Lernpfad
KI-Grundkompetenz
Von den technischen Grundlagen bis zum Chatbot im Alltag: woraus ein KI-Modell besteht, wie Sprache zu Zahlen wird, wie aus einem Modell ein Assistent wird, warum er überzeugend falsch liegen kann und wie du seine Antworten prüfst.
Für alle, die KI im Beruf oder Alltag nutzen und verstehen wollen, was dabei technisch passiert. Vorwissen brauchst du keines.
- 17 Bausteine
- ≈ 217 Min. Lesezeit (rund 3,5 Std.)
- 93 Fragen in Abrufmomenten
Die Lesezeit ist aus der Textlänge geschätzt (200 Wörter pro Minute). Abrufmomente und interaktive Demos kommen dazu.
Dein Fortschritt wird nur in deinem Browser gespeichert, auf diesem Gerät. Es gibt kein Konto. Auf ein anderes Gerät übertragen
Lernziele
Nach diesem Lernpfad kannst du …
- Programm, Algorithmus und KI-Modell unterscheiden und erklären, warum ein Modell nicht aus aufgeschriebenen Regeln besteht, sondern aus Zahlen, die beim Training eingestellt werden.
- Beschreiben, was ein KI-Modell als Input bekommt, warum sein Output meist eine Liste von Bewertungen ist und wie daraus Stück für Stück eine Antwort entsteht.
- Erklären, wie ein Tokenizer Text in Stücke aus einer festen Liste zerlegt, wie er diese Stücke durch Zählen lernt und warum die Zahl der Tokens nicht die Zahl der Wörter ist.
- Erklären, wie aus Tokens Nummern werden und zurück, warum eine Nummer nichts bedeutet, warum Tokenizer und Modell zusammengehören und wie viele Tokens ein Modell auf einmal verarbeitet.
- Skalar, Vektor, Matrix und Tensor einordnen und erklären, warum eine Chatnachricht oder ein Foto für ein Modell ein Zahlenblock ist.
- Erklären, wie ein Sprachmodell aus Scores Wahrscheinlichkeiten macht, warum es nicht immer das Naheliegende wählt und was die Temperatur daran ändert.
- Beschreiben, was in einem fertigen Modell steckt, was vor dem Training festgelegt wird, wie das Training aus dem Fehler die Richtung für jeden Parameter gewinnt und warum Training teurer ist als Inferenz.
- Abschätzen, wie viel Speicher ein Modell braucht, und erklären, warum zuerst der Platz entscheidet, was Quantisierung spart und warum Training mehr Speicher braucht.
- Erklären, warum gute Vorhersage Regeln statt Kopien verlangt, wie eine Aufgabe gelingen kann, die es so nie gab, und wo wörtliches Auswendiglernen und wirklich neue Aufgaben an Grenzen stoßen.
- Erklären, warum ein Grundmodell Fragen fortsetzt statt sie zu beantworten, was das Nachtraining daran ändert und woher ein Chatbot sein Datum und seine Vorgaben hat.
- Erklären, warum Zwischenschritte, die ein Modell vor der Antwort als Text schreibt, manche Aufgaben lösbar machen, wer festlegt, ob und wie lange es denkt, und was ein angezeigter Gedankengang nicht zeigt.
- Erklären, warum ein Chatbot lieber rät als „weiß ich nicht“ zu sagen, warum eine Rückfrage beim selben Bot keine Prüfung ist und warum eine erfundene Quelle echt aussieht.
- Die vier Quellen nennen, aus denen ein Chatbot im Gespräch schöpft (Gewichte, Kontext, Werkzeuge, gespeicherte Notizen), und daraus ableiten, wie verlässlich eine Aussage ist.
- Erklären, wie ein Agent in einer Schleife Werkzeuge nutzt, obwohl das Modell nur Text schreibt, wer festlegt, ob ein Aufruf ausgeführt wird, und warum das Ende eines Laufs nichts über das Ergebnis sagt.
