Regen draußen, Ideen drinnen: Wie ich mich mit KI weiterbilde

Es gibt Tage, da schaut man aus dem Fenster und die Berge haben beschlossen, heute ohne Publikum aufzutreten. Grau. Nass. Die Wolken hängen so tief, dass man ihnen beinahe einen Kaffee anbieten möchte.

Für meine Weiterbildung sind solche Tage ziemlich brauchbar. Der Rechner steht bereit, die Neugier sowieso. Und während draußen das Wasser von oben nach unten arbeitet, beschäftige ich mich damit, wie künstliche Intelligenz im Arbeitsalltag tatsächlich weiterhilft.

Schlechtes Wetter nutze ich gerne, um KI besser zu verstehen, kleine Anwendungen auszuprobieren und Ergebnisse kritisch zu prüfen. Entscheidend ist für mich, ob ich danach eine konkrete Aufgabe besser lösen und die Lösung verständlich erklären kann.

Das ist meine Vorstellung von KI-Weiterbildung: lesen, ausprobieren, scheitern, nachbessern. Kaffee nachfüllen gehört gelegentlich dazu. Ein offizielles Lernziel ist das allerdings noch nicht.

Warum Regentage für meine KI-Weiterbildung gut funktionieren

Natürlich brauche ich keinen Regen, um etwas zu lernen. Aber wenn das Wetter draußen wenig Überzeugungsarbeit leistet, fällt es leichter, bei einer Frage zu bleiben. Eine Dokumentation in Ruhe lesen. Einen Gedanken fertig ausprobieren. Ein Ergebnis noch einmal hinterfragen, obwohl der erste Versuch bereits ganz ordentlich aussieht.

Gerade bei KI ist diese zweite Runde oft die interessante. Eine Anwendung liefert schnell eine beeindruckende Antwort. Ob sie auch bei einer unvollständigen Anfrage, einem ungewöhnlichen Dokument oder einem widersprüchlichen Auftrag brauchbar bleibt, zeigt sich später.

Dieses „Später“ bekommt an einem ruhigen Regentag Platz. Zwischen zwei Terminen schaut man leicht auf das Ergebnis. Mit etwas mehr Zeit schaut man auch auf den Weg dorthin.

Mein Ziel ist deshalb kein möglichst voller Werkzeugkasten. Ich möchte genauer beurteilen können, welches Werkzeug zu welcher Aufgabe passt – und wo seine Grenzen liegen.

Die Neugier war schon vor ChatGPT da

Meine Begeisterung für Computer begann 1982 mit einem Sinclair Spectrum. Kleine Tastatur, große Fragen. Was kann dieses Ding? Warum tut es gerade nicht, was ich möchte? Und was passiert, wenn ich es anders versuche?

Die Geräte haben sich verändert. Die Fragen sind erstaunlich beständig geblieben.

Seit 2006 bin ich selbständig und entwickle Websites, Webportale und Websoftware. Mit künstlicher Intelligenz habe ich mich bereits beschäftigt, bevor ChatGPT und vergleichbare Angebote allgemein bekannt wurden. Heute kommt zu der Neugier eine praktische Frage dazu: Was davon hilft den Menschen, mit denen ich arbeite?

Ein neues Modell kann interessant sein. Für ein Unternehmen ist aber häufig etwas viel Bodenständigeres wichtig: weniger doppelte Dateneingabe, schneller auffindbares Wissen oder eine brauchbare Vorbereitung wiederkehrender Kundenanfragen.

Mehr über diesen Weg vom Sinclair Spectrum zur heutigen Arbeit erzähle ich auf meiner Über-mich-Seite. Die Kurzversion: Die Neugier ist geblieben. Der Kaffee ist dazugekommen.

