diff --git a/ai-augumented/text-v1.md b/ai-augumented/text-v1.md
new file mode 100644
index 0000000..9662b8b
--- /dev/null
+++ b/ai-augumented/text-v1.md
@@ -0,0 +1,401 @@
+# Lokale Künstliche Intelligenz für Investigation, Recherche und Archiv
+
+*Ein praktischer Leitfaden für Journalisten und Archivare*
+
+Von Sebastian Mondial | Spezialist für KI / LLMs im SWR
+
+---
+
+## Einleitung: Warum dieser Leitfaden?
+
+Die Zeiten ändern sich - oder auch nicht. 1995 dachten wir "Das kann nicht so dumm sein, ich muss es falsch benutzen". 2010 hieß es dann "Ich google wohl falsch". Und 2025? "Ich prompte bestimmt falsch." 
+
+Die schlechte Nachricht zuerst: Es gibt keine Knopfdruck-Lösung. Die gute: Mit diesem Leitfaden bekommt ihr die volle Kontrolle über eure KI-Werkzeuge. Und das zahlt sich langfristig aus.
+
+### Was ihr hier findet
+
+Dies ist kein KI-Erklärkurs im klassischen Sinne. Es ist ein Workshop-Dokument, das euch befähigt, KI-Systeme zu verstehen und selbstständig zu nutzen. Denkt an Lego: Wenn ihr wisst, was jeder Baustein kann, könnt ihr alles bauen. Technik ist nur dann Magie, wenn man die Grundfunktionen nicht versteht.
+
+>> Bild: Lego-Bausteine, die sich zu einem neuronalen Netzwerk zusammenfügen <<
+
+### Der neue Arbeitsmarkt
+
+Früher kostete das Kreuz-Machen 1.000 Euro. Mit KI kostet es nur noch einen Euro. Die anderen 999 Euro? Die bezahlt ihr jetzt dafür, zu wissen, wie und wo ihr das Kreuz macht. Wissen ist zur eigentlichen Währung geworden.
+
+---
+
+## Teil 1: Grundlagen - Die zwei Welten der KI
+
+### Welt 1: Die Konsumenten-KI
+
+Ihr kennt sie alle: ChatGPT, Claude, Perplexity. Login über die Webseite, fertig. Bequem, aber:
+- Systemprompts, die ihr nicht kontrolliert
+- Eure Daten werden gespeichert
+- Training mit euren Dokumenten (ja, wirklich!)
+- Monatliche Gebühren
+- Aussperrung bei zu viel Nutzung
+
+### Welt 2: Die Profi-KI über APIs
+
+**API** steht für "Application Programming Interface" - eine Schnittstelle, über die Programme direkt mit der KI kommunizieren können. Statt über die Webseite zu gehen, "sprecht" ihr direkt mit dem Modell.
+
+Die Vorteile:
+- Bezahlung nach Nutzung (Pay-per-View)
+- Keine Datenspeicherung für Training
+- Volle Kontrolle über Parameter
+- Batch-Verarbeitung mit Rabatten möglich
+- Kein Aussperren
+
+>> Verweise: Anleitung zur API-Nutzung bei OpenAI und Anthropic <<
+
+### Systemprompts - Der versteckte Dirigent
+
+Ein **Systemprompt** ist wie eine Grundinstruktion, die der KI sagt, wie sie sich verhalten soll. Bei ChatGPT kann der mehrere tausend Wörter lang sein. Das Problem: Diese Instruktionen verbrauchen **Token** - die Währung der KI-Welt.
+
+**Token** sind die kleinsten Einheiten, in die KI Text zerlegt. Ein Wort kann 1-4 Token sein. "Du bist ein hilfreicher Assistent" = 15 Token auf Deutsch, aber nur 11 auf Englisch. Bei kleinen Modellen macht das einen enormen Unterschied.
+
+>> Platzhalter: Detaillierte Token-Erklärung mit Beispielen <<
+
+### Checkliste: Erste Schritte zur besseren KI-Nutzung
+
+- [ ] API-Zugang bei mindestens einem Anbieter einrichten
+- [ ] Verstehen, was Token sind und wie sie gezählt werden
+- [ ] Eigenen minimalen Systemprompt formulieren
+- [ ] Erste Tests mit API vs. Web-Interface durchführen
+
+---
+
+## Teil 2: Das Geheimnis erfolgreicher KI-Nutzung
+
+### Markdown - Der Cheatcode für KI
+
+Hier kommt eine meiner Lieblings-Entdeckungen: **Markdown** ist der absolute Cheatcode für KI. Warum? Weil es strukturiert, aber simpel ist. Keine Fonts, keine Textboxen, keine Sonderformatierungen. Nur reine Struktur.