- Aussagen aus der Debatte, ob Sprachmodelle verstehen, den Befunden zuordnen, auf die sie sich stützen, und begründen, warum eine flüssige Antwort weder dafür noch dagegen spricht.
- Erklären, an welchen Stellen ein Text im Training rechtlich berührt wird, welcher Hebel für welchen Text wirkt und warum ein Vorbehalt nur künftiges Sammeln betrifft (Stand und ohne Rechtsberatung).
- Eine Chatbot-Antwort nach ihrem Risiko einordnen und den Prüfschritt wählen, der zum möglichen Fehler passt, statt den Bot selbst zu fragen, ob es stimmt.
Reihenfolge
Die Bausteine des Lernpfads
Jeder Baustein steht auch für sich. In dieser Reihenfolge baut jeder auf Begriffen auf, die der vorige erklärt hat. Ein Baustein ist abgeschlossen, wenn du ihn bis zum Ende gelesen und alle Fragen seines Abrufmoments einmal beantwortet hast. Ob richtig oder falsch, spielt dafür keine Rolle.
Programm, Algorithmus, Modell im Vergleich
Wie unterscheiden sich Programm, Algorithmus und Modell? Klassische Software folgt Regeln, die ein Mensch aufschreibt. Ein KI-Modell besteht aus einem festen Rechenweg und Zahlen, die im Training eingestellt wurden.
AbgeschlossenGelesenInput und Output: Was ein Modell aus einer Eingabe macht
Was bekommt ein KI-Modell hinein, und was kommt heraus? Vom Spamfilter bis zum Chatbot: Oft kommt eine Liste von Bewertungen heraus.
AbgeschlossenGelesenTokenizer: Wie Text in Tokens zerfällt
Zeigt, wie ein Tokenizer Text in Stücke zerlegt, die er vorher durch Zählen gelernt hat, und warum die Zahl der Tokens nicht die Zahl der Wörter ist.
AbgeschlossenGelesenToken-IDs: Was eine Nummer bedeutet
Zeigt, was eine Token-ID ist: eine Nummer, die nur im Vokabular ihres Tokenizers gilt. Außerdem erklärt der Baustein, warum jedes Modell genau zu dem Tokenizer passt, mit dem es trainiert wurde, und warum die Nummer selbst nichts über das Stück verrät.
AbgeschlossenGelesenSkalar, Vektor, Matrix, Tensor: die Bausteine der Zahlen
Von der Wetter-App zum Chatbot: wie Zahl, Liste, Tabelle und Tabellenstapel zusammenhängen und warum dein Chat für ein Modell genau so ein Zahlenblock ist.
AbgeschlossenGelesenWahrscheinlichkeit und Softmax: Wie ein Modell sich entscheidet
Wie ein Sprachmodell aus seinen Scores Anteile macht, warum es mal das Naheliegende und mal etwas anderes wählt und was die Temperatur daran ändert.
AbgeschlossenGelesenParameter, Training und Benutzen: Wie ein Modell lernt
Was in einer Modelldatei steckt, was Menschen vor dem Training festlegen, wie das Training aus dem Fehler ableitet, in welche Richtung jeder Regler bewegt werden muss und warum Lernen teurer ist als Benutzen.
AbgeschlossenGelesenModellgröße und Hardware: Wo ein Modell Platz findet
Wie viel Speicher ein KI-Modell braucht, warum zuerst der Platz und nicht das Tempo entscheidet, wie Quantisierung Modelle verkleinert und warum Training noch viel mehr Speicher braucht.
AbgeschlossenGelesenWarum Vorhersagen mehr ist als Nachplappern
Wie ein Modell, das nur das nächste Token vorhersagt, eine Mail schreiben kann, die es so noch nie gab: warum gute Vorhersage Regeln statt Kopien verlangt, wo wörtliches Auswendiglernen trotzdem vorkommt und wo neue Aufgaben scheitern.
AbgeschlossenGelesenVom Textfortsetzer zum Assistenten: Was das Nachtraining aus einem Modell macht
Warum ein Grundmodell Fragen fortsetzt statt sie zu beantworten, was das Nachtraining ändert und woher ein Chatbot sein Datum und seine Vorgaben hat.
AbgeschlossenGelesenWie ein Modell „nachdenkt“: Zwischenschritte, die es selbst schreibt
Warum ein Modell vor der Antwort Zwischenschritte als Text schreibt, warum das manche Aufgaben lösbar macht und wer festlegt, ob und wie lange es denkt.
AbgeschlossenGelesenWarum KI überzeugend falsch liegt: Wenn Raten sich lohnt und Sicherheit im Ton nichts beweist
Warum ein Chatbot lieber eine falsche Antwort gibt als „weiß ich nicht“, warum Nachfragen ihn oft umstimmen und warum erfundene Quellen echt aussehen.
AbgeschlossenGelesenWas ein Chatbot in einem Gespräch weiß: Vier Quellen, ein Kontextfenster
Woher kommen Antworten im Chat? Aus den im Training eingestellten Reglern, dem Text im Kontextfenster, Werkzeugen oder gespeicherten Notizen. Davon hängt ab, wie verlässlich eine Antwort ist.
AbgeschlossenGelesenVom Chatbot zum Agenten: Wie KI eine Aufgabe abarbeitet
Ein Modell schreibt nur Text und führt nichts aus. Wie daraus ein Agent wird, der in einer Schleife Werkzeuge nutzt, wer dabei was tut und warum das Ende eines Laufs noch nichts über das Ergebnis sagt.
AbgeschlossenGelesenVersteht KI, was sie sagt?
Die Fachwelt ist sich uneins, ob Sprachmodelle verstehen. Was die Befunde zeigen, was sie nicht zeigen und warum eine flüssige Antwort weder dafür noch dagegen spricht.
AbgeschlossenGelesenTrainingsdaten: Urheberrecht und Datenschutz
Wessen Texte in ein Training dürfen, wie ein Vorbehalt wirkt, warum die erste Frage bei der Kopie liegt und was im Modell bleiben kann. Stand 12.10.2026, keine Rechtsberatung.
AbgeschlossenGelesenAntworten prüfen: KI im Alltag sicher nutzen
Wann eine Chatbot-Antwort geprüft werden muss, warum eine Nachfrage beim selben Bot dafür nicht reicht und welcher Prüfschritt zu welchem Fehler passt.
AbgeschlossenGelesen
Ehrlich gesagt
Was dieser Lernpfad nicht abdeckt
Der Lernpfad erklärt, wie KI-Modelle technisch funktionieren. Für einen sicheren Einsatz im Beruf gehört mehr dazu, das hier nicht behandelt wird:
- Pflichten aus der KI-Verordnung und Rechtsberatung; Urheberrecht und Datenschutz kommen nur für Trainingsdaten vor, mit Stand und ohne Rechtsberatung
- Risiken und Grenzen bestimmter KI-Systeme in deinem Arbeitsumfeld
- die Bedienung konkreter Werkzeuge und das Formulieren von Prompts
Zum Abschluss
Dein Lernnachweis
Hast du alle Bausteine gelesen und ihre Abrufmomente gemacht, kannst du dir einen Lernnachweis erstellen: mit deinem Namen, dem Datum, den Lernzielen und dem Umfang, zum Ausdrucken oder als PDF. Er ist eine Selbstauskunft, nicht geprüft, und enthält bewusst keine Punktzahl. Er kann Teil deiner Dokumentation von Maßnahmen zur KI-Kompetenz (Art. 4 KI-Verordnung) sein.
Du willst den Lernpfad in Unterricht oder Schulung einsetzen? Hinweise für Lehrende & Trainer