CUDA erklärt: Wie GPUs die KI-Entwicklung beschleunigen

CUDA erklärt: Wie GPUs die KI-Entwicklung beschleunigen

Von Grafikberechnungen zum KI-Training: wie Nvidias Plattform funktioniert, ein lauffähiges Beispiel und eine Einordnung der Alternativen

Aktualisiert:

Abstract

CUDA macht Nvidia-GPUs für allgemeine Berechnungen nutzbar. Wie das funktioniert, warum KI darauf angewiesen ist und welche Alternativen es gibt.
  • #CUDA
  • #Parallelverarbeitung
  • #GPUs
  • #KI-Entwicklung
  • #Nvidia
  • #GPU-Computing
  • #Deep Learning
  • #Technologien

Warum fast jedes große KI-Modell auf Nvidia-Hardware trainiert wird und was Entwicklungsteams über CUDA wissen sollten, auch ohne es selbst zu programmieren

Wer heute ein großes Sprachmodell trainiert, tut das mit großer Wahrscheinlichkeit auf Grafikprozessoren von Nvidia. Das liegt nicht nur an der Hardware. Mindestens ebenso wichtig ist eine Software-Schicht, die Nvidia seit 2007 pflegt: CUDA. Sie erlaubt es, Grafikkarten für ganz normale Rechenaufgaben einzusetzen, und ist über die Jahre so tief in die KI-Werkzeuge eingewachsen, dass Konkurrenten bis heute damit kämpfen.

Die meisten Entwicklerinnen und Entwickler schreiben nie eine Zeile CUDA-Code. Sie nutzen es trotzdem, sobald PyTorch oder TensorFlow eine Rechnung auf die GPU schiebt. Wer versteht, was dabei passiert, kann Hardware besser auswählen, Engpässe erkennen und die Abhängigkeit von einem einzelnen Hersteller realistisch einschätzen.

Was CUDA ist und woher es kommt

CUDA steht für Compute Unified Device Architecture. Gemeint ist eine Plattform aus Programmiermodell, Compiler, Treibern und Bibliotheken, mit der sich Nvidia-GPUs für allgemeine Berechnungen programmieren lassen. Fachleute sprechen von GPGPU, General-Purpose Computing on Graphics Processing Units.

Nvidia stellte CUDA Ende 2006 vor, die erste öffentliche Version erschien 2007. Wesentlich daran beteiligt waren Ian Buck, der zuvor an der Stanford University mit der Sprache Brook an GPU-Programmierung geforscht hatte, und der GPU-Architekt John Nickolls. Vorher ließen sich Grafikkarten nur über Umwege für Berechnungen nutzen: Wissenschaftler tarnten ihre Daten als Texturen und ihre Rechnungen als Grafikeffekte. CUDA machte daraus eine Erweiterung von C und C++, die Programmierer ohne Grafikkenntnisse lernen konnten.

Heute umfasst CUDA weit mehr als die Sprache. Dazu gehören Bibliotheken für lineare Algebra (cuBLAS), für neuronale Netze (cuDNN), für die Kommunikation zwischen vielen GPUs (NCCL) und für die Ausführung trainierter Modelle (TensorRT). Gerade diese Bibliotheken machen den Vorsprung von Nvidia aus.

Warum GPUs so viel schneller rechnen können

Ein Prozessor (CPU) und ein Grafikprozessor (GPU) sind für unterschiedliche Aufgaben gebaut. Eine CPU hat relativ wenige, sehr leistungsfähige Kerne. Sie ist darauf ausgelegt, verzweigten Programmcode mit vielen Entscheidungen schnell abzuarbeiten, etwa ein Betriebssystem, einen Webserver oder eine Tabellenkalkulation.

Eine GPU verfolgt das gegenteilige Prinzip. Sie hat Tausende einfache Recheneinheiten, die dieselbe Operation gleichzeitig auf vielen Daten ausführen. Ursprünglich diente das der Grafik: Bei einem Bild in Full-HD müssen rund zwei Millionen Bildpunkte berechnet werden, viele Male pro Sekunde, und jeder Bildpunkt folgt denselben Formeln.

