ChatGPT & Generative AI Schulung: Prompting bis OpenAI-API

Generative AI verstehen: was hinter ChatGPT steckt

• Generative AI, ChatGPT und Large Language Models: Begriffe sauber trennen
• Vom Sprachmodell zur KI-Anwendung: Modell, Oberfläche, Werkzeuge, Daten
• Tokens, Wahrscheinlichkeiten und wie eine Antwort Stück für Stück entsteht
• Basismodelle, Assistenzmodelle und Reasoning-Modelle unterscheiden
• Multimodale Modelle: Text, Bild, Audio und Dateien in einer Anfrage
• Kontextfenster und ihre praktischen Grenzen bei langen Dokumenten
• Wissensstand, Trainingsstichtag und Aktualität durch Websuche
• Halluzinationen erkennen und Ergebnisse kritisch prüfen
• Wie Modelle Werkzeuge einsetzen: Suche, Codeausführung, Bildgenerierung
• ChatGPT, Claude, Gemini, Microsoft Copilot und Open-Weight-Modelle einordnen

ChatGPT als professionellen Arbeitsplatz einsetzen

• Oberfläche, Modelle und zentrale Funktionen im Überblick
• Modellwahl nach Aufgabe: schnelle Antwort oder gründliches Nachdenken
• Sprache, Fotos und Dateien als Eingabe verwenden
• Websuche gezielt in Arbeitsprozesse einbinden und Quellenangaben nutzen
• Deep Research für umfangreiche Recherchen beauftragen
• Schreibblöcke für längere Texte, Codeblöcke mit Vorschau (früher Canvas)
• Projekte als strukturierte Arbeitsräume mit Dateien und Anweisungen aufbauen
• Memory und Personalisierung bewusst einsetzen und kontrollieren
• Plugins mit Skills für wiederkehrende Aufgaben erstellen und teilen, Nachfolger der eigenen GPTs (Ende geplant 11.12.2026)
• Datenschutz: Datenkontrollen, temporäre Chats, Business-Arbeitsbereich
• Apps (früher Konnektoren) und ChatGPT-Agent im Überblick, Vertiefung im Fortgeschrittenen-Seminar

Prompt Engineering: von der Frage zum belastbaren Arbeitsauftrag

• Warum ein guter Prompt mehr ist als eine gute Frage
• Ziel, Kontext, Rolle und gewünschtes Ergebnis festlegen
• Ausgabeformat und Qualitätskriterien präzisieren: Länge, Gliederung, Tabelle
• Komplexe Aufgaben in Teilschritte zerlegen
• Rückfragen des Modells ausdrücklich anfordern, bevor es mit der Arbeit beginnt
• Beispiele und Referenzergebnisse mitgeben (Few-Shot)
• Prompts iterativ testen, Varianten vergleichen und verbessern
• Wiederverwendbare Prompt-Vorlagen mit Platzhaltern entwickeln
• Typische Prompt-Fehler: widersprüchliche Vorgaben, fehlender Kontext, zu viel auf einmal
• Aus Einzelprompts systematische Arbeitsabläufe entwickeln
• Reasoning-Modelle anders anleiten: Ziel und Prüfkriterien statt kleinteiliger Schrittfolge

ChatGPT für den produktiven Arbeitsalltag

• Texte zusammenfassen und Informationen verdichten
• E-Mails, Konzepte und Dokumente entwerfen
• Bestehende Texte überarbeiten und korrigieren
• Tonalität und Zielgruppenansprache verändern
• Übersetzungen und sprachliche Anpassungen, Fachbegriffe gegenprüfen
• Informationen aus umfangreichen Dokumenten und Verträgen extrahieren
• Ideen strukturieren und Entscheidungsgrundlagen mit Pro und Contra entwickeln
• Wiederkehrende Aufgaben mit Vorlagen und Projekten beschleunigen
• Ergebnisse kontrollieren statt blind übernehmen: Fakten, Namen, Zahlen
• Besprechungsnotizen und Transkripte zu Protokoll und Aufgabenliste verarbeiten

Recherche und Datenanalyse mit Generative AI

• Klassische Websuche und Recherche mit Sprachmodellen unterscheiden
• Komplexe Rechercheaufträge mit Umfang und Ergebnisstruktur formulieren
• Deep Research sinnvoll einsetzen: wann es sich lohnt und wie viel Zeit es kostet
• Quellen und Aussagen kritisch überprüfen
• Strukturierte und unstrukturierte Daten analysieren
• Informationen aus PDFs, Präsentationen und Scans extrahieren
• Tabellen und Datensätze mit der Datenanalyse untersuchen
• Diagramme und Visualisierungen erzeugen
• Auffälligkeiten und Zusammenhänge identifizieren
• Halluzinationen und Fehlinterpretationen bei Analysen erkennen, Rechenweg prüfen

