ki-werkzeuge

Zwei Zeitstände statt scheinbar ewiger Rangliste

Diese Seite enthält zwei verschiedene Arten von Aussagen: persönliche Nutzungserfahrung und überprüfbare Produktdaten. Beide altern unterschiedlich.

Eine neue Modellbezeichnung überschreibt keine frühere persönliche Erfahrung. Umgekehrt beweist eine gute Erfahrung mit einer älteren Version nicht, dass jede spätere Version, jeder Tarif oder jedes automatische Routing gleich arbeitet.

Grundhaltung: Werkzeug, nicht Autorität

Wer mit älterer Technik gearbeitet hat, lernt früh, dass ein System genau das tut, was es tut – nicht mehr und nicht weniger. Es hat Bugs, Grenzen, Eigenschaften und Fehlermuster. Diese Haltung hilft auch bei KI-Werkzeugen: Sie sind Systeme. Wer sie als Autorität behandelt, macht denselben Fehler wie jemand, der einer plausibel wirkenden Ausgabe mehr vertraut als dem eigenen Verständnis.

Das bedeutet konkret: Jede Ausgabe eines Sprachmodells ist ein Vorschlag, keine Tatsache. Auch wenn der Ton sicher klingt. Gerade wenn der Ton sicher klingt. Sprachmodelle sind nicht deshalb problematisch, weil sie manchmal falsch liegen. Problematisch sind sie dort, wo ein Fehler denselben Tonfall bekommt wie eine korrekte Aussage.

Daraus folgt eine einfache Arbeitsregel: Das Modell schreibt, ich entscheide. Ich korrigiere Fehler selbst. Ich überprüfe Fakten, die zählen. Ich verwende KI als beschleunigten ersten Entwurf, nicht als letztes Wort. Das ist keine besondere Vorsicht, sondern die einzig vernünftige Art, ein Werkzeug ohne eigene Fehleranzeige zu verwenden.

„Ein Werkzeug ohne Fehleranzeige braucht einen Nutzer, der Fehler erkennt.“

Das Sprachmodell ist nur eine Schicht des Produkts

Zwei Produkte mit derselben Modellfamilie können sich deshalb unterschiedlich verhalten. Ebenso kann dieselbe Chatoberfläche je nach Tarif, Region, Werkzeug und Routing verschiedene Modell- oder Toolpfade verwenden.

Transformer, Tokens und Inference

Viele heutige Sprachmodelle beruhen auf Transformer-Architekturen. Eingaben werden in Tokens zerlegt, in numerische Repräsentationen überführt und durch viele Rechenschichten verarbeitet. Bei generativer Ausgabe wird schrittweise ein nächstes Token ausgewählt und an den bisherigen Kontext angehängt.

„Nächstes Token vorhersagen“ beschreibt den generativen Kern, aber nicht das gesamte moderne Produkt. Post-Training, multimodale Eingaben, Such- und Dateisysteme, Werkzeugaufrufe, interne Planungsdurchläufe und externe Prüfschritte können um diesen Kern herum aufgebaut sein.

Die technische Beschreibung beantwortet nicht die philosophische Frage, welche Umgangssprache für „Denken“ angemessen ist. Für die Werkzeugbewertung reicht die belastbare Grenze: Das System besitzt keinen garantierten eingebauten Wahrheitsprüfer.

Training, Post-Training und laufende Produktregeln

Anbieter können Modellgewichte, Systemregeln, Safety-Schichten, Toolrouter und Oberflächen unabhängig voneinander verändern. Eine Produktänderung muss daher nicht immer als neue öffentlich sichtbare Modellnummer erscheinen.

Musterwissen, Gesprächskontext und externe Quellen trennen

Ein Training-Cutoff bedeutet nicht mehr pauschal, dass das gesamte Produkt nichts Neueres kennen kann. Suche, verbundene Datenquellen und aktueller Kontext können spätere Informationen liefern. Ohne solche Quellen bleibt der Wissensstand des Basismodells jedoch begrenzt.

Suche, RAG, Dateien und Rechner

Retrieval-Augmented Generation ergänzt eine Anfrage um gefundene Textstellen. Das Modell formuliert danach eine Antwort auf Basis der Auswahl. Die Quelle wird dadurch nicht automatisch richtig ausgewählt oder korrekt verstanden.

