Mit ChatGPT begann meine Reise. Später kam Codex dazu, und aus Gesprächen über Lösungen wurde zunehmend die Arbeit an konkreten Projekten. Dabei entstanden Pläne, Skripte, Analysen und Dokumentation. Genauso entstanden Fehler, neue Fragen und die Notwendigkeit, Ergebnisse zu überprüfen.

Für meinen ersten Blogartikel möchte ich deshalb bei dieser Entwicklung anfangen. Sie verbindet die Projekte, über die ich hier schreiben werde: mein Homelab, lokale KI, kreative Anwendungen und die Automatisierung wiederkehrender Aufgaben. Die wichtigste Erkenntnis daraus: Gute Ergebnisse entstehen durch klare Aufgaben, überprüfbare Zwischenschritte und einen Menschen, der die Verantwortung behält.

Am Anfang: mit ChatGPT Gedanken und Aufgaben strukturieren

In der Arbeit mit ChatGPT stand zunächst das Gespräch im Mittelpunkt. Ich beschrieb eine Aufgabe, bekam einen Vorschlag und konnte daran weiterarbeiten. Technische Zusammenhänge ließen sich auseinandernehmen, Möglichkeiten vergleichen und nächste Schritte formulieren.

Beim Netzwerkumbau wurde daraus eine konkrete Planungsarbeit. Ein gewachsenes Heimnetz mit mehreren VLANs, zwei Internetanschlüssen und unterschiedlichen Geräten sollte weiterentwickelt werden. Dafür mussten die bestehenden Aufgaben des Routers verstanden, die Zielarchitektur beschrieben und die Umstellung in handhabbare Schritte zerlegt werden.

Ein wichtiger Moment war meine Ergänzung, dass die vorhandenen Switches noch direkt am alten Cudy-Router angeschlossen waren. Der neue Core-Switch musste zuerst eingebaut werden. Diese Information veränderte die Reihenfolge der Migration: zunächst die physische Verteilung umbauen und prüfen, danach die Routerfunktionen umstellen.

Das Ergebnis war ein besserer Plan, weil die tatsächliche Umgebung genauer beschrieben war. Hier zeigte sich bereits eine meiner wichtigsten Erfahrungen:

Je genauer ich die Aufgabe und ihre Randbedingungen formuliere, desto brauchbarer wird das Ergebnis.

Mit den Modellen wuchsen auch die Aufgaben

Über meine Nutzung hinweg wurden ChatGPT und später auch Codex mit jedem neuen Modell für meine Aufgaben besser. Das ist meine persönliche Erfahrung aus der praktischen Arbeit. Ich konnte umfangreichere Zusammenhänge bearbeiten und anspruchsvollere Aufgaben an die KI geben.

Gleichzeitig entwickelte sich meine eigene Arbeitsweise weiter. Ich lernte, mehr Kontext bereitzustellen, Ziele deutlicher zu benennen und Ergebnisse gezielter zu hinterfragen. Die Fortschritte kamen damit von beiden Seiten: von besseren Modellen und von einer besseren Zusammenarbeit.

Ein gutes Modell braucht weiterhin eine klare Aufgabe. „Baue mein Netzwerk um“ lässt viel Raum für Annahmen. Die Beschreibung des Ist-Zustands, des Zielbilds und der Grenzen macht daraus einen Auftrag, dessen Ergebnis ich beurteilen kann. Dazu gehört auch, ausdrücklich festzuhalten, welche Funktionen während einer Vorbereitung weiterlaufen müssen und wann eine Änderung aktiviert werden darf.

Halluzinationen, fehlender Kontext und wie man es einhegt.

Ein weiterer Meilenstein bei der Arbeit mit ChatGPT war definitiv die Einführung / Erweiterung bei ChatGPT der Personalisierung.

Nach den ersten Einstellungen hier konnte ich bereits eine deutliche Verbesserung der Antwortqualität beobachten.

Hier seht Ihr meine aktuellen Einstellungen.

Die Definition von Benutzerdefinierten Anweisungen taten ihr Übriges. Hiermit konnte ich ChatGPT in fast allen Fällen das Halluzinieren abgewöhnen. Dafür sind die Antworten manchmal sehr sehr ausführlich und ich muss ChatGPT einbremsen.