+
+KI-Modelle wurden mit Unmengen von Markdown-Text trainiert (GitHub, Reddit, Dokumentationen). Sie "verstehen" Markdown besser als jedes andere Format.
+
+#### Was ist Markdown?
+
+Markdown ist eine einfache Auszeichnungssprache:
+- `# Überschrift` wird zur Hauptüberschrift
+- `**fett**` macht Text fett
+- `- Punkt` erstellt eine Liste
+
+Das war's im Grunde schon. Keine 500 Formatierungsoptionen wie in Word.
+
+>> Verweis: GitHub Markdown Grundlagen Guide <<
+
+### Das PDF-Problem
+
+"Sprich mit deinem PDF" - klingt toll, oder? Die Realität: 
+
+1. PDF wird in Text konvertiert
+2. Dabei geht Struktur verloren
+3. Tabellen werden zu Buchstabensalat
+4. Fußnoten landen irgendwo
+
+**Die brutale Wahrheit**: Wer beim KI-Einsatz gewinnt, hat entweder die Original-Datei oder den besten PDF-Konverter. Und rate mal, wer beides hat? Genau, nicht ihr.
+
+#### Die PDF-Konverter-Hierarchie
+
+1. **Basis**: Standard-PDF-zu-Text (verliert 50% der Struktur)
+2. **Besser**: PDF zu Markdown Konverter
+3. **Optimal**: Multimodale Modelle, die PDFs visuell "lesen"
+
+>> Platzhalter: Vergleichstabelle verschiedener PDF-Konverter mit Vor- und Nachteilen <<
+
+### E-Mail-Analyse: Ein praktisches Beispiel
+
+Eine vollständige E-Mail mit allen Headern: 3.843 Token
+Nur die Nachricht: 233 Token
+Der Unterschied? Ihr bezahlt das 16-fache und bekommt schlechtere Ergebnisse.
+
+### Checkliste: Datenformate optimieren
+
+- [ ] Originaldateien sichern (Word, Excel, nicht PDF!)
+- [ ] Markdown-Editor installieren und nutzen lernen
+- [ ] PDF-zu-Markdown-Konverter testen
+- [ ] E-Mail-Filter für relevante Inhalte einrichten
+
+---
+
+## Teil 3: Lokale KI - Die Hardware-Realität
+
+### Warum lokal?
+
+Die Antwort ist einfach: Kontrolle, Datenschutz und Reproduzierbarkeit. Keine Überraschungen, keine Änderungen über Nacht, keine Zensur.
+
+### Die fünf Hardware-Klassen
+
+#### 1. Potato-Klasse (<1 Faktor)
+KI auf einem Raspberry Pi 4? Technisch möglich, praktisch Wahnsinn. Wie Suppe mit der Gabel essen.
+
+#### 2. Slow Horse (<100 Faktor)
+**Mein Archiv-Tipp**: Gebrauchte Intel NUCs mit 64GB RAM. Leise, energiesparend, reicht für die meisten Aufgaben.
+
+>> Bild: Intel NUC Setup für KI-Arbeitsplatz <<
+
+#### 3. Apple-Klasse (100-1000)
+Nicht "Apple Intelligence" (🙄), sondern MacBook Pro/Max mit 64GB+. Der Sweet Spot für viele: Leise, effizient, "es funktioniert einfach".
+
+#### 4. E-Heizung (>200 Faktor)
+Selbstgebaute Systeme mit Gaming-GPUs. Laut, heiß, aber kraftvoll. 
+
+#### 5. Kleinwagen bis S-Klasse (>1000)
+Professionelle KI-Hardware. Die Frage ist nicht ob, sondern was ihr euch damit erspart.
+
+### RAM - Das A und O
+
+KI braucht **Hauptspeicher** (RAM), nicht Festplattenspeicher. Ein Modell muss komplett in den RAM passen, sonst rechnet ihr mit Disketten-Geschwindigkeit.
+
+### Modellgrößen verstehen
+
+Ein **Large Language Model (LLM)** besteht aus:
+- Code: ~300-900 MB (vernachlässigbar)
+- Weights: Das eigentliche "Gehirn" - von 14 GB bis 6,4 TB!
+
+Die **Weights** (Gewichte) sind die gelernten Parameter des Modells. Stellt es euch wie ein riesiges Excel-Sheet vor, in dem steht, welches Wort wahrscheinlich auf welches folgt.
+
+### Qualitätsstufen - Die Q-Faktoren
+
+Modelle gibt es in verschiedenen Qualitäten:
+
+- **FP16** (Faktor 1): Volle Präzision, braucht viel Speicher
+- **Q4** (Faktor 1/4): Guter Kompromiss für die meisten Anwendungen
+- **Q1** (Faktor 1/16): "Ich rate mehr als ich rechne"
+
+**Beispiel**: Llama 2 mit 7 Milliarden Parametern
+- FP16: 14 GB
+- Q4: 3,5 GB (passt auf einen Raspberry Pi 4!)
+
+>> Verweis: Technische Erklärung von Quantisierung und Präzision <<
+
+### Die neuen Tricks: Mixture of Experts
+
+Moderne Modelle wie Llama 4 nutzen **Experten-Systeme**. Statt ein riesiges Modell zu laden, werden spezialisierte "Experten" je nach Aufgabe aktiviert:
+
+- Scout: 109B Parameter, aber nur 17B aktiv
+- Maverick: 400B Parameter, aber nur 17B aktiv
+
+Das ist wie ein Krankenhaus: Ihr braucht nicht alle Ärzte gleichzeitig, nur den richtigen Spezialisten.
+
+### Kontextfenster - Das Gedächtnis der KI
+
+Das **Kontextfenster** bestimmt, wie viel die KI gleichzeitig "im Kopf" behalten kann:
+- Input: Was ihr der KI gebt
+- Output: Was sie produzieren kann
+
+Neue Modelle haben gigantische Fenster (1-10 Millionen Token), aber Vorsicht: Mehr Kontext = mehr RAM-Bedarf!
+
+### Checkliste: Hardware-Entscheidung
+
+- [ ] Budget festlegen
+- [ ] Anwendungsfall definieren (Archiv? Investigation? Beides?)
+- [ ] RAM-Bedarf kalkulieren (Modellgröße × 1,2)
+- [ ] Lärmtoleranz prüfen (Büro vs. Keller)
+- [ ] Energiekosten einkalkulieren
+
+---
+
+## Teil 4: KI-Modelle verstehen und auswählen
+
+### Die vier Modell-Typen
+
+#### 1. Completion (Base/Foundation)
+Der Rohdiamant. Vervollständigt einfach Text:
+- Input: "Alles hat ein Ende nur die Wurst hat"
+- Output: "zwei"
+
+#### 2. Chat
+Der Plauderer. Hat einen Systemprompt und führt Dialoge:
+- Beantwortet Fragen ausführlich
+- Bietet Nachfragen an
+- Oft zu geschwätzig für Batch-Verarbeitung
+
+#### 3. Instruction
+Der Arbeitstier. Befolgt Anweisungen präzise:
+- Keine unnötigen Erklärungen
+- Perfekt für Batch-Jobs
+- Meine Empfehlung für Archiv-Arbeit
+
+#### 4. Reasoning
+Der Grübler. Zeigt seinen Denkprozess:
+- Überlegt laut
+- Gut für komplexe Analysen
+- Schlecht für schnelle Antworten
+
+### Wo findet ihr Modelle?
+
+**Ollama**: Der App-Store für lokale KI. Ein Befehl, und das Modell läuft.
+
+**HuggingFace**: Das GitHub für KI-Modelle. Riesige Auswahl, aber technischer.
+
+>> Verweis: Ollama Einsteiger-Tutorial <<
+
+### Modelle für verschiedene Aufgaben
+
+**Für Zusammenfassungen**: Instruction-Modelle in Q4
+**Für Recherche**: Chat-Modelle mit großem Kontextfenster
+**Für Klassifizierung**: Kleine, spezialisierte Modelle
+
+### Die Mathematik der Batch-Verarbeitung
+
+Meine "slow KI" schafft 1 Dokument pro Minute. Bei einem typischen Archiv:
+- 1.400 Dokumente = 1 Tag
+- 10.000 Dokumente = 1 Woche  
+- 500.000 Dokumente = 1 Jahr
+
+**Aber**: Mit 10 parallelen Instanzen wird aus einem Jahr ein Monat!
+
+### Checkliste: Modell-Auswahl
+
+- [ ] Aufgabe klar definieren
+- [ ] Modell-Typ wählen (Chat/Instruction/etc.)
+- [ ] Größe an Hardware anpassen
+- [ ] Qualitätsstufe (Q-Faktor) festlegen
+- [ ] Testlauf mit 100 Dokumenten
+
+---
+
+## Teil 5: Praktische Anwendungen
+
+### Recherche-Workflows
+
+**Szenario 1: Dokumenten-Analyse**
+1. Dokumente in Markdown konvertieren
+2. Instruction-Modell mit klarem Prompt
+3. Strukturierte Ausgabe (JSON/CSV)
+4. Menschliche Verifikation der Ergebnisse
+
+**Szenario 2: Fakten-Extraktion**
+- Entitäten erkennen (Personen, Orte, Daten)
+- Beziehungen identifizieren
+- Zeitleisten erstellen
+- Widersprüche aufdecken
+
+>> Platzhalter: Konkretes Beispiel einer Panama-Papers-ähnlichen Analyse <<
+
+### Archiv-Workflows
+
+**Automatische Verschlagwortung**:
+- Modell liest Dokument
+- Extrahiert Schlüsselbegriffe
+- Ordnet Kategorien zu
+- Erstellt Zusammenfassung
+
+**Qualitätskontrolle**: Immer Stichproben! KI macht Fehler, aber konsistente Fehler, die ihr erkennen könnt.
+
+### Investigative Workflows
+
+Das Killer-Feature: **Mustererkennung über große Datenmengen**
+
+Beispiel E-Mail-Analyse:
+1. Alle E-Mails in strukturiertes Format
+2. KI sucht nach Mustern (gleiche Phrasen, Uhrzeiten, Absender)
+3. Anomalien werden geflaggt
+4. Mensch investigiert die Treffer
+
+### Sicherheit und Ethik
+
+#### Uncensored Modelle
+
+Es gibt Modelle ohne Sicherheitsschranken. Verwendung:
+- **Gut**: Historische Texte analysieren
+- **Schlecht**: Anleitungen für illegale Aktivitäten
+
+#### Datenschutz
+
+- Lokale Modelle = Daten bleiben lokal
+- Aber: Achtet auf Logs und temporäre Dateien
+- Verschlüsselt sensible Daten zusätzlich
+
+### Checkliste: Projekt-Start
+
+- [ ] Rechtliche Rahmenbedingungen klären
+- [ ] Datenschutzkonzept erstellen
+- [ ] Backup-Strategie festlegen
+- [ ] Dokumentation der KI-Nutzung vorbereiten
+- [ ] Qualitätssicherung planen
+
+---
+
+## Teil 6: Fortgeschrittene Konzepte
+
+### Container und Virtualisierung
+
+**Container** (z.B. Docker) sind wie Umzugskartons für Software:
+- Alles drin, was die KI braucht
+- Läuft überall gleich
+- Einfaches Backup und Restore
+
+**Warum wichtig?** In 10 Jahren wollt ihr eure Analysen reproduzieren können. Mit Containern kein Problem.
+
+>> Verweis: Docker für Journalisten - Einsteiger-Guide <<
+
+### Die Zukunft: Langzeitarchivierung
+
+Probleme:
+- Modelle verschwinden
+- Software wird inkompatibel
+- Hardware veraltet
+
+Lösungen:
+- Modelle lokal speichern (ja, die ganzen GB)
+- Software-Versionen einfrieren
+- Dokumentation, Dokumentation, Dokumentation
+
+### Performance-Optimierung
+
+**Batch-Größe**: Wie viele Dokumente gleichzeitig? Experimentiert!
+
+**Temperatur**: Ein Parameter, der Kreativität steuert
+- 0 = Immer gleiche Antwort
+- 1 = Kreative Variationen
+
+Für Archiv-Arbeit: Temperature = 0
+
+### Kosten-Nutzen-Rechnung
+
+Lokale KI:
+- Einmalige Hardware: 2.000-10.000€
+- Strom: ~50€/Monat bei Vollast
+- Unbegrenzte Nutzung
+
+Cloud-KI:
+- 0 Hardware-Kosten
+- 500-5.000€/Monat bei intensiver Nutzung
+- Vendor-Lock-in
+
+---
+
+## Schlusswort: Der Weg nach vorn
+
+KI ist nicht der Endgegner des Journalismus - es ist ein Werkzeug. Wie jedes Werkzeug kann es gut oder schlecht genutzt werden. Mit diesem Leitfaden habt ihr die Grundlagen, um es gut zu nutzen.
+
+### Die wichtigsten Takeaways
+
+1. **APIs statt Web-Interface** - Mehr Kontrolle, weniger Kosten
+2. **Markdown ist König** - Strukturierte Daten = bessere Ergebnisse
+3. **Hardware nach Bedarf** - Nicht übertreiben, aber auch nicht sparen
+4. **Lokale Modelle** - Datenschutz und Reproduzierbarkeit
+5. **Immer verifizieren** - KI macht Fehler, aber vorhersagbare
+
+### Nächste Schritte
+
+1. Klein anfangen - Ein Modell, eine Aufgabe
+2. Dokumentieren - Was funktioniert, was nicht
+3. Teilen - Andere haben ähnliche Probleme
+4. Experimentieren - KI entwickelt sich rasant
+
+### Ressourcen
+
+- Ollama: https://ollama.com
+- HuggingFace: https://huggingface.co
+- Dieses Dokument: https://git.h2h.de/sebastian/KI-fuer-Investigation-Recherche-und-Archiv
+
+Bei Fragen: Signal oder Teams (Links im Git-Repository)
+
+---
+
+*"Alles ist Lego - wenn man weiß, wie die Steine zusammenpassen."*
+
+>> Bild: Eine Katze, die auf einem Computer sitzt, umgeben von Lego-Steinen <
\ No newline at end of file