Texte, Bilder und Videos mit generativer KI erstellen

• Generative AI als Produktionspartner für Inhalte einsetzen
• Content-Ideen, Themenplan und Redaktionsstruktur entwickeln
• Blogartikel und Fachtexte vorbereiten und mit eigenem Fachwissen anreichern
• Inhalte für Website, Newsletter und soziale Netzwerke transformieren
• SEO-Aufgaben unterstützen: Suchintention, Gliederung, Meta-Texte
• Bildprompts systematisch entwickeln
• Bilder mit ChatGPT und anderen Generatoren erstellen
• Vorhandene Bilder als visuellen Kontext verwenden
• Bilder dialogorientiert verändern und verfeinern
• Seitenverhältnisse, Komposition und Stil kontrollieren
• Videogenerierung nach dem Aus von OpenAI Sora (App 04/2026, API 09/2026): Alternativen wie Gemini Omni Flash, Grenzen, Kosten
• Nutzungsrechte und Kennzeichnung generierter Inhalte nach EU AI Act im Überblick

ChatGPT für Programmierung und Softwareentwicklung

• Unterstützung mit und ohne Programmierkenntnisse: was realistisch ist
• Anforderungen in umsetzbare Entwicklungsaufgaben übersetzen
• Quellcode erzeugen und Zeile für Zeile erklären lassen
• Bestehenden Code analysieren und dokumentieren
• Fehler suchen: Fehlermeldungen und Stacktraces gemeinsam auswerten
• Refactoring in kleinen Schritten, mit Tests vor dem Umbau
• Anwendungen iterativ entwickeln, Code Blocks mit Vorschau für HTML und React
• Tests und Validierung von Anfang an einbeziehen
• GitHub Copilot, Codex und andere KI-Entwicklungsumgebungen einordnen
• Grenzen von generiertem Code: veraltete APIs, erfundene Pakete, Sicherheitslücken

OpenAI-APIs und programmierbare KI-Anwendungen

• ChatGPT oder API: Abrechnung, Datenverwendung, Möglichkeiten
• Aufbau einer KI-gestützten Anwendung: Oberfläche, Backend, Modell, Daten
• Requests und Responses: Aufbau einer Anfrage an die Responses API
• Assistants API am 26.08.2026 abgeschaltet: Umstieg auf Responses und Conversations API
• Authentifizierung mit API-Schlüsseln, Projekte und Schlüsselverwaltung
• Systemanweisungen und dynamische Benutzereingaben sauber trennen
• Einfache Chat-Anwendung mit Gesprächsverlauf entwickeln
• Offizielle SDKs für Python und JavaScript verwenden
• Modellparameter und Antwortverhalten steuern, strukturierte Ausgaben per JSON Schema
• Eingebaute Werkzeuge der API: Websuche, Dateisuche, Codeausführung
• Kosten, Rate Limits, Sicherheit und technische Grenzen berücksichtigen
• KI-Funktionen in bestehende Anwendungen integrieren

Eigene Daten nutzen: RAG, CAG und Finetuning

• Das Wissensproblem von Sprachmodellen verstehen
• Externes Wissen gezielt in KI-Prozesse einbringen
• Retrieval Augmented Generation: Zerlegen, Embeddings, Vektorsuche, Antwort mit Quelle
• Context Augmented Generation einordnen: ganze Wissensbestände im Kontext statt Suche
• Typische RAG-Architekturen: einfache Pipeline, Hybridsuche, Reranking
• Eigene Dokumente als Wissensbasis: Formate, Aufbereitung, Aktualisierung
• RAG und CAG mit reinem Prompting vergleichen
• Finetuning verstehen und sinnvoll abgrenzen
• Entscheidungskriterien für RAG, CAG und Finetuning: Aktualität, Datenmenge, Kosten, Pflege
• No-Code-Workflows für wissensbasierte Anwendungen kennenlernen
• Antwortqualität einer Wissensbasis mit Testfragen und erwarteten Antworten messen

