Ein Handbuch
KI ist mehr als nur ChatGPT.
Für Führungskräfte, Gründer und Produktverantwortliche, die Entscheidungen zum Thema KI treffen. LLMs sind nur ein Teil davon. Dieses Handbuch beleuchtet den Rest.
Wenn Teams sagen „Lasst uns KI für X einsetzen“, meinen sie damit meistens „Lasst uns ein LLM für X einsetzen“. Oft ist das richtige Werkzeug aber eine ganz andere Methode. Wählt man die falsche Methode, verschwendet man sechs bis zwölf Monate, bevor es überhaupt jemand bemerkt.
Eine Seite pro Modul. In 25 Minuten durchlesen. Als Nachschlagewerk aufbewahren.
Die vier Familien
Klassisches ML
Tabellen, Betrug, Kundenabwanderung, Prognosen. Die dominierende Modellfamilie in der Produktions-KI. Wo XGBoost LLMs bei tabellarischen Daten übertrifft.
Familie 2Specialist Deep Learning
Bildverarbeitung, Zeitreihen, Empfehlungssysteme, Sprachverarbeitung, Anomalien. Wo Pre-LLM-Spezialisten in Echtzeit und Edge-Computing noch immer dominieren.
Familie 3Foundation Models
LLMs, VLMs, Diffusion. Anpassung über Prompting, RAG, Fine-Tuning. Agents, Reasoning, MCP. Der Zweig, von dem alle reden.
Familie 4Reinforcement Learning
Sequentielle Entscheidungen mit Belohnungssignalen. Handel, Robotik, Steuerung. In der Praxis selten anzutreffen, aber unersetzlich, wenn es passt.
Bereichsübergreifend
Welche Familie passt?
Die Entscheidungsregel auf einer Seite. Fünf Fragen, die du beantworten solltest, bevor du dein Team mit der Entwicklung beginnen lässt.
ProduktionWarum die meisten KI-Projekte scheitern
95 % werden nie ausgeliefert. Die Gründe dafür sind vorhersehbar: Eval, Trace, Loop. Die Produktions-Triade, die jedes ernsthafte Team hat.
ReferenzGlossar
Die 30 Begriffe, denen Führungskräfte im Jahr 2026 begegnen werden. RAG, MCP, Agents, Reasoning, Fine-Tuning, Destillation und der Rest.
Der rote Faden
KI ist eine ganze Familie von Techniken. LLMs sind ein Zweig davon. Der teuerste Fehler ist, sie für den gesamten Baum zu halten.