• Websuche: aktuelle öffentliche Informationen mit nachvollziehbaren Quellen suchen.
• Dateisuche: relevante Ausschnitte aus hochgeladenen oder verbundenen Dokumenten holen.
• Rechner: numerische Ausdrücke deterministisch berechnen.
• Codeausführung: Daten verarbeiten, Dateien erzeugen und Tests ausführen.
• API-/App-Aufruf: externe Systeme lesen oder verändern, sofern Berechtigung besteht.

Werkzeugzugriff kann Halluzinationen reduzieren, führt aber neue Fehlerklassen ein: falsche Suchauswahl, veraltete Quelle, fehlerhafter Toolaufruf, unzureichende Berechtigung, Prompt Injection in Dokumenten oder falsche Interpretation eines richtigen Ergebnisses.

Agenten: mehr Schritte bedeuten mehr Wirkung und mehr Risiko

Ein agentisches System plant mehrere Schritte, verwendet Werkzeuge, beobachtet Ergebnisse und setzt die Arbeit fort. Das kann Recherche, Codeänderungen oder organisatorische Abläufe beschleunigen.

Je größer die Handlungsfähigkeit, desto weniger genügt die bloße Prüfung des abschließenden Textes. Auch Zwischenschritte, Berechtigungen, Logs und Rückfallwege müssen kontrolliert werden.

Offizieller Anbieter-Snapshot vom 17. Juli 2026

Persönliche Werkzeugbeobachtungen – Stand 16. Mai 2026

Die folgenden Einschätzungen bewahren die bisher dokumentierte persönliche Nutzung. Sie sind keine Rangliste aktueller Modelle vom 17. Juli 2026 und keine Behauptung, jede neue Modellversion bereits ausreichend geprüft zu haben.

KI-Werkzeuge reproduzierbar vergleichen

Ein Einzelprompt ist kein belastbarer Vergleich. Für eine nachvollziehbare Bewertung müssen Rahmenbedingungen protokolliert werden.

Weil Ausgaben variieren können, sollte dieselbe Aufgabe mehrfach durchgeführt werden. Ein Modell ist für den Alltag nur dann gut, wenn nicht nur der beste Versuch, sondern auch die typische Fehler- und Korrekturlast tragbar ist.

Eine eigene Test-Suite ist wertvoller als fremde Bestenlisten

1. HTML-Reparatur: absichtlich doppelte IDs, falsche Anker und fehlerhaftes JavaScript erkennen.
2. Inhaltstreue: eine bestehende Seite erweitern, ohne persönliche Angaben zu erfinden oder Text zu kürzen.
3. Quellenaufgabe: aktuelle technische Aussage ausschließlich aus offiziellen Dokumenten belegen.
4. Langkontext: zwanzig Regeln und mehrere Dateien konsistent über eine längere Aufgabe halten.
5. Rechenaufgabe: Ergebnis mit Rechner beziehungsweise Code erzeugen und Zwischenschritte kontrollieren.
6. Datenschutzfall: sensible Inhalte erkennen und sichere Alternativen vorschlagen.
7. Rollback: Datei ändern, validieren und bei Fehler in den vorherigen Zustand zurückführen.

Bewertet werden nicht nur schöne Antworten, sondern unentdeckte Fehler, erfundene Details, benötigte Korrekturschleifen und Zeit bis zum verifizierten Ergebnis.

Wo KI tatsächlich hilft

Nach längerer Praxis hat sich ein klares Bild geformt, welche Aufgaben von KI-Werkzeugen tatsächlich profitieren und welche nicht. Das ist keine Theorie, sondern Ergebnis dessen, was im Alltag gehalten hat und was nicht.

Was diese Stärken verbindet: Sie alle profitieren davon, dass das Modell viele Muster kennt und schnell darauf zugreifen kann – und sie alle erfordern keine sichere Verifikation gegen die Außenwelt.

Systematische Grenzen – auch bei starken Modellen

Halluzinationen – das zentrale Problem

„Halluzination“ beziehungsweise „Konfabulation“ bezeichnet hier eine inhaltlich nicht ausreichend gestützte Ausgabe, die trotzdem sprachlich plausibel wirkt. Nicht als offensichtlicher Ausfall, sondern als flüssige, grammatisch korrekte, semantisch kohärente Aussage, die schlicht falsch ist.

Das Tückische daran: Solche Fehler sind häufig ohne externe Prüfung oder einen deterministischen Test nicht erkennbar. Ein erfundener Buchtitel klingt wie ein echter. Eine falsche API-Funktion klingt plausibel. Eine falsche Jahreszahl klingt nicht anders als eine richtige.