Ein Vergleich aus dem Büroalltag: Eine CPU gleicht einer kleinen Gruppe erfahrener Sachbearbeiter, die jeweils komplizierte Einzelfälle lösen. Eine GPU gleicht einem großen Saal voller Aushilfen, die alle dieselbe einfache Aufgabe erledigen, etwa Formulare auf Vollständigkeit prüfen. Bei 10.000 gleichartigen Formularen gewinnt der Saal, bei einem komplizierten Einzelfall die Sachbearbeiter.

Die Herstellerangaben zu Kernzahlen illustrieren den Unterschied, sind aber nicht direkt vergleichbar. Eine Desktop-CPU der Oberklasse hat 16 bis 24 Kerne. Eine Spiele-Grafikkarte wie die GeForce RTX 5090 hat laut Nvidia über 20.000 „CUDA-Kerne“. Ein CUDA-Kern ist aber eine viel einfachere Recheneinheit als ein CPU-Kern. Aussagekräftiger für KI sind die Rechenleistung in Gleitkommaoperationen pro Sekunde (FLOPS), die Größe des Grafikspeichers und dessen Bandbreite.

Das Programmiermodell: Kernel, Threads und Blöcke

CUDA-Programme bestehen aus zwei Teilen. Der Host-Code läuft auf der CPU und steuert den Ablauf. Der Device-Code läuft auf der GPU. Die Funktionen, die auf der GPU ausgeführt werden, heißen Kernel.

Ein Kernel wird nicht einmal, sondern tausend- oder millionenfach gleichzeitig gestartet. Jede dieser Instanzen heißt Thread und bearbeitet typischerweise ein einzelnes Datenelement. Threads werden in Blöcke gruppiert, Blöcke in ein Grid. Diese Hierarchie entspricht der Hardware: Ein Block läuft auf einem Streaming Multiprocessor, einer Gruppe von Recheneinheiten mit gemeinsamem schnellem Speicher. Threads innerhalb eines Blocks können über diesen Speicher Daten austauschen und sich synchronisieren.

Der typische Ablauf sieht so aus:

  1. Daten liegen im Hauptspeicher und werden in den Grafikspeicher kopiert, entweder ausdrücklich oder automatisch über Unified Memory, einen gemeinsamen Adressraum für CPU und GPU.
  2. Die CPU startet den Kernel mit einer bestimmten Zahl von Blöcken und Threads.
  3. Die GPU arbeitet alle Threads parallel ab.
  4. Die Ergebnisse gehen zurück in den Hauptspeicher.

Der Datentransport ist oft der Flaschenhals. Wer für jede kleine Rechnung Daten über den PCI-Express-Bus hin- und herschiebt, verliert den Geschwindigkeitsvorteil schnell wieder. Leistungsfähiger CUDA-Code hält die Daten deshalb so lange wie möglich auf der GPU.

Ein lauffähiges Beispiel: zwei Vektoren addieren

Das klassische Einstiegsbeispiel addiert zwei Zahlenreihen Element für Element. Auf der CPU wäre das eine Schleife, auf der GPU übernimmt jeder Thread ein Element:

// vektoren.cu
#include <cstdio>
#include <cuda_runtime.h>

// Kernel: läuft auf der GPU, jeder Thread addiert ein Element
__global__ void addVectors(const float *a, const float *b, float *c, int n) {
    int i = blockIdx.x * blockDim.x + threadIdx.x;
    if (i < n) {
        c[i] = a[i] + b[i];
    }
}

int main() {
    const int n = 1 << 20;  // gut eine Million Elemente
    float *a, *b, *c;

    // Unified Memory: von CPU und GPU aus erreichbar
    cudaMallocManaged(&a, n * sizeof(float));
    cudaMallocManaged(&b, n * sizeof(float));
    cudaMallocManaged(&c, n * sizeof(float));

    for (int i = 0; i < n; ++i) {
        a[i] = 1.0f;
        b[i] = 2.0f;
    }

    const int threadsPerBlock = 256;
    const int blocks = (n + threadsPerBlock - 1) / threadsPerBlock;
    addVectors<<<blocks, threadsPerBlock>>>(a, b, c, n);

    // Auf die GPU warten und Fehler abfragen
    cudaError_t err = cudaGetLastError();
    if (err == cudaSuccess) {
        err = cudaDeviceSynchronize();
    }
    if (err != cudaSuccess) {
        std::printf("CUDA-Fehler: %s\n", cudaGetErrorString(err));
        return 1;
    }

    std::printf("c[0] = %.1f\n", c[0]);  // erwartet: 3.0

    cudaFree(a);
    cudaFree(b);
    cudaFree(c);
    return 0;
}

Übersetzt wird das Programm mit dem Compiler nvcc aus dem CUDA Toolkit:

nvcc vektoren.cu -o vektoren
./vektoren

Die wichtigsten Stellen: __global__ markiert die Funktion als Kernel. Aus Blocknummer, Blockgröße und Threadnummer berechnet jeder Thread seinen eigenen Index i. Die Abfrage if (i < n) verhindert, dass überzählige Threads im letzten Block über das Ende der Daten hinaus schreiben. Die Syntax mit den dreifachen spitzen Klammern <<<blocks, threadsPerBlock>>> legt fest, wie viele Blöcke mit wie vielen Threads starten.

Für eine Vektoraddition lohnt sich die GPU in der Praxis kaum, weil das Kopieren der Daten länger dauert als die Rechnung. Spürbar wird der Vorteil bei rechenintensiven Operationen wie Matrixmultiplikationen, und genau aus solchen bestehen neuronale Netze.

Warum KI ohne GPUs kaum denkbar ist

Training und Ausführung neuronaler Netze bestehen zum größten Teil aus Matrixmultiplikationen: riesige Tabellen von Zahlen, die miteinander verrechnet werden. Das ist genau die Art gleichförmiger, massenhaft paralleler Arbeit, für die GPUs gebaut sind.

Ein Wendepunkt war 2012. Das neuronale Netz AlexNet gewann einen bekannten Bilderkennungswettbewerb mit deutlichem Abstand und wurde auf zwei Nvidia-Grafikkarten mit CUDA trainiert. Seitdem setzt praktisch die gesamte Deep-Learning-Forschung auf GPUs. Nvidia baute die Hardware gezielt dafür aus: Seit der Volta-Generation (2017) enthalten Rechenzentrums-GPUs spezielle Tensor Cores für Matrixrechnungen in geringer Genauigkeit. Es folgten Ampere (A100), Hopper (H100), Blackwell (B200) und Rubin (2026). Große Sprachmodelle werden heute auf Tausenden solcher GPUs gleichzeitig trainiert.

Im Alltag eines Entwicklungsteams taucht CUDA meist nur indirekt auf. PyTorch etwa erkennt eine Nvidia-GPU und nutzt sie mit einer Zeile:

import torch

device = "cuda" if torch.cuda.is_available() else "cpu"
a = torch.ones(1_000_000, device=device)
b = torch.full((1_000_000,), 2.0, device=device)
c = a + b  # läuft auf der GPU, falls vorhanden
print(c[:3], c.device)

Dahinter ruft PyTorch optimierte CUDA-Kernel und Bibliotheken wie cuBLAS und cuDNN auf. Wer KI-Anwendungen entwickelt, muss deshalb selten eigene Kernel schreiben, sollte aber Treiberversionen, CUDA-Version und Framework-Version aufeinander abstimmen. Genau an dieser Stelle scheitern viele Installationen. Wie der Weg vom ersten Modell zur Produktionsanwendung aussieht, beschreibt unser Beitrag KI-Entwicklung für Einsteiger, Details zum Betrieb unser Infothek-Beitrag zum Deployment von PyTorch-Modellen.

Eine andere Abstraktionsebene wählt JAX: Es kompiliert NumPy-ähnlichen Python-Code über einen eigenen Compiler für GPU und TPU, ohne dass Entwickler mit CUDA in Berührung kommen. Was das in der Praxis bedeutet, erklärt unser Beitrag Von NumPy zu JAX.