So gehe ich beim Lernen vor: eine Frage statt zwanzig offener Tabs

Das Internet stellt ausreichend Material bereit, um mehrere Regentage gleichzeitig zu beschäftigen. Tutorials, neue Werkzeuge, Modellvergleiche, Videos und die nächste sensationelle Ankündigung. Wer alles verfolgen will, lernt am Ende vor allem, wie viele Tabs ein Browser aushält.

Deshalb hilft mir eine konkrete Ausgangsfrage. Zum Beispiel: Wie lässt sich aus einer unstrukturierten E-Mail ein nachvollziehbarer Antwortentwurf vorbereiten? Oder: Wie kann eine Anwendung erkennen lassen, welche Angaben fehlen?

Eine solche Frage gibt dem Lernen eine Richtung. Ich kann gezielt recherchieren, ein überschaubares Beispiel bauen und anschließend prüfen, ob ich weitergekommen bin.

1. Die Aufgabe in einem Satz beschreiben

Bevor ich ein Werkzeug öffne, versuche ich die Aufgabe verständlich zu formulieren. Etwa: „Aus einer Kundenanfrage sollen Anliegen, vorhandene Informationen und offene Fragen hervorgehen.“

Das klingt unspektakulär. Es verhindert aber, dass aus einer kleinen Aufgabe versehentlich eine Raumfahrtmission wird. Wenn schon der erste Satz nicht verständlich ist, macht ein zusätzliches KI-Werkzeug ihn selten verständlicher.

2. Erst Grundlagen und Originalquellen lesen

Eine anschauliche Erklärung kann den Einstieg erleichtern. Für technische Entscheidungen schaue ich anschließend möglichst in die Dokumentation des jeweiligen Anbieters und in geeignete Grundlagenmaterialien. Was wird tatsächlich beschrieben? Unter welchen Bedingungen funktioniert ein Beispiel? Welche Einschränkungen werden genannt?

Für einen systematischen Einstieg bietet beispielsweise der Machine Learning Crash Course von Google Erklärungen und praktische Übungen. Er behandelt unter anderem Grundlagen des maschinellen Lernens und große Sprachmodelle. Solche Materialien sind eine Ergänzung zum eigenen Ausprobieren; die passende Tiefe hängt davon ab, was man verstehen oder entwickeln möchte.

Ich muss nicht für jede Aufgabe jedes mathematische Detail beherrschen. Aber ich möchte die verwendeten Begriffe so gut verstehen, dass daraus nachvollziehbare Entscheidungen werden.

3. Ein kleines, überschaubares Experiment bauen

Danach wird ausprobiert. Lieber eine klar begrenzte Aufgabe mit wenigen erfundenen Beispielen als sofort eine große Anwendung mit allem, was technisch möglich wäre.

Ein erster Test kann darin bestehen, Informationen aus einem Text in eine feste Struktur zu bringen. Ein anderer vergleicht zwei Anweisungen. Oder ich prüfe, ob eine Antwort ihre Grundlage erkennen lässt und fehlende Informationen ausdrücklich benennt.

Wichtig ist die Überschaubarkeit. Wenn ich gleichzeitig das Modell, die Eingaben, die Anweisung und den gesamten Ablauf ändere, weiß ich hinterher kaum, weshalb ein Ergebnis besser oder schlechter geworden ist.

4. Das Ergebnis absichtlich ins Stolpern bringen

Wenn der erste Versuch gut aussieht, bekommt er Gegenwind. Unvollständige Angaben. Eine doppeldeutige Formulierung. Ein Text, der nicht zur Aufgabe passt. Eine Information, die der Anwendung ausdrücklich fehlt.

Für mich gehört zu guter KI-Weiterbildung auch, Fehler sichtbar zu machen. Eine Anwendung, die ihre Grenzen erkennen lässt, kann im Alltag hilfreicher sein als eine, die auf jede Frage selbstbewusst irgendetwas antwortet.

Das ist auch der Moment, in dem der Kaffee gelegentlich kalt wird. Der Rechner hat gerade etwas behauptet, das so überzeugend klingt, dass man unbedingt herausfinden möchte, wie er darauf kommt.

