Effektive KI in der Software­entwicklung

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1
   1. Einführung in den Kurs
2. 2
   Einführung in die Schulung und organisatorische Hinweise
3. 3
   Worum geht es in diesem Kurs?
4. 4
   Die „Magie“ hinter KI-Tools verstehen
5. 5
   Prompt Engineering lernen
6. 6
   Die besonderen Herausforderungen von LLMs in der Softwareentwicklung meistern
7. 7
   Weniger bekannte Einsatzmöglichkeiten von KI-Tools entdecken
8. 8
   KI-Tools in eigener Software einbinden und verwenden
9. 9
   Die Herausforderungen bei der Verwendung von KI-Tools in der eigenen Software lösen
10. 10
    Was ist KI heute?
11. 11

    KI in der Softwareentwicklung - Herausforderungen, die wir lösen werden

    LLMs sind unzuverlässig
    LLMs haben einen beschränkten Kontext
    LLMs sind nicht auf dem neuesten Stand
    LLMs haben keinen Zugriff auf Closed-Source-Code
    LLMs können nur eingeschränkt „sehen“
    LLMs können nur eingeschränkt selbst testen
    LLMs und Datenschutz
    Vorstellung des Playgrounds
    2. Wie LLMs funktionieren
    Grundlagen: Was sind Transformer-Modelle, die GPT-Architektur, Training vs. Fine-Tuning?
    Verständnis für Limitierungen, mögliche Fehlerquellen und Bias
    Exkurs: Was ist AGI (Artificial General Intelligence)?
    3. Prompting Framework & Prompt Library
    Strukturierter Ansatz zur Erstellung von Prompts
    Aufbau eines wiederverwendbaren Prompt-Katalogs
    4. Prompting-Grundlagen - Das „Setup“
    Systemnachrichten, Rollen und Personas
    Kontexteinbettung und Stilvorgaben
    Einsatz kreativer Aufgaben (z. B. Drehbuch schreiben), um die Grenzen des LLM kennenzulernen
    5. Prompting-Grundlagen - Die „Instruction“
    Präzise Formulierung von Aufgaben an das LLM
    Zero-/One-/Few-Shot Prompting und Chain-of-Thought Prompting
    Verwendung von Delimitern zur klaren Strukturierung von Informationen
    6. Prompting-Grundlagen - Der „Output“
    Steuerung von Länge, Format und Struktur der Antworten
    Generierung von Tabellen, Excel-Dateien und Flowcharts
    7. Jailbreaking und Prompt Injection (Risiken & Grenzen)8. LLM-Hyperparameter & OpenAI Playground
    Einstellung von „Temperature“, „Top P“, „Frequency Penalty“ und „Presence Penalty“
    Verwendung von Stop Sequences
    Feinjustierung des Verhaltens und der Kreativität der Modelle
    9. Softwareentwickler-Prompt
    Wie binde ich Dokumentation in meinen Prompt ein?
    Wie binde ich meine Quelldateien in den Prompt ein?
    Wie binde ich meinen Verzeichnisbaum in den Prompt ein?
    10. Auswahl und Einrichtung eines Large Language Models (LLM)
    Übersicht über führende LLMs (z. B. GPT, Claude, Llama, Gemini, Deepseek...)
    Kostenlose vs. kostenpflichtige Optionen
    Wie man kostenpflichtige Systeme nutzt
    Wie man Open-Source-Systeme nutzt (Ollama, LM Studio)
    Wie gut sind Open-Source-Modelle?
    Welche Hardwareanforderungen haben Open-Source-LLMs?
    Wann lohnen sich Open-Source-Modelle?
    11. Fähigkeiten von LLMs (multimodale Fähigkeiten)
    „Sehen“ (Bilder erkennen/erzeugen)
    „Hören“ (Stimme erzeugen)
    Suchen: KI-Suchfunktionen in OpenAI, Perplexity etc.
    Reasoning
    Zuverlässigkeit
    Wann verwende ich welches Modell?
    12. KI-Toolbox
    OpenAI-CustomGPTs
    OpenAI-Projekte
    Make.com und Co.
    13. KI-Agenten
    Vorstellung von KI-Agenten: BrowserUse, OpenAI DeepResearch, OpenAI Operator
    14. KI-Modelle in die eigene Anwendung einbinden
    Welche neuen Möglichkeiten entstehen durch LLMs?
    API-Anbindung und Überblick über bestehende Bibliotheken
    Structured Outputs
    Function Calling
    Multimodale Schnittstellen
    15. KI-Modelle parallel nutzen
    Welche Arten von Fehlern können auftreten?
    Wie kann man diesen Fehlern begegnen?
    Wie sieht ein Setup aus, das Backup-LLM-Systeme nutzt?
    16. Weitere Möglichkeiten
    Embeddings
    Transcription
    17. Prompt Builder App18. Strategien in der Softwareentwicklung (Praxistipps)
    Wie gehe ich mit umfangreichen Anforderungen um?
    Wie kann ich bei wachsenden oder sich ändernden Architekturen (Refactoring) vorgehen?
    Prompting-Tipps
    Wie gehe ich mit schwerwiegenden Bugs um, die die KI nicht lösen kann?
    19. Der moderne Entwickler
    Was kommt auf mich zu?
    Wie muss ich mich als Entwickler karrieretechnisch positionieren, um relevant zu bleiben?
    20. Abschluss
    Zusammenfassung

1. 1

   Online

   23.11.2026 · Online-Seminar · Vollzeit · bis 1 Woche · 1.000–5.000 €

2. 2

   Online

   11.01.2027 · Online-Seminar · Vollzeit · bis 1 Woche · 1.000–5.000 €

3. 3

   Köln

   13.01.2027 · Seminar · Vollzeit · bis 1 Woche · 1.000–5.000 €

4. 4

   Köln

   09.02.2027 · Seminar · Vollzeit · bis 1 Woche · 1.000–5.000 €

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen