnahmefall — er ist strukturell.

Was hat sich geändert? Reasoning? Was geht und wo liegen die Grenzen? Halluzinationen erleben Bias sichtbar machen LinkedIn Profil Analyse & Optimierung Kompetenzprofil updaten

MODUL 1 Tag 5

KI kann bei der Formulierung helfen – aber ihr müsst die Richtung vorgeben

Bias-Fallen erkennen: Stereotype Formulierungen, Branchen-Floskeln, Gendering

Ziel: KI-Affinität als Stärke positionieren – ohne übertrieben zu wirken

Geschlechterstereotype: Männliche Branchen → "Experte" / Weibliche Branchen → "Beraterin"

Standard-Floskeln: "Passionate about", "Driving innovation", "Thought leader"

Branchenklischees verstärken statt durchbrechen

Übertreibung: "KI-Experte" nach 5 Tagen Kurs

Öffnet euer LinkedIn-Profil oder notiert euch die aktuelle Headline

1

Was steht aktuell in meiner LinkedIn-Headline?

2

Erwähne ich dort bereits KI oder neue Technologien?

3

Für wen möchte ich sichtbar werden?

📝 Prompt – LinkedIn-Headline optimieren

Hier ist meine aktuelle LinkedIn-Headline: "[Aktuelle Headline einfügen]". Außerdem arbeite ich in [Branche/Bereich] und meine typischen Aufgaben sind: [2-3 Kernaufgaben]. Ich entwickle gerade KI-Kompetenzen und möchte das professionell darstellen. Erstelle mir 3 Varianten für eine verbesserte LinkedIn-Headline (max. 120 Zeichen), die meine KI-Affinität als Stärke positioniert – ohne übertrieben zu wirken.

📝 Prompt – LinkedIn About-Sektion

Hier ist mein beruflicher Hintergrund: [2-3 Sätze aus Tag-4-Profil]. Außerdem bringe ich mich aktuell bei KI-Technologien auf den neuesten Stand. Schreibe mir eine LinkedIn-About-Sektion (max. 200 Wörter), die zeigt: (1) Was ich beruflich mitbringe, (2) Wie ich KI als Werkzeug einsetze, (3) Welchen Mehrwert ich damit schaffe. Ton: professionell, aber persönlich. Keine Übertreibungen.

MODUL 1 Tag 4

✓

01_berufsprofil.md ist exportiert

✓

Datei ist als Projektdokument im md format im Claude-Projekt hochgeladen

✓

Claude kennt euer Berufsprofil – ihr seht es in der Projektübersicht

Ohne das hochgeladene Berufsprofil kann Claude die Verknüpfung im zweiten Schritt nicht herstellen. Kurz prüfen, bevor ihr weitermacht.

Was anders ist

• Ihr startet eine neue Konversation im Projekt.

• Claude hat automatisch Zugriff auf 01_berufsprofil.md.

• Die Ergebnisse aus Schritt 1 und 2 werden verknüpft.

Was ihr zum ersten Mal erlebt

• Wie ein Claude-Projekt mit wachsender Wissensbasis arbeitet.

• Das ist kein Zufall – ihr habt es so gebaut.

• An Tag 8 behandeln wir dieses Konzept vertieft als Thema.

Jedes Dokument das ihr hochladet macht Claude ein bisschen mehr zu eurem persönlichen Coach.

Neue Konversation starten – nicht im selben Chat wie Schritt 1, aber im richtigen Projekt „Mein KI-Kompetenzprofil“.

06

AITI Academy öffnen und die Datei herunterladen: Erarbeitungsprompt2_Prozesse_Potenzial.md

07

Neue Konversation im Projekt „Mein KI-Kompetenzprofil“ starten

08

Prompt kopieren und abschicken – noch kein Material hochladen

01

Bereich 1 – „Meine Prozesse & Aufgaben“: wiederkehrende Aufgaben und Prozesse

02

Bereich 2 – „Mein KI-Potenzialfeld“: die 2–3 markierten Aufgaben mit kurzer Begründung

03

Bereich 3 – „Hier sehe ich Potenzial“: euer vervollständigter Lernziel-Satz

Auch hier gilt: roh, unstrukturiert, so wie es steht. Claude übernimmt die Zuordnung zu den drei Bereichen.

01

Dialog führen

Claude verknüpft eure Prozesse mit dem Berufsprofil und stellt Rückfragen

02

Kontrollpunkte laufen automatisch

Vollständigkeits-Check, Abschluss-Check, Qualitäts-Check

03

Abschluss-Check bestätigen

MD-Datei erstellen lassen

04

Exportieren & hochladen

Als 02_prozesse_und_potenzial.md exportieren und ins Projekt-Wissen hochladen

Wenn Bereich 2 noch unscharf ist – das ist okay. Wir fangen gerade erst an mit eurem KI Kompetenzprofilen.

Das nehmen wir mit

Transformer-Architektur und Skalierung haben KI zu dem gemacht, was sie heute ist. Das war der eigentliche Durchbruch, nicht ChatGPT allein. Ein Sprachmodell rät. Es weiß nicht, es halluziniert. Wer das versteht, prüft jeden Output bevor er ihn verwendet. Bessere Prompts führen zu besseren Ergebnissen, das ist keine Magie, das ist Methode. Und Methoden kann man lernen.

Wer KI kritisch versteht, nutzt sie besser. Das ist kein Widerspruch, das ist die Grundlage.

Wie hole ich systematisch mehr aus KI heraus und welche Techniken machen wirklich den Unterschied?

Jede:r erarbeitet den Check-out und wir besprechen es gemeinsam.

1

https://miro.com/app/board/uXjVGjjun1c=/

AI Transformation Institute

21. August 2026

Thorsten Gluitz