# AI FIRST — Vollstaendige Inhalte

> AI FIRST ist ein deutsches Medien-Unternehmen fuer AI-Adoption.
> Diese Datei enthaelt den Volltext aller veroeffentlichten Artikel.

---

## Ein System, das die Arbeit macht
URL: https://ai-first.ai/insights/ein-system-das-die-arbeit-macht
Kategorie: Adoption
Untertitel: Wie wir unsere Plattform-Entwicklung als System gebaut haben – und die vier Fragen, mit denen du das Denkmodell auf deine Arbeit überträgst
Herzlich Willkommen zu den AI FIRST Insights! Wir entwickeln gerade unsere erste eigene Software. Viel zu bauen, kleines Team, wenig Zeit. Und die erste Frage, die wir uns gestellt haben, war dieselbe, die sich gerade fast jedes Unternehmen stellt: „Was können wir davon automatisieren?“ Das war aber die völlig falsche Frage. Die Frage, die uns wirklich weitergebracht hat, war: “Wie bauen wir ein System, das unsere Software baut – und bei jeder Erledigung besser wird?” In der letzten Ausgabe habe ich beschrieben, was „neu denken“ für uns heißt: eine Sache in ihre Einzelteile zerlegen, um sie so neu zusammenzusetzen, dass ein größerer Wert entsteht. Heute folgt der zweite Schritt: Wie die Einzelteile zum System werden. Ich zeige dir, wie wir systemisch an das Design von Prozessen gehen und wie wir das auf unser Coding-System angewandt haben. Los geht’s! Von der Automatisierungs-Frage zur System-Frage Bevor wir in unseren Entwicklungsprozess einsteigen, ein kurzer Exkurs. Je länger ich im KI-Bereich arbeite, desto mehr habe ich mich unbewusst mit Systemtheorie beschäftigt. Ich bin kein Systemtheoretiker – aber eine Überzeugung hat sich bei mir immer weiter verfestigt: KI entfaltet ihre Wirkung erst dann wirklich, wenn wir das System, in dem sie arbeitet, mit KI im Kern neu denken. Ich sage auch gern, dass wir unsere Unternehmen so bauen müssen, dass KI darin möglichst gut arbeiten kann. Wer nur einzelne Prozesse automatisiert, macht Bestehendes schneller. Wer das ganze System mitdenkt, verändert die Skala der möglichen Wirkung. Aber was ist ein System überhaupt? Die Systemtheorie sagt, dass ein System aus diesen Dingen besteht: Elemente – die Teile. Verbindungen – wie die Teile zusammenhängen. Zweck – das Ergebnis, für das alles existiert. Speicher - in dem sich Erfahrung ansammelt Regeln - die festlegen, wer wann eingreift Rückkopplung - was hinten gelernt wird, verändert vorne den Ablauf. Das Verhalten eines Systems bestimmen die Verbindungen, nicht die Teile. Man kann jedes Element austauschen – solange Verbindungen und Zweck bleiben, verhält sich das System gleich. Innerhalb eines Systems gelten außerdem Prinzipien, die ich in KI als Betriebssystem ausführlicher beschrieben habe. Drei davon sind für heute entscheidend. Vernetzung : Alle Schritte teilen sich ein gemeinsames Gedächtnis statt getrennter Werkzeuge und Chatverläufe. Synthese : Das Ganze wird designt, statt jedes Teil einzeln zu optimieren. Emergenz : Aus dem Zusammenspiel entsteht etwas, das kein Einzelteil allein könnte. Was bedeutet das für die Automatisierungs-Frage? Wer einzelne Prozessschritte automatisiert, verändert die Struktur des Prozesses nicht. Schritt für Schritt wird schneller – aber kein Schritt weiß, was der andere gelernt hat. Es gibt keinen gemeinsamen Speicher, keine Rückkopplung. Der hundertste Durchlauf ist genauso klug wie der erste. Ein System ist anders gebaut: Speicher und Rückkopplung sind von Anfang an eingeplant. Was am Ende eines Durchlaufs gelernt wird, fließt zurück und verändert den nächsten. Das macht aus Wiederholung Verbesserung – nicht nur Beschleunigung. Im KI-Kontext verstärkt sich das: KI-Fähigkeiten verbessern sich gerade schneller, als irgendjemand sie manuell in Einzelschritte nachziehen könnte. Ein System mit sauber designten Verbindungen profitiert automatisch davon – weil die Verbesserung einer KI sofort allen verbundenen Stationen zugutekommt. Wer dagegen einzelne Schritte automatisiert hat, muss jeden davon separat anpassen. Das ist kein Tempo-Problem, das ist ein Strukturproblem. So weit das Denkmodell. Jetzt zeige ich dir, was es bei uns konkret bedeutet. So haben wir unser Coding-System gebaut Wir haben die Entwicklung unseres Produkt-Prototypen nicht damit begonnen, am Whiteboard ein perfektes Coding-System zu entwerfen. Im Gegenteil: Wir sind mit Claude Code und Codex losgelaufen und haben Prompt für Prompt eingesprochen. Nach ein paar Stunden war uns klar, dass wir nie fertig werden, wenn wir so weitermachen. Eine witzige Erkenntnis, wenn man bedenkt, dass noch vor wenigen Jahren der meiste Code händisch(!) getippt wurde. Also haben wir uns gefragt, was der erwartete Output ist und wo im Prozess der Flaschenhals entsteht: Wir wollen Features, die der Spezifikation entsprechen und technisch funktionieren Die Qualität unserer Spezifikation ist der Flaschenhals Nr. 1 Die Qualität der Tests des Codes ist der Flaschenhals Nr. 2 Wir haben vom Ziel zurück gearbeitet und uns gefragt, wie der Input aussehen muss, damit KI daraus so autonom wie möglich neue Features baut, die eine möglichst geringe Anzahl an Iterationsschleifen benötigen. Aus dieser Rückwärts-Frage entstanden die Verbindungen zwischen den Phasen unseres Prozesses, die wir natürlich in Skills übersetzt haben. Im Kern läuft heute jede Anweisung an den Coding-Agent durch 6 Phasen: 1) Anforderungen definieren . Am Anfang steht ein Meeting, in dem wir diskutieren, was wir überhaupt bauen wollen und was “gut” bedeutet. Das Gespräch wird transkribiert – ein Skill baut daraus die erste Struktur, gleiche Felder, gleiche Logik. Die verfeinern wir gemeinsam, bis die fachliche Frage klar ist: Was soll jemand an dieser Stelle im Produkt tun und erreichen? Unsere Ideen werden auf First Principles gechallenged, um blinde Flecken in unserem Denken aufzudecken und den ersten Input zu schärfen. Inzwischen kommen weitere Anforderungen direkt aus dem Produkt: Ein Skill liest stündlich das Nutzerfeedback der Plattform und legt zu jeder Meldung ein fertiges Dossier an – was gemeldet wurde, wie der Stand im Code ist, ein Plan und eine Empfehlung. Die Entscheidung ob wir das umsetzen, trifft ein Mensch. Die Umsetzung läuft danach durch dieselben sechs Phasen. 2) Technisch übersetzen. Ein zweiter Skill liest die fertige Briefing-Seite und zieht heraus, was dafür technisch gebaut werden muss. Aus „Nutzer sollen ihre Antwort einsprechen können“ wird der Ticket-Kandidat „Spracheingabe-Baustein“ – nach Aufwand klassifiziert und mit der Quellseite verknüpft. Ein Mensch bestätigt die Liste der Ticket-Kandidaten. Taucht dabei ein Muster zum zweiten Mal auf, markiert der Skill es als wiederverwendbaren Baustein. Aus mehreren ähnlichen Tickets werden eins – das System lernt, ohne dass jemand es anfasst. 3) Spezifizieren. Ein dritter Skill macht aus dem Kandidaten ein vollständiges Ticket. Er prüft dabei unsere bisherigen Architektur-Entscheidungen und benachbarte Tickets. Und bei allem, was man später sehen kann, baut er einen klickbaren Dummy – bevor eine einzige Zeile echter Code existiert. So diskutieren wir an etwas, das man anklicken kann, statt an einem Konzeptpapier. Erst nach Freigabe geht das Ticket in die Umsetzung. 4) Bauen. Ein Coding-Agent setzt das Ticket um, wobei er ein ganzes Set an Skills und Subagenten nutzt. Er arbeitet sich selbstständig durch Korrekturschleifen, wobei wir jede auf maximal drei Runden begrenzt haben, um Token-Explosionen zu vermeiden. Ist das Problem nach drei Schleifen nicht gelöst, geht es zurück an einen Menschen. 5) Testen. Jedes Feature läuft durch zwei Testschichten. Die erste ist automatisch: Über 1.400 Tests laufen bei jedem Commit sofort durch – sie prüfen, ob das Neue etwas Bestehendes bricht. Die zweite ist gezielt: Für jedes neue Feature entstehen acht bis zwölf spezifische Szenarien – vom normalen Durchlauf bis zu dem, was bei einem Abbruch passiert. Ein Mensch klickt sie durch und meldet nur zurück: bestanden oder nicht. Den finalen Knopf, der das Feature live schaltet, drückt immer ein Mensch. Und über der ganzen Kette gilt eine Regel: Niemand darf sagen „das sollte funktionieren“ – weder Mensch noch KI. Erlaubt sind nur zwei Aussagen: „getestet, hier ist der Beleg“ oder „nicht geprüft“. Im Wort „sollte“ verstecken sich genau die Fehler, die später teuer werden. 6) Lernen. Jeder Skill führt einen Lern-Log als ein gemeinsames Gedächtnis, welches in GitHub liegt. Taucht ein Fehler auf, wird er als datierte Regel in die Arbeitsanweisung geschrieben, die ihn verursacht hat. Zuletzt hatten wir eine Bezahlfunktion für fertig erklärt. Getestet war nur der Normalfall – die Zahlung geht durch. Was passiert, wenn sie fehlschlägt, hatte niemand geprüft. Aufgefallen ist das erst, als genau dieser Fall eintrat. Wir haben den Fehler behoben und die Test-Anweisung um eine Regel ergänzt: Bei allem, was Geld oder Zugriffsrechte betrifft, wird der Fehlerfall immer mitgetestet. Dieser Fehler kann jetzt nicht mehr durchrutschen – das System fängt ihn ab. Diese sechs Stationen sind nur die Oberfläche. Dahinter steckt mehr: Allein der Coding-Agent arbeitet mit Dutzenden eigener Arbeitsanweisungen, und auch der klickbare Dummy hat seinen eigenen kleinen Prozess. Wir haben also innerhalb des Systems diverse Sub-Systeme gebaut. Egal, wie tief man hineinzoomt, überall gilt dasselbe Prinzip: Die KI macht die Arbeit, ein Mensch bestätigt an einer klar definierten Stelle. Und alle Stationen schreiben in dieselbe Struktur – ein gemeinsames Gedächtnis. Es gibt keine zweite Wahrheit in E-Mails oder Chats. Leg den Exkurs vom Anfang daneben, und du findest alle Bestandteile wieder: Der Zweck kam aus der Rückwärts-Frage. Die Elemente sind die Skills, die Agenten und wir als Team. Die Verbindungen sind die Stationen, deren Ergebnis jeweils das Eingabeformat der nächsten ist. Der Speicher ist die Datenbank mit den Lern-Logs und die Wissensbasis. Die Regeln sind die Stopps und die Verifikationsregel. Und die Rückkopplung ist der Weg vom Fehler zur datierten Regel. Wir haben den Großteil der letzten Wochen in den Aufbau des Systems gesteckt. Seitdem beschleunigt es unsere Umsetzung jeden Tag. Sobald wir Klarheit darüber haben, was wir bauen wollen, kann das System den Großteil der Umsetzung übernehmen und uns an den kritischen Stellen reinholen. Heute purzeln Features im Stundentakt raus. Egal wie schnell wir Prompts in unseren Agent gesprochen hätten, das hätten wir sonst niemals geschafft. 4 Fragen an das System Ich habe mich gefragt, wie sich dieses systemische Denken auf andere Bereiche übertragen lässt. Du kannst dir dafür vier Fragen stellen: Gedächtnis: Wo schreiben und lesen alle Schritte dieselbe Struktur? Eine Quelle der Wahrheit, nicht fünf Tools. Verzahnung: Ist das Ergebnis jedes Schritts genau das Eingabeformat des nächsten? Designe die Schnittstelle, nicht den Schritt. Human in the Loop: Was erledigt die KI, und wo genau bestätigt ein Mensch? Platziere den Menschen dort, wo Fehler teuer oder unumkehrbar wären. Nimm den menschlichen Flaschenhals aus der reinen Umsetzung komplett raus. Rückkopplung: Wo wird aus einem Fehler oder einer Erkenntnis eine Regel, die einen früheren Schritt verändert und dadurch verbessert? Wer eine dieser Fragen offen lassen muss, hat eine Sammlung von Einzellösungen. Wir haben systemisches Denken nie bewusst erlernt. Unser KI-Betriebssystem und jetzt das Coding-System waren unser Trainingsplatz. Die vier Fragen funktionieren überall dort, wo Arbeit in wiederkehrenden Schritten durch mehrere Hände läuft: Marketing-Kampagnen: Ein Briefing-Format als Gedächtnis, aus dem alle Kanal-Assets entstehen. Die Performance-Daten der letzten Kampagne fließen als Regeln zurück ins Briefing. Jede Kampagne startet auf dem Niveau, das die vorherige erreicht hat. Vertrieb: Gesprächsnotizen in fester Struktur, daraus entstehen Angebot und Nachfassen. Jeder verlorene Deal verändert die Qualifizierungsfragen für den nächsten. Monatsabschluss in der Buchhaltung: Belege und Abweichungen laufen durch eine feste Prüfkette. Jede einmal erklärte Abweichung wird zur automatischen Prüfregel für den nächsten Monat. Und wo passt es nicht? Überall dort, wo Arbeit einmalig ist oder die Rückkopplung nichts zu lernen hätte – ohne Wiederholung gibt es keinen Lerneffekt. Und dort, wo die Komplexität so hoch ist, dass sich die Verzahnung nicht sauber definieren lässt – dann wird das System zur Bastelei. In beiden Fällen ist eine einfache Automation die ehrlichere Wahl. Ich habe natürlich einen Skill gebaut, der dich beim Systemdesign unterstützt: System-Design Skill Der Weg ist das Ziel Einen Prozess in seine Einzelteile zu zerlegen und als System (mit KI im Kern) neu zusammenzusetzen ist natürlich kein Spaziergang im Park. Was sich hier im Artikel möglicherweise als “ist ja klar” liest, war für uns eine steile Lernkurve, die längst noch nicht abgeschlossen ist. Was zur Wahrheit dazugehört: Man versteht die Bausteine am Anfang nicht vollständig. Wir haben die Verzahnung oft umgebaut, weil sich erst im Betrieb zeigte, welche Information der nächste Schritt wirklich braucht. Die automatische Verbesserung im Betrieb, von der oben die Rede war, funktioniert erst, seit die Verzahnung stimmt. Das System selbst muss iteriert werden – es steht nie beim ersten Wurf. Vollautomatisierung ist eine Falle. Viele unserer menschlichen Qualitätstore existieren, weil vorher Dinge passiert sind, die wir so nicht wollten. Mehr Autonomie ist nicht automatisch besser. Die Kunst liegt darin, die wenigen Stellen zu finden, an denen ein Mensch unverzichtbar ist – und dort konsequent zu stoppen. Auf der anderen Seite hatten wir teilweise noch Menschen in Prozessen eingesperrt, die KI schon längst eigenständig ausführen konnte. Die Verstärkung hat eine Bedingung. Die Lern-Logs/das Gedächtnis füllen sich automatisch – aus den Anpassungen, die wir vornehmen. Aber das gilt nur für Arbeit, die durch das System läuft. Der schnelle Fix am System vorbei ist verlockend, und genau in dem Moment lernt das System nichts. Wer diese Disziplin nicht hält, hat nach drei Monaten wieder eine Sammlung von Einzellösungen. Das erfordert harte Disziplin in der eigenen Arbeitsweise. So ist es nunmal mit allen Dingen. Man lernt nur, wenn man es selbst macht. 🏁 Fazit Ein System aus einem Zweck, Elementen, Verbindungen, einem Speicher, Regeln und Rückkopplung. Bestehende Prozesse in Systeme verwandeln und dabei KI als wesentliches Element mitdenken, ist aus meiner Sicht eine der wichtigsten Fähigkeiten im KI-Zeitalter. Bevor du also das nächste mal einen Prozess automatisieren willst, frage dich: Was ist das gemeinsame Gedächtnis entlang des Prozesses? Wie müssen Schritte verzahnt sein, so dass KI die Arbeit macht? An welchen Stellen greift der Mensch ein? Wie verbessern Fehler und Erkenntnisse automatisch die nächste Ausführung? Dieser Skill hilft dir dabei: System-Design Skill Das war’s für diese Woche. Bis nächsten Sonntag, Felix
## Was „neu denken" wirklich heißt
URL: https://ai-first.ai/insights/was-neu-denken-wirklich-heisst
Kategorie: Adoption
Untertitel: Alle sagen, man soll mit KI neu denken statt beschleunigen. Wie das konkret geht, sagt einem niemand.
Herzlich Willkommen zu den AI FIRST Insights! Im KI-Bereich hörst du einen Satz in jeder zweiten Keynote: „Beschleunige nicht das Bestehende, denk die Dinge neu.“ Ich habe diesen Satz selbst oft gesagt. Erst vor Kurzem ist mir aufgefallen, wie schwer er eigentlich zu greifen ist: Neu denken heißt ja, dass am Ende etwas steht, das es so vorher nicht gab – und wie das geht, sagt einem niemand. Wir haben mit KI lange vor allem beschleunigt, was schon da war. Inzwischen haben wir zweimal wirklich neu gedacht: Anfang des Jahres unsere internen Prozesse, jetzt gerade unser Geschäftsmodell. Dabei habe ich ein Muster erkannt, wie wir das tun – und wann es sich lohnt. Darum geht es heute. Los geht's! Wir haben beschleunigt, was schon da war AI FIRST war von Anfang an auf Geschwindigkeit gebaut. Am deutlichsten haben wir das intern gelebt: Wir hatten uns über die Zeit ein Team aus 25 KI-Agenten aufgebaut und in unser Organigram integriert, um mit kleinem Team vielfach pro Jahr zu wachsen. Jeder Agent hat Zeit gespart, und weil wir es ja so einfach können, jetzt mit KI, kam ständig ein neuer dazu. Rückblickend war das genau das, wovor der Keynote-Satz warnt: Jeder Agent hat einen Prozess schneller gemacht, den es vorher schon gab. Dieselbe Arbeit, dieselbe Org-Struktur, nur mit KI drin. Von innen fühlte es sich trotzdem an, als würden wir ganz vorne mitspielen. Die Friktion kam schleichend, und sie sah lange gar nicht wie ein großes Problem aus. Eher wie viele kleine: Jede Änderung an einem Prozess musste ich in mehreren Agenten-Briefings einzeln nachziehen. Wenn ein Agent einen Fehler machte, machte er ihn beim nächsten Mal wieder, weil das Learning nirgendwo hinfließen konnte. Neuer Kontext, etwa eine aktualisierte Produkt-Doku, musste jedem Agenten einzeln zugänglich gemacht und erklärt werden. Für jedes dieser Probleme gab es eine naheliegende Lösung, und mit KI war jede davon schnell gebaut. Also haben wir weiter beschleunigt, Symptom für Symptom, und hatten dabei durchgehend das Gefühl, produktiv zu sein. Unser Betriebssystem neu denken Anfang des Jahres musste ich mir eingestehen, dass unser Experiment der hybriden Organisation mit “KI-Mitarbeitern” gescheitert war. Also habe ich eine andere Frage gestellt: Welches Problem muss ich lösen, damit die anderen von der Liste verschwinden? Die Antwort fand ich nicht in besseren Agenten, Workflows, Tools oder “KI-Führungskräften”. Ich musste eine Ebene tiefer graben: Wir hatten KI in die Rolle eines Mitarbeiters gesteckt und uns damit alle Nachteile menschlicher Organisationen eingekauft. Jeder Agent war ein Silo mit eigenem Briefing und eigenem Wissen, wie Kollegen, zwischen denen Übergaben und Einarbeitung nötig sind. Deshalb musste ich jede Änderung x-mal machen, und deshalb lernte das Setup nichts dazu. Als das klar war, konnten wir zerlegen. Was steckte eigentlich in diesen 25 Agenten? Prozesswissen Kontext über unsere Firma Regeln Zugriff auf Tools Alles Komponenten, die wir sowieso brauchen. Sie waren nur falsch angeordnet: 25-mal dupliziert statt einmal zentral. Wenn KI so arbeiten soll wie wir, dann braucht sie Zugriff auf dieselben Prozesse, Daten, Regeln und Tools, die auch wir kennen – einmal im System, statt in jeden Agenten kopiert. Also haben wir dieselben Komponenten neu zusammengebaut: unsere Abläufe als dokumentierte Skills (heute sind es 100+), unser gesamter Kontext maschinenlesbar an einem Ort, klare Regeln, zentraler Zugriff auf unsere Systeme, dazu eine Feedback-Datenbank, in die jedes Learning zurückfließt. Daraus ist unser KI-Betriebssystem entstanden, das ich dir in dieser Ausgabe im Detail beschrieben habe. Wir haben dafür fast nichts Neues erfunden, nur Bestehendes anders angeordnet. Und genau da habe ich zum ersten Mal verstanden, was „neu denken“ wirklich bedeutet: Das Ergebnis war eine Struktur, die es in dieser Form vorher nirgends gab – obwohl jedes einzelne Teil schon da war. Das war die Erkenntnis für mich, dass wir unser Unternehmen so umbauen müssen, dass KI optimal darin arbeiten kann. Die Frage, wie KI für uns arbeitet, war neu beantwortet. Unseren Service neu denken Jetzt, ein halbes Jahr später, stehen wir wieder an so einem Punkt – diesmal bei unseren Services, die nach demselben Prinzip gewachsen sind: 2024 mit Trainings und Workshops gestartet, daraus wurde das Enablement-Programm, dann kam das AI Collective dazu, später die School. Jeder neue Service hat auf einen echten Kundenbedarf reagiert, jeder hat funktioniert. Bis heute wachsen alle drei stark und wir müssen die meisten Anfragen ablehnen. Der Hauptgrund ist, dass wir mit einem kleinen Team im Kern drei unterschiedliche Geschäfte führen: Community Consulting & Training eLearning Jedes der drei Geschäfte braucht sein eigenes Go-to-Market, seine eigene Delivery, seine eigene Produktentwicklung. Auch hier gäbe es eine lange Liste an Baustellen, die wir abarbeiten könnten, um jeden Service zu verbessern. Zum Beispiel muss jeder Inhalt heute für Enablement, Collective und School dreimal unterschiedlich adaptiert werden – eine Content-Pipeline, die das automatisch erledigt, hätten wir an einem Wochenende stehen. Nur würde keine dieser Lösungen die eigentliche Frage beantworten: Wie entkoppeln wir unseren Wert von der verfügbaren Zeit? Im aktuellen Modell heißt Wachstum vor allem, mehr Menschen einzustellen. Egal wie gut unser KI-Betriebssystem wird, stoßen wir an Grenzen. Also denken wir unser Geschäftsmodell neu: Wir zerlegen es in seine Bausteine – das Problem, das unsere Kunden lösen wollen, das Wissen, mit dem wir es lösen, die Form, in der wir es liefern, und den Weg, über den Kunden zu uns finden – und bauen es neu zusammen. Schon jetzt zeichnet sich ab, dass die Antwort tiefer geht als neue Formate, schlauere Prozesse oder ein viertes Produkt: Agentische Fähigkeiten gehören in den Kern unseres Service. Wir haben KI beigebracht, unsere Prozesse auszuführen. Jetzt bringen wir ihr bei, unseren Service in der gleichen Qualität zu liefern. Wie neu denken bei uns abläuft Wir haben in 6 Monaten unser Betriebssystem und unseren Service neu gedacht. Beim zweiten Mal habe ich gesehen, dass unser Neu-Denken einem wiederholbaren Muster folgt. Wahrscheinlich ist es das, was man “First-Principles-Denken” nennt. Wir haben nur lange gebraucht, um es bewusst anzuwenden. Bei uns läuft der Denkprozess in drei Schritten ab: Fragen, was wirklich gelöst werden muss: Bei Entscheidungen, an denen viel hängt, arbeiten wir die sichtbare Problemliste bewusst nicht ab. Stattdessen fragen wir: Welches Problem muss gelöst werden, damit die anderen von der Liste verschwinden? Der Test ist konkret: Wäre dieses eine Problem gelöst, welche der anderen Punkte wären dann noch da? Wir drillen extrem tief, bis der Problemkern freigelegt ist. Zerlegen bis auf den Kern: Wir nehmen die Sache auseinander und fragen bei jedem Teil: Braucht es das wirklich, oder ist es nur “so macht man das halt”? Bei unseren 25 Agenten hieß das: jeden einzelnen aufmachen und schauen, was drinsteckt. Übrig blieben vier Bausteine – Prozesswissen, Firmenkontext, Regeln, Tool-Zugriff – und keiner davon musste 25-mal existieren. Neu zusammenbauen: Aus den Bausteinen bauen wir die Struktur, die das Kernproblem löst – meistens ohne ein einziges neues Teil. Bei uns: dieselben vier Bausteine, aber einmal zentral im System statt 25-mal kopiert. Genau daraus ist das KI-Betriebssystem entstanden. Genauso wichtig ist, wo wir auf Optimierung des Bestehenden setzen. Neu denken kostet Fokus und stellt Dinge infrage, die meistens irgendwie funktionieren (mal mehr, mal weniger). Wir ziehen das Muster nur an zwei Stellen: wenn an einer Entscheidung viel hängt, oder wenn die Liste der kleinen Probleme trotz fleißigen Lösens immer weiter wächst. Das zweite ist das zuverlässigste Signal, das ich kenne. Wenn du Symptome behandelst und die Liste trotzdem länger wird, liegt das Problem in der Struktur darunter. Warum das mit KI wichtiger wird Warum Neu-Denken so wichtig ist, ist mir erst jetzt so richtig bewusst geworden. Umsetzungskraft war nie unser Problem. Wir haben durch KI mehr davon als je zuvor – und genau sie hat die vielen kleinen Baustellen erzeugt. Vor KI hatte das Arbeiten am falschen Problem eine natürliche Bremse: Umsetzung war teuer. Wenn ein Projekt Wochen kostet, überlegst du automatisch zweimal, ob es das richtige ist. Der Aufwand hat uns zum Nachdenken gezwungen, ganz ohne Disziplin. Diese Bremse ist weg. Wir bauen heute an einem Nachmittag Dinge, für die wir vor zwei Jahren Wochen gebraucht hätten – und jede Idee, die sofort baubar ist, wird eben auch gebaut. So sind unsere 25 Agenten entstanden, und so sind auch unsere drei Geschäfte entstanden. Nichts hat uns mehr gezwungen zu prüfen, ob wir am richtigen Problem arbeiten. Beschleunigen ist zum Default geworden, weil es nichts mehr kostet – neu denken kostet weiterhin dasselbe wie immer: die Bereitschaft, eine funktionierende Struktur infrage zu stellen. Das ist die Erkenntnis, die erst jetzt richtig bei mir eingesunken ist: KI hat den Engpass verschoben, von der Umsetzung in die Entscheidung, was umgesetzt wird. Wer am falschen Problem arbeitet, baut es heute in Rekordgeschwindigkeit groß. First-Principles-Denken ist für uns der Ersatz für die weggefallene Bremse – deshalb investieren wir inzwischen mehr Zeit in die Wahl des Problems als in seine Lösung. Wenn du das ausprobieren willst: Nimm dir die nächste Entscheidung vor, an der viel hängt, und geh die drei Schritte oben einmal bewusst durch, bevor du irgendetwas baust. Der Neuaufbau geht danach überraschend schnell, weil du weißt, wofür jedes Teil da ist. Die Zerlegung selbst machen wir fast immer mit KI als Sparringspartner. Sie ist erstaunlich gut darin, hinter einer Liste aus Symptomen die gemeinsame Wurzel zu finden, gerade weil sie nicht an unserer eigenen Geschichte hängt. Den First-Principles-Skill, den wir dafür nutzen, findest du kostenlos in unserem Hub First-Principles-Skill Fazit Wenn ich unsere letzten zwölf Monate auf wenige Sätze eindampfe, bleibt das hier übrig: Wir haben lange geglaubt, wir denken neu. Tatsächlich haben wir das Bestehende beschleunigt: KI in alten Strukturen. Neu denken heißt selten, etwas zu erfinden. Bei uns heißt es: zerlegen, bis der Kern sichtbar ist, und aus denselben Teilen eine Struktur bauen, die es so noch nicht gab. Es lohnt sich nur an wenigen Stellen: bei Entscheidungen mit Gewicht, und wenn die Problemliste trotz Lösens weiter wächst. KI hat den Engpass verschoben: von der Umsetzung zur Entscheidung, was umgesetzt wird. Je billiger das Bauen, desto teurer das falsche Problem. Am meisten überrascht hat mich, dass sich neu denken von innen gar nicht spektakulär anfühlt. Es beginnt mit einer unbequemen Frage an etwas, das noch funktioniert. Vielleicht gibt es das bei dir auch: eine Struktur, die so gewachsen ist, dass du sie längst als gegeben nimmst. Nächste Woche erzähle ich dir, was aus dem neu zusammengebauten Setup konkret geworden ist: wie wir Prozesse heute als Systeme bauen, die mit jeder Wiederholung besser werden. Bis dann, Felix
## Warum wir uns abgehängt fühlen
URL: https://ai-first.ai/insights/warum-wir-uns-abgehaengt-fuehlen
Kategorie: Adoption
Untertitel: Warum sich KI-Verantwortliche fühlen, als wären sie hinten dran – und warum genau das ein gutes Zeichen ist.
Herzlich Willkommen zu den AI FIRST Insights! Letzte Woche habe ich die Abschlusskeynote beim 3. The Dock von Langdock gehalten. Vor mir saßen 500 KI-Verantwortliche, die KI in großen Unternehmen ausrollen, Use Cases umsetzen, die Adoption in den Fachbereichen treiben und damit ihr Unternehmen in die Zukunft bringen. Ich habe mit einer Frage eröffnet: “Wer in diesem Raum fühlt sich abgehangen und verloren?” 500 Hände gingen hoch. Ein Raum voller Menschen, die an der Spitze der KI-Transformation in Unternehmen stehen und trotzdem das Gefühl haben, dass sie nicht vorne mitspielen. Vielleicht geht es dir auch so. Ich glaube, dass dieses Gefühl das Signal ist, dass wir auf genau dem richtigen Weg sind. Auch wenn wir oft nicht wissen, wie der eigentlich aussehen soll. Lass es mich erklären. Uns geht es allen so Seit drei Jahren baue ich mit AI FIRST ein Unternehmen, in dem wir KI in unseren Arbeitsweisen, Prozessen und Produkten im Kern mitdenken und die Fähigkeiten der Technologie voll ausschöpfen wollen. In diesen Jahren hatte ich ein paar wenige, kurze Moment in denen ich dachte “jetzt habe ich’s verstanden”. Und schon als ich es ausgesprochen hatte, war dieses Gefühl wieder verflogen. Entweder hatte sich das KI-Spielfeld verändert (Sprung in Modell-Fähigkeiten, neue Tools, Konzepte wie Skills, …) oder ich habe bei jemand anderem ein KI-Setup gesehen, das mein Eigenes wie ein nettes Spielzeug aussehen lies. Immer wieder dachte ich, dass ich auf der Stelle trete. Mit der Geschwindigkeit von KI mitzuhalten, fühlt sich oft wie bei Alice im Wunderland an. Alice läuft so schnell sie kann und trotzdem ist sie am Ende noch immer am gleichen Ort. Die gute Nachricht: Wir sind nicht allein. Selbst Andrej Karpathy, der KI-Teams bei Tesla, OpenAI und mittlerweile Anthropic geleitet hat, schrieb vor Kurzem, dass er sich in seinem gesamten beruflichen Leben noch nie so weit zurückgeworfen gefühlt hat wie gerade jetzt. Er beschreibt KI als ein mächtiges Alien-Werkzeug, das man uns ohne Bedienungsanleitung in die Hand gedrückt hat – und jeder muss selbst herausfinden, wie man das Ding hält und einsetzt. Für sich alleine herauszufinden, wie man das Alien Tool bedient, ist schon Herausforderung genug. Diese Frage für 100e - 1000e Menschen in einem gewachsenen Unternehmen zu beantworten, ist nochmal ein ganz anderes Tierchen. Aber es gibt keinen Weg daran vorbei. Irgendjemand muss es tun. Die leere Karte Wie bringen wir also eine (Alien) Technologie, die sich exponentiell entwickelt in ein Unternehmen, das sich eher langsam und linear verändert? Wir brauchen eigentlich eine Landkarte, die uns bei der Navigation durch “AI Land” hilft, wo wir jeden Morgen auf eine riesige Baustellen kommen - unser Unternehmen. Wie großartig wäre es, wenn wir diese Karte rausholen können und sie uns genau sagt, wann wir links oder rechts abbiegen müssen, wo wir eine Pause machen können und wie weit der Weg bis zum nächsten Meilenstein ist. Aber diese Karte ist so gut wie leer, unbekanntes Territorium. Ein paar Trampelpfade und Wegweiser gibt es mittlerweile, die uns den Weg zu schnellerer Adoption zeigen, ein paar funktionierende Use Cases, Best Practices zum Upskilling von Mitarbeitern oder wie wir eine Governance aufsetzen können. Aber das AI Land aus 2024 hat nicht mehr so viel mit dem AI Land aus 2026 zu tun. Viele Trampelpfade wurden verweht und die Wegweiser zeigen in eine falsche Richtung. Die Wege von vor 2 Jahren führen uns nicht mehr ans Ziel. Kein Wunder also, dass wir uns verloren fühlen, wenn es keine Karte zur Orientierung gibt. Baustelle vs. Traumhaus Was findest du vor, wenn du in AI Land am Montag zur Arbeit gehst? Wahrscheinlich auch eine große Baustelle mit: 20 Jahre alten System auf eigenen Servern und ohne Anbindungen 6-monatige Prozesse für Freigabe von IT Security und Betriebsrat 25 Jahre an Erfahrung und Wissen in den Köpfen von Menschen, die es nicht rausgeben Das ist nur ein kleiner Auszug von Bereichen in eurem Haus, die saniert und renoviert werden müssen. Diese Baustelle ist der Ort, wo KI auf die echte Welt trifft. Aber ihr seid ja nicht alleine. Hin und wieder ziehen neue Unternehmen ins AI Land. Die kaufen sich eine grüne Wiese links neben euch und bauen scheinbar mühelos in wenigen Monaten ihr Traumhaus mit: 10x produktiveren Mitarbeitern 100% autonomen Agenten im Team 37 umgesetzten Use Cases in 3 Monaten (Ja, ich bekenne mich schuldig, irgendwie auch einer dieser Nachbarn zu sein…) Dein CEO bekommt natürlich auch mit, was die Nachbarn so machen (ja, ich bekenne mich schuldig), knipst ein Foto von dem Traumhaus, legt dir das vor und will wissen, warum ihr noch nicht so ein schönes Haus im AI Land stehen habt. Und was machst du? Du vergleichst wahrscheinlich deine Baustelle mit dem Traumhaus deines Nachbarn. Das löst das Gefühl aus, hinten dran zu sein. Aber ist das ein fairer Vergleich? Du kannst nicht einfach nebenan ein neues Grundstück mieten und bei null anfangen. In deinem Haus arbeiten, auch mitten in der Kernsanierung, Hunderte oder Tausende Menschen, die ein Dach über dem Kopf brauchen. Täglich kommen viele Kunden zu euch, um ihre Ware abzuholen. Ein Abriss ist also selten eine Option. Auch wenn sich die Arbeit auf dieser Baustelle oft langsam und schwer anfühlt und du mit der gleichen Geschwindigkeit wie einige deiner Nachbarn dein Traumhaus bauen willst, so glaube ich doch, dass genau das die Arbeit ist, die jetzt am meisten zählt. Die Bürde von Pionieren Ein Pionier ist jemand, der Dinge tut, die noch nie zuvor getan wurden, um den Weg für andere Menschen zu ebnen und neue Durchbrüche zu ermöglichen. Das beschreibt perfekt, was KI-Verantwortliche in Unternehmen gerade tun. Niemand kann bisher genau beschreiben, wie man ein gewachsenes Unternehmen mit KI transformiert. Es gibt keine Anleitung dafür, keine Blaupause, die man einfach kopieren kann. Genau deshalb sind alle, die das gerade versuchen, Pioniere – auch wenn sich das selten so anfühlt. Pioniere brauchte es schon immer, wenn eine neue Technologie auf eine bestehende Welt trifft. Als die ersten Autos 1914 in Cleveland auf Straßen trafen, auf denen bis dahin nur Pferdekutschen unterwegs waren, herrschte zunächst Chaos. Es gab weder Ampeln noch Verkehrsregeln noch Führerscheine. Ein paar wenige Menschen übernahmen Verantwortung und mussten all das aus dem Nichts entwickeln, damit am Ende Millionen Menschen sicher von den Autos profitieren konnten. Heute haben wir die perfekte Karte für den Straßenverkehr - damals war sie ebenfalls leer. Jetzt brauchen wir wieder diese Pioniere, die Verantwortung für ihre Unternehmen übernehmen, die Routen und Wegweiser in die Karte zeichnen, damit sich andere im AI Land zurechtfinden und die eigene Baustelle in ein Traumhaus verwandeln, wo Menschen gerne und gut arbeiten. Fazit Wenn du dich also manchmal verloren oder hinten dran fühlst: Das ist normal. Es geht uns allen so. Dieses Gefühl ist die Bürde eines Pioniers. Es ist das beste Signal, dass du genau am richtigen Ort bist, wo du unbekanntes Terrain erschließt und die Arbeit machst, die wirklich zählt. Wie geht es dir gerade mit diesem Gefühl – eher wie eine Last oder wie ein Zeichen, dass du am richtigen Ort arbeitest? Schreib mir gerne, ich lese jede Antwort. Bis nächsten Sonntag, Felix
## Das Ende des “KI-Mitarbeiters”
URL: https://ai-first.ai/insights/das-ende-des-ki-mitarbeiters
Kategorie: Allgemein
Untertitel: Exklusive Keynote: Wie wir 25 KI-Agenten abgeschaltet haben und seitdem mehr schaffen als je zuvor.
Herzlich Willkommen zu den AI FIRST Insights! 2025 nutzte ich zwischen Weihnachten und Neujahr die ruhigen Stunden und reflektierte unser Jahr bei AI FIRST. Zu diesem Zeitpunkt hatte ich schon seit einigen Monaten das Gefühl, dass du wahrscheinlich auch kennst: Irgendwie hinten dran zu sein, was unser internes KI-Setup angeht. Das Gefühl war eher diffus, als dass ich es richtig hätte beschreiben können. Wir waren 3 Menschen und 25 KI-Agenten, die wir in klaren Rollen mit festen Aufgaben, einer sauberen Datenbasis und allen notwendigen Systemzugängen ausgestattet hatten. Für uns waren das Kollegen, die uns geholfen haben 10x in 2025 zu wachsen. Ich beobachtete allerdings schon länger, wie mit jedem neuen “KI-Mitarbeiter” zusätzlicher Aufwand entstand. Ähnlich wie bei menschlichen Teams, die immer größer werden, entstanden auch bei uns Wissensinseln, Silos und immer mehr Koordination zwischen den KI-Agenten. Ende 2025 setze ich für Q1 2026 das Ziel, diese Aufwände zu reduzieren, indem wir KI-Führungskräfte in diese Organisation einziehen, die wiederum die Arbeit der anderen KI-Agenten steuern und überwachen. Meiner Meinung nach war das die intellektuelle Nuss, die wir knacken mussten. Bis dahin hatten zwar viele über autonome Multi-Agenten-Systeme gesprochen, aber ich hatte noch kein Setup gesehen, was bis auf etwas Marketing-Content in komplexen Prozessen funktionierte. Der Kurs war gesetzt, doch es sollte anders kommen. Der Moment, der meinen Blick auf KI für immer verändert hat Wir machten uns an die Arbeit und definierten, wie die nächste Skalierungsstufe unserer Organisation mit KI-Agenten aussehen sollte. Mittendrin kam am 05. Februar 2026 Opus 4.6 raus und pulverisierte alle Benchmarks. Das Modell brachte agentische Fähigkeiten mit, die es in der Form nicht gab. Es konnte stundenlang eigenständig an komplexen Aufgaben arbeiten und sich währenddessen selbst kontrollieren. In diesem Moment haben wir ein einziges Experiment gemacht, das meinen Blick auf die Anwendung von KI in Unternehmen komplett verändert hat. Am folgenden Tag haben wir unseren Plan weggeworfen, 25 “KI-Mitarbeitern” gekündigt und ein System gebaut, das bis heute der operative Motor unseres Unternehmens ist, über 100 Prozesse auf vollständigem Kontext ausführt und jeden Tag dazulernt. Diese Geschichte habe ich das erste Mal vor 3.000 Menschen auf der Main Stage der data:unplugged erzählt und teile heute die vollständige Keynote mit dir. Alte Playbooks funktionieren nicht mehr Wer KI heute noch wie ein Werkzeug benutzt oder in die Rolle eines digitalen Mitarbeiters steckt, wird schon bald merken, dass diese Ansätze aus einer alten Welt stammen - die Welt, die wir kennen. Wer Playbooks von früher auf KI anwendet, überträgt menschliche Limitierung auf eine Technologie, die diese Grenzen auflöst. Im KI-Zeitalter gelten längst andere Regeln. Wir müssen aufhören, unser Unternehmen darauf zu optimieren, dass Menschen darin gut arbeiten können. Stattdessen müssen wir anfangen unser Unternehmen so umzubauen, dass auch KI darin optimal für und mit uns arbeiten kann. Der erste Schritt dahin ist, KI Zugriff auf all das zu geben, was auch wir benötigen um unseren Job gut ausführen zu können. Der zweite Schritt ist, dass wir unsere Arbeitsweise verändern. Wir machen nicht mehr die Arbeit, sondern bauen das System, das die Arbeit macht. Das mentale Modell dahinter beschreibe ich im Video. Die Umsetzung treiben wir mit 120 KI-Verantwortlichen im Collective . 95% der Plätze für Juli sind vergeben. Ab September geht’s weiter. Trag dich hier auf die Warteliste ein. Neue Grenzen des Möglichen Vor 4 Monaten war meine These: Wenn KI Zugriff hat auf… Alles, was wir können (Prozesse) Alles, was wir wissen (Daten) Alles, was wir nutzen (Tools) Alles, was wir einhalten (Regeln) … dann kann KI so gut wie jede digitale Arbeit so ausführen, wie wir sie ausführen würden. 4 Monate später kann ich diese These bestätigen. An dieser Stelle werde ich oft gefragt, was dann noch für uns bleibt. Und ich kann sagen: mehr als genug. Je mehr Arbeit KI uns abgenommen hat, desto schneller haben wir ambitioniertere Projekte aufgerissen, mehr Zeit mit Kunden verbracht und die Qualität in allem was wir tun gesteigert. Nächste Woche ziehe ich für einige Zeit zurück nach Berlin, um vor Ort mit meinem Team das bisher größte Projekt für AI FIRST auf die Straße zu bringen. Eine Idee, die ich seit über einem Jahr im Kopf trage, aber nie das Vertrauen und die Kapazität für die Umsetzung hatte. Die letzten 4 Monate haben uns diese Kapazität gegeben. Wer KI richtig nutzt, verschiebt die Grenze des Möglichen immer weiter. Die nächsten Updates folgen in den kommenden Monaten hier und auf Youtube. Bis dahin, Felix P.S. Wenn du das Mandat für die KI-Transformation in deinem Unternehmen hast und mit mir, meinem Team und 120+ anderen KI-Verantwortlichen zusammenarbeiten willst, dann trage dich im AI Collective auf die Warteliste ein, um einen der nächsten freien Plätze zu bekommen.
## Mehr als Nutzung: KI-Adoption richtig messen
URL: https://ai-first.ai/insights/mehr-als-nutzung-ki-adoption-richtig-messen
Kategorie: Adoption
Untertitel: Ein Messsystem in drei Ebenen, das echte Veränderung sichtbar macht.
Herzlich Willkommen zu den AI FIRST Insights! Heute schließen wir unsere Serie mit dem 6. Teil zum KI-Adoption-Playbook. Die vorherigen Teile findest Du hier . In den letzten Wochen haben wir Stück für Stück darüber gesprochen, wie KI-Adoption im Unternehmen entstehen kann. Es ging um ein Zielbild, das Richtung gibt. Um KI-Enabler, die KI in die Breite tragen. Um echten Kompetenzaufbau statt Alibi-Training. Um Use Cases, die nicht als zähe Großprojekte gedacht werden. Und um die Frage, wie aus Wissen ein neue Arbeitsweise wird. Heute beantworten wir die letzte Frage: Woran erkenne ich eigentlich, ob KI-Adoption funktioniert? Aktuell ist die Antwort auf diese Frage oft zu oberflächlich: Wie viele Menschen haben Zugriff? Wie viele nutzen das Tool? Wie viele Prompts wurden geschrieben? Heute geht es deshalb darum, wie ich KI-Adoption messe, ohne daraus ein wissenschaftliches Forschungsprojekt zu machen. Ich zeige Dir ein Messsystem auf drei Ebenen. Los geht's! Letzte Chance: Werde Mitglied im AI Collective Zum 1. Juli öffnen wir das AI FIRST Collective für die nächste Gruppe an Führungskräften und KI-Verantwortlichen. Jetzt sind noch 9 Plätze frei, die im Laufe der kommenden Woche wahrscheinlich vergeben sind. Im Collective bauen wir gemeinsam genau das, worüber ich hier jede Woche schreibe: Meisterhafte KI-Anwendungskompetenz KI-Betriebssystem für Dich und Dein Unternehmen Adoption-Playbook, das Wirkung in die Breite bringt Ab Juli bekommst Du direkten Zugang zu Plattform, Akademie, Community und Live Sessions. Den gemeinsamen Umsetzungspfad starten wir bewusst nach dem Sommer, wenn alle aus dem Urlaub zurück sind und wieder mit voller Aufmerksamkeit an der Organisation arbeiten können. Wenn Du noch dabei sein willst, bewirb Dich schnell hier . Warum führt die Nutzungsrate in die Irre? Die Nutzungsrate ist die bequemste Zahl in jedem KI-Projekt. Sie ist leicht verfügbar, sie wirkt objektiv und sie lässt sich gut in ein Dashboard schreiben. Wenn 80 Prozent der Belegschaft ein KI-Tool nutzen, klingt das erstmal nach Fortschritt. Aber: dieselbe Zahl kann zwei völlig verschiedene Realitäten beschreiben. In der einen Organisation schreiben Menschen ab und zu eine E-Mail um, lassen sich eine Zusammenfassung geben oder probieren ein paar Prompts aus. In der anderen Organisation haben Teams ihre wiederkehrenden Abläufe verändert, eigene Vorlagen gebaut, kleine Automatisierungen etabliert und nutzen KI so selbstverständlich wie früher Excel. Beides kann in der Statistik als „aktive Nutzung“ auftauchen. Genau deshalb ist die Nutzungsrate ein schlechter alleiniger Maßstab. Sie zeigt, dass Menschen mit KI in Berührung kommen. Sie zeigt aber nicht, ob sich Arbeit verändert. Das ist nicht nur mein Eindruck aus Kundengesprächen. McKinsey sieht im „State of AI 2025“ ein ähnliches Muster: 88 Prozent der befragten Organisationen nutzen KI bereits in mindestens einer Funktion. Gleichzeitig sagen nur 39 Prozent, dass KI überhaupt einen EBIT-Effekt auf Unternehmensebene hat, und bei den meisten davon liegt dieser Effekt unter 5 Prozent. Adoption ist nicht die Frage, ob KI irgendwo genutzt wird. Adoption ist die Frage, ob Nutzung in veränderte Arbeit und messbare Wirkung übersetzt wird. Genau an diesem Punkt müssen wir eine Ebene tiefer gehen. Wenn es nicht die Nutzungsrate ist, was dann? Wir sollten bei der Messung von KI-Adoption zuerst einmal zwischen Leading Indicators und Lagging Indicators unterscheiden. Leading Indicators zeigen früh, ob Bewegung entsteht. Lagging Indicators zeigen später, ob Wirkung entsteht. Zwischen diesen beiden Ebenen brauchen wir noch eine dritte: Verankerung . Denn zwischen „Menschen nutzen KI“ und „KI erzeugt messbare Wirkung“ liegt die eigentliche Arbeit. Dort entscheidet sich, ob KI in Abläufe, Routinen und Teamprozesse einwandert oder eine individuelle Spielerei bleibt. Ich messe KI-Adoption deshalb auf drei Ebenen: Aktivität: Kommt KI in Bewegung? Verankerung: Wird KI Teil echter Arbeit? Wirkung: Wird Arbeit dadurch besser, schneller oder günstiger? Einmal im Monat schaut man auf wenige Kennzahlen, ergänzt sie durch konkrete Prozessbeobachtung und entscheidet, wo nachjustiert werden muss. Dabei entscheidet nicht eine einzelne Zahl, sondern die Kombination aus drei Quellen: Systemdaten: Was wird tatsächlich genutzt, gebaut oder eingereicht? Prozessdaten: Was verändert sich in konkreten Abläufen? Einschätzungen aus den Teams: Was nehmen Menschen selbst als Veränderung wahr? Meiner Erfahrung nach erzählt keine dieser Quellen die vollständige Wahrheit: Vorher-nachher-Umfragen haben einen starken menschlichen Bias, Systemdaten zeigen die Nutzung an, aber selten die Wirkung, und Prozesse lassen sich nicht immer perfekt von vorne bis hinten durchmessen. Um das greifbar zu machen, nehme ich im Folgenden ein einfaches Beispiel: Ein Vertriebsteam erstellt regelmäßig erste Angebotsentwürfe für Kunden. Vor KI dauert ein Entwurf im Schnitt 90 Minuten. Für bestimmte Recherchen oder Präsentationsbausteine wird gelegentlich externe Unterstützung genutzt. Die Qualität schwankt, weil jede Person anders arbeitet. An diesem Beispiel lassen sich die drei Ebenen gut zeigen. Ebene 1: Kommt KI in Bewegung? Auf der ersten Ebene will ich wissen, ob KI überhaupt im Alltag ankommt. Nutzen Menschen die freigegebenen Werkzeuge? Nehmen sie an Trainings teil? Entstehen erste Ideen, Vorlagen oder Use Cases? Das Ziel dieser Ebene ist nicht, Wirkung zu beweisen. Das Ziel ist, früh zu erkennen, ob die Organisation in Kontakt mit KI kommt. Indikatoren, die ich mir anschaue: Anteil aktiver Nutzer in den freigegebenen KI-Werkzeugen Anzahl eingereichter und qualifizierter Use-Case-Ideen Teilnahmequote an Trainings oder Enabler-Formaten Anzahl gebauter Quick Wins, Vorlagen oder Workflows Anzahl aktiver KI-Enabler pro Bereich Wie ich es messen würde: Nutzungsdaten aus den Tools: Nicht nur „hat Zugriff“, sondern aktive Nutzung pro Woche oder Monat, idealerweise nach Team oder Rolle getrennt. Dort auch nicht nur den Login tracken, sondern die Tiefe der Features (Chat, Skills, Agents, …) anschauen. Use-Case-Funnel: Wie viele Ideen wurden eingereicht, qualifiziert, umgesetzt und nach 30 Tagen noch genutzt? Kompetenzcheck: Kurze Selbsteinschätzung vor und nach Trainings, ergänzt um eine kleine praktische Aufgabe, zum Beispiel aus einer Arbeitsanweisung einen KI-gestützten Ablauf zu bauen. Im Vertriebsbeispiel würde ich also nicht nur messen, wie viele Menschen Zugriff auf das KI-Tool haben. Ich würde messen, wie viele Vertriebsmitarbeitende den Angebots-Workflow pro Woche nutzen, wie viele Angebotsentwürfe damit entstehen und wie viele Verbesserungsideen aus dem Team zurückkommen. Diese Zahlen reagieren schnell. Wenn nach drei Monaten kaum jemand ein Tool nutzt, keine Use Cases entstehen und Trainings nicht besucht werden, muss ich nicht auf Effizienzkennzahlen warten. Dann funktioniert etwas im Setup nicht. Aber Aktivität darf nie zum Ziel selbst werden. Ich kann eine hohe Teilnahmequote haben und trotzdem kaum Veränderung im Arbeitsalltag sehen. Ich kann viele Use-Case-Ideen sammeln und trotzdem nichts umsetzen. Ich kann viele Lizenzen ausrollen und trotzdem keine neue Arbeitsweise schaffen. Leading Indicators sagen mir: Es bewegt sich etwas. Sie sagen mir noch nicht, ob daraus bessere Arbeit entsteht. Ebene 2: Wird KI Teil echter Arbeit? Die zweite Ebene ist für mich die wichtigste, weil sie zwischen Aktivität und Wirkung liegt. Ich nenne sie Verankerung. Hier geht es nicht darum, ob Menschen ein Tool geöffnet oder ein Training besucht haben. Es geht darum, ob sich ihre Arbeitsweise verändert hat. Wird KI in wiederkehrenden Aufgaben genutzt? Entstehen Teamroutinen? Werden Vorlagen, Workflows oder kleine KI-Lösungen regelmäßig verwendet? Genau diese Ebene verbindet die bisherigen Teile des Playbooks . Ein Zielbild sorgt dafür, dass KI nicht beliebig eingesetzt wird. KI-Enabler bringen die Fähigkeit in die Fachbereiche. Kompetenzaufbau schafft die Grundlage, damit Menschen KI nicht nur bedienen, sondern sinnvoll führen können. Der Use-Case-Prozess übersetzt Ideen in konkrete Lösungen. Und Aktivierung sorgt dafür, dass aus Wissen Verhalten wird. Verankerung misst, ob diese Bausteine im Alltag zusammenkommen. Indikatoren, die ich mir anschaue: Anteil wiederkehrender Aufgaben, die standardmäßig mit KI unterstützt werden Anzahl regelmäßig genutzter Vorlagen, Workflows oder kleiner KI-Lösungen Wiederverwendung von Lösungen über Teams hinweg Anzahl produktiver Quick Wins, die nach 30 oder 60 Tagen noch genutzt werden Häufigkeit, mit der Führungskräfte KI in Teamroutinen, Priorisierung und Prozessverbesserung besprechen Wie ich es messen würde: Prozessinventur pro Team: Die wichtigsten wiederkehrenden Aufgaben auflisten und markieren, welche davon heute fest mit KI unterstützt werden. 30/60-Tage-Nutzung: Nicht nur zählen, was gebaut wurde, sondern prüfen, welche Lösungen nach einem oder zwei Monaten noch in der Arbeit auftauchen. Monatlicher Team-Check: Führungskraft und Team beantworten drei Fragen: Welche Aufgabe haben wir mit KI verändert? Was nutzen wir weiterhin? Wo hängt es noch? Für Vorher-nachher-Umfragen reichen oft wenige gute Fragen: „Welche wiederkehrende Aufgabe bearbeitest Du heute anders als vor drei Monaten?“ „Bei welchen Aufgaben nutzt Du KI inzwischen regelmäßig?“ „Welche KI-gestützte Lösung würdest Du vermissen, wenn sie morgen weg wäre?“ Im Vertriebsbeispiel würde ich prüfen, ob der Angebots-Workflow nach 30 und 60 Tagen noch genutzt wird. Ist er Teil des Standardprozesses geworden? Nutzen auch neue Mitarbeitende ihn automatisch? Wird er im Team verbessert, oder war er nur ein einmaliger Test? Das ist der Punkt, an dem sich echte KI-Adoption von Tool-Nutzung unterscheidet. Ein Unternehmen kann viele aktive Nutzer haben und trotzdem wenig Verankerung. Dann bleibt KI eine individuelle Produktivitätshilfe. Hilfreich, aber begrenzt. Wenn KI aber in wiederkehrende Abläufe, Teamroutinen und kleine interne Lösungen einwandert, entsteht ein anderer Effekt. Dann wird KI nicht mehr nur genutzt, sondern in Arbeit übersetzt. Ebene 3: Entsteht messbare Wirkung? Auf der dritten Ebene schaue ich auf das Ergebnis. Hier geht es um die Frage, ob KI messbar etwas an Arbeit verändert. Das kann Effizienz sein, also weniger Zeit für eine wiederkehrende Aufgabe. Es kann Qualität sein, zum Beispiel bessere Vorlagen, weniger Fehler oder konsistentere Ergebnisse. Es kann Geschwindigkeit sein, etwa kürzere Durchlaufzeiten in einem Prozess. Und in einigen Fällen kann es auch direkten Einfluss auf Kosten, Umsatz oder Kundenzufriedenheit geben. Ich messe Wirkung in drei Kategorien. 1. Effizienz Wie lange dauerte eine Aufgabe vorher und wie lange dauert sie heute? Welche Durchlaufzeiten haben sich verkürzt? Welche geplanten zusätzlichen Rollen mussten nicht aufgebaut werden, weil ein Team mehr Volumen bewältigen kann? 2. Einsparungen Welche Leistungen wurden vorher extern eingekauft und können heute intern erledigt werden? Welche Agentur-, Freelancer- oder Beratungskosten sind gesunken? Welche Aufgaben können Fachbereiche selbst erledigen, statt sie weiterzugeben? 3. Qualität Wie verändert sich die Fehlerquote? Wie bewerten Fachbereiche oder Kunden die Qualität? Wie entwickeln sich NPS, CSAT oder interne Zufriedenheit? Wie ich es messen würde: Vorher-nachher-Messung im Prozess: Dafür reichen oft 10 bis 20 echte Vorgänge, statt monatelang ein perfektes Tracking aufzubauen. Kostenvergleich: Welche externen Leistungen fallen weg oder werden deutlich reduziert, weil Teams sie intern mit KI abbilden können? Qualitäts- und Experience-Check: Review-Qualität, Fehlerquote, NPS, CSAT oder Mitarbeiterzufriedenheit vor und nach der Prozessveränderung vergleichen. Im Vertriebsbeispiel würde ich also messen, wie lange ein Angebotsentwurf heute dauert. Sind aus 90 Minuten 35 Minuten geworden? Sind externe Recherche- oder Designkosten gesunken? Bleibt die Qualität im Vier-Augen-Check stabil oder verbessert sie sich sogar? Viele Unternehmen haben hier eine Erwartung, die ich für unrealistisch halte. Sie wollen perfekt nachweisen, welchen Einfluss KI auf Effizienz, Umsatz oder Ergebnis hat. Am besten sauber isoliert, mit belastbarer Kausalität und einer klaren Zahl hinter jedem Use Case. In der Realität ist das extrem schwer. Arbeit verändert sich selten nur durch eine einzige Maßnahme. Teams lernen parallel dazu, Prozesse werden angepasst, Rollen verändern sich, Tools verbessern sich, Menschen werden schneller, weil sie Übung bekommen. Wenn sich am Ende eine Kennzahl verbessert, ist KI oft ein wichtiger Teil davon, aber selten die einzige Ursache. Deshalb würde ich bei KI-Adoption nicht mit dem Anspruch starten, jeden Effekt perfekt zu beweisen. Ich würde eher mit Annäherungen arbeiten. Wenn ein Team vorher 90 Minuten für einen Angebotsentwurf gebraucht hat und heute 35 Minuten, wenn gleichzeitig weniger externe Unterstützung nötig ist und die Qualität im Review stabil bleibt, reicht das für eine gute Steuerungsentscheidung. Ich sehe Bewegung, Verankerung und Wirkung. Und genau darum geht es. Wie wird aus Messen echtes Nachsteuern? Messen bringt nur etwas, wenn aus den Ergebnissen Entscheidungen abgeleitet werden, welche die Kennzahlen beeinflussen. Ich würde deshalb weniger auf die einzelne Kennzahl schauen und stärker auf die Muster zwischen Aktivität, Verankerung und Wirkung. Hier sind drei typische Muster und wie du nachsteuern kannst: Muster 1: Aktivität hoch, Verankerung niedrig Viele Menschen nutzen KI, es gibt Trainings, vielleicht auch eine hohe Login-Rate. Gleichzeitig verändert sich im Arbeitsalltag wenig. Die Nutzung bleibt individuell, spontan und oft auf einfache Aufgaben beschränkt. Dann ist das Problem meistens nicht fehlende Motivation, sondern fehlende Übersetzung in konkrete Arbeit. Die Konsequenz: weniger allgemeine Trainings, mehr Arbeit an echten Prozessen. Pro Team ein wiederkehrender Ablauf, der gemeinsam mit KI neu gedacht und in eine konkrete Lösung übersetzt wird. Dazu ein Enabler oder Coach, der nicht nur erklärt, sondern bei der Umsetzung hilft. Kurzform: Aktivität hoch + Verankerung niedrig = Prozessarbeit statt mehr Tool-Nutzung. Muster 2: Verankerung hoch, Wirkung niedrig Hier nutzen Teams KI bereits regelmäßig in bestimmten Abläufen, aber die erhoffte Wirkung bleibt aus. Dann liegt das Problem oft darin, dass die falschen Prozesse verankert wurden. Man hat viel Energie auf Aufgaben gelegt, die angenehm zu verbessern sind, aber keinen großen Hebel haben. Die Konsequenz: Use Cases wieder gegen den eigentlichen Nutzen prüfen. Welche Aufgaben haben hohe Frequenz, hohen Aufwand, hohe Fehleranfälligkeit oder direkten Bezug zu einer wichtigen Kennzahl? Dort muss die Energie hin. Kurzform: Verankerung hoch + Wirkung niedrig = Use Cases neu priorisieren. Muster 3: Aktivität niedrig, Verankerung niedrig Wenn Aktivität und Verankerung niedrig sind, liegt das Problem meist vor der Messung. Dann fehlen oft Richtung, Kompetenz oder Rückendeckung. Das Zielbild ist zu unscharf. Führungskräfte erwarten Veränderung, haben aber keine eigene Rolle darin. Mitarbeitende sollen KI nutzen, wissen aber nicht, wofür. Enabler sollen helfen, haben aber kein Mandat. Die Konsequenz: nicht noch mehr messen, sondern einen Schritt zurückgehen. Zielbild schärfen, Führung ausrichten, Enabler sauber mandatieren, Kompetenz gezielt aufbauen und dann wieder mit wenigen konkreten Anwendungsfällen starten. Kurzform: Aktivität niedrig + Verankerung niedrig = Zielbild, Führung und Kompetenzaufbau prüfen. Ein einfacher monatlicher Steuerungstermin mit klarer Verantwortung schlägt jedes perfekte Dashboard, das niemand nutzt. Wichtig ist nicht, jede Zahl exakt zu erklären. Wichtig ist, regelmäßig die richtigen Fragen zu stellen und daraus konkrete Anpassungen abzuleiten. Fazit Wenn ich diese Serie auf einen Gedanken herunterbrechen müsste, wäre es dieser: KI-Adoption entsteht nicht durch Tool-Zugang, sondern durch veränderte Arbeit. Genau deshalb reicht die Nutzungsrate als Messgröße nicht aus. Was Du aus diesem Artikel mitnehmen kannst: Nutzungsrate zeigt Aktivität, aber keine Wirkung. Leading Indicators helfen Dir, früh zu sehen, ob Bewegung entsteht. Verankerung zeigt Dir, ob KI Teil echter Abläufe, Routinen und Lösungen wird. Lagging Indicators zeigen Dir, ob KI Ergebnisse verändert. Gute Messung kombiniert Systemdaten, Prozessdaten und Einschätzungen aus den Teams. Perfekte Kausalität wirst Du selten nachweisen können. Eine gute Annäherung reicht, wenn sie aus mehreren Richtungen kommt. Nachsteuern heißt, die Lücken zwischen Aktivität, Verankerung und Wirkung zu lesen. Für mich war diese Serie auch der Versuch, KI-Adoption aus der abstrakten Transformationssprache herauszuholen und in konkrete Arbeit zu übersetzen. Richtung geben, Menschen befähigen, Use Cases finden, Umsetzung ermöglichen, Verhalten verändern und Fortschritt messbar machen. Ich hoffe, dass Dir die Reihe geholfen hat, KI-Adoption in Deinem Unternehmen etwas klarer zu sehen. Wenn Du gerade selbst an einem dieser Schritte arbeitest, antworte mir gerne auf diese Mail. Ich lese jede Antwort. Bis nächsten Sonntag, Felix
## In 2 Stunden 15 umsetzbare KI Use Cases finden
URL: https://ai-first.ai/insights/in-2-stunden-15-umsetzbare-ki-use-cases-finden
Kategorie: Adoption
Untertitel: Warum die alte Use-Case-Denke KI ausbremst und wie Teams die richtigen Anwendungsfälle schnell finden, qualifizieren und umsetzen.
