Blog — Seite 3

Docker ist eine Art, Telegram-Bot, API, Job-Queue oder eine Service-Gruppe in einen Container zu packen: derselbe Code, dieselben Abhängigkeiten und dieselbe Umgebung auf dem Entwickler-Laptop, auf einem VPS und in der Cloud. Eine gewöhnliche Business-Website braucht standardmäßig kein Docker - die normale Variante ist ein VPS mit nginx, PHP/Python und Datenbank ohne Container; die meisten Projekte laufen so und reicht das. Container lohnen sich, wenn Bot, mehrere Services, häufige Releases oder ein Team mit einheitlichem Deploy dazukommen. Unten - wo Docker wirklich hilft und wo man besser nicht kompliziert.

• Container - isolierter Prozess mit App und Abhängigkeiten; leichter als eine volle VM
• Image - Vorlage zum Bauen und Starten; der Container ist eine laufende Instanz
• Gewöhnliche Website - VPS + Webserver + PHP/Python + DB ohne Docker; Arbeitsnorm, kein «veralteter Ansatz»
• Für den Bot - stabiler Runtime, Restarts, Secrets getrennt vom Code; hier lohnt sich Docker öfter
• Compose - eine Datei für mehrere Services (Bot + API + DB), nicht Pflicht für eine einfache Website
• Kein Allheilmittel - läuft die Website stabil auf dem VPS, bringen Container oft nur Extra-Schicht ohne klaren Nutzen

Eine Progressive Web App (PWA) ist eine Website, die sich auf dem Homescreen installieren lässt, sich fast wie eine native App öffnet und offline oder bei schwacher Verbindung funktionieren kann. Für viele Unternehmen ist ein kompletter Release in App Store und Google Play zusätzliche Monate und Budget: Kataloge, Kundenportale, Buchung, Speisekarten und B2B-Dashboards lösen die Aufgabe oft mit einer PWA auf Basis von normalem HTML, CSS und JavaScript. Unten - wann die «Website als App» reicht, welche Technologien Pflicht sind und wo Native weiterhin nötig bleibt.

• PWA - Website + Manifest + Service Worker: Icon, Vollbild, Cache, manchmal Push
• Kein Ersatz für jede App - schwere Grafik, tiefer Gerätezugriff und harte App-Store-SLAs bleiben nativ
• Eine Codebasis - eine Web-Version statt getrennter iOS/Android-Teams zum Start
• Updates ohne Stores - Deployment auf den Server: Nutzer holen die neue Version beim nächsten Besuch
• SEO bleibt - es sind weiterhin Seiten in der Suche, kein geschlossenes Binary
• Start-Checkliste - HTTPS, manifest.webmanifest, Service Worker, Responsive und schnelles First Contentful Paint

Strukturierte Daten sind Markup auf Ihren Seiten, das Suchmaschinen und KI-Systemen erklärt: wer Sie sind, welches Produkt es ist, welche Preise gelten, was das FAQ beantwortet und was als Fakt gelten soll. Das Vokabular Schema.org und das Format JSON-LD stützen seit Langem klassisches SEO; 2026 erhöhen sie auch die Chancen, in KI-Übersichten (Google AI Overviews und ähnliche Blöcke) zu erscheinen und von Assistenten korrekt zitiert zu werden. Unten - welche Markup-Typen dem Geschäft wirklich helfen, wie man sie ohne «Magie» einführt und worin sich Schema.org von llms.txt unterscheidet.

• Schema.org - gemeinsames Entitätsvokabular: Organization, Product, FAQPage, Article, HowTo u. a.
• JSON-LD - bevorzugte Auslieferung des Markups in <script type="application/ld+json">
• Ziel für KI-Übersichten - dem Modell prüfbare Fakten liefern: Name, Preis, Verfügbarkeit, Schritte, Antworten
• Keine Garantie - Markup «kauft» keinen Platz im AI Overview; ohne starken Content und Indexierung bleibt der Effekt schwach
• Synergie - Schema.org + klarer Text + GEO + Crawler-Zugang
• Validierung - Rich Results Test / Schema Markup Validator vor und nach dem Release

KI-Sichtbarkeit meint, wie oft und wie korrekt Ihre Website in Antworten von ChatGPT, Claude, Gemini, Perplexity und anderen Assistenten vorkommt - nicht nur in der klassischen Suche von Google und Yandex. Neben SEO entsteht eine praktische Schicht: die Datei llms.txt im Website-Root - ein vorgeschlagener „Karten“-Standard für Sprachmodelle neben dem vertrauten robots.txt. Unten - warum das Geschäft ihn braucht, worin er sich vom Sitemap unterscheidet, wie das Format aussieht und was Sie jetzt tun können, ohne magische Versprechen einer „Garantie im AI Overview“.