KI-Agenten und intelligente Automatisierung

• Von der Antwort zur selbstständigen Aufgabenbearbeitung
• Automatisierung und Agent unterscheiden: feste Abfolge gegenüber Entscheidungsschleife
• Ziele, Kontext, Werkzeuge und Aktionen eines Agenten
• Tool Use und Function Calling verstehen
• Mehrstufige Aufgaben durch ein Modell bearbeiten lassen
• Agentische Workflows planen: Schritte, Übergaben, Abbruchbedingungen
• No-Code-Automatisierung mit n8n einordnen
• Agenten programmatisch entwickeln: OpenAI Agents SDK im Überblick
• Externe Werkzeuge und Datenquellen anbinden, Model Context Protocol (MCP)
• LangChain, LangGraph und andere agentische Frameworks einordnen
• Kontrolle, Fehlerbehandlung und menschliche Freigaben integrieren

Lokale LLMs und alternative KI-Plattformen

• Gründe für den lokalen Betrieb: Datenhoheit, Kosten, Offline-Einsatz
• Open-Weight-Modelle und kommerzielle Modelle vergleichen
• Hardwareanforderungen verstehen: Grafikspeicher, Arbeitsspeicher, Apple Silicon
• Quantisierung und Modellgrößen einordnen, GGUF-Dateien
• Lokale Modelle mit LM Studio betreiben
• Ollama als Alternative für Server und Kommandozeile
• Datenschutz und Datenhoheit bewerten
• Lokale Modelle programmatisch über eine OpenAI-kompatible Schnittstelle ansprechen
• ChatGPT, Claude, Gemini und Microsoft Copilot im Vergleich
• Cloud und lokale Modelle kombinieren
• Das passende Modell für den jeweiligen Anwendungsfall auswählen

Vom KI-Experiment zum belastbaren Workflow

• Geeignete Anwendungsfälle im eigenen Bereich identifizieren
• Aufgaben nach Nutzen und Risiko priorisieren
• Mensch und KI sinnvoll zusammenspielen lassen: wer entscheidet, wer prüft
• Prompt, Werkzeug und Modell passend kombinieren
• Ergebnisse durch Prüfmechanismen absichern
• Wiederholbare Workflows statt Einzelprompts entwickeln
• Automatisierungspotenziale erkennen
• Datenschutz und sensible Informationen berücksichtigen
• Grenzen und Risiken realistisch bewerten
• Persönliche KI-Arbeitsabläufe für den eigenen Alltag entwickeln
• KI-Kompetenz im Unternehmen: Art. 4 EU AI Act nach dem Digital Omnibus im Überblick

Generative AI absichern: Schlüssel, Kosten, Wissensbasis

• API-Schlüssel je Projekt anlegen, im Secret-Speicher halten und nie ins Frontend geben
• Ausgabenlimits und Benachrichtigungen für das API-Projekt einrichten
• RAG-Wissensbasis nur mit den Leserechten der fragenden Person durchsuchen
• Versteckte Anweisungen in hochgeladenen Dokumenten als Prompt-Injection-Testfall aufnehmen
• Personenbezogene Daten vor dem API-Aufruf entfernen oder lokal mit LM Studio verarbeiten
• Testfragen mit erwarteten Antworten nach jeder Prompt- oder Modelländerung erneut laufen lassen

Praxisprojekt: Gästeanfragen einer Touristinformation

• Prompt-Vorlage für Antworten zu Unterkünften, Veranstaltungen und Anreise
• Wissensbasis aus Gastgeberverzeichnis, Veranstaltungskalender und FAQ als RAG-Prototyp
• Kleine Anwendung mit der Responses API, die Antwortentwürfe mit Quellenhinweis erstellt
• Vergleich mit einem lokalen LLM und Freigabe durch das Team vor dem Versand

Lernziele

• Sie erklären Tokens, Kontextfenster und Halluzinationen und leiten daraus Prüfschritte für Ergebnisse ab.
• Sie formulieren Prompts mit Ziel, Kontext, Beispielen und Ausgabeformat und verbessern sie iterativ.
• Sie setzen Websuche, Deep Research und Datenanalyse für Recherche- und Auswertungsaufgaben ein.
• Sie lesen und erweitern eine einfache Anwendung, die die Responses API aufruft.
• Sie wählen begründet zwischen Prompting, RAG, CAG und Finetuning.
• Sie unterscheiden Automatisierung und Agent und bestimmen, wo menschliche Freigaben nötig sind.
• Sie betreiben ein lokales LLM und vergleichen es mit einem Cloud-Modell.

Zielgruppe

• Fach- und Führungskräfte, die Generative AI im eigenen Bereich einführen wollen
• Einsteiger:innen mit technischem Interesse, die bis zur API und zu eigenen Daten vordringen möchten
• Programmierkenntnisse sind hilfreich, aber keine Voraussetzung