KI wird wertvoll, wenn sie im Alltag funktioniert.

Sie unterscheiden Sprachmodelle, KI-Dienste, Copiloten und spezialisierte Werkzeuge nach Aufgabe, Datenzugriff und Integrationsgrad. Auswahlkriterien wie Ergebnisqualität, Datenschutz, Kosten, Aktualität und Einbindung in bestehende Arbeitsplätze machen die Entscheidung nachvollziehbar.

Sie lernen, welche Aufgaben generative KI zuverlässig unterstützt und wo probabilistische Ergebnisse, Halluzinationen, Verzerrungen, Kontextgrenzen oder veraltetes Wissen Risiken erzeugen. Typische Fehlerbilder werden erkannt, eingeordnet und mit passenden Prüfmaßnahmen verbunden.

Sie übersetzen unklare Arbeitsaufträge in strukturierte Prompts aus Kontext, Aufgabe, Eingaben, Ziel, Qualitätskriterien und Ausgabeformat. Dadurch werden Anforderungen nachvollziehbar, Ergebnisse besser vergleichbar und Rückfragen gezielter.

Sie verbessern Prompts in kontrollierten Schritten, vergleichen Varianten und trennen fachliche Schwächen von Formulierungs- oder Kontextproblemen. Bewährte Muster werden versioniert, dokumentiert und für ähnliche Aufgaben wiederverwendbar gemacht.

Sie prüfen KI-Ergebnisse auf fachliche Richtigkeit, Vollständigkeit, Widersprüche, Quellenbezug und Eignung für den vorgesehenen Zweck. Checklisten, Gegenfragen und menschliche Freigabepunkte helfen, schwache Ergebnisse gezielt zu korrigieren.

Sie bearbeiten typische Aufgaben wie Entwerfen, Zusammenfassen, Vergleichen, Extrahieren, Klassifizieren und vorbereitende Recherche. Dabei wird geklärt, welche Eingaben benötigt werden, wie Ergebnisse geprüft werden und an welcher Stelle KI den vorhandenen Arbeitsablauf sinnvoll ergänzt.

Sie ordnen personenbezogene, vertrauliche und unternehmenskritische Informationen ein und entscheiden, welche Daten ein KI-Dienst verarbeiten darf. Anonymisierung, Berechtigungen, Anbieteroptionen, interne Regeln und sichere Alternativen werden anhand praktischer Situationen bewertet.

Sie wenden die Methoden auf nachvollziehbare Aufgaben an, vergleichen unterschiedliche Lösungswege und reflektieren die Wirkung Ihrer Entscheidungen. Übungen verbinden Erklärung, eigenes Ausprobieren, Feedback und eine übertragbare Verbesserung.

Sie erhalten und nutzen Checklisten, Strukturhilfen, Beispiele und kurze Referenzen, die nach dem Seminar weiterarbeiten lassen. Die Unterlagen werden nicht nur ausgegeben, sondern im Seminar eingeordnet und auf typische Anwendungssituationen bezogen.

Sie bilden einen realen Arbeitsablauf mit Auslösern, Eingaben, Rollen, Entscheidungen, Übergaben und Ergebnissen ab. Gemeinsam wird geprüft, wo KI unterstützt, welche Kontrollpunkte notwendig sind und wie ein belastbarer Pilot in die Prozesskette passt.

Sie erschließen vorhandene Texte, Dokumente und Wissensbestände über Quellenstruktur, Metadaten, Begriffe und geeignete Such- oder Retrieval-Ansätze. Qualität, Aktualität, Berechtigungen und die Grenzen einer RAG- oder Wissenslösung werden sichtbar gemacht.

Sie ordnen Datenobjekte, Datenbanken, Schnittstellen, ETL-Strecken und Unternehmenssoftware in ein gemeinsames Lösungsbild ein. Dabei werden Systemgrenzen, Datenflüsse, Verantwortlichkeiten, Fehlerwege und betriebliche Anforderungen berücksichtigt.

Sie definieren messbare Erwartungen, Prüfregeln und Freigabepunkte für Eingaben, Verarbeitung und Ergebnisse. Stichproben, Protokollierung, Eskalation und menschliche Verantwortung schaffen eine kontrollierbare Nutzung statt blindem Vertrauen.

Sie bearbeiten realistische Fälle aus Requirements Engineering, Businessanalyse, Projektleitung, Entwicklung, Architektur, Qualität und Test. Rollen, Systemabhängigkeiten, Zielkonflikte und technische Randbedingungen werden ausdrücklich in die Lösung einbezogen.

Sie entwickeln Promptstrukturen, Analysevorlagen und Workflowmuster, die mit klaren Eingaben, Prüfkriterien und Verantwortlichkeiten erneut genutzt werden können. Versionierung und Anpassung verhindern, dass Vorlagen zu unkontrollierten Einzellösungen werden.

Sie erstellen ein greifbares Ergebnis für den eigenen Arbeitsalltag, beispielsweise eine Promptvorlage, Analyse, Checkliste, Prozessskizze oder Pilotbeschreibung. Nächste Schritte, Verantwortlichkeiten und Erfolgskriterien machen den Transfer anschlussfähig.

Vor dem Inhouse-Termin werden Zielgruppe, Wissensstand, Systeme, Aufgabenstellung und gewünschte Ergebnisse abgestimmt. Beispiele, Tiefe, Übungen und Transferaufgaben werden so angepasst, dass das Seminar zum tatsächlichen Unternehmenskontext passt.

