KI in der Entwicklung.
Von der API bis zum eigenen Modell.
KI verändert nicht nur, was du baust, sondern auch, womit du baust. Coding-Assistenten, Cloud-Plattformen und eigene KI-Lösungen legen die Messlatte höher. Die Frage ist, ob dein Team die richtigen Werkzeuge richtig einsetzt.
Wir schulen Entwickler, Architekten und technische Leads in den Tools, Patterns und Entscheidungen, die KI-Projekte erfolgreich machen. Mit echten Hands-on-Labs begleiten wir dich vom Prototyp bis in die Produktion.
KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt
Über 20.000 Unternehmen und Behörden vertrauen auf uns
Finde deinen Einstieg
Egal ob du KI ins Coding holst oder eigene Modelle betreibst: Hier findest du die passende Schulung für Entwickler und Admins.
Zwei Fragen, deine Schulungen.
Woran arbeitest du?
Wie sicher bist du im Umgang mit KI?
Beantworte beide Fragen, dann erscheinen hier deine passenden Empfehlungen.
Oder steig direkt über dein Tool ein:
ChatGPT 
Microsoft Copilot 
Google Gemini 
Claude 
Open Source & Self-Hosted 
Weitere Modelle (Qwen, GLM …) Noch unsicher, welcher Kurs zu dir passt? In einer kostenlosen 15-Minuten-Einordnung finden wir ihn gemeinsam. Beratung anfragen
Von der API bis zum
eigenen Modell.
KI-Entwicklung ist kein einzelnes Skill-Set, sondern ein Spektrum unterschiedlicher Integrationstiefe. Am einen Ende steht ein einfacher API-Call an OpenAI. Am anderen Ende ein selbst gehostetes, fine-getuntes Modell auf eigener Hardware. Dazwischen liegen RAG-Architekturen, Agenten-Frameworks und Cloud-KI-Services.
Die entscheidende Frage ist nicht „Was ist technisch möglich?“, sondern „Was passt zu unserem Anwendungsfall, unserem Budget und unserer Infrastruktur?“ Ein Chatbot für den Kundensupport braucht eine andere Architektur als ein System zur Vertragsanalyse. Ein Start-up mit Cloud-Infrastruktur trifft andere Entscheidungen als ein Maschinenbauer mit strengen Compliance-Vorgaben.
In unseren Schulungen vermitteln wir nicht nur die technische Umsetzung, sondern vor allem das Architektur-Know-how: Wann reicht ein API-Call? Wann brauchst du RAG? Ab wann lohnt sich Fine-Tuning? Und wann ist Self-Hosting die einzig sinnvolle Option? Wer diese Entscheidungen fundiert trifft, erspart dem Unternehmen monatelange Fehlentwicklung.
Die meisten KI-Projekte beginnen mit einer API-Integration, bevor sie komplexere Architekturen brauchen.
Eine API-Integration steht in Tagen. Erst RAG, Fine-Tuning und Self-Hosting brauchen mehr Vorlauf.
API, RAG, Fine-Tuning und Self-Hosting decken nahezu alle Enterprise-Anwendungsfälle ab.
Vom API-Einstieg über Coding-Assistenten bis zum LLM-Self-Hosting. Technische Tiefe für jede Ebene.
Fünf Assistenten,
die deinen Code schreiben.
Agentic Coding Tools gehen weit über Autocomplete hinaus. Sie lesen deine Codebasis, refactoren über Dateigrenzen hinweg und schreiben Tests. Diese fünf bringen im Entwickleralltag tatsächlich etwas.
Claude Code
Agentic Coding mit Claude von Anthropic
Anthropics Claude gilt als eines der stärksten Modelle für Reasoning und Coding. Claude Code bringt das ins Terminal, in die IDE und in den Browser: Es versteht komplette Codebasen, plant über mehrere Schritte, refactort über Dateigrenzen hinweg und schreibt Tests gleich mit. Stark ist es bei größeren Umbauten und bei allem, was Kontext über viele Dateien braucht. Im Unterschied zu den IDE-Assistenten liegt der Schwerpunkt auf konsequent agentischem Arbeiten.
Claude Code KursCursor
KI-native IDE auf VS-Code-Basis
Die Referenz für agentic Development im Editor. Chat, Composer und Auto-Apply arbeiten direkt am Code, und wer aus VS Code kommt, ist sofort zu Hause.