Always follow <answering_rules> and apply <self_reflection> on non-trivial requests.

<self_reflection>
For substantive or multi-step requests: silently build an internal rubric of 5-7 quality criteria for an excellent answer in this domain, then draft, self-check against it, and revise until every criterion is strongly met. Never show the rubric. Skip entirely for simple lookups or one-line answers.
</self_reflection>

<answering_rules>
1. Reply in the language of my message.
2. Adopt a concrete, relevant expert role for the topic (e.g. "senior data engineer", "employment lawyer") and answer from that expertise. Name the role in one short line only when it adds clarity.
3. Accuracy first: if unsure, say so and ask a clarifying question instead of guessing. For current or time-sensitive facts, browse and cite sources. A non-answer beats a made-up one.
4. Write naturally, without em-dashes.
5. Match depth to the task: concise for simple asks, thorough for complex ones. No unrequested action items; no tables unless I ask.
</answering_rules>

<format>
For substantive answers: open with a one-line TL;DR (skip for rewrites/edits), then a clear step-by-step explanation with concrete detail and key context.
</format>

Der dritte Schritt ist die Verwendung von Projekten und dem dortigen Kontext. So habe ich in meine Projekte so viel Kontext wie nur möglich hinzugefügt. Dies führt zu einem Quantensprung in den Ergebnissen.

 

Dann kam Codex: vom Plan zu konkreten Arbeitsständen

Mit Codex verlagerte sich ein Teil meiner Arbeit vom Gespräch auf Dateien, Konfigurationen und Skripte. Im Netzwerkprojekt wurden Informationen aus vorhandenen Unterlagen zusammengeführt, Konfigurationen verglichen und Inventar- sowie Analyseartefakte erstellt. Liveabfragen halfen dabei, die dokumentierte Umgebung mit dem tatsächlichen Zustand abzugleichen.

Ein greifbares Ergebnis war eine nachvollziehbare Netzwerkübersicht mit Geräteaufgaben, Verbindungswegen und konkreten Prüfaufgaben. Daraus ließ sich weiterarbeiten. Entscheidungen und offene Punkte waren in Dateien festgehalten und konnten bei der nächsten Analyse wieder herangezogen werden.

Auch bei anderen Aufgaben entstanden konkrete Werkzeuge. Gemeinsam mit Codex erstellte ich beispielsweise PowerShell-Skripte, die Inhalte bestehender Berechtigungskonzepte anhand ihrer Überschriften einer neuen Word-Vorlage zuordnen. Dazu kamen Funktionen zur Untersuchung der Dokumente und zur Erstellung von Prüfberichten.

Damit wurde die KI zu einem größeren Teil meines Arbeitsprozesses. Bei der Netzwerkarbeit übernahm ich weiterhin Hardwarebeschaffung, Verkabelung und die Bestätigung physischer Verbindungen. Bei erzeugten Skripten blieb die Prüfung, ob sie die fachliche Aufgabe richtig erfüllen, ebenso notwendig.

In der Umsetzung wurden die Fehler konkret

Je näher die Zusammenarbeit an reale Systeme rückte, desto deutlicher wurde eine weitere Erkenntnis: Die KI macht Fehler. Eine schlüssige Erklärung oder eine sauber strukturierte Datei kann trotzdem eine falsche Zuordnung enthalten.

Im Netzwerkprojekt musste beispielsweise die Zuordnung eines Ziels korrigiert und die zugehörige Messung angepasst werden. Außerdem zeigten spätere Liveprüfungen, dass ältere Inventarangaben überholt waren. Für die weitere Analyse war entscheidend, den aktuellen Zustand zu prüfen.

Dabei entstanden auch Befunde, die noch keine fertige Erklärung lieferten: Ein Uplink lief mit 100 Mbit/s, und ein Fehlerzähler stieg. Das waren konkrete Ansatzpunkte für die Untersuchung. Die Ursache von Spieleabbrüchen war damit noch nicht bewiesen.

Diese Unterscheidung ist für mich zentral geworden. Eine Beobachtung liefert einen Anhaltspunkt. Eine Hypothese schlägt eine Erklärung vor. Erst eine passende Prüfung kann zeigen, ob diese Erklärung trägt. Das gilt auch dann, wenn die KI ihre Vermutung sehr überzeugend formuliert.