5. Festhalten, was funktioniert hat – und was nicht

Am Ende halte ich die Ausgangsfrage, die ausprobierte Vorgehensweise und die wichtigsten Beobachtungen fest. Dazu gehören die Fehlversuche. Besonders die, bei denen die vermeintliche Verbesserung gar keine war.

Hilfreich sind konkrete Notizen: Welche Eingabe war problematisch? Welche Information fehlte? Was wurde verändert? Welche Prüfung bleibt bei einem Menschen?

„Hat irgendwie funktioniert“ ist als Notiz ungefähr so hilfreich wie „War irgendwo bei den Bergen“ als Wegbeschreibung. Für den nächsten Versuch darf es etwas genauer sein.

Ein Beispiel: Kundenanfragen vorbereiten, ohne Termine zu erfinden

Nehmen wir eine frei erfundene Anfrage: „Wir brauchen eine neue Website, möglichst bald. Können Sie uns sagen, was das kostet?“

Das ist ein guter Ausgangspunkt für ein Lernexperiment. Ein Sprachmodell kann daraus einen freundlichen Antwortentwurf erstellen. Interessant wird aber, ob es dabei sauber zwischen vorhandenen und fehlenden Angaben unterscheidet.

Bekannt sind zunächst nur der Wunsch nach einer Website und eine ungenaue zeitliche Vorstellung. Unbekannt bleiben unter anderem Umfang, Funktionen, vorhandene Inhalte und Budget. Ein sinnvoller Entwurf sollte diese Lücken aufgreifen. Er sollte keine Preise oder verfügbaren Umsetzungstermine erfinden.

Eine mögliche Übungsanweisung lautet:

„Bereite aus dieser Anfrage einen kurzen Antwortentwurf vor. Verwende ausschließlich die angegebenen Informationen. Ergänze keine Preise, Termine oder Leistungszusagen. Benenne fehlende Angaben und formuliere höchstens drei passende Rückfragen. Wenn etwas unklar ist, schreibe das ausdrücklich.“

Danach reicht mir ein schön formulierter Absatz noch nicht. Ich prüfe, ob die Anweisung eingehalten wurde. Und ich verändere das Beispiel: Was passiert, wenn ein konkreter Termin gefordert wird? Wenn sich Angaben widersprechen? Wenn die Anfrage eine Leistung nennt, die gar nicht angeboten wird?

Eine solche Übung zeigt schnell, weshalb die Prüfung und Freigabe von Antworten Teil des Ablaufs bleiben müssen. Die Anweisung hilft, ersetzt aber keine Kontrolle.

Wie diese Kontrolle im Alltag aussehen kann, beschreibe ich im Beitrag „Klingt gut. Stimmt es auch? KI-Ergebnisse im Alltag prüfen“.

Was ich dabei über Prompts, Daten und Automatisierung lernen möchte

Beim Lernen geht es nicht nur darum, einen einzelnen Text besser zu formulieren. Mich interessiert das Zusammenspiel: Welche Informationen bekommt die Anwendung? Welche Aufgabe soll sie erfüllen? Wie wird das Ergebnis weiterverwendet?

Gute Anweisungen beginnen mit einer klaren Aufgabe

Ein Prompt ist die Anweisung an ein KI-System. Für eine brauchbare Übung beschreibe ich möglichst konkret das Ziel, die verfügbaren Informationen, das gewünschte Ausgabeformat und die Grenzen.

„Mach das professionell“ lässt viel offen. „Schreibe einen verständlichen Antwortentwurf für einen kleinen Handwerksbetrieb, verwende nur diese Leistungsbeschreibung und kennzeichne offene Fragen“ bietet mehr Orientierung.

Auch dann können Fehler auftreten. Aber ich kann genauer prüfen, woran der Versuch gescheitert ist.

