Vom Anfänger zum AI Engineer – Der Roadmap-Leitfaden

Der 300-$-Irrtum

Vor sechs Monaten habe ich 49 $ pro Monat für Coursera Plus, 39 $ pro Monat für DataCamp bezahlt und 199 $ für zwei Udemy-Bundles ausgegeben. Ich sammelte Zertifikate wie Pokémon-Karten und konnte nicht ein einziges Ding von Grund auf selbst bauen.

Dann fand ich etwas, das alles veränderte: Die Unternehmen, die KI tatsächlich entwickeln – Google, Anthropic, OpenAI – hatten begonnen, ihre Schulungen kostenlos anzubieten. Keine verwässerten Einführungsvideos. Komplette Kurse mit Zertifikaten. Gleichzeitig gab es auf GitHub Repositories mit über 95.000 Sternen, die besser lehrten als jeder Kurs, für den ich bezahlt hatte.

Ich kündigte jedes Abo. Baute einen KI-Agenten, der meine Morgenroutine managt. Und das alles für 0 $.

Dieser Artikel ist das genaue System, das ich mir gewünscht hätte, als ich anfing. Keine Linkliste. Keine „30 Ressourcen, die du nie öffnen wirst". Das hier ist ein Schritt-für-Schritt-Pfad: Mach zuerst dies, dann das, dann baue jenes. Folge der Reihenfolge. In 14 Wochen gehst du von null zum Einsatz echter KI-Systeme.

So nutzt du diesen Leitfaden

Regel 1: Nicht vorspringen. Schritt 3 setzt voraus, dass du Schritt 2 gemacht hast. Wenn du zu LLMs springst, ohne Gradienten zu verstehen, kopierst du Code, den du nicht verstehst.

Regel 2: Mach dir Notizen. Ich nutze Obsidian (kostenlos, lokal, Markdown). Schreib nach jeder Session drei Dinge auf: Was du gelernt hast, was dich überrascht hat, was noch unklar ist. Das ist nicht verhandelbar.

Regel 3: Bau bei jedem Schritt etwas. Jeder Schritt endet mit einem Checkpoint. Wenn du ihn nicht schaffst, geh zurück.

Richte diese Ordnerstruktur in Obsidian ein, bevor du beginnst:

Schritt 1: Richte deine Umgebung ein (Tag 1)

Bevor du etwas lernst, richte deine Werkzeuge ein. Ein Abend. Denk nicht zu viel nach.

Installiere deine Werkzeuge

1. Python 3.11+ – python.org/downloads. Haken bei „Add to PATH“ setzen.

1. VS Code – code.visualstudio.com. Python-Erweiterung installieren.

1. Git + GitHub – github.com. Zum Forken von Repos und Speichern von Projekten.

1. Obsidian – obsidian.md. Erstelle die obige Ordnerstruktur.

1. Ollama – ollama.com. Zum lokalen Ausführen von Modellen. Jetzt installieren, ab Schritt 4 nutzt du es.

Erstelle deine kostenlosen Konten

1. Anthropic Academy – anthropic.skilljar.com. 16 kostenlose Kurse mit Zertifikaten. Die am meisten unterschätzte KI-Lernplattform im Jahr 2026.

1. OpenAI Academy – academy.openai.com. Kostenlose Workshops, Tutorials, AI Foundations Kurs.

1. Google AI – grow.google/ai. Google AI Professional Certificate – 7 Module, kostenlos über Coursera Audit.

1. Coursera – coursera.org. Audit-Modus = kostenlos. Für das IBM ML Certificate und Google-Kurse.

Audit-Modus auf Coursera

Wenn Coursera dich zur Zahlung auffordert, such unten nach dem kleinen Link „Diesen Kurs auditieren". Vollzugriff auf alle Videos und Materialien, kostenlos. Kein Coursera-Zertifikat, aber du bekommst Zertifikate direkt von Anthropic, OpenAI und Google.

CHECKPOINT:

Python + VS Code + Ollama installiert. GitHub-Konto erstellt. Obsidian-Vault bereit. Konten auf Anthropic Academy, OpenAI Academy, Google AI und Coursera.