Cursor-GrundkursGitHub Copilot
Vom Inline-Vorschlag bis zum Coding Agent
Mit rund 42 Prozent Marktanteil der Standard für Code-Vervollständigung im Editor. Neben Inline-Vorschlägen und Chat übernimmt der Coding Agent ganze Issues und liefert das Ergebnis als Pull Request zum Review.
GitHub-Copilot-KursOpenAI Codex
Agentisches Coding in Cloud, CLI und IDE
Codex arbeitet in einer Cloud-Sandbox, im Terminal oder in der IDE. Es schreibt Code, testet und iteriert selbstständig und eignet sich gut für klar abgegrenzte Aufgaben, die ohne ständige Rückfragen laufen sollen.
Codex KursWindsurf
KI-IDE mit Cascade-Agent
Windsurf ist eine vollständig um KI herum gebaute Entwicklungsumgebung. Der Cascade-Agent versteht den Projektkontext, führt Terminal-Befehle aus und durchsucht die Dokumentation.
Kurse zu KI-EntwicklungBeispiel: agentic Coding im Terminal
# Terminal
$ claude
> Refactore die Auth-Middleware: Extrahiere die JWT-Validierung in einen eigenen Service, füge Rate Limiting hinzu und schreibe Tests dafür.
Analysiert 14 Dateien ...
Erstellt: auth-service.ts, rate-limiter.ts
Aktualisiert: middleware.ts, routes.ts
Tests: 12 Tests geschrieben, alle grün
Fertig. 6 Dateien geändert, 247 Zeilen hinzugefügt.
Daneben wächst die Zahl der Agenten im Terminal: Googles Gemini CLI und das quelloffene OpenCode arbeiten nach demselben Prinzip wie Claude Code, für OpenCode gibt es einen eigenen OpenCode-Grundkurs. Verbunden werden die Werkzeuge zunehmend über das Model Context Protocol (MCP), einen offenen Standard, um KI-Systeme an externe Tools und Datenquellen anzubinden. Anthropic hat ihn Ende 2024 vorgestellt und Ende 2025 an die Agentic AI Foundation der Linux Foundation übergeben, OpenAI und Google unterstützen ihn ebenfalls. In der Claude-Code-Schulung üben wir agentic Coding an deinem eigenen Projekt.
Welcher Ansatz für
welches Problem?
Die häufigste Frage in unseren technischen Schulungen. Hier die kurze Antwort als Spickzettel: Wenn deine Anforderung links steht, ist der Ansatz rechts meist die beste Wahl.
Faustregel: Starte mit der einfachsten Lösung, die funktioniert, und skaliere bei Bedarf. Zu viel Architektur für zu wenig Problem ist der häufigste Fehler. Wann sich Retrieval Augmented Generation mehr lohnt als Fine-Tuning, vertieft unsere Seite RAG oder Fine-Tuning im Vergleich. In der RAG- und Vektordatenbank-Schulung spielen wir genau diese Entscheidung an deinem Anwendungsfall durch.
Die KI-Plattformen,
die du kennen musst.
Welche Cloud-KI-Plattform passt zu deiner Infrastruktur? Hier die sechs Optionen, die in Unternehmensprojekten tatsächlich im Einsatz sind, mit dem, wofür jede stark ist.
Microsoft Azure KI
Azure OpenAI in Microsoft Foundry
Die OpenAI-Modelle, gehostet in Azure: VNET-Integration, RBAC, EU-Rechenzentren und Data Residency. Pflichtprogramm für Teams mit Microsoft-Infrastruktur und Compliance-Anforderungen.
AWS KI
Amazon Bedrock & SageMaker
Über Bedrock greifst du auf mehrere Modellfamilien zu, darunter Claude und Llama. SageMaker deckt Training und Deployment eigener Modelle ab. Enterprise-Grade-Sicherheit inklusive.
Google Cloud KI
Vertex AI & Gemini
Vertex AI bündelt Gemini-Modelle, MLOps-Werkzeuge und Datenpipelines. Stark, wenn dein Datenbestand ohnehin in BigQuery und Google Cloud liegt.
OpenAI
Die meistgenutzte LLM-API
Die am weitesten verbreitete API für Texterzeugung, Code und Analyse. Function Calling, Structured Outputs und die Responses API machen die Integration schnell. Ein guter Startpunkt für Prototypen.
Andere Hersteller
Oracle, DeepSeek, Alibaba Qwen
Jenseits der drei Großen gibt es Oracle OCI für Enterprise-Workloads sowie DeepSeek und Qwen als leistungsstarke, kostengünstige Alternativen, die du oft auch selbst hosten kannst. Das senkt die Abhängigkeit von einem einzelnen Anbieter.