Der verfügbare Kontext macht einen Unterschied

Mit Kontext meine ich hier die Informationen, die einer Anwendung für eine Aufgabe zur Verfügung stehen: etwa eine Produktbeschreibung, ausgewählte Unterlagen oder klar abgegrenzte Textabschnitte.

Bei einer Übung kann ich testen, welche Angaben notwendig sind und welche nur ablenken. Außerdem lässt sich prüfen, ob das Ergebnis noch auf den bereitgestellten Informationen beruht oder bereits Dinge ergänzt, die dort gar nicht stehen.

Für einen Wissensassistenten ist beispielsweise wichtig, dass eine genannte Quelle tatsächlich erreichbar ist und die Antwort belegt. Ein hübscher Quellenhinweis ist zunächst nur ein hübscher Quellenhinweis. Öffnen muss man ihn trotzdem.

Eine einfache Lösung darf einfach bleiben

Manche Aufgaben brauchen ein Sprachmodell. Andere lassen sich mit festen Regeln, einer Vorlage oder einer besseren Verbindung bestehender Werkzeuge lösen. Diese Möglichkeiten möchte ich beim Lernen auseinanderhalten können.

Auch Anthropic empfiehlt im technischen Beitrag „Building effective agents“, mit einfachen Ansätzen zu beginnen und zusätzliche Komplexität am tatsächlichen Bedarf auszurichten. Der Beitrag unterscheidet unter anderem zwischen vorgegebenen Arbeitsabläufen und Systemen, die ihren Weg stärker selbst bestimmen.

Für meine Arbeit heißt das: Zuerst verstehen, was die Aufgabe erfordert. Anschließend entscheiden, wie viel Technik dafür sinnvoll ist. Wenn eine saubere Vorlage genügt, darf die Vorlage gewinnen. Sie muss dafür kein Bewerbungsgespräch gegen einen KI-Agenten führen.

Meine Prüffragen: Wann hat ein Experiment wirklich etwas gebracht?

Eine eindrucksvolle Vorführung ist ein Anfang. Für eine brauchbare Einschätzung brauche ich nachvollziehbare Kriterien. Bei einem Lernexperiment können das diese Fragen sein:

• Stimmen die Angaben? Lassen sich Namen, Zahlen, Eigenschaften und Aussagen mit dem Ausgangsmaterial abgleichen?
• Werden Lücken sichtbar? Erkennt man, welche Informationen fehlen oder unsicher sind?
• Bleibt die Anwendung bei ihrer Aufgabe? Oder ergänzt sie ungefragt Zusagen, Bewertungen oder neue Arbeitsschritte?
• Wie viel Nacharbeit entsteht? Ein schneller Entwurf ist wenig gewonnen, wenn seine Korrektur länger dauert als die ursprüngliche Aufgabe.
• Funktioniert der Ansatz bei unterschiedlichen Beispielen? Ein einzelner Glückstreffer reicht nicht als Entscheidungsgrundlage.
• Ist das Ergebnis verständlich? Kann die Person, die später damit arbeitet, es prüfen und sinnvoll verwenden?

Ich kann dabei verschiedene Vorgehensweisen mit denselben Beispielen vergleichen. Daraus entsteht noch kein allgemeiner Leistungsnachweis. Es hilft aber, den eigenen Eindruck zu überprüfen und Grenzen des Versuchs zu erkennen.

Wenn am Ende herauskommt, dass eine bestimmte Idee für die Aufgabe wenig taugt, ist das ebenfalls ein brauchbares Lernergebnis. Ich habe dann zumindest herausgefunden, welchen Umweg wir uns später sparen können.

Bei Lernexperimenten bleiben vertrauliche Daten draußen

Für die hier beschriebenen Übungen reichen erfundene Anfragen und selbst erstellte Beispieldokumente. Ein Test muss nicht mit echten Kundendaten beginnen, um interessant zu sein.