Typische Muster, die ich beobachtet habe

• Erfundene Quellen: Wird nach Belegen gefragt, erzeugt das Modell manchmal formal plausible Literaturangaben oder Links, die so nicht existieren.
• Falsche technische Details: Registernamen, Bitnummern, Protokoll-Eigenschaften oder API-Parameter werden plausibel zusammengesetzt, ohne real korrekt zu sein.
• Interpolierte Biographien: Bei weniger bekannten Personen oder Produkten werden Details ergänzt, die sich stimmig anhören, aber nicht belegt sind.
• Code, der nicht läuft: Syntaktisch sauberer Code kann semantisch falsch sein oder auf Funktionen beruhen, die in der behaupteten Form nicht existieren.

Meine praktische Konsequenz: Bei Aufgaben mit hohem Halluzinationsrisiko nutze ich KI nur für Entwürfe, die ich vollständig nachprüfe. Bei Aufgaben mit niedrigem Risiko – Textumformulierung, HTML-Strukturierung, bekannte Muster – ist die Kontrolle weniger aufwendig, aber nie ganz entbehrlich.

„Ein Modell, das sicher klingt, hat nicht recht. Es klingt nur sicher.“

Tonfall, Unsicherheit und Selbstprüfung

Sprachliche Sicherheit ist kein kalibriertes Messinstrument. Ein Modell kann eine richtige Aussage vorsichtig und eine falsche Aussage bestimmt formulieren.

• „Bist du sicher?“ erzeugt oft nur eine neue Formulierung derselben Grundlage.
• „Nenne Gegenbelege“ kann hilfreich sein, bleibt aber modellintern.
• „Welche Annahmen nutzt du?“ macht prüfbare Voraussetzungen sichtbarer.
• „Öffne die Primärquelle“ ist stärker als bloße Selbstbestätigung.
• Validator/Test ist bei Code und Struktur meist stärker als sprachliche Reflexion.

Ein zweiter Modelllauf kann Fehler finden, ist aber keine unabhängige Garantie. Besonders bei gemeinsamem Trainingswissen können mehrere Modelle denselben verbreiteten Irrtum wiederholen.

Ein Zitat ist nur so gut wie seine tatsächliche Stützwirkung

1. Existenz prüfen: Quelle, Titel, Herausgeber und Datum stimmen?
2. Primärquelle bevorzugen: Standard, Gesetz, Herstellerdokument oder Originalstudie lesen.
3. Passage öffnen: unterstützt die Quelle genau die behauptete Aussage?
4. Zeitstand prüfen: Dokument beschreibt aktuelle oder historische Version?
5. Geltungsbereich prüfen: Consumer-App, API, Land, Tarif oder Softwareversion?
6. Widerspruch suchen: weitere belastbare Quelle oder Release Note gegenprüfen.

Kontextfenster: Kapazität ist nicht Aufmerksamkeit und nicht Gedächtnis

Das Kontextfenster umfasst die Tokens, die ein Modell in einer konkreten Verarbeitung berücksichtigen kann – Eingaben, Systemregeln, Toolergebnisse und erzeugte Ausgabe. Die genaue Größe hängt von Modell und Produkt ab.

Ein großes Fenster verbessert die Möglichkeit, lange Dokumente oder Projekte einzubeziehen. Es garantiert jedoch nicht, dass jedes Detail gleich zuverlässig gefunden, gewichtet und über viele Schritte hinweg korrekt angewendet wird.

Memory und Personalisierung sind Produktfunktionen

Die alte pauschale Aussage „jedes neue Gespräch beginnt immer bei null“ trifft auf moderne Produkte nicht mehr allgemein zu. Einige Dienste können gespeicherte Erinnerungen, frühere Chats, Projekte oder verbundene Daten zur Personalisierung verwenden.

• Memory ist nicht Kontextfenster: gespeicherte Informationen werden selektiv wieder eingebracht.
• Memory ist nicht Archiv: Vollständigkeit und exakte Versionierung sind nicht garantiert.
• Kontrollen unterscheiden sich: Anbieter, Plan, Region und Workspace-Regeln beachten.
• Löschen prüfen: Chatverlauf, gespeicherte Erinnerung und verbundene Quelldaten können getrennte Ebenen sein.
• Projektregeln selbst sichern: wichtige Website- und Arbeitsstandards gehören in eine eigene Datei.