• KI-Sichtbarkeit - Markenzitate und Erwähnungen in LLM-Antworten, nicht nur Rankings
• llms.txt - Markdown-Datei im Root (/llms.txt) mit kurzer Site-Zusammenfassung und Links zu Schlüsseleseiten
• Neben robots.txt - unterschiedliche Aufgaben: Bot-Zugang vs. „wo hinschauen“ bei Inference
• Kein SEO-Ersatz - Technik, Content und Faktenchecks entscheiden weiter
• Günstiger Schritt - ein bis zwei Stunden Arbeit; stärkerer Nutzen bei Docs, SaaS und Wissensbasen
• Ehrlicher Status - Community-Standard (llmstxt.org); große KI-Suchen versprechen ihn noch nicht als primäres Ranking-Signal

Computer Vision (CV) bedeutet: Kameras und KI-Modelle betrachten Fotos oder Videos und beantworten Geschäftsfragen - ist ein Teil defekt, ist der Parkplatz frei, stimmt das Regal mit dem Planogramm überein, wer betrat den Laden? Das ist keine „Kamerazauberei“, sondern die Kette Kamera → Modell → Regel → Aktion im System. Unten - wo sich CV wirklich rechnet, woraus das Budget besteht und was Pilot, Cloud-API und industrieller Rollout 2026 kosten.

• Kern - das Modell erkennt Objekte, Defekte, Text, Gesichter oder Ereignisse in Bildern und Video
• Wo es funktioniert - Produktion, Retail, Logistik, Sicherheit, Dokumente, Landwirtschaft
• API-Budget - ab $0,50-3 je 1 000 Frames in der Cloud; SaaS - $100-2 000/Monat
• Pilot (MVP) - typisch $3 000-15 000 und 3-8 Wochen
• Produktion in der Linie / Filialnetz - $20 000-120 000+ mit Kameras, Integrationen und Schulung
• Hauptrisiko - eine „KI-Kamera“ ohne Daten, Qualitätsmetriken und Prozesseigner kaufen

Die API-Rechnung überrascht oft stärker als der Listenpreis: Das Modell berechnet jeden Input- und Output-Token, nicht «eine Anfrage». Unten - so funktioniert Billing bei OpenAI, Claude und Gemini, so planen Sie das Monatsbudget, und wo Unternehmen typischerweise zu viel zahlen.

• Token - Abrechnungseinheit: etwa 3-4 Zeichen oder ein Wortteil
• Input gewinnt beim Volumen; Output ist teurer pro 1M - langer Kontext trifft die Rechnung härter als eine kurze smarte Antwort
• Formel - (input_tokens / 1M) × input_price + (output_tokens / 1M) × output_price
• Orientierung Juli 2026 - GPT-5.6 Luna/Terra/Sol, Claude Sonnet 5 / Opus 4.8 / Fable 5, Gemini 3.5 Flash / 3.1 Pro
• Versteckte Kosten - System-Prompt, Chat-Historie, RAG-Chunks, Retries, Tool-Calls
• Sparen - kleineres Modell für Routine, Caching/Batch, Kontext kürzen, Flagship nur bei schweren Fällen eskalieren

Eine KI-Halluzination ist eine selbstbewusste, kohärente und glaubwürdige Antwort des Modells, die nicht mit den Fakten, Ihrer Wissensdatenbank oder dem realen Systemzustand übereinstimmt. Fürs Geschäft liegt die Gefahr nicht in ungeschickter Formulierung - sondern in Output, der handlungsreif wirkt: Preise, Fristen, Rechtsformulierungen, Bestellstatus, Code-Tipps. Unten - was Halluzinationen einfach bedeuten, wo Risiko kritisch ist, und ein praktischer Kontrollrahmen, der Schaden senkt, ohne auf KI zu verzichten.