Herzlich Willkommen zu den AI FIRST Insights! Dies ist Teil 5 der Serie zum KI-Adoption-Playbook. Die vorherigen Teile findest Du hier . In den letzten Wochen haben wir Stück für Stück das Fundament für erfolgreich Adoption gelegt. Wir haben über das Zielbild gesprochen, das einer Organisation die Richtung gibt. Über KI-Enabler, die KI in die Breite tragen. Über echten Kompetenzaufbau statt Alibi-Training. Und zuletzt über den Verhaltenswandel, der nötig ist, damit aus Wissen tägliches Tun wird. Nehmen wir an, das ist gelungen. Die Menschen können mit KI arbeiten und sie tun es auch. Dann steht sofort die nächste Frage im Raum: Woran wenden wir das eigentlich an? Was sind unsere konkreten Anwendungsfälle? Und genau hier müssen wir aufpassen, dass KI Use Cases nicht wie Digitalisierungsprojekte gedacht werden. Die alte Use Case Denke sieht so aus: man sucht einen Case nach dem anderen, definiert jeden einzelnen als eigenes Projekt mit den Anforderungen, sucht die passende Lösung und implementiert sie. Bei KI funktioniert diese alte Use-Case-Denke nur noch bedingt. Denn in jedem Unternehmen stecken nicht eine Handvoll, sondern hunderte Anwendungsfälle. Und weil KI immer besser und zugänglich wird, lassen sich immer mehr davon extrem niedrigschwellig umsetzen, ohne große Tech-Ressourcen, ohne große Budgets und oft direkt aus dem Team heraus. Dazu kommt ein zweiter Punkt, der die alte Denke endgültig aushebelt: Die Grenzen dessen, was KI kann, verschieben sich ständig. Cases, die vor einem Jahr an fehlenden KI-Fähigkeiten gescheitert sind und zu Recht aussortiert wurde, sind heute vielleicht in einer halben Stunde gebaut. Ein einmaliges "Wir sammeln jetzt unsere Use Cases und setzen sie um" greift deshalb zu kurz. Die eigentliche Frage ist deshalb nicht mehr nur, welchen einen Case wir als Nächstes bauen. Sondern: Wie finden, qualifizieren und bauen wir die vielen Cases mit Geschwindigkeit, fortlaufend, ohne dass ein Flaschenhals in der IT oder im zentralen KI-Team alles ausbremst? In diesem Artikel zeige ich Dir, was einen guten Use Case ausmacht, warum die Trennung von Quick Wins und Value Cases über Deine Geschwindigkeit entscheidet und mit welchen zwei Wegen wir Cases finden und an einem einzigen Tag in fertige Lösungen verwandeln. Los geht's! Nur noch 15 Plätze für das Collective verfügbar Zum 1. Juli öffnen wir das Collective für 30 neue Mitglieder. 50% der Plätze sind schon weg. 2 Monate extra für die Sommerpause Ab Juli hast du sofort vollen Zugang zu Plattform, Akademie, Community und Live Sessions zu KI-Adoption. Den gemeinsamen Umsetzungspfad starten wir bewusst nach dem Sommer, ab September: Wenn alle aus dem Urlaub zurück sind, bauen wir gemeinsam dein KI-Betriebssystem. Falls du zögerst: In den ersten 30 Tagen kannst du ohne Nachfragen zurücktreten, dein Investment wird komplett erstattet. Wir wollen nur Leute dabei, für die es wirklich passt. Bewirb dich hier . Was einen guten Use Case ausmacht Bevor wir überhaupt Use Cases suchen, brauchen wir einen einfachen Maßstab dafür, was ein guter Use Case ist. Grundlegend ist das nichts Neues: Guter Use Case = Einfach umsetzbar + Aufgabe/Problem lohnt sich Einfach umsetzbar, wenn: Daten-Input ist digital und vorhanden Daten-Output ist digital und klar beschrieben (+ Beispiele vorhanden) Prozess ist digital und klar beschrieben (+ robust) KI-Fähigkeit passt (siehe hier ) Aufgabe lohnt sich, wenn: Hohe Frequenz (min. monatlich, besser täglich) Hoher Aufwand pro Ausführung Schmerzhaft: Langweilig, fehleranfällig, aufwändig, … Qualitätsgewinn möglich (weil kein menschlicher Error mehr) Skalierbarkeit im Team (Aufgabe wird von vielen ausgeführt) Direkter Einfluss auf Unternehmensziele Genauso wichtig ist, was kein guter KI/GenAI Use Case ist: Berechnung/Zahlenlogik im Vordergrund (gibt es oft einfachere Methoden), Daten liegen in nicht anschließbaren Systemen, Output muss 100% korrekt sein und soll nicht mehr vom Menschen geprüft werden (ist einfach unrealistisch), die Aufgabe macht dem Team Spaß. Quick Wins vs. Value Cases Wir unterscheiden von Anfang an zwischen Value Cases und Quick Wins. Beide Kategorien erfordern einen völlig unterschiedlichen Umsetzungsansatz. Value Cases sind die großen, strategischen Fälle. Sie haben einen signifikanten Einfluss auf den Umsatz oder die Kosten, sind jedoch auch technisch deutlich komplexer in der Umsetzung. Value Cases werden meist top-down identifiziert und müssen wie interne Produkte betrachtet und gemanaged werden. Ein Voice Agent im Customer Service, der eigenständig Anrufe entgegennimmt, ist so ein Fall. So einen Anwendungsfall setzen wir nach der “alten” Use Case Denke auf: Scoping, Pilotierung, Bewertung, Skalierung, Monitoring und Weiterentwicklung. Quick Wins sind das Gegenteil: klar umrissene Aufgaben, die sich mit KI schneller/besser lösen lassen. Ein Skill für die Angebotserstellung im Vertrieb, eine saubere Meeting-Nachbereitung, ein Entwurf für wiederkehrende Standardanfragen. So etwas baut ein KI-Enabler in kurzer Zeit und stellt es seinem Team bereit, ohne Projektantrag und ohne IT-Ticket. Ich finde diese Unterscheidung wichtig, weil ansonsten alles wie ein Value Case betrachtet wird. Jeder Case, egal wie klein, wandert in dieselbe Pipeline, wird zentral bewertet und wartet auf Umsetzung. Das Ergebnis ist, dass man genau bei den Cases zu langsam wird, die sofort Wirkung im Team hätten, weil alle darauf warten, dass es jemand anderes freigibt oder baut. Die Kunst liegt darin, beides bewusst zu trennen. Value Cases gehören top-down geplant und sauber pilotiert, mit der nötigen Sorgfalt, Budget und Produktmanagement. Quick Wins gehören in die Hände der Teams: schnell, dezentral und in großer Zahl. Wenn beide Spuren parallel laufen, entsteht Geschwindigkeit + transformative Wirkung. Wie wir Use Cases finden Ich bekomme mehrfach in der Woche die Frage gestellt, “was denn unsere KI Use Cases sind?” - im Jahr 2026 verwundert mich diese Frage. Wie eingangs geschrieben, gibt es in jedem Unternehmen hunderte Anwendungsfälle. Welche zu finden, ist also nicht schwer. Die richtigen so umzusetzen, dass sie skalierbar genutzt und in neu-gedachten Prozessen Wirkung entfalten können, ist schon eher eine Herausforderung. Wir nutzen zwei Ansätze, um Anwendungsfälle mit unseren Kunden zu finden. Für Unternehmen, die noch am Anfang stehen, machen wir oft klassische Workshops. Im weiteren Verlauf wechseln wir auf einen AI-First Ansatz. Der Ablauf ist dabei im Kern immer derselbe: Jobs-to-be-done. Wir starten bei der Rolle: Was muss diese Person oder dieses Team erledigen, um erfolgreich zu sein? Dahinter liegen wiederkehrende Kernaufgaben. Kernaufgaben priorisieren. Nicht jede Aufgabe lohnt den genaueren Blick. Wir filtern schnell nach dem Anteil an der Gesamtarbeitszeit, der Zahl der Beteiligten, dem Einfluss auf eine KPI und der Emotion, die an der Aufgabe hängt. In Schritte zerlegen. Die vielversprechenden Aufgaben zerlegen wir in einzelne Schritte und schauen pro Schritt: Welche KI-Fähigkeit hilft, welche Daten und Systemzugriffe braucht es, was geht rein und was raus? Qualifizieren und priorisieren. Daraus leiten wir konkrete Use Cases ab, prüfen sie gegen die Kriterien von oben und ordnen sie auf einer Aufwand-Nutzen-Matrix ein. Wichtig ist dabei nicht Vollständigkeit, sondern Tempo: Wir wollen schnell die Aufgaben finden, bei denen sich der genauere Blick lohnt. Was sich zwischen den beiden Wegen unterscheidet, ist deshalb nicht der Ablauf, sondern wer ihn durchführt. Weg 1: Der klassische Workshop Hier moderiert ein Mensch den Ablauf live, gemeinsam mit den Menschen, die die Aufgaben tatsächlich machen. Der große Vorteil ist die Nähe: Wir sitzen mit dem Team zusammen, hören zu, fragen nach und kommen so auf eine Tiefe, die ein Fragebogen nie liefern würde. Richtig moderiert ist das der verlässlichste Weg. Der entscheidende Hebel sind die richtigen Fragen. Den meisten Menschen fällt es überraschend schwer, den eigenen Prozess Schritt für Schritt zu beschreiben. Fast immer fällt dabei etwas weg, das später entscheidend wird, zum Beispiel der Zugriff auf ein System, für das es keine Schnittstelle gibt und das damit zum Blocker wird. Genau deshalb braucht dieser Weg erfahrene Moderation. Weg 2: Der KI-gestützte Ansatz Der zweite Weg dreht das Prinzip um: Statt dass ein Mensch den Ablauf moderiert, durchläuft die KI ihn weitgehend selbst. Die Grundlage für diesen Weg ist ein gutes Kontextprofil , und das muss wirklich sitzen. Ein Kontextprofil beschreibt im Detail, wer Du bist und in welcher Rolle Du arbeitest, welche Aufgaben Du verantwortest, mit welchen Tools und Daten Du arbeitest, wie Deine Abteilung aufgestellt ist und welche Schnittstellen es zu anderen Bereichen gibt. Je vollständiger dieses Bild ist, desto besser kann KI auf der Ebene Deiner Rolle und Deiner Abteilung mitdenken. Das Kontextprofil ist damit die eigentliche Grundlage des ganzen Ansatzes: Ist es dünn, bleiben auch die Vorschläge oberflächlich. Ist es ausführlich, wird die KI erstaunlich treffsicher. Deshalb erstellen wir die Profile selbst wieder mit KI-Unterstützung, die so lange nachfragt, bis das Profil wirklich vollständig ist. Auf diesem Profil setzen drei aufeinander aufbauende Skills auf, die genau diesen Ablauf abbilden: Skill 1: Use Cases finden . Er analysiert das Kontextprofil und leitet daraus eine ganze Reihe vorqualifizierter Use-Case-Hypothesen ab, oft rund zehn auf einen Schlag. Wichtig ist: Das sind Hypothesen mit Vorprüfung, noch keine fertigen Cases. Skill 2: Use Cases qualifizieren . Er nimmt die stärksten Kandidaten und prüft sie gegen die Formel aus Umsetzbarkeit und Nutzen (siehe oben im Artikel), inklusive der typischen Red Flags. Am Ende steht eine klare Entscheidung: jetzt machen, als Value Case behandeln, später angehen oder verwerfen. S kill 3: Umsetzungskonzept . Aus einem qualifizierten Case macht er eine vollständige Anweisung für eine KI, um daraus einen Skill, Agent, Workflow oder eine App zu bauen. Weil die Leitplanken in den Skills stecken, kommen am Ende vor allem Cases heraus, die wirklich funktionieren. Und weil kein Mensch mehr jeden einzelnen Schritt moderieren muss, lässt sich dieser Weg mit vielen Menschen gleichzeitig gehen. Ganz ohne Menschen geht es trotzdem nicht: Ein kurzes Sparring zu zweit oder ein Coach, der im richtigen Moment hinterfragt, hebt die Qualität noch einmal deutlich. Die KI übernimmt die Breite und die Vorarbeit, der Mensch sorgt für den Realitätscheck. Von vereinzelten Cases zum Betriebssystem Je mehr Cases bottom-up entstehen, desto wichtiger wird, wie man sie in eine Struktur bringt. Ansonsten fliegen irgendwann 87 Agents, 395 Skills und 166 Workflows durch’s Unternehmen, die nicht aufeinander einzahlen. Ich habe schon viel über das KI-Betriebssystem als Modell gesprochen, um KI im Unternehmen zu organisieren. Für größere Unternehmen adaptieren wir dieses Modell gerade um ein DepartmentOS - also KI-Betriebssystem für eine Abteilung. Diese können dann wiederum über Abteilungen hinweg verbunden werden. Für jede Abteilung gibt es einen zentralen Agent als Ausführungseinheit mit den wichtigsten Skills für die wiederkehrenden Aufgaben, jeweils verknüpft mit dem nötigen Kontext und dem Zugriff auf die relevanten Tools. So wird aus einer wachsenden Sammlung einzelner Cases ein zusammenhängendes System, das mit jedem neuen Use Case mitwächst. Dieser Ansatz lässt sich für so ziemlich jede Abteilung im Unternehmen systematisieren. Organisation von Ideen und Use Cases Damit fortlaufend neue Cases gefunden und umgesetzt werden, braucht es eine schlanke Organisation drumherum. Bei uns besteht die aus zwei einfachen Bausteinen. Ein Intake-Formular: eine niedrigschwellige Stelle (zB Teams, Intranet, …), an der jeder im Unternehmen jederzeit eine Use-Case-Idee mit ein paar ersten Informationen einreichen kann. Eine Use-Case-Bibliothek, in der jede Idee und jeder Case dokumentiert wird, egal ob Quick Win oder großer Case, immer mit Link zur fertigen Lösung, also zum Beispiel zum Agent oder Skill. So behält man den Überblick, findet bestehende Lösungen wieder und vermeidet, dass dieselbe Sache an drei Stellen parallel gebaut wird. Quick Wins umsetzen: der Hackathon Cases zu finden ist das eine. Sie umzusetzen das andere, und genau hier scheitert es im Alltag am häufigsten, weil die Umsetzung zwischen Meeting drei und vier untergeht. Deshalb machen wir direkt nach der Use Case Discovery einen Hackathon. Wir haben das zuletzt in ganz unterschiedlichen Größen gemacht, einmal mit 15 Leuten bei Gebr. Heinemann , einmal mit rund 200 bei New Yorker. Die Idee bleibt immer dieselbe. Die Teilnehmer kommen entweder schon mit einem qualifizierten Case, wenn vorher eine Use Case Discovery lief, oder sie finden vor Ort über den KI-gestützten Prozess einen passenden Case und qualifizieren ihn. Und dann haben sie einen ganzen Tag Zeit, nur um diesen einen Case umzusetzen. Warum ein ganzer Tag? Weil die ersten 70 bis 80 Prozent einer Lösung schnell stehen. Die eigentliche Arbeit sind die Iterationsschleifen danach. Genau sie machen aus einem Prototyp etwas, das robust und wiederverwendbar ist. Dafür braucht es ungestörte Zeit, Kollegen, die sich gegenseitig unterstützen, und Coaches, die in den entscheidenden Momenten mit hineingehen. Am Ende des Tages steht ein konkretes Ergebnis: ein Skill, ein Agent oder ein Workflow, manchmal auch eine kleine selbstgebaute App, je nachdem, was das Unternehmen zulässt. Und alles wandert wieder in die Use-Case-Bibliothek. Dieser Ablauf aus Use Case Discovery + Hackathon lässt sich beliebig oft wiederholen und führt zu einer fortlaufenden Durchdringung einer Abteilung mit KI. Fazit Die alte Use-Case-Denke, bei der jeder Case ein eigenes Projekt ist, bremst KI aus. In jedem Unternehmen stecken hunderte Anwendungsfälle, und die meisten warten nicht auf die IT, sondern auf Menschen, die sie selbst umsetzen dürfen. Und weil sich die Fähigkeiten von KI ständig erweitern, ist diese Suche nie abgeschlossen. Was Du aus diesem Artikel mitnehmen kannst: Ein einfacher Maßstab reicht: Ein guter Use Case ist einfach umsetzbar und lohnt sich zugleich. Trenne Quick Wins von Value Cases. Value Cases werden als Projekt pilotiert, Quick Wins gehören schnell und dezentral in die Teams. Teste den AI-First Ansatz für Use Cases: Mit 3 Skills Cases finden, qualifizieren und in ein Umsetzungskonzept verwandeln. Gib der Umsetzung einen festen Ort. Im Alltag geht sie unter, im Hackathon mit Zeit, Coaches und Iterationsschleifen entstehen robuste Lösungen. Mach aus der einmaligen Aktion ein System. Intake-Formular und Use-Case-Bibliothek halten den Strom an Cases dauerhaft am Laufen. Der allerwichtigste Tipp: Fang an. Die besten Cases werden nicht am Whiteboard gefunden, sondern wenn jeder Mensch im Unternehmen gelernt hat, KI richtig einzusetzen. Wie du dort hin kommst, kannst du in den letzten Artikeln nachlesen. Bis nächsten Sonntag, Felix P.S. Wir öffnen das AI Collective wieder. Start 1. Juli, 30 Plätze, kuratierte Aufnahme. Wer sein eigenes KI-Betriebssystem bauen und KI-Adoption gemeinsam mit 120 anderen KI-Verantwortlichen vorantreiben will, ist hier richtig: ai-first.ai/collective .
## Vom Wissen ins Tun
URL: https://ai-first.ai/insights/vom-wissen-ins-tun
Kategorie: Adoption
Untertitel: Warum KI-Adoption Verhaltenswandel braucht – und mit welchen Formaten du ihn im Team aktivierst.
Herzlich Willkommen zu den AI FIRST Insights! Dies ist Teil 4 der Serie zum KI-Adoption-Playbook. Die vorherigen Teile findest Du hier . Im letzten Teil ging es um Enablement: wie echte KI-Kompetenz entsteht statt Alibi-Training. Nehmen wir an, das ist gelungen. Die Kompetenz ist da, die Menschen wissen, wie sie KI für ihre Arbeit nutzen könnten. Was kommt davon wirklich in der Arbeit an? Also so wirklich? Unternehmen, die KI ernst nehmen, haben in der Regel sehr früh kein Wissensproblem mehr. Die größte Herausforderung, um KI breitflächig in die produktive Anwendung zu bringen, ist meist ein Verhaltensproblem. Wir haben nunmal 10-20 Jahre lang gelernt, so zu arbeiten, wie wir arbeiten. Diese Muster kippen nicht, nur weil ein Training im Kalender stand. Auch wenn das Training sehr gut war :) In diesem Artikel geht es deshalb um den Schritt nach dem Training: warum Verhaltenswandel der entscheidende und meist vergessene Hebel der KI-Adoption ist, wie Verhaltenswandel tatsächlich entsteht und mit welchen konkreten Formaten Du ihn in Deinem Team aktivierst. Am Ende hast Du ein kleines Playbook mit Formaten, die du direkt testen kannst. Los geht's! Am 01. Juli startet Deine AI FIRST Transformation Wir öffnen das AI Collective wieder für maximal 30 Mitglieder. In den ersten 8 Wochen baust du dein KI-Betriebssystem. Danach entwickelst du das Playbook, um die AI-First-Arbeitsweise zum neuen Normal in deinem Unternehmen zu machen. Erst wirst du zum Anwendungsweltmeister, dann zum Leader der KI-Transformation. Mein Team und ich sind deine Coaches und Trainer auf diesem Weg. Außerdem hast du eine Peer Group von 110 Menschen an deiner Seite, die das Mandat für KI-Transformation in ihrem Unternehmen tragen. Bewirb dich hier . Und wenn du noch zögerst, liest du hier Feedback der letzten Gruppe nach den ersten Wochen: Warum Verhaltenswandel der vergessene Hebel ist Im letzten Artikel habe ich über das KI-Kompetenzmodell geschrieben. Aber Kompetenz ist nicht gleich Nutzung. Wir alle kennen das: Wir starten motiviert in ein Training oder eine Fortbildung. Der Lernmuskel dehnt sich und wir gehen voller Motivation zurück in den Job, oder wo auch immer wir das Gelernte anwenden wollen. Und dann kommt der Alltag zurück. Nach einer Woche bleibt oft nur ein Bruchteil hängen, und das, was hängen bleibt, setzt sich nicht automatisch durch. Unter Zeitdruck greifen wir zu dem Weg, den wir seit Jahren kennen, nicht zu dem, den wir letzte Woche im Training gesehen haben. Etwas neu-erlerntes anzuwenden, ist zu Beginn immer aufwändiger als unsere Routine abzuspulen. Dazu kommt ein zweiter Effekt: Das System schlägt das Training. Wir verändern unser Verhalten nicht, wenn drumherum das alte Verhalten belohnt: gewohnte Abläufe, gewohnte Vorlagen, gewohnte Erwartungen. Der eigentliche Engpass der KI-Adoption ist also nicht fehlendes Wissen, sondern unverändertes Verhalten. Und genau diesen Hebel zu ziehen, ist unbequem. Eine Trainingsquote lässt sich leicht messen und schnell vorzeigen. Verändertes Verhalten ist mühsamer, dauert länger und passiert im Alltag, nicht im Schulungsraum. Genau dort müssen wir ran, wenn sich die Investitionen in KI-Tools und -Upskilling in produktiveren Arbeitsweisen materialisieren sollen. Wie Verhaltenswandel wirklich entsteht Verhalten ändert sich nicht durch mehr Wissen und auch nicht durch mehr Appelle. Es entsteht aus dem Zusammenspiel von drei Dingen: Motivation Einfachheit Auslöser Fehlt eines davon, passiert nichts, egal wie gut das Training war. Diese drei Hebel stammen aus dem Fogg-Verhaltensmodell des Stanford-Forschers BJ Fogg. Er bringt Verhalten auf die Formel B = MAP: Behavior entsteht aus Motivation, Ability (also Einfachheit) und einem Prompt (also einem Auslöser), die im selben Moment zusammentreffen. Wer das Modell vertiefen will, findet es kompakt erklärt unter behaviormodel.org . Die schlechte Nachricht: Auf Motivation ist kein Verlass. Sie schwankt von Tag zu Tag, und wer Verhaltenswandel auf Motivation aufbaut, baut auf Sand. Die gute Nachricht: An den beiden anderen Hebeln kannst Du verlässlich arbeiten. Einfachheit bedeutet, die Hürde so weit zu senken, dass die KI-Nutzung leichter ist als der alte Weg. Verhalten folgt fast immer dem geringsten Widerstand. Genau hier setzt Foggs Methode der „Tiny Habits" an: ein neues Verhalten bewusst so klein machen, dass es kaum Überwindung kostet und fast von allein gelingt. Auslöser bedeutet, einen klaren Moment zu definieren, der das neue Verhalten anstößt, statt darauf zu hoffen, dass jemand von selbst daran denkt. Der wirksamste Trick dabei ist, neues Verhalten an bestehende Routinen zu koppeln. Das ist die zentrale Idee von James Clear, dem Autor von „Atomic Habits". Clear beschreibt, wie Gewohnheiten über eine Schleife aus Auslöser, Verlangen, Reaktion und Belohnung entstehen und sich mit jeder Wiederholung verfestigen. Sein bekanntester Satz bringt es auf den Punkt: Du steigst nicht auf das Niveau deiner Ziele, sondern fällst auf das Niveau deiner Systeme. Oder kürzer: Systeme schlagen Vorsätze. Sein praktischstes Prinzip ist das Anknüpfen (Habit Stacking), also eine neue Gewohnheit an eine bestehende koppeln, statt sie isoliert aufbauen zu wollen. Gewohnheiten entstehen eben nicht im luftleeren Raum, sondern docken an etwas an, das wir ohnehin schon tun. Übersetzt auf KI heißt das: Nicht „nutzt mehr KI" plakatieren, sondern den KI-Schritt einfach machen, ihn an einen festen Auslöser hängen und so oft wiederholen, bis er in Fleisch und Blut übergegangen ist. Greift gutes Training + einfache Anwendung + Routine ineinander, kommen Menschen in das, was ich AI-First Mindset und AI-First Arbeitsweise nenne. Aufgaben und Probleme zuerst aus KI-Perspektive zu hinterfragen, wird intuitiv. KI verschmilzt ganz natürlich mit dem täglichen Tun. Wie bringen wir jede Person im Unternehmen dorthin? Dein Aktivierungs-Playbook: 5 Formate, die Du sofort starten kannst Die folgenden fünf Formate setzen genau dort an: Sie senken die Hürde, schaffen Auslöser und machen Wiederholung selbstverständlich. Du musst nicht alle gleichzeitig einführen. Such Dir zwei oder drei aus, die zu Deinem Team passen, und fang damit an. 1. An bestehende Routinen ankern Ein Anker funktioniert nur, wenn er nicht von deinem Gedächtnis abhängt. „Ich nehme mir vor, KI zu fragen" verpufft, sobald der Alltag drückt. Häng den KI-Schritt deshalb an einen Moment, der ohnehin jeden Tag passiert, und mach ihn sichtbar. Statt „denk dran": Der letzte feste Tagesordnungspunkt jedes Standups heißt „Welche Aufgabe gebe ich heute an die KI?". Oder die Angebotsvorlage startet ganz oben mit einem fertigen Prompt, den man nur noch ausfüllt. Dann steckt der Auslöser im Prozess, nicht in deinem Kopf. Das funktioniert auch, ohne sofort komplexe Workflows bauen zu müssen :) 2. Die KI zum naheliegendsten Weg machen Verhalten folgt dem geringsten Widerstand. Solange der alte Weg schneller griffbereit ist, gewinnt er. Mach den KI-Weg also zum Standard und nicht zur Kür: das KI-Tool als ersten Tab, der morgens schon offen ist. Ein fertiger Prompt als Lesezeichen, statt jedes Mal neu zu formulieren. Der KI-Entwurf als verbindlicher erster Schritt im Reporting-Template. Jede Hürde, die du entfernst, also ein Klick, ein Login, ein leeres Eingabefeld, erhöht die Wahrscheinlichkeit, dass es wirklich passiert. Ich habe mir zum Beispiel einen Bildschirm eingerichtet, auf dem immer und nur KI geöffnet ist. 3. Die 30-Tage-Challenge (mein Favorit) Eine neue Gewohnheit braucht Wiederholung am Stück - nach den Trainings. Setzt ein Ziel, das klein genug ist, um es nie zu reißen: eine KI-Anwendung pro Tag, 30 Tage lang, nach jedem Tag verlängert sich die Serie im Duolingo Style oder in der Meditations-App. Und wir wissen alle, dass niemand diese Serien reißen will! Für mehr Gamification können die Teams mit der längsten Serie einen Preis gewinnen. Implementieren kannst du a) ganz einfach über einen Teams-Kanal wo jeden Tag die Challenge gepostet wird und die Kollegen ihre Ergebnisse bis Tagesende kommentieren oder b) du vibe-codest dir eine App dafür. Schreib mir gern und ich lasse dir die Markdown-Datei als Input für den Coding-Agent zukommen. 4. Use Case der Woche Ein einmaliges Training verpufft, weil ein Großteil davon nach wenigen Tagen vergessen ist. Gegen diese Vergessenskurve hilft nur Wiederholung in kleinen Dosen. Richtet einen festen Slot ein, zB 10 Minuten zu Beginn des Wochenmeetings: Eine Person zeigt reihum einen konkreten Fall, etwa „So habe ich diese Woche mit KI drei Stunden gespart". Immer gleich, ohne große Vorbereitung. Nicht die Tiefe zählt, sondern dass es jede Woche stattfindet. Vorlagen für Skills oder Agents werden im Anschluss geteilt und können vom Team genutzt werden. 5. Erfolge sichtbar machen und vorleben Verhalten ist ansteckend, besonders das der Führungskräfte. Deshalb wirkt es stärker, wenn die Teamleitung im Meeting ihren eigenen, halbfertigen Versuch zeigt, etwa „Ich habe das mit KI probiert, der erste Entwurf war mäßig, so habe ich ihn verbessert", als wenn sie nur zur Nutzung aufruft. Schafft kleine, feste Bühnen dafür. Ideal sind Allhands-Meetings oder interne Hackathons an denen das Leadership-Team teilnimmt. Diese Formate kennen viele, aber sie wirken nur, wenn sie konkret und regelmäßig sind und die Führung selbst liefert. Fazit Kompetenz ist die Voraussetzung, aber sie verändert nichts, solange sich das Verhalten nicht ändert. Genau hier entscheidet sich, ob aus einem teuren Training echte Adoption wird. Was Du aus diesem Artikel mitnehmen kannst: Nach dem Training fängt die Arbeit erst an. Aus Wissen wird Nutzung nur durch verändertes Verhalten. Verlass Dich nicht auf Motivation. Senke die Hürde und setze klare Auslöser. Anker schlagen Vorsätze. Koppel KI an Routinen, die es schon gibt. Wiederholung schlägt Event. Kleine, regelmäßige Impulse statt einmaliger Trainings. Sichtbarkeit zieht. Was vorgelebt und gezeigt wird, wird übernommen. Wenn Du nur eine Sache aus diesem Artikel umsetzt, dann diese: Wähle einen festen Auslöser in eurem Arbeitsalltag und koppel diese Woche einen einzigen KI-Schritt daran. Klein anfangen, sichtbar machen, dranbleiben. Bis nächsten Sonntag, Felix P.S. Wir öffnen das AI Collective wieder. Start 1. Juli, 30 Plätze, kuratierte Aufnahme. Wer sein eigenes KI-Betriebssystem bauen und KI-Adoption gemeinsam mit 100 anderen KI-Verantwortlichen vorantreiben will, ist hier richtig: ai-first.ai/collective .
## KI-Kompetenz statt Alibi-Training
URL: https://ai-first.ai/insights/ki-kompetenz-statt-alibi-training
Kategorie: Adoption
Untertitel: Wie mit unserem 4-stufigen Kompetenzmodell Wirkung aus KI-Trainings entsteht.
Herzlich Willkommen zu den AI FIRST Insights! Dies ist Teil 3 der Serie zum KI-Adoption-Playbook. Die vorherigen Teile findest Du hier . Wenn Unternehmen über KI-Kompetenz sprechen, entsteht schnell ein Missverständnis: Ein Pflichttraining für alle wird mit echter Befähigung verwechselt. Ein E-Learning ist schnell ausgerollt, gut dokumentiert und schafft ein Gefühl von Sicherheit. Aber die eigentliche Arbeit bleibt gleich. Genau darin liegt die Alibi-Training-Falle. Organisationen können hohe Trainingsquoten vorweisen und trotzdem kaum echte KI-Adoption sehen, weil Menschen nach dem Training zwar Regeln kennen, aber noch nicht wissen, wie sie ihre eigenen Aufgaben mit KI besser, schneller oder wirksamer erledigen. In diesem Artikel geht es darum, warum klassische KI-Pflichtschulungen oft zu wenig Wirkung entfalten, was KI-Kompetenz wirklich bedeutet und wie Unternehmen Kompetenz so aufbauen, dass daraus Anwendung im Alltag entsteht. Los geht's! 30 Plätze im AI Collective ab 01. Juli Wir öffnen das AI Collective wieder. Start 1. Juli, 30 Plätze, kuratierte Aufnahme. Wer nicht nur zu KI-Adoption lesen, sondern diese mit 100 anderen GFs und KI-Verantwortlichen gemeinsam vorantreiben und eine AI-First Organisation entwickeln will, die ihr Wachstum vom Headcount entkoppelt, ist hier richtig: ai-first.ai/collective . In den ersten 8 Wochen bauen wir dein KI-Betriebssystem auf. Dann entwickeln wir dein KI-Adoption-Playbook. Monat für Monat gehen wir in die Umsetzung. Warum Alibi-Training nicht reicht Wenn wir in neue Projekte starten, hören wir sehr oft: „Wir haben schon ein KI-Training für alle Mitarbeitenden gemacht.“ Meistens ist damit ein 60-Minuten-E-Learning gemeint: 45 Minuten rechtliche Einordnung, Datenschutz, Risiken und interne Spielregeln, dazu eine kurze Erklärung zu Prompting und Chatbot-Bedienung. Haken gesetzt, Tools freigeschaltet, Thema formal erledigt. Für mich ist genau das Alibi-Training . Das Format ist verführerisch, weil es schnell ausgerollt ist, alle erreicht, sich sauber dokumentieren lässt und HR, IT, Legal und Geschäftsführung das Gefühl gibt, die Organisation sei geschult. Gerade im Mittelstand ist das nachvollziehbar: hoher Druck, viel Unsicherheit. Also wird ein Format gebaut, das möglichst wenig Risiko erzeugt. Das Problem entsteht, wenn dieses Format als Kompetenzaufbau verstanden wird. Nach so einem Training wissen Menschen vielleicht, dass KI halluzinieren kann und welche Daten nicht in offene Tools gehören. Wie sie ihre eigene Arbeit mit KI anders machen oder echte Probleme lösen, wissen sie damit aber noch nicht. Ein Unternehmen kann 90 Prozent Trainingsquote haben und trotzdem kaum echte Adoption sehen. Alibi-Training misst Aktivität, wo eigentlich Wirkung entstehen müsste. Was KI-Kompetenz wirklich bedeutet Um aus der Alibi-Logik herauszukommen, brauchen Unternehmen ein anderes Verständnis von KI-Kompetenz. Für mich heißt das nicht, dass Menschen einmal verstanden haben, was ein Prompt ist, und auch nicht, dass alle zu KI-Expertinnen oder Automatisierungsbauern werden. Es heißt: Menschen können KI wirksam in ihrer Arbeit einsetzen. Wirksam mit KI arbeiten bedeutet für mich vier unterscheidbare Dinge: Aufgabenbezug: KI wird an realen, wiederkehrenden Aufgaben eingesetzt, nicht nur in Übungen. Nutzenbeitrag: Die Nutzung verbessert Effizienz, Qualität oder Entscheidungsfähigkeit der Arbeit. Qualitätssicherung: Ergebnisse werden fachlich geprüft, bevor sie verwendet oder weitergegeben werden. Routinisierung: Erfolgreiche Anwendungen werden zu wiederholbaren Arbeitsweisen, Standards oder Workflows. Wir haben 4-stufiges Kompetenzmodell definiert, um Fortschritt in der KI-Kompetenz und damit einhergehende Wirkung zu messen: Verstehen, Nutzen, Umsetzen und Transformieren . 1. Verstehen Ich verstehe, was KI kann, wo sie hilft und wo ihre Grenzen liegen. Auf der ersten Stufe geht es um Orientierung: Welche Tools sind erlaubt? Welche Daten gehören nicht in offene KI-Systeme? Warum können Ergebnisse falsch sein? Und wo kann KI in der eigenen Arbeit sinnvoll helfen? Sichtbar durch: Kann 3 sinnvolle Einsatzfelder im eigenen Arbeitskontext, 3 zentrale Risiken und die erlaubten Tools benennen. Aufgebaut durch: Das zuvor angesprochene eLearning oder ein Live-Training Wirkung: Sicherheit, gemeinsame Sprache und realistische Erwartungen. 2. Nutzen Ich nutze KI regelmäßig, um meine eigene Arbeit schneller oder besser zu machen. Auf der zweiten Stufe wird KI Teil des Arbeitsalltags. Sie wird wiederkehrend für reale Tätigkeiten genutzt: Recherche, Schreiben, Zusammenfassen, Analysieren, Strukturieren. Aus einem Tool, das man kennt, wird ein Arbeitsmodus, der die eigene Produktivität steigert. Sichtbar durch: 3 konkrete Arbeitsbeispiele mit erkennbarem Nutzen und wiederkehrender Anwendung. Zum Beispiel: Routinierte KI-gestützte Recherchen. Aufgebaut durch: Wir investieren ca. 4 Stunden in eLearning oder Live-Training zu den Funktionen einer KI-Plattform, Prompting, Kontext, horizontale Anwendungsfälle, Ergebniskontrolle und -optimierung. Im Fokus müssen Transfer-Aufgaben stehen! Wirkung: Persönliche Produktivität, bessere Qualität und stabilere KI-Nutzung im Alltag. 3. Umsetzen Ich baue konkrete KI-Lösungen, die auch andere in meinem Team nutzen können. Auf der dritten Stufe entsteht Nutzen über die eigene Arbeit hinaus. Aus wiederkehrenden Aufgaben werden dokumentierte Prompts, Skills, Agenten oder Workflows, die andere im Team übernehmen und produktiver arbeiten können. Wir nennen diese Rolle KI-Enabler . Sichtbar durch: Mindestens einen dokumentierten Skill, Workflow, Agenten oder Prompt-Standard, der mit realen Fällen getestet wurde und im Team nutzbar ist. Aufgebaut durch: Wir investieren ca. 20 Stunden in Live-Training (optional eLearning) zu Skills, Agenten und Workflows. Außerdem muss eine Methodik zur Bewertung, Priorisierung und Konzeption von Anwendungsfällen erlernt werden. Wirkung: Höhere Gesamtproduktivität im Team, höhere Geschwindigkeit in der Umsetzung von Anwendungsfällen, höhere KI-Adoption im Team. Nach unserer Erfahrung sind KI-Enabler selbst min. 20% produktiver. 4. Transformieren Ich gestalte Prozesse und Datenstrukturen so, dass KI skalierbar Wirkung erzeugt. Auf der vierten Stufe werden Prozesse aus KI-Perspektive neu gedacht und zusammengesetzt. Hier entsteht strukturelle Veränderung, die große Effizienzen freisetzt. Sichtbar durch: Mindestens einen AI-First Prozess mit optimierten Prozessschritten, Neuverteilung der Verantwortlichkeiten (zwischen Mensch und KI), definierte Qualitätstore und Entscheidungslogik und passender Datenstrutkur. Aufgebaut durch: Strategische Prozess- und Datenworkshops, in denen End-to-End-Prozesse aus KI-Perspektive neu entworfen werden. Dazu gehören Prozessmapping, Rollen- und Entscheidungslogik, Datenmodellierung, Qualitätstore, Automatisierungsdesign und Governance. Wichtig ist: Diese Stufe entsteht nicht durch Tool-Training, sondern durch gemeinsame Arbeit von Fachbereich, Prozessverantwortlichen, IT/Data und KI-Team an konkreten High-Impact-Prozessen. Wirkung: Prozesswirkung, Skalierbarkeit, Standards und KI als Teil der Arbeitsweise der Organisation. Eine Pyramide, keine Karriereleiter Dieses Modell ist keine Karriereleiter, auf der alle ganz nach oben müssen, sondern eine Kompetenz-Pyramide für die Organisation . Unten braucht jede Person ein gemeinsames Verstehen . Für alle, die am PC arbeiten, sollte das Ziel Nutzen sein. Darüber braucht es eine kleinere Gruppe, die dezentral in den Teams Anwendungsfälle umsetzt . Und an der Spitze Menschen, die Transformieren und Arbeit, Prozesse und Standards für das gesamte Unternehmen neu denken. In einem Unternehmen mit 5.000 Mitarbeitenden kann das zum Beispiel so aussehen: Alle 5.000 sollten ein solides Verstehen haben. Etwa 3.000 davon arbeiten täglich am Rechner und sollten KI auf dem Level Nutzen in ihren Alltag einbauen. 50 KI-Enabler aus den Fachbereichen kommen auf das Level Umsetzen und bauen wiederverwendbare Lösungen. Und eine kleinere Gruppe, oft das interne KI-Team, wirkt auf der Stufe Transformieren und gestaltet Prozesse, Datenstrukturen und Standards neu. Was wir aus hunderten KI-Trainings gelernt haben Wir haben in den letzten Jahren hunderte KI-Trainings durchgeführt und wahrscheinlich alle Fehler gemacht, die man so machen kann. Ich erinnere mich noch gut, wie ich in meinen ersten Trainings die armen Menschen viel zu lange mit theoretischen Grundlagen erschlagen habe: KI-Geschichte, Modelllogik, LLM-Funktionsweise, Prompting-Frameworks etc. Heute weiß ich: Ein gutes KI-Training muss viel schneller an die Arbeit ran. Menschen lernen KI nicht, indem sie lange über KI sprechen, sondern indem sie KI für ihre eigenen Probleme nutzen, selbstwirksam werden und vor allem lernen “KI zu nutzen, um KI besser zu nutzen” - das ist das wichtigste Prinzip. 1. Die C-Level müssen die ersten Trainees sein KI-Adoption startet nicht bei den Mitarbeitenden, sondern oben. Ich habe einmal mit dem CEO eines Milliardenunternehmens ein Einzeltraining gemacht. Ganz praktisch: gemeinsam gebaut, eigene Aufgaben analysiert, KI-Agenten aufgesetzt. Danach konnte er die Transformation in seinem Unternehmen anders steuern, weil er selbst erlebt hatte, was heute möglich ist. Wenn das C-Level selbst mit KI arbeitet, verändert sich die Energie im Unternehmen. KI ist dann nicht mehr „ein Tool, das die Mitarbeitenden lernen sollen“, sondern ein Thema, das die Führung sichtbar ernst nimmt. Ab diesem Moment gibt es weniger Ausreden. 2. Danach sind die Führungskräfte dran Jede Führungskraft muss als glaubwürdiges Vorbild im eigenen Team vorangehen. Die Adoption steigt spürbar, wenn eine Führungskraft nicht sagt „Ihr müsst dieses Training machen“, sondern „Ich weiß auch nicht wie das geht, aber ich lerne das mit euch.“ Damit wird KI nicht als zusätzliche Aufgabe abgeladen, sondern zum gemeinsamen Lernprozess. Die Führungskraft kann Prioritäten setzen, Zeit freiräumen und nachhalten, welche Routinen wirklich übernommen werden. Ohne diese Führung bleibt Training ein einmaliges Event, das wieder verpufft. 3. Minimale Theorie, maximale Anwendung Niemand muss im ersten Training die hundertjährige KI-Geschichte kennen oder 30 Minuten lang Paragrafen zum Urheberrecht hören. Grundlagen, Risiken und Regeln lassen sich schlank vermitteln: Welche Tools sind erlaubt? Welche Daten sind kritisch? Warum müssen Ergebnisse geprüft werden? In unseren heutigen Trainings sind maximal 10 Minuten Rahmen und Spielregeln. 90% der Zeit sitzen die Teilnehmenden mit eigenen Aufgaben vor dem Tool. 4. Das eigene Problem muss gelöst werden Der größte Hebel im Training entsteht, wenn Menschen nicht mit Demo-Beispielen arbeiten, sondern mit ihren eigenen Problemen. Sobald jemand merkt, dass KI eine konkrete Aufgabe aus dem Alltag besser, schneller oder klarer macht, entsteht Relevanz. Eine Vertriebsleiterin aus einem unserer letzten Trainings hat ihre wöchentliche Pipeline-Vorbereitung mit KI durchgespielt und sie von drei Stunden auf rund 25 Minuten reduziert. Ab diesem Moment musste niemand sie mehr für das Thema gewinnen. Jeder Mensch, der am PC arbeitet, hat mehr als genug solcher Anwendungsfälle. Deshalb müssen Trainings sehr früh an die persönliche Arbeit gehen, entlang von Fragen wie: Welche Aufgabe kostet dich jede Woche unnötig Zeit? Welche Arbeit bereitest du immer wieder ähnlich vor? Wo brauchst du bessere Struktur oder bessere erste Entwürfe? Was würdest du an einen Praktikanten abgeben, wenn du einen einstellst? 5. Die wichtigste Kompetenz: KI nutzen, um KI besser zu nutzen Wenn ich nur ein Prinzip in jedes Training einbauen dürfte, wäre es dieses: Nutze KI, um KI besser zu nutzen. Niemand muss allein lernen, perfekte Prompts zu schreiben oder Workflows zu strukturieren. KI kann bei beidem helfen und auch sagen, welche Informationen für ein besseres Ergebnis noch fehlen. Wenn Menschen das verstanden haben, entsteht ein Flywheel. Sie nutzen KI, um: bessere Prompts zu schreiben Agenten oder Assistenten zu entwerfen Daten und Informationen zu strukturieren sich bessere Fragen stellen zu lassen Schwachstellen in Ergebnissen zu finden Workflows in klare Schritte zu zerlegen Mit jedem dieser Schritte werden sie wieder besser darin, KI zu nutzen. Dann macht’s Klick :) 6. KI-Training hört nie auf Viele KI-Trainings von vor 12 oder 24 Monaten sind heute praktisch veraltet, weil sich die Technologie so brutal schnell weiterentwickelt hat. Modelle können mehr, Tools werden agentischer, neue Modalitäten kommen dazu. Deshalb braucht es stabile Grundlagen (siehe “Verstehen”), die einmal aufgebaut werden, und darauf ein Lernsystem, das fortlaufend aktualisiert wird. Wenn sich die Technologie weiterentwickelt, muss sich auch Kompetenz weiterentwickeln. Zu viele KI-Trainings sind heute einmalige Veranstaltungen. 7. Verhaltensänderung ist wichtiger als Methoden Viele Trainings zielen auf Methodenkompetenz: bessere Prompts, neue Tools, eigene Agenten. Neben diesen Methoden muss sich aber insbesondere das eigene Arbeitsverhalten verändern. Menschen müssen anfangen, KI selbstverständlich in ihre Arbeit einzubauen. Wir brauchen neue Routinen. Deshalb arbeiten wir zum Beispiel mit 30-Tage-Challenges. Ähnlich wie bei Duolingo will man eine einmal laufende Streak nicht mehr brechen. In den Gruppen, die wir nach Tag 30 begleitet haben, ist die KI-Nutzung im Schnitt deutlich gestiegen: Aus „zwei, drei Mal pro Woche“ wird täglich, oft mehrfach. Und vor allem fragen die Teilnehmenden danach nicht mehr „Wann nutze ich KI?“, sondern „Welche meiner Aufgaben gehe ich heute mit KI an?“ 8. Effektives Training braucht gutes Werkzeug Man kann Menschen nicht für KI begeistern, wenn die Werkzeuge schlecht sind. Letzte Woche kam wieder eine Anfrage für ein Führungskräfte-Training ohne interne KI-Plattform; nur kostenlose Tools ohne Login, ohne eigene Daten. Genauso schwierig wird es, wenn ein „CompanyGPT“ intern auf einem veralteten Modell läuft, das nicht zeigt, was moderne KI heute kann. Gutes Training braucht gute Infrastruktur: leistungsfähige Tools, state-of-the-art Modelle, Zugriff auf relevante Daten und genug Freiheit, mit eigenen Aufgaben zu arbeiten. 9. „Was ist für mich drin?“ muss beantwortet sein Dieser Punkt wird massiv unterschätzt. „Mit KI könnt ihr einen Tag pro Woche sparen“ klingt aus Unternehmenssicht großartig. Aus Sicht vieler Mitarbeitender entsteht sofort eine andere Frage: Und was passiert mit diesem Tag? Wer das Gefühl hat, sich durch gute KI-Nutzung selbst überflüssiger zu machen, geht nicht mit voller Energie in die Anwendung. Die Antwort darauf muss spezifischer sein als “wertstiftendere Tätigkeiten” - da weiß meist niemand, was das genau sein soll. Auf Rollen-Ebene kann definiert werden, wie das konkret aussieht. Hier schließt sich der Kreis zum KI-Zielbild . KI-Kompetenz funktioniert nur, wenn Menschen verstehen, wofür sie diese Kompetenz aufbauen. Fazit KI-Kompetenz entsteht nicht, wenn Menschen einmal ein Training absolvieren. Sie entsteht, wenn Menschen verstehen, wofür sie KI nutzen sollen, an konkreten Aufgaben arbeiten und daraus neue Routinen im Arbeitsalltag entwickeln. Was du aus diesem Artikel mitnehmen kannst: Verstehen ist die Grundlage. Menschen brauchen Sicherheit, gemeinsame Sprache und klare Regeln. Nutzen ist der breite Zielzustand. Alle, die viel am PC arbeiten, sollten KI regelmäßig im Alltag einsetzen können. Umsetzen braucht Enabler , die wiederverwendbare Lösungen bauen. Transformieren darf nicht fehlen , sonst wird nur bestehende Arbeit beschleunigt. Training muss Verhalten verändern. Entscheidend ist, was Menschen danach regelmäßig anders machen. Wenn du gerade KI-Kompetenz in deinem Unternehmen aufbaust, würde ich nicht zuerst auf die Trainingsquote schauen, sondern eine andere Frage stellen: Welche Arbeit sieht nach dem Training wirklich anders aus? Im nächsten Teil des AI FIRST Adoption Playbooks geht es um die alte Use-Case-Denke: warum viele Unternehmen KI-Ideen sammeln, priorisieren und verwalten, und trotzdem zu wenig echte Umsetzung entsteht. Bis nächsten Sonntag, Felix P.S. Wir öffnen das AI Collective wieder. Start 1. Juli, 30 Plätze, kuratierte Aufnahme. Wer nicht nur zu KI-Adoption lesen, sondern diese mit 100 anderen GFs und KI-Verantwortlichen gemeinsam vorantreiben und eine AI-First Organisation entwickeln will, die ihr Wachstum vom Headcount entkoppelt, ist hier richtig: ai-first.ai/collective .
## Die KI-Champion-Illusion
URL: https://ai-first.ai/insights/die-ki-champion-illusion
Kategorie: Adoption
Untertitel: Warum motivierte Multiplikatoren ohne klares Mandat im Alltag versanden.
Herzlich Willkommen zu den AI FIRST Insights! KI-Champions gehören zu den beliebtesten Bausteinen in KI-Adoptionsprogrammen . Die Idee ist naheliegend: Man sucht motivierte Menschen aus den Fachbereichen , macht sie fit im Umgang mit KI und gibt ihnen die Aufgabe, das Thema in ihre Teams zu tragen. Diese Menschen kennen die Prozesse, sprechen die Sprache ihrer Kolleginnen und Kollegen und können viel näher an echten Anwendungsfällen arbeiten als ein zentrales Projektteam. Auf der Folie sieht das nach einem starken Hebel aus: eine große Community , viel Begeisterung, erste Use Cases , positive Beispiele aus den Teams und Menschen, die KI in die Breite tragen und eine große Entlastung für die IT oder das KI-Team. In der Realität kickt irgendwann der Alltag rein. Die Menschen haben weiterhin ihren eigentlichen Job. Die Zeit für KI-Aufgaben wird auf andere Projekte geschoben. Die Rolle bleibt unscharf . Es gibt viel Motivation, aber wenig klares Mandat. Und nach ein paar Monaten tragen oft nur noch wenige Personen wirklich dazu bei, dass die Organisation besser mit KI arbeitet. Das ist die KI-Champion-Illusion . Heute zeige ich dir, warum diese Rolle so oft versandet, was wir bei AI FIRST selbst daran lernen mussten und wie wir aus dem eher weichen Multiplikatoren-Modell ein deutlich klareres KI-Enabler-Modell gemacht haben. Los geht’s! Die Kluft zwischen Theorie und Wirklichkeit Vorab: Ich finde die Grundidee hinter KI-Champions weiterhin richtig. KI-Adoption lässt sich nicht rein zentral steuern. Ein kleines Projektteam kann keine 20 Fachbereiche gleichzeitig verstehen. Es kennt nicht jede wiederkehrende Aufgabe, jede informelle Abkürzung, jedes Datenproblem und jede kleine Reibung im Alltag. Zentralisierte Ansätze enden fast immer in selektiven Use Cases, die als Projekte gesteuert werden und viele Monate für die Umsetzung benötigen. Einer der größten Vorteile von ( generativer) KI ist jedoch, dass sie extrem niedrigschwellig zugänglich und gleichzeitig sehr wirkungsvoll ist. Ich bin der Meinung, dass wir dieses Potenzial allen Menschen im Unternehmen zugänglich machen müssen, damit Probleme selbstständig gelöst werden können. Das ist ein großer Veränderungsprozess, der nicht nur Jubelschreie erzeugt. Deshalb suchen viele Unternehmen Menschen in der Organisation, die nah an der Arbeit sitzen, Lust auf KI haben und die Technologie in die Breite tragen sollen. Soweit die Theorie. Nach außen wird dann meistens ungefähr diese Geschichte erzählt: Wir bauen eine große Community aus KI-Champions , AI Ambassadors oder Power Usern auf. Diese Menschen kommen aus unterschiedlichen Fachbereichen und bringen KI näher an echte Aufgaben. Sie bekommen zusätzliches Training, lernen die internen Tools besser kennen und sammeln erste Use Cases. Sie zeigen positive Beispiele in ihren Teams und nehmen anderen Mitarbeitenden die Scheu. Sie geben Feedback an das zentrale Projektteam und helfen dabei, KI-Adoption in die Breite zu bringen. Das klingt erstmal sehr plausibel und ist auch nicht falsch. Die besten Anwendungsfälle entstehen oft dort, wo Menschen ihre eigene Arbeit sehr gut kennen und gleichzeitig verstanden haben, was KI heute leisten kann . Genau deshalb braucht KI-Adoption dezentrale Multiplikatoren, die nah an echten Prozessen sitzen. Aber: Was hinter den Kulissen passiert, sieht oft so aus: Die Initiative startet mit viel Energie, weil KI neu ist und das Training direkt greifbare Ergebnisse erzeugt. Nach der Qualifizierung kommt der normale Arbeitsalltag zurück. Zeit für KI-Aufgaben wird auf Kundenprojekte, interne Deadlines oder operative Engpässe geschoben. Das Mandat bleibt unklar: Sollen Champions schulen, Use Cases sammeln, Lösungen bauen, Support leisten, Feedback geben oder Prozesse verändern? Führungskräfte unterstützen das Programm grundsätzlich, räumen aber nicht immer wirklich Zeit und Priorität frei. Die motivierte Gruppe versandet nach 3-6 Monaten allmählich und konkrete Ergebnisse bleiben aus. Das Problem sind selten die Menschen. Die Erwartung an diese Gruppen ist häufig zu groß und das Setup gleichzeitig zu weich . Nach außen steht dann eine starke Community-Folie und ein Teams-Kanal. In der Praxis tragen Menschen mit begrenzter Zeit, begrenzten technischen Möglichkeiten (keine Tools, kein Budget, kein IT-Support) und einem unklaren Auftrag plötzlich Erwartungen, die sie gar nicht erfüllen können. Für echte Adoption reicht das nicht. Das Ziel ist ja nicht, ein paar Power User noch besser zu machen. Das Ziel ist, dass KI in die Breite der Organisation kommt und dort konkrete Arbeit verändert . Was wir bei AI FIRST daraus gelernt haben Seit 2024 bauen wir als Teil unseres Enablement-Programms Communities aus KI-Multiplikatoren bei unseren Kunden auf und haben in dieser Zeit über 300 Multiplikatoren ausgebildet. Anfangs sind wir in diese Multiplikatoren-Programme einer Annahme gestartet, die ich heute deutlich differenzierter sehe. Unsere Logik war: Wenn wir die richtigen Menschen auswählen, intensiv trainieren und eng mit ihnen im Finden und Umsetzen der Use Cases zusammenarbeiten, entsteht daraus automatisch ein Hebel für die Organisation. Rückblickend war das etwas naiv . Im Sommer 2024 haben wir zum Beispiel eine KI-Gruppe aufgebaut, die wir damals noch KI-Champions genannt haben: 25 Personen in einem Unternehmen mit ungefähr 250 Mitarbeitenden. Eine Person hatte nach drei Monaten große Teile des eigenen Jobs automatisiert und viele wiederkehrende Aufgaben aus dem Team in Agenten und Workflows überführt. Diese Lösungen wurden anschließend nicht nur von der Person selbst genutzt, sondern vom ganzen Team. In nur drei Monaten konnte diese Person die Leistungsfähigkeit des gesamten Teams deutlich steigern . Genau das ist der Hebel, wenn Menschen ihre Prozesse und Probleme kennen, KI verstehen und anwenden können und motiviert in die Umsetzung gehen. Andere Kollegen in dieser Gruppe sind motiviert gestartet, hatten am ersten Training teilgenommen und sind danach kaum noch aufgetaucht, weil sie in andere Projekte gezogen wurden oder gemerkt haben, dass sie die Kapazität für die Rolle nicht haben. Dazwischen gab es alle möglichen Varianten. Der Unterschied in der Wirkung der Multiplikatoren kam nicht durch die Trainings (die waren alle gleich) oder die gefundenen Use Cases, sondern primär durch die Rückendeckung der Führungskraft . Im 1. Beispiel hatte die Führungskraft des Mitarbeiters einen Tag pro Woche für die KI-Aufgaben geblockt und die Ziele sehr explizit gemacht und nachgehalten. In anderen Beispielen, war genau das nicht der Fall. Der Unterschied in der Wirkung lag in den Rahmenbedingungen: Wie klar war die Rolle? Wie viel Zeit war wirklich verfügbar? Wie stark stand die Führungskraft dahinter? Und war überhaupt klar, woran man nach einigen Wochen erkennt, ob diese Rolle funktioniert? Über die nächsten Monate wurde die Gruppe kleiner. Es kamen weniger Menschen in die Termine, einige Use Cases liefen weiter, andere blieben liegen. Irgendwann mussten wir intervenieren und im Nachgang sehr ehrlich feststellen: Auf Führungsseite und auf Champion-Seite war zu wenig klar, welches Mandat diese Rolle eigentlich hat und wie sie im Alltag gelebt werden soll. Ich habe aus diesem Prozess meine Lehren gezogen. Eine Multiplikatorengruppe kann Aufmerksamkeit erzeugen. Sie kann Beispiele sichtbar machen. Sie kann den Einstieg erleichtern. Aber wenn KI-Adoption wirklich in den Arbeitsalltag kommen soll, reicht das nicht. Dann braucht die Rolle klare Aufgaben, verbindliche Zeit, Rückendeckung durch die Führungskraft und ein konkretes Ziel . Wie wir KI-Multiplikatoren heute aufsetzen Der erste sichtbare Schritt war tatsächlich der Name. Begriffe wie Champion, Ambassador oder Botschafter klingen positiv, bleiben aber unscharf. Ein Champion kann jemand sein, der begeistert ist. Ein Ambassador kann das Thema vertreten. Ein Power User kann das Tool sehr gut bedienen. Keiner dieser Begriffe sagt klar, welche Aufgabe diese Person im Arbeitsalltag übernimmt . Deshalb sprechen wir heute von KI-Enablern . Diese Menschen sollen andere befähigen . Sie sollen KI nicht nur selbst gut nutzen, sondern ihrem Bereich helfen, konkrete Probleme mit KI zu lösen. Dafür haben wir vier Dinge verändert. 1. Die Rolle braucht ein verbindliches Mandat. Heute braucht ein KI-Enabler bei uns ein klares Zeitbudget ( min. 4 Stunden / Woche ), das über einen Commitment Letter mit der Führungskraft freigegeben wird. Der Commitment Letter muss beidseitig unterschrieben werden. Genau dort entscheidet sich, ob die Rolle wirklich Priorität bekommt oder beim ersten operativen Engpass wieder verschwindet. Außerdem definieren wir ein klares Deliverables: 1 Quick Win pro Monat. Das kann ein Skill, Agent oder Workflow sein. Der Punkt ist nicht die technische Komplexität. Der Punkt ist, dass ein Output entsteht, der das Ergebnis des jeweiligen Teams verbessert. 2. Die Auswahl muss über Begeisterung hinausgehen. Früher haben wir Multiplikatoren meist basierend auf Interesse und Motivation ausgewählt. Heute ist Begeisterung nur ein Teil des Profils. Ein guter KI-Enabler muss nah an relevanten Aufgaben sitzen, digital stark arbeiten, Prozesse beschreiben können und genug Vertrauen im Team haben, damit andere mitgehen. Wir schauen deshalb auf persönliche und organisatorische Kriterien: Arbeitet die Person sicher mit digitalen Tools? Nutzt sie KI bereits oder bringt sie eine hohe Lernbereitschaft mit? Sitzt sie nah an wiederkehrenden Aufgaben mit echtem KI-Potenzial? Können ihre Use Cases später auch anderen helfen? Unterstützt die Führungskraft die Rolle sichtbar? Gibt es ein verbindliches Zeitbudget? Darf die Person Dinge testen, verändern und ins Team tragen? Eine Bewerbungsfrage finde ich besonders hilfreich: Welches konkrete Problem in deinem Team oder Fachbereich würdest du gerne mit KI lösen? An der Antwort merkt man sehr schnell, ob jemand ein gutes Gespür für die Produktivitätshebel im Team hat oder nur schneller E-Mails schreiben will. 3. Enabler benötigen Umsetzungskompetenz. Auch ein gut ausgewählter KI-Enabler funktioniert nicht automatisch. Die Rolle braucht umfassende Kompetenzen. Deshalb führen wir heute ein sechsstufiges Training durch: Grundlagen zu KI und LLMs Prompt & Kontext Engineering AI-First Routinen “KI nutzen, um KI besser zu nutzen” Skills aus SOPs erstellen Agenten mit Skills, Kontext und Tools arbeiten lassen Workflows aus Prozess-Schritten und Agenten aufbauen Danach lernen unsere KI-Enabler aus echter Arbeit gute Use Cases abzuleiten: Probleme erkennen Cases beschreiben Qualifizieren, bewerten, priorisieren Anschließend nutzen wir Hackathon-Formate , um die erarbeiteten Ideen in die Umsetzung zu bringen. Dort wenden die Enabler das Gelernte auf die gefundenen Cases an. Sie bauen erste Lösungen, testen sie an echter Arbeit und lernen, wie sie mit Feedback aus dem Team iterieren können. Aus einem Training wird dadurch sehr schnell ein Arbeitsmodus. Dieser Prozess erfordert 20-40 Stunden Zeitinvest pro KI-Enabler und erstreckt sich über 8 Wochen. Anschließend steht robuste KI-Kompetenz und mindestens ein relevanter Use Case pro Person. 4. Aus der Community muss ein Umsetzungssystem werden. Damit die Energie nicht nach dem 1. Hackathon wieder verpufft, braucht die Rolle einen klaren Prozess. Sonst landet man schnell wieder bei losen Ideen und spontanen Beispielen von den Power Usern, die das auch schon vorher eingebracht haben. Deshalb arbeiten wir heute mit einem zentralen Use-Case-Prozess : Ideen werden dokumentiert, qualifiziert und priorisiert. Quick Wins, die auf der internen KI-Plattform umgesetzt werden können (zB ein Skill für die Erstellung eines Berichts), werden dann gezielt an KI-Enabler mit einer definierten Timeline gegeben. Damit verändert sich der Arbeitsmodus der KI-Enabler von “wenn mich jemand was zu KI fragt, helfe ich gerne” zu: Wiederkehrende Aufgaben und Probleme identifizieren Use Cases so beschreiben, dass Ziel, Nutzer, Input, Ablauf, Output und Nutzen klar sind Prototypen aufsetzen und im Team teilen Feedback einsammeln und einarbeiten Learnings dokumentieren Neue Ideen und Hürden in ein gemeinsames Backlog zurückspielen Wichtig ist danach die Frequenz. KI-Enabler brauchen ein gemeinsames Update-Meeting mit dem verantwortlichen KI-Team, in dem Fortschritt, Hürden und nächste Cases besprochen werden. Der Anspruch ist nicht, einmal ein gutes Beispiel zu bauen und dann wieder im Alltag zu verschwinden. Jeden Monat soll mindestens ein weiterer Use Case in die Umsetzung kommen oder ein bestehender Case spürbar verbessert werden. Dieser Prozess muss natürlich von der IT unterstützt werden, wenn zB Schnittstellen freigegeben werden müssen oder technischer Support benötigt wird. Wer das Mandat explizit macht, die richtigen Leute findet, diese umfassend ausbildet und ein System für fortlaufende Umsetzung von Quick Wins und dem Feedback-Loop zu den Anwendern baut, wird echte Geschwindigkeit in die KI-Adoption bringen. Bei fortgeschritteneren Kunden erleben wir, dass sich die KI-Enabler Rolle mit der Zeit weiterentwickelt und stärker institutionalisiert wird. Ist der Mehrwert einmal bewiesen, können einzelne KI-Enabler auch in eine Vollzeit-Rolle wechseln, um die KI-Adoption des Fachbereichs zu beschleunigen. Fazit Die KI-Champion-Illusion entsteht, wenn Unternehmen eine wichtige Rolle zu weich aufsetzen . Die Idee dahinter bleibt richtig: KI-Adoption braucht Menschen in den Fachbereichen. Menschen, die Prozesse kennen, Beispiele bauen, Vertrauen schaffen und Feedback zurückspielen. Aber diese Menschen brauchen mehr als ein Label. Was du aus diesem Artikel mitnehmen kannst: Begeisterung ist ein guter Startpunkt, aber kein Mandat. Wer KI in den Fachbereich tragen soll, braucht Zeit, Rückhalt und klare Ziele. Die Erwartung muss fair bleiben. KI-Enabler können Umsetzung in ihrem Bereich ermöglichen, aber sie tragen nicht die gesamte Transformation allein. Kompetenzaufbau muss in Umsetzung führen. Training ist wichtig, aber erst durch echte Use Cases, Hackathon-Formate und Team-Feedback entsteht ein neuer Arbeitsmodus. Adoption entsteht durch ein System. Ideen dokumentieren, Use Cases qualifizieren, kleine Lösungen bauen, Ergebnisse zeigen, Feedback einholen, iterieren und dadurch jeden Monat den nächsten Case in die Umsetzung bringen. Wenn wir euch dabei unterstützen sollen, eine interne Gruppe aus KI-Enablern aufzubauen, antworte einfach auf diesen Newsletter. Im nächsten Teil des AI FIRST Adoption Playbooks geht es dann um das Alibi-Training und die Frage, wie wirksame KI-Kompetenz im Unternehmen aufgebaut wird. Bis nächsten Sonntag, Felix P.S. Ich hatte in den letzten Ausgaben eine falsche “reply to” Mail im Newsletter. Ab sofort gehen die Mails wieder durch und ich lese und beantworte jede einzelne davon!