Für reproduzierbare Arbeit wird Memory als Komfort verwendet, nicht als einzige Quelle der Projektwahrheit.

Wie man fragt, macht den Unterschied

„Prompt-Engineering“ klingt manchmal nach dunkler Kunst. In Wirklichkeit ist es nur die Beobachtung, dass Formulierung, Kontext und Einschränkungen die Qualität der Antwort deutlich beeinflussen.

Was tatsächlich hilft

• Kontext geben, nicht voraussetzen: Eine präzise Einordnung führt fast immer zu brauchbareren Antworten als ein kurzer Wunsch ohne Rahmen.
• Negative Anforderungen nennen: „Keine Bulletpoints. Kein Werbeton. Kein Kürzen.“ Solche Ausschlüsse sind oft wichtiger als positive Wünsche.
• Schrittweise arbeiten: Inhalt, Ton, Struktur und Format nicht unnötig in einen einzigen Befehl pressen.
• Beispiele geben: Ein konkretes Muster ist für ein Sprachmodell fast immer besser als eine abstrakte Stilbeschreibung.
• Ausgabeformat festlegen: HTML, Fließtext, genau ein Codeblock, keine Überschriften – wenn das wichtig ist, muss es gesagt werden.
• Fehler direkt benennen: Präzise Korrektur spart Schleifen. Vage Kritik erzeugt neue Unschärfe.

Was ich nicht mache: Stundenlang Prompts optimieren für Aufgaben, die ich in derselben Zeit selbst erledigen könnte. Ein Werkzeug spart nur dann Zeit, wenn die Bedienung nicht mehr Aufwand erzeugt als die Aufgabe selbst.

Instruktionen und fremde Inhalte müssen getrennt bleiben

Eine Webseite, PDF, E-Mail oder Quellcodedatei kann Text enthalten, der wie eine Anweisung an das Modell formuliert ist. Für den Nutzer ist dieser Text Dateninhalt; ein unsicher gebautes Agentensystem kann ihn trotzdem als Handlungsanweisung behandeln.

Gute Aufgabenbeschreibungen benennen daher auch, welche Inhalte nur analysiert werden sollen und welche Aktionen ausdrücklich nicht erlaubt sind.

Dateien und lange Dokumente

1. Originaldatei unverändert aufbewahren.
2. Extraktion und sichtbare Darstellung unterscheiden. Tabellen, Diagramme und Layout benötigen gegebenenfalls Seitenansicht.
3. Fundstellen verlangen. Zeilen, Seiten oder eindeutige Abschnittsnamen erleichtern die Prüfung.
4. Vollständigkeit messen. Überschriften, Abschnitte, IDs und Dateigröße vor und nach Bearbeitung vergleichen.
5. Ausgabe validieren. JSON, HTML, JavaScript, PDF oder Office-Datei mit passenden Werkzeugen prüfen.
6. keine stillen Kürzungen akzeptieren. Zusammenfassung und vollständige Bearbeitung sind verschiedene Aufgaben.

Kostenlos, bezahlt und API sind verschiedene Nutzungsmodelle

Preise und Limits werden auf dieser Seite bewusst nicht als dauerhafte Zahlen festgeschrieben. Sie ändern sich schneller als die sachlichen Auswahlkriterien.

Entscheidend sind Gesamtaufwand und Risiko: Nutzungsgebühr, Korrekturzeit, Datenfreigabe, Werkzeugzugriff, Wiederholbarkeit, Exportmöglichkeit und Abhängigkeit vom Anbieter.

Datenschutz beginnt vor dem Prompt mit einer Datenklasse

Vor jedem Upload wird geprüft: Muss der Inhalt vollständig übertragen werden? Lassen sich Namen, Nummern, Pfade oder Zugangsdaten entfernen? Reicht ein künstliches Minimalbeispiel?

Consumer, Business und API haben unterschiedliche Regeln

Anbieter unterscheiden persönliche Konten, Arbeitsbereiche und API-Nutzung. Trainingseinstellungen, Aufbewahrung, Administratorzugriff, Datenverarbeitung und Vertragsgrundlage können sich deutlich unterscheiden.

• Consumer: persönliche Einstellungen für Modellverbesserung, Verlauf, Memory und Datenexport prüfen.
• Business/Enterprise: Vertrag, DPA, Administratorrechte, Retention und freigegebene Apps prüfen.
• API: eigene Anwendung speichert möglicherweise zusätzlich Prompts, Logs und Antworten.
• verbundene Plattform: Daten können unter Regeln des KI-Anbieters und des verbundenen Dienstes verarbeitet werden.
• Region/Rollout: Funktionen und Datenschutzoptionen können regional abweichen.

