{"author":{"@type":"Person","name":"Alexander Bock","url":"https://abxk.ai/de/autor/alexander-bock/"},"categories":["AI Development"],"content":{"markdown":"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.\n\nDies 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.\n\n## Drei Bedeutungen von „KI-Entwicklung“\n\nDie 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.\n\nIm 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.\n\n![Drei nummerierte Karten: KI hilft beim Bauen, Sie bauen auf einem Modell auf, Sie verändern das Modell; ein Pfeil darunter zeigt, dass jeder Weg näher am Modell arbeitet](/images/learn/de/what-is-ai-development-three-ways.webp \"Drei Wege der KI-Entwicklung: von der KI als Werkzeug bis zum Modell selbst.\")\n\n1. **Weg 1: Software mit KI-Hilfe bauen.** Ein Assistent hilft Ihnen beim Programmieren. Das fertige Produkt enthält womöglich gar keine KI.\n2. **Weg 2: mit KI bauen.** Ihr Produkt nutzt ein fertiges Modell, während Menschen damit arbeiten — etwa, um ihre Fragen zu beantworten.\n3. **Weg 3: die KI selbst bauen.** Sie trainieren ein Modell oder passen ein vorhandenes mit eigenen Daten an.\n\n{{\u003c callout type=\"tip\" title=\"Der Klick-Test\" \u003e}}\nStellen Sie sich vor, jemand klickt in Ihrem fertigen Produkt auf eine Schaltfläche. Erzeugt in diesem Moment ein Modell die Antwort? Wenn ja, bauen Sie mit KI (Weg 2 oder 3). Wenn nein, war KI nur Ihr Werkzeug beim Bauen (Weg 1).\n{{\u003c /callout \u003e}}\n\n## Weg 1: KI hilft Ihnen, Software zu schreiben\n\nEin **KI-Coding-Assistent** arbeitet in Ihrem Code-Editor oder daneben. Sie begegnen ihm in drei Hauptformen:\n\n- **Autovervollständigung** schlägt die nächsten Zeilen vor, während Sie tippen.\n- **Chat** erklärt Code, findet Fehler und schreibt auf Anfrage kleine Funktionen.\n- **Agenten** übernehmen eine ganze Aufgabe, ändern mehrere Dateien, führen Tests aus und zeigen Ihnen das Ergebnis.\n\nManche 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.\n\nDas 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](/de/ai-development/learn/what-ai-coding-assistants-do/).\n\n## Weg 2: Sie bauen ein Produkt auf einem Modell auf\n\nDas 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.\n\nIhr 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](/de/ai-development/learn/apis-tokens-and-context-windows/).\n\n{{\u003c callout type=\"example\" \u003e}}\nEin Onlineshop möchte einen Assistenten, der Fragen zu Lieferung und Rückgabe beantwortet. Das Team wählt ein Modell und schreibt Anweisungen: „Antworte nur auf Basis unserer Hilfeseiten, in freundlichem Ton.“ Es bindet die Hilfeseiten als Quelle an und baut ein Chatfenster in die Website ein. Vor dem Start testet es den Assistenten mit echten Kundenfragen.\n{{\u003c /callout \u003e}}\n\nEin solches Produkt können Sie mit oder ohne Code bauen:\n\n- **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.\n- **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.\n\n## Weg 3: Sie trainieren oder verändern das Modell selbst\n\nHier ist das Modell selbst Ihre Arbeit, und zwar in zwei sehr unterschiedlichen Größenordnungen:\n\n- **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.\n- **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.\n\nUm 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](/de/llm/) führt {{\u003c stat \"models\" \u003e}} Modelle, {{\u003c stat \"models-open\" \u003e}} davon mit offenen Gewichten.\n\nTrotzdem 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](/de/ai-development/learn/fine-tuning-vs-rag-vs-prompting/), hilft bei der Entscheidung.\n\n## Rollen: Wer macht was?\n\nAn den drei Wegen arbeiten unterschiedliche Rollen. Zwei Fragen ordnen jede davon ein: Schreiben Sie Code, und verändern Sie das Modell?\n\n![Raster aus vier Feldern: ohne Code und mit fertigem Modell der No-Code-Builder, mit Code der Entwickler; ohne Code und mit Veränderung des Modells der Fachexperte, mit Code der ML-Engineer](/images/learn/de/what-is-ai-development-roles.webp \"Vier Rollen, eingeordnet nach zwei Fragen: Schreiben sie Code, und verändern sie das Modell?\")\n\nDie Tabelle zeigt, was jede Rolle baut und welche Fähigkeiten zuerst zählen:\n\n| Rolle | Was sie baut | Erste Fähigkeiten | Typische Werkzeuge |\n|---|---|---|---|\n| No-Code-Builder | Assistenten, Agenten und einfache Apps | Aufgaben genau beschreiben, Anweisungen schreiben, mit echten Beispielen testen | No-Code-Plattformen, App-Builder |\n| 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 |\n| ML-Engineer (Machine Learning) | Trainierte und per Fine-Tuning angepasste Modelle, Datenpipelines, Modellbetrieb | Python, Statistik, Datenaufbereitung, Evaluation | GPU-Cloud, Trainings-Frameworks |\n| Fachexperte | Beispieldaten, Testfälle und Qualitätsregeln | Gute Ergebnisse beschreiben, Beispiele sammeln, Antworten beurteilen | Tabellen, Testsets |\n\nJobtitel 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](/de/ai-development/learn/no-code-low-code-or-code/).\n\n## Was dieser Lernpfad abdeckt\n\nDer Lernpfad hat fünf Level mit je fünf Teilen.\n\n![Treppe aus fünf Leveln: Einstieg, Grundlagen, Fortgeschritten, Profi und Experte, jeweils mit ihren Hauptthemen; Level 0 ist hervorgehoben](/images/learn/de/what-is-ai-development-path.webp \"Die fünf Level des Lernpfads AI Development. Sie stehen auf Level 0.\")\n\nDie 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.\n\nUnser [Tool-Vergleich für AI Development](/de/ai-development/#tools) führt {{\u003c stat \"tools\" \"ai-development\" \u003e}} 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.\n\n{{\u003c tools \"emergent mindstudio devs-ai netlify runpod\" \u003e}}\n\n## So finden Sie Ihren Einstieg\n\nIhr erstes Projekt zeigt Ihnen, wo Sie anfangen. Zwei Fragen weisen Ihnen den Weg. Vor Weg 3 erspart Ihnen ein weiterer Test oft viel Arbeit.\n\n![Entscheidungsablauf: Nutzt das fertige Produkt selbst keine KI, Weg 1; nutzt es KI und muss das Modell nichts Neues lernen, Weg 2; muss das Modell eine neue Fähigkeit lernen, Weg 3, nachdem Prompts und RAG getestet sind](/images/learn/de/what-is-ai-development-decide.webp \"Zwei Fragen führen zu Ihrem Weg. Testen Sie Prompts und Dokumente, bevor Sie Weg 3 wählen.\")\n\n| Ihr Ziel | Ihr Weg | Beginnen Sie mit |\n|---|---|---|\n| Schneller Code schreiben und verstehen | Weg 1 | Level 0, Teil 5: KI-Coding-Assistenten |\n| Einen internen Assistenten ohne Code bauen | Weg 2, ohne Code | Level 1, Teil 3: eine einfache KI-App ohne Code |\n| Eine KI-Funktion in die eigene Software einbauen | Weg 2, mit Code | Level 1, Teil 1: Ihr erster LLM-API-Aufruf |\n| Einem Modell einen Hausstil beibringen, den Prompts allein nicht halten | Weg 3 | Level 3, Teil 4: Fine-Tuning, RAG oder Prompting |\n\n{{\u003c callout type=\"try\" \u003e}}\nNehmen Sie eine KI-Idee aus Ihrer eigenen Arbeit, zum Beispiel „Fragen von Lieferanten zu unseren Lieferbedingungen beantworten“. Notieren Sie Ihre Antworten:\n\n1. Nutzt das fertige Produkt ein Modell, während Menschen damit arbeiten?\n2. Reichen gute Anweisungen und Ihre Dokumente, oder muss das Modell etwas Neues lernen?\n3. Wer könnte es bauen: jemand ohne Code, ein Entwickler oder ein ML-Engineer?\n4. Welcher Weg folgt daraus, und welchen Teil dieses Lernpfads lesen Sie als Nächstes?\n\nHeben Sie die Notiz auf. Prüfen Sie nach Level 1, ob Ihre Antworten noch stimmen.\n{{\u003c /callout \u003e}}","text":"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.\nDies 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.\nDrei 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.\nIm 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.\nDrei Wege der KI-Entwicklung: von der KI als Werkzeug bis zum Modell selbst. 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. ✦Der Klick-Test\nStellen Sie sich vor, jemand klickt in Ihrem fertigen Produkt auf eine Schaltfläche. Erzeugt in diesem Moment ein Modell die Antwort? Wenn ja, bauen Sie mit KI (Weg 2 oder 3). Wenn nein, war KI nur Ihr Werkzeug beim Bauen (Weg 1).\nWeg 1: KI hilft Ihnen, Software zu schreiben Ein KI-Coding-Assistent arbeitet in Ihrem Code-Editor oder daneben. Sie begegnen ihm in drei Hauptformen:\nAutovervollständigung 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.\nDas 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.\nWeg 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.\nIhr 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.\n“Beispiel\nEin Onlineshop möchte einen Assistenten, der Fragen zu Lieferung und Rückgabe beantwortet. Das Team wählt ein Modell und schreibt Anweisungen: „Antworte nur auf Basis unserer Hilfeseiten, in freundlichem Ton.“ Es bindet die Hilfeseiten als Quelle an und baut ein Chatfenster in die Website ein. Vor dem Start testet es den Assistenten mit echten Kundenfragen.\nEin solches Produkt können Sie mit oder ohne Code bauen:\nMit 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:\nTraining 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.\nTrotzdem 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.\nRollen: Wer macht was? An den drei Wegen arbeiten unterschiedliche Rollen. Zwei Fragen ordnen jede davon ein: Schreiben Sie Code, und verändern Sie das Modell?\nVier Rollen, eingeordnet nach zwei Fragen: Schreiben sie Code, und verändern sie das Modell? Die Tabelle zeigt, was jede Rolle baut und welche Fähigkeiten zuerst zählen:\nWas ist KI-Entwicklung? KI nutzen oder mit KI bauen 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.\nWas dieser Lernpfad abdeckt Der Lernpfad hat fünf Level mit je fünf Teilen.\nDie fünf Level des Lernpfads AI Development. Sie stehen auf Level 0. 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.\nUnser 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.\nEmergentApp-Bau \u0026amp; Tests · KI ist der KernBaut Web- und Mobil-Apps aus einer Beschreibung in Alltagssprache. MindStudioAgenten \u0026amp; Automatisierung · KI ist der KernNo-Code-Plattform zum Bauen eigener KI-Agenten. Devs.aiApp-Bau \u0026amp; Tests · KI ist der KernPlattform, auf der Teams KI-Anwendungen und eigene Agenten mit ihren Daten bauen und betreiben. NetlifyInfrastruktur \u0026amp; Hosting · Software mit KI-FunktionenPlattform zum Bauen, Ausliefern und Hosten von Websites und Web-Apps. RunpodInfrastruktur \u0026amp; Hosting · KI ist der KernGPU-Cloud zum Trainieren und Betreiben von KI-Modellen, abgerechnet nach Nutzung. Kurzbeschreibungen aus unserem Tool-Vergleich, nach Angaben der Anbieter — nicht von ABXK getestet.\nSo 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.\nZwei Fragen führen zu Ihrem Weg. Testen Sie Prompts und Dokumente, bevor Sie Weg 3 wählen. Was ist KI-Entwicklung? KI nutzen oder mit KI bauen (2) 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 ▸Probieren Sie es aus\nNehmen Sie eine KI-Idee aus Ihrer eigenen Arbeit, zum Beispiel „Fragen von Lieferanten zu unseren Lieferbedingungen beantworten“. Notieren Sie Ihre Antworten:\nNutzt das fertige Produkt ein Modell, während Menschen damit arbeiten? Reichen gute Anweisungen und Ihre Dokumente, oder muss das Modell etwas Neues lernen? Wer könnte es bauen: jemand ohne Code, ein Entwickler oder ein ML-Engineer? Welcher Weg folgt daraus, und welchen Teil dieses Lernpfads lesen Sie als Nächstes? Heben Sie die Notiz auf. Prüfen Sie nach Level 1, ob Ihre Antworten noch stimmen.\n","words":1669},"date":"2026-10-14","description":"KI-Entwicklung meint drei Dinge: mit KI Code schreiben, Apps auf einem Modell aufbauen und Modelle trainieren. Dazu die Rollen und Ihr Einstieg.","image":"https://abxk.ai/images/cover/what-is-ai-development.webp","json":"https://abxk.ai/de/ai-development/learn/what-is-ai-development/index.json","kind":"page","language":"de","learning_path":{"category":"ai-development","level":0,"level_name":"Einstieg"},"modified":"2026-10-14","related_tools":["Emergent","MindStudio","Devs.ai","Netlify","Runpod"],"section":"ai-development","tags":["ki-entwicklung","einstieg","ki-apps","no-code","fine-tuning"],"title":"Was ist KI-Entwicklung? KI nutzen oder mit KI bauen","translations":[{"json":"https://abxk.ai/en/ai-development/learn/what-is-ai-development/index.json","language":"en","url":"https://abxk.ai/en/ai-development/learn/what-is-ai-development/"}],"url":"https://abxk.ai/de/ai-development/learn/what-is-ai-development/"}