• Halluzination - plausible, aber falsche oder nicht prüfbare LLM-Antwort
• Risiko - Entscheidungen, Geld, Kunden, Reputation und Rechtsformulierungen
• Ursachen - fehlender Kontext, veraltete Daten, schwacher Prompt, keine Prüfung
• Minderung - RAG, geerdete Antworten, Human-in-the-loop, Evals
• Kein Allheilmittel - auch starke Modelle irren; nötig ist Kontrollarchitektur
• Start - ein Szenario mit Fehler-KPI, nicht „KI überall sofort“

Mitte 2026 dominieren drei Ökosysteme die Unternehmens-KI: ChatGPT (OpenAI), Claude (Anthropic) und Gemini (Google). Alle können Chat, API, Dokumente und Agenten - unterscheiden sich aber bei Reasoning-Tiefe, Office-Integration, Datenpolitik und Token-Preis. Hier ein praktischer Vergleich für Geschäftsführer und CTOs: wann eine Plattform reicht, wann ein Hybrid sinnvoll ist und wie man nicht für das «trendige» Modell überzahlt.

• ChatGPT - das reifste Ökosystem: GPT, Custom GPTs, Agents, Office/Azure-Anbindung
• Claude - stärker bei langen Dokumenten, sorgfältigem Code und sicheren Szenarien
• Gemini - vorteilhafter in Google Workspace und bei multimodalen Aufgaben
• Wahl - nach Use Cases und Data Policy, nicht nach dem Benchmark «wer ist diese Woche schlauer»
• Typischer Stack - ein Modell für Team-Chat + ein zweites per API fürs Produkt
• Kombination - Prompt Engineering, Context Engineering und RAG zählen mehr als das Modell-Logo

Prompt-Engineering für Unternehmen ist nicht «schön in ChatGPT schreiben können», sondern eine systematische Praxis, Anweisungen an LLMs zu formulieren, damit Marketing, Vertrieb, Support und Analytics ein vorhersehbares Ergebnis bekommen: richtiges Format, Ton, Fakten und Grenzen. Anders als bei einem einmaligen Chat wird der Prompt im Unternehmen Teil des Prozesses - Vorlage fürs Team, System-Anweisung für einen Chatbot oder eine Schicht neben Kontext-Engineering und RAG. Unten - was das in der Praxis bedeutet, welche Techniken 2026 funktionieren und wie man ohne Chaos einführt, bei dem «jeder seinen eigenen Prompt in Notizen hat».

• Prompt - Eingabeanweisung: Rolle, Aufgabe, Format, Beispiele, Verbote
• Fürs Business - Wiederholbarkeit, Qualitätskontrolle und geringeres Fehlerrisiko des Modells
• Basis - Rolle + Ziel + Aufgabenkontext + Antwortstruktur + Fertig-Kriterien
• Techniken - Few-Shot, Schrittketten, JSON-Schemas, Checklisten, Human-in-the-Loop
• Grenze - Ein Prompt ersetzt keine Unternehmensdaten; Dokumente und Preise brauchen RAG
• Verbund - Prompt + Kontext + Tools/Agenten liefern ein stabiles Produkt, nicht einen «glücklichen Chat»

Tilda ist für den Start hervorragend geeignet: Eine Landingpage, Schaufensterseite oder ein einfacher Katalog lassen sich schnell und ohne Entwickler erstellen. Doch ein wachsendes Unternehmen stößt beim Baukasten oft an Grenzen - bei Integrationen, SEO, Geschwindigkeit, Zugriffsrechten und den Kosten für Anpassungen. Im Folgenden finden Sie sieben praktische Anzeichen, dass es Zeit ist, Tilda zugunsten einer eigenen Website zu verlassen (oft Django/Python oder eine Kombination aus WordPress + Custom-Entwicklung), wie man die „Baukastenmüdigkeit“ von einem tatsächlichen Bedarf unterscheidet und wie die Migration ohne Traffic-Verlust gelingt.

• Tilda ist passend - Landingpage, MVP, lokaler Service, einfache Content-Website
• Es ist Zeit zu wechseln - wenn Produkt, Vertrieb oder Abläufe komplexer werden als Blockvorlagen
• 7 Anzeichen - Integrationen, SEO, Last, Rollen, Shop, technische Schulden, Wirtschaftlichkeit
• Eigene Website - nicht „schöner“, sondern Kontrolle über Stack, Daten und Logik
• Migration - schrittweise: URLs, SEO und Formulare bewahren, die Website nicht über Nacht abschalten
• Alternativen - Tilda vs WordPress vs Django je nach Aufgabe, nicht „weil es gerade modern ist“