Alternativen zu CUDA und die Frage der Abhängigkeit

CUDA läuft ausschließlich auf Nvidia-Hardware. Das ist der Kern der Kritik und der Grund, warum Wettbewerber eigene Plattformen anbieten:

PlattformAnbieterHardwareEinordnung
CUDANvidianur Nvidia-GPUsgrößtes Ökosystem, beste Unterstützung in KI-Frameworks
ROCm / HIPAMDAMD-GPUsHIP ähnelt CUDA stark, Unterstützung in PyTorch wächst
oneAPI / SYCLIntel, Khronosverschiedene Herstelleroffener Standard auf Basis von C++, kleinere Verbreitung
OpenCLKhronosviele GPUs und Prozessorenherstellerneutral, für KI kaum noch relevant
MetalAppleApple-Chipsfür Macs mit Apple-Prozessoren, von PyTorch unterstützt
TritonOpenAI (Open Source)Nvidia, AMDPython-ähnliche Sprache für eigene Kernel, in PyTorch integriert

Für Unternehmen ist die Frage weniger technisch als strategisch. Nvidia-GPUs sind teuer und waren zeitweise knapp. Wer ausschließlich über Frameworks wie PyTorch arbeitet, kann leichter auf andere Hardware ausweichen als ein Team mit viel eigenem CUDA-Code. Gleichzeitig ist die Unterstützung durch Bibliotheken, Werkzeuge und Dokumentation bei Nvidia nach wie vor am breitesten. Ein Wechsel kostet daher fast immer Testaufwand.

Was das für Ihr Team bedeutet

Für die meisten Entwicklungsteams ist CUDA eine Infrastrukturfrage, keine Programmiersprache, die man lernen muss. Wichtiger als eigene Kernel sind drei Entscheidungen. Erstens: Brauchen Sie überhaupt eigene GPUs? Für das Nutzen fertiger Sprachmodelle über eine API nicht. Für Training, Feinabstimmung oder den Betrieb eigener Modelle in der Regel schon. Zweitens: eigene Hardware oder GPUs in der Cloud? Cloud-Instanzen sind flexibel und ohne Vorabinvestition verfügbar, bei dauerhafter Auslastung kann eigene Hardware günstiger sein. Unser Seminar zu Cloud-Technologien und -Strategien hilft bei dieser Abwägung. Drittens: Wie stark binden Sie sich an Nvidia? Wer auf Framework-Ebene bleibt, behält Spielraum.

Eigene CUDA-Programmierung lohnt sich dort, wo Standardbibliotheken nicht ausreichen: in Simulationen, Bild- und Signalverarbeitung, Finanzmathematik oder bei sehr spezifischen KI-Operationen. Dann ist sie ein Spezialistenthema mit steiler Lernkurve, denn wirklich schneller Code erfordert Verständnis für Speicherhierarchie und Hardware. Überschätzt wird dagegen die Bedeutung der reinen Kernzahl auf dem Datenblatt. Für KI zählen vor allem Speichergröße, Speicherbandbreite und die Unterstützung durch die verwendeten Frameworks.

Bei Auswahl, Aufbau und Schulung rund um Machine Learning und KI-Infrastruktur unterstützen wir auf unserer Themenseite Maschinelles Lernen und Künstliche Intelligenz.

Häufige Fragen zu CUDA

Lässt sich CUDA ohne Nvidia-GPU nutzen?

Nicht direkt. CUDA ist an Nvidia-Hardware gebunden. Für AMD-GPUs gibt es mit HIP eine sehr ähnliche Schnittstelle, und Werkzeuge wie HIPIFY übersetzen CUDA-Code teilweise automatisch. Ohne GPU können Sie CUDA-Code zwar übersetzen, aber nicht ausführen. Zum Lernen eignen sich Cloud-Instanzen oder kostenlose Notebook-Dienste mit GPU.

Welche Sprachen unterstützt CUDA?

Im Kern C und C++. Für Python gibt es mehrere Wege: Nvidias eigene Python-Anbindung, Bibliotheken wie CuPy mit NumPy-ähnlicher Schnittstelle, Numba zum Übersetzen von Python-Funktionen in Kernel und Triton für eigene Kernel in Python-ähnlicher Syntax. Daneben existieren Anbindungen für Fortran, Julia und weitere Sprachen.

Ist CUDA-Programmierung schwer zu lernen?