Schritt 2: KI-Grundlagen – Verstehe, was du baust (Wochen 1–2)

Warum das 2026 wichtig ist:

KI-Kompetenz ist heute ein Einstellungsfilter. Eine WEF-Analyse von 2025 ergab, dass KI-versierte Arbeitnehmer Gehaltsaufschläge von 15–22 % erzielen. Die Grundlagen zu verstehen, bringt dich vor 90 % der Bewerber.

Woche 1: Das große Ganze

Zuerst → Google AI Professional Certificate (Module 1–3)

grow.google/ai-professional – Sanftester Einstieg. Kein Code. Behandelt: Was KI ist, Brainstorming mit KI, Recherche mit KI. Gibt dir das Vokabular.

Dann → Anthropic Academy: AI Fluency: Framework & Foundations

anthropic.skilljar.com – Das 4D AI Fluency Framework. Mitentwickelt von Universitätsprofessoren. Dauert 2–3 Stunden. Das ist einer der besten Einführungskurse, die es 2026 irgendwo gibt, und das Zertifikat macht sich auf LinkedIn wirklich gut – es ist von Anthropic, dem Unternehmen hinter Claude.

Woche 2: Erster Code + erste Konzepte

Dann → microsoft/generative-ai-for-beginners (Lektionen 1–6)

github.com/microsoft/generative-ai-for-beginners – Über 95.000 Sterne. 21 Lektionen. Forke dieses Repo und arbeite die Lektionen 1–6 durch: Was ist GenAI, wie LLMs funktionieren, Prompts nutzen, erste Chat-App.

CHECKPOINT:

Du kannst LLMs, Token und Transformer in eigenen Worten erklären. Erste Jupyter-Notebooks laufen. Obsidian hat 4–6 Notizen.

Schritt 3: ML-Grundlagen – Lerne die Mathematik hinter der Magie (Wochen 3–5)

Warum das 2026 wichtig ist:

ML-Grundlagen sind der Unterschied zwischen jemandem, der Tutorials kopiert, und jemandem, der Modelle debuggt. Unternehmen zahlen 150.000 $+ für Ingenieure, die verstehen, warum ein Modell schlecht performt – nicht nur, wie man eine API aufruft.

Primär: microsoft/ML-For-Beginners

github.com/microsoft/ML-For-Beginners – Über 44.900 Sterne. 12-wöchiger Lehrplan: Regression, Klassifikation, Clustering, NLP-Grundlagen. Quizze, Notebooks, Challenges. Wir komprimieren auf 3 Wochen mit 2 Lektionen pro Tag.

Parallel: IBM Machine Learning auf Coursera

coursera.org/professional-certificates/ibm-machine-learning – Audit-Modus kostenlos. Traditionelleres Videoformat. Nutze es parallel zum Microsoft-Repo – zwei Blickwinkel auf dasselbe Thema = bessere Behaltensleistung.

Mathe-Referenz: mlabonne/llm-course (Grundlagen)

github.com/mlabonne/llm-course – Über 40.000 Sterne. Erster Abschnitt: Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung. Nur die für ML relevante Mathematik. Zieh es zu Rate, wenn du auf etwas Unbekanntes stößt.

Projekt Woche 5: Wähle einen Datensatz aus dem Microsoft-Repo. Baue dein eigenes Klassifikationsmodell von Grund auf. Pushe es auf GitHub.

CHECKPOINT:

Du verstehst Regression, Klassifikation, Clustering, Gradientenabstieg, Verlustfunktionen, Overfitting. Du hast ein Modell mit echten Daten trainiert. Ein Projekt auf GitHub.

Schritt 4: Deep Learning & Neuronale Netze – Von Grund auf bauen (Wochen 6–8)

Primär: karpathy/nn-zero-to-hero

karpathy.ai/zero-to-hero.html (Videos) + github.com/karpathy/nn-zero-to-hero (Code)

Andrej Karpathy, ehemaliger Director of AI bei Tesla, Mitgründer von OpenAI. Er baut neuronale Netze von absolut null auf – keine Frameworks, nur Python und Mathe. Du baust: micrograd, makemore und nanoGPT.

1. Woche 6: Vorträge 1–3 (micrograd + makemore). Code mitverfolgen. Pausieren, jede Zeile tippen, ausführen, kaputt machen.

