Zwei Jahre nach meinen 7 Andrew Ng Kursen: der Weg, den ich 2026 tatsächlich gehen würde

Leute schreiben mir immer noch zu dem Beitrag von 2023. Die häufigste Frage, fast wortwörtlich: „Ist das 2026 immer noch der richtige Weg?"

Ich muss zugeben, ich habe eine vollständige Antwort vor mir hergeschoben, weil die ehrliche Antwort mehrschichtig ist. Die meisten Andrew Ng Kurse halten sich immer noch. Die Roadmap, die ich drumherum gebaut habe, hält sich nicht. Dieser Beitrag ist das Update, das ich dir schulde.

Wenn du heute bei null anfängst, so wie ich 2023, dann gilt der Foundation-Teil dieser Roadmap immer noch für dich. Du brauchst nur weniger davon, als ich damals gebraucht habe, aus Gründen, auf die ich gleich eingehe.

Ein Hinweis, bevor wir loslegen: Ich kann mich bei einigen dieser Verdicts irren, und ich würde wirklich gerne hören, wenn deine Erfahrung anders ist als meine. Ich bin in diesem Thema immer noch Schüler. Ich habe nur zufällig die letzten zwei Jahre damit verbracht, mit dem, was ich gelernt habe, etwas zu shippen.

1. Was mir diese 7 Kurse tatsächlich gegeben haben

Wenn ich jetzt mit zwei weiteren Jahren Kontext zurückblicke, haben mir die Kurse von 2023 zwei Dinge sehr deutlich gegeben, und bei einem Dritten haben sie mich zurückgelassen.

Sie haben mir Vokabular gegeben. Prompt Engineering, Retrieval-Augmented Generation, Embeddings, Function Calling, Chain-of-Thought Reasoning. Das sind immer noch die Begriffe, die ich in fast jedem technischen Gespräch verwende. Wenn ich einem Teammitglied, das neu bei AI ist, einen kniffligen Bug erkläre, dann teilen wir eine Sprache. Diese Sprache kam von Andrew.

Sie haben mir Selbstvertrauen gegeben. Ich komme aus einem nicht-technischen Hintergrund. Ohne die Struktur dieser Kurse bin ich nicht sicher, ob ich den Mut gehabt hätte, überhaupt anzufangen zu bauen. Ein guter Kurs kann das leisten. Nicht dir alles beibringen, aber dich davon überzeugen, dass der nächste Schritt erreichbar ist.

Was sie mir nicht geben konnten, war Geschmack: das Gefühl dafür, wann ein Prompt brüchig wird, wann ein Eval tatsächlich das misst, was dich interessiert, wann ein Kostenpattern in Production gleich explodieren wird. Das kommt nur davon, wenn man Dinge vor echten Usern kaputt macht. Über das erste Jahr davon habe ich in diesem Beitrag von 2024 geschrieben — drei Monate drin und immer noch festgefahren. Zwei Jahre später bleibe ich an anderen Dingen hängen, aber ich bleibe immer noch hängen.

Die Kurse haben mich bis zu „Ich kann die Docs lesen, ohne in Panik zu geraten" gebracht. Alles danach kam vom Shippen.

2. Warum die alte Roadmap heute schneller altert

Das ist der Teil des Beitrags von 2023, den ich am liebsten neu schreiben würde.

Ich habe die sieben Kurse als einen kompletten On-Ramp gerahmt. Das sind sie nicht, und das waren sie nie. Sie sind eine Foundation-Schicht. Die Roadmap drumherum hat sich in den letzten zwei Jahren stärker verändert als die Kurse selbst.

Meine kurze These: AI-Pair-Programming hat die Execution schneller komprimiert als das Urteilsvermögen. Genau deshalb lehren die Foundation-Kurse immer noch gute Dinge (Urteilsvermögen altert langsam) und genau deshalb sieht fast nichts anderes in meinem Learning-Stack so aus wie 2023.

