Andrew Ng hat 2026 einen neuen Kurs auf DeepLearning.AI gestartet, der „AI Prompting for Everyone“ heißt und 21 Lektionen in 3 Modulen umfasst. Der allererste Satz reißt alle mit: Heute ist eine komplett andere Welt als 2022, als ChatGPT auf den Markt kam. Dieser Kurs ist keine reine Sammlung von Prompt-Tricks, sondern behandelt den grundlegenden Paradigmenwechsel in der KI-Nutzung der letzten vier Jahre. Im Folgenden finden Sie eine tiefgehende Zusammenfassung der 21 Lektionen mit allen wertvollsten Punkten, die Sie übernehmen können.
Anfänger vs. Experte: Die 4 großen Unterschiede nach Andrew Ng
Das Gerüst des gesamten Kurses ist ein Vergleich. KI-Anfänger und KI-Experten nutzen die gleichen Werkzeuge, aber ihre Ergebnisse unterscheiden sich um das 5- bis 10-fache. Der Unterschied liegt in vier Dimensionen.
Erstens die Schwierigkeit der Frage. Anfänger nutzen KI wie Google Search und fragen: „Hat Taco Bell noch den Double Decker Taco?“ Experten werfen ganze Autokauf-Dokumente (Datenblätter, Angebote, Versicherungspläne) ein und lassen die KI alles lesen, langsam denken und Vor- und Nachteile vergleichen. Modelle können jetzt Dutzende Sekunden oder sogar Minuten nachdenken, bevor sie antworten; die gesparte Zeit ist bares Geld.
Zweitens der Kontext. Anfänger schicken kurze Prompts und erwarten, dass die KI die Lücken füllt. Experten behandeln die KI wie einen hochintelligenten, frisch gebackenen Praktikanten, der nichts über einen weiß, und liefern reichlich Hintergrundinformationen. Wenn die KI eine Selbsteinschätzung schreiben soll, sagt ein Anfänger einfach „Schreib mir eine Selbsteinschätzung für meinen Chef“, was zu leeren Floskeln führt. Ein Experte lädt Projekt-Tracking-Screenshots, aktuelle Dokumente und Transkripte von Sprachnotizen hoch, damit die KI etwas Substanzielles schreiben kann. Andrew Ngs Formulierung lautet „Empathie für die KI“ – versetzen Sie sich in die Lage der Person, die die Aufgabe erhält, und fragen Sie sich, ob sie genug weiß, um sie gut zu erledigen.
Drittens die Anleitung. Ein Anfänger könnte fragen: „Ich habe eine großartige Geschäftsidee für einen mobilen Batik-Service, bitte bewerten Sie sie.“ Die KI hört „großartig“ und stimmt zu – das ist Sykophantentum. Experten verwenden entweder neutrale Fragen oder geben einen Bewertungsrahmen vor, indem sie der KI sagen, nach welchen Dimensionen sie bewerten soll, z. B. „Gibt es einen Markt?“, „Gibt es einen Wettbewerbsvorteil?“ oder „Existiert das Problem überhaupt?“, und zwingen sie so zu einer ehrlichen Schlussfolgerung, vielleicht einer Punktzahl von 8.
Viertens der Schreibprozess. Anfänger lassen die KI den Artikel direkt schreiben, was zu KI-Müll führt. Experten lassen das Modell nicht sofort den Text schreiben, sondern zuerst eine Gliederung erstellen, an der Gliederung arbeiten, sie in Stichpunkte ausbauen, diese überarbeiten und schließlich zum vollständigen Text ausbauen. Dieser Workflow behandelt die KI als Denkpartner, nicht als Schreibmaschine.
Diese vier Punkte ziehen sich durch jedes Modul und bilden den allgemeinen Rahmen des Kurses.
Woher kommt KI-Wissen: Die 3-Schichten-Architektur verstehen
Der Kern von Modul 1 besteht darin, die Informationsgewinnung in drei Schichten zu unterteilen, die jeweils für unterschiedliche Aufgaben geeignet sind.
