KI-Agenten in der Praxis

Wie „denkt” eine KI? – Grundlagen moderner Sprachmodelle

• Funktionsprinzip verstehen: Wie der Attention-Mechanismus
  und die Next-Token-Prediction zusammenwirken
• Halluzinationen erkennen und einordnen: Das „Tal des
  Nichtwissens” als systematische Fehlerquelle identifizieren
• Abgrenzung zur klassischen Datenanalyse: Clustering, Regression und Reinforcement Learning im Vergleich zu generativer KI
• Automatisierungsgrade in der Praxis: Dunkelverarbeitung, Human in the Loop und kollaborative Chatbot-Systeme anhand konkreter Industriebeispiele bewerten

Die KI richtig steuern – Von Prompt Engineering zu Thinking Patterns

• Chain of Thought und innerer Monolog: Der KI durch gezielte Denkmuster Raum für logische Schlussfolgerungen geben
• Rollen, Personas und implizites Prompting: Warum eine Rollenzuweisung präziser steuert als jede Liste expliziter Adjektive
• Semantische Interpolation: Antworten über numerische Skalen exakt justieren und durch Ankerpunkte wiederholgenau machen
• Chatverläufe manipulieren und Divide-and-Conquer: Wie man KI strategisch nutzt, Verläufe gezielt überschreibt und Aufgaben in fokussierte Einzelprompts aufteilt

KI-Agenten bauen – Vom Chatbot zum Spezialisten

• Anatomie eines Agenten verstehen: Die Dreifaltigkeit aus System Prompt, Kontext und Werkzeugen als Architekturprinzip begreifen
• Die perfekte System Prompt strukturieren: Persönlichkeit, Grundprämissen, Interaktionsleitfaden und Few-Shot-Beispiele
• Agentische Loops verstehen: Wie ein Agent eigenständig Werkzeuge auswählt, Zwischenergebnisse bewertet, Wartezeiten managed und mehrstufige Aufgaben in Schleifen orchestriert
• Sicherheit und Prompt Guards: Prompt Injections und Alignment-Angriffe kennenlernen, Verteidigungsstrategien formulieren und Datensparsamkeit als Schutz

Firmenwissen anbinden – RAG und das Gedächtnis der KI

• Das Kontextfenster und seine Grenzen: Token-Kosten, Gedächtnisverlust und so entstehenden Risiken
• Retrieval-Augmented Generation (RAG): Den RAG-Prozess durchdringen, demonstriert am Prinzip „Die Nadel im Heuhaufen”
• RAG Systeme als Personal Memories: Dynamisches Langzeitgedächtnis über Sessions hinweg aufbauen

Werkzeuge der KI – Wenn Text nicht mehr ausreicht

• Code Interpreter als Taschenrechner und Konstrukteur: Exakte Berechnungen per Python oder SVG-Vektorgrafiken, ohne selbst zu programmieren
• Websuche und Browser-Automation: Wettbewerbsanalyse, Bedienung von Legacy-Software und Software-Testing
• Multimodalität: Das Bild- und Videoverständnis der Agenten
  zur Wissenssicherung nutzen

Praxisübung: Datenanalyse mit KI – Vom Rohdatensatz zum automatisierten Report

• Datensatz explorieren: Datensatz einlesen, Datentypen prüfen, Datenlücken aufspüren und Datenqualität bewerten.
• Visualisieren und Hypothesen prüfen: Korrelationsmatrizen, Histogramme und Scatterplots interaktiv erstellen, Schein-
  korrelationen erkennen
• Daten aufbereiten: Aus bestehenden Rohdaten neue, aussagekräftige Analysespalten ableiten und deren Einfluss bewerten.
• Automatisierten Report generieren: Erkenntnisse und Diagramme per KI in kürzester Zeit in ein Dokument überführen

Praxisübung: Industrie-Workflows bauen

• Meeting- und Vertrags-Analyzer: Von der Transkription über Analyseschritte bis zur automatisierten Protokollversendung. Übertragung der Logik auf NDA- und Ausschreibungsanalysen
• Echtzeit-Requirements-Engineering: Workshop-Diskussionen in strukturierte Canvas und Backlogs überführen. Halluzinationen als kreatives Werkzeug nutzen
• Benutzeroberflächen gestalten: Warum Kolleg:innen niemals komplexe Prompt-Ketten bedienen sollten – und wie man
  Workflows als einfache Formulare auslegt

Tipps, um KI im Unternehmen erfolgreich einzuführen

• Einblick ins Stakeholder-Management: Domänenexperten, IT-
  Abteilung, Management und Betriebsrat mit ihren unterschied-
  lichen Prioritäten zusammenbringen
• Ideen, um den richtigen Use Case zu finden: Fokus auf Kernwertschöpfung statt „Nice-to-have”
• Übliche Stolpersteine bezüglich der rechtlichen Rahmen: EU AI Act praxisnah einordnen, DSGVO-konforme Datenverarbeitung vs. Speicherung, Haftungsrisiken