Hier ist meine eigene Timeline, in einfacher Sprache:

• Ende 2022: ChatGPT geht live. Alle werden zu Promptern.
• März 2025: Google Gemini 2.5 Pro wird mein Daily Driver fürs Coding. Das Modell fängt an, Code zu schreiben, den ich tatsächlich shippen würde.
• Um den März 2025 herum: Ich abonniere Claude Max, den Premium-Plan von Anthropic. Damit bekomme ich Claude Code, einen terminal-basierten AI Coding Assistant, der Code in deinem eigenen Projekt neben dir schreibt und editiert. Es übernimmt schnell einen spürbaren Teil meiner täglichen Arbeit.
• März 2026: Ich fange an, Codex, den entsprechenden Coding Assistant von OpenAI, parallel zu Claude Code zu nutzen.
• April 2026: Ich kündige Claude Max nach 13 Monaten und wechsle primär zu Codex. 30-Tage-Experiment. Noch offen.

Jeder Schritt auf dieser Liste war eine Workflow-Änderung, kein Kurs, den ich belegt habe. Was man aus einem Browser-Vortrag nicht bekommen kann, ist die Erfahrung, einem AI Assistant dabei zuzusehen, wie er dein eigenes Repository refactored, während du den Vorschlag liest. Das ist näher an Code Review unter Druck als an Programmieren, und da passiert ein großer Teil des 2026-Lernens tatsächlich.

Für das, was es wert ist, habe ich auch die Bauseite davon gemacht. Zwischen dem Beitrag von 2023 und heute habe ich drei Dinge geshipped: DIALOGUE, einen AI-Podcast-Generator; STRATUM, eine 9-Agent Marketing-Plattform; und die Kursplattform auf dieser Site. Ich habe auch weiter gelegentlich Kurse belegt, hauptsächlich Foundation-Füller wie Google IT Automation with Python und die Google Cybersecurity Specialization. Die Kurse haben mich literat gehalten. Die Produkte haben mich kompetent gemacht.

Eine praktische Folgerung aus dem Ganzen: wohin dein Lerngeld fließt, sieht heute anders aus. 2023 hast du für strukturierte Vorlesungen bezahlt und auf den Free-Tiers einer Handvoll APIs gebaut. 2026 sind die Vorlesungen ein kleiner Teil der Rechnung; die Tools, mit denen du Code schreibst, sind ein größerer laufender Kostenpunkt. Wenn du heute für AI-Lernen budgetierst, budgetiere auch für die Tools, nicht nur für die Kurse.

Wenn du kein Builder bist, wenn du ein Marketing-Lead oder ein Operator bist, der selbst nie Claude Code laufen lassen wird, dann ist die Implikation dieselbe, nur anders formuliert: Was du von einem 2026-Learning-Pfad tatsächlich kaufst, ist Urteilsvermögen über die Tools, nicht Geläufigkeit mit einem bestimmten Tool. Die Tools werden sich ändern. Das Urteilsvermögen darüber, wann man ihnen vertraut, wann man ihren Output hinterfragt und wann man einen Menschen in die Schleife holt, ist der haltbare Teil.

3. Das 2026 Verdict pro Kurs

Das ist der Abschnitt, der dir am nützlichsten sein dürfte, also werde ich klar sein, mit Verdicts, die ich dort abmildere, wo die ehrliche Antwort davon abhängt, wer du bist.

Für wen das ist: jeder, der heute entscheidet, was er belegen soll. Egal ob du ein Marketing-Operator bist, der genug AI-Literacy braucht, um ein Team zu führen, oder ein Builder, der shippen will, die Verdicts unten unterscheiden die beiden dort, wo es wichtig ist.