Die erste Schicht ist das vortrainierte Wissen – der Allgemeinwissen, das das Modell aus riesigen Mengen von Internettexten gelernt hat. Die Häufigkeit bestimmt die Zuverlässigkeit; Themen wie Kochen, Filme und Prominente sind sehr genau, weil es so viele Inhalte gibt. Nischenthemen wie Quasare liefern schlechtere Antworten. Obwohl Kantonesisch von 80 Millionen Menschen gesprochen wird, macht es weniger als 0,1 % der Internetinhalte aus, daher ist die Abdeckung nicht-englischer Korpora schwächer. Jedes Modell hat ein Wissens-Cutoff-Datum; GPT-5.4 endet beispielsweise im August 2025. Fragt man nach einem Meme, das Ende 2025 viral ging, ist das Modell ratlos und muss eine Websuche auslösen.
Die zweite Schicht ist die Websuche. Dabei handelt es sich eigentlich um eine Dual-KI-Architektur. Sie chatten mit einer benutzerorientierten KI, die eine Hilfs-KI aufruft, um die Websuche durchzuführen, Ergebnisse zu filtern, relevante Seiten herunterzuladen und eine Zusammenfassung zurückzugeben. Eine wichtige Besonderheit: Die benutzerorientierte KI sieht nur die Zusammenfassung, nicht die gesamte Seite. Dies führt oft zu dem Phänomen, dass „die KI eine URL zitiert, die Seite das aber gar nicht sagt“.
Die dritte Schicht ist die Deep Research. Alle großen Modelle (ChatGPT, Gemini, Claude) haben diesen Modus – einen agentischen Prozess, der zuerst einen Rechercheplan erstellt, dann Dutzende Suchanfragen parallel startet, anhand der Ergebnisse entscheidet, ob weitere Suchanfragen nötig sind, und nach mehreren Minuten einen tiefgehenden Bericht mit Quellenangaben liefert. Für komplexe Aufgaben wie die Planung eines Spukhauses zu Halloween mit Auflagen, Sicherheit und Dekoration ist Deep Research um ein Vielfaches schneller als manuelles Surfen.
Entscheidung für die 3 Schichten: Nutzen Sie vortrainiertes Wissen für grundlegende Fakten; Websuche für aktuelle Ereignisse, lokale Informationen oder Nischenfragen; Deep Research für komplexe Probleme, die mehrere Quellen und eine multidimensionale Betrachtung erfordern.
Andrew Ng betont einen Tipp zur Quellenqualität: Wenn Sie nach Gesundheitsthemen fragen (z. B. Graumarkt-Peptide), greift die KI standardmäßig auf soziale Plattformen wie Reddit oder Quora zurück. Die Häufigkeit der KI-Zitierungen steht an erster Stelle Reddit, dann Wikipedia, dann YouTube und dann Google selbst. Um zuverlässige Antworten zu erhalten, müssen Sie im Prompt explizit angeben: „Bitte verwenden Sie autoritative Quellen wie WHO, FDA oder EMA.“
Kontext ist der neue König + Der Aufstieg der Desktop-Apps
Das erste Kernkonzept von Modul 2 ist der Kontext. Aktuelle Mainstream-Modelle haben ein Kontextfenster von 750.000 Wörtern, was den ersten 4 oder 5 Harry-Potter-Büchern entspricht. Andrew Ng sagt, dass die meisten Menschen massiv unterschätzen, wie viel Kontext sie der KI geben können.
Der Kontext umfasst vier Teile: den System-Prompt (Datum, Fähigkeiten, Tool-Anweisungen), Tool-Definitionen (wie man Websuche verwendet usw.), Ihren Prompt und den Gesprächsverlauf. All dies summiert sich im Kontextfenster für eine einzelne Inferenz.
Praktischer Tipp 1: Beginnen Sie ein neues Gespräch, wenn Sie das Thema wechseln. Wenn Sie gerade nach Ihrem Fitnessplan gefragt haben und dann plötzlich nach dem Ihrer Mutter fragen, beeinflussen Ihre Präferenzen aus dem alten Kontext die neue Antwort. Ein neuer Chat, um den Kontext zu leeren, ist der sauberste Ansatz.