Bevor reale Unternehmensinformationen in einer produktiven Anwendung verarbeitet werden, müssen die vorgesehenen Daten, der eingesetzte Dienst, seine Einstellungen und die betrieblichen Anforderungen geprüft werden. Eine erfolgreiche Übung beantwortet diese Fragen nicht automatisch.

Auch das gehört für mich zum Lernen: technische Möglichkeiten und verantwortlichen Einsatz zusammenzudenken. „Der Upload hat funktioniert“ ist schließlich noch keine vollständige Projektplanung.

Warum meine Kunden etwas von diesen Regentagen haben

Für ein EPU oder KMU ist es selten hilfreich, möglichst viele neue KI-Begriffe zu hören. Hilfreich ist eine verständliche Antwort auf eine eigene Aufgabe.

Wenn ich beim Lernen genauer verstanden habe, wo ein Ansatz funktioniert und wo er scheitert, kann ich im Gespräch gezielter nachfragen: Welche Informationen liegen vor? Wer prüft die Ausgabe? Welche Ausnahme tritt regelmäßig auf? Und welche Verbesserung wäre für Sie überhaupt spürbar?

Der Nutzen meiner Weiterbildung liegt in besseren Fragen, begründeten Entscheidungen und nachvollziehbaren Lösungen. Wie viel eine konkrete Anwendung später bringt, muss am tatsächlichen Einsatz geprüft werden. Ein Regentag allein ist noch kein Wirtschaftlichkeitsnachweis. Auch dann nicht, wenn es wirklich ausdauernd regnet.

Meine Erfahrung in der Erwachsenenbildung hilft mir außerdem beim Erklären. Über mehr als 20 Jahre habe ich Webdesign, Webentwicklung und Grafik unterrichtet. Dabei merkt man schnell, ob man einen Zusammenhang verständlich machen kann oder sich nur hinter einem Fachwort versteckt.

Diesen Anspruch nehme ich in meine individuellen KI-Lösungen für EPU und KMU und in meine Schulungen mit. Sie sollen verstehen können, was eine Anwendung macht, welche Kontrolle nötig ist und wie sie zu Ihrem Arbeitsalltag passt.

Ein Lernplan für Ihren nächsten verregneten Nachmittag

Wenn Sie selbst KI ausprobieren möchten, brauchen Sie dafür keinen ganzen Weiterbildungskatalog. Eine konkrete Aufgabe und ein überschaubarer Zeitrahmen reichen für einen ersten Versuch.

Hier ist ein beispielhafter Lernplan für 90 Minuten. Die Zeitangaben sind ein Vorschlag, keine Stoppuhrpflicht. Der Kaffee darf nach individuellem Bedarf eingeplant werden.

1. 10 Minuten: Eine Aufgabe auswählen. Suchen Sie etwas Wiederkehrendes aus Ihrem Alltag. Beschreiben Sie in einem Satz, was am Ende herauskommen soll.
2. 15 Minuten: Eine geeignete Erklärung lesen. Klären Sie die wichtigsten Begriffe und schauen Sie in die Dokumentation des gewählten Werkzeugs.
3. 25 Minuten: Mit erfundenen Angaben ausprobieren. Erstellen Sie wenige Beispiele und halten Sie fest, welche Anweisung Sie verwenden.
4. 20 Minuten: Gegenprüfen. Testen Sie unvollständige und ungewöhnliche Fälle. Markieren Sie falsche Aussagen und notwendige Korrekturen.
5. 10 Minuten: Eine Sache verändern. Ergänzen Sie etwa eine klarere Grenze oder ein konkretes Ausgabeformat. Vergleichen Sie mit den bisherigen Ergebnissen.
6. 10 Minuten: Die Erkenntnis notieren. Was war hilfreich? Was bleibt offen? Und lohnt sich ein zweiter Versuch?

Wenn Ihre wichtigste Erkenntnis lautet „Ich muss zuerst meinen eigenen Ablauf besser beschreiben“, war der Nachmittag keineswegs vergeblich. Genau dort beginnt oft die sinnvollste Verbesserung.