2023 Kurs	2026 Verdict	Warum
Machine Learning Specialization	Zeitbox: 1–2 Wochen, Mathe überfliegen	Für die meisten Leser nur Vokabular. Die mathematiklastigen Herleitungen lohnen sich, wenn du Richtung Research gehst. Ansonsten überfliegen.
Generative AI for Everyone	Immer noch belegen, für alle	Der beste nicht-technische Rahmen für Generative AI, den ich gesehen habe. Altert würdevoll. Gib ihn tatsächlich deinem CEO.
ChatGPT Prompt Engineering for Developers	Immer noch belegen, aber mit den Cookbooks kombinieren	Die Kern-Patterns gelten immer noch. Kombiniere mit den Anthropic- und OpenAI-Cookbooks für 2026er APIs.
Building Systems with the ChatGPT API	Wegen des Mental Models belegen; den API-Spezifika nicht vertrauen	Moderation, Chain-of-Thought, Chained Prompts, Output Checks. Immer noch richtig. Die konkrete API-Oberfläche hat sich schon mehr als einmal weiterentwickelt.
Neural Networks and Deep Learning	Überspringen, außer du gehst in Richtung Research	Ich habe die Überschneidung mit der ML Specialization schon 2023 angemerkt, und ich würde sie heute noch stärker anmerken, für Builder und Operators.
Functions, Tools, and Agents with LangChain	Aktuellen Stand prüfen, bevor du dich festlegst	Als ich 2025 eine 9-Agent-Plattform gebaut habe, habe ich kein LangChain genutzt. Früher in dem Jahr hatte ich einen LangGraph-Agenten probiert und bin an Performance-Grenzen gestoßen, die mich zu einer einfacheren Orchestrierung getrieben haben. Die Agent-Patterns sind die eigentliche Lektion; die konkrete Framework-Wahl ist deine, und das Feld hat sich seit meiner 2025er Erfahrung weiterbewegt. Ich würde LangChain nicht ausschließen, ohne noch einmal frisch hinzuschauen.
Vector Databases: from Embeddings to Applications	Immer noch belegen, kurz halten	Das sind die Patterns, die gerade die Suche auf dieser Site antreiben. Überspringe anbieter-spezifische Kapitel, die in die Jahre gekommen sind.

Nimm das als die Sicht eines Builders, nicht als universelles Ranking. Wenn du mit einem anderen Ziel reinkommst (Research, ein sehr spezifischer Stack), sieht deine Tabelle vielleicht anders aus.

4. Was ich heute hinzufügen würde, und wie sich der Pfad gabelt

An diesem Punkt gabelt sich der Pfad. Ein Operator und ein Builder brauchen unterschiedliche zweite Schichten.

Wenn du ein Marketing-Lead oder Operator bist

Tier 1. Nimm die „Immer noch belegen"-Zeilen aus der Tabelle oben. Konzentriere dich auf Generative AI for Everyone und Prompt Engineering for Developers. Du kaufst Vokabular und Instinkt.

Tier 2. Lerne genug über Evals (eine Art, zu messen, ob ein AI-Output tatsächlich gut ist, nicht nur plausibel) und Agent Design (wie man mehrere AI-Schritte zu einem verlässlichen Workflow zusammennäht), um Team-Entscheidungen treffen zu können. Du musst das nicht selbst bauen. Du musst wissen, welche Fragen zu stellen sind. Was genau messen wir? Wie sieht ein Fehlschlag aus? Wo liegen die Traces? Wie oft sehen wir uns echte Outputs an? Wenn in deinem Team niemand das klar beantworten kann, schaust du wahrscheinlich auf eine Demo, nicht auf ein haltbares System. Und wenn dir jemand sagt „die AI wird das schon hinbekommen", frag, auf welchen Rohmaterialien sie überhaupt gegroundet ist. Ein starkes Modell kann dabei helfen, echte Traces, akzeptierte Outputs, Failure Cases und interne Dokumente in Entwurfs-Eval-Kriterien und einen ersten Datensatz zu verwandeln. Das ist nützlich. Es braucht trotzdem einen Menschen, der die Rubric durchsieht und den Standard kalibriert.

Tier 3. Redesigne einen Workflow. Nimm die kleinste echte Sache in der Woche deines Teams, ein Wochenreport, ein Brief-Intake, ein QA-Review, und bau sie mit AI in der Schleife neu auf. Wie ich diesen Rebuild rahmen würde, kommt am Ende dieses Beitrags zurück, aber die eigentliche Arbeit gehört so oder so dir.

Wenn du ein Builder bist

Tier 1. Die gleichen Foundation-Kurse aus der Tabelle oben.

Tier 2.

Fang mit Bauen an, nicht mit Studieren. Richte dir einen kostenlosen GitHub Account ein und leg dein erstes Repository an. Lern genug Git, um kleine Commits zu machen und sauber zurückzurollen, wenn du etwas kaputt machst. Dann fang an, auf einem echten Projekt mit einem der führenden Coding Assistants zu bauen. Ich habe sowohl Claude Code mit Opus 4.7 als auch OpenAI Codex mit GPT-5.4 genutzt. Der Walkthrough ist die Arbeit, und wenn du wartest, bis du dich bereit fühlst, bevor du anfängst, wirst du nicht anfangen. Lies die Docs für das Tool vor dir, wenn du blockiert bist, und mach aus „den Stack studieren" nicht noch eine Verzögerung.