Ein erstes Programm wie das obige ist mit C- oder C++-Kenntnissen schnell geschrieben. Schwierig wird es bei der Optimierung: gemeinsamer Speicher, Speicherzugriffsmuster, Synchronisation und das Zusammenspiel mehrerer GPUs erfordern Erfahrung. Werkzeuge wie Nsight Systems und Nsight Compute helfen, Engpässe zu finden.

Welche CUDA-Version ist die richtige?

Das hängt von GPU, Treiber und Framework ab. Neuere Toolkit-Versionen setzen einen ausreichend aktuellen Treiber voraus und unterstützen ältere GPU-Generationen irgendwann nicht mehr. Bei PyTorch ist die CUDA-Laufzeit in den offiziellen Paketen bereits enthalten, sodass meist nur ein passender Treiber installiert sein muss.

Mehr aus „KI & Machine Learning“

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Weitere Blog-Artikel

JavaScript Decorators: Meta-Programmierung mit dem @-Zeichen

JavaScript Decorators erweitern Klassen, Methoden und Felder per @-Syntax. Sie erfahren, wie der TC39-Vorschlag funktioniert und wie Sie ihn heute einsetzen.

mehr erfahren

JavaScript Generators: Große Datenmengen schrittweise verarbeiten

JavaScript Generators liefern Werte erst bei Bedarf. Sie lernen function*, yield, Iterator-Helfer und for await kennen und sehen, wann sich das lohnt.

mehr erfahren

React Native mit Expo: Von der Idee zur fertigen App

Ein App-Projekt mit React Native und Expo von der Idee bis in den Store: Setup, Expo Router, Daten, Tests, Builds, Einreichung und Updates nach dem Start.

mehr erfahren

JavaScript-Arrays: Best Practices für robusten und schnellen Code

Best Practices für JavaScript-Arrays: Mutation vermeiden, passende Methoden wählen, sortieren und gruppieren, async-Fallen umgehen, mit TypeScript absichern.

mehr erfahren

Java 21: Die wichtigsten Neuerungen der LTS-Version im Überblick

Java 21 brachte Record Patterns, Pattern Matching für switch, Sequenced Collections und Virtual Threads. Der Überblick zeigt Code, Grenzen und heutigen Stand.

mehr erfahren

JavaScript Interop in ASP.NET Core Blazor: Grundlagen und Fehlersuche

JavaScript Interop in Blazor verständlich erklärt: JavaScript aus C# aufrufen, C# aus JavaScript erreichen, Fehler abfangen und beide Seiten debuggen.

mehr erfahren

Aktuelle Blog-Artikel

PHP-Migration nach PHP2Shell: Upgrade oder Sprachwechsel?

PHP2Shell und das Support-Ende von PHP 8.2: Was Sie jetzt patchen sollten, wie ein Upgrade auf 8.4 oder 8.5 gelingt und wann ein Sprachwechsel sinnvoll ist.

mehr erfahren

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

Node.js ohne Ballast: 12 Bordmittel, die npm-Pakete ersetzen

Von fetch() über node:test bis Type Stripping: zwölf Node.js-Funktionen, die axios, dotenv, Jest und Co. ersetzen, mit Status in Node 24 und 26 und Grenzen.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

Rusts Lieferkette unter Beschuss: Warum ein Angriff nur der Anfang war

Ein Angriff auf Rust-Pakete war im August 2026 schnell gestoppt, das Grundproblem bleibt. Wie crates.io angreifbar ist und was Sie heute dagegen tun können.

mehr erfahren

Webentwicklung ohne SPA: Eine Web-App mit V, Veb, SQLite und htmx

Am Beispiel der Meetup-Plattform Clash zeigt sich, wie eine Web-App mit V, Veb, SQLite und htmx ohne SPA-Framework entsteht und wo der Ansatz an Grenzen stößt.

mehr erfahren

React-Performance: Warum weniger Optimierung mehr Tempo bringt

React-Performance heute: Wie Sie mit State am richtigen Ort, dem React Compiler, Transitions, Virtualisierung und Messung Ihre Anwendung spürbar beschleunigen.

mehr erfahren

React-Komponenten verbinden: Welcher Weg passt wann?