„Der Anbieter trainiert nicht damit“ beantwortet nur eine Teilfrage. Es bleiben Übertragung, Speicherung, Supportzugriff, Logs, Unterauftragnehmer, Löschung und eigene lokale Kopien.

Geheimnisse und personenbezogene Daten minimieren

• API-Schlüssel und Passwörter durch Platzhalter ersetzen.
• Konfigurationsdateien vor Upload auf Secrets prüfen.
• Logs kürzen und IP-, Mail-, Buchungs- oder Kundendaten anonymisieren.
• nur den fehlerrelevanten Ausschnitt teilen.
• erzeugte Dateien ebenfalls auf versehentlich enthaltene Daten prüfen.
• bei Fehlfreigabe Schlüssel rotieren und Datenlöschung nach Produktregeln auslösen.

Prompt Injection: fremder Inhalt versucht die Aufgabe umzuschreiben

OWASP führt Prompt Injection als zentrales Risiko für LLM-Anwendungen. Direkte Eingaben oder indirekte Anweisungen in Webseiten, Dokumenten und E-Mails können ein Modell zu unerwünschtem Verhalten bewegen.

1. externen Inhalt als untrusted data behandeln.
2. Tools nur mit minimalen Rechten bereitstellen.
3. Lesen und Schreiben in getrennte Schritte aufteilen.
4. kritische Aktionen vom Menschen bestätigen lassen.
5. Ausgabe und Toolaufrufe protokollieren.
6. Geheimnisse nicht in denselben Kontext legen, den fremder Inhalt beeinflussen kann.

Ein besser formulierter Systemprompt allein beseitigt das Grundproblem nicht. Die Wirkung muss technisch durch Berechtigungs- und Ausführungsgrenzen begrenzt werden.

KI-Ausgabe bleibt untrusted output

Generierter HTML-, SQL-, Shell-, JavaScript- oder Konfigurationstext darf nicht ungeprüft in einen ausführenden Kontext gelangen.

Verbundene Apps machen Kontext hilfreich und Zugriff mächtig

Kalender, E-Mail, Drive, Code-Repositories und andere Apps können relevante Daten liefern. Gleichzeitig entsteht ein größerer Daten- und Berechtigungsraum.

• nur benötigte App verbinden.
• Leserechte und Schreibrechte getrennt bewerten.
• Workspace- und persönliche Konten nicht unkontrolliert mischen.
• Memory-Nutzung verbundener Inhalte prüfen.
• Verbindung nach Projektende entfernen, wenn sie nicht mehr nötig ist.
• bei Aktionen Vorschau, Bestätigung und Audit bevorzugen.

Sicherer Code-Workflow

Neue Abhängigkeiten, API-Funktionen und Versionsangaben werden gegen offizielle Dokumentation geprüft. Ein erfundener Funktionsname kann syntaktisch plausibel aussehen und trotzdem nicht existieren.

Rechnen und strukturierte Daten mit passenden Werkzeugen

Arithmetik ist nicht pauschal „unmöglich“, aber freie Sprachgenerierung ist kein Ersatz für einen Rechner. Moderne Produkte können Berechnungs- oder Codewerkzeuge aufrufen.

• Formel und Einheiten explizit festlegen.
• Rechner oder Code statt Kopfrechnung des Modells verwenden.
• Zwischenergebnis und Rundung dokumentieren.
• Tabellen auf fehlende Werte und Typfehler prüfen.
• Plausibilitätsgrenzen unabhängig kontrollieren.

Bilder, Audio und PDFs

KI in der Webentwicklung: konkret

Was ich tatsächlich einsetze und was nicht – aus dem Alltag bei HTML-, Text- und Strukturarbeit.

Was gut funktioniert

• HTML-Struktur erzeugen: Für neue Unterseiten nach bekanntem Muster ist ein erster Entwurf oft sinnvoll. Nicht direkt fertig, aber deutlich schneller als leer anfangen.
• Code-Review: Inkonsistenzen, doppelte IDs, offensichtliche Fehler, fehlende Kleinigkeiten – eine erste Durchsicht lässt sich gut beschleunigen.
• JSON-LD-Struktur: Schema.org-Markup ist gut genug dokumentiert, um schnell brauchbare Entwürfe erzeugen zu lassen.
• Texte umformulieren: Sachliche Beschreibung in verständlichere Sprache bringen – oder umgekehrt in einen nüchternen Stil ziehen – funktioniert zuverlässig.
• Reguläre Ausdrücke und kleine Hilfsskripte: Für klar definierte Einmalaufgaben spart das Zeit.

Was ich nicht blind einsetze

• Rechtliche oder datenschutzbezogene Texte ohne anschließende eigene Prüfung.
• Barrierefreiheit ohne Nachkontrolle. Vorschläge sind hilfreich, aber kein Beweis.
• Performance-Aussagen ohne Messung. Schnell ist nur, was gemessen schneller ist.
• Sicherheitsrelevante Konfigurationen ohne eigenes Verständnis.

Die grundsätzliche technische Haltung dahinter beschreibt auch philosophy.htm. Dort geht es weniger um einzelne Werkzeuge als um die Frage, warum technische Entscheidungen überhaupt so getroffen werden.

Modellwechsel, Alias und Abschaltung

KI-Anbieter ersetzen Modelle, ändern Aliasziele und entfernen alte Versionen. xAI dokumentierte beispielsweise im Mai 2026 die Umleitung mehrerer älterer Grok-Modellnamen. OpenAI, Google und Anthropic veröffentlichen ebenfalls Release-, Migrations- und Deprecation-Hinweise.

Kritische Prompts, Tests und erwartete Ergebnisse werden deshalb bei jeder Modellumstellung erneut ausgeführt.

KI-Arbeitsergebnisse als technische Akte erhalten

• Originalprompt, Dateien und Projektregeln sichern.
• Produkt, Plan, Modell, Datum und aktivierte Tools notieren.
• Rohantwort und endgültig geprüfte Fassung trennen.
• Quellenliste und verwendete Fundstellen erhalten.
• Code-Diff, Tests, Validatorausgabe und CSP-Hash dokumentieren.
• Fehler und manuelle Korrekturen als Teil der Bewertung festhalten.
• keine vertraulichen Prompts ungeprüft in ein öffentliches Archiv übernehmen.

Nur so lässt sich später beantworten, ob ein Ergebnis durch ein bestimmtes Modell, eine Suchquelle, eine manuelle Korrektur oder ein externes Werkzeug entstand.

Technische und offizielle Quellen

Produktseiten sind Momentaufnahmen. Für konkrete Datenschutz-, Preis-, Modell- oder Integrationsentscheidungen wird unmittelbar vor Nutzung die aktuelle Fassung geprüft.

Fazit: Was bleibt

Nach allem, was ich bisher beobachtet habe, ist mein Eindruck weder Begeisterung noch Ablehnung, sondern Einordnung. KI-Werkzeuge sind brauchbar. Sie beschleunigen bestimmte Aufgaben deutlich. Sie haben reale, systematische Grenzen. Beides gleichzeitig zu sehen ist die einzig sinnvolle Haltung.

Was mich an der öffentlichen Diskussion stört, ist die Tendenz, diese Werkzeuge entweder als Revolution zu feiern oder pauschal zu verwerfen. Beides hilft nicht weiter. Ein Werkzeug ist gut, wenn es in konkreten Situationen nützt – und es nützt nur dort, wo man es kontrolliert einsetzt und seine Grenzen kennt.

Das eigentliche Problem ist nicht, dass Fehler passieren. Das eigentliche Problem ist, dass Fehler oft wie Erfolge aussehen. Dagegen hilft nur eines: eigenes Sachverständnis. Wer ein Werkzeug einsetzt, das er nicht prüfen kann, gibt Kontrolle ab.

Diese Seite wird aktualisiert, wenn sich etwas Wesentliches ändert. Modelle, Produktoberflächen, Werkzeuge und Datenregeln entwickeln sich schnell, und was heute gilt, kann später anders aussehen. Das ist kein Grund, keine Einschätzung zu formulieren – sondern ein Grund, sie offen zu halten.

„Ein Werkzeug, das ich nicht prüfen kann, ist kein Werkzeug – es ist ein Risiko.“

Querverweise im SSLXY-Archiv

• Zur SSLXY-Hauptseite
• Software- und Tool-Alltag
• Technische Grundhaltung
• Webmaster und Arbeitsweise
• Fernwartung und kontrollierte Deployments
• CGI, Logs und Fehlerdiagnose
• Server-Härtung
• Datensicherung und Rollback
• The Vault