Künstliche Intelligenz verstehen: der Lernpfad von den Grundlagen bis zu KI-Agenten

Du nutzt ChatGPT oder einen anderen KI-Assistenten vielleicht schon jeden Tag. Er schreibt dir eine E-Mail vor, fasst ein Protokoll zusammen, erklärt dir eine Excel-Formel. Und manchmal erfindet er mit größter Selbstsicherheit eine Quelle, die es nicht gibt. Spätestens dann stellt sich die Frage, was da eigentlich passiert.

Die meisten Erklärungen, die man dazu findet, sind entweder so oberflächlich, dass sie nichts erklären („KI lernt aus Daten“), oder so mathematisch, dass man nach drei Absätzen aufgibt. Dieser Bereich von ZeitKrokodil geht einen Weg dazwischen: ein Lernpfad, der bei Mittelwert und Standardabweichung beginnt und bei KI-Agenten endet, die selbstständig Werkzeuge benutzen. Jede Station mit Beispielen aus dem Arbeitsalltag und mit Stellen, an denen du selbst Regler verschieben kannst.

---

---

Warum KI auf eine Seite über Zeitmanagement gehört

ZeitKrokodil beschäftigt sich mit der Frage, wie du sinnvoller arbeitest. Das fängt bei dir selbst an, bei Persönlichkeit und Werten und Zielen. Es geht weiter mit der Arbeitsweise, also Zeitplanung, Projektmanagement, Kommunikation und Führung.

Und seit ein paar Jahren gehört eine dritte Ebene dazu: die Werkzeuge, mit denen gearbeitet wird. KI verändert gerade, wie E-Mails entstehen, wie Code geschrieben wird, wie Dokumente durchsucht werden. Wer smarter arbeiten will, kommt an der Frage nicht vorbei, was diese Werkzeuge können und was nicht.

Den Unterschied macht das Verständnis. Wer nur weiß, wo der Knopf ist, merkt nicht, wann die Antwort falsch ist. Wer ungefähr weiß, wie ein Sprachmodell Wörter auswählt, ahnt, wann er besser nachprüft. Wie KI ganz konkret beim Planen des eigenen Tages hilft, zeigt der Beitrag KI für Zeitmanagement.

So ist der Lernpfad aufgebaut

Die Kapitel bauen aufeinander auf, aber nicht streng. Jeder Beitrag erklärt kurz, was er voraussetzt, und verlinkt dorthin.

Kapitel	Worum es geht	Für wen
1. Mathe und Statistik	Die Rechenwerkzeuge, ohne die nichts geht	Alle, die verstehen wollen, nicht nur benutzen
2. Maschinelles Lernen	Wie ein Computer aus Beispielen Regeln ableitet	Der eigentliche Einstieg in KI
3. Neuronale Netze	Das Prinzip hinter Bilderkennung und Sprachmodellen	Wer wissen will, was „Deep Learning“ heißt
4. Sprachmodelle und generative KI	Tokens, Embeddings, Transformer, Bildgeneratoren	Alle, die ChatGPT und Co. nutzen
5. KI anwenden und anpassen	Eigene Dokumente, lokale Modelle, Anpassung	Wer KI im Job einsetzen will
6. KI-Agenten	Vom Chatbot zum System, das selbst handelt	Wer mit Automatisierung arbeitet
7. Verantwortung	Bias, Datenschutz, Sicherheit, AI Act	Alle

Wenn du nur eine Sache mitnehmen willst: Kapitel 4 ist für die meisten der lohnendste Einstieg. Wenn du es gründlich willst, fang vorne an.

Kapitel 1: Mathe und Statistik, die du für KI brauchst

Keine Angst, das wird keine Mathevorlesung. Aber ein paar Begriffe tauchen in jedem späteren Kapitel wieder auf, und wer sie einmal verstanden hat, liest alles danach leichter.