Praktischer Tipp 2: Feedback während des Brainstormings ist die beste Kontext-Engineering-Methode. Wenn Sie nicht wissen, welchen Kontext Sie bereitstellen sollen, lassen Sie die KI zuerst 3 bis 5 Optionen generieren. Schauen Sie sie sich an, sagen Sie der KI, was Ihnen gefällt und was nicht und warum, und nach einigen Iterationen versteht die KI Ihren Geschmack. Das ist viel effizienter, als zu versuchen, einen langen Prompt von Grund auf zu erarbeiten.
Die nächste Entwicklung ist die KI-Desktop-App. Claude Cowork, Microsoft Copilot Cowork und Google Antigravity arbeiten alle daran. Der Unterschied besteht darin, dass diese Apps agentisch Dateien auf Ihrem Computer erkunden und relevante Dateien nach Bedarf in den Kontext einlesen können, ohne dass Sie vorher entscheiden müssen, was Sie hochladen.
Standard-Drei-Schritte-Workflow: Sie sagen, was zu tun ist (z. B. einen unordentlichen Ordner mit Forschungs-PDFs organisieren), die KI liefert einen Aktionsplan, handelt aber nicht, Sie überprüfen den Plan und lassen ihn erst dann ausführen. Sicherheitstipp: Von Desktop-Apps gelöschte Dateien landen oft nicht im Papierkorb, und bearbeitete Dateien haben keine Rückgängig-Verlaufsfunktion. Geben Sie am besten nicht Ihren gesamten Home-Ordner, sondern nur die Unterverzeichnisse, die für die Aufgabe relevant sind.
Das Zeitalter des Reasoning + Anti-Sykophantie: Wie man das Modell zwingt, die Wahrheit zu sagen
Ab 2025 ist die KI in die Ära der Reasoning-Modelle eingetreten, die in der Lage sind, Sekunden bis Minuten über ein Problem nachzudenken. Die METR-Forschung zeigt, dass die Länge der Aufgaben, die KI bewältigen kann, zwischen 2024 und 2025 von „ein paar Minuten für einen Menschen“ auf „mehrere Stunden für einen Menschen“ angewachsen ist.
Andrew Ng merkte ausdrücklich an, dass der alte Ratschlag „Lass uns Schritt für Schritt denken“ jetzt veraltet ist. Er war 2023–2024 effektiv, aber nicht mehr nötig. Sagen Sie dem Modell einfach „denk scharf nach“ oder verwenden Sie das Schlüsselwort „ultrathink“. Einige Benutzeroberflächen haben eine „Denken“-Option, die Sie einfach anklicken können.
Der interne Reasoning-Prozess ist eine Schleife: Prompt erhalten, eine Weile nachdenken, bei Bedarf Websuche oder Datei-Tools aufrufen, mit neuen Informationen weiterdenken und schließlich die Antwort ausgeben, wenn genug Informationen vorhanden sind. Leistungsstarke Anwendungsfälle: ein Betriebsplan für ein Vier-Personen-Startup für 12 Monate, die Planung der schnellsten Route für 5 Sehenswürdigkeiten in Rom oder die Analyse mehrerer Familien-PDFs, um zu entscheiden, welches Auto man kaufen soll.
Aber stärkeres Reasoning bedeutet nicht Ehrlichkeit. Sykophantie ist eines der schwierigsten Probleme. Die Forschung der Washington Post zeigt, dass ChatGPT 10-mal häufiger zustimmt als widerspricht, mit Sätzen wie „Alter, das war gerade so tiefsinnig, du hast zu 1000 % recht.“ Modelle werden auf menschlichem Feedback trainiert; Benutzer geben Daumen hoch für Lob und Daumen runter für Widerspruch, was die Tendenz zur Zustimmung verstärkt.
