KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten

KI regulieren, aber wie? In dieser Folge bekommt ihr einen kompakten Überblick über die regulatorische Landkarte in Europa: Was regelt die DSGVO, was der EU AI Act, was NIS2, DORA, der Cyber Resilience Act und der Data Act. Und was hat das alles mit KI zu tun?

Ihr erfahrt, warum es nicht reicht, bei KI nur auf den AI Act zu schauen und wann welches Regelwerk greift. Diese Folge ist eine Vorarbeit für deie nächste Folge, in der wir einen tieferen Einblick in den EU AI Act wagen wollen.

Fragen, die ihr euch nach der Folge stellen solltet:

- Welche der gennanten (und anderen) Regelwerke betreffen euer Unternehmen? Macht euch wirklich eine Liste zu euren Anwendungen, die KI beinhalten und ordnet sie den Regelwerken zu, um eine erste Übersicht zu bekommen.

- Wie gut seid ihr bereits bei DSGVO und AI Act aufgestellt?

Anmerkungen:

Keine Rechtsberatung, keine Garantie auf Richtigkeit. Informationen in dieser Folge können nach einiger Zeit veraltet sein.

Rat und Parlament haben sich am 7. Mai 2026 politisch auf den Digital Omnibus geeinigt, anders als in der Folge angesprochen. Hier dazu eine Quelle: https://www.consilium.europa.eu/en/press/press-releases/2026/05/07/artificial-intelligence-council-and-parliament-agree-to-simplify-and-streamline-rules/

Generelle Infos zum Digital Omnibus: https://digital-strategy.ec.europa.eu/en/library/digital-omnibus-ai-regulation-proposal

Was sind Reasoning-Modelle und warum sind sie klassichen Large Language Models (LLMs) oft überlegen?

Das ist die Kernfrage der heutigen Folge. Im Mittelpunkt steht die sogenannte Chain of Thought, die interne Gedankenkette, die Sprachmodelle nutzen, um Schritt für Schritt zu einer Antwort zu gelangen.

Inspiriert von Daniel Kahnemans „Schnelles Denken, langsames Denken" zeigen wir, warum das Prinzip von System 1 und System 2 irgendwie auch für künstliche Intelligenz gilt.

Themen dieser Folge:

• Was ist Chain of Thought und warum macht es Reasoning Modelle besser?
• Warum sind Reasoning Modelle teurer und wann lohnt sich der Einsatz?
• Overthinking und Selbstüberschätzung: Schwächen, die auch KI kennt

Frühere Folgen, die ich empfehle anzuhören, damit ihr das Thema gut versteht: Transformer, Tokens, Embeddings, RAG, Fine-Tuning

Buch von Daniel Kahneman:

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

NVIDIA-CEO Jensen Huang nennt KI einen "Five-Layer-Cake", einen Kuchen mit fünf Schichten: Energie, Chips, Recheninfrastruktur, Modelle und Applikationen. Doch was bedeutet dieses mentale Modell für europäische Unternehmen, Manager und Entscheider? In dieser Folge von "KI – kurz und informativ" diskutieren wir das Five-Layer-Modell, ordnen Huangs Aussagen zu Jobs, nationaler KI-Infrastruktur und Europas Chancen kritisch ein und zeigen anhand von Siemens, wie europäische Industrie KI nicht nur nutzt, sondern selbst gestaltet.

Themen dieser Folge:

• Das Five-Layer-Modell von NVIDIA und Jensen Huang einfach erklärt
• Warum Energie der limitierende Faktor jeder KI-Strategie ist
• Was Huangs These zu KI und Jobs für den europäischen Arbeitsmarkt bedeutet
• Siemens Industrial Foundation Model: Wie Domain-Wissen plus KI funktionieren kann
• Drei Fragen, die sich jeder Entscheider jetzt stellen sollte

Drei Leitfragen für euer Unternehmen:

• Was ist euer Domain-Wissen, das noch kein Modell hat?
• Könnt ihr euch tiefer im Stack positionieren, also vom Anwender zum Anbieter werden?
• Wo habt ihr Energieabhängigkeiten, die euch blockieren?

Quellen und weiterführende Links:

• NVIDIA Blog zum AI 5-Layer-Cake: https://blogs.nvidia.com/blog/ai-5-layer-cake/
• Larry Fink im Gespräch mit Jensen Huang in Davos: https://www.youtube.com/watch?v=hnF7heF3k7s
• Siemens Industrial Foundation Model: https://www.siemens.com/global/en/products/automation/topic-areas/industrial-ai/industrial-foundation-model.html
• Christensen et al. (2025), "Projected US Radiologist Supply, 2025 to 2055", Journal of the American College of Radiology: https://www.jacr.org/article/S1546-1440(24)00909-8/fulltext 
• Harvey L. Neiman Health Policy Institute, Pressemitteilung vom Februar 2025: https://www.neimanhpi.org/press-releases/new-studies-shed-light-on-the-future-radiologist-workforce-shortage-by-projecting-future-radiologist-supply-and-demand-for-imaging/

In den letzten Folgen haben wir uns RAG (Retrieval Augmented Generation) und Fine Tuning im Zusammenhang mit Künstlicher Intelligenz (KI) und Large Language Models (LLMs) angeschaut. Doch was ist eigentlich derUnterschied zwischen diesen Ansätzen? Und wann nutzt man eher welche Methode?

Beides sind Möglichkeiten, in eine Richtung, entweder dasModell (Fine Tuning) oder den Kontext (RAG) zu optimieren.

Wir schauen uns die Vor- und Nachteile an und leiten dementsprechendAnwendungsszenarien für die Praxis ab. Anhand kurzer Beispiele könnt ihr euch selbsttesten, ob ihr den Unterschied verstanden habt.

Schreibt gerne einen konkreten Anwendungsfall oder eine Ideein die Kommentare, damit wir das gemeinsam diskutieren können.

Kleine Anmerkung zu dem was ich in der Folge gesagt habe,weil das etwas verwirrend gesagt wurde von mir:

Bei RAG ladet ihr nicht ALL euer externes Wissen in dasContext Window, sondern nur das, was zur Beantwortung der Frage oder des UserPrompts gebraucht wird. Eben den relevanten Kontext. Dennoch kann das unterUmständen, vor allem mit einem längeren Gesprächsverlauf, System Prompts etc.,das Context Window sprengen.

Kann man ein KI-Modell (Large Language Model) einfach auf die eigenen Bedürfnisse trainieren? Dank Fine-Tuning ist das möglich.

Heute klären wir, was Fine-Tuning überhaupt ist und warum es nicht ganz so einfach ist, wie viele gerne annehmen. Für KI im Unternehmen ist es dennoch spannend zu wissen, wie es funktioniert und worauf man achten sollte.

Ihr erfahrt, was den Unterschied zwischen dem aufwendigen Grundlagentraining großer KI-Firmen und der aufgabenspezifischen Anpassung eines Modells ausmacht, welche Daten du dafür brauchst und welche Strategien es gibt.

Diese Folge richtet sich primär an Menschen, die grundsätzlich verstehen wollen, was KI-Spezialisierung bedeutet, ohne zu tief in die Technil einzusteigen.

Heute, zum Abschluss der zweiten Staffel, gibt es wieder ein Quiz zu den Themen der letzten 19 Folgen. Bist du inzwischen ein KI-Experte?

Teste dein Wissen rund um Künstliche Intelligenz, Machine Learning und moderne KI-Konzepte.

• Was steckt wirklich hinter dem Begriff Token und welche Aussage ist falsch?
• Was ist Vibe Coding und warum spricht gerade alle Welt darüber?
• Welche Schritte gehören zur klassischen KI/ML-Wertschöpfungskette und welcher nicht?
• Was sind AI Agents?
• Was bedeutet RAG und was kann man damit machen?
• Was ist der Unterschied zwischen AI First und anderen KI-Prinzipien?
• Was ist ein Embedding in der KI?
• Wie funktionieren Diffusion Models?
• Wie promptest du für Text-zu-Bild-Modelle richtig?

Schreibt gerne mal in die Kommentare, wie viele Fragen ihr richtig beantworten konntet!

Wer mit ChatGPT & Co. gute Ergebnisse erzielt, scheitert oft an Bildgeneratoren wie Midjourney oder Stable Diffusion ... und umgekehrt. Warum? Weil Text- und Bildmodelle grundlegend anders mit Prompts umgehen.

In dieser Folge erfahrt ihr die fünf wichtigsten Unterschiede zwischen Prompts für Sprachmodelle (LLMs) und Prompts für Bildgeneratoren. Ihr lernt, warum Bildmodelle auf Fachbegriffe aus Fotografie und Kunst reagieren, warum „ohne Menschen" oft das Gegenteil bewirkt und was es mit sogenannten Negativen Prompts auf sich hat.

Diese Folge ist besonders relevant für euch, wenn ihr KI-Tools im Arbeitsalltag einsetzt und verstehen wollt, warum dieselbe Eingabe je nach Modellfamilie völlig unterschiedliche Ergebnisse liefert.

Übung/Gewinnspiel:

Ich teile ein KI-generiertes Bild auf Instagram und eure Aufgabe ist es, mit dem Wissen aus dieser Folge, so nah wie möglich an den ursprünglichen Prompt zu kommen.

Den Original-Prompt werde ich anschliessend veröffentlichen und den Gewinner damit bekanntgeben.

Folgt mir dazu auf Instagram: marc.pyucation

Themen in dieser Folge: Prompt Engineering, Bildgenerierung, Diffusion Models, Negative Prompts, ChatGPT, Midjourney, Stable Diffusion, DALL-E, Künstliche Intelligenz im Alltag

In dieser Folge sprechen wir über Bildgenerierung mit sog. Diffusion Models. Mit Hilfe der statistischen Diffusion können wir Bilder künstlich "verrauschen" und ein Model diesen Prozess umkehren lassen.

Nach diesem Prinzip funktionieren heutzutage viele KI-Bildgeneratoren. Man muss dazu sagen, dass es mehrere Arten gibt, Bilder mit KI zu erzeugen. Diffusion Models ist eine Möglichkeit.

Erfahre in der Folge, wie man das nun nutzten kann, um Text-zu-Bild-Modelle (Text-to-Image Models) zu erstellen.

Enterprise AI könnte die nächste große Phase der Künstlichen Intelligenz sein: KI, die nicht nur punktuell eingesetzt wird, sondern tief in die Prozesse eines Unternehmens integriert ist.

Wie das konkret aussehen kann und welche Chancen sich daraus für Unternehmen ergeben, darüber spreche ich mit Axel Schultze und Christian Weh von der BlueCallom AG.

Axel Schultze ist einer der erfolgreichsten Startup Accelerators und hat mehrere Unternehmen aufgebaut. Christian Weh, ursprünglich Chemiker und heute CEO eines Unternehmens im Bereich Krebsforschung, arbeitet gemeinsam mit Axel an neuen Lösungen im Enterprise-AI-Bereich.

Doch Enterprise AI ist mehr als nur ein weiteres Software-Tool. Es geht um eine neue Form der Zusammenarbeit zwischen Menschen und intelligenten Systemen.

Was bedeutet das für Unternehmen?
Welche Rolle spielt der Mensch, wenn Produktivität immer stärker von KI geprägt wird?
Und welche Fähigkeiten werden in Zukunft wirklich wichtig?

Über diese und viele weitere Fragen sprechen wir in dieser Folge.

In dieser Folge sprechen wir unter anderem über:

• was Enterprise AI eigentlich bedeutet

• warum KI im Unternehmen mehr ist als Chatbots

• welche Herausforderungen Unternehmen aktuell haben

• welche Rolle der Mensch in einer KI-geprägten Arbeitswelt spielt

Heute sprechen wir im Anschluss an die Folge über Embeddings, wie ich die Ähnlichkeit zwischen Vektorembeddings berechnen kann (ganz einfach) und wie ich das nutze, um die Relevanz von Dokumenten zu bewerten.

Denn genau diese Methode nutzt eine Technik namens RAG (Retrieval Augmented Generation), die es uns erlaubt, mit unseren Dokumenten zu "chatten". D. h. Fragen zu eigenen Dokumenten zu stellen, ohne dass ein Sprachmodell darauf trainiert wurde.

Viele Unternehmen nutzen das bereits sehr ausgiebig in ihren Workflows und in dieser Folge lernt ihr, wie genau das Prinzip dahinter funktioniert.