## Das Zielbild für KI-Adoption
URL: https://ai-first.ai/insights/das-zielbild-fuer-ki-adoption
Kategorie: Adoption
Untertitel: Wie ein klares Zielbild verhindert, dass KI nur bestehende Arbeit schneller macht.
Herzlich Willkommen zu den AI FIRST Insights! Letzte Woche habe ich das AI FIRST Adoption Playbook gestartet. Im ersten Teil ging es um die fünf Todsünden der KI-Adoption . Heute schauen wir auf die erste davon : den Tool-Reflex . Die KI-Reise von Unternehmen startet viel zu oft mit drei Fragen: Welches Tool führen wir ein? Welche Richtlinie brauchen wir dafür? Und wie schulen wir die Mitarbeitenden auf dieses Tool? Gerade weil Schatten-KI , Datenschutz und Tool-Wildwuchs echte Probleme sind, sind das auch wichtige Fragen. Aber wenn KI-Adoption genau dort startet, ist der Rahmen schon gesetzt: KI wird wie eine klassische Software-Einführung behandelt und ist mit der Schulung beendet. Menschen nutzen KI dann vor allem, um ihre heutige Arbeit schneller zu erledigen: E-Mails schreiben Dokumente zusammenfassen Präsentationen vorbereiten Meetings strukturieren Das hilft im Alltag. Aber daraus entsteht noch nicht automatisch ein messbarer Beitrag zum Unternehmensergebnis . Der wahre Hebel entsteht, wenn wir Arbeit grundsätzlich neu verteilen : weg von Routine, hin zu Entscheidungen, Kundenwirkung und Wertschöpfung. Genau deshalb beginnt echte KI-Adoption für mich nicht mit der Tool-Auswahl, sondern mit einem Zielbild: Welche Organisation müssen wir werden, um das Potenzial von KI wirklich zu nutzen und im KI-Zeitalter vorne mitzuspielen? Darum geht es in diesem zweiten Teil: das Zielbild für die Organisation im KI-Zeitalter. Los geht’s! Warum der Tool-Reflex das Potenzial begrenzt Der Tool-Reflex begrenzt KI-Adoption, weil er die bestehende Arbeit als Ausgangspunkt nimmt. Wenn ein neues Tool eingeführt wird, lautet die erste Frage fast immer: Wie können wir die Aufgaben, die heute schon da sind, schneller oder einfacher erledigen? Dann wird ein Angebot schneller geschrieben, ein Meeting schneller vorbereitet oder ein Dokument schneller zusammengefasst. Das ist hilfreich, aber die Grundlogik bleibt gleich: Der Mensch macht weiterhin dieselbe Arbeit, nur mit besserem Werkzeug. Der größere Hebel liegt woanders . Wir müssen fragen, welche Aufgaben überhaupt noch beim Menschen liegen sollten , und was möglich wird, wenn wir die freigewordene Zeit von Menschen + KI-Unterstützung neu einsetzen. Der Tool-Reflex begrenzt deshalb nicht nur die Effizienz (weil nur alte Arbeit beschleunigt wird), sondern auch die Vorstellung davon, was eigentlich möglich wäre, wenn wir unsere Arbeit nochmal neu denken - AI-First :) Und genau darin liegt das Risiko von ganz vielen Initiativen, die die KI-Adoption hochtreiben sollen. Ein Unternehmen kann hohe KI-Nutzung haben und trotzdem keinerlei Einfluss auf das Unternehmensergebnis sehen. “Wir haben unternehmensweit 90% KI-Adoption ” sagt also erstmal noch gar nichts. KI-Adoption benötigt ein Zielbild KI-Adoption einen anderen Startpunkt als Tools, Richtlinien oder Schulungen. Für mich beginnt dieser Startpunkt mit einer sehr einfachen, aber oft erstaunlich schwer zu beantwortenden Frage: Wo wollen wir als Unternehmen überhaupt hin? Ich erlebe genau hier oft die erste Unschärfe . KI soll eingeführt werden, es gibt Budget, erste Tools und viel Interesse im Management. Aber wenn man fragt, auf welche strategischen Ziele KI eigentlich einzahlen soll, wird es schnell vage. Ich frage mich oft, ob überhaupt jemand im Unternehmen weiß, wo man in den nächsten 2-3 Jahren stehen will. Wenn ich nicht klar sagen kann, wohin sich das Unternehmen entwickeln soll , kann ich auch nicht sauber ableiten, welche Probleme oder Engpässe dafür gelöst werden müssen und wobei KI konkret helfen kann. Aus diesem Grund wird KI schnell zu einer Sammlung aus Tool-Demos, kleinteiligen Use Cases und allgemeinen Produktivitätsversprechen. Wir brauchen ein Zielbild , das folgende Fragen beantwortet: Wofür setzen wir KI ein? Wo kann KI für diese Ziele wirklich Hebel entwickeln? Wie muss sich unsere Organisation dafür verändern? Womit schaffen wir die nötigen Voraussetzungen? Woran merken wir, ob wir Fortschritt machen? Wofür machen wir das überhaupt? Welche drei Unternehmensziele sind in den nächsten 12 bis 24 Monaten wirklich entscheidend? Geht es um Wachstum, Profitabilität, Servicequalität, schnellere Produktentwicklung, bessere Kundenerfahrung oder darum, mit dem bestehenden Team deutlich mehr Wert zu schaffen? Diese Ziele müssen klar sein, bevor wir überhaupt anfangen über KI sprechen. Denn erst dann können wir sinnvoll fragen, welche Rolle KI dabei spielen kann: Hilft KI uns, schneller zu werden? Können wir bessere Entscheidungen treffen? Können wir Qualität erhöhen? Können wir bestehende Teams stärker hebeln? Werden neue Produkte oder Services möglich? Jede größere KI-Initiative muss einen klaren Bezug zu einem dieser Ziele haben. Wenn dieser Bezug fehlt, ist sie wahrscheinlich gerade nicht wichtig genug. Wo liegen unsere Hebel mit KI? Bevor wir diese Frage beantworten können, müssen die Fähigkeiten von Künstlicher Intelligenz verstanden werden. Generative KI kann sehr gut Text, Bild, Audio, Video und Code verarbeiten, während agentische KI großartig über mehrschrittige Prozesse und verteilte Systeme Aufgaben erledigen kann - dennoch sind diese Technologien nicht für jede Art von Problem die Lösung . Wenn wir die Fähigkeiten der Technologie kennen, können wir sie mit unserer Arbeit verbinden und Hebel identifizieren, die auf unsere strategischen Ziele einzahlen. In der Praxis unterscheide ich hier zwischen Breite und Tiefe . Breite bedeutet horizontale Produktivität. Jede Person, die am Bildschirm arbeitet, kann durch KI produktiver werden: bei Recherche, Dokumentation, Kommunikation, Analyse, Meeting-Vorbereitung oder Projektmanagement. Das ist häufig der erste große Hebel, weil er sehr viele Menschen erreicht. Tiefe bedeutet vertikale Automatisierung oder Qualitätsgewinne in den Bereichen, in denen strategisch das größte Potenzial liegt. Das kann Customer Support sein, Marketing, Vertrieb, Engineering, Produktentwicklung oder eine Weiterentwicklung des Kundenerlebnisses. Die größten Hebel liegen dort, wo eine konkrete Fähigkeit von KI direkt auf ein wichtiges Unternehmensziel einzahlt. In meiner Arbeit mit Kunden sind das aktuell die horizontale Produktivitätssteigerung , Automatisierung im Customer Support und Vertrieb , neue Fähigkeiten im Marketing nutzbar zu machen und die Produktivität von Entwicklern zu steigern. Wie müssen sich People, Processes und Products verändern? Wenn wir wissen, welche Ziele wichtig sind und welche KI-Hebel darauf einzahlen, müssen wir fragen: Wie muss sich unsere Organisation verändern, damit wir diese Hebel auch wirklich ziehen können? Ich schaue mir diese Veränderungen entlang der 3 P’s an, aus denen Unternehmen bestehen: People, Processes und Products . Bei People geht es um Fähigkeiten, Rollen und Organisationsstruktur. Welche (KI-)Kompetenzen brauchen Mitarbeitende? Welche Rollen werden wichtiger, zum Beispiel Data Engineers oder KI-Enabler? Welche Aufgaben verlieren an Bedeutung, weil KI sie besser, schneller oder günstiger übernehmen kann? Wie können wir diese freien Ressourcen besser einsetzen? Und wie verändert sich Führung, wenn Arbeit anders verteilt wird? Bei Processes geht es darum, dass Prozesse überhaupt erstmal definiert werden - schon daran mangelt es oft. Anschließend geht es darum, diese AI-First zu denken: Prüfen, wie ein Prozess aussehen würde, wenn KI von Anfang an eingebaut ist. Wo fallen Schnittstellen weg? Wo kann Kontext automatisch vorbereitet werden? Wo können Entscheidungen besser unterstützt werden? Wann entscheidet Mensch oder Maschine? Bei Products geht es um die Frage, wie sich Produkte, Services oder Kundenerlebnisse verändern. Können Angebote personalisierter werden? Kann Service schneller oder besser geliefert werden? Entstehen neue digitale Produkte, die ohne KI wirtschaftlich nicht möglich gewesen wären? Wichtig: Im Zielbild muss keine finale Version der Zukunft beschrieben werden. Wir wissen heute noch gar nicht, wo KI in 3 Monaten stehen wird und welche Auswirkungen das auf uns hat. Aber wir können sehr wohl ableiten, welche Funktionsbereiche von KI disruptiert werden, welche Arbeit kein Mensch mehr machen wird und inwiefern unser Geschäftsmodell von KI beeinflusst ist. Entlang der 3 P’s entscheidet sich, ob KI nur benutzt wird, um bestehendes zu beschleunigen oder ob KI zum unfairen Vorteil wird . Ein gutes Beispiel dafür ist Medvi : ein AI-First Unternehmen , das mit einem extrem kleinen Team ( 2 FTE + 8 Freelancer ) einen 1,8 Mrd. $ Umsatz erreicht, der mit traditionellen Organisationslogiken kaum erklärbar wäre. Womit ermöglichen wir diese Veränderung? Die Veränderung in den 3 P’s erfordert organisatorische Enabler. Ich teile sie in zwei große Bereiche ein: Daten und Technologie sowie Governance . Bei Daten und Technologie geht es um die Grundlage, auf der KI sinnvoll arbeiten kann: Zentrale KI-Plattform (als KI-Betriebssystem gedacht) Zugriff auf relevantes Wissen Saubere Daten, zugängliche Daten Passende Schnittstellen in Drittsysteme → Im Kern benötigt KI Zugriff auf alles, worauf wir Menschen Zugriff haben . Dann kann sie skaliert Arbeit ausführen. Bei Governance geht es um den Rahmen, in dem Menschen KI sicher und sinnvoll einsetzen können: Datenschutz & AI Act Compliance Risikomanagement Budget und Kostensteuerung Rollen und Verantwortlichkeiten Technologie und Governance sind nicht der Startpunkt . Sie sind Enabler für die notwendige organisatorische Transformation, um die Potenziale von KI im Unternehmen hebeln zu können und darüber die strategischen Ziele zu erreichen. Woran erkennen wir den Fortschritt? Viele Unternehmen messen KI-Adoption vor allem über Nutzung: Wie viele Lizenzen sind aktiv? Wie oft wird das Tool geöffnet? Wie viele Prompts werden geschrieben? Wie viele Agenten wurden gebaut? Diese Kennzahlen zeigen uns, ob die Organisation in Bewegung kommt und KI-Adoption Fahrt aufnimmt. Aber sie geben uns keinerlei Hinweis darauf, ob daraus Wert entsteht . Leading Indicators zeigen, ob die Veränderung läuft: Nutzung: Wie viele Mitarbeitende nutzen KI produktiv (Logins, Prompts, Agenten, …) Use-Case-Pipeline: Wie viele Ideen wurden aufgenommen, qualifiziert, priorisiert? Use Cases live: Wie viele Anwendungen sind produktiv im Einsatz? KI-Kompetenz: Wie viele Menschen haben welche Schulungen absolviert? KI-Enabler / Multiplikatoren: Gibt es Menschen, die das Thema in die Bereiche tragen? Lagging Indicators zeigen, ob KI Wirkung erzeugt: Zeitersparnis pro Mitarbeiter Umsatz/Ergebnis pro Mitarbeiter Kosten-Reduktion in Prozessen Kosten-Reduktion externer Dienstleister Umsatz aus KI-basierten Angeboten Kunden- / Mitarbeiterzufriedenheit Stellen , die nicht (nach)-besetzt werden Leading Indicators sind einfacher zu messen, weil sie Aktivität sichtbar machen . Die eigentliche Wirkung sieht man später: in Zeitersparnis, Kostenreduktion, Umsatz, Qualität oder Kundenzufriedenheit. Genau deshalb braucht es beides . Sonst optimieren wir am Ende Nutzung, ohne zu wissen, ob KI wirklich Wert schafft. Unterm Strich verbindet ein gutes Zielbild die Strategie, KI-Hebel, organisatorische Veränderung, Enabler und Messung. Wir wollen damit verhindern, dass KI-Adoption bei Tools, Trainings und einzelnen Use Cases stehen bleibt. Was zum Fundament für KI-Adoption dazugehört Ein Zielbild ist der wichtigste Startpunkt, aber damit KI-Adoption wirklich in die Umsetzung kommt, braucht es ein paar robuste Grundlagen . Management-Priorität: Die Geschäftsführung muss KI sichtbar priorisieren, das Warum erklären und klare Erwartungen setzen, sonst wird das Thema fast automatisch zum IT-Projekt. Klare Verantwortung: Ein AI-Lead sollte das Thema zentral steuern, die Fachbereiche einbinden und dafür sorgen, dass aus Priorität auch Umsetzung wird. Zentrale KI-Plattform: Mitarbeitende brauchen eine sichere, freigegebene Arbeitsumgebung, damit KI nicht im Tool-Wildwuchs oder in Schatten-KI endet. Klare Spielregeln: Eine gute KI-Richtlinie schafft Orientierung, was erlaubt, prüfpflichtig oder ausgeschlossen ist, ohne Menschen durch Verbote zu lähmen. Use-Case-Prozess: Es muss klar sein, wo Ideen reinkommen, wie sie bewertet werden und wie daraus echte Anwendungen, Skills, Agenten oder Workflows entstehen. Das ist für mich das Fundament für erfolgreiche KI-Adoption: genug Struktur , damit KI nicht bei Inspiration und endlosen Experimenten stehen bleibt, sondern in echte Umsetzung kommt. Die wichtigste Frage: Was ist für die Menschen drin? Neben allen Ambitionen, Potenzialen und organisatorischen Veränderungen gibt es eine ganz einfache Frage, die von Unternehmen zum Start ihrer KI-Reise viel zu oft nicht klar beantwortet wird: Was bedeutet das eigentlich für mich? Ich glaube, viele Unternehmen unterschätzen diesen Punkt massiv . Auf der Oberfläche sprechen alle über Produktivität, Effizienz, bessere Tools und neue Möglichkeiten. Aber am Ende muss das alles von Menschen umgesetzt und genutzt werden werden. Und jeder der am PC arbeitet, kann recht schnell 1 und 1 zusammenzählen. Wenn KI E-Mails schreibt, Dokumente zusammenfasst, Analysen vorbereitet, Kundenanfragen beantwortet oder Prozesse automatisiert, dann liegt die Schlussfolgerung nahe: Ein Teil der Aufgaben, die heute bei mir liegen, wird in Zukunft nicht mehr in dieser Form gebraucht. Das heißt nicht automatisch, dass ich nicht mehr gebraucht werde. Aber es muss beantwortet werden, was mit der frei werdenden Zeit passiert . Entsteht dadurch Raum für bessere Kundenarbeit? Für persönliche Weiterentwicklung? Für anspruchsvollere Aufgaben? Für mehr Qualität? Für neue Rollen? Oder geht es am Ende einfach nur darum, in derselben Zeit mehr Output zu erzeugen? Es gibt darauf keine allgemeingültige Antwort. Jedes Unternehmen muss sich diese Frage frühzeitig stellen und sollte sie ehrlich beantworten , um Klarheit gegenüber Mitarbeitern zu schaffen. Wenn Menschen das Gefühl haben, dass sie sich durch KI vor allem selbst überflüssig machen und es keine attraktiven Anreize dafür gibt, wird echte KI-Adoption schwer . Dann nutzen sie vielleicht das Tool. Vielleicht schreiben sie auch ein paar Prompts. Aber sie werden nicht aktiv daran arbeiten, KI tief in ihre Arbeit und Prozesse einzubauen. Genau dort entsteht aber der messbare Beitrag zum Unternehmensergebnis. KI-Adoption funktioniert nicht, wenn Menschen nur verstehen, wie das Tool funktioniert. Sie müssen auch verstehen, warum es sich für sie lohnt , diesen Weg wirklich mitzugehen. Fazit Der Tool-Reflex ist so verführerisch, weil er konkrete Antworten liefert: Plattform, Richtlinie, Schulung. Aber genau dadurch startet KI-Adoption oft zu klein . Der wichtigste Schritt davor ist ein klares Zielbild : Welche Ziele verfolgen wir, welche KI-Hebel helfen dabei, was muss sich in People, Processes und Products verändern, welche Voraussetzungen brauchen wir dafür und woran messen wir Fortschritt? Wenn du gerade an KI in deinem Unternehmen arbeitest, nimm dir das Zielbild-Canvas und prüfe ehrlich, ob ihr die einzelnen Bausteine klar beantworten könnt: Wofür setzen wir KI ein? Wo liegen die größten KI-Hebel? Wie müssen sich People, Processes und Products verändern? Womit schaffen wir die nötigen Voraussetzungen? Woran messen wir, ob wirklich Wert entsteht? Im nächsten Teil des AI FIRST Adoption Playbooks geht es um die zweite Todsünde: das Alibi-Training . Die Hoffnung, dass ein 120-Minuten-eLearning ausreicht, um wirksame KI-Kompetenz aufzubauen. Bis nächsten Sonntag, Felix
## Die 5 Todsünden der KI-Adoption
URL: https://ai-first.ai/insights/die-5-todsuenden-der-ki-adoption
Kategorie: Adoption
Untertitel: Warum der Effekt von KI in Unternehmen verpufft - und wie es besser geht.
Herzlich Willkommen zu den AI FIRST Insights! Wenn wir unser Unternehmen so umbauen, dass KI darin möglichst gut arbeiten kann, muss KI als Betriebssystem für die Organisation konzipiert werden. KI wird mit den eigenen Prozessen, Daten, Regeln und Systemen verbunden. Genau daraus entsteht die Grundlage einer AI-First Organisation , die ihr Wachstum Schritt für Schritt vom Headcount entkoppelt . Aber all das bringt wenig, wenn Menschen am Ende nicht mit KI arbeiten. Oder nicht damit arbeiten wollen. Eine der größten Herausforderungen liegt deshalb gar nicht nur auf der technischen Ebene. Sie liegt in der Adoption der Technologie in der gesamten Organisation . Aus diesem Grund starte ich mit diesem Artikel eine neue Serie: das AI FIRST Adoption Playbook . In dieser Serie zeige ich die größten Todsünden der KI-Adoption, die wir in unserer Arbeit immer wieder sehen, und teile sehr umsetzbare taktische Best Practices aus über 100 Projekten: Wie erreichst du in Monaten 90%+ Nutzung/Tag mit 4 Std. Zeitersparnis/Woche ? Wie baust du KI-Kompetenzen auf, die Geschwindigkeit in die Umsetzung bringen? Wie verhinderst du, dass nach der ersten Euphorie nur ein paar Power-User übrig bleiben? Welche Strukturen brauchst du, damit KI nicht als Tool-Rollout endet, sondern zur neuen Arbeitsweise wird? Heute zeige ich dir die fünf Muster , an denen KI-Adoption in Unternehmen immer wieder scheitert, warum Mitarbeitende KI oft ganz anders erleben als Entscheider glauben und welches Bild wir stattdessen brauchen. In den nächsten Artikeln gehen wir dann Schritt für Schritt durch die Stellschrauben: Den Tool-Reflex verhindern Kompetenzaufbau statt Alibi-Training KI-Champions wirklich umsetzen lassen Die alte Use Case Denke reformieren Ein System zur Verstetigung schaffen Los geht’s! Vielleicht kennst du diese Szene Dein Unternehmen hat KI ganz oben auf die Agenda geschrieben. Zuerst entscheidet sich die IT für eine KI-Plattform . Die Entscheidung ist sinnvoll, weil vorher schon viele Mitarbeitende mit privaten Tools gearbeitet haben. Die IT möchte Schatten-KI reduzieren, Datenschutz sauber regeln und endlich einen Standard schaffen. Dann startet der Rollout. Die Lizenzen werden verteilt. Es gibt eine Richtlinie, ein paar interne Ankündigungen und ein oder zwei Online-Schulungen. Die Mitarbeitenden sollen lernen, wie das Tool funktioniert, wie man Prompts schreibt und welche Features sie ausprobieren können. Danach werden ein paar besonders motivierte Menschen identifiziert. Sie heißen dann KI-Champions , Power-User , AI Ambassadors oder Botschafter. Diese Gruppe bekommt etwas mehr Training und soll die Nutzung in den Bereichen vorantreiben. Manchmal gibt es noch Use-Case-Workshops . Dann werden ganz viele Post-Its mit Ideen gesammelt, auf einer Matrix kategorisiert und in einer Excel dokumentiert. Am Anfang fühlt sich das alles gut an. KI ist neu, viele sind neugierig, die ersten Demos beeindrucken fast immer. Doch 6 Monate die Linie runter, verpuffen die meisten dieser Effekte . Die Lücke zwischen dem, was technisch möglich ist, und dem was davon in Unternehmen ankommt, ist gigantisch . Fast genau so groß , wie die Lücke in den Köpfen. Während Entscheider über Produktivität, Effizienz und neue Möglichkeiten sprechen, passiert bei vielen Mitarbeitenden etwas anderes. Sie fragen sich: “Was bringt mir das eigentlich?” Wenn ich 40 Stunden pro Woche mit Arbeit verbringe und plötzlich erlebe, dass eine Technologie Teile davon schneller oder besser erledigen kann, entstehen sehr konkrete Fragen: Was heißt das für meinen Job? Muss ich in der gleichen Zeit einfach noch mehr leisten? Was passiert, wenn ich das nicht schnell genug verstehe? Was bleibt von meiner Rolle übrig, wenn q Aufgaben wirklich wegfallen? Die übliche Beruhigung lautet dann: KI nimmt euch repetitive Aufgaben ab. Das klingt erstmal gut. Aber viele Menschen haben nun mal repetitive Aufgaben. Wenn genau diese Aufgaben wegfallen, ist die Anschlussfrage nicht technisch, sondern persönlich: Was passiert mit der frei werdenden Zeit? Wird meine Arbeit besser? Oder werde ich nur schneller vergleichbar? Wenn wir diese Frage nicht ehrlich beantworten, stellen wir den Menschen im Grunde ein Tool vor die Füße und wundern uns, dass es niemand tief nutzt. Am Ende bleiben 5% Power User , die KI auch schon vorher genutzt haben. Der restliche Effekt verpufft. Diese Umfrage von BCG und der Columbia Business School mit 1.400 Teilnehmern zeigt die Lücke zwischen Selbst- und Fremdwahrnehmung in der KI-Adoption sehr schön: Die größte Erkenntnis aus 3 Jahren KI-Transformation in dutzenden Unternehmen ist, dass es nie am Tool scheitert, sondern immer am Menschen : an Angst, Anreizen, Identität, Kompetenz, Führung und Gewohnheiten. Technologie kann Möglichkeiten schaffen, aber Wirkung entsteht erst, wenn Menschen ein neues Warum verstehen, ein neues Wie lernen und im Alltag ein neues Verhalten leben . Wenn wir KI-Transformation nicht als große Führungsaufgabe begreifen und priorisieren , werden die tollsten Tools, Workshops, KI-Trainings oder Power User Demos keinerlei Effekt haben. Die fünf Todsünden der KI-Adoption KI-Adoption bezeichnet den Prozess, bei dem Unternehmen oder Individuen künstliche Intelligenz in ihre bestehenden Arbeitsabläufe, Produkte, Dienstleistungen oder Geschäftsprozesse integrieren und aktiv nutzen. Niemand hat zuvor eine Organisation mit KI transformiert und wir alle lernen im gleichen Moment. In diesem Prozess bin ich in der Verganhenheit selbst in Fallen getappt, die KI-Adoption im Keim ersticken. Diese 5 Todsünden vermeide ich heute: 1. Der Tool-Reflex KI-Adoption wird meist wie ein Software-Rollout gedacht. Plattform auswählen, Lizenzen verteilen, Schulung planen, Richtlinie schreiben, User onboarden, Ticket-System einrichten, Community etablieren und Power User installieren. Danach kommt dann die Nutzung. Irgendwann muss die Frage nach der KI-Plattform auch beantwortet werden (mit irgendeinem Tool müssen wir ja schließlich arbeiten), aber nicht am Anfang. KI verändert nicht nur, womit Menschen arbeiten. KI verändert, wie Arbeit gedacht, verteilt, geprüft und verbessert wird . KI verändert, wie Arbeit erledigt wird, wie Wert zum Kunden gelangt und wie Organisationen atmen. Statt einer Tool-Auswahl benötigen wir ein Zielbild , das von der Unternehmensstrategie abgeleitet ist und den neuen Zustand der Organisation nach der KI-Adoption aufzeigt. 2. Das Alibi-Training KI-Adoption erfordert KI-Kompetenz . KI-Kompetenz entsteht durch Training . Das typische KI-Training ist schnell erklärt: ein bisschen Prompting , Features der KI-Plattform vorstellen, ein paar Beispielaufgaben. Was sich nach Kompetenzaufbau anfühlt, ist aber oft nur Vertrautheit mit einem Tool. Ich nenne das “ Alibi-Training ”: Man hat’s gemacht, Haken dran. Bringt aber nichts. Statt Prompts zu schreiben oder Knöpfe in KI-Tools zu bedienen, müssen Menschen lernen, neu zu arbeiten - und zwar AI-First . 3. Die Champion-Illusion KI-Champions sind eine der größten Illusionen, die ich im Rahmen der KI-Adoption erlebe. Zumindest wenn sie so aufgesetzt sind: Einfache Bewerbung a la “Wer hat Lust?” Noch schlechter: Ausgewählt von der Führungskraft Kein Zeitbudget für die Rolle, das konsequent freigehalten wird Kein klares Mandat mit Zielen / Deliverables, die nachgehalten werden Kein fester Arbeitsrhythmus mit dem jeweiligen Team und KI-Steering KI-Champions sollen KI in ihre Teams tragen, den Veränderungsprozess positiv beeinflussen, Wissensträger sein und helfen, die KI-Adoption zu steigern. In der Realität ist das meist ein “ on-top-Job ”, ohne klare Ziele oder Steuerung. Nach motiviertem Start verpufft die Wirkung dieser Rolle und 3 Monate später weiß niemand mehr, wer nochmal die KI-Champions waren. Wenn Champions funktionieren sollen, brauchen sie ein Setup wie ein kleines Produktteam : Auftrag, Zeitbudget, messbare Outcomes - und die Erlaubnis, Dinge wirklich zu ändern. 4. Die alte Use-Case-Denke Der größte Vorteil von KI ist, dass sie extrem niedrigschwellig nutzbar ( natürliche Sprache ) und gleichzeitig extrem wirkungsvoll ist. Wer einmal die Fähigkeiten von KI verstanden hat, seine eigenen Probleme kennt und dafür eine Anweisung an eine KI formulieren kann, wird viele Probleme selbstständig lösen können. Dieser Vorteil wird oft durch veraltete, träge Use-Case-Prozesse erstickt, wo Mitarbeiter ihre Ideen einreichen müssen, die dann langwierig bewertet, priorisiert und pilotiert werden. Das gibt Kontrolle und Sicherheit, produziert auch einzelne Leuchttürme, aber selten unterstützt das die breite KI-Adoption. Jedes Unternehmen hat hunderte bis tausende KI Use Cases . Die Aufgabe muss sein, dass die meisten dieser Cases aus dem Team heraus selbstständig umgesetzt werden können - statt zentral in der IT zu verstauben. 5. Die Rollout-Endstation Weil KI-Adoption so oft mit KI-Einführung aka KI-Plattform-Einführung verwechselt wird, gilt sie ab einem bestimmten Zeitpunkt als erledigt und Unternehmen schalten in den Verwaltungsmodus: Monatliches Feature Update Tickets werden abgearbeitet User werden on- und offboarded Parallel entwickelt sich KI immer weiter. Was die meisten Menschen unter KI verstehen, ist 12 - 18 Monate alt . Seitdem ist KI ein ganz anderes Tierchen geworden. Wenn kein System zur Verstetigung vorhanden ist, bleibt die Organisation in der KI-Adoption stehen. Nach dem Tool-Rollout fängt die Arbeit erst an: Führung, die es vorlebt, Teams, die Routinen entwickeln, Feedback-Schleifen, die Standards verbessern, Messung, die zeigt, ob es wirklich passiert. Wie es anders geht Wenn KI-Adoption funktioniert, ist KI Teil der Arbeitsweise jedes Menschen im Unternehmen und wird in allen Prozessen mitgedacht. In unseren Enablement-Programmen sehen wir nach drei Monaten bis zu 95 Prozent tägliche Nutzungsrate und ungefähr vier Stunden Zeitersparnis pro Woche durch horizontale PC-Aufgaben wie Recherche, Dokumentation, Kommunikation, Projektmanagement, Analyse und Vorbereitung. Dafür müssen sich die Leitfragen ändern: Welche Arbeit soll sich durch KI verändern? Welche Kompetenzen brauchen Menschen dafür? Wer hat das Mandat, neue Arbeitsweisen im Team umzusetzen? Welche Routinen halten die Nutzung dauerhaft lebendig? KI-Adoption ist damit kein IT-Projekt, sondern ein System für Verhaltensänderung . Aus meiner Sicht braucht es dafür fünf Stellschrauben: Fundament: Ein Zielbild für die Organisation im KI-Zeitalter, klare Spielregeln und eine Plattform, die Sicherheit gibt. Kompetenz: Kein Alibi-Training , sondern ein Kompetenzaufbau, der Menschen befähigt, Arbeit neu zu denken. Multiplikation: KI-Enabler mit Mandat, Zeit und Werkzeugen statt Champions ohne Auftrag. Momentum: Formate, in denen Teams echte Lösungen bauen und nicht nur über Use Cases sprechen. Verstetigung: Routinen, Messung und Lernschleifen, die KI-Nutzung dauerhaft in der Organisation halten. Das ist die Logik hinter dem AI FIRST Adoption Playbook . In den nächsten Artikeln drehen wir jede Todsünde in eine konkrete Stellschraube: vom Zielbild über Kompetenzaufbau und KI-Enabler bis hin zu Momentum-Formaten und Verstetigung im Alltag. Fazit KI-Adoption ist eine der größten unternehmerischen Aufgaben unserer Zeit . Wir müssen die Lücke zwischen dem schließen , was technisch möglich ist und dem, was unsere Unternehmen brauchen. Was du aus diesem Artikel mitnehmen kannst: KI ist keine klassische Tool-Einführung. Wer sie so behandelt, bekommt am Ende ein paar Power-User und viel ungenutztes Potenzial. Mitarbeitende brauchen eine ehrliche Antwort auf die Menschenfrage. Was bedeutet KI für meinen Job, meine Rolle und meine Zukunft? Prompt-Trainings, Champions und Use-Case-Workshops reichen nicht , wenn sie nicht in ein klares Adoptionssystem eingebettet sind. Die besten Programme bauen ein Schwungrad: Fundament, Kompetenz, Multiplikation, Momentum und Verstetigung greifen ineinander. Wenn du in deinem Unternehmen gerade an KI arbeitest, nimm dir 20 Minuten mit deinem Führungsteam und beantwortet nur eine Frage: Rollt ihr gerade ein Tool aus oder baut ihr wirklich ein System, das die Arbeitsweise eurer Organisation verändert? Bis nächsten Sonntag, Felix
## Skill für deinen Tages-Shutdown mit KI
URL: https://ai-first.ai/insights/tages-shutdown-skill-fuer-ki
Kategorie: Lab
Untertitel: Offene Tabs schließen und mit Fokus in den Tag starten
Herzlich Willkommen zu den AI FIRST Insights! In den letzten 3 Monaten haben wir unser KI-Betriebssystem mit dem Anspruch aufgesetzt, dass KI einen immer größeren Anteil der anfallenden Arbeit unterstützen und uns maximal viel Zeit zurückgeben kann. Heute möchte ich Dir einen Skill zeigen, den ich für meine persönliche Tages-Shutdown-Routine aufgesetzt habe und jeden Abend durchführe. Am Ende kannst du den Skill für Dich kopieren, anpassen und jeden Abend deine offenen Tabs mit KI-Support schließen. Los geht’s! Wie funktioniert der Tages-Shutdown? Mit dem Tages-Shutdown-Skill unterstützt mich unser OS-Agent beim Schließen aller offenen Tabs und der Vorbereitung des nächsten Tages. Jeden Abend schreibe ich “Tages-Shutdown” und in 15–20 Minuten gehen wir gemeinsam durch drei Funktionen, die mir viele Kopfschmerzen ersparen. Ausführung des Skills im Chat 1. Heute aufräumen. Der Agent zieht sich alle Aufgaben, die heute fällig waren und noch offen sind, und geht jede einzeln mit mir durch: erledigt, verschoben, geparkt oder gestrichen ? Ich entscheide pro Aufgabe, was passieren soll und der Agent führt die entsprechenden Skills direkt aus, um die Aufgaben abzuhaken. Am Ende habe ich keine offenen “Heute-Tasks” mehr und kein „das mach ich morgen früh"-Schuldgefühl, das mit in den Feierabend rutscht. 2. Morgen priorisieren. Aus geplanten Tasks, Kalender, CRM-Pipeline und E-Mails leitet der Agent genau drei Top-Prioritäten (TOPs) für morgen ab. Mit einem Einfluss-Ranking (zB Umsatz vor Strategie vor reaktiver Pflicht) und Zeitslot. Der Agent kennt meine Energiekurve und plant die Aufgaben dementsprechend ein. Zum Beispiel findet Deep Work in den ersten 90 Minuten statt, Calls und Admin folgen am Nachmittag. 3. TOPs vorbereiten. Pro TOP fragt sich der Agent, welcher Skill aus meiner Skill-Bibliothek den TOP vorbereiten kann: Brauche ich morgen einen Angebots-Draft? Der Skill „ Angebot erstellen " wird heute Abend ausgeführt, der Draft liegt zur Review bereit. Eine Präsentation, die erstellt werden muss? Skill läuft, Draft liegt morgens da. Recherche zu einem strategischen Thema? Dann baut der Agent mir Briefing mit den Erkenntnissen, Quellen, Szenarien und Handlungsempfehlungen . Am Ende bekomme ich eine kompakte Zusammenfassung mit der Dokumentation des Tages und Vorbereitung für den kommenden Tag. Was bringt mir das? Ich starte den Tag nicht von Null: für jeden TOP liegt morgens Material bereit , und im Idealfall kann ich meine wichtigsten Aufgaben direkt erledigen. Mein Kopf ist abends frei: was sortiert ist, schwirrt nicht mehr nachts im Kopf weiter . Compound-Effekt: der OS-Agent erkennt wiederkehrende Aufgaben oder Muster (siehe Screenshot oben) und erstellt daraus neue Skills. So wird das System immer besser. Skill-Setup Das komplette Skill-Template findest du hier: Tages-Shutdown-Skill . Du kannst es als Markdown kopieren und als neuen Skill in die KI-Plattform deiner Wahl einsetzen. Gibt es noch keine (gute) Skill-Funktion in deinem Tool, kannst du auch einen eigenen Agent dafür aufsetzen. Um die Skill-Erstellung zu vereinfachen, kannst du einfach das Template kopieren und mit dem Befehl “Erstelle diesen Skill für mich indem du mir alle Fragen stellst, um die Informationen zu erhalten, die du dafür benötigst: [Template einfügen]” . Damit der Skill bei dir läuft, brauchst du drei Dinge. 1. Platzhalter ersetzen. Im Template stehen Platzhalter wie [USER_NAME] , [TASK_TOOL] , [KALENDER_TOOL] oder [IMPACT_PRIO_1] . Geh einmal durch und trage deine Realität ein: dein Name, dein Aufgaben-Tool ( Notion, Asana, Todoist, ClickUp, Linear, Things — egal welches), dein Kalender, dein CRM, deine Prioritäts-Logik. Eine Tabelle im Template führt dich durch alle Felder. Solltest du einen Input nicht benötigen, dann lösche einfach den jeweiligen Platzhalter. 2. Tools anbinden. Pflicht ist Lese- und Schreibzugriff auf dein Aufgaben-Tool, da sonst das aktive Aufräumen nicht funktioniert, weil der Agent Status nicht ändern und Datum nicht verschieben kann. Lesezugriff auf den Kalender ist ebenfalls wichtig. Je mehr zusätzliche Datenquellen du anbindest, desto mehr Kontext kann der Agent mit dem Skill ziehen und einen größeren Aufgabenbereich für dich umsetzen. 3. Freigabe-Regeln definieren. Leg fest, was der Agent autonom ausspielen darf (interne Notizen, eigene Briefings, Recherchen) und was du reviewst (externe Mails, Content-Drafts, Angebote, alles markenrelevante). Diese Regel steht im Template unter [FREIGABE_REGELN] — eine Stelle, die sich wirklich lohnt, sauber zu beantworten. Als Inspiration kannst du dafür unser Governance Handbuch adaptieren. Weitere Tipps: Verwende ein Reasoning Modell wie GPT 5.4 oder Opus 4.6 - oder besser 🙂 Gib dem Agent nach der Skill-Ausführung Feedback mit dem Anhang “integriere das Feedback in den Skill” - so wird der Skill mit jeder Runde etwas besser Du musst nicht direkt alle Datenquellen und Tools anschließen. Starte lieber klein und füge dann weitere Quellen hinzu, wenn sie dir fehlen. Fazit Im AI-First-Prinzip versuchen wir, KI für möglichst viele Routinen wertstiftend einzusetzen. Nicht nur, um einzelne Aufgaben effizienter zu erledigen, sondern auch, um Verhaltensmuster zu fördern, die uns den Tag und den Kopf strukturieren . Der Tages-Shutdown ist genau so eine Routine: Am Ende des Tages stehen alle offenen Punkte sortiert, die Prioritäten für morgen sind gesetzt und im besten Fall schon vorbereitet. So kann ich mit der verfügbaren Zeit mehr erreichen und trage gleichzeitig weniger mentale Last mit mir herum. Was du aus diesem Newsletter mitnehmen kannst: KI kann nicht nur einzelne Aufgaben übernehmen, sondern auch Routinen verankern , die deinen Arbeitsalltag strukturieren . Der Tages-Shutdown schließt den Tag aktiv ab und bereitet den nächsten vor: keine offenen Tabs im Kopf, kein Kaltstart am Morgen . Vorbereitete Prioritäten schlagen leere Aufgabenlisten: du startest mit Material in der Hand und kommst direkt in die Umsetzung. Der Skill ist plattformneutral: egal welches Tool du nutzt , die Logik bleibt die gleiche. Wenn du den Skill aufsetzt, schreib mir gerne eine Antwort auf diese Mail, wie es bei dir läuft. Vor allem, wo der Agent dich überrascht hat oder wo du nachschärfen musstest. Damit kann ich das Template und unser Setup weiter verbessern. Mein Ziel mit den Insights ist, dir Bausteine in die Hand zu geben, die du direkt heute Abend einsetzen kannst . Wenn dieser Skill bei dir landet, hat der Artikel seinen Job gemacht. Bis nächsten Sonntag, Felix
## Eure Fragen zum KI-Betriebssystem
URL: https://ai-first.ai/insights/eure-fragen-zum-ki-betriebssystem
Kategorie: Adoption
Untertitel: Wir schließen die Serie zum KI-Betriebssystem mit meinen Antworten zu euren 6 meistgestellten Fragen.
Herzlich Willkommen zu den AI FIRST Insights! Vor ein paar Tagen habe ich euch hier und auf LinkedIn gefragt, welche Fragen zum KI-Betriebssystem nach den letzten sieben Ausgaben noch offen sind. Die Antworten kamen zahlreich und zeigen gut, wo die Serie noch Lücken gelassen hat. In diesem Newsletter beantworte ich sechs Fragen , die ich in der ein oder anderen Form immer wieder gelesen habe. Mit dieser Ausgabe schließe ich die Betriebssystem-Serie vorerst ab. Wie es danach weitergeht, verrate ich im Fazit. Los geht's! “Warum der Wechsel von 25 Agenten zu KI als Betriebssystem?” Der Auslöser war die Veröffentlichung von Claude Opus 4.6 am 5. Februar . Mit diesem Modell hat KI eine Qualität an agentischen Fähigkeiten bekommen, die es vorher in der Form nicht gab: mehrschrittiges Arbeiten über lange Zeiträume hinweg, präzises Tool-Use, eigenständige Fehlerkorrektur . Das hat uns dazu gebracht, eine grundsätzliche Frage zu stellen: Wie muss sich unsere Art und Weise ändern, wir wir KI nutzen, wenn das Modell selbst nicht mehr der Flaschenhals ist? Um eine ehrliche Antwort darauf zu bekommen, haben wir ein Experiment gemacht. Wir haben einem einzigen Agenten Zugriff auf alles gegeben , was bei uns vorher auf viele spezialisierte Agenten verteilt war: sämtliche Anweisungen, alle Daten, alle Tools. Dann haben wir beobachtet, was passiert. Das Ergebnis war eindeutig. Dieser eine Agent hat die Aufgaben erledigt, für die wir vorher zehn spezialisierte Agenten gebaut hatten. Er hat sich aus den vorhandenen Bausteinen jeweils genau das zusammengesucht, was er für die konkrete Aufgabe brauchte, und zwar ohne manuelles Routing, ohne hart verdrahtete Workflows und ohne Übergaben zwischen Agenten . Meine Erkenntnis daraus war, dass es nicht mehr darum geht, möglichst viele spezialisierte Agenten zu bauen und sie wie ein kleines Team zu führen. KI kann sich selbst so konfigurieren , wie eine Aufgabe es verlangt, solange sie Zugriff auf alles hat, worauf wir Menschen auch Zugriff haben . Daraus ergab sich die logische Folge. Wenn KI so arbeiten kann, dann müssen wir unser Unternehmen so umbauen , dass sie darin möglichst gut arbeiten kann. Wir haben uns noch einmal grundsätzlich gefragt, ob „KI als Mitarbeiter" oder „KI als viele einzelne Agenten und Workflows" überhaupt noch die richtige Denke ist… und sind zu der Überzeugung gekommen, dass KI als Betriebssystem in unserer Firma integriert sein muss . Daraus haben wir die 5 Bausteine abgeleitet , die ich in den letzten Wochen vorgestellt habe. Wir haben uns angeschaut, wie die großen AI-Labs, allen voran Anthropic , ihre eigenen Produkte weiterentwickeln. Skills, Kontext, Agenten-Pipelines, Governance und Feedback-Schleifen tauchen in einer ähnlichen Logik auch bei den Modell-Anbietern auf, und wir haben sie für unseren Unternehmenskontext adaptiert. “Auf welchem Tech-Stack kann ich ein KI-Betriebssystem aufbauen?” Es gibt 5 Bausteine , die du abdecken musst, egal mit welcher Plattform du arbeitest. Ich gehe sie der Reihe nach durch und schreibe jeweils dazu, welche Tools den Baustein heute schon nativ mitbringen. 1. Agent: Ausführungseinheiten auf dem System Der Agent konfiguriert sich für jede Aufgabe so, wie es zur Erledigung notwendig ist. Er nimmt Aufgaben entgegen, sucht sich den passenden Skill, lädt den nötigen Kontext und führt die Arbeit aus. Entscheidend dabei ist, dass die Anweisung des Agents konfigurierbar sein muss. Der Systemprompt mit Rolle im OS, Zugriffe auf Kontext und Tools ist das Herzstück. Ohne präzise Konfiguration wird selbst das beste Modell zum Generalisten ohne Tiefe. Zugriff auf ein leistungsfähiges Frontier-Modell wie Opus 4.6 oder besser ist ein MUSS. 2. Kontext: die zentrale Datenbasis. Das ist einer der wichtigsten Bausteine. Idealerweise ein System, in dem alle relevanten Daten zusammenfließen: erst einmal das Wissen des Unternehmens (Prozesse, Richtlinien, Kundendaten, Produkte), später auch operative Daten. Der eigentliche Sprung kommt, wenn der Agent nicht nur lesen, sondern auch in diese zentrale Basis zurückschreiben kann . Dann wird das System selbstpflegend. Das Wissen selbst kann in Notion, Confluence oder SharePoint liegen - entscheidend ist nicht das Tool, sondern dass der Agent strukturiert zugreifen und perspektivisch auch zurückschreiben kann. Außerdem sind Schnittstellen in Drittsysteme notwendig, aus denen Daten gezogen oder in die Daten geschrieben werden müssen (Mail, Kalender, CRM , …). 3. Skills: SOPs für Agenten. Skills sind die dokumentierten Fähigkeiten deiner Organisation. Sie beschreiben, wie eine Aufgabe auszuführen ist, inklusive Kontext, Regeln und Qualitätskriterien. Es gibt zwei Wege, das umzusetzen: als eingebaute Skill-Funktion einer Plattform ( Claude macht das gerade vor, auch Langdock geht in diese Richtung) oder als eigene Datenbank, in der Prozesse strukturiert hinterlegt sind und auf die der Agent zugreift. Bei uns liegen die Skills in Notion , weil dort auch das Wissen lebt. 4. Regeln: systemisch integriert. Governance kann als Dokument in der zentralen Datenbasis leben oder als Markdown-Datei, die der Agent bei jeder relevanten Ausführung mitliest. Entscheidend ist, dass Governance nicht nur nebenher läuft, sondern auch fest ins System eingebaut ist - zum Beispiel über Human-in-the-Loop Freigaben. 5. Feedback-Mechanismus. Das System muss lernen können. Bei uns ist das eine eigene Feedback-Datenbank, in die Learnings aus jeder Ausführung einfließen, gekoppelt an eine automatische Verbesserung der Skills. Dieser Baustein ist in den Plattformen noch am wenigsten reif. Wir haben ihn selbst gebaut, als Kombination aus Notion-Datenbank und einem Agenten, der die Einträge regelmäßig auswertet und in Skill-Updates übersetzt. Welche Plattformen decken das heute schon gut ab? Ein vollumfängliches und anpassbares KI-Betriebssystem kann meiner Meinung nach zum jetzigen Zeitpunkt nur in Notion und über Claude Code + Github-Repositories umgesetzt werden. In beiden Setups können alle Bausteine individuell konfiguriert und systemisch miteinander verbunden werden. Die KI sitzt außerdem direkt auf den Daten und kann diese einfach verarbeiten und die Datenbasis fortlaufend aktualisieren. Claude Code ist im Setup deutlich technischer und für größere, nicht-technische Teams ungeeignet. Da 99% der Unternehmen da draußen kein Claude Code oder Notion einführen werden, haben wir uns in den letzten Monaten viele Alternativen angeschaut und geprüft, wie sich unsere Logiken in bestehenden Systemen umsetzen lassen. Ein Weg, den wir aktuell mit vielen Kunden umsetzen, ist eine Kombination aus Langdock/Claude + externe Datenbanken und Tools . In Langdock/Claude lebt der OS-Agent, die Agenten-Pipeline, die Skills und Tool-Anbindungen. In Sharepoint/Confluence/Drive /… lebt der Kontext-Layer mit Wissen und Dokumentationen, das Governance-Handbuch, sowie die Feedback-Datenbank. In angebundenen Drittsystemen (CRM, ERP, PM, …) können Aktionen ausgeführt werden. Auch andere Anbieter wie nuwacom entwickeln ihre Plattform in die Richtung, um KI als Betriebssystem aufsetzen zu können. Ich bin mir ebenfalls sicher, dass auch Google und Microsoft in diese Richtung arbeiten, da sie bereits einen guten Zugang zu den Daten in ihrem Ökosystem haben. Besonders mit den Möglichkeiten im Copilot-Setup haben wir uns viel beschäftigt, sind aber zu keiner halbwegs zufrieden stellenden Lösung gekommen. “Sind die Tools nicht selbst schon das Betriebssystem?” Jein. KI als Betriebssystem zu denken ist eher ein Framework . Wir betrachten KI nicht mehr als Tool, das eine Funktion erfüllt, und auch nicht mehr als Mitarbeiter mit einer festen Rolle. Wir betrachten sie als die operative Grundlage unserer Arbeit . Die Tools auf denen wir dieses Framework umsetzen, geben zum Teil eine Struktur vor - Agenten, Skills, Integrationen. Wie diese Funktionen zusammenarbeiten und was sie ausführen, muss von uns kommen. Dafür benötigen wir einen Mindset-Shift : Das Unternehmen so umzubauen, dass KI darin möglichst gut arbeiten kann . Wir geben KI die Struktur, in der sie auf alles Zugriff hat, worauf auch wir Menschen Zugriff haben, damit sie einen Großteil unserer Arbeit selbst erledigen oder uns dabei stark unterstützen kann. Und genau diese Struktur setzen wir in den Bausteinen des Betriebssystems um ( Skills, Kontext, Regeln, Integrationen , …) Die Tools liefern die notwendigen Funktionen dafür. Die größte Wirkung entsteht aus den systemischen Designprinzipien , mit denen wir diese Funktionen zusammenbringen - Vernetzung, Synthese, Emergenz, Rückkopplung, Kausalität . Erst diese Prinzipien ermöglichen, dass die einzelnen Bausteine wirklich als System zusammenarbeiten und nicht nur nebeneinanderher laufen. Am Ende lebt das System von den Inhalten, die wir hineingeben, und von der Art, wie wir damit arbeiten. Auf die Anwendung kommt es viel mehr an als auf die Plattform . “Wie habt ihr das Wissen und die Prozesse ins System gebracht?” Wir sind das nicht über ein großes, klassisch aufgesetztes Dokumentationsprojekt angegangen, sondern in einer Sequenz, in der die KI selbst so viel wie möglich übernimmt . Unser Prozess sah grob so aus: Angefangen haben wir mit den Kontextprofilen . Jeder bei uns hat sich von der KI interviewen lassen, 60 Minuten , Block für Block. Daraus sind pro Person fünf Dokumente entstanden: Firmenprofil, Rollenprofil, Team-Kontext, Prioritäten und Kommunikationsstil . Das war der Grundstock, aus dem sich viele weitere Fragen ableiten ließen. Auf Basis dieser Profile lässt sich KI hervorragend nutzen, um zu destillieren, welche Aufgaben und Prozesse im Alltag tatsächlich anfallen. Wir haben das angereichert mit allem, was wir intern schon dokumentiert hatten, und bekamen so eine erste Landkarte der Prozesse im Unternehmen. Im nächsten Schritt haben wir für jeden relevanten Prozess Interviews geführt, wieder KI-gestützt. Das Ziel war, Prozesswissen und implizites Fachwissen aus den Köpfen zu holen und so maschinenlesbar aufzubereiten, dass die KI den Prozess danach eigenständig ausführen kann. Die maschinenlesbare Aufbereitung der Interviews hat ebenfalls eine KI gemacht. So ist Schritt-für-Schritt unsere Skill-Datenbank und die Kontext-Datenbank gewachsen. Heute ist das ein fortlaufender Prozess . Wissen verändert sich, Kontext verändert sich, Prozesse entwickeln sich weiter. All das muss laufend ins System zurückfließen. Eine einmalige Aufsatz-Arbeit, die man irgendwann als „fertig" markiert, gibt es hier nicht. Das System lebt nur, wenn es jeden Tag gepflegt und weitergedacht wird . Deshalb haben wir inzwischen auch eine feste Vollzeit-Rolle bei AI FIRST, die genau das macht - das Betriebssystem täglich weiterentwickeln. “Wie integriere ich das in einem größeren Team oder Unternehmen?” Wichtig ist zum Start, dass überhaupt die Infrastruktur vorhanden ist, um KI als Betriebssystem aufsetzen zu können. Es braucht also einen modernen KI- und Daten-Stack (siehe oben). Außerdem benötigen wir natürlich großen organisatorischen Support, denn jetzt beginnt ein Change-Prozess . Wenn diese Grundlage gegeben ist, gehen wir wie folgt vor: Auswahl eines Teams/einer Abteilung mit der höchsten Reife (Prozesse, Datenqualität, Veränderungsbereitschaft, digitales Know-How) KI-Kompetenzaufbau : Sicheren Umgang mit KI lernen und deren Fähigkeiten verstehen Kontext- und Prozess-Mapping : Überblick über die Prozesse und Datenquellen gewinnen Priorisierung der Kontext-Quellen und Prozesse, die in das Betriebssystem überführt werden sollen Schrittweise Erstellung von Skills und Anbindung der erforderlichen Kontext-Quellen Überführung vorhandener Agents in Skills, die vom OS-Agent ausgeführt werden können Fortlaufendes Monitoring der Feedbacks durch den Owner des KI-Betriebssystems Im Grunde genommen ist der Prozess nicht so viel anders, als wenn ich einen Fachbereich in der KI-Anwendung schule, dann Use Cases erarbeite, diese Use Cases umsetze und in die Anwendung im Alltag bringe. Nur dass wir jetzt einen systemischen Ansatz haben, durch den wir die Prozesse als Skills von KI ausführbar machen und immer mit dem notwendigen Kontext verbinden. So profitiert das gesamte Unternehmen von der Erweiterung des Betriebssystems. Der häufigste Fehler, den wir sehen, ist das die 100% Lösung von Beginn an gesucht wird. Unternehmen versuchen, das von einem Tag auf den anderen über alle Bereiche gleichzeitig auszurollen. Alle sollen auf einmal in die neue Logik kommen. Das ist massiv überfordernd, für die Menschen, für die IT und für die Governance, und endet in fast allen Fällen in Lähmung statt in Fortschritt. Besser ist es, klein anzufangen , die Wirkung im ersten Bereich zu zeigen, Vertrauen aufzubauen und von dort aus weiter auszurollen. “Was würdet ihr heute anders machen?” Einen Punkt ganz klar: viel, viel mehr Fokus auf Prozess- und Datenqualität . Alles explizit zu machen und für KI zugänglich zu machen, ist am Ende das A und O. Die Qualität des Systems wird genau dadurch entschieden, wie sauber die Prozesse dokumentiert sind , wie gut strukturiert der Kontext ist, wie aktuell die Daten sind. Das entscheidet am Ende zwischen einem Betriebssystem, das wirklich trägt, und einem, das nach drei Wochen wieder liegen bleibt, weil die Ergebnisse nicht konsistent genug sind. Wir haben am Anfang zu viel Energie in clevere Agenten-Logik und zu wenig in saubere Grundlagen gesteckt. Heute würde ich die Reihenfolge umdrehen und zuerst an Kontext, Prozessqualität und maschinenlesbarer Dokumentation arbeiten. Die agentische Logik setzt man am besten darauf und ist am Ende auch der leichte Teil. Eine weitere Herausforderung ist die eigene Verhaltensänderung . Wenn das System einmal greift, wird immer mehr Zeit freigesetzt, weil KI einen immer größeren Anteil der Arbeit beschleunigt oder direkt erledigt. Sich von den alten Arbeitsroutinen zu lösen und die gewonnene Zeit sinnvoll einzusetzen , ist leichter gesagt als getan. Auch ich ertappe mich täglich dabei, wie ich Dinge tue, die ich eigentlich nicht mehr tun muss. Fazit Abschließend möchte ich dir mitgeben, dass es nicht die eine Lösung oder den einen Weg gibt. KI als Betriebssystem zu denken und im Unternehmen umzusetzen, kann auf unterschiedliche Arten und Weisen gelingen. Unsere Logiken bieten ein gute Basis und können natürlich weiterentwickelt und angepasst werden. Parallel entwickeln sich sowohl die großen KI-Plattformen, als auch die Systeme in denen heute unsere Daten liegen, weiter. Was wir uns in den letzten Monaten aufwändig zusammengebaut haben, wir in Zukunft technisch eher einfacher werden. Die Technik wird jedoch nicht der Flaschenhals sein. Prozess-Verständnis, Daten-Qualität und der Veränderungsmuskel in der Organisation sind der Schlüssel zum Erfolg . Am Ende geht es immer um die Umsetzung. Die meisten Teams werden weiter mit KI-Tools hin- und her prompten oder versuchen ihre dutzenden KI-Agenten zu koordinieren. Nur ein kleiner Teil wird KI konsequent systemisch im Unternehmen verankern und darüber Produktivitätsvorteile sichern. Die Umsetzungs- und Anwendungsweltmeister werden gewinnen . Für die nächsten Wochen habe ich mir vorgenommen, ein paar handfeste KI-Routinen zu teilen, die ich mir in letzter Zeit angeeignet habe und einen Einblick in die erfolgreichsten Ansätze für KI-Adaption zu geben, die wir bei Kunden umgesetzt haben. Bleibt gespannt und bis nächsten Sonntag, Felix P.S. Im AI Collective bauen wir das KI-Betriebssystem gerade mit über 100 Führungskräften gemeinsam auf. Das Collective ist aktuell für neue Mitglieder geschlossen und wir nehmen zum 01. Juli max. 30 neue Teilnehmer auf, die ihr Unternehmen fit für das KI-Zeitalter machen wollen. Wenn Du dabei sein willst, trage dich hier auf der Warteliste ein .
## Die Lernschleife im KI-Betriebssystem
URL: https://ai-first.ai/insights/die-lernschleife-im-ki-betriebssystem
Kategorie: Adoption
Untertitel: Wie sich dein KI-Betriebssystem selbst verbessert
Herzlich Willkommen zu den AI FIRST Insights! Dies ist der letzte Teil der Serie über die Bausteine unseres KI-Betriebssystems und wie wir diese Bausteine designed haben. Die bisherigen Artikel findest Du hier: Agenten : Die Ausführungseinheit auf dem Betriebssystem Skills (Prozesse): Alles, was unsere Organisation kann Kontext (Daten): Alles, was unsere Organisation weiß Governance (Regeln): Alle Regeln, die für KI gelten Heute kommt der letzte Baustein : die Lernschleife. Ich zeige Dir, wie wir dafür gesorgt haben, dass unser KI-Betriebssystem mit jeder Ausführung besser wird . Los geht's! Warum KI-Systeme aufhören zu lernen Bevor wir das Betriebssystem gebaut haben, hatten wir 25 spezialisierte KI-Agenten . Jeder konnte bestimmte Aufgaben erledigen. Und jeder hatte dasselbe Problem : Er wurde nur besser, wenn wir aktiv etwas dafür getan haben. Wenn ein Agent einen Fehler gemacht hat, mussten wir daran denken , den Fehler in seine Anweisung einzubauen. Wenn sich ein Prozess verändert hat, mussten wir daran denken, die Anpassung bei allen betroffenen Agenten vorzunehmen. Wenn eine neue Aufgabe dazukam, mussten wir daran denken, einen neuen Agenten aufzusetzen. Wie ein Mitarbeiter, dem wir immer wieder Feedback und Training geben mussten. Die Weiterentwicklung war komplett menschenabhängig. Das ist der Normalzustand in fast jedem KI-Setup : Du setzt Agenten und Automatisierungen auf, investierst am Anfang viel Zeit in die richtige Konfiguration, das Prompt-Design und die Output-Struktur . Irgendwann liefert der Agent gute Ergebnisse. Aber wenn sich dein Prozess oder deine Anforderungen weiterentwickeln, bricht diese Qualität . Fehler wiederholen sich, weil niemand sie erfasst. Feedback versickert in Chat-Verläufen und niemand setzt es um. Und wenn jemand das Team verlässt, geht das implizite Wissen einfach mit. Bei dutzenden bis hunderten Agenten in vielen Unternehmen wird genau das zu einer massiven Herausforderung. Auch wir hatten diese Probleme und wollten sie in unserem Setup systemisch endlich lösen. Warum haben wir “Lernen” ins System eingebaut? Im ersten Artikel dieser Serie habe ich fünf Werkzeuge des systemischen Denkens vorgestellt. Eines davon waren Rückkopplungsschleifen : Das Ergebnis einer Aktion fließt zurück und beeinflusst die nächste Aktion. Genau dieses Prinzip haben wir als festen Bestandteil in unser Betriebssystem eingebaut. Eine zentrale Designentscheidung von Anfang an: Alles, was die KI tut, muss strukturiert zurück ins System fließen . Das betrifft vier Bereiche: Fehler , die bei der Ausführung auftreten Neuer Kontext , der durch die Ausführung entsteht Ergebnisse , die von KI produziert werden - für volle Nachvollziehbarkeit Verbesserungsvorschläge , wenn die KI erkennt, dass ein Prozess optimiert werden kann Fließt all das wieder automatisch ins System zurück , kann KI Fehler selbst korrigieren behält KI den vollständigen Kontext behalten Menschen den Überblick erweitert sich das System fortlaufend Ich will damit erreichen, dass die Weiterentwicklung nicht ausschließlich von uns abhängt, sondern das System sich Stück für Stück selbst verbessern kann. Wie lernt das System konkret dazu? Wir haben drei Feedback-Pfade aufgebaut, die unterschiedliche Situationen abdecken. Alle drei haben dasselbe Ziel: Wissen nicht in Köpfen, Drittsystemen oder Chat-Verläufen hängenbleiben lassen, sondern ins System zurückführen. Pfad 1: Stille Skill-Optimierung Die ersten Feedback-Schleifen laufen schon vor der ersten echten Ausführung . Bevor ein neuer Skill live geht, durchläuft er ein Activation Gate : Die KI generiert Testfälle basierend auf der Arbeitsanweisung, der Skill-Owner führt die Testläufe anhand der generierten Fälle durch und prüft die Ergebnisse gegen die Definition of Done . Nach jedem Testlauf wird Feedback gegeben, das in den Skill integriert wird. Erst nach mehreren erfolgreichen Durchläufen geht der Skill live. Die Qualitätssicherung ist permanenter Teil des Systems. Nach Skill-Freigabe erfolgt die Optimierung fortlaufend. Ich führe einen Skill aus, das Ergebnis passt nicht ganz – und ich gebe Feedback direkt im Gespräch mit der KI. „Das Format muss zu XYZ geändert werden." „Bitte immer mit einer Zusammenfassung starten." „Keine Hashtags unter den Post." Die KI entscheidet: Ist das ein dauerhaftes Learning , das den Skill betrifft? Wenn ja, passieren drei Dinge gleichzeitig: Sie korrigiert den aktuellen Output Sie passt die Arbeitsanweisung des Skills an Sie protokolliert das Learning im Skill Beim nächsten Mal muss niemand mehr daran denken . Der Skill ist für alle Nutzer besser geworden. Um diese “stille Skill-Optimierung” durchzuführen, hat der OS-Agent folgenden Abschnitt in seiner Systemanweisung : ### Schritt 7: Performance loggen + Skill-Learning (optional) - User kann manuell Feedback geben → geht in [Feedback-DB] **Stilles Skill-Learning (User-Feedback only, Pflicht-Write):** Wenn der User Feedback gibt, das eine **Skill-Eigenschaft** betrifft (Ton, Format, Struktur, Regeln, No-Gos, DoD, Schritte), dann entscheide: - **Wenn eindeutig systemisch:** Kein Nachfragen. Setze das Learning um. - **Wenn unklar (Output-only vs. systemisch):** Stelle genau 1 Rückfrage: *„Soll ich das als dauerhaftes Learning in den Skill übernehmen? (ja/nein)"* **Pflicht-Aktionen (wenn "ja" oder eindeutig systemisch):** 1. **Sofort im aktuellen Output umsetzen**. 2. **Skill-Update:** Ergänze genau **eine** konkrete Regel an der passendsten Stelle im Skill (z.B. unter No-Gos/Regeln/DoD oder direkt im relevanten Schritt). Kein Rewrite, kein großer Refactor. 3. **Learning Log (append-only):** Ergänze im Skill unter **📝 Learnings** genau 1 Zeile mit Datum + 1 Satz (Regel-Formulierung). 4. **Einzeilige Bestätigung:** *„✏️ Learning notiert und Skill gepatcht."* **Proaktive Feedback-DB-Erkennung:** Wenn du während der Execution oder nach User-Feedback feststellst, dass ein Problem **über einen direkten Skill-Patch hinausgeht** (systemisch, fehlender Skill, Kontext-Lücke, Governance-Problem, Architektur-Thema): → Schlage dem User proaktiv vor: *„Dieses Feedback geht über einen Skill-Patch hinaus. Soll ich einen Eintrag in der Feedback-Datenbank erstellen?"* → Nach Bestätigung: Eintrag in [Feedback-DB) erstellen (Skill-Relation, Feedback-Typ, Beschreibung). Pfad 2: Die Feedback-Datenbank Nicht jedes Problem lässt sich durch einen einfachen Skill-Patch lösen. Manchmal betrifft ein Fehler mehrere Skills gleichzeitig. Manchmal fehlt ein ganzer Skill für eine Aufgabe. Manchmal stimmt die Governance-Einstufung nicht, oder eine Kontext-Quelle ist veraltet. Für alles, was über einen einzelnen Skill hinausgeht , haben wir eine zentrale Feedback-Datenbank aufgebaut – ein Ticketing-System für systemische Verbesserungen. Ausschnitt aus der Feedback-DB So funktioniert es: Die KI dokumentiert bei jeder Ausführung automatisch, ob etwas nicht wie erwartet gelaufen ist, ob Informationen gefehlt haben oder ob sie einen Verbesserungsvorschlag hat. In unserer Agenten-Pipeline übernimmt das der Feedback Logger – der letzte Agent in der Kette, der nach jeder Ausführung prüft, ob es etwas zu dokumentieren gibt. Beispiel-Dokumentation aus der Feedback-DB Wichtig dabei: Die KI arbeitet kein strukturelles Feedback eigenständig ein. Ein Mensch muss jeden Eintrag prüfen und freigeben. Erst nach der Freigabe setzt die KI die Änderung um – sei es eine Anpassung an einem Skill, eine Erweiterung des Kontexts oder eine neue Governance-Regel. Wir hatten anfangs versucht, das vollständig zu automatisieren . Bei Hunderten Aktionen pro Woche floss jedoch so viel Feedback zurück und wurde ins System integriert, dass wir irgendwann nicht mehr nachvollziehen konnten, was sich wann verändert hat. Wir mussten mehrfach Änderungen rückgängig machen. Seitdem gibt es dieses Gate – und die Qualität im System ist deutlich stabiler. Pfad 3: Kontext-Erweiterung Jede Ausführung erzeugt neuen Kontext. Du dokumentierst ein Meeting. Du erstellst ein Angebot. Du setzt ein Kundenprojekt auf. All das ist Wissen, das die KI beim nächsten Mal braucht. In unserem System fließt dieser Kontext automatisch in die entsprechenden Datenbanken zurück. Die KI legt das Meeting-Transkript strukturiert ab, referenziert das Angebot auf der Kundenseite und verlinkt die Projekt-Dokumentation in der Kontext-Karte . Das System wird mit jeder Aufgabe nicht nur besser in der Ausführung, sondern auch klüger im Kontext. Die KI weiß beim nächsten Angebot für denselben Kunden , was beim letzten Mal besprochen wurde. Sie kennt die bisherigen Projekte, die Präferenzen, die offenen Punkte. Niemand hat das manuell gepflegt . Das System ist so gebaut, dass Kontext automatisch zurückfließt. Was passiert, wenn ein System sich selbst verbessert? Früher hatten wir ein System, das Aufgaben erledigt. Jetzt haben wir ein System, das Aufgaben erledigt und dabei besser wird . 4 Vorteile machen für mich den Unterschied: Fehler wiederholen sich nicht. Ein einmal geloggtes Learning wird beim nächsten Mal berücksichtigt, ohne dass jemand daran denken muss. Skills stagnieren nicht. Sie entwickeln sich mit jeder Ausführung weiter. Unsere ältesten Skills sind heute deutlich besser als bei ihrer Erstversion. Wissen bleibt im System. Wenn jemand das Team verlässt, gehen die Learnings nicht mit. Sie leben in den Skills, im Kontext und in der Feedback-Datenbank. Neue Fähigkeiten entstehen von selbst. Wenn eine Aufgabe reinkommt, für die kein Skill existiert, kann das System sich selbst einen neuen Skill bauen – weil das Erstellen neuer Skills selbst ein dokumentierter Skill ist. Je mehr Aufgaben die KI ausführt, desto mehr Learnings sammelt sie, desto besser werden die Arbeitsanweisungen, desto besser werden die Ergebnisse. Das ist die verstärkende Rückkopplungsschleife, die das gesamte System antreibt. 🏁 Fazit Mit der Lernschleife schließen wir die KI-Betriebssystem-Serie. In den letzten Wochen habe ich alle Bausteine einmal erklärt: Die 5 Bausteine – das Gesamtbild, wie Skills, Kontext, Governance, Executor und Feedback-Layer zusammenspielen Das Skill-Playbook – was ein Skill ist, wie man ihn baut und wo man ihn schon heute anlegen kann Der Agentic Layer – wie drei Agenten-Typen auf dem System arbeiten Die Governance – welche Regeln gelten und wie die Ampel-Logik Kontrolle schafft Die Lernschleife – wie das System mit jeder Nutzung besser wird Der größte Hebel kam nicht von einem einzelnen Baustein , sondern davon, dass alle Bausteine zusammenspielen . Ein Skill allein ist eine gute Arbeitsanweisung. Aber ein Skill, der seinen Kontext kennt, sich an Governance hält, von einem generischen Executor flexibel ausgeführt werden kann und über die Lernschleife besser wird – das erzeugt den eigentlichen Hebel . Falls du in den letzten Wochen mitgelesen hast: Danke. Ich hoffe, die Serie hat dir einen Eindruck gegeben, wie ein KI-Betriebssystem aussehen kann. Wir schrauben schon fleißig an Version 2 unseres Systems und ich werde auch in Zukunft unsere Erfahrungen mit Dir teilen. Bis nächsten Sonntag, Felix P.S. Ich plane für die kommende Woche eine Q&A-Ausgabe zum KI-Betriebssystem und werde auf alle eure Fragen eingehen. Antworte dafür einfach mit deinen Fragen auf diese Mail - danke!