Open-Source-LLMs
Selbst gehostet, volle Kontrolle
Llama, Mistral, DeepSeek und Qwen laufen lokal oder in der Private Cloud. Mit Ollama, vLLM und Text Generation Inference ist der Betrieb inzwischen gut beherrschbar, und die Daten bleiben im eigenen Netz.
Die Plattform-Landschaft verändert sich schnell. Unsere Schulungen werden vor jedem Termin aktualisiert, damit du mit dem aktuellen Stand arbeitest, nicht mit dem von vor sechs Monaten.
Open-Source-LLMs,
auf deiner eigenen Infrastruktur.
Du bist nicht auf eine Cloud-API angewiesen. Llama, Mistral, DeepSeek, Qwen, Gemma und gpt-oss von OpenAI laufen lokal oder in deiner Private Cloud, mit voller Datenhoheit, planbaren Kosten und ohne Vendor-Lock-in. Prüf dabei immer die Lizenz: Open Weights heißt nicht automatisch Open Source. Wir zeigen dir, welche Modelle es gibt und wann sich der eigene Betrieb wirklich lohnt.
Llama
MetaDie meistgenutzte offene Modellfamilie. Breites Ökosystem, viele Fine-Tunings, von kompakten Varianten bis zu großen Modellen mit sehr langem Kontext.
Mistral
Mistral AIEuropäische Modelle, viele davon unter permissiver Apache-2.0-Lizenz. Effiziente Mixture-of-Experts-Architekturen, beliebt für ressourcenschonendes Self-Hosting in der EU.
DeepSeek
DeepSeekStarke Reasoning- und Coding-Modelle mit sehr gutem Preis-Leistungs-Verhältnis. MIT-lizenziert und damit auch kommerziell frei nutzbar, ein häufiger Self-Hosting-Kandidat.
Qwen
AlibabaVielseitige Modellfamilie, oft Apache-2.0-lizenziert, mit kompakten und großen Varianten. Stark bei Mehrsprachigkeit und Code, gut für effizientes Hosting geeignet.
Gemma & GLM
Google, ZhipuGemma sind Googles offene Modelle, ausgelegt auf den lokalen Betrieb auf bescheidener Hardware. GLM ergänzt das Feld als weitere leistungsstarke, offen lizenzierte Alternative.
Eigenes Fine-Tuning
Auf Open-Source-BasisJedes dieser Modelle lässt sich mit LoRA oder QLoRA auf deine Fachsprache und dein Ausgabeformat anpassen, ohne ein Modell von Grund auf trainieren zu müssen.
Cloud-API oder Self-Hosted: wann was?
Beides ist legitim, die Wahl hängt von deinem Anwendungsfall ab. Diese fünf Kriterien führen in unseren Schulungen meist zu einer klaren Entscheidung.
Faustregel: Starte mit einer Cloud-API für den Prototyp und wechsle zu Self-Hosting, sobald Datenhoheit, Volumen oder Spezialisierung es verlangen. Tools wie Ollama, vLLM und Text Generation Inference machen den eigenen Betrieb inzwischen gut beherrschbar. Modellwahl, Hardware und Software-Stack im Detail behandelt die Seite Open-Source-LLMs selbst betreiben, die Grundsatzfrage klärt On-Premise oder Cloud. In der LLM-Self-Hosting-Schulung baust du den kompletten Stack auf, vom Modell-Deployment bis zum produktiven Betrieb. Wer auf bescheidener Hardware startet, beginnt mit Open-Source-LLMs lokal betreiben.
Vom Prototyp
zur Produktion.
Ein Proof of Concept ist schnell gebaut. Der Weg zur produktionsreifen, sicheren und wartbaren KI-Lösung ist die eigentliche Ingenieursleistung. Drei Phasen, drei klare Ziele.
Prototyp: schnell testen
Mit einer API, LangChain und einer Vektordatenbank steht ein erster funktionierender Durchstich in 1 bis 2 Wochen. Ziel ist nicht Schönheit, sondern die Frage: Trägt die Idee überhaupt? Hier zählt Geschwindigkeit, nicht Perfektion.
Pilot: evaluieren und härten
Jetzt kommen Chunking-Strategie, Evaluierungsframework, Monitoring und ein Sicherheitskonzept dazu. Du misst Antwortqualität, fängst Prompt-Injection ab und bringst echte Nutzer ins Spiel. Aus dem Bastelstand wird ein belastbares System.