Der Startpunkt ist die Frage, wie man eine Reihe von Zahlen mit wenigen Werten beschreibt. Das klingt trocken, ist aber genau die Stelle, an der die meisten Statistiken im Alltag verbogen werden. Der Beitrag über Mittelwert, Median und Standardabweichung erklärt das an einem Beispiel, das jeder kennt: dem Arbeitsweg, der meistens 25 Minuten dauert und einmal eine Stunde.

Danach geht es um Zusammenhänge zwischen Datenreihen und die Frage, warum Korrelation keine Ursache ist. Es folgen Wahrscheinlichkeit und der Satz von Bayes, die Normalverteilung, der p-Wert für die Frage, ob ein Unterschied echt ist oder Zufall, und dann zwei Dinge, die KI-Modelle intern ständig benutzen: Vektoren, also Zahlenlisten, mit denen sich Ähnlichkeit messen lässt, und Ableitungen, ohne die kein neuronales Netz lernen könnte. Das Kapitel endet mit der Datenvorbereitung. Sie ist der Teil eines KI-Projekts, der in der Praxis die meiste Zeit frisst und in Erklärungen am seltensten vorkommt.

Kapitel 2: Maschinelles Lernen

Klassische Software funktioniert nach Regeln, die ein Mensch aufschreibt: Wenn der Betrag über 1.000 Euro liegt, dann Freigabe durch die Abteilungsleitung. Maschinelles Lernen dreht das um. Du zeigst dem Computer viele Beispiele, und er leitet die Regel selbst ab.

Das Kapitel beginnt mit der Unterscheidung, die in jeder Diskussion durcheinandergeht: KI, maschinelles Lernen und Deep Learning sind nicht dasselbe. Danach kommen die drei Arten zu lernen, mit Lösungen, ohne Lösungen und durch Belohnung.

Den Hauptteil bilden die klassischen Verfahren, von der linearen Regression über Entscheidungsbäume bis zu Random Forests. Sie sind nicht so bekannt wie Sprachmodelle, aber in Unternehmen stecken sie in erstaunlich vielen Prognosen, Bewertungen und Filtern.

Mindestens genauso wichtig ist die Frage, wann ein Modell gut ist. Ein Spamfilter, der 99 % richtig erkennt, kann trotzdem unbrauchbar sein. Wie das geht, erklären die Beiträge zu Konfusionsmatrix und ROC-Kurve. Und das Problem, an dem fast jedes erste Modell scheitert, hat einen eigenen Beitrag: Overfitting, das Auswendiglernen statt Verstehen.

Für Leser aus dem Projektmanagement interessant: Ein ML-Projekt folgt einem eigenen Vorgehensmodell, CRISP-DM, das sich in vielen Punkten mit klassischen Projektphasen deckt und in einem entscheidenden Punkt nicht.

Kapitel 3: Neuronale Netze und Deep Learning

Ein künstliches Neuron ist erstaunlich simpel: Es multipliziert ein paar Eingaben mit Gewichten, addiert sie und entscheidet dann, ob es „feuert“. Wie es das entscheidet, regeln die Aktivierungsfunktionen. Was daraus Bilderkennung und Sprachverständnis macht, ist die Menge, viele Tausend oder Milliarden davon in Schichten, und ein Verfahren, mit dem sie ihre Gewichte selbst einstellen.

Dieses Verfahren ist der Kern des Kapitels. Gradientenabstieg und Backpropagation klingen nach Uni-Stoff, lassen sich aber mit einem Bild erklären: Du stehst im Nebel an einem Hang und willst ins Tal. Du siehst nicht weit, aber du spürst, in welche Richtung es bergab geht. Also machst du einen Schritt in diese Richtung, und dann noch einen. Im Beitrag dazu kannst du die Schrittweite verstellen und zusehen, wie das Netz zu früh stehen bleibt oder übers Ziel hinausschießt.

Danach geht es um die Architekturen für Bilder, die sogenannten CNN, und für Abfolgen wie Text und Zeitreihen. Die zweite Gruppe ist der direkte Vorläufer des Transformers, und mit dem fängt das nächste Kapitel an.

Kapitel 4: Sprachmodelle und generative KI

Das Kapitel, für das die meisten hierherkommen. Es erklärt, was zwischen deiner Frage und der Antwort von ChatGPT, Claude oder Gemini passiert.

Ein Sprachmodell sieht keine Wörter, sondern Tokens, Wortstücke, die in Zahlen übersetzt werden. Diese Zahlen werden zu Embeddings, Positionen in einem Raum, in dem ähnliche Bedeutungen nah beieinander liegen. Der Transformer schaut dann für jedes Wort, welche anderen Wörter im Satz für seine Bedeutung wichtig sind. Das heißt Attention, und es ist die Idee, die moderne KI möglich gemacht hat.

Am Ende wählt das Modell das nächste Wortstück, und zwar nicht immer das wahrscheinlichste. Die Temperatur bestimmt, wie viel Zufall erlaubt ist. Das erklärt, warum dieselbe Frage zweimal unterschiedlich beantwortet wird, und es ist einer der Gründe, warum Sprachmodelle halluzinieren.

Weitere Stationen: wie aus einem Modell, das nur Text fortsetzt, ein hilfreicher Assistent wird, was Reasoning-Modelle anders machen und wie Bildgeneratoren aus Rauschen ein Bild entstehen lassen.

Kapitel 5: KI anwenden und anpassen

Bevor es technisch wird, steht die praktische Frage, wo KI im Büro tatsächlich Zeit spart und wo sie neue Arbeit macht. Darum geht es im Beitrag KI im Arbeitsalltag. Was das für deinen Beruf bedeutet, zeigt der Beitrag KI und Arbeit.

Ein Sprachmodell weiß nichts über deine Firma, deine Projekte oder deine Dokumente. Die gängigste Lösung heißt RAG: Das System sucht zu deiner Frage passende Textstellen aus deinen Unterlagen heraus und gibt sie dem Modell mit. Klingt einfach, scheitert in der Praxis aber oft an der Suche, und genau darum geht es im zweiten RAG-Beitrag.

Danach die Frage, die sich jedes Team irgendwann stellt: Reicht ein guter Prompt, braucht es RAG, oder muss das Modell selbst angepasst werden? Und für alle, die sensible Daten nicht in die Cloud geben wollen, ein Beitrag über lokale Sprachmodelle: was ein Rechner dafür können muss, was Quantisierung bedeutet und wo die Grenzen liegen.

Kapitel 6: KI-Agenten und Agentic Programming

Ein Chatbot antwortet. Ein Agent handelt. Er bekommt ein Ziel, überlegt sich einen Schritt, ruft ein Werkzeug auf, etwa eine Suche, eine Datenbank oder ein Programm, schaut sich das Ergebnis an und entscheidet über den nächsten Schritt. Diese Schleife ist der Kern aller Agentensysteme. Nicht jede Aufgabe braucht aber einen Agenten. Oft reicht ein fester Ablauf mit KI an genau einer Stelle, wie im Beitrag über Arbeitsabläufe mit KI.

Das Kapitel erklärt die Schleife, den Standard MCP, über den Agenten an Werkzeuge angeschlossen werden, und die Frage, wann mehrere Agenten sinnvoll sind und wann einer reicht. Ein eigener Beitrag widmet sich dem Programmieren mit Coding-Agenten, der Bereich, in dem sich die Arbeit gerade am schnellsten verändert.

Die wichtigste Frage bei Agenten ist allerdings keine technische: Wie viel darf er ohne Rückfrage tun? Die Antwort darauf ist eine Frage der Delegation, nur dass der Empfänger eine Maschine ist.

Kapitel 7: KI verantwortungsvoll einsetzen

KI-Modelle übernehmen die Muster aus ihren Trainingsdaten, auch die unfairen. Ein Bewerbungsfilter, der mit den Einstellungen der letzten zwanzig Jahre trainiert wurde, lernt die Vorlieben der letzten zwanzig Jahre. Das Kapitel erklärt, wo Bias entsteht und was dagegen hilft.