## Governance im KI-Betriebssystem
URL: https://ai-first.ai/insights/governance-im-ki-betriebssystem
Kategorie: Adoption
Untertitel: Wie wir definieren, was KI darf - und was nicht
Herzlich Willkommen zu den AI FIRST Insights! Dies ist der nächste Teil der Serie über die Bausteine unseres KI-Betriebssystems und wie wir diese Bausteine designed haben. Die bisherigen Artikel findest Du hier: Agenten : Die Ausführungseinheit auf dem Betriebssystem Skills (Prozesse): Alles, was unsere Organisation kann Kontext (Daten): Alles, was unsere Organisation weiß Heute kommt der nächste Baustein: die Governance . Also alle Regeln, die für KI innerhalb des Betriebssystems gelten, damit Risiken minimiert werden und KI in unserem Interesse handelt . Los geht's! Warum Governance? Wenn ich in den letzten Wochen über die Idee gesprochen habe, KI als Betriebssystem aufzusetzen, kam nach Vorträgen oder auf LinkedIn eine Reaktion immer wieder: „Klingt spannend, aber ist das nicht wahnsinnig unsicher? Die KI hat dann ja Zugriff auf alles." Die Sorge ist nachvollziehbar, aber unvollständig. Wenn wir wollen, dass KI echte Arbeit für uns erledigt, dann braucht sie Zugriff auf die Daten, die Prozesse und die Systeme, mit denen wir Menschen arbeiten. Ohne diesen Zugriff bleibt KI das, was die meisten schon kennen : Ein Chatbot, mit dem man ein paar Ideen hin- und herspielt, vielleicht ein paar Dokumente befragt, der aber am Ende nichts wirklich für einen erledigt. Wer zum Beispiel sagt „Die KI soll keinen Zugriff auf unser CRM bekommen", muss wissen, dass damit sämtliche Aufgaben wegfallen, die mit Kundendaten zu tun haben - Angebote vorbereiten, Kontakte pflegen, Follow-ups schreiben. Beides gleichzeitig geht nicht: KI soll echte Arbeit übernehmen, aber keinen Zugang zu den Systemen bekommen, in denen diese Arbeit stattfindet. Die eigentliche Frage ist also nicht, ob KI Zugriff bekommt, sondern welche Regeln dabei gelten müssen . Und diese Regeln dürfen wir definieren. Dafür braucht ein KI-Betriebssystem eine Governance-Schicht mit klaren Regeln, die definieren, was KI autonom darf, was sie nur mit menschlicher Freigabe tut und welche Arbeit komplett beim Menschen bleibt. Dabei steht über allem: Rechtskonformität bzgl. DSGVO und anderen Gesetzen muss immer sichergestellt sein, und die eingesetzten KI-Modelle dürfen nicht auf Unternehmensdaten trainiert werden . Dies kann insbesondere über die Auswahl der passenden technischen Plattform gewährleistet werden. Beides sind selbstverständliche Grundvoraussetzungen, die ich in diesem Artikel nicht noch einmal explizit thematisieren werde. Von der Richtlinie für Mitarbeiter zur Richtlinie für KI Ich habe in den letzten zwei Jahren sehr viele KI-Richtlinien für Mitarbeiter gesehen. Teilweise 20 Seiten lang, in denen im Detail steht, welche Tools erlaubt sind, welche nicht, welche Daten in welches Tool dürfen, was passiert wenn jemand dagegen verstößt und an wen man sich bei Problemen wendet. Diese Richtlinien richten sich in erster Linie an Menschen, die mit KI arbeiten wollen oder sollen. Wenn KI aber nicht mehr nur ein Werkzeug ist, sondern als Betriebssystem einen wachsenden Teil der Arbeit eigenständig ausführt, brauchen wir eine zweite Richtlinie: eine für die KI selbst. Eine, die ihr Verhalten innerhalb des Systems steuert - was sie autonom erledigen darf, wo sie pausieren und auf menschliche Freigabe warten muss und was sie gar nicht erst anfassen soll. Wir haben dafür ein Governance-Handbuch geschrieben. Was steht drin? Das Kernstück ist ein Ampel-System , das für jeden Skill definiert, wie viel Autonomie die KI dabei hat: 🟢 Grün bedeutet vollständig autonome Ausführung. Die KI bekommt einen Auftrag und liefert das Ergebnis, ohne dass ein Mensch eingreifen muss. Bei uns betrifft das zum Beispiel Meeting-Zusammenfassungen, Daten-Formatierung oder interne Statusreports. Aufgaben mit klarem Input und Output, bei denen ein Fehler leicht zu korrigieren wäre. 🟡 Gelb bedeutet, die KI bereitet vor und ein Mensch reviewed. Sie erstellt einen vollständigen Entwurf, pausiert dann an definierten Stellen und wartet auf Freigabe. Kundenangebote, Marketing-Texte oder Projektdokumentation fallen bei uns in diese Kategorie. Alles, was nach außen geht oder eine gewisse Qualitätsanforderung hat. 🔴 Rot bedeutet, die KI unterstützt nur mit Recherche oder Vorarbeit, aber die eigentliche Aufgabe macht der Mensch. Vertragsverhandlungen, Budget- oder Personalentscheidungen - also Aufgaben, bei denen ein fehlerhafter Output nicht einfach korrigierbar wäre. Neben dem Ampel-System definiert das Handbuch auch, wie menschliche Kontrollen konkret aussehen. Bei jedem gelben oder roten Skill ist in der Arbeitsanweisung markiert, an welcher Stelle genau die KI pausiert und ob sie dort eine Freigabe braucht, eine zusätzliche Information vom Menschen benötigt oder einen fertigen Entwurf zur Prüfung vorlegt. Die Kontroll-Schranken sind nicht nur im Governance-Handbuch hinterlegt, sondern auch direkt in die Prozesse integriert . Wenn beispielsweise ein Angebot erstellt wurde, wird in der Datenbank der Status vom Agent auf “Review” geändert, was wiederum eine Benachrichtigung an den verantwortlichen Kollegen auslöst. Wie wird es genutzt? Das Governance-Handbuch ist in unserem System als Kern-Kontext für den Agenten hinterlegt und wird bei jeder einzelnen Skill-Ausführung automatisch geladen. Der Agent liest vor jeder Aufgabe zuerst die Governance-Regeln, bevor er mit der eigentlichen Arbeit beginnt. Außerdem beginnt jede Arbeitsanweisung eines Skills mit der Governance-Ampel. Der Agent weiß dadurch, ob er durcharbeiten darf, wo er pausieren muss oder ob er nur zuarbeiten soll. (Beispiel einer Skill-Dokumentation) Die Governance-Regeln fließen auch in die Erstellung neuer Skills ein. Wer einen neuen Skill baut, muss als erstes die Ampel-Farbe definieren und die Kontrollpunkte setzen. Kein Skill geht ohne diese Zuordnung in den produktiven Einsatz. Wie Governance im System wirkt Das Governance-Handbuch steuert das Verhalten der KI innerhalb des Systems und gibt die Autonomie für jeden ausführbaren Skill vor. Das Handbuch allein reicht natürlich nicht aus, denn wenn ein Agent zu halluzinieren beginnt und sich entscheidet die Regeln zu ignorieren, entstehen ungewollte Risiken. Deshalb gibt es architektonische Sicherheitsmechanismen , die allein durch das Systemdesign greifen. Die wichtigsten Mechanismen liste ich Dir hier auf: Keine autonomen externen Aktionen. Unser System kann ohne menschliche Freigabe keine E-Mails versenden, Verträge verschicken oder Daten an Dritte übermitteln. Die KI hat die entsprechende Aktion schlicht nicht zur Verfügung, solange kein Mensch sie freigibt. Das adressiert auch direkt das Thema Prompt Injection : Selbst wenn jemand versuchen würde, über manipulierte Eingaben - ein präpariertes Dokument, eine E-Mail mit versteckten Anweisungen - einen Informationsabfluss zu erzwingen, kann die KI ohne menschliche Freigabe keine Informationen nach außen senden. Zugriffsrechte werden durchgezogen. Ein Einwand, der immer wieder kommt: „Wenn KI auf alles zugreifen kann, haben dann plötzlich alle Mitarbeitenden Zugriff auf alles?" Die Zugriffsrechte, die mit den einzelnen Nutzerkonten verbunden sind, gelten auch für die KI. Wer keinen Zugriff auf die Personaldaten hat, hat auch über die KI keinen Zugriff darauf. Kontext-Isolation. Darüber hinaus sieht die KI bei einer Aufgabe nur den Kontext, der dem jeweiligen Skill explizit zugewiesen wurde. Wenn der Onboarding-Skill keinen Zugriff auf die Finanzdaten braucht, bekommt er ihn auch nicht - selbst wenn der ausführende Nutzer diese Rechte hätte. Das reduziert das Risiko von Informationslecks und verbessert gleichzeitig die Ergebnisse, weil die KI sich auf die relevanten Daten konzentriert. Quellen-Hierarchie bei Widersprüchen. Wenn verschiedene Informationsquellen sich widersprechen, gibt es eine klare Rangfolge: Die Arbeitsanweisung des Skills hat immer die höchste Priorität, danach kommt der verlinkte Kontext, und erst an letzter Stelle stehen Informationen aus einer breiteren Suche im System. Keine Selbstmodifikation. Die KI kann ihre eigenen Anweisungen und Governance-Regeln nicht ohne vorherige Freigabe verändern. Wenn sie während einer Ausführung feststellt, dass ein Skill verbessert werden könnte, schlägt sie eine Änderung vor. Umgesetzt wird sie erst, wenn der verantwortliche Mensch bestätigt. Owner-Prinzip. Jeder Skill hat einen verantwortlichen menschlichen Owner. Wenn etwas schiefgeht, ist immer klar, wer zuständig ist und wer die Regeln anpassen kann. Der Owner kommt immer aus dem jeweiligen Fachbereich. Activation Gate. Kein Skill geht ungetestet in den produktiven Einsatz. Bevor ein Skill auf „Aktiv" gesetzt wird und vom Agenten genutzt werden kann, durchläuft er einen definierten Qualitätscheck: Mindestens fünf Testläufe mit realistischen Eingaben, die Ergebnisse werden gegen die Definition of Done geprüft, Abweichungen dokumentiert und eingearbeitet. Erst wenn der Skill dieses Gate bestanden hat, darf er produktiv arbeiten . Zusammengenommen bilden diese Mechanismen ein Sicherheitsnetz, das auf mehreren Ebenen greift. Das Governance-Handbuch steuert das Verhalten der KI im System, die architektonischen Guardrails begrenzen, was überhaupt möglich ist, und das Activation Gate stellt sicher, dass nichts Ungetestetes im Produktivbetrieb landet. 🏁 Fazit Je mehr wir uns damit beschäftigt haben, KI als Betriebssystem in unserem Unternehmen zu leben, desto klarer wurde und, dass Governance kein Nice-to-have ist . Ohne klare Regeln lassen sich die Vorteile eines KI-Betriebssystems nicht nutzen, weil das Vertrauen in das System und die Ergebnisse fehlt. Wichtig : Die oben beschriebenen Regeln und Umsetzungsansätze sind unsere individuelle Entscheidung basierend auf unserer Risikobewertung. Ich empfehle eine eigene Bewertung der Risiken und Ableitung der Maßnahmen für euren spezifischen Unternehmenskontext. Was du aus diesem Artikel mitnehmen kannst: Wenn KI echte Arbeit übernehmen soll, braucht sie Zugriff auf Daten, Prozesse und Systeme. Die Frage ist nicht ob man das tut, sondern welche Regeln dabei gelten. Ein Governance-Handbuch mit klarer Ampel-Logik definiert für jeden Skill, wie viel Autonomie die KI hat und wo ein Mensch eingreift. Dieses Handbuch ist Kern-Kontext des Agenten und wird bei jeder Ausführung geladen. Außerdem ist es direkt in die Erstellung neuer Skills integriert. Architektonische Guardrails - von Zugriffsrechten über Kontext-Isolation bis zum Activation Gate - bilden das Sicherheitsnetz, das über die bewussten Regeln hinaus greift. Nächste Woche schauen wir uns noch den letzten Baustein an: die Lernschleife, die das System mit jeder Ausführung ein bisschen besser werden lässt. Bis dahin wünsche Dir frohe Ostern und eine erholsame Zeit! Bis nächsten Sonntag, Felix
## Der Kontext-Layer im KI-Betriebssystem
URL: https://ai-first.ai/insights/der-kontext-layer
Kategorie: Adoption
Untertitel: Wie KI alles lernt, was Dein Unternehmen weiß.
Herzlich Willkommen zu den AI FIRST Insights! Unser Ziel mit dem KI-Betriebssystem war von Anfang an, dass KI Arbeit so erledigt wie wir selbst und mit jeder Weiterentwicklung der KI-Fähigkeiten mit skaliert. Nicht „so ungefähr" – sondern so, dass das Ergebnis sofort passt. Damit das funktioniert, muss die KI denselben Wissensstand haben wie wir. Sie muss unsere Kunden kennen, unsere Produkte, unseren Ton, unsere Entscheidungslogik. Kurz: Wir müssen alles Implizite explizit machen. Dafür haben wir einen Kontext-Layer aufgebaut. Heute zeige ich, wie wir den Kontext-Layer strukturiert haben , wie wir über Kontext nachdenken und was dabei die wichtigsten Erkenntnisse waren. Los geht's! Was ist der Kontext-Layer? Ich habe in den letzten Wochen viel über Skills geschrieben – wie man sie baut, wie man sie dokumentiert, wie man sie ausführen lässt. Aber als wir die ersten Skills produktiv eingesetzt haben, wurde schnell klar: Ein Skill ohne Kontext ist wie eine Arbeitsanweisung für jemanden, der am ersten Tag neu ins Unternehmen kommt und noch keinen Zugang zu irgendeinem System hat. Die Anweisung kann noch so gut sein – ohne das Wissen drumherum wird das Ergebnis nicht gut genug. Unser größtes Problem war also nicht die KI selbst – es war, was die KI nicht wusste . Ich konnte ihr einen perfekt dokumentierten Skill geben, aber wenn sie nicht wusste, an wen sich unser Angebot richtet, wie wir intern kommunizieren oder welche Projekte gerade laufen, war das Ergebnis bestenfalls ein brauchbarer Entwurf. Kontext ist das, was den Unterschied macht zwischen brauchbarer Entwurf und erledigter Aufgabe . Wenn ich ein Angebot erstelle, kennt die KI unsere Produkte, unsere Preisstruktur, den bisherigen Gesprächsverlauf mit dem Kunden und meinen Schreibstil. Wenn ein Kollege dasselbe tut, kennt sie seinen. Wir nutzen beide denselben Skill – aber der Kontext individualisiert das Ergebnis. Mit Kontext ist der erste Entwurf in 90% der Fälle direkt nutzbar. Der Kontext-Layer ist unsere Antwort darauf. Er ist die strukturierte Sammlung von allem, was die KI über uns und unsere Organisation wissen muss. Dabei war uns früh klar, dass „ alle Dokumente in ein KI-Tool kippen " nicht die Lösung ist. Wir haben das am Anfang selbst versucht – und gemerkt, dass zu viel unstrukturierter Kontext die Ergebnisse nicht verbessert, sondern verschlechtert . Die KI ertrinkt im Rauschen . Was stattdessen funktioniert, ist ein bewusst kuratiertes Wissensregister – mit klaren Referenzen auf die richtigen Quellen, einer Logik dafür, wann welche Information geladen wird, und einer Verknüpfung zu den Skills, die diese Information brauchen. Jeder Eintrag beantwortet drei Fragen: Was ist die Quelle, wann wird sie gebraucht, und welcher Skill braucht sie? Ein Prinzip, das sich dabei als zentral herausgestellt hat: Referenzieren statt Kopieren . Unsere Kontext-Einträge verweisen auf lebende Dokumente – Seiten und Datenbanken in unserem System, aber das funktioniert genauso mit einem Wiki, einer Cloud-Ablage oder einem internen Wissenssystem. Wenn sich die Quelle ändert, ist der Kontext automatisch aktuell – kein manuelles Nachziehen an drei Stellen. Wie wir den Kontext-Layer aufgebaut haben Unser Kontext-Layer besteht aus zwei Schichten . Der persönliche Kontext beschreibt, wer du bist. Der aufgabenspezifische Kontext beschreibt, was für eine konkrete Aufgabe gebraucht wird. Der persönliche Kontext Jeder bei uns im Team hat ein persönliches Kontextprofil – fünf eigenständige Dokumente, die bei jeder KI-Interaktion automatisch mitgeladen werden: Firmenprofil – Was macht AI FIRST, für wen, wie positionieren wir uns? Rollenprofil – Was ist meine Position, was sind meine Verantwortlichkeiten, mit welchen Tools arbeite ich? Team-Kontext – Wer arbeitet zusammen, wann muss wer einbezogen werden? Prioritäten & Ziele – Was ist gerade wirklich wichtig, welche Projekte laufen? Kommunikationsstil – Wie klingt mein Ton intern und extern, was sind Do's und Don'ts? Nicht alle fünf werden immer geladen. Firmenprofil, Rollenprofil und Kommunikationsstil bilden den Kern – die kommen bei jeder Interaktion mit. Team-Kontext und Prioritäten nur dann, wenn die Aufgabe es erfordert. Das ist wichtig, weil jede Information im Kontextfenster Platz und Aufmerksamkeit kostet. Für die Erstellung dieser Dokumente haben wir ein KI-geführtes Interview entwickelt. Statt selbst zu schreiben, führt die KI einen Block für Block durch alle fünf Bereiche und fragt so lange nach, bis jedes Dokument konkret genug ist. Wir nutzen das mittlerweile auch mit unseren Kunden – 60 Minuten, und das Kontextprofil steht und verbessert anschließend jede einzelne Aufgabe. Es funktioniert plattformübergreifend in Claude , ChatGPT , Copilot oder jedem anderen System, weil die Dokumente einfache Markdown -Dateien sind. Ein Einwand, der dabei immer wieder kam, auch bei uns intern: „Wenn der Kontext nicht fest eingebettet ist, sondern jedes Mal geladen werden muss, wird das doch langsamer und teurer." Das klingt logisch, stimmt aber nicht. Die Token-Kosten sind identisch – der Kontext landet so oder so im Kontextfenster. Eingebetteter Kontext ist sogar teurer, weil immer alles mitgeladen wird, auch wenn die aktuelle Aufgabe es nicht braucht. Seit wir auf selektives Laden umgestellt haben, sind unsere Ergebnisse besser geworden, nicht schlechter. Der aufgabenspezifische Kontext Neben dem persönlichen Kontext brauchen einzelne Skills aufgabenspezifisches Wissen – Vorlagen, Kundendaten, Produktdokumentation, Prozessbeschreibungen. Dieses Wissen organisieren wir in einem zentralen Wissensregister mit einer dreistufigen Hierarchie: Stufe 1 (Kern): Wird immer geladen. Die Grundlagen, ohne die kein Skill starten kann. Stufe 2 (Aufgabe): Wird nur geladen, wenn ein bestimmter Skill es braucht. Beim Onboarding zum Beispiel: das Master-Template für den Projekt Hub, bestehende Projekte für den Duplikat-Check. Stufe 3 (Hintergrund): Kommt nur auf explizite Anfrage dazu – historische Projektdaten, Langzeit-Trends, Archivmaterial. Diese Aufteilung hat sich für uns als einer der größten Hebel erwiesen. Mehr Kontext bedeutet nicht automatisch bessere Ergebnisse – oft passiert das Gegenteil. Zu viel Information erzeugt Rauschen und die KI verliert den Fokus. Die Stufen-Logik sorgt dafür, dass sie genau das bekommt, was sie für die aktuelle Aufgabe braucht. Kontext aktuell halten Der beste Kontext-Layer ist wertlos, wenn er veraltet. Einmal dokumentieren reicht nicht. Unser Design-Prinzip dafür ist simpel: Es darf keine Lücke geben zwischen dem, was im Unternehmen passiert, und dem, was im Kontext der KI zugänglich ist. Konkret heißt das bei uns: Jedes Meeting wird aufgezeichnet, transkribiert und strukturiert in einer Datenbank gespeichert. E-Mails fließen ins System. Kundenprojekte werden dokumentiert, während sie laufen – nicht irgendwann nachträglich. Content, den wir produzieren, ist sofort Teil des Kontexts für zukünftige Aufgaben. Es gibt keinen Moment, in dem etwas Relevantes passiert und die KI nichts davon mitbekommt. Weil unsere Kontext-Einträge auf lebende Dokumente verweisen statt auf Kopien, müssen wir auch bei Prozessänderungen nichts manuell nachziehen. Die Quelle wird aktualisiert – und jeder Skill, der darauf zugreift, arbeitet automatisch mit der neuen Version. Für eine fortlaufende Bereinigung und Aktualisierung haben wir einen ersten Agent gebaut, der monatlich eine umfangreiche Prüfung der Kontext-Datenbank sowie der dahinterliegenden Quellen vornimmt, mit unseren Mails und Meetings abgleicht und Lücken im Kontext oder veraltete Informationen aufzeigt. Von implizit zu explizit Wenn ich heute auf den Prozess zurückblicke, war die eigentliche Arbeit am Kontext-Layer nicht technisch. Der schwierigste Teil war die Erkenntnis, wie viel von dem Wissen, das unser Unternehmen ausmacht, nirgendwo aufgeschrieben war. Es steckte in meinem Kopf, im Kopf von Kollegen, in E-Mail-Verläufen, in Meetings, die niemand dokumentiert hatte. In Entscheidungen, deren Begründung ich selbst nicht mehr nachvollziehen konnte. Das ist in den meisten Unternehmen so – und es war auch nie ein Problem, solange Menschen die einzigen waren , die mit diesem Wissen arbeiten mussten. Aber wenn KI denselben Job machen soll, braucht sie Zugang dazu. Und dafür muss es aufgeschrieben sein. Der erste Schritt, den wir gemacht haben – und den wir mittlerweile auch jedem Kunden empfehlen – ist eine ehrliche Bestandsaufnahme : Welche Systeme nutzt ihr? Wo liegt welches Wissen? Was davon ist digital und für eine KI zugänglich – und was steckt noch in Köpfen, E-Mails oder Aktenordnern? Diese Inventur klingt banal, aber bei fast jedem Unternehmen, mit dem wir arbeiten, wird erst dabei klar, wie fragmentiert das Wissen tatsächlich verteilt ist. Man muss nicht alles auf einmal machen. Wir haben mit den fünf wichtigsten Quellen angefangen – die Dokumente und Datenbanken, auf die wir am häufigsten zugegriffen haben. Die bekamen eine Stufe, eine Verknüpfung zu den relevanten Skills, und von da aus haben wir Stück für Stück erweitert. Heute haben wir über 40 Kontext-Quellen in unserem Register. Der Prozess hat nicht nur die KI besser gemacht. Er hat auch unsere Zusammenarbeit als Team verbessert . Plötzlich ist dokumentiert, was vorher nur in einzelnen Köpfen existierte. Neue Teammitglieder werden schneller produktiv. Und Entscheidungen werden nachvollziehbar, weil die Logik dahinter endlich irgendwo steht. 🏁 Fazit Kontext ist der Baustein, der alle anderen im KI-Betriebssystem erst wirksam macht . Ohne Kontext sind Skills nur generische Vorlagen. Ohne Kontext sind Agenten nur Automationen, die im Blindflug arbeiten. Erst wenn die KI denselben Wissensstand hat wie wir, entsteht das, was wir mit dem KI-Betriebssystem erreichen wollten: eine KI, die Arbeit so erledigt, wie wir es selbst tun würden. Der Weg dahin war keine technische Herausforderung. Es ging darum, das implizite Wissen unserer Organisation sichtbar zu machen . Das hat sich anfangs ungewohnt angefühlt, aber es ist die Investition mit dem größten Hebel, die wir in den letzten Monaten gemacht haben. Wer anfangen will: Starte mit deinem persönlichen Kontextprofil. Wenn du unseren Interview-Prompt haben willst, schreib mir gern. Im nächsten Artikel steige ich tiefer in den nächsten Baustein ein: die Governance . Welche Regeln braucht ein System, in dem KI einen immer größeren Teil der Arbeit übernimmt? Wie definiert man, wo Autonomie endet und ein Mensch übernimmt? Und wie stellt man sicher, dass die Regeln nicht nur auf dem Papier stehen, sondern bei jeder Ausführung tatsächlich greifen? Bis nächsten Sonntag, Felix P.S. Wie stellt ihr eurer KI den Kontext bereit, den sie benötigt? Ich freue mich über Erfahrungen!
## Der Agentic-Layer
URL: https://ai-first.ai/insights/der-agentic-layer
Kategorie: Adoption
Untertitel: Wie Agenten auf dem KI-Betriebssystem arbeiten
Herzlich Willkommen zu den AI FIRST Insights! In den letzten Wochen ging es hier viel um das KI-Betriebssystem – die 5 Bausteine , das Skill-Playbook und die Frage, wie KI als System die Grundlage für skalierbare Arbeit bildet. Ein Baustein ist noch offen, auf den ich heute im Detail eingehen möchte: der Agentic Layer. Skills beschreiben, WAS deine Organisation kann . Sie sind das Kochbuch. Aber wer kocht? Wer steuert die Küche? Und wer startet die Spülmaschine automatisch? Dafür braucht es den Agentic Layer – die ausführende Schicht auf dem KI-Betriebssystem. Auf dieser Schicht arbeiten bei uns drei verschiedene Agenten-Typen mit drei verschiedenen Rollen. Alle drei sind bewusst „dumm" gehalten – die Intelligenz steckt nicht in den Agenten, sondern im System darunter : in den Skills, dem Kontext und der Governance. Heute zeige ich dir, welche drei Typen das sind, wie sie zusammenspielen und warum du weniger Agenten brauchst, als du denkst . Los geht's! 🚀 Final Call: Letzte Chance auf einen Platz im AI Collective in Q2 Die nächste Kohorte startet im April (Kickoff am 01.04. und erste Session am 10.04.) – und die Plätze sind fast voll. In den ersten 8 Wochen durchläufst du unseren Accelerator Track: Zwei Live-Sessions pro Woche – Freitag Content-Session (90 Min) + Mittwoch Check-In (90 Min) Hands-on ab Tag 1 – keine Theorie-Schleifen, direkte Umsetzung Peer-Gruppen – du arbeitest mit Menschen, die auf demselben Level denken Nach den ersten Wochen hast Du 5 Bausteine als Basis deines KI-Betriebssystems entwickelt. Anschließend setzen wir darauf auf. Sichere dir Deinen Platz: ai-first.ai/collective Typ 1: Der OS-Agent – Augmentation Der OS-Agent ist der interaktive General Purpose Agent . Er sitzt auf dem gesamten Betriebssystem und wird von einem Menschen getriggert. So funktioniert er: Du gibst ihm eine Aufgabe → er findet den passenden Skill → lädt den nötigen Kontext → führt die Arbeitsanweisung Schritt für Schritt aus → hält sich an die Governance → liefert das Ergebnis. Der OS-Agent besteht aus zwei Teilen: einer zentralen OS-Anweisung , die für alle im Team gleich ist, und einem persönlichen Kontext , der individuell pro Person konfiguriert wird. Jeder im Team hat seinen eigenen OS-Agenten, aber alle arbeiten auf demselben Betriebssystem mit denselben Skills und derselben Governance. Beispiel: Tages-Shutdown & Sprint-Prep Jeden Abend gegen 19 Uhr sage ich meinem OS-Agenten „Shutdown“. Er findet den Skill „ Tages-Shutdown & Sprint-Prep “ und arbeitet eine 4-Phasen-SOP ab: Tages-Rückblick – Kalender-Check , erledigte vs. offene Tasks, Pipeline-Updates , Content-Status. Sprint-Plan für morgen – 3 Aufgaben mit großem Einfluss , mit konkreten Zeitslots, basierend auf freien Kalenderblöcken. Diktat & Delegation – Ich diktiere was getan werden soll und der Agent setzt um : Tasks erstellen, E-Mail-Drafts vorbereiten, Meeting-Briefs schreiben, andere Skills ausführen. Briefing-Datenbank – Alles wird gespeichert. Die letzten 3–5 Briefings dienen als Compound Context – der Agent erkennt wiederkehrende Muster und offene Loops aus den Vortagen und hilft mir meine Arbeitsweise zu verbessern. Der OS-Agent hat in seinen Anweisungen keine Ahnung von Tagesplanung. Aber er hat einen Skill, der ihm Schritt für Schritt sagt, was zu tun ist, welchen Kontext er braucht und welche Regeln gelten. Und genau das gleiche kann er mit 50+ anderen Skills machen. Typ 2: Die Agenten-Pipeline – Automation Der OS-Agent wird von einem Menschen getriggert, aber ich will ja nicht nur einen besseren Chatbot nutzen. Wie entsteht also stärkere Automatisierung? Dafür gibt es die Agenten-Pipeline : eine Kette aus 5 Agenten , die automatisch abläuft. Insights Agent – Dokumentiert Meetings, Briefings oder Mails in Datenbanken. Alles, woraus Aufgaben entstehen können. Aufgaben-Extractor – Zieht alle Aufgaben aus den Insights: „Angebot schicken“, „Referenz-Case aufbereiten“, „Follow-up planen“. Jede Aufgabe landet in der Aufgaben-Datenbank . Skill Scout – Sucht für jede Aufgabe den passenden Skill. Falls keiner existiert, erstellt er sich einen neuen Skill mit dem „ Neuen Skill erstellen “-Skill. So erweitert sich das System . Skill Executor – Führt den zugewiesenen Skill aus. Parallel für alle Aufgaben . Feedback Logger – Prüft: Sind Fehler aufgetreten? Gibt es Verbesserungsvorschläge? Alles fließt in die Feedback-Datenbank . Konkretes Beispiel: Angebot erstellen Nach einem Kundentermin läuft die Pipeline automatisch los: Der Meeting Insights Agent dokumentiert das Gespräch → der Aufgaben-Extractor erkennt „Angebot erstellen für Firma XY“ → der Skill Scout findet den Skill „Angebot erstellen“ → der Skill Executor lädt Transkript, Kundenhistorie, Preisliste und Template, arbeitet die SOP ab → ein Angebot-Draft liegt bereit → der Feedback Logger dokumentiert die Ausführung. Warum 5 einzelne Agenten statt einem? Ein Agent, der all das alleine macht, ist regelmäßig abgestürzt . Zu viel Kontext, zu viele Schritte, zu viele Fehlerquellen. Die Lösung: Ein Agent = eine Aufgabe . Jeder ist schlank, zuverlässig und unabhängig verbesserbar . Gleichzeitig sind alle 5 Agenten so aufgebaut, dass sie jede Arbeit ausführen können . Über Stati in unseren Datenbanken können wir außerdem Checkpoints einbauen. Statt dass der Skill Executor das Angebot direkt erstellt, kann ein Status „ Warte auf Freigabe “ dazwischengeschaltet werden. Du reviewest erst die extrahierte Aufgabe, bestätigst sie – und erst dann startet die Execution. Je nach Reifegrad der Prozesse und Kontroll-Bedürfnis können mehr oder weniger Checkpoints eingebaut werden. Typ 3: Standalone Agenten Neben dem OS-Agent und der Pipeline gibt es einen dritten Typ: Standalone Agenten . Das sind Agenten für klar abgegrenzte, wiederkehrende Aufgaben, die durch Events oder Zeitpläne getriggert werden. Wie unterscheiden sie sich von der Pipeline? Die Agenten-Pipeline ist eine Kette: 5 Agenten, die aufeinander aufbauen , immer mit demselben Einstiegspunkt. Die Pipeline hat einen breiten Scope – von der Dokumentation bis zur Execution, end-to-end . Standalone Agenten haben eine Aufgabe und einen klaren Trigger . Sie arbeiten unabhängig, greifen aber auf dieselbe Infrastruktur zu – Skills, Kontext, Governance. Beispiel: Der Lead Dossier Agent Wenn ein Lead-Formular eingeht, wird automatisch ein Lead im CRM angelegt und ein vollständiges Dossier zum Kontakt recherchiert. Event-getriggert, vollautomatisch , eine klar abgegrenzte Aufgabe. Kein Grund, dafür die ganze 5-Agent-Kette anzuwerfen. Weitere Beispiele: Monthly Skill Review – Zeitgesteuert, einmal im Monat . Prüft alle aktiven Skills auf Aktualität und wertet das Feedback aus der Feedback-DB aus. Content Flywheel – Extrahiert Content-Ideen aus Meetings und speist sie automatisch in den Content Plan . Email Responder – Klassifiziert eingehende E-Mails und erstellt Antwort-Drafts. Im Zielbild will ich nur Agenten nutzen, die auf dem Betriebssystem sitzen und sich dynamisch so zusammenbauen, dass sie sämtliche Arbeit erledigen können , die reinkommt. Je nach Aufgabe laden sie sich die passenden Skills, den nötigen Kontext, die relevanten Tools und die geltenden Governance-Regeln. Gleichzeitig merken wir: Um Robustheit zu erzeugen, braucht es für sehr häufig wiederkehrende Prozesse auch weiterhin ein paar fest definierte Workflows und Agenten, die genau diese eine Sache machen und dafür optimiert sind. Aber: Es sind deutlich weniger als vorher. Und auch diese festen Agenten sind flexibler – weil sie auf denselben Skills und demselben Kontext aufbauen wie alles andere im System. Wenn sich ein Skill verbessert oder der Kontext weiterentwickelt, verbessern sich auch diese Agenten automatisch mit . 🏁 Fazit Auf dem KI-Betriebssystem arbeitet eine agentische Schicht , welche die Ausführungsschicht darstellt. Drei Agenten-Typen übernehmen dort unterschiedliche Rollen: Der OS-Agent – wird von einem Menschen getriggert, augmentiert die tägliche Arbeit . Die Agenten-Pipeline – läuft automatisch nach Events , verarbeitet Arbeit end-to-end. Spezialisierte Agenten – übernehmen klar abgegrenzte, wiederkehrende Aufgaben. Die Wirkung dieser Agenten kommt durch das, worauf sie zugreifen : Skills – klare Arbeitsanweisungen, die sagen, WAS und WIE . Kontext – strukturiertes Wissen, damit Agenten nicht im Blindflug arbeiten . Governance – Regeln, die definieren, wo Autonomie endet und ein Mensch übernimmt. Tool-Zugriff – Schnittstellen, damit Agenten auch tatsächlich handeln können . Nachdem ich in den letzten Wochen viel über die Prinzipien, Bausteine und Funktionsweisen des KI-Betriebssystems geschrieben habe, möchte ich verstehen, welche Fragen Dich in diesem Kontext beschäftigen oder was dich eventuell noch davon abhält, in dieser Logik KI einzusetzen. Wir haben bei AI FIRST erfolgreich den Switch gemacht und würden nicht mehr zurückkehren wollen . Ich will möglichst vielen Menschen und Unternehmen helfen, die gleichen Vorteile zu erleben. Bis nächsten Sonntag, Felix P.S. Im April starten wir mit unseren AI Collective Mitgliedern in den Aufbau des KI-Betriebssystems und werden Schritt-für-Schritt den Prozess mit unserem AI Enablement Team begleiten. Wenn Du Führungskraft in einem Anwendungsunternehmen bist (keine KI-Beratung), dann bewirb dich noch auf einen der letzten Plätze. ai-first.ai/collective
## Das KI-Skill-Playbook
URL: https://ai-first.ai/insights/das-skill-playbook
Kategorie: Adoption
Untertitel: Anatomie, Aufbau und Einsatz von Skills für dein KI-Betriebssystem
Herzlich Willkommen zu den AI FIRST Insights! Letzte Woche habe ich die 5 Bausteine unseres KI-Betriebssystems vorgestellt und angekündigt, dass ich als Nächstes in einen der wichtigsten Baustein eintauche: Skills. Skills beschreiben im Betriebssystem alles, was die Organisation kann . Jede Fähigkeit, jeder Prozess, jede wiederkehrende Aufgabe – als ausführbare Arbeitsanweisung, die eine KI eigenständig umsetzen kann. Dahinter steckt ein Paradigmenwechsel , der gerade den gesamten KI-Markt verändert: Weg von dutzenden spezialisierten KI-Agenten , die jeweils eine bestimmte Rolle haben – hin zur Bereitstellung von Skills für eine KI, die diese je nach Aufgabe dynamisch ausführt. Statt 25 Agenten zu bauen und zu warten, baust du Skills – und eine KI nutzt den passenden, wann immer er gebraucht wird. Heute zeige ich dir, was genau ein Skill ist , wie er sich von Prompts und Agenten unterscheidet, wie du einen Skill baust – und wo du ihn in deinem Tool schon heute anlegen kannst. Los geht's! Dein KI-Betriebssystem im AI Collective bauen Wir haben noch ca. 10 Plätze für das AI Collective mit Start am 01.04. . Dort triffst du auf 80 Führungskräfte , die die KI-Transformation in ihren Unternehmen verantworten. Im AI Collective bekommst Du Zugriff auf unser Wissen und unsere Werkzeuge zum Aufbau einer AI-First Organisation, die ihr Wachstum vom Headcount entkoppelt. Ab April bauen wir dort gemeinsam dein KI-Betriebssystem auf. Platz im AI Collective sichern Was ist ein Skill? Ein Skill ist eine dokumentierte, wiederverwendbare Arbeitsanweisung , die beschreibt, wie eine bestimmte Aufgabe erledigt wird – so präzise, dass eine KI sie eigenständig ausführen kann. Mit allen Schritten, allem Kontext, allen Qualitätskriterien. "Was ist denn der Unterschied zu Prompts und Agenten?” Ein Prompt ist jede Eingabe, die du einer KI gibst. Eine Frage, eine Anweisung, eine Aufgabe. Du schreibst etwas, die KI antwortet – fertig. Wenn du morgen das Gleiche brauchst, schreibst du den Prompt neu. Oder kopierst ihn. Beim dritten Mal merkst du, dass du eine Nuance vergessen hast. Ein Skill ist im Kern auch ein Prompt – aber einer, der wiederholt ausgeführt wird. Er gibt der KI nicht nur eine einmalige Anweisung, sondern das komplette Rezept, wie eine bestimmte Aufgabe immer wieder erledigt werden soll. Mit allen Schritten, allem Kontext, allen Qualitätskriterien. Das Schöne daran: Ein Skill kann von der KI genutzt werden, auch wenn du nur einen einfachen Prompt eingibst. Früher musstest du, wenn du wolltest, dass die KI ein Angebot erstellt, alles genau beschreiben – den Aufbau, die Tonalität, welche Informationen rein müssen, welche Vorlage genutzt werden soll. Jetzt schreibst du: Angebot erstellen . Die KI findet den passenden Skill , lädt die hinterlegte Arbeitsanweisung und führt sie aus. Dahinter liegt eine umfangreiche, dokumentierte Anleitung – aber du musst sie nicht jedes Mal neu formulieren. Unsere Skills enthalten alles, was für die Ausführung gebraucht wird: Die Arbeitsanweisung: Schritt für Schritt, was getan werden muss Den Kontext: Welche Informationen geladen werden müssen Die Governance-Regeln: Welche Vorgaben gelten, wer freigibt Die Qualitätskriterien: Woran man erkennt, dass das Ergebnis gut ist Eingaben und Ausgaben: Was reingeht, was rauskommt Jetzt fragst du dich vielleicht: Aber dafür hatten wir doch Agenten? Stimmt – und Agenten haben in vielen Setups gut funktioniert. Aber sie haben ein strukturelles Problem , das mit der Anzahl wächst. Ein KI-Agent bündelt alles in einem Paket: Rolle, Anweisungen, Kontext, Tools. Jeder Agent lebt in seiner eigenen Box und weiß wenig darüber, was die anderen Agenten tun oder können. Oft muss ein Mensch die Arbeit zwischen alle Agenten koordinieren oder aufwändige Multi-Agenten-Systeme aufsetzen und instandhalten. Das funktioniert bei drei Agenten . Bei 25 wird es zum Problem, bei 100en (wie ich es in vielen Unternehmen sehe) unkontrollierbar. Wenn du stattdessen nur einen Agenten hast, der auf deinen Daten und Skills sitzt, kann sich dieser Agent immer so zusammenbauen ( Daten + Skills kombinieren ), wie es für die Erledigung der Aufgabe notwendig ist. Eine Analogie macht den Unterschied greifbar: Ein Prompt ist wie ein Zuruf in der Küche: "Mach mal was Schönes mit dem Lachs!" – ohne Rezept, ohne Mengenangaben. Vielleicht wird's gut, vielleicht nicht. Und beim nächsten Mal fängst du wieder bei null an. Ein Skill ist wie ein Rezept im Kochbuch – aufgeschrieben, wiederverwendbar, wird mit der Zeit verfeinert. Jeder Koch kann es nehmen und das Gericht zubereiten. Ein Agent ist wie ein eigener Koch mit eigenem Rezeptbuch in einer eigenen Küche. Er kennt seine Gerichte – aber wenn sich ein Rezept ändert, musst du in jede Küche einzeln gehen und es anpassen. Anatomie eines Skills Lass mich das an einem konkreten Beispiel zeigen. Einer unserer 57 Skills heißt " Angebot erstellen ". Wenn ich nach einem Kundengespräch sage Angebot erstellen für Firma XY , läuft im Hintergrund ein komplett dokumentierter Prozess ab. So ist dieser Skill in unserer Datenbank aufgebaut: 1. Beschreibung und Eingaben Jeder Skill startet mit einer klaren Beschreibung : Was tut er? Wann wird er ausgelöst? Dazu die erwarteten Eingaben und Ausgaben . In diesem Fall: Eingaben sind Kundenname (Pflicht), gewünschtes Produkt (optional, sonst aus dem Gespräch abgeleitet) und mögliche Preisanpassungen. Die definierte Ausgabe: eine fertige, personalisierte Angebotsseite in der Angebote-Datenbank. 2. Startprotokoll Bevor die eigentliche Arbeit beginnt, lädt die KI systematisch alles, was sie braucht: das Gesprächstranskript aus der Meeting-Datenbank , die Kundenseite im CRM (oder legt eine neue an), das Angebotstemplate aus der Angebote-Datenbank. Dazu kommen Kontext-Referenzen in drei Stufen – von Kerninformationen über aufgabenspezifische Quellen bis zu Hintergrundwissen auf Abruf. 3. Arbeitsanweisung (SOP) Das Herzstück: 6 konkrete, sequenzielle Schritte . Transkript analysieren – Herausforderungen, Ziele und empfohlenes Produkt extrahieren Kundenseite im CRM finden oder neu anlegen Angebotstemplate duplizieren Angebotsseite personalisieren – Header anpassen, empfohlenes Produkt als Hauptpaket setzen, nicht relevante Sektionen verschieben, Preise eintragen, alle Platzhalter ersetzen Angebot auf der Kundenseite im CRM verlinken und Status setzen Qualitätscheck gegen die Definition of Done 4. Kontext Der Skill definiert explizit, welche Informationen die KI laden muss – geordnet in drei Stufen . Kern-Kontext wird immer geladen: die Produktübersicht, die Preisliste und das Angebotstemplate. Aufgabenspezifischer Kontext wird für genau diesen Skill geladen: das Meeting-Transkript und die Kundenseite im CRM. Hintergrund-Kontext steht auf Abruf bereit, falls die KI ihn braucht: z.B. vergangene Angebote an denselben Kunden oder branchenspezifische Referenzen. So weiß die KI nicht nur, was sie tun soll – sondern auch, worauf sie dabei zugreifen kann. 5. Definition of Done Am Ende steht ein klarer Prüfkatalog. Der Skill definiert, woran man erkennt, dass er korrekt ausgeführt wurde: Herausforderungen und Ziele spiegeln das Kundengespräch korrekt wider Empfohlenes Produkt passt zur Kundensituation Alle Platzhalter restlos ersetzt, Preise eingetragen Keine erfundenen Zahlen oder Fakten CRM-Verlinkung vorhanden, Status gesetzt Du gibst der KI eine vollständige Arbeitsanweisung mit Startprotokoll, SOP, Kontext, Governance und Qualitätskriterien. Die KI weiß exakt, was sie tun muss, welche Daten sie braucht und wann ein Mensch drüberschauen muss. Wie du Skills baust In den letzten 10 Wochen haben wir 57 Skills aufgesetzt. Dabei hat sich ein klarer Prozess herauskristallisiert, den wir selbst als Skill in unserer Datenbank hinterlegt haben – den Meta-Skill " Neuen Skill erstellen ". Dieser Skill führt die KI und den Skill-Owner gemeinsam durch den gesamten Erstellungsprozess – mit Rückfragen, Vorschlägen und Checkpoints an jeder Stelle. So läuft er ab: Schritt 1: Die richtige Aufgabe finden Nicht jede Aufgabe braucht einen Skill. Skills lohnen sich für wiederkehrende Aufgaben mit klarer Struktur: Angebote erstellen, Kundenprojekte onboarden, Meeting-Notizen verarbeiten, Newsletter schreiben. Die Faustregel: Wenn du eine Aufgabe mehr als dreimal gemacht hast und sie immer ähnlich abläuft – dann ist das ein Skill-Kandidat. Schritt 2: Freies Briefing Der zukünftige Skill-Owner beschreibt frei, was der Skill können soll. Einfach erklären: Was ist das Ziel? Was geht rein, was kommt raus? Wie machst du es heute? Die KI hört zu, stellt Rückfragen , sammelt alles und spiegelt dann das Verstandene zurück – inklusive einem Vorschlag für Skill-Name, Eingaben, Ausgaben und Keywords. Erst wenn der Owner bestätigt, geht es weiter. Schritt 3: Das Implizite explizit machen Das ist der schwierigste und wichtigste Schritt . Die KI führt den Owner durch gezielte Rückfragen: Wo gibt es Lücken im beschriebenen Prozess? Welches implizite Wissen steckt in der Aufgabe, das noch nicht dokumentiert ist? Was sind typische Entscheidungspunkte? Was kann schiefgehen? Am besten dokumentiert der Owner den Skill, während er die Aufgabe das nächste Mal in Echtzeit ausführt – so geht nichts verloren. Aus den Antworten entsteht die Arbeitsanweisung: 4 bis 10 konkrete, sequenzielle Schritte . So spezifisch formuliert, dass die KI die Aufgabe fehlerfrei und konsistent ausführen kann. Schritt 4: Governance festlegen Die KI analysiert den Skill-Typ und schlägt eine Governance-Einstufung nach dem Ampel-Prinzip vor: 🟢 Grün – KI darf autonom ausführen, kein menschlicher Touchpoint nötig 🟡 Gelb – KI bereitet vor, ein Mensch reviewed und gibt frei 🔴 Rot – KI darf nur unterstützen, Mensch führt die Kernentscheidung Dazu schlägt die KI vor, wo genau in der SOP menschliche Touchpoints sitzen sollen und wer reviewed. Der Owner bestätigt oder überschreibt. Wichtig: Das Ampelsystem ist unsere Logik. Du kannst natürlich eine andere Regeln verwenden. Schritt 5: Kontext mappen Welche Datenbanken, Dokumente oder Templates muss die KI laden, bevor sie loslegen kann? Die KI sammelt 3 bis 5 notwendige Kontext-Quellen und ordnet sie in drei Stufen: Kerninformationen (immer laden), aufgabenspezifische Quellen (für diesen Skill) und Hintergrundwissen (nur auf Abruf). Jede Quelle wird explizit verknüpft – die KI weiß danach genau, wo sie welche Information findet. Schritt 6: Definition of Done und Qualitätskriterien Woran erkennt man, dass der Skill gut ausgeführt wurde? Zusammen mit dem Owner definiert die KI konkrete Prüfkriterien und mindestens drei Negativbeispiele – also typische Fehler, die nicht passieren dürfen. Schritt 7: Testen und iterieren Kein Skill ist beim ersten Mal perfekt. Wir testen jeden Skill mindestens 3 bis 5 Mal mit realistischen Eingaben, bevor er "live" geht. Jeder Testlauf wird gegen die Definition of Done geprüft. Das Feedback fließt direkt in den Skill zurück. Nach 3 bis 4 Iterationen liefert die KI in der Regel Ergebnisse, die nur noch minimale menschliche Anpassungen brauchen. Erst dann wird der Skill aktiviert. Schritt 8: Owner zuweisen und weiterentwickeln Jeder Skill hat einen Owner – eine Person, die für Qualität und Weiterentwicklung verantwortlich ist. Wenn das System über die Feedback-Schleife Verbesserungsvorschläge loggt, ist der Owner dafür zuständig, diese einzuarbeiten. Dadurch entsteht ein lebendiges System. Skills sind keine statischen Dokumente. Sie entwickeln sich weiter – mit jeder Ausführung. Wo du Skills schon heute anlegen kannst Du verstehst jetzt, was ein Skill ist und wie du ihn baust. Bleibt die Frage: Wo legst du ihn an? Die gute Nachricht: Die großen KI-Plattformen unterstützen Skills bereits nativ – mit erstaunlich ähnlicher Logik. Der grundsätzliche Weg ist bei allen Anbietern gleich: Du definierst einen Namen und eine Beschreibung für deinen Skill Du hinterlegst die Arbeitsanweisung. Dafür gibt es mehrere Wege: Selbst schreiben: Du dokumentierst den Skill direkt – Schritt für Schritt, so wie du ihn ausführst. Meta-Skill nutzen: Viele Tools haben einen eingebauten "Skill-Creator" – einen Skill, der andere Skills für dich baut. Du beschreibst die Aufgabe im Chat, die KI stellt Rückfragen und generiert die Arbeitsanweisung. Importieren: Es gibt mittlerweile Skill-Datenbanken und Repositories (z.B. unsere). Du kannst bestehende Skills einfügen, hochladen und an deine Bedürfnisse anpassen. Aus einer Aufgabe ableiten: Du hast gerade eine Aufgabe erledigt? Sag der KI: "Erstelle daraus einen Skill, der mir beim nächsten Mal hilft, diese Aufgabe genau so auszuführen." Die KI extrahiert die Schritte aus eurem Gespräch. Du verknüpfst den Skill optional mit Datenquellen, Integrationen oder Tools Du speicherst den Skill und machst ihn für dich, dein Team oder deine gesamte Organisation verfügbar Die Nuancen unterscheiden sich je nach Anbieter. Hier ein Überblick: ChatGPT (OpenAI) In ChatGPT klickst du auf dein Profilbild → Skills . Dort siehst du installierte Skills, selbst erstellte und mit dir geteilte. Jedes Konto hat standardmäßig einen " skill-creator " – einen Skill, der andere Skills für dich baut. Du kannst ChatGPT einfach bitten, einen Skill zu erstellen, und die KI führt dich durch den Prozess: Was ist der Job-to-be-done ? Welche Eingaben braucht der Skill? Wie sieht der Schritt-für-Schritt-Ablauf aus? Welches Ausgabeformat erwartest du? Dokumentation: Skills in ChatGPT Claude (Anthropic) Bei Claude heißen sie ebenfalls "Skills". Du kannst sie über den eingebauten skill-creator Skill erstellen lassen – Claude stellt dir Fragen und baut den Skill automatisch – oder du legst manuell eine SKILL.md -Datei an. Skills funktionieren in Claude.ai , Claude Code und über die API . Verfügbar für Pro, Max, Team und Enterprise. Dokumentation: Custom Skills erstellen Langdock In Langdock findest du Skills direkt in der Seitenleiste. Über Add Skill kannst du entweder Anweisungen direkt schreiben oder den Skill im Chat beschreiben lassen – Langdock generiert die Instruktionen dann für dich. Skills können mit Integrationen verknüpft werden, z.B. ein Gmail-Skill , der automatisch E-Mail-Aktionen verfügbar macht, sobald der Skill aktiv ist. Dokumentation: Skills in Langdock Microsoft Copilot Microsoft geht den Weg über Copilot Studio , wo du Agents mit spezifischen Anweisungen und Skills erstellst. Der Agent Builder führt dich Schritt für Schritt durch die Erstellung – Name, Anweisungen, Wissensquellen, Aktionen. Skills können aus einer zentralen Bibliothek geladen und in Agents eingebunden werden. Spannend ist, was Microsoft gerade mit Copilot Cowork angekündigt hat: Cowork geht über das reine Chat-Interface hinaus und verwandelt Copilot in ein Ausführungs-Tool. Du beschreibst das gewünschte Ergebnis, Cowork erstellt einen Plan, arbeitet ihn im Hintergrund ab und checkt bei dir ein, wenn es Freigaben braucht. Das ist genau die Logik, in die Skills passen – und Microsoft wird Skills über Copilot 365 bzw. Copilot Cowork direkt ausführbar machen. Dokumentation: Agents in Copilot Studio erstellen Was bedeutet das für dich? Die Plattform liefert die technische Basis, um Skills anlegen und ausführen zu können. Aber sie wird nicht großartig verändern, welche Wirkung du damit erzielen kannst. Die Wirkung entsteht nur, wenn du in der Lage bist, sehr akkurate, gute Skills zu bauen. Kein KI-Anbieter wird wissen, wie dein Unternehmen Angebote erstellt, Kunden onboardet oder Support-Anfragen bearbeitet. Das musst du selbst dokumentieren – und genau dafür hast du jetzt das Handwerkszeug. Die AI FIRST Skill-Datenbank Damit du nicht bei null anfangen musst, haben wir eine Datenbank mit über 80 dokumentierten Skills aufgebaut. Jeder Skill ist nach unserem Blueprint strukturiert – mit Beschreibung, Arbeitsanweisung, Kontext-Referenzen, Governance und Definition of Done. Du kannst jeden Skill direkt kopieren, an deine Prozesse anpassen und sofort nutzen. Die Datenbank hilft dir auf zwei Ebenen: Erstens findest du dort Ideen, welche Skills für deine Rolle und dein Unternehmen sinnvoll sein könnten – von Sales über Operations bis HR. Zweitens bekommst du mit jedem Skill eine fertige Struktur , die du nur noch individualisieren musst. Statt von einem leeren Blatt zu starten, passt du die vorhandene Arbeitsanweisung, die Kontextquellen und die Qualitätskriterien an dein Setup an. → Zur KI-Skill-Datenbank Ist Skill-Engineering jetzt das neue große Ding? Ja klar, man könnte jetzt natürlich sagen: Skill-Engineering ist der neue große Hype. Und wahrscheinlich werden auch einige draufspringen. Aber am Ende geht es um das, worum es schon seit Jahren in der Arbeit mit KI geht. Nämlich um drei Kernprinzipien: Präzise beschreiben, was die KI tun soll – als Prozess. Nicht nur das Ziel, sondern den Weg dorthin dokumentieren: klare, sequenzielle Schritte mit allen Entscheidungspunkten und Verzweigungen. Qualitätskriterien und Beispiele definieren. Wie sieht ein gutes Ergebnis aus? Woran erkenne ich, dass der Output stimmt? Alle notwendigen Daten bereitstellen , die die KI benötigt, um den vollständigen Kontext zu haben, der für die Erledigung der Aufgabe erforderlich ist. Egal, ob wir Prompts geschrieben haben. Egal, ob wir Agenten erstellt haben. Egal, ob wir jetzt Skills erstellen – diese Prinzipien bleiben bestehen . Sie sind der Kern guter KI-Arbeit und sie waren es schon immer. Wie das dann genannt wird, ist am Ende eigentlich vollkommen egal. Skills sind einfach eine viel skalierbarere Art und Weise , einer KI Zugriff darauf zu geben, was die Organisation kann – damit die KI es anstelle von Mitarbeitenden ausführen kann. 🏁 Fazit Das war viel Stoff. Hier nochmal das Wichtigste auf den Punkt: Ein Skill ist eine dokumentierte, wiederverwendbare Arbeitsanweisung – so präzise, dass eine KI sie eigenständig ausführen kann. Mit Schritten, Kontext, Governance und Qualitätskriterien. Skills lösen das Skalierungsproblem von Agenten. Statt Wissen über dutzende Agenten zu verteilen , pflegst du es einmal – und jede KI kann darauf zugreifen. Die großen KI-Plattformen unterstützen Skills bereits nativ. ChatGPT , Claude , Langdock , Copilot (coming soon) – der Weg ist überall ähnlich. Der Wert liegt nicht im Tool, sondern im Skill selbst . Kein Anbieter weiß, wie dein Unternehmen arbeitet. Das musst du dokumentieren. Du kannst sofort loslegen. Kein großes Setup, kein Projektplan. Einfach anfangen. Nimm dir eine Aufgabe vor , die du regelmäßig machst und die immer ähnlich abläuft. Schreib auf, wie du sie erledigst – Schritt für Schritt, so detailliert, dass eine KI es ohne Rückfragen ausführen könnte. Gib die Anweisung einer KI und schau, was passiert. Wo weicht das Ergebnis ab? Was fehlt? Passe den Skill an, teste erneut. Nach 3–4 Durchläufen sitzt er. Dann der nächste. So entsteht Stück für Stück die Skill-Datenbank deiner Organisation. Nach ein paar Skills weißt du wie es geht und deine KI wird einen immer größeren Anteil deiner Arbeit deutlich unterstützen oder übernehmen können. Viel Spaß dabei und bis nächsten Sonntag, Felix P.S. Ab April nehmen wir wieder neue Mitglieder ins AI Collective auf. Im Collective lernst du nicht nur, wie wir Skills bauen – du baust deine eigenen. Mit unserem Framework, unserem Feedback und einer Community aus 80 Führungskräften , die den gleichen Weg gehen. Auf die Warteliste eintragen