Produktion: skalieren und betreiben
Deployment in der Cloud oder on-premises, CI/CD für Prompts und Modelle, Kostenkontrolle und Betrieb über MLOps. Ob managed Service oder selbst gehostetes Open-Source-LLM hängt von Compliance und Volumen ab.
Was beim Sprung vom Pilot in den Betrieb konkret zu tun ist, beschreibt Modell in Produktion bringen, wie du die Antwortqualität misst, LLM-Evaluation. Wenn dein Team die Umsetzung nicht selbst stemmen will, übernehmen wir sie über unsere KI-Projekte.
Überzeugt? Finde deine passende Schulung.
Vom Coding-Assistenten-Training bis zum LLM-Self-Hosting, offen an unseren Standorten, Live-Online oder inhouse bei dir.
Build vs. Buy:
Wann lohnt sich Eigenentwicklung?
Nicht jede KI-Lösung muss selbst gebaut werden, aber nicht jede fertige Lösung passt. Dieser Rahmen hilft dir bei der Entscheidung aus Sicht der Entwicklung, die betriebswirtschaftliche Abwägung mit Kosten und Risiken findest du unter selbst bauen oder einkaufen.
Build: Selbst entwickeln
- Dein Anwendungsfall ist einzigartig und nicht von der Stange abgedeckt
- Du brauchst volle Kontrolle über Daten und Modellverhalten
- KI ist Teil deines Kernprodukts oder Wettbewerbsvorteils
- Du hast (oder baust auf) ein technisches Team mit KI-Kompetenz
- Compliance-Anforderungen schließen SaaS-Lösungen aus
- Langfristig planbare Kosten sind wichtiger als schneller Start
Buy: Fertige Lösung einsetzen
- Dein Anwendungsfall ist ein Standard-Problem (Chatbot, Texterstellung, Analyse)
- Schnelle Marktreife ist wichtiger als maximale Anpassung
- Kein internes Entwicklerteam mit KI-Erfahrung verfügbar
- Das Budget reicht nicht für eine eigenständige Entwicklung
- Du willst schnell validieren, ob KI für deinen Prozess funktioniert
- Wartung und Modell-Updates soll der Anbieter übernehmen, nicht dein Team
Der pragmatische Weg: Hybrid
Die erfolgreichsten KI-Projekte im Mittelstand kombinieren beides: Fertige APIs und Plattformen als Fundament, eigene Logik und Integration als Differenzierung. Du nutzt OpenAI oder Azure OpenAI als Sprachmodell, baust aber eine eigene RAG-Pipeline mit deinen Daten. Du setzt n8n für die Orchestrierung ein, entwickelst aber die Prompt-Logik und das Evaluierungsframework selbst.
Dieser Ansatz minimiert den initialen Aufwand und maximiert die Anpassbarkeit. Du bleibst flexibel, wenn sich Modelle oder Anforderungen ändern, und bist nicht von einem einzelnen Anbieter abhängig.
Nicht die beeindruckendste Lösung gewinnt.
Sondern die richtige für dein Problem.
Aus über 490 KI-Schulungen bei cmt
KI-Entwickler-Schulungen
auf einen Blick
Von Coding-Assistenten über Cloud-Plattformen bis LLM-Self-Hosting: Hier eine Auswahl der relevantesten Kurse für technische Teams, sortiert nach Themenfeld.
Coding mit KI
Cloud-KI-Plattformen
RAG & Vektordatenbanken
LLM Self-Hosting & Open Source
KI-Agenten & Automatisierung
Python, ML & Data Science
Diese Kurse starten
als Nächstes
Freie Termine aus unseren Entwickler-, Cloud- und Architektur-Trainings. Alle Kurse auch als Inhouse-Training buchbar.
Machine Learning mit Python Grundkurs (Für Python Einsteiger)
LLM Self-Hosting und Deployment
Effektive KI Software-Tests mit LLMs
AI-300 Training: Operationalize machine learning and generative AI solutions (AI-300T00)
Large Language Model Grundkurs: Einsatz und Überblick
KI im Backoffice: Datenerfassung auf Autopilot
LangChain: RAG und Agents Intensiv-Training
Python Machine Learning Grundkurs (Für Python Entwickler)
Wenn KI nicht nur Tool, sondern Prozess werden soll.
Je nachdem, wo du stehst: erst in einem kostenlosen Webinar reinschnuppern, dann gemeinsam die Strategie klären und am Ende echte KI-Lösungen umsetzen. Wir begleiten jeden Schritt.
KI-Webinare
Der einfachste erste Schritt: In kompakten Live-Online-Sessions zeigen dir unsere Fachleute aktuelle KI-Themen, ganz ohne Kosten und mit Raum für deine Fragen.