1. Woche 7: Vorträge 4–5 (Aktivierungen, BatchNorm, Backprop). Dicht – ein Vortrag pro Tag. Ausführliche Notizen.

1. Woche 8: Vorträge 6–7 (GPT von Grund auf + Tokenisierung). Die Belohnung: Du baust einen Transformer.

Parallel-Experiment mit Ollama:

Während du nanoGPT baust, führe in einem anderen Terminal ollama run llama3.2:3b aus. Vergleiche die Ausgabe deines „Spielzeug"-Modells mit einem echten 3B-Parameter-Modell. Das überbrückt die Lücke zwischen „Ich verstehe die Theorie" und „Ich kann Modelle lokal ausführen". Es ist augenöffnend zu sehen, was 3 Milliarden Parameter im Vergleich zu deinen 10 Millionen für die Ausgabequalität bewirken.

Ergänzung: microsoft/AI-For-Beginners (Deep Learning)

github.com/microsoft/AI-For-Beginners – Wochen 7–12: CNNs, RNNs. Erweitert über Karpathy hinaus, besonders für Computer Vision.

Brücke zu APIs: Anthropic Academy – Building with the Claude API

anthropic.skilljar.com – Jetzt, da du Modelle von innen verstehst, lerne, sie über die API zu nutzen. Behandelt Auth, System-Prompts, Tool Use, Streaming. Die Brücke von der Theorie zum Produkt.

CHECKPOINT:

Du hast ein neuronales Netz von Grund auf gebaut. Du verstehst Backprop, Attention, Transformer. Du kannst erklären, wie GPT funktioniert. Du kannst Modelle lokal mit Ollama ausführen. Du kennst die Claude API.

Schritt 5: LLMs & Prompt Engineering – Mit echten Modellen arbeiten (Wochen 9–10)

Tiefer Einstieg: mlabonne/llm-course (LLM Scientist Track)

github.com/mlabonne/llm-course – Der umfassendste kostenlose LLM-Lehrplan. Colab-Notebooks für jedes Thema.

1. LLM-Architektur – verbindet mit dem, was du bei Karpathy gebaut hast

1. Fine-Tuning (LoRA, QLoRA) – Modelle für spezifische Aufgaben anpassen

1. Quantisierung – Modelle lokal ausführen (verbindet mit deiner Ollama-Einrichtung)

1. Evaluation – messen, ob dein Modell wirklich gut ist

Prompt Engineering

OpenAI Academy: academy.openai.com/public/content – „Intro to Prompt Engineering" und „ChatGPT für jede Rolle" vom Team, das ChatGPT gebaut hat.

Anthropic Prompt Engineering: docs.anthropic.com – Wahrscheinlich der am besten geschriebene Prompt-Engineering-Leitfaden im Internet. Kein Kurs – eine extrem detaillierte Referenz.

Fortsetzung: microsoft/generative-ai-for-beginners (Lektionen 7–21)

Geh zurück und mach die Lektionen 7–21 fertig. Mit tiefem Wissen klicken diese fortgeschrittenen Lektionen: RAG, Function Calling, Design Patterns, Fine-Tuning.

Projekt Woche 10: Baue einen RAG über deine Obsidian-Notizen

Nutze ChromaDB oder LanceDB (beide kostenlos, beide lokal), um dein AI-Learning-Vault zu indexieren. Baue ein Tool, das Fragen zu allem beantwortet, was du gelernt hast. Du baust buchstäblich ein zweites Gehirn über deinem zweiten Gehirn. Pushe auf GitHub.

Schritt 6: KI-Agenten – Baue etwas Echtes (Wochen 11–12)

Primär: microsoft/ai-agents-for-beginners

github.com/microsoft/ai-agents-for-beginners – 12 Lektionen: Tool Use, Memory, Multi-Agent-Systeme, Orchestrierung.

Tiefer Einstieg: Anthropic Academy – MCP-Kurse

anthropic.skilljar.com – „Introduction to Model Context Protocol" + „MCP: Advanced Topics". MCP ist Anthropics offener Standard zur Verbindung von KI mit externen Werkzeugen – der 2026er Standard für Agenten-Tool-Use. Diese Kurse lehren dich, MCP-Server und -Clients von Grund auf zu bauen.