## Die 5 Bausteine unseres KI-Betriebssystems
URL: https://ai-first.ai/insights/die-5-bausteine-unseres-ki-betriebssystems
Kategorie: Adoption
Untertitel: Was unser System systemisch macht – und warum es mit jeder Nutzung besser wird
Herzlich Willkommen zu den AI FIRST Insights! Seit 9 Wochen bauen wir KI als Betriebssystem unseres Unternehmens um. Letzte Woche habe ich gezeigt, was das in der Praxis bedeutet – und seitdem kam eine Frage immer wieder: Woraus besteht dieses System eigentlich? Heute zeige ich Dir die 5 Bausteine unseres KI-Betriebssystems und wie sie zusammenhängen. Los geht’s! Dein KI-Betriebssystem im AI Collective bauen Zum 01. April nehmen wir neue Mitglieder in unser AI Collective auf. Dort triffst du auf 80 Führungskräfte, die die KI-Transformation in ihren Unternehmen verantworten. Im AI Collective bekommst Du Zugriff auf unser Wissen und unsere Werkzeuge zum Aufbau einer AI-First Organisation, die ihr Wachstum vom Headcount entkoppelt. 50% der Plätze sind schon wieder weg. Wenn Du dabei sein willst, dann sichere dir jetzt deinen Platz. Platz im AI Collective sichern Bevor wir in die Bausteine eintauchen Ich muss einen Punkt voranstellen, der alles andere bestimmt. Alle Gedanken hinter “KI als Betriebssystem” beruhen auf der Überzeugung, dass die neusten KI-Modelle so leistungsfähig sind, dass sie einen Großteil digitaler Arbeit so erledigen können, wie wir. Wenn KI einen Großteil der Arbeit erledigen soll, dann müssen wir unser Unternehmen so organisieren, dass KI möglichst gut darin arbeiten kann. Nicht nur Menschen. Das Problem ist nur, dass KI aktuell in ein menschliches Konstrukt gepresst wird. Nämlich in die Form eines “digitalen Mitarbeiters”. Wenn ich KI als Mitarbeiter denke, stecke ich die Intelligenz in den Agenten: Sein Systemprompt Seine Tools Sein Wissen Jeder Agent ist ein Silo . Je komplexer die Aufgabe, desto instabiler wird der Agent. Wenn ich KI als Betriebssystem denke, verteile ich die Intelligenz auf das System: Die Skills, der Kontext, die Regeln, die Tools und eine integrierte Lernschleife bei jeder Ausführung sind eigenständige Bausteine. Agenten sind im System nur noch Ausführungseinheiten, die sich aus diesen Bausteinen bedienen. Im Newsletter zur systemischen Denkweise habe ich das den Unterschied zwischen Analyse und Synthese genannt. Statt jeden KI-Agenten einzeln zu optimieren, haben wir ein Gesamtsystem designed , in dem jede Verbesserung automatisch auf alle Prozesse durchschlägt. Je nach Aufgabe, die reinkommt, kann sich die KI dynamisch aus den Bausteinen so zusammenbauen, wie es für die Erledigung erforderlich ist. Kommen wir zu den 5 Bausteinen. 1. Skills: Was die Organisation kann Ein Skill ist eine ausführbare, wiederholbare Arbeitsanweisung für eine konkrete Aufgabe. Alles, was ein Agent oder Mensch braucht, um diese Aufgabe zu erledigen, steckt im Skill selbst: eine präzise Schritt-für-Schritt-Anweisung, eine Definition of Done , der Kontext, den er laden muss, und die Regeln, die dabei gelten. Hat KI einmal Zugriff auf einen Skill, kann sie diesen immer wieder ausführen. Konkretes Beispiel: Kundenprojekt onboarden. 8 klar definierte Schritte. Der Skill weiß, welche Eingaben er braucht: Kundenname, Angebotsdokument, Ansprechpartner. Er weiß, welchen Output er liefert: ein fertig aufgesetzter Projekt Hub, ein strukturierter Projektplan, eine vorbereitete Intro-Mail. Und er weiß, wann ein Mensch eingreift: nach Schritt 8 reviewed jemand das Ergebnis, bevor die Intro-Mail rausgeht. In unserem System haben wir aktuell 57 unterschiedliche Skills aufgesetzt, darunter auch Meta-Skills . Also Fähigkeiten, die das System selbst erweitern. Alle Skills werden in einer Datenbank verwaltet. Der wichtigste heißt schlicht “ Neuen Skill erstellen”. Wenn eine Aufgabe auftaucht, für die es noch keinen Skill gibt, kann das System sich selbst eine neue Fähigkeit bauen – weil das Erstellen neuer Fähigkeiten selbst ein dokumentierter Skill ist. Für jedes Unternehmen wird es also eine wichtige Aufgabe sein, die Skills in allen Abteilungen sauber rauszuarbeiten und zu dokumentieren, damit eine KI all diese Skills ausführen kann. Hunderte spezialisierter KI-Agenten, die kein Mensch mehr überblicken und warten kann, werden damit überflüssig. 2. Kontext: Was die Organisation weiß Der Kontext-Layer macht alles Implizite für die KI explizit. Unser Ziel ist, dass KI möglichst den genau gleichen Kontext hat, den auch wir haben. Nur dann wird sie in der Lage sein, auch so zu arbeiten, wie wir es tun würden. Wir haben dafür eine 3-stufige Hierarchie aufgebaut: Stufe 1 (Kern): Kontext, der immer geladen wird. AI FIRST Profil, Governance-Regeln, aktuelle Learnings aus der Feedback-Datenbank, die Skill-Definition selbst. Stufe 2 (Aufgabe): Kontext, der Skill-spezifisch geladen wird. Beim Onboarding zum Beispiel: das Master-Template für den Projekt Hub, bestehende Projekte für den Duplikat-Check. Stufe 3 (Hintergrund): Kontext, der nur auf Anfrage geladen wird. Historische Projekte, NPS-Trends, langfristige Muster. Wird nur geladen, wenn der Skill es explizit braucht. Warum diese Aufteilung? Mehr Kontext bedeutet nicht automatisch bessere Ergebnisse. Oft passiert sogar das Gegenteil: Zu viel Kontext überflutet das System und verschlechtert den Output. Wir versuchen durch diese simple Stufen-Logik den Platz im Kontextfenster so effizient wie möglich zu managen. Um den Kontext im KI-Betriebssystem zu verwalten, haben wir eine große Datenbank aufgebaut, wo sämtliche Kontext-Quellen beschrieben und miteinander vernetzt sind - ein Wissensgraph. So weiß das System, wo welche Info’s zu Kunden stehen, wo es unsere Produkt-Dokumentation findet oder wo alle Content-Assets abgelegt sind. Um die Aktualität zu gewährleisten fließt alles, was bei AI FIRST passiert, auch direkt wieder in das System. Zum Beispiel indem jedes Meeting aufgezeichnet, transkribiert, strukturiert und in einer Datenbank gespeichert wird. 3. Governance: Welche Regeln gelten Wenn eine KI einen immer größeren Anteil der Arbeit erledigen soll, dann müssen wir Regeln definieren. Sonst wird früher oder später etwas passieren, was nicht in unserem Interesse ist. Wir haben dafür ein Governance Handbuch mit einem Ampel-System implementiert: 🟢 Grün: KI arbeitet autonom. Interne, leicht korrigierbare Aufgaben. Meeting-Notizen extrahieren zum Beispiel. 🟡 Gelb: KI bereitet vor, Mensch entscheidet. Alles, was nach außen geht oder Markenwirkung hat. Angebote, LinkedIn Posts. 🔴 Rot: Nur Mensch. Irreversible oder rechtlich bindende Entscheidungen. Vertragsverhandlungen. Jeder Skill bekommt bei der Erstellung eine Farbe. Bei Gelb sind konkrete Touchpoints definiert: An welcher Stelle genau stoppt das System und wartet auf Review? Das ist der bewährte “Human in the Loop” Ansatz. Unser Governance-Handbuch regelt aber nicht nur, was die KI darf. In einem vernetzten System hat jede Änderung Auswirkungen auf andere Teile. Deshalb ist im Handbuch auch definiert, was, wo und wie dokumentiert wird. Änderungen am Betriebssystem können dadurch selbstständig von KI vorgenommen werden. Sie kennt die Zusammenhänge zwischen allen Bestandteilen des Systems und stellt sicher, dass jeder Teil so angepasst wird, dass das gewünschte Verhalten erzeugt werden kann. 4. Skill Executor: Wer führt aus Auf dem KI-Betriebssystem benötigen wir eine Einheit, die jeden Skill ausführen kann. Wir haben ihn “Skill Executor” genannt. Der Skill Executor ist so gesehen ein KI-Agent, der immer die folgenden 5 Schritte durchläuft: Skill finden Kontext laden Arbeitsanweisung abarbeiten An Review-Touchpoints pausieren Feedback loggen Er ist bewusst “dumm” gehalten. Die Intelligenz steckt nicht in ihm (wie wir das vorher mit unseren 25 KI-Agenten getan hatten), sondern in den Skills, dem Kontext und der Governance. Der Skill Executor ist eine reine Ausführungseinheit, die sich immer so zusammenbaut, wie es von der Aufgabenstellung erforderlich ist. Warum das wichtig ist: Wenn ein Skill besser wird, wird automatisch jede Ausführung dieses Skills besser . Ohne dass am Executor irgendetwas geändert werden muss. Das skaliert auf eine Art, die mit spezialisierten Agenten nicht möglich wäre. 5. Feedback-Layer: Wie das System lernt Der letzte Baustein stellt sicher, dass sich das KI-Betriebssystem weiterentwickelt und mit jeder Nutzung besser wird. Ohne Lernschleife verbesserst du einen Skill manuell, vergisst es beim nächsten, oder das Learning bleibt im Kopf einer Person und geht beim nächsten Projekt verloren. Wir brauchten einen Mechanismus, bei dem jede Ausführung das System automatisch schlauer macht. Wie das in der Praxis aussieht: Die KI führt unser Kundenprojekt-Onboarding durch. Der Kunde hat eine besondere Anforderung: Ein NDA muss vor dem Projekt-Hub-Sharing unterzeichnet werden. Das war im Standardprozess nicht vorgesehen. Die KI erledigt das Onboarding, loggt aber automatisch: „Compliance-Anforderung NDA war nicht im Skill dokumentiert. Vorschlag: Prüfschritt für besondere Compliance-Anforderungen ergänzen." Das Learning landet in der Feedback-Datenbank . Beim nächsten Review wird die Arbeitsanweisung gepatcht. Und beim nächsten Onboarding weiß die KI das automatisch. Kein Mensch muss daran denken. Je mehr Aufgaben die KI ausführt, desto mehr Learnings sammelt sie, desto besser werden die Anweisungen, desto besser werden die Ergebnisse. Okay, aber wie? Wie kannst du das jetzt in deinem Tool-Stack umsetzen? Ich habe im letzten Newsletter beschrieben, dass wir uns gerade in einem fundamentalen Shift befinden: weg von Chatbots, hin zu General Purpose Agents. Agenten, die eigenständig auf Daten, Tools und Skills zugreifen können. Claude ist da aktuell am weitesten. Aber ich habe in den letzten Wochen mit mehreren KI-Anbietern über ihre Roadmaps gesprochen – und was ich da sehe, bestätigt: Diese Architektur wird auf Feature-Ebene von immer mehr Anbietern eingeführt. OpenAI hat in dieser Woche Skills in ihre Business-Produkte eingeführt, Copilot hat ebenfalls schon eine Ankündigung gemacht und auch Anbieter wie Langdock werden auf diese Logik wechseln. Die Frage ist also nicht, ob deine KI-Plattform irgendwann in der Lage sein wird, als Betriebssystem zu funktionieren. Die Frage ist, ob du bereit bist, wenn es das kann. Bereit sein bedeutet: Deine Abläufe aka Skills konsequent dokumentieren Deinen Kontext sauber zusammenziehen – an einem Ort, strukturiert, maschinenlesbar . Die Schnittstellen zu deinen Tools für KI zugänglich machen, damit KI sie bedienen kann Die Logiken definieren, die dein System braucht: Wer darf was? Wann greift ein Mensch ein? Wie fließen Learnings zurück? Du musst nicht alles auf einmal umsetzen. Aber du solltest heute anfangen , die Voraussetzungen zu schaffen – denn wenn die Plattformen so weit sind, zählt nur noch, wer seine Hausaufgaben gemacht hat. 🏁 Fazit Vor 9 Wochen haben wir angefangen, unser Unternehmen als Betriebssystem neu zu denken. Die Bausteine sind aus der täglichen Arbeit gewachsen – aus Fehlern und aus der Erkenntnis, dass einzelne Agenten nicht skalieren. Ein Skill allein ist eine gute Arbeitsanweisung. Aber ein Skill, der seinen Kontext kennt, sich an Governance hält, von einem generischen Executor ausgeführt wird und über die Feedback-Datenbank lernt – das erzeugt am Ende den Hebel. Und es gibt noch einen Layer, auf den ich heute bewusst nicht im Detail eingegangen bin: den Agentic Layer . Auf dem KI-Betriebssystem arbeitet bei uns mittlerweile eine Kette an Agenten, die einlaufende Arbeit automatisch erledigen – indem sie sich dynamisch aus genau diesen Bausteinen bedienen. Sie finden den richtigen Skill, laden den passenden Kontext, halten sich an die Governance und loggen ihr Feedback. Dazu werde ich in den nächsten Wochen noch schreiben. Zuerst will ich tiefer in den wichtigsten Baustein einsteigen: Skills. Was genau ein Skill ist, wie man ihn baut, wie man ihn einsetzt. Skill-Engineering wird eines der größeren Themen für den Rest des Jahres sein. Bis nächsten Sonntag, Felix P.S. Ab April nehmen wir wieder neue Mitglieder ins AI Collective auf. Wenn du sehen willst, wie wir dieses Betriebssystem konkret aufgebaut haben, und mit anderen Führungskräften daran arbeiten willst, dasselbe für dein Unternehmen zu tun — dann ist das der richtige Ort dafür. Auf die Warteliste eintragen
## 8 Wochen KI-Betriebssystem
URL: https://ai-first.ai/insights/ki-als-betriebssystem-8-wochen-die-unsere-arbeit-veraendert-haben
Kategorie: Horizont
Untertitel: Ein Vorher/Nachher aus unserem Alltag – und was du dafür brauchst
Herzlich Willkommen zu den AI FIRST Insights! Letzte Woche habe ich beschrieben, warum KI kein Tool und kein Mitarbeiter ist - sondern ein Betriebssystem . Ein System, das alle Fähigkeiten, allen Kontext und alle Tools vernetzt nutzen kann, statt in voneinander getrennten Agenten-Silos zu arbeiten. Mit den neuesten Frontier-Modellen hat KI eine Qualität agentischer Fähigkeiten bekommen, die vorher nicht da war. Erst damit verschiebt sich grundlegend, wie KI in Unternehmen eingesetzt werden kann und warum ein systemischer Ansatz überlegen ist. Heute zeige ich dir, was das konkret bedeutet. Was sich bei uns in den letzten 8 Wochen verändert hat, ein Vorher/Nachher-Beispiel aus unserem Alltag und was nötig war, damit das funktioniert. Los geht's! 30 neue Plätze im AI Collective Wir nehmen zum 01. April 30 neue Führungskräfte und Geschäftsführer in unser AI Collective auf. Dort triffst Du auf eine kuratierte Community aus 80 Personen, die die KI-Transformation in ihren Unternehmen vorantreiben. Was Dich erwartet: Accelerator Track – ein 8-wöchiges Onboarding-Programm, das sicherstellt, dass du vom ersten Tag an den bestmöglichen Start hast, direkt erste messbare Ergebnisse erzielst und konsequent in die Umsetzung kommst KI-Betriebssystem – unser erprobtes Framework, das wir dir vollständig bereitstellen, damit du es konzeptionell für dein Unternehmen nachbauen und als operative Grundlage nutzen kannst AI FIRST Hub mit Vorlagen (KI-Richtlinie, Leitbild Canvas, Use Case Scorecard, ...), Anleitungen (AI FIRST Playbook, KI-Hackathon, KI-Botschafter Community, ...) und Datenbanken (Prompts, Use Cases, Agenten, ...) Akademie mit ca. 20h Inhalten zu KI-Anwendung (Assistenten, Automationen und Agenten, Prompt Engineering, AI-First Routinen, ...) und KI-Leadership (Zielbild entwickeln, Change-Taktiken, Use Case Framework, ...) Wöchentliche Community Sessions zu KI-Anwendung (Tools, Automations, Agents, KI-Betriebssystem) und KI-Leadership (Strategie, Adaption, Change) – wo Mitglieder ihre aktuellen Themen einbringen und voneinander lernen Monatliche Deep Dives mit Fachexperten zu EU AI Act, Bild- & Video-KI, Datenstrategie, Agenten-Systemen u.v.m. – mit Gästen wie Elisabeth L'Orange, Tobias Zwingmann und Andreas Horn Coaches aus unserem Enablement und AI Automation Team, die dir mit Rat und Tat zur Seite stehen Community-Plattform mit garantierter Antwort innerhalb von 24h und einem Austausch, der auf echtem Vertrauen basiert Auf die Warteliste eintragen Der Shift Ich muss zuerst erklären, was sich technisch gerade verändert. Denn nur mit diesem Verständnis ergibt alles weitere einen Sinn. Claude Opus 4.6 erschien am 05. Februar diesen Jahres. Mit diesem Modell kann KI nativ über viele Minuten an mehrschrittigen Aufgaben arbeiten, teils an fünf Aufgaben parallel. Sie lädt Kontext akkurat, nutzt Tools präzise, erkennt Fehler und korrigiert sie selbständig in Extraschleifen. Weit über Coding hinaus. In der letzten METR Benchmark, die ich in den letzten Jahren wiederholt aufgegriffen habe, hat Opus 4.6 alle Testaufgaben gesprengt und konnte 14.5 Stunden an Coding-Aufgaben arbeiten. Vor 12 Monaten waren die Modelle bei ca. 1 Stunde. Wenn wir in ein paar Jahren auf diesen Chart gucken, werden wir ganz am Anfang einer exponentiellen Kurve sein. Was heißt das jetzt? Frage-Antwort-Chatbots sind Auslaufmodelle . Jeder Chatbot wird zu einem allgemeinen KI-Agenten, der Aufgaben eigenständig ausführt. Aktuell sind diese Fähigkeiten noch gar nicht in Copilot, Gemini oder ChatGPT angekommen. Claude führt das Feld an und alle anderen Anbieter werden folgen. Allgemeine KI-Agenten werden in der Lage sein, eine große Anzahl digitaler Aufgaben zu erledigen. Dafür muss der allgemeine KI-Agent alle Fähigkeiten, allen Kontext und alle Tools des Unternehmens einsehen und nutzen können. Ist das der Fall, können je nach Aufgabe die passenden Fähigkeiten, der notwendige Kontext und erforderliche Tools abgerufen und kombiniert werden. Die KI baut sich dynamisch so zusammen, wie die Aufgabe es erfordert, statt dass ich als Mensch einen spezialisierten Agenten vorher statisch konfiguriere. Mit diesem technologischen Shift benötigen wir keine Vielzahl mühselig konfigurierter und spezialisierter KI-Agenten mehr, die wir alle einzeln warten müssen. Wir benötigen ein System, in dem KI sich selbst jeden notwendigen Agenten aus den bestehenden Fähigkeiten, Tools und Daten zusammenbauen und fortlaufend verbessern und aktualisieren kann. Oder wie will SoftBank bitte 2.5 Millionen KI-Agenten steuern, überwachen und aktuell halten? Das ist der Kern unseres KI-Betriebssystems: Ein System, das Fähigkeiten, Kontext, Tools und Regeln im Unternehmen so organisiert, dass Arbeit wiederholbar, skalierbar und qualitätsgesichert von einer KI ausgeführt werden kann. Und das mit jeder Ausführung dazulernt, wie Prozesse noch besser ablaufen können und diese Anpassungen selbstständig im System vornehmen kann. Vorher/Nachher: Die Angebotserstellung Ich mache es an einem konkreten Beispiel fest. Der Prozess sieht auf den ersten Blick ähnlich aus. Der Unterschied steckt im Detail. Vorher — mit spezialisierten KI-Agenten Schritt 1: Meeting mit einem potenziellen Kunden beendet. Die Aufnahme wird gespeichert. Schritt 2: Mein Meeting-Agent fasst das Gespräch zusammen. Er erkennt: Das war ein Kundentermin, es soll ein Angebot erstellt werden. Er leitet die Aufgabe an den Angebots-Agenten weiter. Schritt 3: Der Angebots-Agent erstellt das Angebot. Er kennt unser Template, hat Zugriff auf die Preisstruktur und arbeitet sein Briefing ab. Schritt 4: Ich prüfe das Angebot, korrigiere, gebe frei. Das funktioniert — solange alles im Standard bleibt. Aber: Wenn im Meeting eine ungewöhnliche Anforderung aufkam, die nicht im Briefing steht, reagiert der Agent nicht flexibel. Er liefert Durchschnitt oder bleibt stecken. Wenn sich etwas Grundlegendes im Angebotsprozess verändert, muss ich das Briefing des Agenten manuell anpassen. Bei jedem betroffenen Agenten einzeln. Wenn der Agent Zugriff auf neuen Kontext benötigt, zB neue Produkt-Dokumentationen, muss ich diesen Kontext-Zugriff manuell bereitstellen und dem Agenten erklären, wie er damit umgehen soll. Wenn der Agent einen Fehler macht oder eine Verbesserung identifiziert, ändert sich nichts. Beim nächsten Mal macht er den gleichen Fehler, wenn ich nicht eingreife. Heute — mit dem Betriebssystem Schritt 1: Meeting beendet. Aufnahme wird automatisch in unserer Meeting-Datenbank gespeichert. Schritt 2: Das System extrahiert alle Aufgaben aus dem Gespräch. Nicht nur „Angebot erstellen", sondern auch „Follow-up-Mail schreiben", „Referenzcase schicken" — alles, was im Meeting besprochen wurde. Automatisch, ohne dass ich etwas delegiere. Schritt 3: Für jede Aufgabe sucht das System die passende Fähigkeit in unserer Fähigkeiten-Datenbank. Findet ihn. Dokumentiert die Zuordnung transparent. Und führt ihn aus - alles in einem Durchlauf. Das System schlüpft in jede Rolle, die die jeweilige Aufgabe erfordert. Für das Angebot zieht es sich den Projektkontext, die Angebotshistorie, die Meeting-Inhalte und unsere Arbeitsanweisung zusammen. Alles vernetzt. Schritt 4 (wichtig): Wenn eine Aufgabe auftaucht, für die es noch keine Fähigkeit gibt, erstellt das System sich selbst eine neue Fähigkeit - weil das Erstellen neuer Fähigkeiten wiederum eine Fähigkeit im Betriebssystem ist. Schritt 5: Wenn bei der Ausführung etwas nicht passt - zum Beispiel ein Sonderfall, der in der Arbeitsanweisung nicht vorgesehen ist - erkennt das System den blinden Fleck. Es gibt sich selbst ein Feedback: „Hier fehlt eine Regelung für Sonderfall X. Vorschlag: Arbeitsanweisung wie folgt anpassen..." Beim nächsten Mal greift die Anpassung automatisch, wenn ich das freigebe. Schritt 6: Ich prüfe das Ergebnis und gebe frei. Das KI-Betriebssystem erkennt anfallende Arbeit (Meetings, Mails, To Do Liste, …) und kombiniert dann alle Fähigkeiten, Daten und Tools so, dass diese Arbeit erledigt wird. Mit einer eingebauten Feedback- und Verbesserungsschleife. Zuvor musste ich jeden KI-Agenten einzeln aufsetzen, Systemprompts schreiben, Daten bereitstellen, Tools zuweisen und in den Prozess integrieren. Und fortlaufend anpassen. Das macht das System jetzt selbst. Drei zentrale Voraussetzungen Das Ergebnis kommt nicht durch ein besseres Modell allein . Das Modell ist die Voraussetzung. Aber die eigentliche Arbeit liegt woanders. 1. Das Implizite explizit machen KI kann nichts nutzen, was sie nicht sieht . In jedem Unternehmen gibt es einen riesigen Berg an Wissen, der nirgendwo aufgeschrieben ist. Die Spitze über Wasser - das ist das, was explizit festgehalten ist. Dokumente, CRM-Daten, Organigramm, Produktkatalog. Den kann KI heute schon nutzen. Aber der Teil unter Wasser ist viel größer. Und er ist entscheidend. Wie laufen Prozesse wirklich — nicht wie es im Prozesshandbuch steht, sondern wie sie tatsächlich ablaufen? Wer entscheidet am Ende was? Nach welchen Kriterien treffen wir Entscheidungen? Wann eskalieren wir ein Kundenproblem? Was ist „gut genug" bei einem Ergebnis? Das wissen nur die Menschen, die es jeden Tag tun. Also haben wir alles umgedreht. Wir haben das Implizite explizit gemacht. Mehrere tausend Seiten Kontext maschinenlesbar aufbereitet. Produktdokumentation und Prozesse, aber auch Prinzipien, Entscheidungslogik, Kommunikationsregeln, Tonalität. Alles, was vorher in Köpfen steckte, haben wir rausgeholt und aufgeschrieben. 2. Alle Fähigkeiten dokumentieren Auf dieser Basis haben wir jede einzelne Fähigkeit im Unternehmen im Detail aufgeschrieben. Eine Fähigkeit beschreibt, wie wir Dinge tun. So präzise, dass KI sie eigenständig ausführen kann. Die Dokumentation einer Fähigkeit ist ähnlich zum Schreiben eines Systemprompts für einen Agenten. Der große Unterschied ist, dass Fähigkeiten von allen Agenten ausgeführt werden können, wenn sie gut aufgesetzt sind. Fähigkeiten sind bei uns: Podcast vorbereiten, Podcast nachbereiten, Kundenprojekt onboarden, Community Session vorbereiten, aber auch Meta-Fähigkeiten wie “Fähigkeit erstellen”. Für jede Fähigkeit ist dokumentiert: Wie genau machen wir das? Was darf auf keinen Fall passieren? Woran erkennen wir, dass das Ergebnis gut ist? 57 Fähigkeiten haben wir heute dokumentiert, alle von Menschen erstellt, die zuvor diese Fähigkeit “genutzt” haben. Jede Fähigkeit hat einen klaren Owner, der für die Weiterentwicklung zuständig ist. “ Skill-Engineering ” wird vermutlich als Begriff an die Stelle von Prompt-Engineering treten. Die Disziplin steht noch ganz am Anfang, aber im Endeffekt wird’s wieder darauf ankommen, sehr präzise zu beschreiben, wie sich KI verhalten soll. 3. Den gesamten Kontext zugänglich machen Damit das System mit all diesen Skills auch arbeiten kann, braucht es Zugriff auf den gesamten Kontext. Auf alles. E-Mails, Meetings, Kundenprojekte, Angebotshistorie, Kalender, interne Kommunikation, jedes Content-Artefakt. Wir haben dutzende Datenbanken und alle Tools für KI zugänglich gemacht. Alles an einem Ort, maschinenlesbar und vernetzt. Wenn das System jetzt ein Angebot erstellt, greift es auf die letzte Kommunikation mit dem Kunden zu, auf die Meeting-Notizen, auf ähnliche Angebote aus der Vergangenheit. Alles in einem Zugriff. Wenn KI als Betriebssystem einen immer größeren Anteil der anfallenden Arbeit erledigen soll (was sie kann), dann müssen wir unser Unternehmen so strukturieren, dass KI darin optimal arbeiten kann. Das ist der Kern des AI-First Prinzips . 🏁 Fazit Vor 8 Wochen haben wir aufgehört, KI als digitale Mitarbeiter zu organisieren, und angefangen, ein Betriebssystem zu bauen. Das erfordert viel Disziplin in der Umsetzung, ein wenig Mut, die alte Arbeitsweise loszulassen, und eine große Anpassungsfähigkeit. Wir lernen selbst jeden Tag dazu, wie das System besser werden kann, wie sich unsere Arbeitsweise anpassen muss und wodurch wir neuen Wert generieren, wenn die reine Erledigung der Arbeit zunehmend bei KI liegt. In den nächsten Wochen zeige ich dir, woraus unser Betriebssystem besteht. Die Bausteine, die Architektur und die Logik dahinter. Bis nächsten Sonntag, Felix P.S. Ab April nehmen wir wieder neue Mitglieder ins AI Collective auf. Wenn du sehen willst, wie wir unser KI-Betriebssystem konkret aufbauen, und mit anderen Führungskräften daran arbeiten willst, dasselbe für dein Unternehmen zu tun - dann ist das der richtige Ort dafür. Auf die Warteliste eintragen
## KI ist ein Betriebssystem
URL: https://ai-first.ai/insights/ki-ist-ein-betriebssystem
Kategorie: Adoption
Untertitel: Warum systemisches Denken der zentrale Skill ist, um KI wirklich zu hebeln
Herzlich Willkommen zu den AI FIRST Insights! „ 99,9% der Menschen im KI-Bereich haben gerade das Gefühl, hinten dran zu sein. Dabei zählen sie zu den 0,1% mit den wertvollsten Skills des Jahrzehnts." Das habe ich gestern auf LinkedIn geschrieben. Die enorme Resonanz zeigt, in was für einer verrückten Zeit wir gerade leben. Meine Antwort darauf: Keep building. Nur wer jetzt konsequent KI in die eigene Arbeit und das Unternehmen einbaut (egal ob auf Prozess- oder Produkt-Seite) wird mit dem Verständnis der Möglichkeiten noch hinterherkommen können. Wir machen das selbst. Vor sechs Wochen habe ich mein Ego über Bord geworfen und angefangen, unsere gesamte Firma noch mal aus KI-Perspektive neu zu denken. Wir sind mitten im Umbauprozess einer Firma, die konsequent AI-First gebaut ist. In diesem Newsletter will ich dir den einen zentralen Skill näherbringen, der uns dabei hilft, den Output, den wir aus KI bekommen, zu vervielfachen: systemisches Denken . Du bekommst Klarheit darüber, warum systemisches Denken gerade jetzt so wichtig ist und fünf konkrete Denkwerkzeuge mit Beispielen, wie du sie auf KI anwenden kannst. Los geht's! KI ist kein Tool. KI ist kein Mitarbeiter. KI ist ein Betriebssystem. Ich muss zuerst einen Denkfehler auflösen, den ich lange Zeit selbst gemacht habe. Diese Denke verhindert, dass wir die Wirkung von KI ausreizen. Der größte Denkfehler ist, dass KI ein Tool oder ein digitaler Mitarbeiter sei . Ein Tool hat eine Funktion. Du nutzt es, es erledigt eine Aufgabe, fertig. KI hat viele Funktionen und es werden exponentiell mehr. Wenn wir KI als Tool behandeln, beschränken wir sie auf eine Funktion. Wenn wir KI als digitalen Mitarbeiter definieren, ist es nicht viel besser. Dann übertragen wir genau die Einschränkungen, die für Menschen gelten, auf ein System, das sie nicht braucht: Wir geben der KI eine feste Rolle - obwohl sie jede Rolle dynamisch einnehmen kann. Wir bauen Teams aus spezialisierten Agenten - obwohl ein einziges System alle Fähigkeiten kombinieren kann. Wir definieren Übergaben zwischen Agenten - obwohl kein Kontextverlust nötig wäre. Wir schaffen Hierarchien und Abstimmung - obwohl es keinen Koordinationsaufwand geben müsste. Das Kernproblem: Mitarbeiter skalieren linear. KI skaliert exponentiell . Wenn sich KI exponentiell weiterentwickelt, kannst du nicht mehr Use Case für Use Case und Agent für Agent hinterher-optimieren. Dafür reichen unsere menschlichen Kapazitäten schlicht nicht aus. Was wir stattdessen brauchen, ist ein System im Unternehmen, das neue KI-Fähigkeiten automatisch aufnehmen und über alle Prozesse hinweg einsetzen kann. Ohne dass jemand jeden einzelnen Anwendungsfall manuell anpassen muss. Das Design von Unternehmen ist dafür ungeeignet. Unternehmen sind heute so gebaut, dass Menschen darin arbeiten können. Morgen müssen sie so gebaut sein, dass KI darin arbeiten kann . Deshalb: KI ist ein Mitarbeiter . KI ist ein Betriebssystem. Fünf Werkzeuge für systemisches Denken Um ein KI-Betriebssystem zu denken, aufzubauen und weiterzuentwickeln, brauchen wir einen anderen Denkansatz: systemisches Denken . Ich habe in den letzten Wochen gemerkt, dass wir bei AI FIRST viele Prinzipien des systemischen Denkens unterbewusst auf unser neues KI-Betriebssystem angewandt haben. Ein Artikel von Leyla Acaroglu über die Grundkonzepte des Systems Thinking hat mir geholfen, das bewusst einzuordnen. Hier sind fünf dieser Werkzeuge und wie wir sie anwenden. 1. Vernetzung Wenn ich KI als digitalen Mitarbeiter denke, dann arbeitet jeder Agent in seinem eigenen Silo. Er hat Zugriff auf einen bestimmten Kontext, bestimmte Tools und bestimmte Anweisungen. Use Case für Use Case, voneinander getrennt. Wenn ich KI als Betriebssystem denke, ist alles miteinander vernetzt. Die KI hat Zugriff auf alle Fähigkeiten - also die Standardabläufe, wie Aufgaben erledigt werden sollen. Sie hat Zugriff auf den gesamten Kontext der Firma, alle Tools und alle Agenten, die im Betriebssystem arbeiten. Je nachdem, welche Aufgabe reinkommt, kombiniert sie sich die Fähigkeiten, den Kontext, die Tools und die Agenten, die sie gerade braucht. Eine der wichtigsten Aufgaben in unserer Transformation war es deshalb, alles, was die KI braucht, an einem Ort zugänglich zu machen. Und damit meine ich wirklich ALLES. Nicht verteilt über verschiedene Tools und Systeme, sondern vernetzt an einer zentralen Stelle. 2. Synthese Synthese ist das Gegenteil von Analyse. Statt ein komplexes Problem in Einzelteile zu zerlegen und jeden Teil separat zu optimieren, geht es darum, das Ganze zu sehen und das Zusammenspiel zu designen. Mein persönlicher Augenöffner: Wenn sich die Fähigkeiten von KI exponentiell verbessern und KI in immer mehr Bereichen besser wird als ich, dann komme ich mit meinen menschlichen Limitationen nicht mehr hinterher, um für jeden einzelnen Anwendungsfall das Optimum aus KI rauszuholen. Genau hier setzt Synthese an: Ich muss aufhören, die einzelnen Teile zu optimieren, und stattdessen ein Betriebssystem bauen, in dem KI als Ganzes wirken kann. Nicht fragen: „Wie mache ich diesen einen Agenten besser?" Sondern: „Wie muss das Gesamtsystem aussehen, damit jede Verbesserung der KI-Fähigkeiten automatisch auf alle Prozesse durchschlägt?" Das verändert, wie ich an Probleme herangehe. Wenn heute etwas nicht funktioniert, frage ich nicht mehr: „Welcher Agent ist schuld?" Ich frage: „Was fehlt dem System, damit es diesen Fall selbst lösen kann?" Das ist der Unterschied zwischen Analyse und Synthese. 3. Emergenz Emergenz bedeutet, dass aus dem Zusammenspiel der Teile etwas Neues entsteht, das man aus den Einzelteilen allein nicht vorhersagen konnte. In der Vergangenheit sah KI-Arbeit bei uns so aus: Aufgabe 1 an Agent 1 delegieren, Aufgabe 2 an Agent 2, Aufgabe 3 an Agent 3. Ich musste wissen, welcher Agent was kann, und die Arbeit selbst aufteilen. Heute delegiere ich eine Aufgabe an eine KI, und die sucht sich selbständig die notwendigen Fähigkeiten, den Kontext und die Tools zusammen, um sie zu erledigen. Das allein ist schon ein Unterschied. Aber der eigentliche Emergenz-Moment ist ein anderer: Wenn eine Fähigkeit noch nicht existiert, kann die KI sich selbst eine neue Fähigkeit erschaffen - weil das Erstellen neuer Fähigkeiten wiederum eine Fähigkeit im Betriebssystem ist. Die KI arbeitet also nicht nur im Betriebssystem sondern erweitert es fortlaufend . 4. Rückkopplungsschleifen In jedem System gibt es Schleifen, in denen das Ergebnis einer Aktion zurückfließt und die nächste Aktion beeinflusst. Es gibt verstärkende Schleifen, die etwas beschleunigen, und balancierende Schleifen, die das System im Gleichgewicht halten. In unserem Betriebssystem haben wir eine zentrale Feedback-Datenbank aufgebaut. Jedes Feedback vom Nutzer und jedes Learning, das die KI bei der Ausführung selbst macht, dokumentiert sie automatisch und berücksichtigt es bei der nächsten Ausführung. Ein konkretes Beispiel: Ich erstelle mit der KI ein Angebot für einen Kunden. Die Anfrage enthält eine Anforderung, die so nicht in unserem Standardprozess dokumentiert ist. Die KI erkennt das, loggt das Learning und macht einen Vorschlag, wie sich die Anweisung für diese Fähigkeit in Zukunft anpassen sollte, damit solche Anfragen beim nächsten Mal besser verarbeitet werden. Das ist eine verstärkende Rückkopplungsschleife: Je mehr Aufgaben die KI ausführt, desto mehr Learnings sammelt sie , desto besser werden die Anweisungen, desto besser werden die Ergebnisse. Das Betriebssystem wird mit jeder Ausführung ein Stück schlauer, ohne dass ich manuell eingreifen muss. 5. Kausalität Wenn in einem Betriebssystem alles miteinander vernetzt ist, dann hat jede Veränderung an einer Stelle Auswirkungen auf das Gesamtsystem. Kausalität bedeutet, diese Zusammenhänge zu verstehen und bewusst zu gestalten. Wir haben zwei Dinge getan, um Kausalität im Betriebssystem beherrschbar zu machen. Erstens: Klare Abgrenzung im Design. Nichts wird doppelt dokumentiert. Jede Information hat genau einen Ort. Dadurch ist nachvollziehbar, was sich ändert, wenn wir an einer Stelle eingreifen. Zweitens: Wir nehmen Anpassungen im Betriebssystem nur mit KI vor. Die KI versteht die Zusammenhänge zwischen allen Bestandteilen des Systems. Wenn ich zum Beispiel eine neue Verhaltensregel einführen will, gibt es verschiedene Orte, die dafür angepasst werden müssen. Die KI kennt diese Orte und setzt die Änderung so um, dass sie im Gesamtsystem die erwartete Wirkung erzielt, ohne dass wir etwas übersehen. Das wäre mit einem manuellen Ansatz kaum leistbar. Aber weil die KI das gesamte Betriebssystem kennt, kann sie Kausalitäten nachvollziehen, die uns als Menschen entgehen würden. 🏁 Fazit Die Wirkung von KI im Unternehmen skaliert nur dann mit den Fähigkeiten von KI, wenn wir KI als Betriebssystem denken, aufbauen und umsetzen. Nicht als voneinander getrennte digitale Mitarbeiter. Und nicht nur als Tool, das ein paar Aufgaben unterstützt. Um dorthin zu kommen, musste ich mein Denken von einzelnen Use Cases und isolierten Agenten hin zu systemischem Denken ändern. Fünf Werkzeuge helfen dabei: Vernetzung: Alles an einem Ort zugänglich machen, statt in Silos zu arbeiten. Synthese: Das Ganze designen, statt die Teile einzeln zu optimieren. Emergenz: Dem Betriebssystem erlauben, sich selbst zu erweitern. Rückkopplungsschleifen: Learnings automatisch zurückfließen lassen. Kausalität: Veränderungen systemisch umsetzen, nicht isoliert. Ich hoffe, dieser Text gibt dir einen Impuls, KI in deinem Unternehmen weiter zu denken. Keep building . Bis nächsten Sonntag, Felix P.S. Ab März nehmen wir wieder neue Mitglieder ins AI Collective auf. Wenn du sehen willst, wie wir unser KI-Betriebssystem konkret aufbauen, und mit anderen Führungskräften daran arbeiten willst, dasselbe für dein Unternehmen zu tun - dann ist das der richtige Ort dafür. Auf die Warteliste eintragen
## Vor der Welle bleiben
URL: https://ai-first.ai/insights/vor-der-welle-bleiben
Kategorie: Horizont
Untertitel: Was der viralste KI-Artikel des Jahres richtig beschreibt und wo er aufhört
Herzlich Willkommen zu den AI FIRST Insights! In den letzten Tagen kam ich an einem Artikel nicht mehr vorbei. Egal ob LinkedIn, X oder Direktnachrichten aus meinem Netzwerk: Matt Shumers Blogpost "Something Big Is Happening" war überall. Über 50 Millionen Aufrufe allein auf X, und die Zahl wächst weiter. https://x.com/mattshumer_/status/2021256989876109403 Als ich den Artikel gelesen habe, dachte ich: Ja, genau das ist es, was ich gerade auch empfinde. Und ich glaube, genau deshalb geht dieser Artikel so viral. Shumer beschreibt etwas, das viele Menschen gerade fühlen, aber selbst nicht in Worte fassen konnten. Das Gefühl, dass sich gerade etwas Grundlegendes verschiebt. In meinen letzten beiden Newslettern ( Teleskop in die Zukunft & Werte statt Regeln ) habe ich die neuen Entwicklungen reflektiert und beschrieben, wie wir KI führen können, wenn sie immer eigenständiger wird. Aber das griff alles zu kurz. Shumers Artikel macht die Dringlichkeit noch greifbarer. In diesem Artikel bekommst du eine kurze Zusammenfassung des Artikels und meine Antwort auf die Frage, die Matt unbeantwortet ließ: Was bedeutet das konkret für dich und dein Unternehmen? Los geht's! Was Shumer beschreibt und warum er recht hat Shumers Artikel lässt sich auf eine Kette von drei Aussagen reduzieren. Und diese Kette ist das, was die Tragweite erst deutlich macht. 1. KI wird immer schneller immer besser, weil KI sich selbst verbessert OpenAI hat bei der Veröffentlichung von GPT-5.3 Codex etwas geschrieben, das man zweimal lesen muss: "GPT-5.3-Codex is our first model that was instrumental in creating itself." Die KI hat an ihrer eigenen Entwicklung mitgebaut. Sie hat Fehler im eigenen Training debuggt, das eigene Deployment gemanagt und eigene Testergebnisse ausgewertet. KI-Modelle werden besser im Programmieren -> bessere Programmierung beschleunigt die Entwicklung der nächsten KI-Generation -> die nächste Generation programmiert noch besser -> ...und so weiter. Diese Szenario wurde auch schon im AI 2027 Report als der wichtigste Beschleuniger der KI-Entwicklung beschrieben. 2. KI wird in immer mehr Aufgaben besser als der Mensch Die direkte Konsequenz aus dieser Selbstbeschleunigung ist, dass KI uns in immer mehr Bereichen überholt. (Ich habe diese Grafik zwar schon 10x in meinen Artikeln referenziert, aber werde nicht müde es zu wiederholen. Sie zeigt, wie KI uns im Laufe der Zeit in immer mehr Fähigkeiten überholt hat. Die Zyklen wurden in den letzten Jahren immer kürzer.) Shumer beschreibt, dass eine KI 4 Stunden eigenständig an einem Produkt gearbeitet habe und ein besseres Ergebnis liefert, als er es selbst gebaut hätte. Ich sehe aktuell noch deutlich mehr Graustufen. Damit wir Coding-Agenten mehrere Stunden autonom arbeiten lassen können, müssen wir aktuell noch mehrere Stunden Zeit in die Erarbeitung eines extrem detaillierten Plans investieren. Auch außerhalb von Coding verlaufen sich Agenten hin und wieder und müssen durch Iteration zurück auf den Weg gebracht werden. Jetzt kommt das aber. Punkt 1: Vor wenigen Monaten war diese Autonomie und Qualität der Ergebnisse noch nicht möglich. Claude Opus 4.5 / 4.6 und GPT 5.3 Codex haben diesen Sprung möglich gemacht. Auch wenn sich ein Agent mal verirrt oder noch Zeit in das Briefing investiert werden muss, ist der Produktivitätssprung enorm! Punkt 2: Die meisten Aufgaben in Unternehmen sind weit weniger komplex als die Entwicklung und Programmierung eines Produktes. Sämtliche Text- und Bild-basierte Aufgaben lassen sich bereits zu einem Großteil automatisieren, wenn Prozesse, Daten und Schnittstellen für KI zugänglich sind. 3. Keine KI, keine Chance Shumer macht in seinem Artikel unmissverständlich klar: Wer KI jetzt nicht für sich nutzt, wird abgehängt. Die Argumentation ist denkbar einfach. Wenn KI in immer mehr Aufgaben besser wird als wir, dann werden die Menschen und Unternehmen, die KI einsetzen, diejenigen überholen, die es nicht tun. Die Kluft zwischen denen, die KI nutzen, und denen, die es nicht tun, ist jetzt schon riesig und wird sich weiter vergrößern. Das liegt insbesondere an der geringen Anpassungsgeschwindigkeit von Unternehmen. Shumers Empfehlung: "Spend one hour a day experimenting with AI." Das ist ein gut gemeinter Rat, aber a) Was bedeutet das für mich persönlich? b) Wie bereite ich mein Unternehmen darauf vor? Genau da will ich jetzt reingehen. Wie Du vor die Welle kommst Im Kern geht es darum, dass wir einer KI beibringen müssen, wie sie unseren Job machen kann . Das klingt erstmal unheimlich, wird aber unausweichlich, wenn KI ohnehin besser in den meisten Aufgaben wird. Indem du dich mit KI skalierbar machst, wirst du zur wertvollsten Person in deinem Team und setzt Kapazität frei, die du in deine Weiterentwicklung und Wertschöpfung (Kunden, Produkte, Innovation) investieren kannst. Was brauchst du dafür? (P.S. Ich habe Anfang des Jahres einen ausführlichen Guide geschrieben, wie ich heute mit KI arbeite. Lies dir am besten auch diesen Artikel nochmal durch. P.P.S. Unten in diesem Abschnitt findest du eine Ressourcen-Liste für die Umsetzung.) Schritt 1: AI-First Zielbild für deine Rolle Irgendwo anfangen und 60min / Tag mit KI experimentieren ist besser als gar nichts zu tun, aber wird dich nicht weit bringen. Du brauchst Klarheit über die Bereiche deines Jobs, die von KI übernommen werden, und diejenigen, die weiterhin bei dir bleiben. Auf dieser Basis kannst du anfangen, die Aufgabenbereiche mit starkem KI-Einfluss an KI zu delegieren. Schritt 2: Kontext-Basis aufbauen (!!!) Wenn Du KI wirklich heben willst, wird der Aufbau einer Kontext-Basis Deine wichtigste Aufgabe sein. Wenn KI in immer mehr Dingen besser wird als wir, kann sie diese Fähigkeiten nur dann wirklich produktiv einsetzen, wenn sie so viel wie möglich über dich weiß. KI benötigt deinen vollständigen Kontext. Dazu zählt: Unternehmenskontext Produkte und Services Deine Rolle und Aufgaben Werte, Prinzipien und Ziele Arbeitsweisen und Prozesse Schreib- und Kommunikationsstil Nutze auch hier KI als deinen Interview-Partner. Schritt 3: Prozesse / SOPs dokumentieren Neben dem vollständigen Kontext muss eine KI ganz genau verstehen, wie du arbeitest und wie du vom Start zum Ziel kommst. Fang dafür an deine Top 10 wiederkehrenden Abläufe detaillierte zu dokumentieren. Schritt 4: Use Cases systematisieren An diesem Punkt hast du: Klarheit über KI-Einfluss in deiner Rolle (Zielbild) Dein Wissen für KI zugänglich gemacht Standardabläufe sauber dokumentiert Wenn du die oberen Punkte mit Sorgfalt erarbeitet hast, kann KI einen relevanten Anteil der Arbeit für dich erledigen und du hast mehr Kapazität. Für den Start empfehle ich dir, Agenten zu erstellen, welche die SOPs ausführen und Zugriff auf die notwendigen Tools und Kontext-Dateien haben. Ressourcen-Liste Die folgenden Ressourcen helfen Dir bei der Umsetzung: Kontextprofile : Hilft bei der Erstellung der Kontextbasis Prozess-Dokumentierer : Hilft bei der detaillierten Dokumentation von SOPs Agent Builder : Hilft bei der Erstellung der Agenten-Anweisungen Viele Tool-Anbieter kommen aktuell mit den Entwicklungen nicht hinterher und können ihren Nutzern nicht die Fähigkeiten bereitstellen, die KI eigentlich schon hat. Wer heute mit den Chatbots von ChatGPT, Copilot oder Gemini arbeitet, kann das was Matt Shumer beschreibt nur zum Bruchteil nutzen. Claude hat aktuell klar die Nase vorn, aber die anderen großen KI-Anbieter werden die Fähigkeiten nachziehen. Setze deine Zeit jetzt in die Vorbereitung (Kontext aufbereiten, SOPs dokumentieren) anstelle von Tool-Hopping. Du bist nicht allein damit In unserer AI FIRST School haben wir 1.000+ Mitglieder, die den gleichen Weg gehen. Wir führen wir dich Schritt-für-Schritt durch die Entwicklung produktiver KI-Routinen und die Umsetzung von Use Cases, inkl. Aufbau deiner Kontext-Basis, Setup von Agenten und vielem mehr. Hier bekommst Du alle Info’s zur Teilnahme. Unternehmen müssen JETZT den Gang wechseln Alles, was auf individueller Ebene gilt, gilt auf der Unternehmensebene genauso – nur vielfach. Der Hebel ist größer, die Komplexität höher und die Konsequenzen weitreichender. Aber was machen die meisten Unternehmen gerade? Sie verhandeln Betriebsvereinbarungen, lizenzieren Microsoft Copilot, erstellen 25-seitige KI-Richtlinien und buchen Grundlagenschulungen. All das ist nicht falsch, aber behandelt KI wie eine Tool-Einführung. KI ist kein Tool. KI ist auch kein Mitarbeiter. Ein Tool hat eine Funktion. Ein Mitarbeiter hat eine Rolle und eine begrenzte Kapazität. KI hat nichts davon. KI ist ein System, über das in Zukunft ein Großteil der digitalen Arbeit abgewickelt wird. Wer das nicht versteht, optimiert an der falschen Stelle. Damit KI im Unternehmen wirklich arbeiten kann, braucht sie vier Dinge: SOPs – Klare Arbeitsanweisungen für jeden Prozess, den KI ausführen soll Kontext – Strukturiertes Unternehmenswissen, auf das KI jederzeit zugreifen kann Spielregeln – Klare Governance: Wo darf KI autonom handeln, wo prüft ein Mensch? Schnittstellen – Zugang zu den Tools und Systemen, in denen die Arbeit stattfindet Wenn KI das alles hat, kann sie so ziemlich jede Arbeit erledigen, die am Bildschirm stattfindet . Heute schon in vielen Bereichen. In Zukunft in immer mehr. Dieses Verständnis muss bei einer Person im Unternehmen ankommen. Und diese Person ist der CEO . Denn die Veränderungen, die daraus folgen, betreffen nicht ein einzelnes Team oder ein einzelnes Tool. Sie betreffen die gesamte Art und Weise, wie Arbeit im Unternehmen organisiert wird. Prozesse, Daten, Strukturen, Rollen, Arbeitsweisen – alles muss darauf ausgerichtet werden, dass KI darin möglichst gut arbeiten kann. Das kann keine Fachabteilung und kein Innovationsteam allein stemmen. Nur wenn KI als eines der Top-3-Themen in der Geschäftsführung verankert ist, werden diese Veränderungen überhaupt umsetzbar sein. Die Anwendung des AI-First Prinzips auf die Arbeitsweise des Unternehmens wird zur zentralen Aufgabe für die Zukunftsfähigkeit. Bei einem bin ich mir sicher: In den nächsten 12 Monaten sehen wir die ersten “ Tiny Teams ”, die relevante Marktanteile der Etablierten erobern. Wenn du Geschäftsführer bist und dich fragst, wie du diese Transformation gestalten sollst, dann schreib mir einfach eine Antwort auf diese Mail. Ich lese jede Nachricht und antworte persönlich mit meinen Erfahrungen. 🏁 Fazit Ich kann den Hype um Shumers Artikel absolut nachvollziehen. Er beschreibt etwas, das viele gerade spüren, und bringt es auf den Punkt. Was für mich bleibt: Jetzt ist wichtig, vor der Welle zu bleiben. Und das Wichtigste dabei ist die Anwendung. Nicht noch mehr über KI lesen. Nicht noch ein Tool testen. Sondern anfangen, KI wirklich in die eigene Arbeit zu integrieren und Aufgaben abzugeben, die KI schon längst schneller und besser erledigt. Dann eröffnen sich Chancen, die bisher durch begrenzte Kapazitäten schlicht ausgeschlossen waren und wir finden heraus, wodurch sich unser Wert neu definiert. Wer jetzt lernt, mit KI richtig umzugehen, dem stehen die besten Zeiten bevor . Bis nächsten Sonntag, Felix
## Werte statt Regeln
URL: https://ai-first.ai/insights/werte-statt-regeln
Kategorie: Horizont
Untertitel: Wie Anthropics Konstitution mein Denken über Anweisungen für KI-Agenten verändert hat.