Props, Context, Zustand, TanStack Query, URL-Parameter oder Ereignisse: So wählen Sie den passenden Weg, damit zwei React-Komponenten Daten austauschen.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

JavaScript 2026: Bun, Deno und TypeScript 7 läuten eine neue Ära ein

Node.js, Bun und Deno im Wettbewerb, TypeScript 7 mit Compiler in Go, Build-Werkzeuge in Rust: Was sich 2026 bei JavaScript ändert und was Sie davon übernehmen.

mehr erfahren

npm-Pakete sicher prüfen: So bewerten Sie ein Paket vor dem Einbau

npm-Pakete sicher prüfen: wie Sie Name, Wartung, Provenance, Install-Skripte, bekannte Lücken und Lizenz bewerten, bevor ein Paket in Ihr Projekt kommt.

mehr erfahren

npm install unter der Lupe: Wie Angreifer die Lieferkette kapern

Was npm install technisch tut, welche Angriffsmuster von Typosquatting bis Dependency Confusion es ausnutzen und wie Sie das Installieren absichern.

mehr erfahren

Programmiersprachen und KI: Warum Rust für Code-Agenten so gut passt

KI-Agenten schreiben in Rust oft verlässlicheren Code, weil der Compiler viele Fehler sofort meldet. Was dahinter steckt und wo das Argument endet.

mehr erfahren

Pi Agent vs. Claude Code: minimaler Open-Source-Agent im Vergleich

Pi Agent und Claude Code im Vergleich: Architektur, Erweiterungen, Modellwahl, Lizenz, Kosten und Sicherheit. Für wen sich der Open-Source-Agent lohnt.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Claude Code für Einsteiger: vom Terminal zur fertigen Anwendung

Claude Code arbeitet im Terminal direkt mit Ihren Dateien. So gelingen Installation, erste Aufträge, Planmodus, Skills und MCP auch ohne Programmiererfahrung.

mehr erfahren

OpenClaw im Praxistest: vom Chatbot zum digitalen Assistenten

OpenClaw macht ein Sprachmodell zum selbst gehosteten Agenten mit Zugriff auf Rechner und Messenger. Aufbau, Einrichtung, Skills und Sicherheitsregeln.

mehr erfahren

Das Ende der Menüs: Wie KI die digitale Arbeitsumgebung verändert

Seit Jahrzehnten bedienen wir Computer über Fenster, Menüs und Ordner. KI-Agenten verschieben das zu Aufträgen in Alltagssprache. Was sich ändert und was nicht.

mehr erfahren

Microsoft und Rust: Was hinter dem Ziel „C und C++ bis 2030“ steckt

Microsoft nutzt Rust im Windows-Kernel, der Ersatz von C und C++ bis 2030 ist aber ein Forschungsziel. Was belegt ist und was es für Entwickler bedeutet.

mehr erfahren

TanStack Start: Das React-Framework als Alternative zu Next.js

TanStack Start ist ein Fullstack-Framework für React auf Basis von TanStack Router und Vite. Was es kann und wann es eine Alternative zu Next.js ist.

mehr erfahren

Die Ralph-Wiggum-Technik: KI-Coding-Agenten, die nicht aufgeben

Die Ralph-Wiggum-Technik lässt einen Coding-Agenten denselben Auftrag wiederholen, bis die Tests bestehen. Wie sie funktioniert und worauf Sie achten sollten.

mehr erfahren

Warum KI Entwickler nicht ersetzt, aber ihre Rolle verändert

KI-Assistenten schreiben heute viel Code. Warum Fachwissen trotzdem wichtiger wird und welche Fähigkeiten Entwickler:innen jetzt gezielt ausbauen sollten.

mehr erfahren

Von Node.js zu Bun: Next.js-Projekte schrittweise umstellen

Wie Sie Bun in Next.js einsetzen: von bun install über bun --bun next dev bis zum Deployment. Was dabei schneller wird, was nicht und was Sie vorher prüfen.

mehr erfahren

Bun erklärt: JavaScript-Laufzeit, Paketmanager und Bundler in einem

Bun ist Laufzeitumgebung, Paketmanager, Bundler und Testrunner in einem. Wie es funktioniert, wie kompatibel es zu Node.js ist und für wen es sich lohnt.