Am Ende entscheidet immer der Mensch und gibt die Änderungen frei! 

Meine Antwort darauf: in überprüfbaren Schritten arbeiten

Aus diesen Erfahrungen entwickelte sich eine Arbeitsweise, die heute den Kern meiner Zusammenarbeit mit KI bildet: Iteratives Vorgehen ist das A und O.

Ich beschreibe den aktuellen Stand und ein begrenztes Ziel. Die KI analysiert die Unterlagen oder erstellt einen Vorschlag. Anschließend wird das Ergebnis geprüft. Neue Beobachtungen fließen in den nächsten Schritt ein, und der Arbeitsstand wird entsprechend angepasst.

Beim Netzwerkumbau bedeutet das etwa, Verbindungen und Funktionen nach einzelnen Änderungen zu prüfen. Bei einem Skript bedeutet es, erzeugte Inhalte und Prüfberichte mit der fachlichen Erwartung abzugleichen. Auch die Dokumentenmigration zeigte, warum das nötig ist: In der Analyse wurden unterschiedliche Zuordnungsregeln zwischen Vorschau und eigentlicher Migration sowie eine fest eingetragene Fußzeilenversion sichtbar.

Ein vorhandenes Skript ist damit ein konkretes Ergebnis. Ob es für den vorgesehenen Einsatz ausreicht, muss anhand seiner tatsächlichen Ausgabe beurteilt werden. Diese Rückkopplung macht die nächste Version besser und verhindert, dass ein Fehler unbemerkt zur Grundlage weiterer Arbeit wird.

Heute: mehr Möglichkeiten, weiterhin meine Verantwortung

Meine Themen reichen inzwischen von Netzwerk und Servern über eine lokale KI-Umgebung mit Ollama bis zu einer ComfyUI-Werkstatt. Hinzu kommen kreative Arbeiten, die ich in meiner Freizeit für die Firma meiner Frau umgesetzt habe, etwa Logo-Varianten und Produktdarstellungen. Diese Projekte werde ich in weiteren Artikeln einzeln vorstellen.

Die Ergebnisse sind unterschiedlich: mal eine überprüfte Übersicht, mal ein Skript, mal ein visueller Entwurf. Gemeinsam ist ihnen, dass ich die KI-Arbeit einordnen und über ihre Verwendung entscheiden muss. Eine vorbereitete Umgebung braucht noch praktische Tests. Ein Entwurf braucht eine bewusste Auswahl. Ein Plan muss zur realen Situation passen.

Der Mensch ist die letzte Instanz. Für mich heißt das, Ziele vorzugeben, Ergebnisse zu prüfen, Annahmen zu korrigieren und Entscheidungen zu treffen. Mit leistungsfähigeren Modellen kann ich mehr Arbeit an die KI übertragen. Die Verantwortung für das Ergebnis bleibt bei mir.

Fünf Erkenntnisse, die diesen Blog begleiten

Aus meiner Reise mit ChatGPT und Codex nehme ich fünf Dinge mit:

1. Die KI macht Fehler. Deshalb gehören Prüfung und Korrektur zu jeder ernsthaften Anwendung.
2. ChatGPT und Codex wurden mit jedem Modell für meine Aufgaben besser. Dadurch wuchsen die Möglichkeiten und die Aufgaben, die ich mit ihnen bearbeite.
3. Der Mensch ist die letzte Instanz. Die Entscheidung über den Einsatz eines Ergebnisses bleibt bei mir.
4. Je genauer ich prompte, desto besser wird das Ergebnis. Ziel, Kontext und Randbedingungen machen einen Auftrag überprüfbar.
5. Iteratives Vorgehen ist das A und O. Kleine Schritte, Rückmeldungen und dokumentierte Ergebnisse tragen die Zusammenarbeit.

In diesem Blog möchte ich zeigen, wie sich diese Erkenntnisse in meinen Projekten auswirken: was entstanden ist, welche Fehler aufgetreten sind, wie wir sie untersucht haben und welche Fragen noch offen sind. Den Anfang macht diese Reise. Die folgenden Artikel gehen an die konkreten Projekte.