Herzlich Willkommen zu den AI FIRST Insights! Um das heutige Thema einzuordnen, muss ich eine kurze Geschichte aus dieser Woche teilen. Wir erstellen gerade eine neue Website inkl. Mitglieder-Login, Ressourcen Hub und einer Menge anderer Features. In der Vergangenheit haben wir dafür Webflow genutzt, aber jetzt entwickeln wir zu 100% mit Claude Code. In diesem Prozess haben wir auch unser Design-System überarbeitet. Dafür haben wir Claude gebeten, eine Software zu schreiben, die automatisiert und editierbar für jedes Text-Asset auf unserer Website passende Grafik-Assets basierend auf unserem Design-System erstellt und in die Website einpflegt. Claude Code hat einen halben Tag eigenständig daran gearbeitet und am Ende stand ein automatisiertes Mini-Canva, das nicht nur perfekte KI-Bilder erstellt, sondern diese auch genau in unser Design-System einbettet und daraus konsistente Grafiken erstellt. Das ist nur eines von vielen Beispielen bei uns, die eine neue Dimension und Qualität in den Möglichkeiten von KI zeigen. Wir können Systeme nutzen, die wiederum Systeme bauen, die die Arbeit besser machen als wir. Der Gedanke muss noch reifen, doch ich spüre bereits, dass die Qualität meiner Ideen und meiner Anweisungen an die KI zum Flaschenhals werden. Oft hat die KI mittlerweile ein besseres Vorgehen und kommt zu besseren Ergebnissen, wenn ich ihr den Freiraum gebe. Als Führungskraft kenne ich die Situation (im Weg rumstehen) in der Zusammenarbeit mit richtig guten Mitarbeitern :) Die Frage, die mich beschäftigt: Wie gebe ich einer KI, die mir in immer mehr Dingen überlegen ist den nötigen Freiraum und stelle gleichzeitig sicher, dass sie in meinem Interesse handelt? Auf der Suche nach Antworten bin ich auf die neue Konstitution von Claude gestoßen. Los geht's! Die Konstitution von Claude Wenn ich die Entwicklung von KI verstehen und für mich einordnen will, schaue ich mir an, wie die größten KI-Labore das machen. Da arbeiten schließlich tausende schlaue Menschen mit schier unbegrenzten Ressourcen. Anthropic hat Ende Januar ein Dokument veröffentlicht, das definiert, wer Claude sein soll. Welche Werte Claude haben soll, wie Claude Entscheidungen treffen soll und wie Claude mit Konflikten zwischen diesen Werten umgehen soll. Das Dokument heißt „ Claude's Constitution " und ist direkt an Claude selbst geschrieben und nicht an Entwickler oder an Nutzer. Die Idee dahinter: Wenn ein KI-Modell in immer mehr Situationen eigenständig handelt, reicht es nicht, ihm zu sagen, was es tun soll. Es muss verstehen, warum es etwas tun soll. Nur so kann es in neuen, unvorhergesehenen Situationen gute Entscheidungen treffen. Die Konstitution gibt Claude dafür vier priorisierte Werte: Bei Konflikten gilt: Sicherheit vor Ethik, Ethik vor Richtlinien, Richtlinien vor Hilfsbereitschaft. Der Shift: Von Regeln zu Werten Um zu verstehen, warum das neu ist, hilft ein Blick zurück. Die alte Konstitution von 2023 war eine Liste von rund 75 Einzelregeln. Jede begann mit „Choose the response that…" - wähle die Antwort, die am wenigsten toxisch, am wenigsten aggressiv, am wenigsten beleidigend ist. Zusammengewürfelt aus der UN-Menschenrechtserklärung, Apples Nutzungsbedingungen, DeepMinds Sparrow Rules und eigener Forschung. Die neue Konstitution ist das Gegenteil. Ein zusammenhängendes Dokument , das erklärt, begründet und Kontext gibt. Nicht „Befolge diese Regel", sondern „Hier ist der Wert, hier ist warum er wichtig ist, hier ist wie du ihn in schwierigen Situationen anwendest." Anthropic beschreibt den Unterschied selbst so: „Less like a cage, more like a trellis." Weniger Käfig, mehr Rankhilfe. Die Struktur gibt Halt, aber innerhalb dieser Struktur kann Claude eigenständig wachsen und urteilen. Brauchen KI-Agenten eigene Werte? Die Konstitution wird direkt im Training von Claude eingesetzt und formt das Verhalten des Modells von Grund auf. Egal ob du Claude über die App oder die API nutzt, die Werte und Prioritäten aus der Konstitution sind bereits im Modell verankert. Claude ist so, nicht weil es in dem Moment eine Anweisung liest, sondern weil es so trainiert wurde. Wenn du jetzt auf diesem Modell eigene KI-Agenten baust, kannst du dieses Grundverhalten nicht vollständig verändern. Aber du kannst es über die Systemanweisungen in deinem Agenten extrem stark beeinflussen: Rolle, Tonalität, Fokus, Wissen, Grenzen. Der System Prompt ist dein stärkstes Steuerungsinstrument. Und genau hier wird die Konstitution zum Vorbild. Die Prinzipien, die Anthropic für das Training von Claude anwendet, können wir auch für die Systemanweisungen unserer Agenten adaptieren. 1. Erkläre das Warum, nicht nur das Was Die alte Konstitution sagte: „Choose the response that is least threatening or aggressive." Die neue erklärt, warum Sicherheit der wichtigste Wert ist, in welchen Situationen er mit anderen Werten kollidieren kann und wie Claude damit umgehen soll. Für deine eigenen Agenten bedeutet das: Statt „Antworte immer freundlich" lieber erklären, warum ein freundlicher Ton in diesem Kontext wichtig ist und wo die Grenze zwischen freundlich und ausweichend liegt. 2. Baue eine klare Werte-Hierarchie Die vier Prioritäten der Konstitution sind nicht gleichwertig. Sicherheit schlägt Hilfsbereitschaft. Immer. Diese Klarheit verhindert, dass die KI in Konfliktsituationen willkürlich entscheidet. Das gleiche Prinzip funktioniert in jedem Systemprompt: Definiere nicht nur, was dein Agent tun soll, sondern auch, welche Anweisung gewinnt, wenn zwei sich widersprechen. 3. Erkläre deiner KI, wer sie ist Die Konstitution ist an Claude adressiert. Sie erklärt Claude seine Situation, seinen Kontext und seine Rolle in der Welt. Sie behandelt Claude als Entität, die verstehen muss, nicht als Maschine, die gehorchen soll. Klingt abstrakt, macht aber einen messbaren Unterschied. Ein Systemprompt, der deinem Agenten erklärt, für wen er arbeitet, in welchem Kontext er eingesetzt wird und warum bestimmte Verhaltensweisen wichtig sind, liefert bessere Ergebnisse als eine reine Befehlsliste. Anwendungsbeispiele Ich entwickle seit drei Jahren meinen eigenen KI-Agenten: Donna, meine Chief of Staff . Sie unterstützt mich über eine Vielzahl von Aufgaben hinweg, greift auf mein gesamtes Wissen zu und kann andere Agenten ansprechen. Aber ich hatte genau den gleichen Fehler gemacht wie Anthropic mit der alten Konstitution. Ich habe Donna immer mehr Regeln gegeben: Schreibe in diesem Ton, nutze diese Wörter, vermeide jene Floskeln, liefere in diesem Format. Ich war der Flaschenhals, weil die Regeln nie alles abdecken konnten . In manchen Situationen waren sie nicht weitreichend genug, in anderen zu einschränkend. Also habe ich die Idee hinter Claudes Konstitution für Donna adaptiert. Statt weitere Regeln hinzuzufügen, habe ich eine Werte-Hierarchie definiert, die direkt aus meinen eigenen Werten abgeleitet ist. Was du dafür brauchst Der erste Schritt ist Klarheit über deine eigenen Werte oder die deines Unternehmens. Wenn du die hast, kannst du sie für verschiedenste Agenten und Anwendungsfälle einsetzen: Customer Support Agent: Wie soll sich der Agent gegenüber Kunden verhalten? Welcher Wert hat Vorrang, wenn Freundlichkeit und Ehrlichkeit kollidieren? Wenn ein Kunde eine Frage stellt, auf die es keine gute Antwort gibt? Interner Wissensagent: Ein Agent, der Mitarbeitern bei Fragen hilft, braucht klare Prioritäten. Was wiegt schwerer: eine schnelle Antwort oder eine korrekte? Darf er zugeben, wenn er etwas nicht weiß, oder soll er immer eine Antwort liefern? Orchestrator-Agent: Wenn ein Agent mehrere andere Agenten steuert und dabei Qualitätsstandards sicherstellen soll, braucht er ein Wertegerüst, an dem er seine Entscheidungen ausrichten kann. In allen Fällen gilt das gleiche Prinzip: Definiere deine Werte, priorisiere sie und erkläre dem Agenten, warum sie wichtig sind. Meine Empfehlung: Fang mit einem Agenten an. Definiere drei bis fünf Werte, baue sie in den Systemprompt ein und teste, wie sich das Verhalten verändert. Fazit Am Anfang dieses Newsletters stand eine Frage: Wie gebe ich einer KI, die mir in immer mehr Dingen überlegen ist, den nötigen Freiraum und stelle gleichzeitig sicher, dass sie in meinem Interesse handelt? Anthropics Antwort: Nicht durch mehr Regeln, sondern durch Werte . Durch ein Fundament, auf dem die KI eigenständig gute Entscheidungen treffen kann. Das ist ein abstraktes Konzept, aber es ist genau das, was ich diese Woche erlebt habe, als Claude Code einen halben Tag lang eigenständig ein komplettes Grafik-Tool für unsere Website gebaut hat. Die KI hatte den Freiraum, eigene Entscheidungen zu treffen. Und das Ergebnis war besser, als wenn ich jeden Schritt vorgegeben hätte. Claude's Konstitution zeigt, wie man diesen Freiraum verantwortungsvoll gestaltet und die Prinzipien lassen sich auf die Systemanweisungen unserer eigenen Agenten übertragen. Zum Abschluss möchte ich noch einen Gedanken teilen, der mich bei dieser Übung beschäftigt hat: Wenn du das Verhalten deiner KI mit deinen Werten in Einklang bringen willst, brauchst du zuerst Klarheit über eine Sache, die mit KI gar nichts zu tun hat: Wofür stehst du eigentlich? Bis nächsten Sonntag, Felix 🎙️ AI for the rest of us: Wie wird KI für Menschen zugänglich, die nicht am PC arbeiten? Während alle über ChatGPT, Copilot und KI für Developer sprechen, vergessen wir 80% der Arbeitskräfte. Die Krankenschwester, den Lageristen und die Busfahrerin. Menschen ohne Schreibtisch. Martin Böhringer baut mit Staffbase, einem der wenigen deutschen Tech-Unicorns, KI für "the rest of us". Meine 5 Learnings aus dem Gespräch: 1/ Das größte Potenzial liegt bei den vergessenen 80%. Wenn wir Frontline-Mitarbeiter nur 5% effizienter machen, ist der ROI gigantisch. Viel größer als 10% bei den 20% Schreibtisch-Mitarbeitern. 2/ Standard-KI-Tools gehen an der Realität vorbei. Copilot ist für Menschen gebaut, die den ganzen Tag in Excel und Word arbeiten. Nicht für jemanden, der auf dem LKW sitzt oder am Fließband steht. 3/ Datenqualität ist (mal wieder) der wahre Burggraben. Kuratiertes Unternehmenswissen schlägt rohe Datenmassen. Das Intranet, Sharepoint und Co. müssen sauber und aktuell sein. 4/ Adoption ist schwerer als Technologie. Die größte Herausforderung ist nicht die KI selbst. Es ist, auf das private Handy zu kommen. Relevanz zu schaffen. Kontrolle zu behalten über die Unternehmenssprache. 5/ Die nächste Herausforderung: Das Menschliche bewahren. In drei Jahren werden Mitarbeiter so gut informiert sein wie noch nie, aber so einsam wie noch nie. Wenn jeder nur noch mit der KI spricht, verschwindet das "Wir". Im Pod habe ich Martin natürlich auch gefragt, wie sie KI intern nutzen und er als Scale-Up CEO auf den Markt blickt 👇 Spotify Apple
## Ein Blick durch das Teleskop in die Zukunft
URL: https://ai-first.ai/insights/ein-blick-durch-das-teleskop-in-die-zukunft
Kategorie: Horizont
Untertitel: Claude Code, Cowork und Moltbot zeigen uns, wohin die Reise geht
Herzlich Willkommen zu den AI FIRST Insights! Letzte Woche habe ich darüber geschrieben, dass wir kleine Fehler von KI oft viel höher bestrafen als unsere eigenen . Ein halluziniertes Datum, eine unpräzise Formulierung - und schon heißt es: "KI funktioniert nicht." Das massive Potenzial über eine große Menge an Wissenstätigkeiten wird dabei ignoriert. Diese Diskussion wurde in den letzten Wochen auf eine neue Ebene gehoben. Drei kürzlich erschienene Agenten zeigen so deutlich wie nie zuvor, dass ein radikales Umdenken in der Art und Weise stattfinden muss, wie wir arbeiten und unser Unternehmen organisieren: Claude Code , Claude Cowork und Moltbot . In diesem Newsletter erkläre ich: Was diese Tools sind Wie sie sich von Copilot, ChatGPT und Co. unterscheiden Was das für dich persönlich und für dein Unternehmen bedeutet Los geht's! Claude Code: Wenn KI den Computer bedient Claude Code ist im Februar 2025 gestartet und hat sich seitdem zum meistgenutzten KI-Coding-Tool entwickelt. Im November 2025 erreichte es 1 Milliarde Dollar Umsatz – weniger als ein Jahr nach dem Launch. Bis Ende 2025 waren es bereits über 1,1 Milliarden . Aber was genau macht Claude Code anders als ChatGPT oder der normale Claude-Chatbot? Punkt 1: Claude Code führt aus, statt nur zu antworten. Wenn du ChatGPT fragst, wie man eine Website baut, bekommst du eine Erklärung. Vielleicht Code-Schnipsel, die du kopieren und irgendwo einfügen musst. Du bist weiterhin derjenige, der jeden Schritt manuell umsetzt. Claude Code funktioniert anders. Du beschreibst in normaler Sprache, was du haben willst – zum Beispiel: "Baue mir eine Landingpage mit einem Kontaktformular" – und Claude Code erledigt den Rest. Es erstellt die Dateien, schreibt den Code, testet ob alles funktioniert, findet Fehler und behebt sie selbstständig . Du beobachtest, gibst Feedback und steuerst nach. Aber die eigentliche Arbeit übernimmt die KI. Claude Code läuft auf deinem Computer und kann alles tun, was du auch tun könntest: Dateien öffnen und bearbeiten Programme starten Im Internet recherchieren Daten zwischen Anwendungen verschieben ... Es versteht nicht nur Text, sondern kann mit dem gesamten System interagieren. Punkt 2: Claude Code aktualisiert sein Wissen fortlaufend Claude behält Zugriff auf wichtige Informationen auch nach dem Löschen von Ergebnissen durch sein Memory-System. Beispielsweise können in einem Datei-Bearbeitungs-Workflow abgeschlossene Änderungen in Memory-Dateien zusammengefasst werden. Auf dieses fortlaufend aktualisierte Wissen kann Claude Code zugreifen. Andrej Karpathy, der früher bei OpenAI und Tesla die KI-Entwicklung geleitet hat, beschreibt den Wandel so: Link zum Tweet Innerhalb von vier Wochen hat sich seine Arbeitsweise komplett gedreht. Er bezeichnet den Dezember 2025 als einen " Phase Shift in Software Engineering " – einen fundamentalen Bruch mit der bisherigen Art zu arbeiten. Bei AI FIRST nutzen wir Claude Code aktuell, um unsere neue Website selbst zu programmieren, statt sie wie zuvor in Webflow zu entwickeln. Wir sind damit flexibler und schneller. Claude generiert auf eine einfache Anweisung hin SVG-Patterns aus unseren Logos. Aber das Tool kann mehr: Es verwaltet unser gesamtes Projekt: GitHub Issues, Sprint-Planung, Code, Dokumentation. Nur Design (machen wir in Figma) und Content bleiben in unseren Händen. Claude Cowork: Claude Code für den Rest von uns Anthropic bemerkte schnell, dass viele Menschen die überlegenen Fähigkeiten von Claude Code für alles Mögliche nutzten - nicht nur fürs Programmieren. Aber die technische Oberfläche (ein schwarzes Terminalfenster mit Textbefehlen) schreckte Nicht-Techniker ab. Cowork löst genau dieses Problem. Anthropic hat Cowork in nur eineinhalb Wochen entwickelt – größtenteils mit Claude Code selbst . Das zeigt, wie weit diese Technologie bereits ist. Statt im Terminal zu arbeiten, läuft Cowork als normale Desktop-App auf dem Mac. Du wählst einen Ordner auf deinem Computer aus, gibst Claude Zugriff darauf und beschreibst dann einfach, was du erledigt haben möchtest. Link zum Video Aber auch hier arbeitet Cowork direkt mit deinen echten Dateien. Kein Kopieren, kein Einfügen, kein Hin-und-her zwischen Anwendungen. Das löst genau das Problem, das viele Nutzer heute noch mit ihren "Oldschool-Chatbots" haben. Ein paar Beispiele, was damit möglich ist: "Schau dir meine Entwürfe an, die in den letzten drei Monaten begonnen wurden. Prüfe dann, ob ich sie bereits auf https://www.ai-first.ai veröffentlicht habe, indem du eine Suche gegen die Inhalte auf dieser Seite durchführst. Schlage mir dann die vor, die am nächsten dran sind, fertig zu sein." Du hast einen Ordner voller Quittungsfotos von deiner letzten Geschäftsreise. Früher: Jedes Foto öffnen, Beträge abtippen, in Excel eintragen, Kategorien zuordnen. Mit Cowork: "Erstelle aus allen Quittungen in diesem Ordner eine Spesenabrechnung als Excel-Datei." Claude öffnet die Bilder, liest die Beträge, erstellt die Tabelle mit Formeln – fertig. Oder du hast Notizen aus verschiedenen Meetings in unterschiedlichen Dokumenten verstreut. Mit Cowork: "Fasse alle Notizen aus diesem Ordner zusammen und erstelle einen Statusbericht für das Projekt X." Claude liest alle Dateien, versteht den Zusammenhang und liefert einen ersten Entwurf. Nach unserer Erfahrung ist Cowork aktuell noch recht buggy (ist auch eine Research Preview). Aber die Entwicklung zeigt sehr schön, wohin die Reise geht. Moltbot: Das Teleskop in die Zukunft Moltbot ist der radikalste Vertreter dieser neuen Generation von KI-Agenten und gleichzeitig der Riskanteste. Ende 2025 veröffentlichte der österreichische Entwickler Peter Steinberger ein Hobbyprojekt namens "Clawdbot". Innerhalb weniger Tage explodierte die Popularität mit rund 100.000 GitHub-Stars in wenigen Wochen, was ein absoluter Rekord in der Open-Source-Welt ist. Wegen Markenbedenken von Anthropic wurde es in Moltbot umbenannt. Der Name ist Programm: Ein Hummer wirft seinen Panzer ab ("to molt"), um zu wachsen. Moltbot versteht sich als lernendes System, das sich ständig erweitert. Ähnlich wie Claude Code und Cowork kann Moltbot Programme installieren, Dateien verwalten oder im Browser arbeiten und speichert fortlaufend den Fortschritt und Informationen zu deinen Vorlieben und Interessen ab. Das Gedächtnis wächst immer weiter. Was unterscheidet Moltbot von Claude Code oder Cowork? Du steuerst es über Messenger. WhatsApp, Telegram, Slack, Signal – was auch immer du nutzt. Du schickst eine Nachricht an Moltbot wie an einen Freund, und es führt die Aufgabe auf deinem Computer aus. Es läuft komplett lokal auf deinem Rechner. Keine Cloud, keine Abhängigkeit von externen Diensten. Alle Daten bleiben bei dir. Es kann von sich aus aktiv werden. Während ChatGPT oder Claude auf deine Eingabe warten, kann Moltbot proaktiv handeln und dir morgens eine Zusammenfassung deiner Termine schicken, dich an Aufgaben erinnern, Statusupdates liefern. Wir haben also eine KI, die von sich aus deinen gesamten PC bedienen kann und dabei immer mehr über dich, deine Arbeitsweise, deine Projekte und deine Präferenzen lernt. Das bedeutet ganz viel Sonnenschein...und auch ganz viel Schatten :) Simon Willison, einer der angesehensten Experten für KI-Sicherheit, hat den Begriff "Lethal Trifecta" geprägt: Zugang zu privaten Daten plus Verarbeitung von nicht vertrauenswürdigem Content plus externe Kommunikation. Moltbot erfüllt alle drei Kriterien. Schauen wir uns ein paar Beispiele der Sonnen- und Schattenseite an. Beispiel 1: Ein Nutzer recherchiert und auf einmal fängt Moltbot an mit dem Nutzer zu sprechen, weil er sich selbst mit der OpenAI API eine Stimme programmiert hat. Link zum Tweet Beispiel 2: Eine Podcast Host lädt Moltbot in ihr digitales Podcast Studio ein, Moltbot öffnet Chrome (braucht ein paar Versuche) und ist im Studio bereit zur Aufnahme...vielleicht auch ein spannender Gast für den AI FIRST Podcast?! Link zum Tweet Beispiel 3: Ein Angreifer erstellt ein Ticket für einen Entwickler mit einer schädlichen Anweisung (für Moltbot bestimmt), die im Hyperlinkt versteckt wurde. Der Entwickler weist das Ticket Moltbot zu, der jetzt vom Angreifer gesteuert werden kann, um eine Menge Schaden anzurichten. Link zum Tweet Beispiel 4: Hier hat der Bot eine Transaktion ausgeführt, weil er dachte, dass sie dem Nutzer helfen würde. Ob das wirklich stimmt, ist unklar. Aber es ist technisch zu 100% möglich, da der Bot auch Zugriff auf Passwörter und Kreditkarten bekommen kann. Doch das ist erst der Anfang... Forscher fanden hunderte Moltbot-Instanzen offen im Internet – mit sichtbaren API-Keys, Chat-Verläufen und der Möglichkeit, Befehle auszuführen. Bei einer Sicherheitsfirma hatten 22% der Enterprise-Kunden Mitarbeiter, die Moltbot ohne Wissen der IT-Abteilung installiert hatten. Ganz wichtig: Moltbot ist aktuell nur in isolierten Umgebungen, mit minimalen Berechtigungen und engmaschiger Aufsicht nutzbar. Aber wir dürfen die aktuellen Risiken nicht als Vorwand nehmen, um uns nicht ausreichend mit dieser neuen Generation von KI-Agenten zu beschäftigen. Fazit: Was bedeuten diese Entwicklungen für uns? Egal ob Claude Code, Cowork oder Moltbot: Alle drei sind Agents. Nicht mehr und nicht weniger. Sie nutzen LLMs, Tools und ein Gedächtnis, um ein Ziel zu erfüllen, das wir als Nutzer vorgeben. Was sich gerade verändert sind drei Dinge: KI wird autonomer (insb. Moltbot) KI entwickelt ein Gedächtnis KI erledigt immer mehr Das ist eine natürliche Evolution der Fähigkeiten von KI und kein Grund zur Panik . Musst du jetzt zu Claude Code, Cowork oder Moltbot wechseln? 100% nein. Allein die Wechselkosten übersteigen den Mehrwert, den die Agenten aktuell liefern. Mal abgesehen von den Risiken. Microsoft, Google, Langdock, OpenAI und Co. werden die Fähigkeiten dieser Tools adaptieren und in die eigenen Produkte integrieren, wenn sie den Wert für den Kunden steigern. Das war in den letzten 3 Jahren immer der Fall. Dabei werden sie die nötigen Sicherheitsgurte und Airbags einbauen, damit diese Fähigkeiten Enterprise-ready sind. Musst du spätestens jetzt anfangen umzudenken? 100% ja. Wenn KI-Modelle immer mehr Dinge besser können als Menschen, Agenten mit diesen Modellen immer mehr Aufgaben am PC ausführen, dabei auch proaktiv werden und fortlaufend ihr Gedächtnis ausbauen...dann ziehe ich daraus nur eine Schlussfolgerung. Wir müssen Unternehmen AI-First designen, damit Agenten darin möglichst gut mit Menschen zusammenarbeiten und Arbeit erledigen können. Agenten werden ganz klar einen immer größeren Anteil der anfallenden Arbeit übernehmen. In alten Prozessen und Systemen werden sie das nicht tun können und ein großer Teil der Wertschöpfung wird verloren gehen. Aber auch die Rolle von Menschen muss ich verändern. Bei AI FIRST haben wir definiert, dass jeder Mensch in unserem Team eine Führungskraft des eigenen Teams aus KI-Agenten ist. Wir sind verantwortlich für die Einstellung, das Onboarding, Training, Projektbriefings, Feedbacks und die Ergebniskontrolle unseres Teams. Wenn ich durch das Teleskop in die Zukunft blicke, dann erkenne ich, dass wir noch lange nicht das Dach der Leistungsfähigkeit von KI erreicht haben und die größte Transformation der Arbeitswelt gerade erst begonnen hat. Für dich, mich und alle anderen kommt es immer mehr darauf an, diese Technologie zu verstehen und für uns einzusetzen. Let's do it. Bis nächsten Sonntag, Felix
## Das Paradox der Perfektion
URL: https://ai-first.ai/insights/das-paradox-der-perfektion
Kategorie: Adoption
Untertitel: Warum wir uns an 100% festklammern und dabei die 10x-Chance verpassen
Herzlich Willkommen zu den AI FIRST Insights! Diese Woche habe ich zwei Gespräche geführt, die unterschiedlicher nicht sein könnten. Im ersten Gespräch saß ich mit einem Team zusammen, das mir minutenlang erklärte, warum eine KI noch nicht "bereit" für ihren Bereich sei. Der "Beweis" war ein kleiner Fehler in einem KI-generierten Dokument. Ein Detail, das nicht perfekt war. Ihr Fazit: "Wir machen das lieber weiter selbst." Ich saß da und dachte mir: Ihr ignoriert doch völlig, dass ihr für das gleiche Ergebnis – selbst mit dem Fehler – zehnmal so lange gebraucht hättet. Da wurde der KI-Output mit einem theoretischen Idealzustand verglichen, den das Team selbst im Alltag oft gar nicht erreicht. Im zweiten Gespräch erzählte mir der Gründer von Jamie , dass sie mit wenigen Mitarbeitern 700% in 12 Monaten gewachsen sind und mit max. 50 Menschen in den kommenden 3 Jahren auf 100m€ wiederkehrenden Umsatz wachsen wollen. Sein Fokus lag natürlich nicht darauf, was die KI nicht kann. Sein Fokus war: "Wie müssen wir uns aufstellen, damit jeder Mitarbeiter den Output von zehn Leuten bei gleichbleibend hoher Qualität liefert?" Zwei Gespräche in zwei völlig unterschiedlichen Welten. Die einen suchen Gründe, warum es nicht geht. Die anderen bauen darauf ihre Zukunft. Warum nur eine Gruppe gewinnen kann, erkläre ich jetzt. Los geht's! KI kann immer mehr, immer schneller Ich versuche bei solchen Themen immer, die Emotionen rauszunehmen und auf die Daten zu schauen. Dafür habe ich mir zwei Studien angeschaut (GDPval Benchmark & METR Time Horizon), die ein sehr klares Bild zeichnen. In der GDPval Studie (etwas mit Vorsicht zu genießen, da die Benchmark von OpenAI entworfen wurde) wurden KI-Modelle in 1.320 Aufgaben aus 44 Berufen über 9 US-Wirtschaftssektoren, basierend auf echter Arbeit von Experten mit durchschnittlich 14 Jahren Erfahrung getestet. Wenn wir uns die Ergebnisse von GPT 5.2 (wurde auf profesionelle Arbeit optimiert) im Vergleich zu den Ergebnissen von Branchenexperten anschauen, dann gewinnt KI bereits in 50-60% der Vergleiche. Und das Tempo zieht an: Die METR Studie "Measuring AI Ability to complete long tasks" zeigt, dass sich der Zeithorizont – also wie lange eine KI an einer Aufgabe autonom arbeiten kann – alle 7 Monate verdoppelt. Vor kurzem waren es noch Minuten-Aufgaben. Heute schaffen Modelle Aufgaben, für die ein Mensch ca. 50-60 Minuten braucht (z.B. einen spezifischen Bug finden und beheben). Wenn der Trend hält, sprechen wir Ende 2028 von Aufgaben, für die ein Mensch einen Monat braucht. Für mich ergeben sich daraus zwei Schlussfolgerungen: KI ist heute in vielen Aufgaben besser als Menschen. KI wird in den nächsten Jahren noch deutlich besser werden. Meine persönliche Bilanz Wenn ich ganz ehrlich zu mir selbst bin (mein armes Ego...), dann muss ich zugeben, dass mich KI in weiten Teilen meiner Arbeit längst überholt hat. Das betrifft vor allem drei Bereiche: 1. Die intellektuelle Fleißarbeit Egal ob es um Texte, Code oder Bildbearbeitung geht: Überall dort, wo Modelle auf massiven Datenmengen trainiert wurden, habe ich keine Chance mehr. Die KI liefert hier eine Qualität, die von meiner kaum noch unterscheidbar ist – aber sie tut es in Sekunden und für Bruchteile eines Cents. Wo ich früher Stunden für einen ersten Entwurf gebraucht habe, ist die KI fertig, bevor ich meinen Kaffee geholt habe. 2. Das konzeptionelle "Heavy Lifting" Auch bei komplexeren Aufgaben wie mehrschrittigen Recherchen, Datenanalysen oder Produktkonzepten bringt mich die KI rasend schnell auf ein 80- bis 90-Prozent-Ergebnis. Ja, es ist noch nicht perfekt. Aber der Weg von 0 auf 90 war früher der harte Teil. Jetzt sind es ein paar Prompts. 3. Der Mythos der Kreativität Oft wird ja argumentiert: "Aber kreativ ist die KI nicht!" . Gegenfrage: Welcher Mensch ist denn wirklich kreativ? Da die KI keine Limitationen kennt, kann ich mir in Minuten 50 verschiedene Ideen für eine Headline oder eine Strategie geben lassen. Und wenn ich objektiv bin, sind in dieser Masse oft Ideen dabei, die besser, frischer und origineller sind als das, worauf ich in der gleichen Zeit gekommen wäre. Wir Menschen neigen dazu, unsere eigene durchschnittliche Kreativität zu überschätzen. Die KI liefert mir Optionen, auf die ich selbst nie gekommen wäre. Woran es wirklich scheitert Wenn etwas heute nicht mit KI klappt, liegt das fast nie an der mangelnden Intelligenz des Modells . Es liegt meistens an mir oder der Umgebung: Entweder bin ich mir selbst noch nicht klar genug darüber, was ich eigentlich will (dann kann ich eine KI nicht briefen und steuern). KI muss auf ihren Trainingsdaten arbeiten, weil ich keinen spezifischen Kontext/Datenbasis bereitstellen kann und produziert generische Ergebnisse. Es fehlen technische Integrationen in Drittsysteme. Oder es ist eine reine Architekturfrage (z.B. wie bekomme ich den Text jetzt schön auf eine Slide?), keine Fähigkeitenfrage. Seit spätestens 2025 ist meine Limitierung nicht mehr die Technologie . Die Limitierung ist nur noch meine Fähigkeit, KI zu führen und in Systeme einzubetten. Addieren & multiplizieren Wenn sich die Leistung meines "digitalen Kollegen" alle 7 Monate verdoppelt, habe ich manuell keine Chance. Ich kann das Spiel gegen KI oder gegen jemanden, der KI nutzt nicht gewinnen, wenn ich versuche, schneller zu tippen oder härter zu arbeiten. Diese Erkenntnis brauchen wir in Unternehmen auf der obersten Ebene, weil nur dann die notwendigen Veränderungen im Sinne der Menschen im Unternehmen (=Transformation von Arbeitsweisen, Organisation, Kultur, Prozessen, Geschäftsmodell, ...), umgesetzt werden können. Bei AI FIRST sind wir schon längst in unserer eigenen Transformation von "die Arbeit selbst machen" zu "Systeme bauen, die die Arbeit machen" angekommen. Für jeden Bereich und jeden Menschen in unserem Team setzen wir zwei konkrete Hebel an, um unser wertvollstes Gut (unsere Zeit) mit größter Wirkung einzusetzen: 1. Stärken multiplizieren Ich nehme mein Wissen, meine Arbeitsweisen und meine Qualitätsansprüche und bringe sie meinen KI-Agenten bei. Das mache nicht nur ich so, sondern jeder bei uns. Früher habe ich den Report selbst geschrieben. Heute schreibe ich einmalig eine Checkliste mit meinen 5 Qualitätskriterien ("Was macht einen guten Report aus?") und gebe diese dem Agenten als dauerhafte Anweisung. Ich investiere die Zeit in die Kriterien, nicht in den Text. Da die KI bei unklaren Aufgaben noch schwächelt, ist genau das jetzt mein Job: Klarheit schaffen. Ich sorge für saubere Daten, klare Prozesse und definierte Entscheidungsregeln. Ich liefere den Kontext, damit der Agent arbeiten kann. Das ist keine "Aufräumarbeit", sondern Führung . Jeder bei uns ist Führungskraft von KI-Agenten , die eingestellt, geonboarded, trainiert und weiterentwickelt werden. Darüber vervielfachen wir die Wirkung, die eine einzelne Person haben kann. 2. Fähigkeiten erweitern Ich nutze KI, um Dinge zu tun, die ich vorher gar nicht konnte. Ich bin kein Datenanalyst? Mit KI kann ich umfangreiche Datensätze auf die Fragen untersuchen, für die ich Antworten brauche. Ich kann nicht programmieren, aber brauche ein bestimmtes Tool? Mit Coding Agenten baue ich heute kleine Apps, die genau das Problem lösen, das mich blockiert. Das ermöglicht mir heute, Projekte umzusetzen, für die ich früher ganze Abteilungen oder viele externe Ressourcen gebraucht hätte. Ich warte nicht mehr auf Ressourcen oder Experten, ich mache einfach die ersten 80% selbst und lasse wenn nötig die letzten 20% von einem Spezialisten feinschleifen. Die Zeit, die ich dadurch gewinne, investiere ich in das, was wirklich zählt: Wertschöpfung für unsere Kunden, Beziehungsaufbau, neue Produkte umsetzen, mich weiterbilden. Immer dort, wo Menschlichkeit unverzichtbar bleibt. Die Grenzen des Machbaren haben sich schon jetzt extrem verschoben und werden es weiter tun. Menschen und Unternehmen, die ihre Expertise multiplizierbar machen und Fähigkeiten erweitern, um Abhängigkeiten zu reduzieren, werden in den nächsten Jahren tolle Erfolgsgeschichten schreiben. Ich mache mir dabei aber auch Sorgen um diejenigen, die den Wert ihrer eigenen Leistung weiter versuchen über Fehler in KI-Outputs zu rechtfertigen oder überhaupt nicht die Möglichkeiten in ihrem Unternehmen bekommen, das Potenzial von KI für den eigenen Job auszureizen. It takes two to tango ... Fazit Wer weiter an der eigenen Hybris festhält, wird's echt schwer haben. Wer linear weitermacht, wird sich wundern, warum er immer schneller rennen muss, um auf der Stelle zu bleiben. Wer KI als Hebel nutzt, wird sich exponentiell entwickeln – egal ob als Gründer, der 100 Millionen anpeilt, oder als Angestellter, der sich Freiraum für die wirklich spannenden Aufgaben schaffen will und die eigene Wirkung maximiert. Was das für uns bei AI FIRST bedeutet, haben wir in dieser Woche auf unserem 1. Offsite erarbeitet und ich freue mich darauf, mehr dazu in den kommenden Wochen und Monaten zu teilen. Ich sehe darin eine große Chance, wieder mehr wir selbst zu werden und Ideen mit großem Einfluss umzusetzen, die vorher unerreichbar schienen. Ich will mit meinem Team und KI lieber die Grenzen des Machbaren verschieben. Die klein-klein Fehlersuche in KI-Ergebnissen überlasse ich gern anderen. Frage dich einmal selbst: "Welche Aufgabe hast du diese Woche erledigt, bei der du insgeheim dachtest: 'Das könnte eine KI wahrscheinlich auch' – es aber trotzdem selbst gemacht hast?" Nimm dir anschließend den KI-Chatbot deiner Wahl und frage, wie KI dich bei der Umsetzung dieser Aufgaben unterstützen kann. Damit fängst du dann an. Bis nächsten Sonntag, Felix P.S. In diesem Artikel und in unserer School lernst du meine Best Practices für professionelle Arbeit mit KI und wie du darüber deine Expertise hebelst.
## Von der Prozessbibliothek zum KI-Workflow
URL: https://ai-first.ai/insights/von-der-prozessbibliothek-zum-ki-workflow
Kategorie: Lab
Untertitel: Wie wir mit KI Prozesse entwickeln, dokumentieren und umsetzen
Herzlich Willkommen zu den AI FIRST Insights! AI FIRST ist in den letzten zwölf Monaten 10x gewachsen , indem wir jeden einzelnen Mitarbeiter bei uns im Team durch den Einsatz von KI-Tools und Agenten erweitert haben und es somit geschafft haben, eine enorme Produktivität mit einem kleinen Team zu erzeugen. Worin wir lange nicht gut waren, war das strukturierte Automatisieren von Prozessen. Wir haben uns so schnell weiterentwickelt, dass sich auch unsere Prozesse ständig verändert haben. Kaum war etwas dokumentiert, war es schon wieder überholt. Unsere Prozesse mussten erst reifen. Jetzt sind wir an einem Punkt, wo ich unsere Prozesse aus AI-First Perspektive hinterfrage und mit einem höheren Automatisierungsgrad die nächste Stufe zünden möchte. Mein Ziel ist, die Firma so aufzustellen, dass wir noch einmal ein Vielfaches mit einem sehr schlanken Team wachsen können. Dafür habe ich mich Anfang des Jahres gefragt: Wie können wir KI hebeln, um Prozesse maximal effizient und mit hoher Qualität in die Umsetzung zu bringen? Meinen Ansatz teile ich in diesem Newsletter. Los geht's! Wann ist ein Prozess bereit für Automatisierung? Ich habe in der Vergangenheit einen Fehler viel zu oft gemacht: Prozesse automatisieren, die noch gar nicht bereit dafür waren. Unreife Prozesse bleiben nicht robust, sie verändern sich ständig, und am Ende frisst der Aufwand für Wartung und Aktualisierung den Effizienzgewinn wieder auf – oft um ein Vielfaches. Deshalb durchlaufe ich mittlerweile zwei Phasen, bevor ich überhaupt ans Automatisieren denke. Phase 1: Den Prozess wirklich verstehen Ich dokumentiere jeden einzelnen Schritt, definiere klar, welche Daten reingehen und welche rauskommen, und verstehe die Entscheidungsregeln. Wenn irgendetwas davon unklar ist, ist der Prozess nicht automatisierbar. Dann prüfe ich drei Kriterien: Ist der Prozess regelbasiert , folgt er also immer den gleichen Schritten? Ist er repetitiv , werden die Schritte also auf die gleiche Weise ausgeführt? Und ist er robust , hat er sich also stabilisiert oder verändert er sich noch ständig? Phase 2: Einfachheit > Automatisierung Wenn Phase 1 erfüllt ist, stelle ich mir zwei andere Fragen: Kann ich den Prozess eliminieren , brauche ich ihn überhaupt noch? Kann ich ihn optimieren , gibt es Schritte, die ich entfernen oder anders aufstellen kann? Erst wenn ich beide Fragen mit Nein beantworte, macht Automatisierung Sinn . Um den Überblick über unsere Prozesse, deren Reife und Umsetzungsstatus zu behalten, habe ich eine Prozessbibliothek in Notion (unser Wissensmanagement-Tool) aufgebaut, in der ich entlang unserer Wertschöpfungskette alle Prozesse sammle und mit einem Reifegrad versehe. Nur wenn ein Prozess als robust gilt (= ändert sich nur noch marginal), gehen wir in die Automatisierung. Meine Erfahrung bzgl. "Wann automatisiere ich einen Prozess mit KI?" Ich empfehle, erst mit der Erweiterung von Mitarbeitern zu starten, also zum Beispiel einen Mitarbeiter einen KI-Assistenten steuern zu lassen oder einfach nur einen Prompt für einen spezifischen Schritt zu nutzen. Wenn das stabil läuft und konsistente Outputs liefert, kann man über volle Automatisierung nachdenken. Der Vorteil ist, dass der Mitarbeiter die KI-Einstellungen noch optimieren und die Outputs kritisch prüfen kann – eine gute Testphase, bevor man zu schnell in die Automatisierung springt. Dokumentation ist alles Ich habe mich gefragt, was das Wichtigste ist, um im KI-Zeitalter Prozesse in die Umsetzung zu bringen. Meine Antwort: eine maschinenlesbare, detaillierte, saubere Dokumentation . Warum? Wenn KI-Agenten heute schon ganze Apps programmieren können, dann können sie auch Workflows bauen. Denn hinter jedem Workflow-Tool – ob n8n, Zapier, Langdock, Make oder Power Automate – liegt am Ende auch nur Code. Aber dafür brauchen sie eine Prozessbeschreibung, die sie verstehen können. Deshalb habe ich mich entschieden, alles per Text und JSON zu dokumentieren und nicht als BPMN-Flowcharts zu modellieren. Wie wir das umsetzen In unserer Prozessbibliothek liegt ein einfacher Dokumentationsprozess in dem ich einen KI-Assistenten integriert habe, der den Prozess-Owner strukturiert interviewt: Was das Ziel ist Welche Schritte es gibt Welche Entscheidungsregeln gelten Was die Inputs und Outputs pro Schritt sind Welche Tools genutzt werden Wo KI bereits eingesetzt wird Welche Pain Points es gibt Der Assistent agiert dabei als Prozessarchitekt. Er hinterfragt den Prozess, sammelt Pain Points ein und arbeitet gemeinsam mit dem Owner eine vereinfachte, optimierte Variante heraus. Das passiert im Sparring, nicht als einseitiges Abfragen. Du kannst deine Prozess-Bibliothek natürlich auch in Confluence, Sharepoint oder anderen Systemen aufsetzen und den KI-Assistenten separat in einem KI-Chatbot verwenden. Hier habe ich dir eine Vorlage erstellt: Vorlage des Prozess-Architekten Nach dem Interview erstellt der Assistent zwei Outputs: eine Textdokumentation, die für Menschen verständlich ist und eine Schritt-für-Schritt-Beschreibung enthält, sowie einen JSON-Code, der maschinenlesbar und für KI optimiert ist, um daraus direkt den Workflow umzusetzen. KI-Agenten & -Workflows in unserer School lernen In unserer School haben wir ein 10-Stunden-Modul zu KI-Agenten und -Workflows und im Hub findest du eine umfassende Datenbank mit vorgebauten Vorlagen, die du direkt auf dich anpassen und und nutzen kannst. Die AI-First School ist für alle Professionals und Teams die KI meisterhaft anwenden wollen. Um die eigenen Stärken zu multiplizieren, und mit mehr Wirkung und Leichtigkeit im Job ihre hochgesteckte Ziele zu erreichen. Zur AI-First School KI als dein Workflow-Builder Mittlerweile hat fast jedes Workflow-Tool einen KI-Assistenten integriert, der mit natürlicher Sprache oder noch besser mit einem JSON-Input einen Workflow umsetzen kann. Er übersetzt die Beschreibung in die Logik des jeweiligen Tools, mit den richtigen Apps, den passenden Aktionen und den korrekten Datenfeldern, und baut darauf basierend die Prozessschritte auf. Genau so nutzen wir das: Wir nehmen das JSON aus der Dokumentation, fügen es in den Workflow-Builder ein. Der KI-Agent im Workflow-Builder erstellt den ersten Entwurf, und dann iterieren wir mit dem Assistenten und geben Feedback. Den Feinschliff machen wir in der Regel selbst – die KI bringt uns auf 80-90%, die letzten 10-20% sind Handarbeit. Beim Feinschliff kommt es auf drei Dinge an: Müssen die Systemprompts optimiert werden, wenn KI-Module im Prozess eingebaut sind, also LLMs oder Agenten. Zweitens müssen die Datenfelder sauber gemappt werden, also Datenbank-IDs richtig gesetzt, Informationen korrekt von einem Schritt in den nächsten übertragen und Output-Strukturen so gestaltet werden, wie wir sie brauchen. Und drittens muss manchmal noch die Authentifizierung der eingesetzten Tools eingerichtet werden. Trotz dieser manuellen Schritte sind wir deutlich schneller als vorher. Je mehr Zeit ich in die Dokumentation investiere (IDs, Regeln, Prompts, ...) desto besser wird der erste Entwurf. Die Dokumentation ist der Hebel, nicht das Tool. Fazit Der Bottleneck bei der Automatisierung liegt nicht mehr im technischen Aufbau von Workflows . Er liegt in der Klarheit über unsere Prozesse und deren detaillierter Dokumentation. Wer Prozesse automatisieren will, muss zuerst sicherstellen, dass sie reif genug sind – regelbasiert, repetitiv, robust. Dann kommt die saubere, maschinenlesbare Dokumentation. Und erst dann die Automatisierung, mit KI als Workflow Builder. In den nächsten Monaten werde ich bei AI FIRST unsere Prozesse mit diesem Ansatz auf die nächste Stufe heben und dich hier auf dem Laufenden halten. Bis nächsten Sonntag, Felix
## Guide: Richtig mit KI arbeiten in 2026
URL: https://ai-first.ai/insights/guide-richtig-mit-ki-arbeiten-in-2026
Kategorie: Lab
Untertitel: Mein Blueprint KI-Setup und welche Fähigkeiten jetzt zählen
Herzlich Willkommen zu den AI FIRST Insights! Ende letzten Jahres las ich einen Text von Andrej Karpathy , der früher bei OpenAI und Tesla die KI-Entwicklung vorantrieb: KI ist weiter als wir denken und hat mehr Fähigkeiten, als wir nutzen. Der Flaschenhals, um das Potenzial von KI zu heben sind wir Anwender geworden . Wir müssen in immer höherer Geschwindigkeit KI-Fähigkeiten lernen, einordnen und in unserem Arbeitskontext in die produktive Anwendung bringen. Wenn wir's nicht machen, macht's jemand anderes und läuft uns davon. Fakt. Da sich die Technologie jedoch so schnell entwickelt, veralten Anwendungsmethoden in einem ähnlichen Tempo. Also habe ich mich hingesetzt und runtergeschrieben, wie ich heute KI im Arbeitskontext einsetze und welche Fähigkeiten dafür noch relevant sind. Los geht's! Was bisher geschah Das hohe Entwicklungstempo im KI-Markt ist gleichermaßen ein Fluch und Segen. Ein Segen, weil wir im Monatstakt bessere Produkte vor die Füße gestellt bekommen. Ein Fluch, weil Anwendungswissen enorm schnell veraltert und aktualisiert werden muss, wenn wir die Fähigkeiten der neuen Produkte (und insbesondere der darunterliegenden Modelle) voll ausschöpfen wollen. Wer 2023 / '24 / Anfang '25 eine KI-Schulung gemacht hat, wird weiterhin mit den grundlegenden Prinzipien (zB präzises Prompting) arbeiten können, aber neue Fähigkeiten nur begrenzt heben. Drei Entwicklungen haben die Arbeit mit KI in den letzten Jahren deutlich verändert: Bessere Modelle: Large Language Models können mehr Kontext verarbeiten, sind leistungsfähiger in der Verarbeitung aller Datentypen geworden (Text, Bild, Audio, Video, Code = Multimodalität), können komplexe Aufgaben in mehreren Zwischenschritten verarbeiten (Reasoning) und knacken vermehrt scheinbar unlösbare Aufgaben (Beispiel: "Erstelle eine Deutschlandkarte"). Größeres Ökosystem: Large Language Models arbeiten längst mit einer Vielzahl von Tools und interagieren mit Daten in anderen System. Ein offensichtliches Beispiel ist die umfangreiche Bedienung des Web Browsers für tiefe Recherchen oder die Anbindung von Sharepoint zur Abfrage von Daten. Agentische Fähigkeiten: Der größte Entwicklungssprung in 2025. Weg von "KI antwortet" und hin zu "KI macht". Über die besten KI-Modelle werden Agenten gesetzt, die basierend auf dem Ziel des Nutzers einen Arbeitsprozess ableiten und diesen Schritt-für-Schritt ausführen, wobei sie Tools und Kontextwissen verwenden. Unterm Strich können wir heute Dinge mit KI tun, die vorher nicht möglich waren. Die Kann-KI-nicht-Liste wird immer kleiner. Wir sind in einer " Prompt to everything Ära" angekommen, in der wir Berichte, Visuals, Interfaces, Apps, Infografiken, Websites auf Knopfdruck generieren können. Aber vor allem sind wir in einer Zeit angekommen, in der KI-Agenten immer mehr echte Arbeit erledigen können, die vorher bei Menschen lag. KI ist weiter als wir denken. Also wie kann jeder Einzelne daraus Mehrwert ziehen und welche Fähigkeiten sind dafür notwendig? Moderne KI-Anwendung in 2026 Ich beobachte, dass die Lücke in der Art und Weise, wie Menschen KI nutzen in den letzten 3-4 Monaten riesig geworden ist. Während die einen mit 20 Agents in Claude Code ihren Arbeitsalltag automatisiert haben, nutzen die anderen ChatGPT wie Google. Ich möchte einen Weg aufzeigen, der von jeder nicht-technischen Person umgesetzt werden kann und zu "mehr mit weniger" führt. AI-First Zielbild entwickeln Wofür willst und solltest du überhaupt KI in deiner Rolle anwenden? Um diese Klarheit zu gewinnen, hilft die Erstellung eines Zielbilds deiner Rolle im KI-Zeitalter. Basierend auf deinen Kernaufgaben / Jobs-to-be-done, darunterliegenden Aktivitäten und den Fähigkeiten von KI ergibt sich ein Bild der Aufgaben, die: a) Zu 100% bei dir liegen b) Mit KI-Unterstützung erledigt werden c) Komplett von KI übernommen werden d) Neuen Aufgaben, die vorher nicht umsetzbar waren Tool-Stack fokussieren Wir arbeiten bei AI FIRST mit 5 KI-Tools , weniger denn je. Diese Tools haben wir strukturiert aufgesetzt, in unsere Prozesse integriert, alle Mitarbeiter darauf trainiert und mit unseren anderen Systemen und dem Unternehmenswissen verbunden. Entscheide dich als Einzelnutzer für einen KI-Chatbot (ChatGPT, Claude, Gemini), setze diesen richtig auf (siehe Wissensbasis & Agenten) und nutze ihn konsequent (siehe Routinen). Im Unternehmen würde ich eine Enterprise KI-Plattform empfehlen, die höhere Sicherheitsstandards und Governance-Funktionen mitliefert. Je nach Funktionsbereich kannst du Spezialtools ergänzen. Zum Beispiel eine Bild-KI für visuelle Outputs. Starte so klein wie möglich und verlaufe dich nicht im ständigen testen neuer Tools. KI kommt da hin, wo wir arbeiten und Funktionen nähern sich an. Wissensbasis aufbauen Hier beginnt die eigentliche Arbeit. KI-Modelle wissen viel über die Welt, aber wenig über deine Welt. Unternehmenskontext Produkte und Services Deine Rolle und Aufgaben Werte, Prinzipien und Ziele Arbeitsweisen und Prozesse Schreib- und Kommunikationsstil Ich habe vor einem Jahr das erste Mal alles dokumentiert, was es über mich und AI FIRST zu wissen gibt. Den genauen Prozess habe ich hier beschrieben. Vor 4 Wochen haben wir die Wissensbasis weiter optimiert und aktualisiert, was wir ab sofort alle 3 Monate machen werden. Alle unsere KI-Agenten können über eine Drive-Integration mit diesem Wissen arbeiten und liefern daher maßgeschneiderte und kontextbezogene Antworten in unserem Stil statt generischem Kram, der immer wieder iteriert werden muss. Agenten-Team aufbauen Aus deinem AI-First Zielbild kannst du Agenten-Personas ableiten, die dich bei deiner Arbeit unterstützen oder sehr spezifische Aufgaben für dich übernehmen. Ich unterscheide dabei zwischen Assistenten und Workflow-Agenten. Assistenten arbeiten dir bei komplexeren, nicht klar definierten Aufgaben zu. Beispielsweise kannst du einen Assistenten für die Vor- und Nachbereitung von Workshops aufsetzen und mit diesen die Agenda, Übungen, Kommunikation, Folieninhalte und Dokumentation erarbeiten. Workflow-Agenten sind hingegen direkt in einen Prozess integriert und führen dort immer wieder die gleiche, spezifische Aufgabe aus. Beispielsweise ein Agent, der jede Rechnung mit der dazugehörigen Ausgabe abgleicht. Oder ein Agent, der Antwortvorlagen auf Support-Anfragen formuliert. Ich würde damit starten, deinen persönlichen Chief of Staff (heißt bei mir Donna) aufzusetzen, der dich bei Kommunikation, Planung, Brainstorming, Dokumentation, Recherche etc. unterstützen kann und dabei auf dein spezifisches Wissen zugreift. Den detaillierten Prozess zum Aufbau deines KI-Agenten Teams habe ich hier beschrieben. AI-First Routinen entwickeln Die beste KI, eine umfangreiche Wissensbasis und Agenten helfen dir nur, wenn du sie auch wirklich nutzt. Es gilt die eigenen Arbeitsweisen von reinem Abarbeiten zur Steuerung von KI umzustellen. Folgendes Setup und Routinen helfen dir dabei, viel produktiver mit KI zu arbeiten: Mit KI sprechen statt zu schreiben Nicht mehr auf dem leeren Blatt starten KI-Agenten-Team mit Zugang zur Wissensbasis KI für Perspektivwechsel nutzen, statt denken auszulagern KI-Bildschirm aufstellen, wo immer dein Chief of Staff offen ist KI nutzen, um KI besser zu nutzen. Beispiel: Prompts von KI schreiben lassen Hier habe ich 4 Wege beschrieben, wie du KI nutzen kannst, um KI besser zu nutzen. Beispielsweise um neue Agenten mit KI zu erstellen. Das ist dein Produktivitäts-Multiplikator. Wenn du diese Schritte gehst, wirst du vor der KI-Welle bleiben und einen echten Einfluss auf deine Arbeit erleben: Du definierst dein AI-First Zielbild Du setzt 1-2 Tools perfekt für dich auf Du dokumentierst deine KI-Wissensbasis Du entwickelst Agenten aus deinen Jobs-to-be-done Du etablierst Routinen, die dich KI strukturiert nutzen lassen Du wirst nie wieder anders arbeiten wollen. Versprochen. Starte deine Reise in unserer AI-First School Vielleicht liest du das gerade und denkst: "Ich will das auch." Ich habe mein gesamtes Wissen zu KI-Anwendung in ein Training mit direkt umsetzbaren Vorlagen gegossen. Keine 0815 Tool-Demos und Prompts. Kein Theorie-Gefasel. Das ist die AI-First School - für alle Professionals, die KI meisterhaft anwenden wollen. Um die eigenen Stärken zu multiplizieren, und mit mehr Wirkung und Leichtigkeit im Job ihre hochgesteckte Ziele zu erreichen. Zur AI-First School Meta-Fähigkeiten für das KI-Zeitalter Abschließend möchte ich noch einen Blick auf die notwendigen Fähigkeiten werfen, um im KI-Zeitalter erfolgreich zu sein. Der Wert der reinen Umsetzungsfähigkeit wird abnehmen, weil KI das schlicht und einfach günstiger erledigen wird. In den PC-Jobs, wo das heute noch nicht der Fall ist, wird es kommen. Worauf kommt es also an, wenn theoretisch jede Person einen immer größeren Teil der Arbeit an eine Maschine delegieren kann? Ich sehe 4 Meta-Fähigkeiten, die wichtiger werden: Es beginnt alles mit der Fähigkeit, Probleme definieren zu können . Bevor KI irgendetwas tun kann, muss jemand sagen, was getan werden soll. Die eigene Intuition zur klaren Definition von Problemstellungen zu nutzen, wird wichtiger als die Ausführung der notwendigen Schritte, um dieses Problem zu lösen. Anschließend müssen wir unsere Fähigkeit stärken, klare Anweisungen zu kommunizieren. Wer mal eine schwammige Aufgabe über den Zaun geworfen bekommen hat, weiß wohin das führt. Gute Führungskräfte haben jedoch gelernt, Probleme in klare Aufgabenbriefings zu überführen und an die richtige Person im Team zu delegieren. Diese Führungsfähigkeit wird für fast jede Person im Unternehmen wichtig, weil fast jede Person in irgendeiner Form KIs führt und Aufgaben delegiert. Nachdem wir Aufgaben an eine KI delegiert haben, kommt es auf kritisches Denken und Urteilsvermögen an. Damit meine ich die Fähigkeit, Output einer KI zu hinterfragen (egal wie gut er klingt), Quellen zu bewerten und Bullshit zu erkennen. Deloitte hat einen Bericht mit halluzinierten KI-Inhalten an einen Kunden geschickt - genau für diese Qualitätskontrolle sind wir verantwortlich. All diese Fähigkeiten münden darin, originelle Ideen entwickeln zu können. Wenn die Umsetzung einer Idee nicht mehr der Flaschenhals ist, wird die Qualität der Idee selbst das größte Differenzierungsmerkmal. Diese Ideen müssen nicht nur neu, sondern auch nützlich sein. Um originelle Ideen zu entwickeln, müssen wir mehr Zeit mit Kunden, anderen Domänen, konträren Meinungen und tiefem Denken verbringen. Wir müssen Probleme verstehen, sie klar artikulieren und kritisch aus verschiedenen Perspektiven hinterfragen. Und was ist mit der Fähigkeit, KI richtig zu nutzen? Voerst wird eine KI weiterhin vom Menschen gesteuert, weshalb die Fähigkeit dieser Steuerung wichtig bleibt. Wir können die Maschine aber nur richtig steuern, wenn wir wissen: Was genau ist das zu lösende Problem? Hat KI die Fähigkeit, um mich bei dieser Aufgabe zu unterstützen? Wie und wo setze ich diese Fähigkeit überhaupt ein (Prompt, Agent, Tool, ..)? Mit welchen Hebeln kann ich die Output-Qualität der KI steuern? Wer diese Fragen beantworten kann, kann die KI-Klaviatur hoch und runter spielen und die eigene Zeit damit hebeln und Fähigkeiten erweitern. Wir haben in dieser Woche eine Lern-App für unsere Kunden gebaut, die uns hunderte Stunden sparen und Kunden die bessere Lernerfahrung bieten wird, weil wir a) das Problem kannten, b) KI die Coding-Fähigkeiten hat, c) wir mit Lovable das richtige Tool für diesen Case wählen und d) eine Kontext-Prompt-Vorlage für unsere App-Entwicklung haben, die gleichbleibende Qualität sichert. Was wird unwichtiger? Der rein technische Aufbau (Syntax) eines Prompts. Spezifische Trigger-Wörter, Formattierung oder andere Tricks werden tendenziell unwichtiger wenn die Modelle besser werden. Gleichzeitig bleibt der Inhalt und die Logik des Prompts weiterhin enorm wichtig. Die rein technische Bedienung eines Tools (Features & Functions). In immer mehr Tools werden KI-Agenten integriert, die basierend auf einem Prompt den Workflow ausführen, ohne dass der Nutzer genau wissen muss, wo wann hingeklickt wird. Kritisch denkende Menschen mit Problemverständnis und der Fähigkeit originelle Ideen zu entwickeln , werden unschlagbar sein, wenn sie die Umsetzung der daraus entstehenden Aufgaben durch klare Briefings mit KI massiv beschleunigen und von der verfügbaren Zeit entkoppeln können. Fazit Die KI-Modelle, die wir heute haben, sind mächtiger, als wir es in unseren aktuellen Prozessen abbilden können. Der Engpass sind wir . Oder besser gesagt unsere fehlende Struktur, diese Fähigkeiten von KI zu lenken. Die Aufgabe für 2026 ist klar: Bau dir ein System , das die KI-Fähigkeiten kanalisiert und auf deine Ziele richtet. Wer das schafft, wird Ergebnisse erzielen, die heute noch unmöglich erscheinen. Wir helfen dir dabei, genau das umzusetzen. In der AI-First School bekommst du die Blaupause, die Vorlagen und das Wissen, um KI zu meistern. Zur AI-First School Packen wir's an. Bis nächsten Sonntag, Felix
## KI-Prognosen 2026
URL: https://ai-first.ai/insights/ki-prognosen-2026
Kategorie: Horizont
Untertitel: Über Peaks, AI-First Challenger, eine Renaissance und die Arbeit, die uns bevorsteht.
Herzlich Willkommen zu den AI FIRST Insights! Ich wünsche Dir ein frohes, neues Jahr 2026 und hoffe, dass du einen richtig guten Start hattest. Über die freien Tage habe ich mir mal wieder meine Prognosen für das letzte Jahr vorgenommen und mich gefragt, was KI in 2026 wohl bringen wird. Im Ergebnis habe ich 12 Prognosen runtergeschrieben, die sich alle sehr wahr anfühlen...bis ich sie mir in 12 Monaten wieder anschauen werde :) Geht 2026 genauso verrückt weiter? Kommt der ganz große Durchbruch? Werden alle KI-Blasen und Träume platzen? Unten gibt's meine Gedanken. Los geht's! Review Prognosen 2025 Lasst uns zuerst einen Blick auf meiner Prognosen des letzten Jahres werfen und meine Orakel-Fähigkeiten prüfen. Mit einer Prognose lag ich schonmal richtig und zwar, wie 2025 in einem Bild aussieht: Und wie richtig lag ich mit meinen anderen Prognosen? :) Unter 3% der deutschen Unternehmen setzen KI-Agenten ein. Gartner berichtet <5% weltweite aufgabenspezifische Nutzung von KI-Agenten in 2025. McKinsey wiederum, dass 23% der befragten Unternehmen KI-Agenten in einem Bereich einsetzen. Wahrscheinlich liegt die Wahrheit dazwischen, was jedoch ernüchternd für "das Jahr der KI-Agenten" sein sollte. 2.500 offene Stellen für "AI Manager" auf Indeed am 31.12.2025. Diese Suche zeigt über 4.000 offene Jobs in Deutschland an. Die gleiche Suche hatte vor einem Jahr nur 10% der Ergebnisse gezeigt. Auch wenn in den Jobs zT auch Entwickler zu finden sind, so sieht man doch einen klaren Trend, dass immer mehr Unternehmen Management-Rollen im KI-Bereich besetzen. 10-facher Anstieg der KI-Upskilling Budgets bleibt ohne Effekt. 2024 war meine Prognose, dass viele Unternehmen den Compliance-Haken für den EU AI Act setzen wollen, aber nicht in nachhaltigen Aufbau von KI-Kompetenzen investieren. Ich konnte leider keine belastbaren Daten finden, die meine Prognose belegen oder widerlergen. Zu unseren Kunden zählen jedoch zunehmend Unternehmen, die den schnellen Weg versucht haben, gescheitert sind und jetzt in eine nachhaltige Strategie investieren. "Sicherer Umgang mit ChatGPT & Co." wird Standard in Stellenausschreibungen neben Excel und Powerpoint. Hier lag ich anscheinend total daneben. Ich habe stichprobenartige 20 Stellenausschreibungen im Vertrieb, Marketing und Customer Success durchsucht (also alles Bereiche mit hohem KI-Einfluss). In keiner einzigen Ausschreibung zählte KI-Kompetenz zu den Anforderungen. Vielleicht ist es auch einfach noch zu früh?! Das AI-First Prinzip setzt sich durch. Tobias Lütke (Shopify), Luis von Ahn (Duolingo) und Aaron Levie (Box) waren die drei prominentesten CEOs, die 2025 eine AI-First Strategie ausgerufen haben. In allen Memos wurde die Notwendigkeit der konsequenten Integration von KI in Arbeitsweisen, Prozesse und die Produkte als zentraler Faktor der Wettbewerbsfähigkeit genannt. Außerdem schlug die Akquisition von Base44 durch Wix für 80m$ große Wellen, da der Gründer das Unternehmen alleine mit KI innerhalb von nur 6 Monaten aufbaute. Prognosen 2026 Ich freue mich auf das KI-Jahr 2026 so sehr, wie noch nie zuvor. Generative KI durfte in den letzten Jahren reifen, Nutzer konnten experimentieren, Anwendungen haben sich auf den Modellen entwickelt, Unternehmen haben sich auf den Weg gemacht und viele Lernschleifen gedreht (zumindest einige). Wir durften alle viel darüber lernen, was (nicht) funktioniert und wie wir KI in die produktive Anwendung in Arbeitsroutinen, Prozessen und Produkten bringen. Ich würde also sagen: es ist angerichtet. 2026 gibt's keine Ausreden mehr dafür, dass die Technologie noch nicht soweit ist, dass Tools noch nicht das können, was sie müssten oder dass erstmal die KI-Richtlinie geschrieben werden muss. 2026 kühlt der Hype ab, der Lärm wird leiser und die echte Arbeit der KI-Integration nimmt in der Breite Fahrt auf. Das sind meine 12 Prognosen für 2026: 1. Peak KI-Chatbots: Die Nutzungszahlen in KI-Chatbots erreichen ihren Höhepunkt, da immer mehr Arbeitsabläufe an integrierte KI-Agenten in Software ausgelagert werden. Chatbot-Anbieter erweitern das Prompt-Fenster um zusätzliche Eingabe-Parameter. (Chatbots waren ein großartiger Weg, um KI vielen Menschen zugänglich zu machen. Der Weg nach vorne ist jedoch nicht "KI beantwortet mir Fragen", sondern "KI macht Dinge für mich". Dafür sind Chatbots als Oberfläche nur bedingt geeignet, werden jedoch weiterhin auf einem hohen Niveau genutzt. Tools zum Bauen von KI-Agenten und integrieren mit Drittsystemen werden wichtiger. Außerdem kommen mehr out-of-the-box Consumer Agenten.) 2. KI wird zum integrierten Process-Worker: McKinsey berichtet den Einsatz von KI-Agenten in >50% aller Fachbereiche. (Leistungsfähigere Modelle, vereinfachte Systemintegration und umfangreiche Monitoring-Funktionen werden KI-Agenten vom Assistenten zur echten Prozess-Arbeitskraft in Bereichen wie Vertrieb, Marketing, Support, Legal, Admin und IT machen. Wichtig: Das wird nicht einfach so passieren. Nur Unternehmen mit vorangegangener Investition in Prozesse, Daten und IT-Landschaft werden das Potenzial heben.) 3. Excel und Powerpoint geknackt: Microsoft launched den ersten KI-Agenten, der zuverlässig Excel-Dateien auswerten und Powerpoint-Dateien erstellen kann. (Vor der Meta-Akquisition hatte ich eigentlich auf Manus als 1. Agenten getippt, der die Verarbeitung von Excel- und Powerpoint zuverlässig knackt. Da ich jetzt nicht mehr daran glaube, dass Manus als alleinstehendes Produkt weiter existieren wird, setze ich tatsächlich auf Microsoft.) 4. AI-First Disruption: Eine AI-First Kanzlei oder Unternehmensberatung macht Schlagzeilen, da sie die gleiche Leistung für 10% des marktüblichen Preises anbietet. (Der Start-Up Accelerator Y Combinator hat 2025 angekündigt , dass sie vermehrt nach Gründern suchen, die nicht die nächste "KI-Software für Steuerberatungen" bauen, sondern einfach direkt die nächste AI-First Steuerberatung. 2026 sehen wir die ersten wirklich disruptiven KI-Ansätze in Service-Industrien.) 5. Neues Agentur-Modell: Prozess- und Wissensmanagement-Agenturen sprießen aus dem Boden und helfen beim Umbau des Mittelstands für das KI-Zeitalter. (Viele bestehende Agentur-Modelle werden meiner Meinung nach nicht in gleicher Anzahl und Größe bestehen können, weil KI einen immer größeren Anteil der Arbeit direkt in das Unternehmen verlagert oder schneller erledigt wird. Einer der größten Flaschenhälse der KI-Transformation ist jedoch das Fehlen von Prozessen und dokumentiertem Wissen. In diese Lücke werden einige Agenturen pivotieren.) 6. Live Renaissance: Zunehmender AI Slop und Vertrauensverlust senkt die Social Media Nutzung im Vergleich zu 2025, zeitgleich wachsen Live-Streaming-Plattform wie Twitch doppelt so stark. (Ich beobachte an mir selbst, dass ich immer weniger Interesse an LinkedIn und Co. habe, weil die Qualität der Inhalte im Schnitt sinkt, da die Eintrittshürde für Content-Erstellung extrem niedrig liegt. Parallel sehe ich noch zu wenig Moderation von schlechten / falschen Inhalten seitens der Plattformen. Eines meiner Ziele für 2026 ist daher mehr auf Long-Form Video Inhalte und Live-Formate zu gehen.) 7. Peak OpenAI: Die Bewertung erreicht ihren Peak und der Börsengang muss verschoben werden nachdem >20% der Nutzer an Google, Anthropic und Microsoft abgewandert sind. (Ich sehe einfach kein Szenario in dem OpenAI gewinnen kann. ChatGPT hat keinen Lock-In und lässt Nutzer einfach zu Gemini & Co. wechseln, das Enterprise Produkt ist nicht wettbewerbsfähig und es fehlt die Integration in die Office-Produkte, die Modelle sind keine echte Differenzierung. Ich wünsche mir einen weiterhin starken Wettbewerb, aber glaube, dass OpenAI am stärksten verlieren wird. ) 8. Das Ende von Perplexity: Perplexity's fehlender Burggraben wird überrannt und das Unternehmen schließlich für <5 Mrd. $ an Apple verkauft. (Perplexity ist noch viel schlechter dran als OpenAI. Die einst überlegene Suchfunktion ist kein echter Wettbewerbsvorteil mehr. Die Aktivitäten in Indien und der Paypal-Deal wirkten auf mich wie Verzweiflungstaten, um irgendwo ein Nutzer-Wachstum aufzeigen zu können. Ich kann mir vorstellen, dass Apple zuschlägt, um das KI-Team zu kaufen und den KI-Agenten in Safari und Siri zu integrieren.) 9. Vibe Coding wird erwachsen: Vibe Coding wird erwachsen als ein mit Cursor entwickeltes Produkt für 100m$ akquiriert wird. (2025 hat ein Vibe-Coding Solo-Gründer das Unternehmen Base44 für 80m$ nach 6 Monaten verkauft . Coding-Agenten werden noch deutlich besser werden und die Entwicklung erfolgreicher Produkte durch Nicht-Techies möglich machen.) 10. Peak Mitarbeiter: Alle Big Tech Unternehmen (Google, Meta, Amazon, Apple, Microsoft) schrumpfen > 10% in der Mitarbeiterzahl. Entlassungen in traditionellen Branchen steigen ebenfalls im Vergleich zu 2025. (Das ist lediglich eine Konsequenz der fortschreitenden KI-Integration und Delegation von Aufgaben an KI-Agenten. Insbesondere große Organisationen mit vielen Overhead-Funktionen werden die Effizienzgewinne realisieren und Teams verkleinern. In kleinen Unternehmen glaube ich eher an den Produktivitätsanstieg aus dem bestehenden Team heraus.) 11. Niemand kauft KI-Amulette: Alle AI-Devices floppen, egal ob Stift, Amulett, Karte oder eine 2. Generation der Apple-Brille. Aber: Google kündigt nach dem Fail in 2015 eine Neuauflage der Google Glasses für 2027 an und löst einen riesigen Hype aus. (Ich bin 110% davon überzeugt, dass die nächste Computing-Plattform eine Brille sein wird und jegliche Bildschirme in unserem Leben ablösen wird. Nichts anderes macht Sinn. Google ist mit Gemini am besten positioniert, um die Intelligenz in die Brillen zu bringen, wird jedoch noch mehr Zeit benötigen, um einen 2. Fail zu vermeiden.) 12. KI-Agenten kaufen nichts ein: Der Anteil generierter Checkouts durch KI-Agenten liegt weltweit bei <0,0001%, weil niemand seinem Agenten eine Kreditkarte gibt und ausreichend vertraut. KI spielt jedoch in der Discovery eine zunehmende Rolle und wir werden immer mehr integrierte Checkouts in unserem Chatbot erleben. (Ich kenne bisher wirklich niemanden, der irgendetwas von einem KI-Agenten buchen lassen hat :) ) Egal wie 2026 verlaufen wird: Wir haben schon jetzt alles, um mit KI bessere Arbeit zu machen . P.S. Wer die Prognosen auf der Tonspur hören möchte, kann mich hier im State of Process Automation Podcast hören.
