Fragen Sie drei Menschen, was „KI-Entwicklung“ bedeutet, und Sie hören womöglich drei verschiedene Antworten. Eine Programmiererin denkt an einen Assistenten, der im Editor Code vorschlägt. Ein Produktmanager denkt an einen Chatbot, der Kundenfragen beantwortet. Eine Forscherin denkt daran, ein Modell mit riesigen Datenmengen zu trainieren. Alle drei haben recht — aber sie beschreiben unterschiedliche Arbeit, mit unterschiedlichen Fähigkeiten, Werkzeugen und Kosten.
Dies ist Teil 1 von Level 0 unseres Lernpfads AI Development. Sie brauchen keine Programmierkenntnisse. Sie lernen die drei Wege der KI-Entwicklung kennen, erfahren, welche Rollen daran arbeiten, und sehen, wie dieser Lernpfad aufgebaut ist. So können Sie entscheiden, wo Sie einsteigen.
Drei Bedeutungen von „KI-Entwicklung“
Die Verwirrung löst sich mit einer Frage: Wo arbeitet die KI? Sie kann Ihnen helfen, während Sie Software bauen. Sie kann ein Teil des Produkts sein, das Sie bauen. Oder sie ist selbst das, was Sie bauen.
Im Zentrum aller drei Wege steht ein Modell: der trainierte Kern eines KI-Systems. Es hat aus großen Datenmengen Muster gelernt und macht aus einer Eingabe, etwa einer Frage, eine Ausgabe, etwa eine Antwort. In diesem Lernpfad geht es meist um große Sprachmodelle (Large Language Models, LLMs): Modelle, die mit Text trainiert wurden und auch Code schreiben können.
- Weg 1: Software mit KI-Hilfe bauen. Ein Assistent hilft Ihnen beim Programmieren. Das fertige Produkt enthält womöglich gar keine KI.
- Weg 2: mit KI bauen. Ihr Produkt nutzt ein fertiges Modell, während Menschen damit arbeiten — etwa, um ihre Fragen zu beantworten.
- Weg 3: die KI selbst bauen. Sie trainieren ein Modell oder passen ein vorhandenes mit eigenen Daten an.
Weg 1: KI hilft Ihnen, Software zu schreiben
Ein KI-Coding-Assistent arbeitet in Ihrem Code-Editor oder daneben. Sie begegnen ihm in drei Hauptformen:
- Autovervollständigung schlägt die nächsten Zeilen vor, während Sie tippen.
- Chat erklärt Code, findet Fehler und schreibt auf Anfrage kleine Funktionen.
- Agenten übernehmen eine ganze Aufgabe, ändern mehrere Dateien, führen Tests aus und zeigen Ihnen das Ergebnis.
Manche Produkte gehen noch einen Schritt weiter. App-Builder wie Emergent erstellen laut Anbieter eine Web- oder Mobil-App aus einer Beschreibung in Alltagssprache. Diese Arbeitsweise heißt oft Vibe Coding: Sie beschreiben, was Sie wollen, die KI schreibt den Code, und Sie testen und korrigieren ihn.
Das Ergebnis ist gewöhnliche Software. Sie läuft ohne Modell. Die Verantwortung bleibt aber bei Ihnen: Assistenten nutzen mitunter veraltete Bibliotheken, rufen Funktionen auf, die es nicht gibt, oder bauen Sicherheitslücken ein. Jemand muss den Code lesen, testen und verstehen, bevor er live geht. Teil 5 dieses Levels erklärt, was KI-Coding-Assistenten können und wo sie scheitern.
Weg 2: Sie bauen ein Produkt auf einem Modell auf
Das meinen die meisten, wenn sie vom Bauen von KI-Apps sprechen, und es ist der Schwerpunkt dieses Lernpfads. Sie trainieren nichts. Sie nehmen ein fertiges Modell und verbinden es mit Ihrem eigenen Produkt.
Ihr Produkt spricht mit dem Modell über eine API (Application Programming Interface, eine Programmierschnittstelle): ein fest vereinbarter Weg, auf dem zwei Programme über das Internet Daten austauschen. Ihre App schickt eine Anfrage mit Anweisungen und der Frage der Nutzerin oder des Nutzers. Der Server des Anbieters sendet die Antwort des Modells zurück. Die meisten Anbieter rechnen diese Nutzung nach Tokens ab. Ein Token ist ein kleines Textstück, etwa ein kurzes Wort oder ein Teil eines Wortes. Teil 3 dieses Levels erklärt APIs, Tokens und Kontextfenster.
Ein solches Produkt können Sie mit oder ohne Code bauen:
- Mit Code ruft ein Entwickler die API des Modells aus der eigenen Software auf. Die App läuft auf einem Server oder auf einer Hosting-Plattform wie Netlify.
- Ohne Code nutzen Sie eine No-Code-Plattform: ein Werkzeug, in dem Sie durch Klicken, Formulare und schriftliche Anweisungen bauen. Laut den Anbietern bauen Sie mit MindStudio eigene KI-Agenten ohne Code. Mit Devs.ai bauen und betreiben Teams KI-Apps und Agenten auf ihren eigenen Daten.
Weg 3: Sie trainieren oder verändern das Modell selbst
Hier ist das Modell selbst Ihre Arbeit, und zwar in zwei sehr unterschiedlichen Größenordnungen:
- Training von Grund auf heißt, ein neues Modell aus riesigen Datenmengen zu erschaffen. Dafür rechnen viele Spezialchips wochen- oder monatelang. Die großen Modelle hinter den heutigen KI-Assistenten stammen von relativ wenigen Unternehmen und Forschungslaboren.
- Fine-Tuning heißt, ein vorhandenes Modell mit eigenen Beispielen weiterzutrainieren. Es lernt dann ein Format, einen Stil oder eine eng umrissene Aufgabe. Dafür brauchen Sie weit weniger Daten und Rechenleistung als für ein Training von Grund auf.
Um ein Modell selbst per Fine-Tuning anzupassen, brauchen Sie seine Gewichte. Die Gewichte (Weights) sind die Zahlen, die ein Modell beim Training gelernt hat. Ein Modell mit offenen Gewichten (Open Weights) lässt sich herunterladen. Sie können es auf eigener Hardware oder auf gemieteten GPUs betreiben und anpassen, etwa bei einer GPU-Cloud wie Runpod. GPUs sind Grafikprozessoren, auf denen die meisten KI-Modelle laufen. Prüfen Sie vorher die Lizenz: Offene Gewichte erlauben nicht immer jede Nutzung. Modelle mit geschlossenen Gewichten bleiben beim Anbieter, und manche Anbieter bieten Fine-Tuning ausgewählter Modelle als Dienst an. Unsere LLM-Datenbank führt 343 Modelle, 172 davon mit offenen Gewichten.
Trotzdem ist Fine-Tuning selten der erste Schritt. Viele Probleme, die danach aussehen, lösen Sie schneller mit besseren Anweisungen. Eine andere Möglichkeit: Sie suchen zu jeder Frage die passenden Stellen in Ihren Dokumenten heraus und geben sie dem Modell mit. Diese Methode heißt Retrieval-Augmented Generation (RAG). Für Fakten, die sich oft ändern, etwa Produktdetails, ist es einfacher, Dokumente aktuell zu halten, als erneut per Fine-Tuning nachzutrainieren. Unser Leitfaden aus Level 3, Fine-Tuning, RAG oder Prompting, hilft bei der Entscheidung.
Rollen: Wer macht was?
An den drei Wegen arbeiten unterschiedliche Rollen. Zwei Fragen ordnen jede davon ein: Schreiben Sie Code, und verändern Sie das Modell?
Die Tabelle zeigt, was jede Rolle baut und welche Fähigkeiten zuerst zählen:
| Rolle | Was sie baut | Erste Fähigkeiten | Typische Werkzeuge |
|---|---|---|---|
| No-Code-Builder | Assistenten, Agenten und einfache Apps | Aufgaben genau beschreiben, Anweisungen schreiben, mit echten Beispielen testen | No-Code-Plattformen, App-Builder |
| Entwickler (manchmal AI Engineer genannt) | KI-Funktionen in Software, angebunden über APIs | Eine Programmiersprache, HTTP und JSON, API-Schlüssel geheim halten, Testen | Code-Editor mit KI-Assistent, Modell-APIs, Hosting |
| ML-Engineer (Machine Learning) | Trainierte und per Fine-Tuning angepasste Modelle, Datenpipelines, Modellbetrieb | Python, Statistik, Datenaufbereitung, Evaluation | GPU-Cloud, Trainings-Frameworks |
| Fachexperte | Beispieldaten, Testfälle und Qualitätsregeln | Gute Ergebnisse beschreiben, Beispiele sammeln, Antworten beurteilen | Tabellen, Testsets |
Jobtitel unterscheiden sich von Firma zu Firma, und in kleinen Teams hat eine Person oft mehrere Rollen. Eine Marketingmanagerin baut vielleicht in einer Woche einen No-Code-Assistenten und sammelt in der nächsten Testfragen für das Entwicklerteam. Entscheidend ist die Fähigkeit, die eine Aufgabe verlangt, nicht der Titel. Innerhalb von Weg 2 können Sie ohne Code bauen, mit Low-Code (visuelle Werkzeuge plus etwas Code) oder ganz mit Code. Teil 4 dieses Levels vergleicht No-Code, Low-Code und Code.
Was dieser Lernpfad abdeckt
Der Lernpfad hat fünf Level mit je fünf Teilen.
Die meisten Teile folgen Weg 2: Produkte, die auf fertigen Modellen aufbauen. Weg 1 kommt in den Teilen über Coding-Assistenten (Level 0) und über einen sicheren KI-gestützten Coding-Workflow (Level 2) vor. Weg 3 kommt in Level 3 vor, mit Fine-Tuning und der GPU-Infrastruktur, die es braucht. Level 4 zeigt dann, wie Sie Modelle mit offenen Gewichten auf eigener Hardware betreiben.
Unser Tool-Vergleich für AI Development führt 13 Tools zum Bauen, Hosten und Automatisieren. Fünf davon passen gut zu den drei Wegen. Emergent passt zu Weg 1, MindStudio und Devs.ai passen zu Weg 2 ohne Code. Netlify hostet Web-Apps, und Runpod vermietet GPUs für Weg 3.
Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.
So finden Sie Ihren Einstieg
Ihr erstes Projekt zeigt Ihnen, wo Sie anfangen. Zwei Fragen weisen Ihnen den Weg. Vor Weg 3 erspart Ihnen ein weiterer Test oft viel Arbeit.
| Ihr Ziel | Ihr Weg | Beginnen Sie mit |
|---|---|---|
| Schneller Code schreiben und verstehen | Weg 1 | Level 0, Teil 5: KI-Coding-Assistenten |
| Einen internen Assistenten ohne Code bauen | Weg 2, ohne Code | Level 1, Teil 3: eine einfache KI-App ohne Code |
| Eine KI-Funktion in die eigene Software einbauen | Weg 2, mit Code | Level 1, Teil 1: Ihr erster LLM-API-Aufruf |
| Einem Modell einen Hausstil beibringen, den Prompts allein nicht halten | Weg 3 | Level 3, Teil 4: Fine-Tuning, RAG oder Prompting |