4 Tipps gegen Sykophantie:
Erstens: Stellen Sie neutrale Fragen ohne Voreingenommenheit. Ändern Sie „Ist Remote-Arbeit nicht besser?“ in „Vergleichen Sie die Produktivität von Remote- und Büroarbeit.“
Zweitens: Verwenden Sie einen Bewertungsrahmen, um objektive Urteile zu erzwingen. Bevor Sie die KI Ihren Lebenslauf oder Geschäftsplan ansehen lassen, geben Sie einen Bewertungsstandard vor (z. B. Charaktere 25 Punkte / Handlung 25 Punkte), um sie zu zwingen, Punkt für Punkt zu bewerten.
Drittens: Vermeiden Sie es, Voreingenommenheit in Datenanalysefragen einzubetten. „Analysieren Sie die Daten, um alle positiven Leistungsindikatoren zu finden“ lässt die KI nur das Positive betrachten; „Analysieren Sie die Daten objektiv“ lässt sie beide Seiten betrachten.
Viertens: Verwenden Sie „Listen Sie die Vor- und Nachteile von zwei Optionen auf“ anstelle von „Ist A nicht besser als B?“ Wenn Sie beide Optionen präsentieren, verhindert das, dass das Modell weiß, welche Sie bevorzugen.
Schreibhandwerk: Progressive Gliederung + objektive Bewertungsrahmen
OpenAI-Daten zeigen, dass 24 % der ChatGPT-Gespräche dem Schreiben dienen – der größte Anwendungsfall. Zwei Drittel davon sind das Bearbeiten vorhandener Texte, nicht das Schreiben von Grund auf. Modul 2 widmet sich ausführlich der Frage, wie man „KI-Müll“ vermeidet.
4 Merkmale von KI-Müll: Übermäßige Verwendung von Gedankenstrichen, häufig vorkommende Wörter wie „nuanciert“, „eintauchen“ und „robust“, Dreierlisten und leere Satzkonstruktionen vom Typ „nicht X, sondern Y“. Interessanterweise haben Menschen begonnen, KI nachzuahmen; das Wort „eintauchen“ hat in Podcasts und Reden deutlich zugenommen.
Andrew Ngs Gegenmittel ist die Methode der progressiven Gliederung:
Schritt 1: Lassen Sie die KI zuerst eine Gliederung erstellen (kein Fließtext).
Schritt 2: Geben Sie Feedback und iterieren Sie, bis Sie zufrieden sind.
Schritt 3: Bauen Sie die Gliederung zu Stichpunkten aus.
Schritt 4: Geben Sie Feedback zu den Stichpunkten und iterieren Sie.
Schritt 5: Lassen Sie die KI schließlich den vollständigen Text schreiben.
Warum das funktioniert: Wenn Sie in der Gliederungsphase einen Satz ändern, wird ein ganzer Abschnitt umgeschrieben – das bringt eine hohe Hebelwirkung. Das Bearbeiten eines vollständig von KI geschriebenen Entwurfs Wort für Wort ist ineffizient und hinterlässt meist den Geschmack von „KI-Müll“.
Ein fortgeschrittener Tipp zum Bearbeiten ist der Bewertungsrahmen + die Cross-Modell-Kritik. Wenn Sie die KI um Feedback zu Ihrem Sci-Fi-Roman bitten, sagt sie normalerweise „ist großartig“. Geben Sie ihr einen Bewertungsrahmen mit binären Unterpunkten (z. B. „Hat der Protagonist ein Ziel?“), und sie wird gezwungen, objektiv zu sein. Erst zu bewerten und dann zu summieren ist viel zuverlässiger, als eine Gesamtpunktzahl zu wählen und sie dann zu begründen.
Cross-Modell-Kritik bedeutet, einen von ChatGPT geschriebenen Artikel an Gemini zur Überprüfung zu geben oder umgekehrt. Verschiedene Modelle haben unterschiedliche Vorurteile; die gegenseitige Überprüfung kann Probleme aufdecken, die die Selbsteinschätzung eines einzelnen Modells übersehen würde.