mehr erfahren

KI-Agenten richtig anleiten: Spezifikationen, die funktionieren

Spezifikationen für KI-Coding-Agenten wie Claude Code oder GitHub Copilot: welche Angaben hineingehören, wie Sie Aufgaben aufteilen und Grenzen setzen.

mehr erfahren

Was ist .NET? Die Microsoft-Plattform einfach erklärt

.NET ist Microsofts quelloffene Entwicklungsplattform für Web, Cloud, Desktop und Apps. Sie erfahren, wie Laufzeit, SDK und Versionen zusammenhängen.

mehr erfahren

Künstliche Intelligenz 2026: Vom Chatbot zum digitalen Kollegen

Rückblick auf den KI-Ausblick vom Januar 2026: acht erwartete Trends von Multi-Agenten-Systemen über physische KI und EU AI Act bis zu Quanten-Utility.

mehr erfahren

KI-Jahr 2025: Vier Erkenntnisse und ein Ausblick auf 2026

Rückblick vom Januar 2026 auf das KI-Jahr 2025: vier Entwicklungen von unauffälligen Agenten bis zum Chipmangel und was sie damals für 2026 erwarten ließen.

mehr erfahren

REST und Event-Streams: Wann sich ereignisbasierte Backends lohnen

REST oder Event-Streams? Wie sich Request/Response und Publish/Subscribe unterscheiden, wann Kafka, SSE oder WebSockets passen und wo REST richtig bleibt.

mehr erfahren

Shai-Hulud 2.0: Wie sich ein Wurm im November 2025 durch npm fraß

Shai-Hulud 2.0 einfach erklärt: Rückblick auf den npm-Wurm vom November 2025, wie er Zugangsdaten stahl, sich selbst verbreitete und wie Sie sich schützten.

mehr erfahren

HTMX: Moderne Webanwendungen ohne JavaScript-Framework bauen

HTMX lädt Inhalte nach, sendet Formulare und tauscht Seitenteile per HTML-Attribut aus. Die Anleitung zeigt Browser- und Serverseite und den Stand von HTMX 4.

mehr erfahren

Electron vs. Tauri: Desktop-Apps mit Webtechnik im Vergleich

Electron bringt Chromium und Node.js mit, Tauri nutzt den Webview des Systems und einen Kern in Rust. Der Vergleich zeigt, wann sich welches Framework eignet.

mehr erfahren

Architekturkompetenz im KI-Zeitalter: Was Full-Stack heute heißt

Wenn KI-Werkzeuge Code schreiben, verschiebt sich die Arbeit zu Architekturentscheidungen. Welche Fähigkeiten zählen und wie Sie sie gezielt aufbauen.

mehr erfahren

Omarchy im Test: So macht Linux endlich wieder Spaß

Unser Test von Omarchy aus dem November 2025: Das Linux auf Basis von Arch und Hyprland setzt auf Tastatur, Kachelfenster und abgestimmte Themes.

mehr erfahren

JWT-Probleme: Warum Entwickler vor JSON Web Tokens warnen

JWT-Probleme im Überblick: Warum sich Tokens schwer widerrufen lassen, welche Prüffehler gefährlich sind und wann klassische Sessions die bessere Wahl sind.

mehr erfahren

7 KI-Begriffe erklärt: Von KI-Agenten bis Superintelligenz

Sieben KI-Begriffe von KI-Agenten über RAG und MCP bis Superintelligenz: was sie bedeuten, wie sie zusammenhängen und was davon für Unternehmen zählt.

mehr erfahren

Machine Learning verstehen: von den Grundlagen bis zu moderner KI

Machine Learning verständlich erklärt: welche Lernverfahren es gibt, wie Training mit Daten abläuft und wie Sie prüfen, ob ein Modell wirklich etwas taugt.

mehr erfahren

Scrum-Master-Rolle auf dem Prüfstand: ein Blick aus Architektursicht

Lohnt sich ein Scrum Master noch? Wir betrachten die Rolle aus Sicht der Softwarearchitektur, gleichen sie mit dem Scrum Guide 2020 ab und zeigen Alternativen.

mehr erfahren

Was dürfen wir für Sie tun?

So sind wir zu erreichen: