Beginnen Sie mit Geschäftsentscheidung, Nutzerbedarf und messbarem Ergebnis. Unterscheiden Sie klassische Software, regelbasierte Automatisierung, Machine Learning und generative KI; wählen Sie KI nur bei messbarem Mehrwert.

1. Geschäftsproblem definieren und KI-Eignung prüfen — Lernziele und zentrale Fachkenntnisse
2. Geschäftsproblem definieren und KI-Eignung prüfen — Begriffe, Terminologie und praktische Bedeutung
3. Geschäftsproblem definieren und KI-Eignung prüfen — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Geschäftsproblem definieren und KI-Eignung prüfen — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Geschäftsproblem definieren und KI-Eignung prüfen — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Wählen Sie einen Prozess und dokumentieren Sie Problem, Baseline, zu verbessernde Entscheidung, Nutzer, Erfolgsmetrik und Begründung für oder gegen KI.

Prüfung und Abschluss: Lernende können KI-Eignung und messbares Geschäftsziel vor der Technologieauswahl bestimmen.

Verstehen Sie Daten, Features, Labels, Modelle, Training, Validierung und Inferenz. Trennen Sie Modellfähigkeit von Datenqualität und vom umgebenden Workflow.

1. Modelle, Daten, Training und Inferenz — Lernziele und zentrale Fachkenntnisse
2. Modelle, Daten, Training und Inferenz — Begriffe, Terminologie und praktische Bedeutung
3. Modelle, Daten, Training und Inferenz — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Modelle, Daten, Training und Inferenz — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Modelle, Daten, Training und Inferenz — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Zeichnen Sie den Weg Rohdaten → Training/Modellauswahl → Inferenz → Output → Validierung → Feedback und markieren Sie Datenqualitätsrisiken.

Prüfung und Abschluss: Lernende unterscheiden Training und Inferenz und erkennen Schwächen in Daten und Workflow.

Ordnen Sie Klassifikation, Prognose, Empfehlung, Dokumentextraktion, Support, Content-Generierung und Automatisierung der tatsächlich passenden Methode zu.

1. Geschäftliche KI-Anwendungsfälle und Automatisierung — Lernziele und zentrale Fachkenntnisse
2. Geschäftliche KI-Anwendungsfälle und Automatisierung — Begriffe, Terminologie und praktische Bedeutung
3. Geschäftliche KI-Anwendungsfälle und Automatisierung — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Geschäftliche KI-Anwendungsfälle und Automatisierung — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Geschäftliche KI-Anwendungsfälle und Automatisierung — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Ordnen Sie drei Probleme Prognose, Klassifikation, Extraktion, Empfehlung, Generierung oder Automatisierung zu und nennen Sie eine einfachere Nicht-KI-Alternative.

Prüfung und Abschluss: Lernende ordnen ein Geschäftsproblem einer passenden AI- oder Nicht-AI-Methode zu und begründen dies.

Ein guter Prompt beschreibt Ziel, Kontext, Einschränkungen, Beispiele und Ausgabeformat. Grounden Sie wichtige Antworten in freigegebenen Quellen und verifizieren Sie Aussagen.

1. Generative KI, Prompt-Design und Grounding — Lernziele und zentrale Fachkenntnisse
2. Generative KI, Prompt-Design und Grounding — Begriffe, Terminologie und praktische Bedeutung
3. Generative KI, Prompt-Design und Grounding — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Generative KI, Prompt-Design und Grounding — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Generative KI, Prompt-Design und Grounding — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie einen Prompt mit Ziel, Kontext, Grenzen, Beispielen und Ausgabeschema; fügen Sie Quelle, Prüfcheckliste und einen Fehlerfall hinzu.

Prüfung und Abschluss: Lernende bauen einen begrenzten, grounded GenAI-Workflow mit Verifikation wichtiger Ergebnisse.

Minimieren Sie Datenerhebung, klassifizieren Sie sensible Informationen, steuern Sie Zugriff und Aufbewahrung, prüfen Sie Anbieterregeln und verhindern Sie Lecks über Prompts, Logs und Ausgaben.

1. Datenqualität, Datenschutz und Informations-Governance — Lernziele und zentrale Fachkenntnisse
2. Datenqualität, Datenschutz und Informations-Governance — Begriffe, Terminologie und praktische Bedeutung
3. Datenqualität, Datenschutz und Informations-Governance — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Datenqualität, Datenschutz und Informations-Governance — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Datenqualität, Datenschutz und Informations-Governance — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie eine Datenflusskarte mit personenbezogenen/vertraulichen Daten, Speicherung, Zugriff, Aufbewahrung, Anbietergrenze und Löschung.

Prüfung und Abschluss: Lernende erkennen sensible Datenflüsse und definieren Datenschutz-, Zugriffs- und Aufbewahrungskontrollen.

Bewerten Sie KI mit Testset und klaren Kriterien: faktische Richtigkeit, Aufgabenerfolg, Konsistenz, Bias-Risiken, Halluzination, Latenz und Gesamtkosten; wichtige Entscheidungen brauchen menschliche Prüfung.