- Live-Online & kostenlos
- Unter einer Stunde
- Direkt Fragen stellen
KI-Beratung
Strategie und Roadmap, gedacht aus der Umsetzung. Wir wählen mit dir die richtigen Tools für deine Prozesse, setzen Leitlinien und machen KI vom Einzeltool zum Teamstandard, ohne 80-Seiten-Strategiepapier.
- Tool- & Use-Case-Auswahl
- Datenschutz & Leitlinien
- Roadmap mit Prioritäten
KI-Projektumsetzung
Kein eigenes Entwicklerteam? Wir bauen produktive KI-Lösungen, die dein Team danach selbst übernimmt: vom automatisierten Angebotsentwurf bis zum maßgeschneiderten Assistenten für eure Abläufe. Der Code gehört dir.
- Maßgeschneiderte Assistenten
- Automatisierte Workflows
- Code & Wissen bleiben bei dir
Fragen zur
KI-Entwicklung
Brauche ich ein Data-Science-Team, um KI-Lösungen zu bauen?
Was ist Vibe Coding und sollte ich darauf umstellen?
Wann lohnt sich RAG statt Fine-Tuning?
Welche Cloud-KI-Plattform passt zu meinem Unternehmen?
Können wir LLMs auch ohne Cloud betreiben?
Wie sicher sind API-basierte KI-Lösungen mit Kundendaten?
Wie lange dauert es, eine RAG-Lösung produktionsreif zu machen?
Wie halten eure Schulungen mit der schnellen KI-Entwicklung Schritt?
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs.
KI unter eigener Kontrolle
Open-Source-LLMs selbst hosten: 8 Modelle, Hardware, Software-Stack, EU AI Act, 3 Use Cases mit ROI · 30 Seiten PDF
DevOps im Unternehmen: CI/CD, Container, Automatisierung
DevOps-Kultur, Kubernetes, Terraform, GitHub Actions und Jenkins · 17 Seiten PDF
Weitere KI-Themen
KI-Entwicklung ist nur ein Baustein. Diese Seiten vertiefen angrenzende Bereiche.
KI-Projektumsetzung
Kein eigenes Team für die Umsetzung? Wir bauen produktive KI-Lösungen, die dein Team übernimmt. Code und Doku gehören dir.
Mehr erfahrenProzesse automatisieren mit KI
Wie KI-Agenten, n8n und Power Automate wiederkehrende Aufgaben ganz übernehmen, statt sie nur zu beschleunigen.
Mehr erfahrenDaten auswerten mit KI
Von der Datenpipeline bis zu Prognosemodellen: Daten mit Python und Machine Learning auswerten.
Mehr erfahrenKI sicher und rechtskonform einsetzen
Was AI Act, Datenschutz und Governance technisch und rechtlich von deinen KI-Anwendungen verlangen.
Mehr erfahrenKI-Strategie für den Mittelstand
Wie du KI von der ersten Idee bis zum Rollout planst, statt planlos auszuprobieren.
Mehr erfahrenProduktiver arbeiten mit KI
Wie Microsoft Copilot, ChatGPT und Co. im Büroalltag Routinearbeit abnehmen.
Mehr erfahrenKI-Einstieg für Unternehmen
Grundlagen und erste Tools für alle im Unternehmen, die ohne technisches Vorwissen bei null anfangen.
Mehr erfahrenVibe Coding in Teams
Welche Regeln, Reviews und Grenzen ein Entwicklungsteam braucht, wenn die KI einen Großteil des Codes schreibt.
Mehr erfahrenAlle 490+ KI-Kurse
Das komplette KI-Schulungsangebot, vom ersten Grundkurs bis zur Experten-Zertifizierung.
Mehr erfahrenDeine Ansprechpartner
Wir beraten dich persönlich zu Schulung, Architektur und Umsetzung. Kostenlos und unverbindlich.
Yves Hoppe
KI-Weiterbildung & Beratung
Begleitet dich von der Architekturentscheidung über Schulungen bis zur Umsetzung im Unternehmen.
Norbert Jansen
Beratung & Weiterbildung
Findet mit dir das passende Format, ob offene Schulung, Inhouse-Training oder Beratung.
Bereit, KI-Lösungen
zu bauen?
Wir finden gemeinsam die technische Schulung mit dem größten Hebel für dein Team. Ob API-Integration, RAG-Architektur oder LLM-Self-Hosting, unverbindlich, am Telefon oder persönlich.