Framework: LangGraph (von LangChain)

Verbring 2–3 Sessions mit LangGraph in kostenlosen Colab-Notebooks. Es ist das beliebteste Framework zum Bauen zustandsbehafteter, mehrschrittiger Agenten-Workflows. Ergänzt den Anthropic-MCP-Ansatz – LangGraph für Orchestrierung, MCP für Tool-Verbindungen.

Bonus: Anthropic Cookbook

docs.anthropic.com/en/docs/about-claude/use-case-guides – Die besten Praxisbeispiele für Tool Use und MCP-Muster. Studiere sie wie Fallstudien.

Abschließendes Agenten-Projekt:

Baue einen Agenten, der MCP + Claude nutzt, um mit deinen lokalen Dateien zu arbeiten. Beispiel: Ein Agent, der dein Obsidian-Vault liest, das Web nach Updates zu Themen durchsucht, die du lernst, und eine tägliche Zusammenfassung an dein Telegram sendet. Sieh dir meinen Artikel „I Built an AI Agent That Manages My Life" für die Architektur an.

CHECKPOINT:

Du hast einen funktionierenden KI-Agenten mit MCP gebaut. Du verstehst Agenten-Architektur, Tool Use und mehrschrittige Workflows. Dein Portfolio wächst.

Schritt 7: Produktion, Portfolio & Verantwortungsvolle KI (Wochen 13–14)

Bereitstellung (alles kostenlos)

Nimm dein bestes Projekt und stell es bereit:

1. Gradio + Hugging Face Spaces – schnellster Weg, eine ML-Demo zu teilen. Kostenloses Hosting.

1. Streamlit Community Cloud – für datenzentrierte Apps. Kostenlose Stufe.

1. Vercel – für webbasierte KI-Tools. Kostenlose Stufe.

Evaluierung deiner Modelle

Ein bereitgestelltes Modell ohne Evaluierung ist ein Risiko. Lerne, Qualität zu messen:

1. DeepEval – Open-Source-Framework für LLM-Evaluierung.

1. RAGAS – speziell zur Evaluierung von RAG-Pipelines (dein Obsidian-RAG aus Schritt 5).

1. LLM-as-Judge – ein LLM nutzen, um die Ausgaben eines anderen zu bewerten. Claude ist hervorragend dafür.

Verantwortungsvolle KI & Sicherheit

Hier scheitern 90 % der kostenlosen Leitfäden. Sie lehren dich zu bauen, aber nicht verantwortungsvoll zu bauen.

1. Constitutional AI – verstehen, wie moderne Modelle ausgerichtet werden. Anthropics Kernansatz.

1. Prompt-Injection-Abwehr – wie du deine Apps vor feindlichen Eingaben schützt.

1. Red-Teaming – wie du deine eigenen Systeme stresstest, bevor Nutzer es tun.

Ressourcen: Anthropics offizieller Sicherheitsleitfaden + der Kurs „Responsible AI" in der Anthropic Academy.

Portfolio & Karriere

Dein GitHub-Profil IST dein Lebenslauf im KI-Bereich. So machst du ihn wertvoll:

1. GitHub README – professionelles Profil-README + Projekt-READMEs mit Architekturdiagrammen und Live-Demo-Links.

1. LinkedIn Cases – schreibe 2–3 kurze Fallstudien zu deinen Projekten. Welches Problem, was du gebaut hast, was du gelernt hast.

1. Karrierepfade – Junior AI Engineer (80.000–120.000 $) → Prompt/Agent Engineer (120.000–180.000 $) → AI Product Engineer (150.000–250.000 $).

Das Abschlussprojekt:

Baue einen produktionsreifen KI-Agenten, der ein echtes Problem in deinem Leben löst. Bereitgestellt. Mit einem Evaluierungssystem. Mit Sicherheitschecks. Das zeigst du Arbeitgebern. Darüber tweetest du. Das ist der Beweis.

CHECKPOINT:

Du hast ein bereitgestelltes, evaluiertes, sicherheitsgeprüftes KI-System. Professionelles GitHub-Profil. LinkedIn-Fallstudien. Du bist bereit für den Job.