Häufige Fragen zur KI-Weiterbildung im Arbeitsalltag

Wie kann ich mich sinnvoll im Bereich KI weiterbilden?

Beginnen Sie mit einer klaren Aufgabe, lernen Sie die benötigten Grundlagen und probieren Sie den Ansatz mit geeigneten Beispielen aus. Prüfen Sie anschließend Fakten, Fehlerfälle und den nötigen Kontrollaufwand. Ein Kurs kann Struktur geben; eigenes Üben zeigt, welche Fragen für Ihren Alltag offenbleiben.

Muss ich programmieren können, um KI besser zu verstehen?

Für viele erste Übungen brauchen Sie keine Programmierkenntnisse. Sie können Anweisungen formulieren, Ergebnisse vergleichen und Grenzen erkennen. Für eigene Anwendungen, Schnittstellen und verlässliche technische Abläufe sind weitere Kenntnisse nötig. Die passende Weiterbildung richtet sich nach Ihrem Ziel.

Woran erkenne ich, ob ich beim Ausprobieren etwas gelernt habe?

Sie können genauer erklären, welche Aufgabe gelöst werden soll, welche Angaben benötigt werden und wo Fehler auftreten. Außerdem können Sie begründen, weshalb ein Ansatz sinnvoll ist oder verworfen wird. Eine gelungene Beispielantwort allein sagt darüber wenig aus.

Welche Quellen eignen sich zum Lernen?

Nutzen Sie Grundlagenkurse, nachvollziehbare Fachbeiträge und die Originaldokumentation der verwendeten Anbieter. Achten Sie auf das Datum und darauf, ob ein Beispiel zu Ihrer eingesetzten Version und Aufgabe passt. Die in diesem Beitrag verlinkten Materialien von Google und Anthropic sind zwei mögliche Ausgangspunkte mit unterschiedlicher technischer Tiefe.

Wie hilft KI-Weiterbildung kleinen Unternehmen?

Sie erleichtert es, sinnvolle Einsatzmöglichkeiten zu erkennen, Angebote einzuordnen und Ergebnisse kritisch zu prüfen. Ob eine bestimmte Anwendung Zeit spart oder Arbeit verbessert, hängt vom konkreten Ablauf, der Datenqualität und dem nötigen Kontrollaufwand ab. Deshalb lohnt sich ein begrenzter Test vor einer größeren Umsetzung.

Draußen darf es weiterregnen. Ihre Idee darf trotzdem raus.

Schlechtes Wetter wird durch KI nicht schöner. Dafür bleibt es ein erstaunlich verlässlicher Anlass, die eigene Neugier an den Schreibtisch mitzunehmen.

Ich möchte nach einem solchen Nachmittag nicht bloß wissen, welches Werkzeug gerade viel Aufmerksamkeit bekommt. Ich möchte eine Aufgabe besser verstehen, einen Ansatz sorgfältiger prüfen und die Erkenntnis verständlich weitergeben können.

Vielleicht haben Sie bereits eine Arbeit im Kopf, die regelmäßig Zeit oder Nerven kostet. Eine umständliche Übergabe. Wiederkehrende Kundenfragen. Informationen, die irgendwo vorhanden sind, aber nie dort, wo man sie braucht.

Erzählen Sie mir, was hakt. Eine fertige KI-Idee müssen Sie dafür nicht mitbringen. Über den Orientierungscheck für Ihren Arbeitsalltag können Sie Ihr Anliegen einordnen oder Ihr konkretes Problem direkt beschreiben.

Ob wir dann eine Automatisierung, eine KI-Anwendung oder zuerst einen klareren Ablauf brauchen, finden wir gemeinsam heraus. Und sollte die Sonne wieder auftauchen: Der Lernfortschritt bleibt. Die Kaffeetasse kommt in die Küche.