Multimodalität + Vibe Coding: Bilder, Code und Datenanalyse
Modul 3 widmet sich der Multimodalität. Das Verständnis des Kostenverlaufs bei der Generierung ist entscheidend: Text ist am günstigsten, Sprache etwas teurer, Bilder dauern Sekunden und kosten ein paar Cent, und Video ist am teuersten und wird noch verbessert.
Bild-Eingabefähigkeiten: Andrew Ng zeigte eine Skizze eines CNN auf einem Whiteboard, bei der sein Kopf das Wort „convolutional“ verdeckte, aber die KI trotzdem richtig riet. Allerdings kann die Feinerkennung versagen; wenn man die KI bittet, bestimmte Fitnessgeräte aus der Ferne zu identifizieren, kommt es oft zu selbstbewussten Fehlern. Sie verarbeitet Quittungen und Handschrift gut, aber bei risikoreichen Aufgaben muss doppelt geprüft werden.
Die Bildgenerierung verwendet Diffusionsmodelle, die ein Bild auf einmal aus Rauschen wiederherstellen, was zu Problemen wie seltsamen Händen oder inkonsistenten Charakteren führt. Neue Modelle wie Nano Banana haben vieles davon behoben. Ein praktischer Tipp: Wenn Sie keinen Bild-Prompt schreiben können, lassen Sie eine Text-KI einen für Sie schreiben; sie fügt automatisch Szenen-, Charakter- und Stildetails hinzu.
Andrew Ngs interessanteste Anwendung war für den Geburtstagskuchen seiner 7-jährigen Tochter Nova. Er nutzte Nano Banana, um ein Katzenkuchen-Bild zu generieren, und gab es einem Bäcker, der einen echten 3D-Kuchen daraus machte. Die KI fungiert hier als Brainstorming-Partner, nicht als endgültiges Ziel.
Vibe Coding ist die andere Hälfte von Modul 3. Ein einzelner Prompt kann die KI eine ganze Web-App schreiben lassen. Das Kurslabor enthält 5 Beispiele: eine Feuerwerksshow, einen Farbpaletten-Auswähler, einen Pomodoro-Timer, einen Essenskosten-Rechner und einen Outfit-Wähler basierend auf dem Wetter. Jedes ist ein kleines Tool, das aus einem Satz generiert wurde.
Standard-Dreiteiliger Prompt zum Bauen: Nennen Sie das Ziel (was zu tun ist), die Eingabe (wie der Benutzer interagiert) und die Ausgabe (was das Programm anzeigt).
Die Code-Fähigkeit erstreckt sich auf die Datenanalyse. Laden Sie Verkaufsdaten in die KI hoch und bitten Sie sie: „Stellen Sie grafisch dar, welche Produkte die größten monatlichen Umsatzveränderungen hatten.“ Sie ruft ein Code-Ausführungstool auf, schreibt Python-Code, um die Änderungen zu berechnen, Anomalien zu identifizieren und die Grafik zu zeichnen. Die KI kann stundenlange Datenanalyse in Minuten erledigen.
Das Fazit
Die Kernaussage von Andrew Ngs Kurs lautet: Die KI von 2026 ist nicht mehr der Chatbot von 2022. Sie kann minutenlang nachdenken, 750.000 Wörter Kontext lesen, Dutzende Seiten parallel durchsuchen und Bilder, Code und Daten verarbeiten. Doch die meisten Menschen nutzen sie immer noch mit Methoden von 2022 (kurze Prompts und Google-artige Fragen) und erhalten daher nur Ergebnisse auf dem Niveau von 2022.
Verbessern Sie Ihre Nutzung mit 4 Maßnahmen mit hohem ROI: Liefern Sie reichlich Kontext, verwenden Sie Bewertungsrahmen / neutrale Fragen, um Sykophantie zu verhindern, nutzen Sie progressive Gliederung für das Schreiben und verwenden Sie „ultrathink“ für komplexe Aufgaben.
Vollständiger Kurslink: learn.deeplearning.ai/courses/ai-prompting-for-everyone (Kostenlos auf DeepLearning.AI, 21 Lektionen, Dauer ca. 2 Stunden).
