Python und KI: Ein erstes Skript ohne Programmierkenntnisse
Python KI im Job: wo ein KI-geschriebenes Python-Skript überhaupt läuft, ohne Installation, ein Beispiel Schritt für Schritt und wo die Grenzen liegen.
„Python und KI" klingt nach zwei getrennten Themen — der Programmiersprache und dem Modell, das sie beherrschen soll. Im Job sind es meistens keine zwei Schritte, sondern einer: Du beschreibst ChatGPT oder Claude eine Aufgabe in ganzen Sätzen, das Modell schreibt das Python-Skript dazu, und du führst es aus. Python selbst lernst du dabei nicht in dem Sinn, dass du es auswendig kannst — du lernst, eine Aufgabe so genau zu beschreiben, dass ein brauchbares Skript dabei herauskommt.
Dass sich das für den eigenen Job lohnt, zeigt der PwC AI Jobs Barometer: Über rund eine Milliarde Stellenanzeigen hinweg verdienen Menschen mit KI-Kenntnissen einen deutlichen Gehaltsaufschlag, unabhängig davon, ob sie selbst als Entwickler arbeiten.
Der Unterschied zu einem Excel-Makro, wie es KI programmieren beschreibt, ist praktisch, nicht inhaltlich: Ein Makro läuft direkt in der Tabelle, die du ohnehin offen hast. Ein Python-Skript braucht zuerst eine Umgebung, in der es überhaupt laufen kann — und genau das ist die Hürde, an der die meisten Anleitungen vorbeigehen.
Wo du Python überhaupt laufen lässt, ohne etwas zu installieren
Du brauchst für ein einzelnes Skript keine eigene Python-Installation auf deinem Arbeitsrechner, was in vielen Firmen ohnehin Adminrechte voraussetzt, die du nicht hast. Eine Notebook-Umgebung im Browser reicht: Du öffnest eine Seite, fügst den Code in ein Feld ein und startest ihn dort, ohne dass etwas auf deinem eigenen Gerät installiert wird. Frag vor der ersten Nutzung in deiner IT-Abteilung nach, ob eine solche Umgebung freigegeben ist und welche Daten dort hochgeladen werden dürfen — das unterscheidet sich von Firma zu Firma.
Für den Einstieg reicht das, solange die Datei, mit der du arbeitest, keine echten Kundendaten enthält. Wie du das prüfst, bevor du überhaupt etwas hochlädst, steht weiter unten.
Ein Beispiel von Anfang bis Ende
Nimm eine Aufgabe, die in vielen Teams monatlich anfällt: mehrere CSV-Exporte aus verschiedenen Filialen zu einer Tabelle zusammenführen, bevor sie in den Bericht geht. Von Hand ist das Kopieren und Einfügen über zehn oder zwanzig Dateien — genau die Art von sich wiederholender Aufgabe, deren Automatisierbarkeit das IAB systematisch untersucht.
Ein vager Prompt wie „Schreib mir ein Python-Skript, das meine Dateien zusammenführt" liefert Code, der eine Ordnerstruktur annimmt, die es bei dir nicht gibt. Brauchbarer ist es, die Ausgangslage konkret zu nennen: „Ich habe einen Ordner mit CSV-Dateien, alle mit denselben Spalten Filiale, Datum, Umsatz. Schreib mir ein Python-Skript mit der Bibliothek pandas, das alle CSV-Dateien in diesem Ordner einliest, zu einer Tabelle zusammenführt und als eine Datei namens gesamt.csv speichert. Kommentiere jeden Schritt kurz auf Deutsch."
Das Ergebnis ist ein Entwurf, kein fertiges Werkzeug. Häufig nimmt er an, dass alle Dateien exakt dieselben Spaltennamen in derselben Schreibweise haben, was bei manuell exportierten Dateien selten stimmt. Genau das prüfst du zuerst an zwei oder drei Testdateien mit absichtlich leicht unterschiedlicher Schreibweise, bevor das Skript an den ganzen Ordner darf.
Bevor du etwas hochlädst: Testdaten statt echter Daten
Eine Notebook-Umgebung im Browser ist praktisch, aber sie ist ein fremder Dienst — echte Kundendaten, Gehaltslisten oder interne Umsatzzahlen gehören dort nicht ungeprüft hinein, nur um schnell zu testen, ob das Skript läuft. Bau dir stattdessen eine kleine Testdatei mit denselben Spaltennamen und erfundenen Werten. Wie sich das Skript verhält, prüfst du daran genauso gut wie mit den echten Daten — und die echten Daten bleiben, wo sie sind, bis das Skript nachweislich funktioniert.