Bei regulierten, sicherheitskritischen oder hoch spezialisierten Inhalten werden Rollen und Verantwortlichkeiten einer Doppelspitze geklärt. CTPM verantwortet KI, IT, Daten, Architektur und Methodik; der Branchenexperte ergänzt Prozesse, Fachbegriffe und verbindliche Anforderungen.

Sie strukturieren Stakeholder, Ziele, Systemgrenzen und Anforderungen und nutzen geeignete Erhebungs-, Modellierungs- und Dokumentationstechniken. Qualitätskriterien, Akzeptanzbedingungen, Reviews und Nachverfolgbarkeit verbinden Fachbereich und Umsetzung.

Sie leiten Architekturziele aus fachlichen und qualitativen Anforderungen ab und strukturieren Bausteine, Schnittstellen und Verantwortlichkeiten. Architekturentscheidungen, Risiken, Modernisierungsschritte und nachvollziehbare Dokumentation werden gemeinsam bewertet.

Sie überführen fachliche Begriffe und Regeln in konzeptionelle, logische und relationale Datenmodelle. Schlüssel, Beziehungen, Normalisierung, Integrität, SQL-Abfragen und Performance werden als zusammenhängende Entwurfsentscheidungen behandelt.

Sie gestalten den Weg von Quell- zu Zielsystemen mit Mapping, Transformation, Ladeverfahren und Qualitätsregeln. Delta-Logik, Fehlerbehandlung, Wiederanlauf, Monitoring, Metadaten und Nachvollziehbarkeit werden von Anfang an berücksichtigt.

Sie erfassen Funktionen, Daten, Schnittstellen, Abhängigkeiten, Dokumentation und implizites Wissen einer gewachsenen Lösung. Risiken und unbekannte Bereiche werden sichtbar, damit Modernisierung schrittweise erfolgen kann, ohne das laufende Verhalten unkontrolliert zu verändern.

Tabellen, Schlüssel, Beziehungen und Datenmodelle verständlich einordnen.

SELECT, WHERE, ORDER BY und Bedingungen an praktischen Aufgaben anwenden.

COUNT, SUM, AVG, GROUP BY und HAVING für nachvollziehbare Auswertungen nutzen.

INNER und OUTER JOIN schrittweise aufbauen und Mehrfachtreffer erkennen.

INSERT, UPDATE und DELETE verstehen sowie Risiken vor Änderungen prüfen.

Gemeinsamen SQL-Kern und relevante Unterschiede der drei Datenbanksysteme erkennen.

Aus einer fachlichen Frage eine klare Abfrage mit überprüfbarem Ergebnis entwickeln.

Plausibilität, NULL-Werte, Dubletten und fachliche Vollständigkeit systematisch prüfen.

Sie bearbeiten Oracle-spezifisches SQL und PL/SQL von Datenzugriff und Transaktionen bis zu Prozeduren, Funktionen und Packages. Fehlerbehandlung, Performance, Tests, Schnittstellen und Wartbarkeit werden an realistischen Datenbankaufgaben verbunden.

Eigene Verantwortung, Grenzen und Entscheidungsspielräume transparent machen.

Einfluss, Erwartungen, Interessen und mögliche Widerstände strukturiert erfassen.

Klar zuhören, Erwartungen formulieren und Verständnis verbindlich rückkoppeln.

Optionen, Risiken und Konsequenzen so darstellen, dass Entscheidungen möglich werden.

Spannungen früh benennen und sachlich in eine bearbeitbare Form überführen.

Zuständigkeiten, nächste Schritte und Rückmeldung ohne disziplinarischen Druck vereinbaren.

Vor Aufgaben Orientierung schaffen und danach Erkenntnisse ohne Schuldzuweisung sichern.

Auch bei unvollständigen Informationen handlungsfähig bleiben und einen eigenen Fall lösen.

Quelle, Anforderung, Entwurf, Änderung, Test, Freigabe und Release werden so verbunden, dass Entscheidungen und Auswirkungen später nachvollziehbar bleiben.

Die Methode wird an SQL, PL/SQL, MySQL/MariaDB, PHP, JSON, HTML, CSS, JavaScript, SQL*Plus und Bash erprobt, ohne aus dem Seminar zehn isolierte Sprachkurse zu machen.

Normalfälle, Randfälle, Seiteneffekte und nicht akzeptable Ergebnisse werden in prüfbare Testfälle, Regressionen und Freigabekriterien übersetzt.

Releasevorbereitung, Konfiguration, Skripte, Übergabe, Monitoring, Rückfallweg und Wartungsfolgen werden als zusammenhängender Betriebsprozess behandelt.

Beobachtungen, Logs, Reproduktionsschritte, Hypothesen und Gegenproben werden getrennt, damit plausible KI-Erklärungen nicht mit einem gesicherten Befund verwechselt werden.

Entscheidungen, Annahmen, Schnittstellen, Betriebshinweise, offene Risiken und Prüfnachweise werden verständlich und wartbar dokumentiert.

Vor einer Änderung werden betroffene Komponenten, Daten, Schnittstellen, bestehende Logik und mögliche Nebenwirkungen sichtbar gemacht und in die Prüfung einbezogen.

Die KI liefert Arbeitsentwürfe. Menschen definieren Ziel und Grenzen, prüfen Evidenz und Tests, entscheiden über Korrektur und geben die weitere Verwendung frei.

Ein anonymisierter Fall zeigt, wie Anforderung, Datenbank, PHP, Webtechnik, Test, Installation und Dokumentation iterativ mit KI bearbeitet und fachlich freigegeben werden.

Oracle-SQL- und PL/SQL-Kontext, Datenmodell, Transaktionen, Packages, Fehlerbilder, Testdaten, Reporting und Dokumentation werden gemeinsam statt isoliert behandelt.