1. Bewertung: Genauigkeit, Halluzination, Bias, Kosten und Latenz — Lernziele und zentrale Fachkenntnisse
2. Bewertung: Genauigkeit, Halluzination, Bias, Kosten und Latenz — Begriffe, Terminologie und praktische Bedeutung
3. Bewertung: Genauigkeit, Halluzination, Bias, Kosten und Latenz — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Bewertung: Genauigkeit, Halluzination, Bias, Kosten und Latenz — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Bewertung: Genauigkeit, Halluzination, Bias, Kosten und Latenz — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie 20 Testfälle und vergleichen Sie zwei Workflow-Versionen nach Korrektheit, Relevanz, Konsistenz, Latenz und Kosten; dokumentieren Sie Halluzinationen.

Prüfung und Abschluss: Lernende entwerfen eine wiederholbare Evaluation und interpretieren Qualität, Risiko, Latenz und Kosten gemeinsam.

Entwerfen Sie den gesamten Prozess: Trigger, Input, Modell/Tool, menschliche Freigabe, Ausnahmeweg, Audit Trail und Rollback. Automatisierungsgrenzen müssen zu den Folgen eines Fehlers passen.

1. Human-in-the-Loop und Workflow-Design — Lernziele und zentrale Fachkenntnisse
2. Human-in-the-Loop und Workflow-Design — Begriffe, Terminologie und praktische Bedeutung
3. Human-in-the-Loop und Workflow-Design — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Human-in-the-Loop und Workflow-Design — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Human-in-the-Loop und Workflow-Design — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Zeichnen Sie einen Workflow mit menschlicher Freigabe, Eskalationsbedingung und Rollback und begründen Sie jeden Kontrollpunkt.

Prüfung und Abschluss: Lernende entwerfen menschliche Aufsicht, Eskalation und Rollback.

Behandeln Sie Eingaben und Tool-Ausgaben als nicht vertrauenswürdig. Testen Sie Prompt Injection, Datenoffenlegung, zu große Berechtigungen, Abhängigkeiten und Output Handling; geben Sie Agenten nur minimale Rechte.

1. KI-Sicherheit, Prompt Injection und übermäßige Befugnisse — Lernziele und zentrale Fachkenntnisse
2. KI-Sicherheit, Prompt Injection und übermäßige Befugnisse — Begriffe, Terminologie und praktische Bedeutung
3. KI-Sicherheit, Prompt Injection und übermäßige Befugnisse — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. KI-Sicherheit, Prompt Injection und übermäßige Befugnisse — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. KI-Sicherheit, Prompt Injection und übermäßige Befugnisse — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie ein Threat Model für einen AI-Assistenten mit Tools: Prompt Injection, Secrets, Permissions, unsichere Outputs, Drittanbieter-Abhängigkeiten und Kontrollen.

Prüfung und Abschluss: Lernende erkennen zentrale GenAI-Sicherheitsrisiken und wenden Least Privilege sowie Validierung an.

Nutzen Sie Risikomanagement mit klaren Verantwortlichen, Use-Case-Register, Impact Assessment, Messung, Kontrollen, Monitoring und Incident Response. NIST AI RMF ist eine nützliche freiwillige Referenz.

1. KI-Governance, Risikomanagement und verantwortungsvolle Einführung — Lernziele und zentrale Fachkenntnisse
2. KI-Governance, Risikomanagement und verantwortungsvolle Einführung — Begriffe, Terminologie und praktische Bedeutung
3. KI-Governance, Risikomanagement und verantwortungsvolle Einführung — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. KI-Governance, Risikomanagement und verantwortungsvolle Einführung — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. KI-Governance, Risikomanagement und verantwortungsvolle Einführung — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie ein AI-Risikoregister mit Use Case, Owner, Betroffenen, Schaden, Wahrscheinlichkeit, Auswirkung, Kontrollen, Evidenz, Monitoring-Metrik und Review-Datum.

Prüfung und Abschluss: Lernende erstellen einen auditierbaren Governance- und Risikodatensatz für AI.

Bauen Sie den Business Case auf einer Baseline auf: Nutzen, Implementierung, Modell/API-Kosten, Personalzeit, Risikokontrollen und Change Management. Starten Sie einen begrenzten Pilot und skalieren Sie nur bei ausreichender Evidenz.

1. Business Case, ROI, Pilot und finaler Deployment-Plan — Lernziele und zentrale Fachkenntnisse
2. Business Case, ROI, Pilot und finaler Deployment-Plan — Begriffe, Terminologie und praktische Bedeutung
3. Business Case, ROI, Pilot und finaler Deployment-Plan — Schrittweise Anwendung einer Methode, eines Werkzeugs oder Arbeitsablaufs
4. Business Case, ROI, Pilot und finaler Deployment-Plan — Realistischer Fall, Praxisaufgabe und Fehleranalyse
5. Business Case, ROI, Pilot und finaler Deployment-Plan — Wissenscheck, Qualitätskontrolle und kurze Bewertung

Praxis: Erstellen Sie einen Pilotplan mit Baseline, KPI, Scope, Budget, Kontrollen, Evaluation, Go/No-Go-Schwelle und 30-Tage-Review.

Prüfung und Abschluss: Lernende präsentieren einen evidenzbasierten Business Case und einen Pilot mit begründeter Go/No-Go-Entscheidung.