Worum geht’s
ChatGPT, Copilot, Gemini, lokale Modelle über Ollama — Large Language Models (LLMs) sind längst im Arbeitsalltag angekommen, auch in deiner Ausbildung. Sie können enorm helfen, aber genauso enorm in die Irre führen. Als angehende Fachkraft brauchst du kein KI-Forschungswissen, wohl aber ein realistisches Bild: Was kann so ein Modell, was nicht, wie spreche ich es sinnvoll an — und was darf ich auf keinen Fall hineingeben? Dieses Modul folgt dem verbindlichen 5-Aspekte-Raster für KI-Kompetenz.
Konzept
Aspekt 1 — Was funktioniert, was nicht? Ein LLM ist ein wahrscheinlichkeitsbasiertes Sprachmodell: es sagt das nächste Wort voraus. Es ist kein Faktenspeicher und keine Logikmaschine.
- Stark bei: Umformulieren, Erklären, Texte zusammenfassen, Boilerplate/Vorlagen, Übersetzen.
- Schwach bei: harten Fakten, Rechnen, tagesaktuellen Infos.
- Halluzinationen: das Modell erfindet überzeugend klingende, aber falsche Aussagen (z. B. nicht existierende Befehle oder Quellen).
- Knowledge-Cutoff: das Wissen endet zu einem Stichtag — Neueres kennt es nicht.
- Nichtdeterminismus: dieselbe Frage kann unterschiedliche Antworten liefern.
Aspekt 2 — Was kann ich erwarten? Behandle das LLM als Assistenten, nicht als Autorität. Es liefert einen Entwurf, kein Endergebnis. Output immer prüfen. Es macht dich bei Routine produktiver, ersetzt aber kein Fachwissen — die Verantwortung bleibt bei dir.
Aspekt 5 — Was darf ich, was nicht? (Compliance):
- Keine personenbezogenen oder vertraulichen Daten (Kundennamen, Passwörter, interne Dokumente) in öffentliche LLMs — das verstößt gegen DSGVO und Geheimhaltung.
- Betriebliche KI-Policy beachten: viele Firmen regeln, welche Tools erlaubt sind.
- Urheberrecht/Lizenz der Ausgaben bedenken; KI-Nutzung transparent machen, wo gefordert.
- Lokale LLMs (z. B. via Ollama) sind eine datensparsame Alternative für sensible Inhalte, weil die Daten den Rechner nicht verlassen.
Sicherheitshinweis (A5): Gib niemals Passwörter, Kundendaten oder interne Informationen in ein öffentliches LLM ein. Im Zweifel anonymisieren oder ein lokales Modell nutzen. Die Verantwortung für jede übernommene Antwort liegt bei dir, nicht bei der KI.
Beispiel-Fall
Aspekt 3 — Wie prompte ich sinnvoll? Ein guter Prompt entsteht Schritt für Schritt. Aufgabe: Du willst dir das Konzept „VLAN” erklären lassen.
- Schwacher Start:
Was ist VLAN?— zu offen, du bekommst irgendeine Länge und Tiefe. - Rolle + Zielgruppe geben:
Erkläre mir als IT-Azubi im 1. Lehrjahr, was ein VLAN ist.Jetzt kennt das Modell dein Niveau. - Kontext ergänzen:
Ich kenne IP-Adressen und Switches schon.— kein Stoff doppelt. - Format vorgeben:
Antworte in maximal 5 Sätzen plus einem Alltagsvergleich. - Iterieren: Ist etwas unklar, frag nach:
Erkläre den Alltagsvergleich genauer. - Begründung anfordern:
Warum trennt man Netze überhaupt per VLAN?
Aus einer vagen Frage wird so ein präziser Prompt mit Rolle, Kontext, Format und Iteration — und das Ergebnis ist verwertbar, ohne dass du ungeprüft alles glaubst.
Anwenden
Aspekt 4 — Welche Anwendungsfälle? Konzepte erklären lassen, Doku-/E-Mail-Entwürfe, fremden Code oder ein Skript verstehen, Texte zusammenfassen, übersetzen — stets mit eigener Prüfung. Praktisch hilft dir der Token-Zähler, ein Gefühl für die Größe deiner Eingaben zu bekommen (LLMs haben ein begrenztes Kontextfenster):
Wer die Token-Größe kennt, prompted effizienter und merkt, wenn eine Eingabe zu groß (oder zu datenreich) wird. Zum Vergleich der lokalen Modelle hilft /tools/ollama-modelle.
- Füge einen langen Prompt oder ein Log ein und sieh dir die geschätzte Token-Zahl an.
- Vergleiche: Ein typisches Modell hat ein Kontextfenster von einigen Tausend bis Zehntausend Tokens.
- Überlege, was du kürzen oder anonymisieren kannst, bevor du es einem LLM gibst.
Vergleiche jetzt schwache und starke Prompts direkt:
Selbsttest
Entscheide nun bei jedem Inhalt, ob er in ein öffentliches LLM darf:
Du nutzt ein öffentliches LLM als Lernhilfe. Welche dieser Inhalte würdest du hineingeben?
Praxis-Challenge
Such dir ein Konzept aus deiner Ausbildung, das du noch nicht ganz verstanden hast. Schreibe zuerst einen bewusst schlechten Ein-Wort-Prompt, dann einen guten mit Rolle, Kontext, Format und Constraint. Lass dir beides erklären und vergleiche die Qualität. Prüfe anschließend mindestens eine Aussage der KI gegen eine verlässliche Quelle (Doku, Blog, Lehrbuch) — findest du einen Fehler oder eine Halluzination? Notiere zum Schluss, welche der drei Eingaben du auf keinen Fall an ein öffentliches LLM gegeben hättest und warum. So übst du Prompting, Verifikation und Datenschutz in einem Durchgang.