Für Firmenrechner gilt dieselbe Vorsicht wie bei jedem KI-Chat: Nur 23 Prozent der Unternehmen hatten laut einer Bitkom-Erhebung überhaupt Regeln für den Einsatz von KI-Werkzeugen aufgestellt. Gibt es bei dir keine, ist das kein Freibrief — frag nach, bevor du eine Umgebung nutzt, die dir niemand offiziell freigegeben hat.
Die Grenze, die kein Modell von selbst zeigt
Ein Modell erfindet bei Python-Bibliotheken genauso selbstbewusst wie bei einem Text — ein Funktionsname, den es in einer älteren Version einer Bibliothek einmal gab oder nie gegeben hat, sieht im Code genauso aus wie ein echter. Läuft das Skript nicht, fällt der Fehler sofort auf. Gefährlicher ist Code, der durchläuft und ein plausibel aussehendes, aber falsches Ergebnis liefert, ohne eine Fehlermeldung zu zeigen.
Ein Python-Skript, das abstürzt, ist kein Problem — du siehst es sofort. Eines, das durchläuft und leise das Falsche rechnet, ist das eigentliche Risiko.
Deshalb gehört zu jedem Skript eine Gegenprobe: eine Zeile, die die Anzahl der eingelesenen Dateien ausgibt, oder eine Summe, die du von Hand nachrechnest und mit dem Ergebnis vergleichst. Das ist kein zusätzlicher Aufwand für Fortgeschrittene, sondern der Teil, der den Unterschied zwischen Zeit sparen und einen Fehler in zwanzig Dateien gleichzeitig produzieren ausmacht — dieselbe Prüfgewohnheit, die die OECD-Leitlinien zu KI als festen Bestandteil nennen, nicht als Kür.
Wie langsam sich der Abstand zwischen einer Modellantwort, die stimmt, und einer, die nur plausibel klingt, tatsächlich schließt, verfolgt der AI Index von Stanford Jahr für Jahr. Was aus Behördensicht beim Umgang mit generativen KI-Modellen zu beachten ist, hat außerdem das BSI zusammengestellt — auch wenn es dort um mehr als nur Code geht, gilt derselbe Grundsatz: Vertrau der Ausgabe nicht deshalb, weil sie überzeugend aussieht.
Was du am Montag ausprobierst
- Wähl eine Aufgabe, bei der du mehrere gleichartige Dateien von Hand zusammenführst oder aufräumst — nicht ein Beispiel ohne echten Nutzen.
- Bau eine kleine Testdatei mit denselben Spaltennamen und erfundenen Werten, bevor du irgendetwas Echtes hochlädst.
- Beschreib dem Modell die genauen Spaltennamen und das gewünschte Dateiformat, statt nur das Ziel zu nennen.
- Lass dir jeden Schritt kurz kommentieren und füg eine Zeile ein, die dir eine Zahl zum Gegenprüfen ausgibt.
- Erst wenn das Ergebnis an der Testdatei stimmt, läuft dasselbe Skript an den echten Daten.
Läuft dieselbe Aufgabe künftig öfter, lohnt sich Custom GPT erstellen, damit du Spaltennamen und Regeln nicht bei jeder Anfrage neu erklären musst. Geht es statt um mehrere Dateien nur um eine einzelne Auswertung in einer bestehenden Tabelle, zeigt Excel auswerten lassen denselben Zwischenschritt-Ablauf ohne eigenes Skript, und für eine einzelne abhängige Auswahlliste reicht oft Dropdownlisten in Excel ganz ohne Python. Soll das fertige Skript Teil eines größeren, mehrstufigen Ablaufs werden, zeigt Workflow-Automatisierung mit KI, mit welchem Einzelschritt du anfängst. Und bevor du irgendetwas mit echten Daten in einen Chat gibst, lohnt ein Blick in KI im Büro, welche Aufgaben sich dafür überhaupt eignen.
Genau diese Abfolge — eine Aufgabe konkret beschreiben, klein testen, das Ergebnis gegen eine bekannte Probe prüfen — übt Coursium in kurzen Lektionen fürs Handy. Bleib der KI voraus mit Übungen, die zu einer echten Büroaufgabe passen. Mehr zu diesem Ansatz steht über Coursium.