KI-Workflows für KMU: Lernpfad Fortgeschritten (2026)

Du kennst die Basics und willst KI in deinem Arbeitsalltag einsetzen — eigene Workflows, eigene Hardware, eigene Tools. Dieser Pfad zeigt dir die nächste Stufe: Architekturen verstehen, Setups bauen, Plattformen vergleichen.

1. Architektur verstehen: MCP, KI-Agenten und Automatisierung

Bevor du Workflows baust, lohnt sich der Blick auf die Architektur dahinter. Model Context Protocol (MCP) ist 2026 der offene Standard, mit dem KI-Tools mit Daten reden. Agent-Stacks wie OpenClaw, Hermes und Paperclip sind die nächste Stufe. Dieses Modul gibt dir die mentalen Modelle, bevor du in Code gehst.

2. Lokale KI ernsthaft: RAG, Ollama, eigene Modelle

Lokale KI ist 2026 reif. Llama 3.3 70B und Qwen 3 32B liefern auf einer Workstation Qualität, die für 80 % der KMU-Aufgaben reicht — DSGVO-konform und ohne API-Kosten. Dieses Modul führt dich von der ersten Modell-Installation zum RAG-System über eigene Dokumente.

3. Hardware-Planung: Welche GPU für welches Modell?

Der häufigste Fehler beim Kauf von KI-Hardware: Käufer:innen achten auf Rechenpower statt auf den Speicher. VRAM ist entscheidender als Teraflops. Mit dem VRAM-Rechner planst du die richtige Hardware für dein konkretes Modell — Mac Studio, RTX 4090 oder 2× RTX 3090 als günstige Gebraucht-Alternative.

4. Tool-Vergleiche tiefer: Die Plattformen für eigene Setups

Wenn du Workflows baust, brauchst du verlässliche Plattformen. Ollama ist die populärste Open-Source-Runtime für lokale Modelle. n8n ist das Workflow-Automatisierungs-Tool der Wahl in KMU, das KI-APIs ohne Vendor-Lock-in mit deinem Stack verbindet.

Unsicher, ob das dein Level ist?

Häufige Fragen zu diesem Lernpfad

Welche Vorkenntnisse setzt dieser Pfad voraus?Du solltest schon einmal mit ChatGPT, Claude oder einem ähnlichen Cloud-KI-Tool gearbeitet haben und die Grundbegriffe verstehen (Prompt, Token, Modell). Programmierkenntnisse sind nicht zwingend, aber Komfort mit Terminal und Config-Dateien hilft beim Ollama-Setup.Brauche ich für lokale KI zwingend eine teure GPU?Nein. Für 8B-Modelle (gute Allzweck-Modelle) reicht ein Mac Mini M4 Pro mit 64 GB für ca. 2.400 € — lautlos und alltagstauglich. Eine RTX 4090 lohnt sich erst, wenn Geschwindigkeit kritisch ist oder du parallel mehrere Anfragen bedienst.Was bringt mir RAG gegenüber ChatGPT Custom GPTs?RAG mit eigenen Daten bleibt 100 % bei dir — keine Daten verlassen den Rechner. Bei sensiblen Branchen (Anwälte, Steuerberatung, Medizin) ist das oft der ausschlaggebende Unterschied. Außerdem skaliert RAG auf zehntausende Dokumente, während Custom GPTs bei ~20 MB limitiert sind.Wie viel Zeit muss ich für diesen Pfad einplanen?Bei 1-2 Stunden pro Woche realistisch 6-8 Wochen, wenn du auch praktisch nachsetzt (Ollama installieren, ein RAG-System aufbauen, Hardware-Entscheidung treffen). Reine Lese-Zeit: ca. 4 Stunden.