Wenn etwas läuft, fang an, Evals auf die praktische Art zu lernen. Speichere echte Inputs und Outputs. Sammle ein paar Ground-Truth-Materialien. Entscheide, wie gut und schlecht für jeden Schritt im Workflow aussieht. Dann nutze einen starken Coding Assistant, Claude Code mit Opus 4.7 auf xhigh thinking oder Codex mit GPT-5.4 auf xhigh thinking, damit er dir hilft, das Eval-Framework zu scaffolden, Kriterien vorzuschlagen und einen ersten Datensatz gegroundet in diesen Materialien zu generieren. Die AI kann einen großen Teil dieser Setup-Arbeit machen. Was sie nicht tun sollte, ist stillschweigend deinen Standard für dich definieren. Sieh dir die Rubric selbst an.

Dann lern die Grundlagen von MCP, dem Model Context Protocol: die Schicht, die es einem Tool wie Codex erlaubt, direkt mit dem Rest deines Stacks zu reden. In meinem eigenen Workflow auf diesem Repo heißt das aktuell Chrome DevTools, Playwright, Supabase, GitHub, Stripe, Resend und Cloudflare. MCP gab es 2023 nicht, und es ist jetzt Teil davon, wie ich baue.

Tier 3. Bau etwas, das jemand anderes nutzt. Kein Tutorial. Keine Kopie einer Demo. Etwas mit einem echten User, auch wenn dieser User eine Person in deinem eigenen Team ist.

Beide Pfade teilen eine Regel: Du bist erst fertig, wenn etwas Echtes läuft.

Eine praktische Anmerkung, weil Geld eine Rolle spielt: wenn 20 Dollar im Monat für einen Coding Assistant gerade nicht drin sind, lass den Tooling-Tier erstmal weg. Die Foundation-Kurse plus Free-Tier API-Keys funktionieren immer noch. So habe ich 2023 angefangen, und das ist immer noch ein echter Weg.

5. Was ich heute überspringen oder zeitboxen würde

Drei Fallen, in die man leicht hineinläuft, weil sie sich wie Fortschritt anfühlen.

1. Zertifikate sammeln als Prokrastination. Das habe ich gemacht. Es fühlt sich produktiv an. Es ist kein Ersatz fürs Shippen. Nimm die Foundation-Zertifikate, und dann hör auf zu zählen.
2. Framework-der-Woche-Kurse. Wenn ein Kurs eng an ein bestimmtes Framework gebunden ist, das jünger als zwei Jahre ist, sei vorsichtig. Lies stattdessen die Docs des Frameworks selbst und komm auf Kurse zurück, wenn sich das Feld gesetzt hat.
3. Mathe-schwere Deep-Learning-Theorie, außer du gehst in Research. Ein Builder muss Backpropagation nicht herleiten können. Ein Lead auch nicht.

6. Der Kurs, den ich am Ende gebaut habe

Nach den Foundation-Kursen war die Lücke, an die ich immer wieder stieß, nicht technisch. Es war Urteilsvermögen auf Operator-Level. Wie designst du ein Marketing-Team rund um AI um, statt nur ein paar APIs anzurufen? Wie entscheidest du, was Menschen noch tun sollten, und was sich die Maschine endlich verdient hat? Niemand hat das auf eine Weise gelehrt, die zu dem gepasst hätte, was ich in der Arbeit gesehen habe.

Also habe ich den Kurs gebaut, den ich mir gewünscht hätte, nach Andrew Ngs sieben belegen zu können. Er heißt AI-Native Media Operations und lebt auf dieser Site. 7 Module, 16 Templates, ungefähr 3 Stunden Video, deins zum Behalten. Es ist das Framework, auf das ich den Operator-Track ausrichte, weil ich daran glaube.

Ein Link, ein Pitch. Wenn die sieben Andrew Ng Kurse ihren Job bei dir gemacht haben, und die Verdicts oben dir geholfen haben, die Roadmap zu schlanker zu machen, dann ist die nächste Sprosse echte Arbeit, ob du meinen Kurs belegst oder nicht.

---

Wenn du die Liste von 2023 durchgemacht hast, würde mich wirklich interessieren, welcher dieser Kurse sich für dich am meisten gelohnt hat und welchen du dir gewünscht hättest auszulassen. Wenn du heute anfängst, was lässt dich zögern?

Das war's von mir.

Bis bald, Chandler