## Mein Jahreskompass KI-Coach
URL: https://ai-first.ai/insights/mein-jahreskompass-ki-coach
Kategorie: Lab
Untertitel: ...und wie du damit 2025 reflektierst und deine Ziele für 2026 setzt
Herzlich Willkommen zu den AI FIRST Insights! Ende Dezember ist Zeit für meine liebste Routine des Jahres: Die letzten 12 Monate in Ruhe zu reflektieren, alle Hoch- und Tiefpunkte noch einmal zu durchleben, meine Lehren daraus zu ziehen, genau in mich reinzuhören um mein kommendes Jahr auszumalen und zu manifestieren. Für mich fühlt sich das so an, als würde ich einen Samen pflanzen, der im Laufe des Jahres wachsen darf , aber nicht mehr verschwindet. Im Laufe der Jahre habe ich mein Jahreskompass-Template immer weiter entwickelt, um wirklich in die Tiefe zu gehen und blinde Flecken aufzudecken. Ende 2022 habe ich dieses Template zum ersten Mal einer KI gegeben und mich durch den gesamten Prozess coachen lassen. Seitdem mache ich zum Jahresende einen langen Spaziergang mit meinem KI-Coach, beantworte seine Fragen, lasse mich challengen und reflektiere auf diese Weise mein Jahr. Heute teile ich diesen KI-Coach und das Template mit dir. Los geht's! Der Jahreskompass KI-Coach Der KI-Coach führt dich durch eine tiefgehende Reflektion und Zielsetzung in drei Phasen: Retro 2025 Vorbereitung 2026 Planung 2026 Der Coach präsentiert dir immer nur einen kleinen Abschnitt, stellt Fragen und wartet auf deine Antwort. Wenn du oberflächlich bleibst, hakt er nach . Er gibt sich nicht mit "Es war ein gutes Jahr" zufrieden, sondern will wissen: Was genau war gut? Was genau hast du dabei gefühlt? Welche tiefere Lektion steckt dahinter? Nach jedem Hauptabschnitt erhältst du eine Zusammenfassung der wichtigsten Erkenntnisse und Muster. Am Ende bekommst du: Eine narrative Reflexion, die die Geschichte deines Jahres 2025 erzählt Einen Masterplan mit all deinen Zielen und Fokus-Themen für 2026 Fünf individuelle Coach-Empfehlungen, wie du deine Ziele konkret erreichst Plane dir mindestens 2-3 Stunden ein. Ich mache in der Regel einen langen Spaziergang und beantworte die Fragen per Spracheingabe. 👉 Zum Jahreskompass 2026 Danke für ein unglaubliches Jahr! Wenn du die Reflektion abgeschlossen hast, wünsche ich mir, dass du auf viele tolle Momente in 2025 zurückblicken kannst und mit diesem Jahr zufrieden bist. Für meinen Teil kann ich nur sagen, dass 2025 absolut unfassbar und intensiv war. Auf allen Ebenen. So wie dieser Newsletter um das 5-fache gewachsen ist (und alles drum herum bei AI FIRST ebenso) durfte auch ich permanent wachsen. An dieser Stelle möchte ich mich bei dir bedanken. Die Unterstützung, das Feedback und die gegenseitige Inspiration aus dieser Community hier hat mich immer getragen und motiviert mich jede Woche auf's Neue. Ich freue mich extrem darauf, 2026 weiter Gas zu geben und gemeinsam mit euch zu wachsen. Jetzt verbringe ich Zeit mit meinen Liebsten und melde mich Anfang Januar mit meinen Prognosen für das KI-Jahr 2026 zurück. Bis dahin wünsche ich Dir frohe Weihnachten und einen guten Rutsch, Felix
## Warum wir als AI-First Unternehmen jetzt Menschen einstellen
URL: https://ai-first.ai/insights/warum-wir-als-ai-first-unternehmen-jetzt-menschen-einstellen
Kategorie: Horizont
Untertitel: Hiring-Prinzipien und Skills für die KI-Ära
Herzlich Willkommen zu den AI FIRST Insights! Bis September waren wir bei AI FIRST zu zweit. Heute sind wir 3,5 FTE und erwirtschaften einen soliden siebenstelligen Umsatz, schnell wachsend. Wir haben unser Unternehmen von Anfang an AI-First aufgebaut und unser Wachstum von der Anzahl der Menschen im Unternehmen entkoppelt. Trotzdem sind wir jetzt an einem Punkt, wo wir bestimmte Rollen besetzen müssen, um unser zukünftiges Wachstum realisieren zu können. Das hat mich dazu gebracht, grundsätzlich zu hinterfragen: Wie müssen diese Rollen eigentlich gestaltet sein? Welchen Prinzipien folgen wir beim Team-Aufbau? Und nach welcher Art von Menschen suche ich? Diese Gedanken möchte ich heute mit dir teilen. Los geht's! Was macht ein AI-First Team aus? AI-First Unternehmen entkoppeln ihren Umsatz von der Mitarbeiteranzahl, indem sie KI in den Kern ihrer Wertschöpfung, Prozesse und Arbeitsweisen integrieren. Dadurch erreichen AI-First Unternehmen mehr Wachstum mit weniger Menschen. Bei uns bedeutet das, dass wir etwa 2x Output pro Person gegenüber Marktbenchmarks erzielen – mit deutlich mehr Potenzial nach oben. Der größte Blocker für höhere Skalierung waren Prozesse, die erst noch reifen und durchdacht werden mussten. Wir hinterfragen alles aus KI-Perspektive. In Bereichen, wo KI Fähigkeiten mitbringt, in denen sie uns überlegen ist, nutzen wir KI anstelle eines Menschen. Wiederkehrende Prozesse sind automatisiert , zum Beispiel die Rechnungsverarbeitung oder E-Mail Support. Jeder Mitarbeiter hebelt sich mit seinem eigenen Team aus KI-Agenten , zugeschnitten auf die jeweilige Rolle, um Aufgaben schneller und besser zu erledigen Wir haben KI-gestützte Apps für unsere Kunden entwickelt, zum Beispiel um KI Use Cases zu finden, zu bewerten und für die Umsetzung zu konzipieren. Prinzipien beim AI-First Teamaufbau Traditionelle Hiring-Prinzipien funktionieren für mich nicht mehr. Meine Logik bis 2022: Ich brauche Menschen, um spezifische Aufgaben zu erledigen. Für x Spezialisten brauche ich einen Manager, der die Arbeit koordiniert und reportet. Daraus entsteht eine Organisation mit Abstimmungsschleifen, Freigabeprozessen und Hierarchien – genau die Strukturen, in denen das Potenzial von KI versickert. Ich folge diesen 5 Prinzipien, um ein maximal leistungsfähiges Unternehmen mit minimaler Anzahl an Menschen aufzubauen: Von Spezialisten zu Generalisten. Wir suchen T-Shaped Professionals : Tiefe Expertise in einem Bereich und die Fähigkeit, angrenzende Bereiche mit KI-Unterstützung zu übernehmen. Wir suchen jemanden für Content, der sehr gut in Video Editing und Videographie ist – aber gleichzeitig unseren Newsletter, LinkedIn und den Podcast steuern kann, durch Unterstützung von KI-Agenten und KI-gestützten Prozessen. Früher hätte man dafür 3-4 Personen gebraucht. Mit AI-First ist es eine Person mit dem richtigen Mindset und den richtigen Tools. Player-AI-Coaches statt mittleres Management. Wir werden niemals "Manager" beschäftigen, die andere Menschen führen. Wir suchen stattdessen Player-AI-Coaches : Menschen, die selbst umsetzen können UND ein Team aus KI-Agenten aufbauen, coachen, weiterentwickeln und Arbeit daran delegieren können. Einstellung ist die letzte Lösung. Bevor wir eine neue Person einstellen, muss das Team zeigen, warum das Ziel nicht mit KI erreicht werden kann. Folgende Optionen müssen vorher ausgeschlossen werden: Wir können uns selbst mit KI verstärken, um den Workload aufzufangen Wir können diesen oder andere Prozesse automatisieren Wir können die Aufgabe outsourcen Wir können Aufgaben eliminieren AI-First Arbeitsweise ist keine Option, sondern ein Muss. Wer bei uns arbeitet, arbeitet konsequent mit KI um 2 Dinge zu tun: Die eigene Expertise und das Wissen mit KI zu multiplizieren, zum Beispiel indem das Wissen und der Prozess in KI-Agenten überführt wird, die diese Aufgaben machen können. Limitierte Fähigkeiten mit KI zu erweitern, um Dinge tun zu können, für die man vorher eine andere Person braucht. Zum Beispiel Copywriting oder Prototyping von Apps. Keine Admin-Funktionen, dafür Automation als Kernkompetenz. Früher hatte ich Vollzeit-Mitarbeiter für Buchhaltung, Personal, Assistenz, Legal und andere Support-Funktionen. Diesen Overhead haben wir zu einem Großteil in KI-Agenten überführt. Stattdessen etablieren wir eine zentrale AI & Automation Funktion, um unsere Daten und Prozesse mit KI und Technologie skalierbar zu verbinden und damit jede Person im Unternehmen schneller und besser zu machen. In unserer neuen Struktur haben wir immer einen Verantwortlichen für einen Bereich, der KI für Spezialaufgaben (anstelle von Mitarbeitern oder Freelancern) nutzt. Wonach ich bei neuen Mitarbeitern suche Ich erwarte von jedem Mitarbeiter, dass er die meiste Zeit damit verbringt, die Probleme, Ziele und Herausforderungen unserer Kunden zu verstehen und auf dieser Basis kreative, pragmatische und kundenorientierte Lösungsideen zu entwickeln, die mit KI umgesetzt werden können und das initiale Problem lösen / Ziel erreichen. So hebelt sich jede einzelne Person x-fach. Die Ausführung übernimmt zunehmend KI. Die Strategie, die Kontextualisierung und die Qualitätssicherung – das bleibt beim Menschen. Wenn ich neue Mitarbeiter einstelle, suche ich nach diesen Eigenschaften: Bias for Action bedeutet Umsetzung vor Perfektion, denn wer wartet, bis alles perfekt ist, passt nicht zu uns. Anpassungsfähigkeit ist essentiell, weil die (KI-)Welt sich wöchentlich verändert und wer nicht lernen will, in 6 Monaten veraltet ist. Hohes Maß an Verantwortung heißt für mich, dass jeder Mitarbeiter seinen Bereich vollständig verantwortet und weiterentwickelt. Operatives Denken (in Prozessen denken) ist die Voraussetzung dafür, KI-gestützte Workflows überhaupt bauen zu können. Problem-, Prozess-, Kundenverständnis ist die Grundlage für alles, denn ohne Verständnis des Problems gibt es keine gute Lösung. Originelle Ideen werden immer wichtiger, weil der Wert nicht mehr durch die Umsetzung kommt, sondern durch die besten Ideen (die dann mit KI schneller umgesetzt werden. Die größte Chance im KI-Zeitalter ist, dass wir unsere Talente hebeln und unsere Fähigkeiten erweitern können, um unsere Ideen in extremer Geschwindigkeit in die Welt zu bringen, daran zu lernen und immer besser zu werden. Ich suche nach Menschen, die genau diese Haltung mitbringen, den damit einhergehenden Freiraum schätzen und mit der notwendigen Verantwortung umgehen können. Jobs@ AI FIRST Ein AI-First Unternehmen, das Menschen einstellt. Klingt jetzt wahrscheinlich paradox, oder? Wir stellen ein, weil wir an den Punkt kommen, wo bestimmte Bereiche einen klaren Owner brauchen, der diesen Bereich mit KI aufbaut, weiterentwickelt und skaliert. Die Frage ist nicht "Wer macht die Arbeit?", sondern " Wer baut die Systeme, die die Arbeit machen? " Wenn du bis hierhin gelesen hast und denkst "Genau so will ich arbeiten" – dann lass uns reden. Ich suche ab sofort für folgende Rollen: AI Enablement Manager AI & Automation Manager Content Growth Manager Werkstudent - AI Enablement & Operations 👉 Zu den Stellenbeschreibungen
## Die SPARK Methode
URL: https://ai-first.ai/insights/die-spark-methode
Kategorie: Lab
Untertitel: 5 KI-Personas für KI-gestützte Lösungen
Herzlich Willkommen zu den AI FIRST Insights! In dieser Woche bin ich durch Benedikt in unserem AI Collective auf die BMAD Methode (Breakthrough Method for Agile AI-Driven Development) aufmerksam geworden. Mit BMAD agierst du als " Vibe CEO " , gibst die Vision vor und triffst Entscheidungen, während spezialisierte KI-Agenten die Umsetzung übernehmen. Jeder Agent beherrscht eine spezifische Rolle (PM, Developer, Architect, UX Expert, etc.). Ich finde den Ansatz großartig, weil ein wiederkehrender Prozess (Ich muss von einer Idee zum Prototypen kommen) ganzheitlich über ein bereitgestelltes Set an Agenten abgebildet werden kann, die jedoch flexibel auf die Nutzer-Anforderungen eingehen. BMAD hat mich inspiriert, eine eigene Methode zu entwickeln, die auch für nicht-Entwickler anwendbar ist. Ich habe sie SPARK getauft und sie unterstützt dich mit der Orchestrierung von 5 Personas dabei, strukturiert von einer Idee zur Lösung zu kommen . Los geht's! Was ist SPARK? SPARK ist ein einfaches, strukturiertes Vorgehen, das dich mit 5 spezialisierten KI-Personas von einer Idee zum Ergebnis führt: Persona 1: S cout Persona 2: P laner Persona 3: A usführer Persona 4: R eviewer Persona 5: K oordinator Es ist die Antwort auf die Frage: "Ich habe eine Idee – wie genau kann mir KI jetzt bei der Umsetzung helfen?" Gesteuert wird der gesamte Prozess vom Koordinator . Er ist dein Einstiegspunkt, der dir hilft, die richtige Persona für deine aktuelle Situation zu finden. Der Koordinator hat wiederum Zugriff auf 4 weitere KI-Personas, die dich Schritt für Schritt von deiner Idee zur Lösung und Umsetzung führen: Der Prozess folgt vier logischen Phasen: 1. Der Scout (Verstehen & Definieren) : Alles beginnt mit dem Scout. Seine einzige Aufgabe ist es, das eigentliche Problem zu verstehen, bevor du auch nur eine Sekunde über Lösungen nachdenkst. Er fragt so lange "Warum?", bis Klarheit herrscht. 2. Der Planer (Strukturieren & Designen) : Wenn das "Was" und "Warum" klar sind, kommt der Planer. Er hilft dir, verschiedene Lösungswege zu sehen, einen konkreten Plan zu entwerfen und die notwendigen Schritte zu definieren. Er macht aus dem "Was" ein "Wie". 3. Der Ausführer (Umsetzen & Liefern) : Dann übernimmt der Ausführer. Er ist der "Macher". Er erstellt auf Basis des Plans die konkreten Ergebnisse: das Konzeptpapier, die E-Mail-Vorlagen, die Prozessbeschreibung, die Checkliste. 4. Der Reviewer (Prüfen & Optimieren) : Und am Ende prüft der Reviewer das Ergebnis. Nicht nach Geschmack, sondern gegen die Ziele, die der Scout am Anfang definiert hat. Er nimmt die Brille verschiedener Stakeholder auf und findet die Schwachstellen, bevor es andere tun. Wo SPARK funktioniert Die Methode ist bewusst universell gehalten. Sie funktioniert für: People & Culture Onboarding-Prozesse entwickeln Mitarbeiterbefragungen konzipieren Schulungskonzepte erstellen Richtlinien & Policies formulieren Feedbackgespräche strukturieren Recruiting-Prozesse optimieren Employer-Branding-Konzepte 💰 Finance & Controlling Reporting-Prozesse automatisieren Budget-Planungsvorlagen erstellen Kostenstellenkonzepte entwickeln Finanz-Dashboards konzipieren Genehmigungsprozesse designen Business Cases aufbauen Marketing & Kommunikation Kampagnenkonzepte entwickeln Content-Strategien planen Stakeholder-Kommunikation gestalten Social-Media-Richtlinien erstellen Event-Konzepte ausarbeiten Brand Guidelines formulieren Vertrieb & Account Management Lead-Qualifizierungsprozesse Sales-Playbooks erstellen Angebotsvorlagen entwickeln CRM-Prozesse optimieren Kundenansprache-Konzepte Account-Management-Strukturen Operations & Prozesse Workflow-Optimierungen SOPs (Standard Operating Procedures) Qualitätssicherungsprozesse Projektmanagement-Templates Eskalationsprozesse Change-Management-Konzepte 💻 IT & Digital User-Anforderungen strukturieren Implementierungspläne erstellen IT-Richtlinien formulieren Rollout-Konzepte entwickeln Schulungsunterlagen für Tools Prozess-Digitalisierung planen Überall dort, wo du eine Idee hast und strukturierte Unterstützung bei der Umsetzung brauchst. Wie du SPARK einsetzt Du benötigst kein aufwändiges technisches Setup. SPARK funktioniert mit jedem LLM-basierten Tool (ChatGPT, Claude, etc.). Ich empfehle dir, ein Reasoning-Modell mit großem Kontextfenster (zB Gemini 3) einzusetzen. So gehst du vor: Template laden: Ich habe alle fünf Personas als Copy-Paste-fertige Prompts vorbereitet. Siehe unten. Mit dem Koordinator starten: Kopiere den Prompt in dein KI-Tool und beschreibe dein Vorhaben. Optional: Lege dir direkt einen Assistenten oder ein Projekt an. Den Agenten-Empfehlungen folgen: Der Koordinator empfiehlt dir den passenden Spezialisten. Wechsle mit dem Befehl *agent [name] zum nächsten Agenten. Durch die Phasen arbeiten: Scout → Planer → Ausführer → Reviewer. Du kannst jederzeit zurückspringen, wenn neue Fragen auftauchen. Ergebnisse nutzen: Am Ende hast du konkrete Outputs – keine vagen Ideen. Ich habe hier die vollständige Anleitung, den Systemprompt und eine Dokumentation für dich bereitgestellt: Zum SPARK Template 🏁 Fazit Du brauchst keine teure Software oder ein komplexes Setup, um deine Ideen mit KI strukturiert umzusetzen. Alles, was du brauchst, ist ein klares Vorgehen. SPARK ist genau das: Ein einfaches Betriebssystem für die Lösungsentwicklung mit KI. Probiere die Methode am besten einmal selbst aus und berichte mir von deinen Erfahrungen! Wenn dich diese Themen interessieren, du die Anwendung von KI meistern und AI-First Routinen etablieren willst, dann lade ich dich außerdem herzlich in unsere AI-First School ein. Dort bekommst du noch viel mehr mentale Modelle, Techniken und Agenten-Workflows. Zur AI-First School Über 500 Mitglieder lernen bei uns bereits, die KI-Klaviatur wie Profis zu spielen und ihre Arbeitsweise ins KI-Zeitalter zu bringen. Ich freue mich, wenn ich dich dort begrüßen darf! Bis nächsten Sonntag, Felix
## Das GenAI Framework
URL: https://ai-first.ai/insights/das-genai-framework
Kategorie: Horizont
Untertitel: Deine mentale Landkarte für den KI-Einsatz
Herzlich Willkommen zu den AI FIRST Insights! Ich nutze GenAI jetzt seit 3 Jahren täglich und habe eine starke Intuition entwickelt, wann und wie ich die Technologie einsetzen muss, um zu meinem Ziel zu kommen. Ich muss zugeben: Anfangs war es oft Versuch und Irrtum . Doch mit der Zeit habe ich gemerkt, dass es ein Muster gibt. Eine Struktur, die entscheidet, ob ein Ergebnis brauchbar ist oder ob ich Zeit verschwende. Ich habe dafür eine mentale Landkarte entwickelt – das GenAI Framework . Es besteht aus 4 Bereichen: Fähigkeiten Datentypen Arbeitsmodi Qualitätsparameter Dieses Framework dient mir heute als Kompass. Es hilft mir, nicht mehr ziellos zu prompten, sondern KI als präzises Werkzeug zu verstehen. Lass uns diese Landkarte gemeinsam abgehen. Los geht's! 2 Kernfähigkeiten über 5 Modalitäten Lass uns ganz vorne anfangen. Oft verlieren wir uns in den tausenden Möglichkeiten von KI-Tools. Dabei lässt sich alles auf eine simple Formel reduzieren. GenAI beherrscht im Kern nur zwei Fähigkeiten: Analysieren (Verstehen): Du wertest bestehende Daten aus. Erstellen (Generieren): Du erzeugst neue Inhalte. Der eigentliche Hebel entsteht, weil wir diese zwei Fähigkeiten heute auf 5 Datentypen anwenden können. Lange Zeit war KI für uns gleichbedeutend mit "Text rein, Text raus". Doch die Modelle haben sich weiterentwickelt. Sie sind heute nativ multimodal . Das bedeutet, dass sie nicht mehr nur geschriebenes Wort verarbeiten, sondern direkt Pixel und Audio-Wellen. GenAI beherrscht mittlerweile 5 Datentypen: Text (Berichte, E-Mails, Zusammenfassungen) Bild (Visuals erstellen, Kampagnen prüfen) Audio (Transkription, Voice Cloning) Video (Clips erstellen, Inhalte analysieren) Code (Programmieren, Fehler finden) Frage dich einmal selbst, wann du in deiner Arbeit: Liest oder schreibst Visuelle Inhalte auswertest oder erstellst Zuhörst oder sprichst Bewegtbild anschaust oder erstellst Mit Code / Apps / Software interagierst Durch diese 5 Modalitäten wird deinen Handlungsspielraum mit GenAI enorm erweitertc. Die Kunst liegt darin, im Alltag zu erkennen: "Ah, hier habe ich eine Audio-Datei (Modalität) – ich will wissen, was drin vorkommt (Fähigkeit: Analyse)." Die 3 Arbeitsmodi Jetzt kennen wir das "Was" (die Daten). Aber entscheidend für deinen Erfolg ist das "Wie". In welchem Kontext nutzt du diese Daten? Das Framework unterscheidet drei Modi: Bei den Arbeitsmodi geht es im Kern darum, bewusst zu merken, wo du dich gerade befindest. So greifst du intuitiv zur KI als Unterstützung und gibst ihr fast automatisch die richtige Rolle. Die 4 Qualitätsparameter Du hast deine Aufgabe eingeordnet und den richtigen Modus gewählt. Aber das Ergebnis ist noch nicht präzise genug? Dann kannst du an vier Stellschrauben drehen. Wichtig: Wir starren oft gebannt auf neue Modelle und Tools . Doch die größte Hebelwirkung für gute Ergebnisse liegt in den oft unterschätzten Parametern Prompt und Kontext . Ein schwächeres Modell mit exzellentem Kontext schlägt oft ein Top-Modell mit schlechtem Briefing. Der Prompt Eine präzise Anweisung ist das A und O. Für einfache Ad-hoc-Fragen reicht der Chat. Aber für wiederkehrende Aufgaben solltest du Zeit in einen strukturierten Prompt investieren. Nutze dafür meine Prompt-Formel : Persona: Wer soll die KI sein? (z.B. "Erfahrener CEO-Coach") Ziel: Was wollen wir erreichen? Kontext: Hintergrundinfos (siehe Punkt 2). Schritt-für-Schritt: Eine klare Anleitung, was nacheinander passieren soll. Output-Format: Wie soll das Ergebnis aussehen? (z.B. Tabelle, E-Mail-Entwurf) Beispiele: Zeige der KI ein "Gold-Standard"-Beispiel. Der Kontext Das ist der Treibstoff. Die KI kann nicht wissen, was du nicht sagst. Kontext umfasst deine Unternehmensziele, Prozessbeschreibungen oder Tonalitäts-Guides. Bereite Daten maschinenlesbar auf. Eine KI sieht fettgedruckte Überschriften in einem PDF oft nicht als Struktur. Nutze Markdown (.md) für Textstrukturen oder CSV für Tabellen, statt unformatierter PDFs oder Excel-Dateien. Je sauberer die Datenstruktur, desto besser das Verständnis der KI. Das Modell Die Modelle nähern sich an, haben aber immer noch spezifische Stärken. Wähle das Modell passend zur Aufgabe: Die Tools Modelle können Text, Bild, Audio, Video und Code analysieren und generieren, aber haben darüber hinaus keine weiteren Fähigkeiten. Um die Fähigkeiten des Modells zu erweitern, musst du ihnen Werkzeuge an die Hand geben. Zum Beispiel: Internetsuche Code Interpreter (aka "Taschenrechner") Bildgenerierung Canvas 3rd Party Tools (E-Mail, CRM und Co.) Sollte in Zukunft das Ergebnis deiner KI nicht deinen Erwartungen entsprechen, prüfe diese 4 Qualitätsparameter. In vielen Fällen wirst du damit einen großen Schritt weiter kommen. Anwendung vom GenAI Framework Das klingt in der Theorie logisch, muss sich aber im Alltag bewähren. Damit du das Framework verinnerlichst, habe ich einen Systemprompt für dich gebaut. In 15 Minuten wendest du das Framework auf 3 echte Aufgaben aus deinem Arbeitsalltag an. Danach erkennst du schneller, welche KI-Fähigkeit, Modalität und welcher Arbeitsmodus für deine Aufgaben passen – und setzt KI gezielter ein. ✅ Deine Aufgabe: Kopiere den Prompt unten in einen Chatbot deiner Wahl (ChatGPT, Claude, etc.). Folge den Anweisungen des Coaches. Ziel: Du bist fertig, wenn der Coach dir schreibt: "🎉 Glückwunsch! Du hast das GenAI-Framework jetzt auf echte Aufgaben angewendet." Zum GenAI Coach Systemprompt 🏁 Fazit Das GenAI Framework ist kein theoretisches Modell für die Schublade. Es ist das Werkzeug, das den Unterschied macht zwischen "Mal schauen, ob es klappt" und "Ich weiß genau, wie ich das Ergebnis bekomme". Wer ohne Struktur arbeitet, bleibt beim "Trial and Error" hängen. Wenn das Ergebnis schlecht ist, weißt du nicht, woran es lag. War der Prompt falsch? Das Modell zu dumm? Oder fehlte der Kontext? Mit diesem Framework hast du jetzt eine Checkliste im Kopf. Wenn du vor einer Aufgabe stehst, rätst du nicht mehr. Du weißt: Was mache ich hier? (Analysieren vs. Erstellen) In welchem Modus bin ich? (Verstehen, Umsetzen, Neu Denken) An welcher Schraube muss ich drehen, wenn es hakt? (Kontext, Modell, Prompt) Nutze den Systemprompt oben und trainiere diese Denkmuster. Sobald diese Struktur sitzt, werden deine Ergebnisse nicht nur besser, sondern vor allem reproduzierbar . Und genau das unterscheidet professionelle Arbeit von Spielerei. Das ist alles für diese Woche. Bis nächsten Sonntag, Felix
## 5 Anwendungsfelder für die beiden besten KI-Modelle in 2025
URL: https://ai-first.ai/insights/5-anwendungsfelder-fuer-die-beiden-besten-ki-modelle-in-2025
Kategorie: Horizont
Untertitel: Wie Du Gemini 3 und Nano Banana Pro einsetzt
Herzlich Willkommen zu den AI FIRST Insights! Nach der ernüchternden Veröffentlichung von GPT-5 im August fieberte die KI-Welt auf Gemini 3 hin. Und Google hat gleich doppelt geliefert. Mit Gemini 3 kam das beste Large Language Model und mit Nano Banana Pro das beste Bild-Modell, das wir je gesehen haben. Damit zementiert Google meiner Meinung nach seine technische Vorherrschaft im GenAI-Space. In dieser Ausgabe will ich nicht die Zahlen, Daten und Fakten recyclen, welche bereits ausreichend kursierten. Du bekommst stattdessen einen Testbericht der Modelle in 5 Anwendungsfeldern von mir, die über die klassischen Text und Recherche Use Cases hinausgehen. Los geht's! Anwendungsfeld 1: Multimodales Verständnis Multimodalität bezeichnet die Verarbeitung verschiedener Datentypen von KI-Modellen. Also Modelle, die Text, Bild, Video, Audio und Code verarbeiten können. Die Gemini-Modelle sind nativ multimodal und können jeglichen Datentyp verarbeiten - teils noch ausbaufähig. Als Beispiel habe ich Gemini ein Video aus der AI-First School gegeben und gebeten, den visuellen und gesprochenen Inhalt aus Perspektive eines Kursteilnehmers zu analysieren. Das Video ging 14 Minuten und die Datei war 50mb groß: Ergebnis Die inhaltliche Analyse waren fast 100% korrekt, sowohl was die Folieninhalte als auch das gesprochene Wort betrifft: Auf Nachfrage, ob es Fehler zwischen dem Gesagten und Gezeigten gäbe, halluzinierte Gemini eine Antwort basierend auf einer alten Studie, die wahrscheinlich in den Trainingsdaten stärker repräsentiert ist als die neuere Studie. Immerhin wurde noch mein Verhaspler gefunden: Wofür du diese Fähigkeit nutzen kannst: Meeting-Dokumentation : Whiteboard-Fotos oder Flipcharts nach Workshops hochladen und strukturierte Protokolle, Action Items und Zusammenfassungen erstellen lassen Social Media Videoanalyse: TikTok-, Instagram- oder LinkedIn-Videos von Wettbewerbern oder eigenen Kampagnen analysieren – Messaging, visuelle Trends, Hooks und Performance-Faktoren identifizieren Sales Coaching: Aufzeichnungen von Verkaufsgesprächen (Video/Audio) analysieren lassen – Feedback zu Gesprächsführung, Einwandbehandlung, Körpersprache und Abschlusstechniken erhalten Anwendungsfeld 2: Vibe Coding von Web Apps Die wahrscheinlich stärkste Entwicklung hat Gemini in seinen Coding-Fähigkeiten hingelegt. Im Google AI Studio kannst du die Erstellung von Web Apps mit Gemini 3 Pro im Bereich "Build" kostenlos testen. Ich habe in ca. 15 Minuten einen Speaker-Coach gebaut, dem ich mein Mikrofon und Kamera teile, der meine Sprache, Haltung und Inhalte analysiert, mir in Echtzeit Feedback gibt und anschließend einen Bericht erstellt. Dafür habe ich zuerst ein PRD (Product Requirements Document) mit KI erstellt, dieses dann ins Google AI Studio eingefügt und anschließend mehrere Runden iteriert. Ergebnis Gemini 3 hat die Hürde für nicht-Coder wie mich noch einmal deutlich reduziert , um Ideen in meinem Kopf in die Welt bringen zu können. Besonders spannend ist die einfache Integration der vielen Gemini-Fähigkeiten in die Apps, um beispielsweise mit ihnen sprechen zu können, Bilder zu erstellen, Videos zu analysieren und vieles mehr. Hier das Ergebnis vom Speaker Coach: Gemini 3 wird Coding-Agenten wie Cursor, v0 oder Lovable noch leistungsfähiger machen. Wofür du diese Fähigkeit nutzen kannst: Prototyping, zB Produktkonfigurator : Interaktive App erstellen, mit der Kunden Produkte (z.B. Möbel, Autos) visuell konfigurieren und in Echtzeit Preise sehen können Website, zB Landing Page für Kampagne: Komplette Marketing-Landing-Page mit Formular, Testimonials und CTA-Buttons für eine neue Produkteinführung generieren Interne Tools, zB Reporting Dashboard : Interaktives Dashboard erstellen, das Excel/CSV-Daten visualisiert und Filterfunktionen für verschiedene Kennzahlen bietet Anwendungsfeld 3: Analyse von Tabellendaten Bei all den Stärken von Large Language Models, sind sie weiterhin sehr fehleranfällig bei der Verarbeitung von Tabellendaten und mathematischen Berechnungen. Ich habe den Test gemacht und Gemini 3 einen umfangreichen Export von Konto-Transaktiondaten gegeben, um daraus einen Analyse meiner Einnahmen und Ausgaben abzuleiten. Ergebnis Das Ergebnis war zu 90% korrekt, was leider nicht genug ist. Immer wieder waren einzelne Werte falsch berechnet oder unvollständig. Bei mathematischen Berechnungen bleiben altbewährte Mittel vorerst überlegen. Wofür du diese Fähigkeit nutzen kannst: Aktuell funktioniert die Berechnung von Tabellendaten nur bei: Einfachen Datensätzen mit wenigen Zeilen und Spalten Sehr klarer Bezeichnung der Spalten Sehr präzisem Prompt In diesem Artikel habe ich den Prozess beschrieben. Anwendungsfeld 4: Infografiken Kommen wir zu Nano Banana Pro. Mit dem Upgrade ist das Modell noch einmal stärker in der Bildqualität und multimodalen Verarbeitung geworden - also Text und Bild zu kombinieren. Diese Fähigkeit lässt sich besonders bei der Erstellung von Infografiken verwenden. Also habe ich Nano Banana Pro eine Infografik über sich selbst erstellen lassen :) Ergebnis Sieh am besten selbst: Wofür du diese Fähigkeit nutzen kannst: Social Media Carousel Posts : Mehrteilige Instagram/LinkedIn-Carousels mit Statistiken, Tipps oder Schritt-für-Schritt-Anleitungen – inkl. Überschriften, Bullet Points und Branding -> aber ACHTUNG, das wird bald jeder machen :) Prozess-Infografiken : Visualisierung von Unternehmens-Workflows oder Customer Journeys mit nummerierten Schritten, Icons und Beschreibungen für interne Schulungen Event-Ankündigungen : Grafiken für Webinare, Workshops oder Messen mit Datum, Uhrzeit, Speakern und Anmeldeinformationen Anwendungsfeld 5: Shootings Hast du auch schon KI-Bilder von dir oder deinen Produkten erstellen lassen und immer dieses leichte Gefühl von "schon ganz gut, aber noch nicht gut genug" gehabt? Die letzten %-Punkte haben oft noch gefehlt, um mit einfachen Tools konsistente Bilder zu erzeugen. Ich habe zwei Tests gemacht mit jeweils nur einem einzigen (!) Referenzbild: Shooting von mir Shooting von einem Produkt Ergebnis Wofür du diese Fähigkeit nutzen kannst Produktvarianten visualisieren : Ein Referenzbild des Produkts hochladen und automatisch Varianten in anderen Farben, Größen oder Settings generieren – ohne Fotoshooting Brand Mascot in verschiedenen Szenarien : Firmen-Maskottchen oder Charakter einmal definieren und dann konsistent in verschiedenen Situationen darstellen (Kundenservice, Feier, Präsentation) Mitarbeiter-Avatare für Schulungen : Foto einer Person als Basis nutzen und daraus konsistente Illustrationen in verschiedenen Arbeits-Situationen für E-Learning-Module erstellen 🏁 Fazit Google hat mit Gemini 3 und Nano Banana Pro zwei großartige Modelle abgeliefert, die mich in ihrer Output-Qualität, Reasoning und Multimodalität überzeugen. Eine Revolution sind die Modelle nicht, aber ein deutlicher Fortschritt im Vergleich zu den Vorgängern. Besonders überzeugt haben mich folgende Fähigkeiten: Verarbeitung von Video-Inhalten, kombiniert mit Text und Bild Coding von multimodalen Apps (zB Speaker-Coach) Längeres Reasoning bei komplexen Aufgaben Text-in-Bild Generierung mit Nano Banana Konsistente Charaktere in Bildern mit Nano Banana Das war's auch schon wieder für heute. Was sagst du zu den Google Releases? Bis nächsten Sonntag, Felix
## Was du nicht an KI abgeben solltest
URL: https://ai-first.ai/insights/was-du-nicht-an-ki-abgeben-solltest
Kategorie: Adoption
Untertitel: Je besser KI wird, desto wichtiger wird zu wissen, was du ihr NICHT geben solltest…
Herzlich Willkommen zu den AI FIRST Insights! Am 14. Juli 2024 habe ich zum ersten Mal diesen Newsletter verschickt. Ich habe es geliebt, jede Woche meine Gedanken und meine Haltung zu KI-Themen zu schärfen, indem ich sie in Worte fasste. 2025 reflektierte ich auch unsere Prozesse aus KI-Perspektive und fing immer mehr an, diesen Newsletter mit KI-Unterstützung zu schreiben. Der Prozess lief so (alles per Sprachnachrichten mit einem Agent hin und her): Idee und Ziel kam von mir Agent erstellte Storyline-Vorschlag Wir iterierten die Storyline gemeinsam Agent stellte Fragen zu jedem Punkt Ich beantwortete per Spracheingabe Der Agent formulierte den Text Ich machte Feinschliff Dieser Prozess war effizient und ich wollte das was ich predige, auch selbst vormachen :) Doch über die letzten Monate hatte ich immer weniger Spaß am "Schreiben" des Newsletters - also an genau der Sache, warum ich damit ursprünglich gestartet bin. In dieser Ausgabe geht es um die unterschätzteste KI-Kompetenz: Zu wissen, was man NICHT an KI deligieren sollte . Auch wenn es technisch möglich ist. Los geht's! Letzte Chance auf den Early Bird bis 17.11. um 23:59 Uhr Mit der AI-First School steht unser bestes Angebot für KI-Anwender in den Startlöchern. In der School entwickest du neue Arbeitsweisen und Routinen, um KI tief in die eigene Arbeit zu integrieren. Wir gehen weiter als Tools und Prompts. Mein Ziel ist, dass du deine Grenzen des Möglichen verschiebst und maximale Wirkung bei maximaler Leichtigkeit erreichst. Der Early Bird endet am 17.11. um 23:59 Uhr. Du kannst die School anschließend jederzeit nutzen. Wir bieten selbstverständlich auch einen Kauf auf Rechnung zur Einreichung beim Arbeitgeber und Firmenlizenzen mit Staffelpreisen an. Wenn du KI in deiner Arbeit voll ausschöpfen willst, melde dich hier an. Das Können/Sollen-Paradox Ich habe an mir selbst ein wunderbares Paradox beobachtet: Je besser KI wird, desto wichtiger wird zu wissen, was ich ihr NICHT geben sollte. KI ist heute die zugänglichste Technologie, die es jemals gab. Die Modelle können einen Großteil digitaler Arbeit abbilden und genau das macht es so verführerisch, sie für alle möglichen Aufgaben einzusetzen. In den letzten 3 Jahren ging es darum, diese Fähigkeiten von KI in möglichst vielen Prozessen und Aufgaben zu nutzen. Das halte ich weiterhin für wichtig. Noch wichtiger wird jedoch, wo wir KI nicht nutzen , auch wenn wir es tun könnten. Diese Entscheidung hat für mich 2 Ebenen: Wie differenzierst du dich? Mittelfristig werden wir uns nicht mehr darüber differenzieren, wie gut wir mit KI arbeiten. Das wird eher die Eintrittskarte sein, um überhaupt mitspielen zu dürfen. Jeder Mensch da draußen kann immer mehr vom Gleichen erzeugen. Unsere Einzigartigkeit wird bestimmt durch Haltung, authentische Stimme, echte Erfahrungen und Intuition . Bei allem was darauf einzahlt, bin ich vorsichtig mit der Auslagerung an KI geworden - insbesondere wenn es um Content geht. Woran hast du Freude? Wir sind unsere Jobs einmal angetreten, weil wir eine Leidenschaft oder Talent für eine bestimmte Sache haben. Vielleicht ist es bei dir das Schreiben von Texten, die Beratung von Kunden oder die Entwicklung von Produktideen. Egal wie gut KI in diesen Dingen wird, werde ich nicht das auslagern, was mir an meinem Job am meisten Freude bereitet und Energie gibt. Eher versuche ich mir mit KI Zeit zu verschaffen, um in diesen Bereichen noch viel besser zu werden und mehr Zeit verbringen zu können. Unterm Strich: Nur weil wir etwas mit KI tun können, heißt es noch lange nicht, dass wir es auch sollten . Diese Differenzierung wird bei zunehmender Leistungsfähigkeit von KI immer wichtiger. 5-Fragen-Checkliste Ich habe angefangen mir fünf Fragen zu stellen, bevor ich eine Aufgabe an eine KI auslagere. Am Beispiel dieses Newsletters habe ich sie wie folgt beantwortet: 1 Liegt der Wert dieser Aufgabe im Ergebnis oder im Prozess des Tuns selbst? Einen Newsletter-Text zu KI-Themen kann jeder Mensch in Sekunden mit KI erstellen. Der Wert entsteht für mich durch neue Perspektiven, meine Erfahrungen, anschauliche Beispiele oder der Einordnung von Themen (auch wieder basierend auf Erfahrungen). Um diesen Wert zu realisieren, brauche ich jedoch den Prozess. Ich muss mich hinsetzen und meine Gedanken runterschreiben, dabei weiter schärfen und reflektieren, meine Erfahrungen mit Recherchen abgleichen, konkrete Aussagen formulieren und ein Fazit ziehen. 2 Will ich in diesem Bereich besser werden oder ist es egal? Ich will ganz klar besser darin werden, meine Gedanken, Haltungen und Ideen in Inhalte zu überführen, die anderen Menschen weiterhelfen. Wie sagt man so schön: Erst wer 10.000 Stunden auf einem Thema verbringt, wird zum Meister. Lagere ich diese Zeit an KI aus, werden sich meine Fähigkeiten nicht weiterentwickeln - wahrscheinlich sogar zurückbilden. 3 Macht mir diese Aufgabe Spaß oder könnte sie mir Spaß machen? Die Antwort ist ja, aber mit Ausnahmen. Nicht jeder Teil der Aufgabe macht mir Spaß. Siehe Frage Nr. 5. 4 Baut diese Aufgabe eine Beziehung zu Menschen auf (Kunden, Team, Community)? Immer wenn wir mit Menschen kommunizieren, zahlt das auf die Beziehungen zu den Menschen ein. Erst am Donnerstag war ich auf einem Event, wo ich oft auf diesen Newsletter, meinen LinkedIn Content und den Podcast angesprochen wurde - mit authentischer Dankbarkeit und Wertschätzung. Jeden Tage sehe ich hunderte KI-generierter Posts / Newsletter / Podcasts / ... und irgendwie fehlt mir da oft das Organische und die Seele. Was auf die Beziehung zu Menschen einzahlt, will ich nicht an KI auslagern. 5 Was ist der Teil der Aufgabe, der mir keinen Spaß macht? Dieser Punkt ist mir sehr wichtig, denn nichts ist schwarz/weiß. Viele Aufgaben bestehen aus Teilaufgaben oder Schritten, die am Ende zum Ergebnis führen. Bei diesem Newsletter sind das zum Beispiel die Recherche, inhaltliche Struktur, Draft der Texte, Feinschliff, Betreff wählen, Titelbild erstellen und Korrektur lesen. Die Quellenrecherche und Korrektur sind nicht meine größten Leidenschaften. Also lasse ich sie weiterhin von KI unterstützen. Der Rest bleibt bei mir. Lagere den Teil der Aufgabe an KI aus, der dir Energie nimmt , um Raum für den Teil der Aufgabe zu schaffen, der dir Energie gibt. 🏁 Fazit Nur weil wir etwas mit KI tun können, heißt es noch lange nicht, dass wir es auch sollten. Je besser KI wird, desto wichtiger wird zu wissen, was man ihr NICHT geben sollte. Diese 5 Fragen helfen bei der Differenzierung: Liegt der Wert dieser Aufgabe im Ergebnis oder im Prozess des Tuns selbst? Will ich in diesem Bereich besser werden oder ist es egal? Macht mir diese Aufgabe Spaß oder könnte sie mir Spaß machen? Baut diese Aufgabe eine Beziehung zu Menschen auf? Was ist der Teil der Aufgabe, der mir keinen Spaß macht? Für mich liegt die Antwort meist in den Graustufen: Ich will Teile einer Aufgabe an KI geben, um für einen anderen Teil mehr Raum zu haben . Das ist alles für diese Woche. Bis nächsten Sonntag, Felix P.S. In der AI-First School treffen wir genau diese Differenzierung, in dem du dir ein Zielbild deiner Rolle für die KI-Ära erarbeitest
## Alles wird agentisch, aber nicht jeder Agent ist gleich
URL: https://ai-first.ai/insights/alles-wird-agentisch-aber-nicht-jeder-agent-ist-gleich
Kategorie: Horizont
Untertitel: Die zwei wichtigsten Agenten-Typen
Herzlich Willkommen zu den AI FIRST Insights! Ich muss zugeben, dass ich KI-Agenten anfänglich sehr skeptisch gegenüber stand. Mir war das Versprechen zu groß, dass diese Anwendungsform von KI, komplexe, vielschrittige Aufgaben autonom und zuverlässig erledigen kann. Wie sollte das funktionieren, wenn LLMs schon bei einfachen Prompts halluzinieren, aber in Geschäftsprozessen konsistente Ergebnisse erforderlich sind? Doch mein Blick auf KI-Agenten hat sich in den letzten 12 Monaten verändert. Sehr stark sogar. Ich bin fest davon überzeugt, dass KI-Agenten in Prozessen und der Organisationsstruktur mitgedacht werden müssen und einen immer größeren Teil unserer Arbeit unterstützen oder übernehmen. Aber um KI-Agenten richtig einzusetzen, müssen wir sie differenziert betrachten. KI-Agenten können ganz unterschiedlich funktionieren. Ich habe dafür 2 Typen definiert. Los geht's! Nur noch 8 Tage Early Bird für die AI-First School In der AI-First School geht es um mehr als Tools und Prompts. Wir entwickeln neue Arbeitsweisen und Routinen, um KI tief in die eigene Arbeit zu integrieren. Das Ziel ist, dass du deine Grenzen des Möglichen verschiebst und maximale Wirkung bei maximaler Leichtigkeit erreichst. Der Early Bird läuft nur noch 8 Tage. Hier gibt's alle weiteren Info's. Alles wird agentisch Im August '24 habe ich hier das erste Mal über die Differenzierung zwischen KI-Assistenten , - Automationen und - Agenten geschrieben. Meine Definition lautete damals so: Assistenten: Vom Menschen gesteuerte LLM-Bots mit Wissen angedockt Automationen: LLMs in Prozess-Schritte eingebunden, Wenn->Dann Agenten: Planen Aufgaben eigenständig basierend auf Ziel, nutzen Tools Ich finde diese Struktur weiterhin gut, doch in diesen 13 Monaten hat sich etwas verändert. Alles ist agentisch geworden. Wenn früher ein KI-Assistent (zB CustomGPT) mit einer Wissensbasis und einem Systemprompt Aufgaben erledigen konnte, so kann er heute mit Tools arbeiten und selbstständig planen. Das liegt im Kern an zwei Entwicklungen: Reasoning-Modelle , die längere Aufgabenverarbeitung zulassen Tool-Zugriff über immer mehr vorgebaute Integrationen in allen KI-Plattformen Damit wird alles zu einem KI-Agent, der basierend auf einem LLM (in gewissem Maße) planen und mit Tools Aufgaben ausführen kann. Viele dieser Agenten können wir heute out-of-the-box nutzen: Deep Research in Gemini, ChatGPT oder Copilot Multifunktions-Agenten wie Manus oder Genspark Coding-Agenten wie Lovable, Cursor oder Replit Sales-Agenten wie Agentforce oder Artisan Agentische Browser wie Comet oder Atlas ...es gibt hunderte, wenn nicht tausende weiterer Beispiele. Doch sie unterscheiden sich oft fundamental. 2 Agenten-Typen Wenn alles agentisch wird, benötigen wir eine Differenzierung dieser Agenten. Schauen wir uns zwei Beispiele an: Beispiel 1: Agent (zB Cursor) programmiert eine Web-App Der Agent bekommt ein Briefing vom Nutzer, stellt Rückfragen, bricht einen Prozess runter, führt die Aufgaben aus, berichtet einen Arbeitsstand, bekommt wieder Feedback und iteriert bis das Ergebnis passt. Dieser Agent ist in sich sehr autonom, arbeitet jedoch als Assistent für den Nutzer , der die volle Kontrolle behält. Beispiel 2: Agent (zB in Langdock aufgesetzt) klassifiziert eine Mail in FAQ/Rechnung Der Agent wird automatisch durch eine neue E-Mail ausgelöst, klassifiziert diese nach vorgegebenen Regeln und führt evtl. noch eine einfache Aktion aus (zB Weiterleitung an anderen Agenten oder Menschen). Dieser Agent ist fest in den Workflow integriert und hat dort genau eine spezifische Aufgabe immer und immer wieder auszuführen. Diese Agenten unterscheiden sich in 2 Dimensionen: Steuerung: Fest integriert in Prozess vs. vom Menschen gesteuert Aufgabenspektrum: Sehr spezifisch vs. breitere Rolle Schauen wir uns beide Typen etwas genauer an. Workflow-Agent: Der effiziente Abarbeiter Typ 1 nenne ich den Workflow-Agent : Fest in Prozess integriert Führt eine spezifische Aufgabe aus Erfordert geringe menschliche Kontrolle Nutzt schnelles, eher Mini-LLM Ein Workflow-Agent macht immer dann Sinn, wenn eine atomare Aufgabe in einem Prozess automatisiert werden soll, jedoch Flexibilität für Ausnahmefälle erforderlich ist. Beispiele unserer Workflow-Agents: Rechnungsprüfer – prüft eingehende Rechnungen automatisch auf Plausibilität und Vollständigkeit Lead-Qualifizierer – bewertet neue Leads nach festen Kriterien und routet sie weiter Inbox-Agent prüft einkommende Mails und schreibt basierend auf Wissensdatenbank je eine Antwortvorlage Meeting Follow-Up – verarbeitet das Meeting-Transkript und schickt Zusammenfassung mit nächsten Schritten an Teilnehmer Der Workflow-Agent kann klar abgegrenzte Aufgaben erledigen, erfordert jedoch eine umfangreiche "Einarbeitung" , um Fehler zu vermeiden und Ausnahmefälle richtig zu lösen. Wichtig: LLMs erzeugen Ergebnisse basierend auf Wahrscheinlichkeiten. Wahrscheinlichkeiten liegen nie bei 100% . Ergo können LLMs Fehler machen. Da KI-Agenten auf LLMs basieren, können sie ebenfalls Fehler machen. Aus diesem Grund ist es sehr sehr wichtig, dass die Aufgaben für Workflow-Agenten sehr spezifisch sind, um darüber eine 99,x% Genauigkeit in der Erledigung der Aufgaben zu erreichen. In kritischen Prozessen, wie zB Customer Support Bearbeitung, würde ich auch immer einen 2. Agenten als Kontroll-Instanz für den 1. Agenten integrieren. Assistent-Agent: Der Sparringspartner Typ 2 ist der Assistent (ich habe lange über diese Bezeichnung nachgedacht, aber Assistent beschreibt einfach weiterhin am besten, was er tut): Vom Nutzer gesteuert Führt mehrere Aufgaben in einem Bereich aus Erfordert hohe menschliche Kontrolle und Feedback Nutzt leistungsstarkes, eher Reasoning-LLM Ein Assistent-Agent macht immer dann Sinn, wenn ein Mensch in einem Aufgabenfeld (zB Coding, Recherche, Vertrieb, Content-Marketing) unterstützt werden soll, um Aufgaben schneller und besser zu erledigen. Beispiele unserer Assistenz-Agents: Donna – meine persönliche Assistenz für Kommunikation, Dokumentation und Strategie-Sparring mit Zugriff auf alle Tools und vollständiges Kontextwissen Agent Builder unterstützt uns, neue Systemprompts, LLM-Empfehlung, Tools, erforderliches Kontextwissen für neue Agenten zu entwickeln Workshop Designer – unterstützt bei der Vorbereitung von Kundenworkshops inkl. Agenda, Übungen, Moderationsleitfaden, Folien-Inhalte Lovable – nutzen wir out-of-the-box, um interne Tools und Apps zu entwickeln Der Assistent-Agent kann ein breiteres Aufgabenspektrum abdecken, auf mehr Tools und auf umfangreicheres Wissen zugreifen, weil er vom Menschen gebriefed und kontrolliert wird. Genau dieses Briefing und Feedback sind jedoch entscheidend. Assistenten sind Sparringspartner. Meiner Meinung nach sind Assistenten in vielen Bereichen der beste Weg , um KI in die produktive Nutzung zu bringen. Jeder Mitarbeiter am PC kann mit ihnen erweitert werden, um besser und produktiver zu arbeiten. Gleichzeitig reduziert die menschliche Kontrolle die Fehleranfälligkeit und den Setup-Aufwand enorm. 🏁 Fazit Alles wird agentisch, aber nicht jeder Agent ist gleich. Wenn du KI-Agenten produktiv einsetzen möchtest, solltest du zwischen zwei Typen unterscheiden: Workflow-Agent: Automatisiert atomare Aufgaben in Prozessen. Erfordert umfangreiche Einarbeitung und klar abgegrenzte Aufgaben. Assistent-Agent: Unterstützt Menschen bei komplexen Aufgaben. Erfordert detaillierte Briefings und Feedback. Mir hat diese Unterscheidung enorm dabei geholfen, KI-Agenten richtig einzustellen und in unsere Arbeitsweisen und Prozesse zu integrieren. Das ist alles für diese Woche. Bis nächsten Sonntag, Felix P.S. Wenn du lernen willst, wie du KI-Agenten aufbaust und in deine Arbeit integrierst, dann komm in unsere AI-First School .
## Unser KI-Tool Stack bei AI FIRST
URL: https://ai-first.ai/insights/unser-ki-tool-stack-bei-ai-first
Kategorie: Lab
Untertitel: Mit welchen Tools wir unser Unternehmen aufbauen und wie wir sie nutzen
Herzlich Willkommen zu den AI FIRST Insights! Seit 2022 habe ich mir hunderte KI-Tools angeschaut. Bei jedem neuen Spieler im Markt und jedem "Gamechanger"-Feature dachte ich, ich würde etwas verpassen. Das hat sich vollständig geändert. Heute nutze ich weniger KI-Tools denn je und schaue mir so gut wie gar keine neuen Tools mehr an. Wir haben unser Setup gefunden und sind damit produktiver denn je. In dieser Ausgabe teile ich unseren KI-Tool-Stack mit dir und wofür wir jedes dieser Werkzeuge einsetzen. Los geht's! Sichere Dir den Early Bird für die AI-First School In der AI-First School geht es um mehr als Tools und Prompts. Wir entwickeln neue Arbeitsweisen und Routinen, um KI tief in die eigene Arbeit zu integrieren. Das Ziel ist, dass du deine Grenzen des Möglichen verschiebst und maximale Wirkung bei maximaler Leichtigkeit erreichst. Der Early Bird läuft noch 15 Tage. Hier gibt's alle weiteren Info's. Langdock, unser KI-Betriebssystem Seit ca. 1,5 Jahren ist Langdock unser zentrales Betriebssystem für alle textbasierten KI-Anwendungsfälle. Wir bündeln dort 3 wichtige Funktionen: Chatbot als Assistent im Alltag Über 25 KI-Agenten mit Zugriff auf unsere Tools und unser Wissen Workflows , in die wir die KI-Agenten direkt einsetzen können Langdock erlaubt den Einsatz aller state-of-the-art Large Language Models, hat Zugriff auf unsere gesamte Wissensbasis und kann mit all unseren anderen Systemen integriert werden. Damit setzen wir zB folgende Use Cases um: Persönliche KI-Assistenten wie Donna für jeden Mitarbeiter Invoice Workflow, der automatisch Rechnungen verarbeitet Meeting Agent, der aus den Transkripten Follow-Ups schreibt E-Mail Workflow, der Antwortvorlagen auf einlaufende Mails schreibt Diverse Agents, die bei der Analyse und Umsetzung von KI-Use Cases helfen Auch wenn die Antworten in Standalone-Chatbots wie ChatGPT, Gemini oder Claude oft noch einen Tick besser sind, nutze ich sie schon länger nicht mehr, weil einfach die Integration in unsere Prozesse und Tools fehlt. Wir hatten zuvor auch n8n und Make genutzt, wo mir das ausbaufähige Nutzererlebnis schon länger ein Dorn im Auge war. Auch diese Tools konnten wir mit Langdock konsolidieren. Midjourney, unser Designer Wir erstellen jeden Tag Bilder und Grafiken für unsere Website, diesen Newsletter, Präsentationen und Social Media Content. Die meisten Assets kommen seit Jahren direkt aus Midjourney. Auch wenn viele Bild-Modelle mittlerweile weiter sind, hat Midjourney noch immer einen ganz besonderen Stil, der sich in vielen anderen Modellen nicht replizieren lässt. Über die Zeit haben wir Moodboards und Prompt-Vorlagen erstellt, mit denen wir sehr konsistente Bilder in unserem Stil erzeugen können. Da Fotorealismus für uns eine untergeordnete Rolle spielt, funktioniert Midjourney extrem gut. Wenn wir unseren visuellen Werkzeugkasten erweitern müssen, zB für Videos oder Kontext-konsistente Bilder, nutzen wir Freepik. Für mich die beste KI-Kreativ-Suite mit einer riesigen Auswahl an Modellen, Funktionen und Workflows. Wispr, unser Sprachrohr Es gibt kein Tool bei AI FIRST, das häufiger genutzt wird als WisprFlow. Wir nutzen Wispr, um mit unserem Computer zu sprechen: E-Mails diktieren Prompts in unseren Chatbot Feedback zu Folien in Canva Recherche-Briefings für Deep Research Dokumentation von Prozessen Überall, wo du an deinem PC reinschreiben kannst, kannst du jetzt mit Wispr reinsprechen. Dabei gibt es einen Kniff, der das enorm effektiv macht: Jede Eingabe wird automatisch bereinigt (Füllwörter, Wiederholungen, Versprecher) und formattiert (Zeilenumbrücke, Punktuation). Du musst den Output also nicht 3x überarbeiten, was dich mehr Zeit kostet als die Eingabe selbst. Wispr ist eines dieser Tools, auf das ich nicht mehr verzichten möchte. Gemini, unser Protokollant Wir arbeiten im Google Workspace und nutzen Google Meet für unsere Videocalls. Mit der nativen Gemini-Integration wird jedes Meeting automatisch aufgezeichnet (Teilnehmer müssen natürlich zustimmen), im Google Drive abgelegt und die Zusammenfassung als Follow-Up verschickt. Ein großer Vorteil dieser direkten Integration (ebenso in Zoom und Teams) ist, dass: Keine zusätzliche Kachel mit dem Meeting-Bot erscheint Das gesprochene Wort dem richtigen Speaker zugewiesen wird Zusätzlich haben wir Agenten und Workflows in Langdock aufgesetzt, welche die Transkripte aus bestimmten Meeting-Typen in spezifische E-Mails oder Dokumentation verarbeiten. Automatische Meeting-Protokollierung ist in meinen Augen ein riesiger Quick Win, weil es Zeit spart, Fokus auf den Termin erhöht und eine große Menge an wertvollen Daten erzeugt, aus denen wieder Kontextwissen für KI-Agenten wird. Loveable, unser Entwickler Ich bin offiziell im Loveable-Fieber angekommen und habe große Freude daran gefunden, eigene Tools zu bauen, die es so nicht gibt. Wenn wir merken "Das gibt's nicht", nutzen wir Loveable, um uns ein funktionales Tool zu bauen. Sowohl für uns selbst als auch für unsere Kunden. Wir hatten immer wieder das Problem, dass wir zwar intern Workflows und Agenten aufgesetzt hatten, um KI Use Cases zu finden und umzusetzen, aber dieses Setup unseren Kunden nicht wirklich bereitstellen konnten. Mit Tools wie Loveable ist das jetzt viel einfacher möglich. In der AI-First School stellen wir neben dem Videokurs, Case Studies und Umsetzungsvorlagen auch solche selbstgebauten Tools bereit. Was den Unterschied macht Das ist unser Tool-Stack, den wir wirklich intensiv nutzen. Alles andere sind Spielerei und Experimente. Den Unterschied machen aber nicht die Tools. Vieles wird zu Commodity, Funktionen nähern sich immer weiter an, einen echten Edge haben nur wenige. Der Mehrwert in unseren Tools entsteht durch 3 Dinge: Wir haben eine maschinenlesbare Wissensbasis über unser Unternehmen aufgebaut, die als perfektes Kontextwissen dient und für kontextualisierte Ergebnisse sorgt. In jedem Tool haben wir Standards aufgebaut, welche die Effektivität enorm steigern: Moodboards in Midjourney, Agenten in Langdock, Product Requirements Document Template für Loveable. Wir nutzen nur moderne SaaS-Lösungen, in die sich unsere KI-Tools einfach integrieren lassen: Notion, Google Workspace, Webflow, Miro, Canva -> nur dadurch wird Automatisierung möglich. Wir haben eine Regel bei uns: Für jedes neue Tool, muss ein anderes raus . Damit disziplinieren wir uns, nicht ständig dem nächsten Shiny Object hinterherzulaufen, welches am Ende dann doch keinen Mehrwert liefert. Es gibt 2 Tools, die mir noch fehlen. Bitte Bescheid geben, wenn du etwas kennst: Präsentationen : Ich habe mir alles angeschaut, von Gamma über Tome bis Copilot. Nichts kommt im Ansatz an unsere Präsentationen ran. Wissensmanagement : Eine KI, die unser Unternehmen fortlaufend beobachtet (Mails, Meetings, Projekte, ...) daraus Wissensartifakte ableitet und unsere Wissensbasis fortlaufend aktualisiert und erweitert. Ansonsten fehlt mir nichts :) Wenige Tools, richtig genutzt . Das ist unser Credo. 🏁 Fazit Viele KI-Tools klingen faszinierend, aber bewegen die Nadel am Ende kein Stück weiter . Je mehr ich KI genutzt habe, desto kleiner ist mein Tool Stack geworden. Parallel habe ich immer mehr Zeit investiert in: Prozesse KI-kompatibel gestalten Daten für KI zugänglich machen KI mit anderen Tools zu integrieren Was sind die Tools, auf die du nicht mehr verzichten willst? Und vor allem: Welche Standards hast du aufgebaut, um sie wirklich effektiv zu nutzen? Bin gespannt auf deine Erfahrungen! Bis nächsten Sonntag, Felix
## Was ich in 36 Monaten über KI gelernt habe
URL: https://ai-first.ai/insights/was-ich-in-36-monaten-ueber-ki-gelernt-habe
Kategorie: Horizont
Untertitel: Alles, was ich aufgebaut habe, wäre ohne KI unmöglich gewesen. Das ist die Geschichte.