Dazu kommen Erklärbarkeit, also die Frage, warum ein Modell zu seinem Ergebnis kommt, die Sicherheit von KI-Anwendungen gegen Angriffe wie Prompt Injection und ein Überblick über den EU AI Act. Datenschutz bei KI-Werkzeugen im Alltag bekommt einen eigenen Praxisbeitrag, weil die Frage „Darf ich das da reinkopieren?“ im Büro ständig auftaucht. Einen ehrlichen Überblick gibt der Beitrag über Chancen und Gefahren von KI, und das Alignment-Problem erklärt, warum ein System tun kann, was man ihm sagt, und trotzdem das Falsche.

Mein Praxis-Check

Ich bin Ingenieur, kein Informatiker. Für das Thema habe ich mich trotzdem früh interessiert. Meine Abschlussarbeit ging 2017 um Mustererkennung in Zeitreihen, und dabei bin ich zum ersten Mal mit neuronalen Netzen in Berührung gekommen. Danach habe ich die Entwicklung weiter beobachtet, und vor einigen Jahren habe ich beschlossen, mich noch einmal gründlich damit zu beschäftigen.

Daraus ist mehr geworden. Neben dem Job habe ich mich zum Spezialisten für KI und maschinelles Lernen weitergebildet, und dieser Lernpfad ist aus meinen eigenen Lernunterlagen entstanden: alles in eigenen Worten neu geschrieben, mit Beispielen aus dem Arbeitsalltag statt aus dem Lehrbuch.

Was mich dabei am meisten überrascht hat: wie viel von dem, was nach Magie aussieht, auf ein paar alten Ideen beruht. Gradientenabstieg, Wahrscheinlichkeiten, Vektoren. Neu ist vor allem die Menge an Daten und Rechenleistung. Das macht die Ergebnisse nicht weniger beeindruckend, aber es macht sie erklärbar.

Was ich ehrlich sagen muss: Die Entwicklung ist schneller als jeder Lernpfad. Die Grundlagen in den Kapiteln 1 bis 4 werden in fünf Jahren noch stimmen. Bei Agenten und bei konkreten Werkzeugen wird manches, was heute drinsteht, bald veraltet sein. Diese Beiträge bekommen deshalb ein Stand-Datum.

Und eine Meinung zum Schluss: KI macht dich nicht automatisch produktiver. Sie macht dich schneller in dem, was du ohnehin tust. Wenn du vorher ohne Plan gearbeitet hast, arbeitest du jetzt schneller ohne Plan.

Typische Missverständnisse über KI

„Die KI versteht, was sie schreibt.“ Ein Sprachmodell berechnet, welches Wortstück mit hoher Wahrscheinlichkeit als nächstes passt. Dass dabei oft etwas herauskommt, das wie Verstehen aussieht, ist verblüffend und trotzdem nicht dasselbe.

„Die KI sucht im Internet.“ Manche Assistenten können das, wenn eine Suche eingebaut ist. Das Modell selbst hat sein Wissen beim Training gelernt und weiß nichts über das, was danach passiert ist.

Hartnäckig hält sich auch die Annahme, dass mehr Daten immer helfen. Schlechte Daten machen ein Modell schlechter, egal wie viele es sind. Ein großer Teil des Kapitels über maschinelles Lernen dreht sich um genau diese Frage.

„KI ist objektiv.“ Sie ist so objektiv wie die Daten, aus denen sie gelernt hat. Also selten.

FAQ

Buchempfehlung

Katharina Zweig: Ein Algorithmus hat kein Taktgefühl

Die Informatikprofessorin aus Kaiserslautern erklärt, wie algorithmische Entscheidungen entstehen und wo sie danebenliegen, ohne eine einzige Formel und ohne Panikmache. Das Buch passt am besten zu Kapitel 7, ist aber auch ein guter Einstieg für alle, die erst einmal verstehen wollen, warum es sich lohnt, bei KI genauer hinzusehen.