Wartungsmodus: So bleibst du auf dem Laufenden

KI bewegt sich schnell. Hier ist das wöchentliche Ritual, um nach Abschluss des Fahrplans vorne zu bleiben:

1. Montag: Prüfe die Release-Notes von Anthropic, OpenAI und Google. 10 Minuten.

1. Mittwoch: Durchstöbere arxiv-sanity-lite nach interessanten Papers. Lies 1 Abstract. 15 Minuten.

1. Freitag: Schau dir ein Yannic-Kilcher- oder 1littlecoder-Video zu einem neuen Paper/Tool an. 20 Minuten.

1. Monatlich: Baue ein kleines Projekt mit einem neuen Tool oder einer neuen Technik. Pushe auf GitHub.

Gesamtzeit: ~1 Stunde/Woche. Das hält dich in den oberen 10 % der KI-Praktiker.

Wie das im Vergleich abschneidet

Ehrlicher Vergleich zwischen diesem Fahrplan und den Alternativen:

Vollständige Ressourcenliste

Kostenlose Kurse (mit Zertifikaten)

• Anthropic Academy – anthropic.skilljar.com – 16 Kurse, kostenlose Zertifikate

• OpenAI Academy – academy.openai.com – Workshops, Tutorials, AI Foundations

• Google AI Professional Certificate – grow.google/ai – 7 Module

• IBM ML auf Coursera – Audit-Modus kostenlos – vollständiges ML-Zertifikat

• NVIDIA DLI – developer.nvidia.com/training – GPU & Deep Learning

• DeepLearning.AI – Kurzkurse von Andrew Ng, besonders „Agentic AI" und „LangChain for LLM Apps"

GitHub-Repositories

• microsoft/generative-ai-for-beginners – 95K★ – 21 Lektionen GenAI

• microsoft/ML-For-Beginners – 45K★ – 12 Wochen klassisches ML

• microsoft/AI-For-Beginners – 35K★ – 24 Lektionen Deep Learning & CV

• karpathy/nn-zero-to-hero – Neuronale Netze von Grund auf von Andrej Karpathy

• mlabonne/llm-course – 40K★ – kompletter LLM-Fahrplan + Colab

• microsoft/ai-agents-for-beginners – 12 Lektionen KI-Agenten

• ashishpatel26/500-AI-ML-DL-Projects – 500+ Projektideen

Werkzeuge (Kostenlos)

• Ollama + Open WebUI – Modelle lokal ausführen, selbst gehostete ChatGPT-Alternative

• Anthropic Cookbook – docs.anthropic.com – beste Beispiele für Tool Use und MCP

• Hugging Face Course (2026) – besonders die Abschnitte Agents und Evaluation

• ChromaDB / LanceDB – kostenlose lokale Vektordatenbanken für RAG-Projekte

YouTube (Kostenlos)

• Andrej Karpathy – Neural Networks: Zero to Hero

• 3Blue1Brown – Neuronale Netze & lineare Algebra visualisiert

• Yannic Kilcher – KI-Paper-Analysen

• 1littlecoder – neueste KI-Tools und Implementierungen (Schwerpunkt 2026)

• Matt Wolfe – KI-Neuigkeiten und Tool-Reviews

Starte heute Abend

Hier ist genau, was du in den nächsten 60 Minuten tun solltest:

1. Installiere Obsidian und erstelle das AI-Learning-Vault. 5 Minuten.

1. Melde dich bei Anthropic Academy an. Starte AI Fluency. Schau dir das erste Modul an. Schreib die erste Notiz. 30 Minuten.

1. Forke microsoft/generative-ai-for-beginners auf GitHub. Öffne Lektion 1. Lies sie. 20 Minuten.

Das war's. Drei Dinge. Heute Abend.

Die Leute, die 2026 wirklich KI lernen werden, sind nicht diejenigen, die 50 Artikel mit Lesezeichen versehen. Sie sind diejenigen, die ein Terminal öffnen und anfangen.

Ich habe angefangen, 300 $ pro Monat für Kurse zu bezahlen, die mir beigebracht haben, Code zu kopieren und einzufügen, den ich nicht verstand. Heute baue ich KI-Agenten aus Spaß und die gesamte Ausbildung hat mich 0 $ gekostet. Die Ressourcen sind direkt da. Die einzige Frage ist, ob du anfängst.

Folgt mir auf Telegram <3 – https://t.me/+y1dBeWEIm_plMGNi