KI-Anbindung
Das Herzstück eines KI-Tools ist die Anbindung an das eigentliche KI-Modell. Diese sollte man bewusst flexibel aufsetzen:Der Trick ist, die KI-Anbindung als austauschbaren Baustein zu bauen, nicht fest zu verdrahten. Ihre Anwendung spricht dann mit „einem KI-Dienst", und dahinter können Sie wählen:
Variante eins ist die API zu einem großen KI-System (z. B. Anthropic, OpenAI, Google). Vorteil: höchste Qualität, keine eigene Hardware nötig, sofort einsatzbereit. Nachteil: laufende Kosten pro Nutzung, und die Daten gehen an einen externen Anbieter (Datenschutz beachten).
Variante zwei ist ein eigenes, kleineres Modell auf eigener Hardware (eigener Computer oder eigener Server). Es gibt frei verfügbare Modelle (etwa Llama, Mistral, Qwen), die man lokal betreiben kann. Vorteil: volle Datenkontrolle, keine Pro-Nutzung-Kosten, DSGVO-freundlich. Nachteil: brauchen oft eine ordentliche GPU, sind meist etwas schwächer als die großen Dienste, und Sie tragen Wartung und Betrieb selbst.
Damit dieser Wechsel leicht bleibt, hilft eine sogenannte Abstraktionsschicht: eine dünne Zwischenebene in Ihrem Code, die einheitlich „frag das KI-Modell" sagt, egal was dahinter steckt. Werkzeuge wie LiteLLM oder das Ollama-Projekt (für lokale Modelle) erleichtern genau das. Dann können Sie pro Kunde unterschiedlich entscheiden – ein datenschutzsensibler Kunde bekommt das lokale Modell, ein anderer die leistungsstärkere Cloud-API – ohne die Anwendung neu zu bauen.
Die Programmiersprachen
Backend: Python ist die mit Abstand wichtigste Sprache im KI-Umfeld. Praktisch alle KI-Bibliotheken, Modelle und Werkzeuge sind primär für Python gebaut, und Sie finden am leichtesten Entwickler dafür. Wenn es um Datenverarbeitung, KI-Logik, das Anbinden von Modellen oder Automatisierungen geht, ist Python die natürliche Wahl.
Frontend: JavaScript bzw. TypeScript brauchen Sie für alles, was im Browser läuft – also die Benutzeroberfläche, mit der Ihre Kunden das Tool bedienen. TypeScript (eine strengere Variante von JavaScript) ist für größere, wartbare Projekte zu bevorzugen. Sehr häufig sieht man in der Praxis eine Kombination: TypeScript/JavaScript für die Oberfläche und Python für die KI-Logik im Hintergrund. Eine Oberfläche im Browser läuft auf praktisch jedem Gerät und Betriebssystem gleich – der Kunde muss nichts installieren oder aktualisieren, und Sie pflegen nur eine Version zentral. Das ist stabil und wartungsarm.
Welcher Rechner für welche Aufgabe?
Rechner 1: Die Anwendung selbst (das Backend) – lokal oder in der Cloud: Hierhin verbinden sich die Browser der Nutzer; das Backend kümmert sich um Oberfläche, Nutzerverwaltung und Datenfluss. Diese Aufgabe läuft ressourcenschonend und braucht vor allem eine zuverlässige CPU, keine besondere Grafikleistung. Dafür reicht ein schlanker Server – entweder ein gemieteter vServer in einem Rechenzentrum (schnell startklar, günstig, jederzeit vergrößerbar) oder ein eigener Server im Unternehmen, wenn die Daten das Haus nicht verlassen sollen.
Rechner 2: Das KI-Modell – lokal oder in der Cloud: : Will man ein KI-Modell lokal betreiben, gelten völlig andere Regeln. Entscheidend ist hier nicht die CPU, sondern die Grafikkarte (GPU) mit ausreichend Videospeicher. KI-Modelle erzeugen Last in Schüben, ziehen viel Strom und brauchen entsprechend kräftige Hardware. Ein Rechner „nur" mit schneller CPU ist dafür ungeeignet – für KI zählt die GPU. Weil diese beiden Aufgaben so unterschiedlich sind, trennt man sie im ernsthaften Betrieb: ein schlanker Server für das Backend und daneben ein separater, GPU-starker Rechner für das KI-Modell. Vorteil: Die Anwendung bleibt stabil, egal wie stark das KI-Modell gerade ausgelastet ist, und man kann beide Teile unabhängig aufrüsten oder austauschen. Für einen Test oder ein kleines Team kann zunächst auch alles auf einem Rechner laufen – bei wachsender Nutzung teilt man es später üblicherweise auf.
Python auf dem eigenen PC nutzen (Windows oder Linux)
Python lässt sich auf beiden Systemen betreiben. Unter Linux ist es meist schon vorinstalliert; das prüft man im Terminal mit python3 --version. Unter Windows lädt man es von python.org und setzt bei der Installation den Haken bei „Add Python to PATH", damit der Befehl später gefunden wird – anschließend prüft man es mit python --version.
Wie man damit arbeitet: Python-Anwendungen startet man über die Kommandozeile, nicht per Doppelklick. Unter Linux ist das das „Terminal", unter Windows die „Eingabeaufforderung" oder „PowerShell" – ein Fenster, in das man Befehle eintippt. Gestartet wird eine Anwendung, indem man in ihren Ordner wechselt und sie aufruft: unter Linux mit python3 programm.py, unter Windows mit python programm.py. Hat die Anwendung eine Weboberfläche, zeigt sie eine Adresse wie http://localhost:8000 an, die man im Browser öffnet.
Welcher Editor: Zum Schreiben des Codes nutzt man einen Editor. Verbreitet und kostenlos ist Visual Studio Code (VS Code): Er läuft auf Windows und Linux gleich und hat ein eingebautes Terminal, sodass man Schreiben und Starten an einem Ort hat.
Wo die Apps liegen: Jedes Projekt bekommt seinen eigenen Ordner – idealerweise einen festen Arbeitsbereich, etwa einen Ordner „Projekte" im Benutzerverzeichnis, mit je einem Unterordner pro Anwendung. In diesem Projektordner liegen der Python-Code und alle zugehörigen Dateien beisammen. Dort legt man am besten auch eine eigene abgeschottete Umgebung an („virtual environment", einmalig mit python -m venv venv), damit sich die Zusatzpakete verschiedener Projekte nicht in die Quere kommen. Innerhalb dieser Umgebung installiert man mit pip install paketname genau die Bibliotheken, die das jeweilige Projekt braucht. So bleibt jedes Projekt sauber für sich.
Faustregel: Python installieren (unter Windows mit PATH-Haken), über das Terminal arbeiten, VS Code als Editor nutzen – und jedes Projekt in einen eigenen Ordner mit eigener virtueller Umgebung legen. Genau dieser Aufbau lässt sich später unverändert auf einen vServer übertragen, weil dort dieselben Befehle gelten.