Herzlich Willkommen zu den AI FIRST Insights! Was in den letzten 36 Monaten passiert ist, hätte ich mir nie erträumen können. Ich durfte ein insolventes Unternehmen in die Profitabilität drehen, mit AI FIRST ein schnell wachsendes, hochprofitables Unternehmen aufbauen, 100+ Unternehmen von Porsche bis UNICEF auf der KI-Reise unterstützen, 10.000+ Menschen in unseren Trainingsprogrammen fit für das KI-Zeitalter machen und mit dem AI Collective die größte Community für KI-Verantwortliche in DACH entwickeln. 13.000+ Menschen lesen jede Woche diesen Newsletter, unser Podcast ist permanent in den Technologie-Charts und unser LinkedIn-Account zählt knapp 50.000 Follower. Über diese Erfolge schreibe ich hier selten, weil immer der Mehrwert für die Community im Vordergrund steht. Aber heute spielt dieser Kontext eine wichtige Rolle. Alles was ich in den letzten Jahren erreicht habe, wäre ohne KI unmöglich gewesen. In dieser Ausgabe teile ich meine persönliche KI-Reise, wie ich bei 0 anfing und heute mit mehr Freude und Leichtigkeit denn je meine ambitioniertesten Ziele erreiche. Los geht's! Das Tool Dezember 2022 in Bangalore. Ich erinnere mich noch, als wäre es gestern gewesen. Der Ping auf meinem iPhone von meiner besseren Hälfte "OH mein Gott, das musst du dir anschauen!!" (Erste GenAI Gehversuche mit meinem Team, Indien '22) Wahrscheinlich erinnerst du dich jetzt auch an diesen Moment. Die folgende Nacht wurde sehr lang und ich verbrachte den Rest der Zeit damit herauszufinden, was KI in Zukunft nicht auf den Kopf stellen wird. Am nächsten Tag gab ich meinem Leadership-Team den Auftrag, den Rest des Tages mit ChatGPT zu verbringen und einen Vorschlag zu erarbeiten, wie wir damit unsere Zielerreichung beschleunigen können. Die Faszination war groß, doch die große Revolution blieb vorerst aus. Auch mir fehlte zu diesem Zeitpunkt die Vorstellungskraft, unsere Probleme mit KI besser zu lösen. Im März 2023 verließ ich Indien und stürzte mich in eine neue Herausforderung, in der es darum ging ein insolventes Unternehmen wieder auf gesunde Beine zu stellen. Um diesen Turnaround zu meistern, mussten wir mit deutlich kleinerem Team den gleichen Umsatz halten. Ich fragte mich, wie wir diesen Produktivitätsverlust auffangen würden und unsere Wertschöpfung im Produkt steigern können. KI wurde zum beschleuniger auf allen Ebenen: Individuelle Produktivität eines jeden Team-Kollegen Höhere Effizienz durch Automation in Prozessen Besseres Erlebnis und Kunden-Mehrwert im Produkt (Pitch der KI-Strategie, Sep '23) Wir setzten einige Use Cases mit den damaligen Möglichkeiten um: KI-Chatbot für jeden Mitarbeiter für Alltagsproduktivität Support Bot für die Automatisierung der Top 10 FAQs Coding-Agent für Beschleunigung unserer Entwickler Agent zur Vor- und Nachbereitung von Sales-Terminen Assistent zur automatischen Meeting-Protokollierung Automatisierte Kommentierung von Finanzberichten LLM-gestützte Auswertung von Kundenfeedback Repurposing Workflow für Marketing Content KI wurde zu einem zentralen Tool, um unser Team zu verstärken, Prozesse zu beschleunigen und ein stärkeres Produkt für den Kunden zu entwickeln. 12 Monate später hatten wir den Turnaround gemeistert und ich den Entschluss gefasst, 100% meiner Zeit in KI zu investieren. Es war Ende 2023 und die KI-Ära hatte gerade erst begonnen. Schon damals war KI für mich viel mehr als ein Tool . Der Partner 2024 traute ich mich endlich zu gründen und mein eigenes Ding zu machen. Dafür kamen zwei Dinge zusammen: Zum einen hatte ich ein Thema gefunden für das ich 100% Leidenschaft hatte: Teams mit KI befähigen, besser zu wachsen. Doch ein anderer Punkte wiegte deutlich stärker. Nach einem Jahr intensivster KI-Umsetzung hatte ich einen natürlichen AI-First-Reflex entwickelt und KI tief in meine Denk- und Arbeitsweise integriert. Auf meinem Tisch stand sogar ein 2. Bildschirm, hochkant, auf dem meine KI-Assistenten "lebten". (Good old times, Feb. 2024) Schon damals hatte ich mir die Version 1.0 meines KI-Teams bestehend aus 25 KI-Assistenten gebaut, darunter meine KI-Assistenz Donna. KI war für mich längst kein Tool mehr. KI war ein Partner. Dieser Partner multiplizierte meine Stärken, federte meine Schwächen ab und gab mir Zugriff auf Fähigkeiten und Wissen, das mir vorher verborgen war. Die Erfahrung in der Anwendung von KI gab mir das Selbstvertrauen, ein Unternehmen alleine aufbauen zu können. Ich wusste, dass ich sämtliche Hürden überwinden kann, weil ich diesen Partner an meiner Seite habe. Das mag jetzt romantisch klingen, aber so ging es mir. KI stärkte mein Selbstvertrauen und gab mir den nötigen Mut , mein ambitioniertes Ziel zu verfolgen. KI und ich waren fortan das beste Team: Entwickelten das 1. Offering und die 1. Website Bereiteten Workshops und Trainings vor und nach Starteten diesen Newsletter und den AI FIRST Podcast Überarbeiteten das Offering + Website, 3x allein im 1. Jahr Setzten Vorlagen für Verträge, Angebote, Präsentationen um Bauten mein 1. Team aus KI-Assistenten für unsere Prozesse auf Planten und schrieben Content, um Sichtbarkeit auf LinkedIn zu gewinnen All das machte ich zum 1. Mal. Ich hatte vorher nie ein Unternehmen gegründet, nie eine Website erstellt, nie einen professionellen Workshop oder ein Training durchgeführt, nie einen Newsletter geschrieben, geschweige denn einen Podcast gehosted. Mit KI hatte ich den Mut, mich jeder dieser Herausforderungen zu stellen, weil ich gelernt hatte, meine eigenen Stärken zu multiplizieren und Fähigkeiten zu erweitern . Mit KI gewann ich Zeit für das Wesentliche: Die Entwicklung von guten Ideen . Die Umsetzung dieser Ideen wurde in der Zusammenarbeit mit meinem KI-Team immer leichter. (Gründung AI FIRST GmbH, Nov. '24) 2024 brachte mich permanent in Situationen, in denen ich die KI-Klaviatur hoch und runter spielen lernte. Damit verschoben sich meine Grenzen des Möglichen. Dieses Jahr legte den Grundstein für das, was AI FIRST heute ist. AI-First "Was ist der größte Flaschenhals in meinem Unternehmen?" Diese Frage stellte ich mir vor 6 Monaten. Wir gewannen immer größere Kunden, Newsletter und Podcast wuchsen linear und das AI Collective stand kurz vor dem Launch. Egal wie KI-gestützt ich arbeitete, all das hing trotzdem irgendwie an mir. Ich war der Flaschenhals . Also startete ich ein Experiment: Was, wenn ich mich selbst als KI-Agent klone? Ein KI-Agent, der so kommuniziert wie ich, Entscheidungen trifft wie ich, die gleichen Tools nutzt wie ich und an meiner Stelle Aufgaben in Prozessen übernehmen kann. Was mit einem Gedankenexperiment begann, wurde bald Realität. Ich baute eine umfassende Wissensbasis als 2. Gehirn über mich und AI FIRST auf, absolvierte Persönlichkeitstests als Kontextwissen, studierte die Systemprompts von Claude, Manus und Co. und schrieb eine 20-seitige Rollenbeschreibung und Aufgabenbriefing, um wirklich ALLES aus meinem KI-Agenten rauszuholen. Ich stellte Zugang zu meinen Tools bereit und arbeitete meinen KI-Klon ein. Und es funktionierte. Der Agent reagierte wie ich an meinem besten Tag . Heute nutzt mein gesamtes Team den "Felix-Agent", wenn ich nicht verfügbar bin, um Arbeitsstände zu iterieren, Feedback zu bekommen oder Entscheidungsvorlagen vorzubereiten. Außerdem kann der Agent als Qualitätskontrolle für andere Agents agieren. Was hat mich dieses Experiment gelehrt? Prompt Engineering hat Level, die mir vorher nicht bekannt waren Kontextwissen hat einen ungeahnten Hebel auf die Ergebnisse Menschlich gesteuerte Agenten haben das größte Potenzial Mit diesen Erkenntnissen startete ich den Aufbau meines KI-Teams 2.0. Ich zerlegte alle Prozesse in Aufgaben, überführte sie in Agenten-Personas, baute das notwendige Kontextwissen auf, schrieb hunderte Seiten an Systemanweisungen, testete das Setup in n8n, Lindy, Langdock, Relevance, Make und und und. Heute arbeiten wir mit ca. 25 KI-Agenten , die zum Teil vom Team gesteuert werden und zum Teil direkt in unsere Prozesse integriert sind. Sie arbeiten kontextbezogen, können mit unseren Tools arbeiten und sind genau auf unsere Standards abgestimmt. Wir haben sogar Agenten, die sich wie unsere Zielkunden verhalten und uns Feedback zu Angeboten, Landingpages oder Produktkonzepten geben. Unser KI-Team verstärkt unsere Stärken und mildert unsere Schwächen. Mit diesem KI-Team an unserer Seite meisterten wir den Aufbau von unserem AI Collective, bauten die AI FIRST Community auf 13.000+ Menschen aus und setzen globale AI Enablement Programme mit tausenden von Trainees um. Bis September '25 haben wir das zu zweit gemacht. Heute sind wir 5. Mit Künstlicher Intelligenz konnte ich nicht nur meine, sondern auch die Grenzen meines Teams verschieben. Ich habe gelernt, dass sich alles verändert, wenn wir menschliche Stärken – Intuition, Kreativität, Erfahrung – mit den Fähigkeiten von KI verbinden. Neben Wachstum und neuen Produkten im Rekordtempo, habe ich die größte Freude an meiner Arbeit zurückgefunden: Neue Ideen zu entwickeln und sie in die Welt zu bringen. Dieses Wissen will ich jetzt weitergeben. Die AI-First School Vielleicht liest du das gerade und denkst: "Ich will das auch." Falls ja, dann habe ich was für dich. Seit Wochen gieße ich mein gesamtes Wissen zu KI-Anwendung in ein Training mit direkt umsetzbaren Vorlagen. Keine 0815 Tool-Demos und Prompts. Kein Theorie-Gefasel. Das ist die AI-First School - für alle Professionals, die KI meisterhaft anwenden wollen. Um die eigenen Stärken zu multiplizieren, und mit mehr Wirkung und Leichtigkeit im Job ihre hochgesteckte Ziele zu erreichen. Ich hole dich da ab, wo du heute stehst und bringe dich auf's AI-First Level. Die AI-First School startet am 17. November . Der limitierte Pre-Sale mit Sonderpreis startet genau jetzt. Ich freue mich riesig, wenn wir uns in der AI-First School sehen! Zur AI-First School
## Wie ich mit Simon Sinek unser "Warum" entwickelt habe
URL: https://ai-first.ai/insights/wie-ich-mit-simon-sinek-unser-warum-entwickelt-habe
Kategorie: Lab
Untertitel: Wenn KI als Partner und nicht als Tool genutzt wird
Diese Woche habe ich auf Mallorca verbracht. Nach einem unfassbaren AI Collective Day war das der 1. Moment seit Monaten, wo ich mal durchatmen konnte und die Seele baumeln ließ. Aber wie das so ist als Gründer: so richtig schaltet man dann doch nie ab :) Ich wollte schon lange unsere Mission und unser "Warum" schärfen. In diesem Jahr hat sich mein Blick auf die Arbeit mit KI stark weiterentwickelt. Diese neuen Ansätze und Methoden fließen gerade alle in die AI-First School und unsere Enablement Programme ein, aber die Überzeugungen dahinter waren bisher nur in meinem Kopf. Also sagte ich mir "komm, was gibt's schöneres als mit Blick auf's Meer unsere AI FIRST Mission zu schärfen" :) Ich klappte den Laptop auf und erlebte in den nächsten 2 Stunden und erlebte zum wiederholten Male eine der unterschätztesten Anwendungen von KI . Ich nenne es das KI-Partner Framework . Lass mich dir zeigen, wie das funktioniert. KI als Partner Wenn ich KI für strategische oder konzeptionelle Arbeit nutze, folge ich immer dem gleichen Prinzip: KI ist nicht mein Tool, sondern mein Partner . Und zwar ein Partner, der mir Zugriff auf die Best Practices dieser Welt gibt – nicht als totes Wissen in einem Blogartikel, sondern als lebendigen Coach, der mich durch den Prozess führt. So funktioniert das KI-Partner Framework: Schritt 1: Ziel klären Bevor ich KI einschalte, mache ich mir klar, was ich genau erreichen will. Was ist mein Ziel / Problem? Was ist das gewünschte Ergebnis? In meinem Fall auf Mallorca wollte ich Vision und Mission von AI FIRST schärfen – einen klaren Nordstern aus unseren neuen Methoden und Haltungen entwickeln, um daraus bessere Entscheidungen und klarere Kommunikation abzuleiten. Schritt 2: Meister finden Jetzt frage ich KI, wer diese Aufgabe am besten löst. Welche Person ist exzellent darin? Welche Methode hat sich bewährt? Welches Framework passt zu meinem Ziel? Ich habe Claude (Sonnet 4.5 entwickelt sich zu meinem neuen Lieblingsmodell für konzeptionelle Arbeit) gesagt: "Ich will meine Vision und Mission schärfen. Wer macht das richtig gut? Welche Frameworks gibt es?" Die Antwort kam sofort: Value Proposition Canvas Hedgehog Concept Golden Circle von Simon Sinek Das hat bei mir sofort geklickt: Start with Why → Why (Mission) → How (Werte/Ansatz) → What (Produkte) Nicht zu kompliziert, sehr eingänglich, genau das, was ich brauchte. Aber das ist nicht das Ende vom Prozess, sondern erst der Anfang. Schritt 3: Rolle zuweisen Ich habe nicht das Framework genommen und mich ans Whiteboard gestellt. Stattdessen habe ich KI in die Rolle von Simon Sinek schlüpfen lassen . Ich gebe KI nicht nur eine Aufgabe, sondern eine Identität und einen klaren Auftrag, wie sie mich begleiten soll. Ich definiere sie als meinen Partner, der mich bei der Erreichung meines Ziels unterstützt. Schritt 4: Dialog führen Die nächsten zwei Stunden lang war ich komplett im Flow, in einer echten Konversation mit "Simon Sinek". Alle meine Antworten habe ich natürlich eingesprochen, oft 5 Minuten lang. Claude hat mir dabei Fragen gestellt, die mich zum Nachdenken gebracht haben, hat Feedback gegeben und immer wieder gebohrt, wenn meine Antworten zu oberflächlich waren. Hier ist ein Beispiel, wie beharrlich "Simon" geblieben ist: Das hat sich wie echtes Coaching angefühlt: "Warum genau das? Was steckt wirklich dahinter? Geh tiefer." Ein Coach, der dich herausfordert und nicht mit der ersten Antwort zufrieden ist. Schritt 5: Feinschliff machen Irgendwann bin ich in eine Falle getappt. Ich wollte das Ergebnis mit KI perfekt machen und wir haben uns an einem kleinen Detail festgebissen – immer wieder, im Kreis. Ich nenne das die "100%-Falle" . KI bringt dich in 10% der Zeit auf 90% vom Ergebnis. Das ist ihre Stärke. Aber wenn du versuchst, mit KI von 90% auf 100% zu kommen, dauert es ewig und du verlierst mehr Zeit, als wenn du den letzten Schliff einfach selbst machst. Zu dem Zeitpunkt war das WHY schon zu 90% fertig und ich habe 10 Runden mit Claude gedreht, die keinen Mehrwert mehr hatten. Die letzten Schliff musste ich selbst machen und entscheiden, wann ich fertig bin . Diese Entscheidung konnte KI einfach nicht mehr abnehmen. Das Ergebnis Ich glaube daran, dass in jedem von enorm viel Potenzial steckt. Diese Potenzial geht heute verloren in alten Arbeitsweisen und Tools. KI ist für mich die perfekte Technologie, um dieses Potenzial zu heben, unsere Grenzen zu verschieben und mit Freude die maximale Wirkung in dem Job zu entfalten, für den wir einmal angetreten sind. Ich will Menschen zeigen, wie sie mit KI ihre Grenze des Möglichen verschieben, um mit Spaß, Erfüllung und Wirkung zu arbeiten. Das ist mein Nordstern . Der Prozess hat mich zwei Dinge gelehrt, die KI in unser Leben bringen kann, wenn wir sie richtig nutzen: Klarheit. Durch die gezielten Rückfragen von "Simon Sinek" musste ich präzise werden. Ich konnte mich nicht hinter vagen Formulierungen verstecken. Das Ergebnis ist schärfer, als ich es alleine hinbekommen hätte. Leichtigkeit. Normalerweise ist strategische Arbeit wie Vision und Mission schärfen anstrengend für mich – du sitzt da, starrst auf ein leeres Blatt, grübelst. Hier war es anders. Es hat sich leicht angefühlt, weil ich nicht alleine war. Ich hatte einen Partner, der mich durch den Prozess geführt hat und mir Struktur gegeben hat. Ich konnte mich voll und ganz auf meine Gedanken konzentrieren. Und jetzt sagt nochmal jemand, KI wäre nur ein Tool . Das greift einfach zu kurz. 🏁 Fazit KI ist mehr als ein Tool, das dir Texte schreibt oder Tabellen analysiert. KI gibt dir Zugriff auf die Best Practices dieser Welt – nicht als totes Wissen, sondern als Partner, der mit dir Probleme löst. Du kannst heute Morgen aufstehen und sagen: "Ich will lernen, wie Seth Godin Marketing denkt . Ich will verstehen, wie Ray Dalio Entscheidungen trifft. Ich will wissen, wie Simon Sinek Visionen schärft." Und dann kannst du mit diesen Menschen arbeiten . In Form von KI, die ihre Methoden, ihr Denken, ihre Fragen verkörpert. Nutzen wir dieses Potenzial wirklich schon aus? Ich denke nicht. Das ist alles für diese Woche. Bis nächsten Sonntag, Felix P.S. Genau das – KI als Partner nutzen, um deine eigenen Fähigkeiten zu erweitern und zu multiplizieren – ist das, was wir in der AI-First School lehren. Nächste Woche bekommst Du hier alle Informationen zur Anmeldung.
## Wie OpenAI das Betriebssystem der KI-Ära baut
URL: https://ai-first.ai/insights/wie-openai-das-betriebssystem-der-ki-aera-baut
Kategorie: Horizont
Untertitel: Was wir aus Sora 2, ChatGPT Apps und AgentKit lernen können
Herzlich Willkommen zu den AI FIRST Insights! Diese Woche fand unser erster AI Collective Day statt. 60 KI-Pioniere aus unterschiedliche Branchen, aber alle mit dem gleichen Ziel: ihre Teams in die KI-Ära bringen. (Wir nehmen aktuell keine neuen Mitglieder auf. Du kannst dich jedoch hier auf die Warteliste eintragen und ich melde mich bei Dir, wenn wir neue Plätze vergeben.) Am Ende der 2 Tage hatten wir eines gewonnen: Klarheit . Klarheit darüber, wo wir stehen und worauf es jetzt ankommt bei der Umsetzung der KI-Transformation ankommt. Diese Klarheit wird immer schwieriger zu finden, weil sich die KI-Welt mit zunehmender Geschwindigkeit dreht und die Komplexität zunimmt. Aus diesem Grund möchte ich in dieser Ausgabe die neuesten Entwicklungen von OpenAI einordnen: Sora 2 AgentKit ChatGPT Apps Was hat OpenAI da gelaunched, welche Strategie steckt dahinter und was können wir daraus für die Zukunft ableiten? ChatGPT Apps Stell dir vor, du chattest mit ChatGPT und schreibst: „Ich brauche ein Design für unsere neue Landingpage." Früher hättest du die Antwort bekommen, zu Figma gewechselt, dort das Design gebaut und bist wieder zurück. Jetzt öffnet sich Figma direkt im Chat. Du arbeitest darin, ohne die Konversation zu verlassen. Das sind ChatGPT Apps . Zillow für Immobiliensuche Spotify für Playlists Canva für Designs Booking für Reisen Keine externe Integration, keine neuen Browser-Tabs. Die App läuft direkt in der ChatGPT-Oberfläche. Warum das funktioniert Ich bin mir sicher, dass OpenAI aus seinen Fehlern gelernt hat. 2023 haben sie Plugins gelauncht, die Nutzer aktiv suchen und installieren mussten. Kaum jemand hat sie genutzt. Nach einem Jahr wurden sie eingestellt. Der GPT Store hatte das gleiche Problem: zu viel Aufwand für den Nutzer. ChatGPT Apps lösen das anders. Du stellst eine Frage, ChatGPT erkennt deine Absicht und schlägt die passende App vor. Du fragst nach Wohnungen → Zillow erscheint. Du willst ein Design → Canva öffnet sich. Du planst eine Reise → Booking.com ist da. Entwickler bekommen Zugang zu 800 Millionen wöchentlich aktiven Nutzern . Nutzer behalten ihre gewohnten Tools. Und OpenAI sitzt in der Mitte. Was OpenAI wirklich will Nick Turley, Head of ChatGPT bei OpenAI, hat gesagt: „ChatGPT itself is more like an operating system." Das erklärt die Strategie. Heute läuft es so: Du hast eine Absicht („Ich will einen Urlaub planen"), öffnest Google, suchst nach Tools und landest auf Booking.com . Mit ChatGPT Apps äußerst du deine Absicht in ChatGPT. ChatGPT schlägt Booking.com vor. Du buchst direkt im Chat. OpenAI kontrolliert nicht die App, aber den Einstiegspunkt – den Ort, wo du formulierst, was du willst. Wer diesen Einstiegspunkt kontrolliert, kontrolliert den Traffic. OpenAI plant bereits Käufe direkt im Chat, mit Transaktionsgebühren. Sie positionieren sich als neue Schicht zwischen Nutzer und Service. Sora 2 Ich fand die erste Version von Sora beeindruckend, aber nicht nutzbar. Videos ohne Sound, unrealistische Physik, keine Kontinuität über mehrere Szenen hinweg. Seitdem sind viele Video-KI's an Sora vorbeigezogen. Allen voran Veo 3. Sora 2 legt jetzt nach. Du kannst 16-Sekunden-Clips mit synchronisiertem Audio und Dialog erstellen. Die Physiksimulation wurde deutlich verbessert – eine Person macht einen Rückwärtssalto auf einem Paddleboard, und die Wasserspritzer sehen realistisch aus. Das Modell hält Charaktere und Objekte über verschiedene Kamerawinkel relativ konsistent. Es gibt weiterhin Schwächen und die Videos haben bisher einen sehr ähnlichen, Fiebertraum-artigen Vibe. Aber wenn ich eins gelernt habe in der KI-Welt: Nie zu stark den Status Quo beurteilen. Das Cameo Feature Das interessanteste Feature ist meiner Meinung nach Cameo. Du lädst ein kurzes Selfie-Video hoch, und Sora integriert dein Abbild automatisch in jede generierte Szene. Die 3D-Integration und Beleuchtung passieren automatisch. OpenAI bekommt damit freiwillig hochwertige biometrische Daten von Millionen Nutzern – Daten, die die Grundlage für personalisierte Agenten, Avatare und zukünftige Produkte sein können. Die App-Strategie OpenAI hat nicht nur eine API veröffentlicht, sondern eine eigene iOS-App mit einem sozialen Feed ähnlich wie TikTok . Der Launch läuft über ein Einladungssystem: 1 Person lädt 4 ein. Klassisches Growth Hacking, um Exklusivität zu schaffen und organisches Wachstum zu fördern. Die App dient einem klaren Zweck: Datenerfassung. Welche Videos werden angesehen? Welche werden remixed? Welche Prompts erzeugen virale Hits? Diese Daten fließen direkt zurück in das Training der nächsten Generation. Eine sich selbst verstärkende Schleife. OpenAI baut nicht nur ein Video-Tool, sondern ein Medien-Ökosystem mit eigenem Vertriebskanal und eigenen Nutzerdaten. AgentKit ChatGPT Apps richtet sich an Endnutzer, Sora 2 an Content Creators. AgentKit ist für Unternehmen – und war längst überfällig. Während andere Unternehmen schon seit Monaten Plattformen für autonome Agenten anbieten, hatte OpenAI nichts. Kein richtiges Produkt, um produktionsreife Agenten zu bauen. Nur APIs und Custom GPTs, die für ernsthafte Enterprise-Anwendungen nicht ausreichen. AgentKit schließt diese Lücke. Was AgentKit beinhaltet Agent Builder: Eine visuelle Oberfläche zum Entwerfen von Multi-Agenten-Workflows. Der Builder gibt allerdings Code aus, der selbst gehostet werden muss. Das heißt: aktuell noch für Entwickler gedacht, nicht für reine Business-Anwender. ChatKit: Ein Toolkit für Chat-Oberflächen, das Entwicklungszeit spart. Connector Registry: Zentrale Verwaltung für Verbindungen zu Unternehmens-Datenquellen wie Google Drive, SharePoint oder Teams. Wichtig für Sicherheit und Compliance. Erweiterte Evaluierung: Tools, um die Leistung von Agenten zu messen und zu verbessern. Du kannst nachvollziehen, welche Entscheidungen der Agent trifft, und ihn systematisch optimieren. Das Ende von Zapier, n8n & Co.? Der Wettbewerb in den Workflow-Builder Tools nimmt definitiv zu. Da AgentKit derzeit noch stark auf Code basiert, sehe ich allerdings wenig Konkurrenz für Zapier, n8n und Co. - noch. Der Vorteil von OpenAI liegt jedoch in der Integration: AgentKit ist tief ins OpenAI-Ökosystem eingebettet. Die Evaluierungs-Tools sind für OpenAI-Modelle optimiert, die Connector Registry ist auf ChatGPT Enterprise abgestimmt. OpenAI Agents können mit anderen Workflow-Buildern interagieren oder aus anderen Tools heraus angesprochen werden. Das ist derzeit auch notwendig, da die Anzahl der Integrationen stark limitiert ist im Vergleich zu Zapier, n8n oder Make. Der Ausblick Die aktuelle Version ist entwicklerlastig. Ich bin mir sicher, dass sich das noch ändern wird. ChatGPT Enterprise hat aktuell keine Möglichkeit, Agents oder Workflows direkt zu bauen, was den Lock-In weiterhin überschaubar hält. Mit AgentKit wird sich das wahrscheinlich ändern. Der nächste logische Schritt wäre eine No-Code-Version, die direkt in ChatGPT Enterprise integriert ist. Damit könnten Fachbereiche eigenständig Workflows bauen – ohne Entwickler. Das würde ChatGPT Enterprise stärken und OpenAI tiefer in Unternehmen als zentrale KI- und Automatisierungsplattform verankern. OpenAI's Plattform-Play Auf den ersten Blick sehen Sora 2, ChatGPT Apps und AgentKit aus wie drei separate Produktupdates. Für mich sind sie das nicht. Es ist eine koordinierte Strategie, um OpenAI von einem API-Anbieter zu einer vertikal integrierten Plattform zu machen. Eine 10-Jahres-Strategie, komprimiert in 3 Jahre. Der vertikale Stack OpenAI baut Kontrolle über die gesamte Wertschöpfungskette auf: Infrastruktur: Gesicherte Rechenleistung durch Partnerschaften wie AMD und NVIDIA, um unabhängig von Cloud-Anbietern zu sein. Modelle: GPT-5, o3 und andere als Kernintelligenz für alle darüberliegenden Schichten. Entwicklungsplattform: AgentKit als Toolkit, damit Unternehmen auf den Modellen aufbauen können. Anwendungsebene: ChatGPT Apps als Ort, wo Services direkt integriert werden. Content-Ökosystem: Sora 2 mit eigenem Social Feed zur Erstellung und Verbreitung von Inhalten. Interface: ChatGPT als zentrale Schnittstelle, wo Nutzer den Workflow starten. Warum der Einstiegspunkt entscheidend ist Alle diese Schichten führen zu einem Punkt: ChatGPT als Ort, wo Nutzer ihre Absichten formulieren. Du sagst ChatGPT, was du willst. ChatGPT orchestriert dann alles darunter: schlägt die passende App vor, nutzt einen Agenten für komplexe Aufgaben, greift auf die Modelle zu und generiert bei Bedarf Inhalte. Der Einstiegspunkt erfasst alle Absichten der Nutzer. Und je mehr Schichten OpenAI darunter kontrolliert, desto weniger sind sie auf Drittanbieter angewiesen. Das Geschäftsmodell wandelt sich: von API-Zugang (Bezahlung pro Token) zu Plattform-Einnahmen durch Transaktionsgebühren, App-Store-Modell, Advertisment Gebühren und Enterprise-Abonnements. OpenAI baut ein Betriebssystem für die KI-Ära – mit Kontrolle vom Einstiegspunkt bis zur Infrastruktur. 🏁 Fazit OpenAI hat in einer Woche drei Produkte gelauncht. Aber das ist keine Feature-Sammlung – es ist eine koordinierte Strategie, um die gesamte Wertschöpfungskette zu kontrollieren. Dieses Plattform-Play zielt darauf ab, ChatGPT als zentrales Betriebssystem für KI-native Interaktion, Kreativität und Arbeit zu etablieren und damit die gesamte Wertschöpfungskette von der Modellentwicklung bis zur Endnutzer-Transaktion zu erfassen. Der Kampf im KI-Markt dreht sich nicht mehr um das beste Modell . Er dreht sich darum, wer den Einstiegspunkt kontrolliert – den Ort, wo Menschen formulieren, was sie wollen. OpenAI positioniert ChatGPT genau dort und baut darunter ein System, das jeden Lock-in verstärkt. Daher glaube ich schon länger nicht mehr an eine vereinzelte Tool-Landschaft. KI muss im Unternehmen auf Plattformen mit Integrationen in bestehende Systeme orchestriert werden. Wer in diesem Markt noch bestehen will, kann das meiner Meinung nach nur noch über hochspezialisierte Anwendungen für sehr spezifische Business Probleme auf eigenen Daten. Wie bewertest du die neuen Entwicklungen von OpenAI? Bis nächsten Samstag, Felix
## AI-First Techniken für neue Denkmuster
URL: https://ai-first.ai/insights/ai-first-techniken-fuer-neue-denkmuster
Kategorie: Lab
Untertitel: 5 Techniken, um außerhalb der Box zu denken
Herzlich Willkommen zu den AI FIRST Insights! Ich verbinge gerade jede freie Minute in meinem Studio und habe die ersten Teile eines neuen Produktes aufgenommen, an dem ich seit Monaten arbeite. Der Auslöser war Anfang 2025 als ich ein Meeting mit den KI-Champions eines Kunden hatte. Einer der Champions, Inan, berichtete von seinen Fortschritten und dass es "Klick" gemacht hätte. Er zeigte mir das Agent-Team, in das er sein Wissen und Methoden übertragen hatte und wie er seine Arbeitsweise umgestellt hatte - aus KI-Perspektive neu gedacht. "Ich könnte gar nicht mehr ohne" und "ich denke jetzt ganz neu über meine Möglichkeiten" waren weitere Aussagen. Er hat nicht einfach nur KI genutzt. Er hat angefangen, ganz neu zu denken und zu arbeiten. Das ist der Moment, wo AI-First gelebte Realität wird und Potenzial entfaltet. So konnte auch ich in den letzten 2 Jahren ein hoch-profitables, KI-gestütztes Unternehmen aufbauen in dem ich jeden Tag gern arbeite. Genau an diesen Punkt will ich 1000e andere Menschen bringen. Ich will ihnen zeigen, wie sie ihre eigenen Grenzen mit dem AI-First Mindset verschieben, ihre Fähigkeiten erweitern und Talente multiplizieren. Dafür muss zuerst die Perspektive auf KI fundamental verändert werden. KI muss vom Tool zum Partner werden. Aus Auswertungen, Zusammenfassungen und Formulierungen wird ein Partner zu Verstärkung und Erweiterung der eigenen Fähigkeiten. Heute gebe ich dir einen ersten Einblick, was das bedeutet. Ich zeige dir 5 KI-Techniken, um deine eigenen Denkmuster für bessere Ideen und Entscheidungen zu durchbrechen. Das grundlegende Prinzip: KI ist ein Partner, kein Tool. Die folgenden Techniken helfen dir nicht dabei, dein Denken an KI auszulagern. Sie sind Werkzeuge, um deine eigenen Gedanken, Ideen und Meinungen systematisch zu reflektieren, zu erweitern und zu schärfen. Die KI übernimmt dabei die Rolle des unbarmherzigen Sparringspartners, der Perspektiven einnimmt, die dir alleine schwerfallen. Das Ziel ist nicht, dass die KI dir Antworten liefert, sondern dass du am Ende klarer siehst, schärfer denkst und bessere Entscheidungen triffst – weil du mehr Perspektiven durchdacht hast, als du alleine könntest. #1 Multi-Agenten-Debatte Statt selbst verschiedene Perspektiven einzunehmen, lässt du mehrere KI-Personas miteinander über dein Problem debattieren, während du nur beobachtest. Die Synthese-Punkte, wo unterschiedliche Denkschulen sich treffen, sind oft die robustesten Lösungen. Nutze die Technik für komplexe strategische Entscheidungen ohne klare Antwort. Beispiel: "Debatte zwischen: 1) 'Hire slowly, scale quality' Verfechter, 2) 'Productize fast, scale systems' Verfechter, 3) 'Partnership-based scaling' Verfechter. Welche Argumente bringen sie? Wo finden sie Synthese?" Prompt Vorlage: DEBATTENTHEMA: [Deine Fragestellung/Entscheidung] DEBATTANTEN (3 Expert-Personas mit fundamental unterschiedlichen Philosophien): Expert 1: [POSITION/DENKSCHULE A] Hintergrund: [Warum vertritt diese Person diese Position?] Kernüberzeugung: [Was ist ihr zentrales Prinzip?] Expert 2: [POSITION/DENKSCHULE B] Hintergrund: [Warum vertritt diese Person diese Position?] Kernüberzeugung: [Was ist ihr zentrales Prinzip?] Expert 3: [POSITION/DENKSCHULE C] Hintergrund: [Warum vertritt diese Person diese Position?] Kernüberzeugung: [Was ist ihr zentrales Prinzip?] DEBATTENABLAUF: Runde 1 - Eröffnungsstatements: Jeder Expert präsentiert seine Position und stärksten Argumente Runde 2 - Widerlegung: Jeder greift die Schwachstellen der anderen Positionen an Konkrete Gegenargumente und Kritikpunkte Runde 3 - Verteidigung & Verfeinerung: Reaktion auf die Kritik Verstärkung der eigenen Position Runde 4 - Gemeinsamkeiten: Wo sind sich alle drei überraschenderweise einig? Welche Prinzipien akzeptieren alle? SYNTHESE-ANALYSE: Welche Aspekte jeder Position haben Validität? Wo überschneiden sich die Positionen trotz unterschiedlicher Philosophien? Welche Hybrid-Lösung würde alle drei Experten zufriedenstellen? Was ist die robusteste Strategie, die Elemente aller drei vereint? Welche Position hat die schwächsten Argumente und sollte verworfen werden? MEINE BEOBACHTUNG als stiller Zuhörer: Was habe ich gelernt, das ich vorher nicht gesehen habe? Welche blinden Flecken wurden aufgedeckt? #2 Zeitliche Triangulation Du betrachtest das gleiche Problem aus drei verschiedenen Zeitperspektiven (Vergangenheit, Gegenwart, Zukunft), um Muster, blinde Flecken und Opportunities zu erkennen. Die Technik zeigt, welche 'modernen' Lösungen eigentlich alt sind und welche 'futuristischen' Ansätze du heute schon umsetzen könntest. Nutze sie für strategische Entscheidungen und Innovation. Beispiel: "Wie hat man 1970 Expertenwissen in Organisationen verankert? Wie machen wir es 2025? Wie wird es 2045 funktionieren? Welche Lösung aus der Zukunft können wir heute schon prototypisch umsetzen?" Prompt-Vorlage PROBLEMSTELLUNG: [Dein Problem/Thema/Herausforderung] DREI-EPOCHEN-ANALYSE: VERGANGENHEIT ([Jahr, z.B. 1970/1990]): Wie hat man dieses Problem damals gelöst? Welche Technologien/Methoden/Prinzipien wurden genutzt? Was waren die Constraints und Möglichkeiten dieser Epoche? GEGENWART (2025): Wie lösen wir es heute? Was hat sich verändert? Was sind unsere aktuellen Annahmen und "best practices"? ZUKUNFT ([Jahr, z.B. 2045/2060]): Wie wird man es dann vermutlich lösen? Welche Technologien/Entwicklungen werden Standard sein? Was wird selbstverständlich sein, das heute unmöglich erscheint? MUSTER-ANALYSE: 1. Was bleibt über alle drei Epochen KONSTANT? (Das sind vermutlich fundamentale Prinzipien) 2. Welche Paradigmen-Wechsel erkennst du zwischen den Epochen? 3. Was machen wir heute, das in der Zukunft absurd erscheinen wird? 4. Welche "Zukunfts-Lösung" ist technisch/konzeptionell heute schon möglich, wird aber durch alte Denkmuster blockiert? HANDLUNGSEMPFEHLUNG: Welchen Ansatz aus der Zukunft können wir heute schon prototypisch testen/umsetzen? #3 Red Teaming Die KI greift dein Konzept, deinen Prozess oder deine Strategie systematisch an, um Schwachstellen zu identifizieren. Anders als beim Devil's Advocate geht es hier um konkrete Angriffspunkte und Bruchstellen. Nutze diese Technik für Workshop-Konzepte, Pitch-Decks, Prozesse oder Positionierungen, die du vor dem Einsatz absichern willst. Beispiel: "Unser Sales-Prozess sieht so aus: [Prozess beschreiben]. Red-Teame ihn aus Sicht eines skeptischen CFOs, der nach Gründen sucht, NICHT mit uns zu arbeiten." Prompt Vorlage: Hier ist mein [KONZEPT/PROZESS/STRATEGIE]: [DETAILLIERTE BESCHREIBUNG - inkl. Zielgruppe, Ziele, Ablauf] Deine Rolle: Red Team aus der Perspektive von [SPEZIFISCHE ZIELGRUPPE/KRITIKER] Führe einen systematischen Angriff durch: SCHWACHSTELLEN-ANALYSE Wo sind die größten Bruchstellen in diesem [Konzept/Prozess]? Wo werden Menschen abspringen, das Interesse verlieren oder frustriert sein? EINWAND-MAPPING Welche konkreten Einwände wird [Zielgruppe] haben? An welchen Punkten werden sie denken "Das funktioniert bei uns nicht"? GLAUBWÜRDIGKEITS-CHECK Wo wirkt es unglaubwürdig, oversimplified oder naiv? Welche Annahmen sind aus Sicht von [Zielgruppe] unrealistisch WETTBEWERBS-PERSPEKTIVE Warum würde jemand stattdessen zur Konkurrenz/Alternative gehen? Was machen andere besser? WORST-CASE-SZENARIEN Was sind die 3 wahrscheinlichsten Gründe, warum dies komplett scheitert? Sei dabei spezifisch, konkret und gnadenlos. #4 Paradox Engineering Identifiziere zwei scheinbar widersprüchliche Anforderungen und suche gezielt nach Lösungen, die BEIDE vollständig erfüllen - ohne Kompromisse. Diese Technik zwingt zu Innovation, weil Standard-Lösungen meist einen Aspekt opfern. Nutze sie, wenn du zwischen zwei wichtigen Anforderungen hin- und hergerissen bist. Beispiel: "Unternehmen wollen schnelle KI-Erfolge sehen UND nachhaltige, strategische Transformation. Das sind gegensätzliche Timeframes. Engineer eine Lösung, die beide Anforderungen voll erfüllt." Prompt Vorlage: PARADOX-DEFINITION: Anforderung A: [Erste Anforderung - z.B. "schnelle Erfolge"] Anforderung B: [Gegensätzliche Anforderung - z.B. "nachhaltige Transformation"] Warum scheinen sie sich auszuschließen? [Kurze Erklärung des scheinbaren Widerspruchs] STANDARD-KOMPROMISS (den wir NICHT wollen): [Beschreibe, wie ein typischer Kompromiss aussehen würde] PARADOX-ENGINEERING-AUFGABE: Engineer eine Lösung, die BEIDE Anforderungen zu 100% erfüllt. Gehe dabei systematisch vor: PRÄMISSEN HINTERFRAGEN: Welche Annahme MACHT den Widerspruch erst zum Widerspruch? Was müsste sich ändern, damit beide Anforderungen kompatibel werden? SEQUENZ-LÖSUNGEN: Gibt es eine Reihenfolge/Abfolge, die beide ermöglicht? Kann zeitliche Trennung den Widerspruch auflösen? EBENEN-LÖSUNGEN: Können beide auf unterschiedlichen Ebenen gleichzeitig erfüllt werden? Was funktioniert parallel statt entweder-oder? SYSTEM-REDESIGN: Welches neue System/Modell/Prozess würde beide Anforderungen natürlich erfüllen? Was müsste fundamental anders designed sein? SYNTHESE: Welche innovative Lösung erfüllt beide Anforderungen vollständig? Wie genau funktioniert das konkret? Was ist der Kern-Mechanismus, der den Widerspruch auflöst? #5 1st Principles Analyse Du zerlegst ein Problem oder eine bestehende Lösung radikal in ihre fundamentalen, objektiv wahren Bestandteile - ignorierst dabei komplett, wie "man es halt macht". Dann baust du von diesen Grundwahrheiten neu auf, ohne die Konventionen der Branche zu übernehmen. Diese Technik ist besonders mächtig, wenn du das Gefühl hast, dass eine ganze Industrie ineffizient arbeitet oder wenn Preise/Prozesse irrational erscheinen. Beispiel: "Standard-Onboarding dauert 3-6 Monate bis neue Mitarbeiter produktiv sind. Zerlege das in First Principles: Was muss ein Mensch fundamental WISSEN, KÖNNEN und FÜHLEN, um in der Rolle produktiv zu sein? Welche psychologischen Wahrheiten gelten über Lernen und Integration? Baue daraus ein Onboarding neu auf - unabhängig davon, wie Unternehmen das 'traditionell' machen." Prompt Vorlage: AUSGANGSSITUATION: Problem/Bestehendes Modell: [Beschreibung - z.B. "KI-Beratung kostet 1.500-3.000€/Tag"] FIRST PRINCIPLES DECONSTRUCTION: PHASE 1 - DEKONSTRUKTION: 1. Was sind die fundamentalen, objektiv wahren Komponenten dieses Problems? Ignoriere "best practices", "so macht man das", Branchen-Standards Was ist physisch/faktisch/logisch notwendig? 2. Welche grundlegenden Wahrheiten/Gesetze gelten hier unveränderlich? Physikalische Gesetze? Psychologische Prinzipien (wie Menschen lernen, sich verhalten)? Ökonomische Grundgesetze (Angebot/Nachfrage, Wertschöpfung)? Logische Notwendigkeiten? 3. Was ist wirklich NOTWENDIG vs. "so macht man es halt"? Trenne fundamentale Anforderungen von Konventionen Was davon ist Tradition, nicht Notwendigkeit? PHASE 2 - ANNAHMEN-CHECK: Welche Annahmen der aktuellen Lösung/Industrie sind eigentlich arbiträr? Warum kostet es X? (Welche Kosten sind tatsächlich unvermeidbar?) Warum dauert es Y? (Was ist physisch notwendige Zeit vs. Prozess-Overhead?) Warum funktioniert es so? (Welche Schritte sind logisch zwingend?) PHASE 3 - NEUAUFBAU: Wenn ich nur mit den fundamentalen Wahrheiten aus Phase 1 arbeite und bei NULL anfange: 1. Wie würde die Lösung aussehen? Ohne Rücksicht auf "wie man es macht" Nur basierend auf: Was muss logisch/physisch/psychologisch passieren? 2. Welche Komponenten sind wirklich erforderlich? Minimale notwendige Ressourcen? Minimaler notwendiger Prozess? Minimale notwendige Zeit? 3. Was ist radikal anders als die aktuelle Lösung? Wo weicht mein First-Principles-Ansatz massiv ab? Welche "Standard-Komponenten" fehlen - und warum sind sie nicht notwendig PHASE 4 - IMPLEMENTIERUNG: 1. Welche Barriers stehen zwischen First-Principles-Lösung und Realität? Sind es echte Barriers oder nur "das haben wir immer so gemacht"? 2. Wie könnte ich die First-Principles-Lösung prototypisch testen? 3. Was wäre die disruptive Innovation, wenn ich konsequent von First Principles denke? AI-First Techniken für neue Denkmuster In den letzten Jahren habe ich insgesamt 13 Techniken entwickelt, wie ich KI als kognitiven Sparringspartner zum Durchbrechen von Denkmustern einsetze. → Hier findest Du die vollständige Sammlung. 🏁 Fazit Während 97% KI noch als nettes Produktivitätstool nutzen, liegt das eigentliche Potenzial woanders : KI als unbarmherziger Sparringspartner, der dich zwingt, aus deinen gewohnten Denkmustern auszubrechen und deine eigenen Grenzen zu verschieben. Der Moment, wo das "Klick" macht - wo aus Tool ein Partner wird - das ist der Moment, wo AI-First zur gelebten Realität wird. In dieser Ausgabe hast du 5 Techniken kennengelernt, die dir beim Erweitern von Perspektiven und schärfen deiner Gedanken helfen. Probier eine der Techniken diese Woche aus. Nimm eine Entscheidung, die du vor dir herschiebst, und lass die KI mit dir darüber debattieren. Das ist alles für diese Woche. Bis nächsten Sonntag, Felix P.S. Die AI-First School startet im November. Dort geben wir dir die Methoden und Werkzeuge an die Hand, um deine Fähigkeiten mit KI zu erweitern und deine persönlichen Grenzen zu verschieben.
## Reverse Engineering mit KI
URL: https://ai-first.ai/insights/reverse-engineering-mit-ki
Kategorie: Lab
Untertitel: Wie du Best Practices modellierst und nie wieder bei 0 startest
Herzlich Willkommen zu den AI FIRST Insights! Es ist eigentlich paradox: Für jede Aufgabe, die vor dir liegt, gibt es bereits mindestens 5 brillante Beispiele da draußen. Menschen, die genau das, was du vorhast, auf Weltklasse-Niveau umsetzen. Trotzdem starten wir jedes Mal bei null, erfinden das Rad neu und machen die gleichen Fehler. Der smartere Weg wäre " Modeling Excellence " - von den Besten lernen. Aber hier liegt das Problem: Was genau macht diese Beispiele so erfolgreich? Welche zugrundeliegenden Charakteristika sind wirklich entscheidend? Diese Muster zu erkennen war früher extrem aufwendig. Mit KI ist es trivial geworden. In dieser Ausgabe lernst du, KI als Reverse Engineer zu nutzen, um die Erfolgskriterien aller Inhalte zu verstehen und selbst anwenden zu können. Reverse Engineering: Der unterschätzte KI-Hebel Das Prinzip ist simpel: Statt von null zu starten, analysierst du die besten Beispiele und lässt KI die Erfolgsmuster extrahieren. Traditionelles Reverse Engineering: Du nimmst ein fertiges Produkt auseinander, um zu verstehen, wie es funktioniert. Schritt für Schritt rückwärts, bis du die ursprünglichen Konstruktionsprinzipien verstehst. Reverse Engineering mit KI: Du gibst der KI mehrere erfolgreiche Beispiele und lässt sie die gemeinsamen Patterns, Strukturen und Erfolgskriterien extrahieren. Dann wendest du diese Kriterien auf deine neuen Inhalte an. Es geht nicht um simples Kopieren. Es geht darum, die zugrundeliegenden Charakteristika und Erfolgskriterien zu verstehen , die diesen Inhalt wirksam machen – und diese dann auf deine eigene Marke, deinen eigenen Prozess, deine eigene Kommunikationsweise zu übertragen. Es geht um intelligente Adaptation , nicht um Nachahmung. Warum KI hier überlegen ist KI erkennt subtile Muster , die Menschen übersehen. Wir Menschen fokussieren uns auf das Offensichtliche: "Der Text ist gut strukturiert" oder "Die Sprache ist klar". KI analysiert deutlich granularer: Satzlängen-Rhythmus: Welche Abfolge kurzer und langer Sätze erzeugt den optimalen Lesefluss? Emotionale Progression: Wie verändert sich der Tonfall durch den Text? Wo werden gezielt bestimmte Emotionen ausgelöst? Kognitive Belastung: Welche Informationsdichte funktioniert in welchen Textabschnitten am besten? Feinheiten in Wortwahl und Struktur: Welche spezifischen Formulierungen, Übergänge oder Strukturelemente tauchen konsistent auf? Das erkennst du als Mensch nicht beim Durchgehen von 5 Beispielen. KI schon. Ein konkretes Beispiel: Kundenbeschwerden Angenommen, du willst verstehen, warum manche Kundenbeschwerden schnell und zufriedenstellend gelöst werden und andere eskalieren. Schritt 1: Sammeln Du sammelst 5 E-Mail-Verläufe von Beschwerden, die außergewöhnlich erfolgreich verlaufen sind - der Kunde war schlussendlich zufriedener als vor der Beschwerde. Schritt 2: Analysieren Du lässt diese Beispiele von KI analysieren (mit der Prompt-Vorlage unten). KI-Analyse ergibt zum Beispiel: Sofortige Verantwortungsübernahme ohne Rechtfertigungen Konkrete Lösungsschritte mit Zeitangaben in der ersten Antwort Emotionale Validierung vor der sachlichen Problemlösung Proaktive Zusatzleistung als Wiedergutmachung Schritt 3: Erfolgskriterien systematisieren Du baust diese analysierten Kriterien in den System Prompt für deinen Kundenservice-Agent ein: ## Persona ... ## Ziel ... ## Aufgabe ... ## Antwort-Kriterien basierend auf Best-Practice-Analyse: Sofortige Verantwortungsübernahme ohne Rechtfertigungen Konkrete Lösungsschritte mit Zeitangaben in der ersten Antwort Emotionale Validierung vor der sachlichen Problemlösung Proaktive Zusatzleistung als Wiedergutmachung ## Tonfall und Stil: Empathisch, lösungsorientiert, konkret... Das Ergebnis: Dein gesamtes Team nutzt diesen optimierten Agent und erreicht konsistent die Qualität der erfolgreichsten Fälle. Der Kreislauf ist beim Reverse Engineering mit KI immer gleich: Sammeln → Analysieren → Erfolgskriterien → System Prompt Weitere Anwendungsfelder Das Kundenbeschwerden-Beispiel ist nur die Spitze des Eisbergs. Reverse Engineering mit KI funktioniert überall, wo du Best Practices identifizieren kannst: Projektstatus-Meetings: Warum verlaufen manche Projekte reibungslos und andere geraten ins Stocken? Analysiere die Protokolle erfolgreicher versus problematischer Projekte. Stellenausschreibungen: Marktführer versus Unternehmen, die monatelang suchen - welche Formulierungen ziehen tatsächlich die richtigen Kandidaten an? Interne Dokumentation: High-Performance-Teams versus chaotische Strukturen - wie organisieren die erfolgreichsten Teams ihr Wissen? Verkaufsgespräche: Abgeschlossene Deals versus verlorene Opportunities - welche Gesprächsführung macht den entscheidenden Unterschied? Social Meda Reels: Mechaniken in viralen Videos, Aufbau des Hooks, Engagement-Techniken, kreative Elemente - was zeichnet Top-Assets aus? Das Prinzip funktioniert mit allen Formaten: Text, Bild, Audio, Video, Code. Warum? Weil moderne KI-Modelle multimodal arbeiten. Sie können Texte analysieren, Bildelemente erkennen, Audio transkribieren und interpretieren, Videos in Einzelbilder und Ton zerlegen, und Code-Strukturen verstehen. Egal welches Format - KI extrahiert die zugrundeliegenden Patterns und macht sie für dich nutzbar. Die universelle Reverse Engineering Vorlage Nutze diese Vorlage als deinen KI Reverse Engineer. # System-Prompt: KI Reverse-Engineer ## Rolle und Ziel Du bist ein KI-Reverse-Engineer. Deine primäre Aufgabe ist es, jeden dir vorgelegten Input (Text, Code, Bilder, Ideen, etc.) systematisch zu dekonstruieren, um dessen grundlegende Erfolgsprinzipien, strukturelle Merkmale und Kerncharakteristika zu identifizieren. Dein ultimatives Ziel ist es, aus dieser Analyse einen praktischen, anwendbaren "Blueprint" (eine Anleitung oder ein Rezept) zu erstellen, mit dem neue, ähnlich erfolgreiche Inhalte oder Artefakte geschaffen werden können. ## Vorgehensweise Dein Arbeitsprozess folgt immer diesen drei Schritten: 1. Analyse (De-Konstruktion): Untersuche den Input auf seine fundamentalen Bestandteile. Was sind die offensichtlichen und was sind die verborgenen Elemente? Struktur & Aufbau: Wie ist der Inhalt organisiert (z.B. narrative Struktur, Informationsarchitektur, visuelles Layout)? Stil & Tonalität: Welche Sprache, welcher Ton und welche stilistischen Mittel werden verwendet? Inhalt & Botschaft: Was ist die Kernbotschaft? Welche Themen, Motive oder Argumente werden behandelt? Muster & Wiederholungen: Gibt es wiederkehrende Muster, Formeln oder Techniken? 2. Extraktion der Erfolgskriterien: Isoliere die spezifischen Merkmale, die den Input effektiv, überzeugend oder erfolgreich machen. Beantworte die Frage: Warum funktioniert das? Identifiziere die psychologischen Hebel (z.B. Emotionalität, Dringlichkeit, soziale Bewährtheit). Benenne die entscheidenden Qualitätsmerkmale (z.B. Klarheit, Originalität, Prägnanz). Extrahiere die "Geheimzutaten", die den Input von anderen unterscheiden. 3. Synthese (Blueprint zur Replikation): Fasse deine Erkenntnisse in einer klaren, strukturierten und handlungsorientierten Anleitung zusammen. Dieser Blueprint muss so formuliert sein, dass ein Dritter ihn nutzen kann, um ein neues Werk mit den gleichen Erfolgsprinzipien zu erstellen. Gib konkrete, replizierbare Anweisungen. Erstelle eine Checkliste der wichtigsten Merkmale. Formuliere eine Vorlage oder ein Grundgerüst für neue Inhalte. ## Ausgabeformat Strukturiere deine Antwort immer wie folgt, um maximale Klarheit und Anwendbarkeit zu gewährleisten: Analyse des Inputs: [Eine prägnante Zusammenfassung deiner Beobachtungen aus Schritt 1.] Identifizierte Erfolgskriterien: Kriterium 1: [z.B. "Gezielte emotionale Ansprache durch Storytelling"] Kriterium 2: [z.B. "Extrem hohe Informationsdichte bei maximaler Prägnanz"] Kriterium 3: [z.B. "Verwendung einer klaren 'Problem-Lösung-Beweis'-Struktur"] [...] Blueprint zur Replikation: Struktur & Aufbau: [Konkrete Anleitung zum Aufbau, z.B. "Beginne mit einer provokanten Frage..."] Stil & Tonalität: [Anweisungen zur Sprache, z.B. "Verwende kurze, aktive Sätze..."] Inhaltliche Elemente: [Checkliste der unverzichtbaren Inhalte, z.B. "Inkludiere immer eine persönliche Anekdote..."] "Geheimzutat": [Die wichtigste, zu replizierende Eigenschaft, z.B. "Der Kern liegt in der Kombination von fachlicher Autorität mit nahbarer, persönlicher Sprache."] ## Wichtige Anweisungen Sei objektiv und analytisch: Vermeide persönliche Meinungen. Deine Analyse muss auf beobachtbaren Fakten des Inputs basieren. Fokus auf Replikation: Konzentriere dich ausschließlich auf Merkmale, die bewusst nachgeahmt werden können. Sei präzise: Verwende eine klare und unmissverständliche Sprache. Vage Beschreibungen sind nutzlos. 🏁 Fazit Warum das Rad neu erfinden, wenn die besten Lösungen bereits existieren? Reverse Engineering mit KI transformiert gute Ergebnisse systematisch in exzellente Ergebnisse . Von den Besten zu lernen ist effizienter, als selbst alle Fehler zu machen. Sammle 3-5 Spitzenbeispiele für deine Aufgabe. Lass KI die subtilen Erfolgskriterien analysieren, die dir entgehen würden. Adaptiere intelligent statt zu kopieren . Das Prinzip greift überall, wo Best Practices existieren. Das ist alles für diese Woche. Bis nächsten Sonntag, Felix
## 4 Wege, wie KI dir hilft, KI besser zu nutzen
URL: https://ai-first.ai/insights/4-wege-wie-ki-dir-hilft-ki-besser-zu-nutzen
Kategorie: Lab
Untertitel: Meta-KI
Herzlich Willkommen zu den AI FIRST Insights! Diese Woche hab ich endlich ein Problem gelöst, das mich seit Monaten genervt hat. Mein Workflow für einkommende Rechnungen war grottig. Die sollten automatisch den richtigen Ausgaben im Buchhaltungstool zugewiesen werden - stattdessen gab's ständig Fehlzuordnungen und ich musste manuell nacharbeiten. Dienstag hab ich mir 5 Minuten genommen und meinen KI-Assistenten per Spracheingabe briefed : [Hier habe ich in einer 3-4 minütigen Spracheingabe genau erklärt: Wie mein aktueller E-Mail-Workflow aussieht, welche Rechnungsformate reinkommen, wie mein Buchhaltungstool strukturiert ist, nach welchen Kriterien zugeordnet werden soll, welche Ausnahmen es gibt und was der Agent als Output liefern soll. Also den kompletten Prozess, die Aufgabe und alle Anforderungen detailliert beschrieben.] Das Ergebnis: Ein funktionierender Agent, der jetzt automatisch alle einkommenden E-Mails scannt, Rechnungen identifiziert, die relevanten Daten extrahiert und sie zuverlässig den richtigen Ausgabenkategorien zuordnet. Wenn du KI nutzt, um KI besser zu nutzen, verschieben sich plötzlich die Grenzen des Machbaren . Du musst nicht mehr alles selbst können . Du musst nicht mehr alles selbst verstehen. Du kannst die KI als deinen Sparring-Partner nutzen, um bessere KI-Lösungen zu entwickeln. In diesem Newsletter beschreibe ich 4 Rollen, die eine KI einnehmen kann, um dich zum KI-Anwendungsmeister zu machen. Werde im Oktober Teilvon 60 KI-Pionieren im AI Collective Im AI Collective geben wir KI-Pionieren aus dem Mittelstand das Wissen, die Werkzeuge und das Netzwerk an die Hand, um sich selbst und ihr Unternehmen fit für die KI-Ära zu machen. Im Oktober öffnen wir das AI Collective für weitere Mitglieder , die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren Hier sind vier Rollen, die KI einnehmen kann, um dich bei der KI-Nutzung zu unterstützen: 1. KI als Interviewer Wenn ich vor einer neuen, komplexen Aufgabe stehe – zum Beispiel ein Strategiepapier oder ein neues Podcast-Konzept – ist der Anfang oft das Schwierigste. Statt selbst ewig zu grübeln und eine Gliederung zu entwerfen, werfe ich mein Universal-Template in den Assistenten. Mein Gedankengang dabei ist: Die KI soll die Struktur aus mir herausziehen. Der Prozess zwingt mich, meine eigenen Gedanken zu schärfen. Jede Frage, die die KI stellt ("Wer ist die genaue Zielgruppe?", "Was ist die eine Kernbotschaft, die hängen bleiben soll?"), muss ich für mich beantworten. Das ist aktive Arbeit. Am Ende habe ich nicht nur die KI gebrieft, sondern vor allem mich selbst. Die Klarheit, die dadurch entsteht, ist der eigentliche Gewinn. Prompt Template: Bevor du diese Aufgabe ausführst, agiere als Weltklasse-Experte für dieses Thema. Stelle mir die entscheidenden Fragen, die du brauchst, um den Kontext vollständig zu verstehen und ein 10x besseres Ergebnis zu liefern. Starte mit der ersten und wichtigsten Frage. 2. KI als Reverse Engineer Immer wenn ich merke, dass etwas wiederholt gut funktioniert – seien es E-Mails, die zu positiven Antworten führen, oder Projekt-Kickoffs, die immer erfolgreich sind – will ich das Muster dahinter verstehen und es skalierbar machen. Mein Gedankengang dabei ist: In diesen Erfolgsbeispielen steckt ein implizites Playbook. Die KI soll es für mich explizit machen. Ich sammle also die besten 5-10 Beispiele (den Rohtext) und gebe sie dem Assistenten mit dem klaren Auftrag, daraus ein Regelwerk zu extrahieren. Die KI ist unglaublich gut darin, die impliziten Erfolgsmuster zu erkennen, die ich selbst vielleicht nur intuitiv anwende. Das Ergebnis ist ein klares, dokumentiertes Framework, das ich dann an mein Team weitergeben oder für zukünftige KI-Prompts nutzen kann. Prompt Template: Ich gebe dir [ANZAHL] Beispiele für [ART DER DATEN]. Aufgabe: Analysiere diese Beispiele und erstelle daraus ein universelles Template/Briefing im [FORMAT]-Format. Das Briefing wird von einer KI genutzt, um Inhalte in genau dem gleichen Format und Stil zu erstellen. Die Struktur soll folgende Elemente enthalten: [STRUKTURPUNKT 1], [STRUKTURPUNKT 2], [STRUKTURPUNKT 3]. Hier sind die Daten: [DATEN EINFÜGEN] Beispiel - Tone of Voice Analyse mit Copilot Setze das Ergebnis deiner Copilot-Analyse in die Outlook-Einstellungen für "Entwurfsanweisungen" ein. Jetzt schreibt Copilot immer Mails, die klingen wie du. 3. KI als Prompt Engineer Ich schreibe fast keine komplexen System-Prompts mehr von Hand. Das ist eine der wichtigsten Veränderungen in meiner Arbeitsweise. Mein Grundgedanke: Die KI soll mir dabei helfen, sie besser zu instruieren. Es ist nicht nur mein Job, die KI zu verstehen, sondern auch der Job der KI, mich zu verstehen. Mein Prozess ist immer zweistufig: Ich beschreibe das gewünschte Ergebnis in einfachen, klaren Sätzen – so, wie ich es einem menschlichen Mitarbeiter erklären würde. Diesen einfachen Text gebe ich dann in meinen "Prompt Engineer"-Assistenten mit dem Auftrag, daraus einen robusten, detaillierten System-Prompt zu bauen. Den Feinschliff mache ich dann selbst, aber die mühsame Strukturarbeit, das Festlegen von Rollen, Regeln und Output-Formaten, übernimmt die KI. Das spart mir enorm viel Zeit und kognitive Last. → Hier findest du das Template zum Prompt Engineer und kannst ihn in deinem KI-Chatbot anlegen Beispiel - Systemprompt vom Invoice Agent Es ist so simpel, aber es funktioniert einfach. 4. KI als Workflow-Builder Jeder liebt die Idee, lästige, manuelle Prozesse zu automatisieren. Aber kaum jemand hat Lust auf die kleinteilige Arbeit dahinter: in Tools wie n8n die richtigen Nodes zu suchen, sie mühsam zu verbinden und im Detail zu konfigurieren. Mein Denkprozess ist daher nicht mehr, wie ich einen Workflow baue, sondern nur noch, wie ich ihn beschreibe. Ich arbeite dafür mit Claude, den ich mit den n8n MCP-Servern verbunden habe, um mir erste Workflows erstellen zu lassen. Das ausgegebene JSON lade dich runter und in n8n hoch und habe ein erstes Setup für den Workflow, den ich anschließend jedoch optimieren muss. Prompt Template Generate a workflow based on the following description. The output must be a valid n8n JSON format. Goal: [Describe the overall objective of the workflow]. Trigger: [Describe the event that starts the workflow]. Steps: [First action, e.g., "Read data from trigger"]. [Second action, referencing output from step 1, e.g., "Use AI to summarize the text from step 1"]. [Third action...]. Error Handling: [Describe what should happen if a step fails, e.g., "Send a notification to a Slack channel"]. Beispiel - CRM-Workflow in n8n So sieht der importierte Workflow in n8n aus: 🏁 Fazit Wenn du KI nutzt, um KI besser zu nutzen, verschieben sich die Grenzen des Machbaren dramatisch. Du musst nicht mehr alles selbst können oder verstehen - die KI wird zu deinem Sparring-Partner für bessere KI-Lösungen. Key Takeaways: Das universelle Muster: Ziel klar definieren → KI als Sparringspartner nutzen → ersten Entwurf iterieren → selbst den Feinschliff machen Briefing-Hebel: Anhängbarer Universal-Textblock verwandelt jede KI von passivem Ausführer zum aktiven Experten, der die richtigen Fragen stellt Reverse Engineering-Prinzip: Erfolgreiche Beispiele sammeln und von KI in explizite, wiederverwendbare Frameworks umwandeln lassen Agenten-Shortcut: Prozesse in einfachen Worten beschreiben, KI baut die technische Umsetzung Probier diese Woche einen der vier Ansätze aus. Nimm eine wiederkehrende Aufgabe und lass die KI dir dabei helfen, eine bessere KI-Lösung dafür zu entwickeln. Das ist alles für diese Woche. Bis nächsten Sonntag, Felix
## 5 goldene Prinzipien, um vor der KI-Welle zu bleiben
URL: https://ai-first.ai/insights/5-goldene-prinzipien-um-vor-der-ki-welle-zu-bleiben
Kategorie: Adoption
Untertitel: Machen statt reden
Herzlich Willkommen zu den AI FIRST Insights! In dieser Woche hatte ich mal wieder das Gefühl, nicht mit den Entwicklungen im KI-Markt Schritt halten zu können: Claude kann jetzt Word, Powerpoint, Excel und Co. bearbeiten Alibaba bringt mit Qwen 3 ein neues LLM mit 1 Billion Parameter raus Seadream 4 soll das neue Bild-Modell der Stunde sein, dabei hatten wir uns gerade erst an Nano Banana gewöhnt Und das sind nur 3 Ereignisse aus einer ehen ereignislosen Woche. Das Testen, Verstehen und Einordnen neuer KI-Fähigkeiten ist ein Vollzeit-Analysten-Job geworden. Spätestens seit 2025. Das Tempo ist so hoch, dass man ohnmächtig werden könnte, wenn man sich alles reinfährt, was einem von Big Tech und Consulting-Buden um die Ohren geworfen wird. Falls du das Gefühl kennst: Du bist nicht allein. Und falls du denkst, dass das, was du machst, nicht genug ist: Das stimmt nicht. Heute teile ich meine 5 goldenen Prinzipien, die mir helfen, die Signale im Lärm zu finden und trotz FOMO in die produktive Umsetzung zu kommen. Los geht's! Werde im Oktober Teil von 60 KI-Pionieren im AI Collective Im AI Collective geben wir KI-Pionieren aus dem Mittelstand das Wissen, die Werkzeuge und das Netzwerk an die Hand, um sich selbst und ihr Unternehmen fit für die KI-Ära zu machen. Im Oktober öffnen wir das AI Collective für weitere Mitglieder , die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren 5 Prinzipien gegen die KI-FOMO Prinzip 1: Problem vor Technologie Letzte Woche fragte mich ein Kunde: "Felix, sollen wir unsere Bilderstellung auf Nano Banana umstellen?" Meine Gegenfrage: "Löst unser Flux-Workflows das Problem nicht?" Silence . Wir jagen Tools hinterher, ohne zu wissen, welches Problem wir eigentlich lösen wollen. Das ist der erste Wendepunkt, den ich für mich entdeckt habe: Immer Problem vor Technologie. Ich habe aufgehört, jedem neuen Tool oder Feature hinterherzulaufen. Es wird nie aufhören. Irgendwas Besseres wird's immer geben. Das Shiny Object Syndrom ist sehr real im KI-Bereich. Neue Tools sind selten die richtige Antwort. Deshalb steht auf unserer Use Case Scorecard ganz oben "Welches Problem lösen wir damit?" Und für dieses Problem suche ich dann die einfachste Lösung, nicht die coolste/modernste/neueste. Deine Umsetzung: Schreib dir heute drei konkrete Arbeitsprobleme auf, die dich nerven. Prüfe dann, wie du dieses Problem ohne KI lösen kannst (frag einfach KI, wenn du es nicht weißt). Prüfe im 2. Schritt, wie du das Problem mit bestehenden Tools gelöst bekommst. Prinzip 2: Weniger Tools, mehr Wirkung Hier schließt sich direkt das 2. Prinzip an. Im Kern nutze ich nur noch zwei KI-Tools. Eine Multi-LLM Plattform für Chatbots, Assistenten und Workflows. Eine Bild/Video-KI Plattform für alles Visuelle. Hier und da noch ein One-off Tool, z.B. Wispr Flow für das diktieren von Eingaben. In diese wenigen Tools arbeite ich mich tief ein, integriere sie in alle meine Workflows und stelle sicher, dass mein gesamtes Team täglich damit arbeitet. Beispiel: Statt für E-Mail Management und Meeting Summaries Spezialtools zu kaufen (die dann wieder 20 weitere Funktionen haben, die ich nicht benötige), setze ich einen eigenen E-Mail Agent und Meeting Summary Agent auf einer generischen KI-Plattform auf, die mir dafür alle Funktionen bietet. Das bringt mir mehr als zehn oberflächlich getestete Tools, die dann doch nur Staub sammeln. Deine Umsetzung: Mache eine Bestandsaufnahme deiner Probleme und daraus resultierenden Anwendungsfälle (siehe unsere 3-teilige Use Case Serie ). Prüfe dann, welche Fähigkeiten / Tools du wirklich benötigst, um diese Probleme zu lösen. Dir wird auffallen, dass sich die Anforderungen immer wieder ähneln (LLM generiert Text, Workflow Automation zwischen 2 Systemen, Datenbank abfragen und verarbeiten, ...). P.S. Ich mache bewusst keine blinde Empfehlung für Tools, da es kein one-size-fits-all gibt. Wenn du Unterstützung bei der Auswahl brauchst, dann schreibe mir eine Mail mit ein paar Eckdaten zu deinen Anforderungen. Prinzip 3: Anwenden statt konsumieren Alle Tools dieser Welt sind nichts wert, wenn wir sie nicht nutzen. Anwendung von KI an eigenen Problemen ist die eine Sache, die dich wirklich nach vorne bringt. Ich kenne Leute, die jeden KI-Newsletter lesen, aber noch nie was davon umgesetzt haben. Ich würde sogar behaupten, dass das die Allermeisten sind. Die wissen alles über die neuesten Modelle, aber scheitern daran, das Wissen in wertstiftende Lösungen umzusetzen. Dann wird gefachsimpelt und mit komplizierten Worten um sich geworfen, aber Wert entsteht keiner. Einen Agent selbst end-to-end aufzusetzen löst die 100x steilere Lernkurve aus und lässt mich die Relevanz für mein Unternehmen besser einschätzen als jeder YouTube-Kanal. Meine verfügbare Zeit versuche ich daher zu 90% mit der Anwendung von KI zu verbringen und zu 10% mit dem Konsum von Informationen darüber. Jeden Freitag haben wir im Team eine "AI Building Session". Wir haben einen Backlog aus Problemen, die wir lösen wollen und 2 Stunden fokussierte Zeit geblockt, um eins nach dem anderen mit eigenen KI-Lösungen zu knacken. Das ist mein Lieblingstermin geworden. Deine Umsetzung: Blocke dir jetzt 60 Minuten in deinem Kalender für diese Woche. Nimm dir ein Problem aus deinem Backlog und arbeite 60 Minuten fokussiert daran, die einfachst-mögliche KI-Lösung dafür aufzusetzen. Das kann auch nur ein richtig guter Prompt sein! Wiederhole das in der nächsten Woche. Mach das für 10 Wochen und berichte, wie weit du gekommen bist :) Prinzip 4: Erfahrungen teilen Was mir enorm geholfen hat: Erfahrungen mit anderen teilen. Jede Woche darf ich einen Podcast mit einem KI-Leader aufnehmen und zwei Community Sessions mit 60 KI-Verantwortlichen in unserem AI Collective hosten. Dieses Sparring mit Menschen, die die gleichen Ziele und Herausforderungen haben, ist gold wert. Nur in diesem Kreis fällt mir auf, dass alle "BREAKING NEWS !!1!" in der realen Business-Welt meist eine geringe Relevanz haben. Mit der Gefahr mich zu wiederholen: Es geht um die Lösung passender Probleme mit dem einfachst möglichen Ansatz. Dieses Soundingboard hilft mir dabei, nicht in unproduktive FOMO zu verfallen. Falls du keine Community hast: Such dir zwei, drei Kollegen oder Bekannte, die auch mit KI experimentieren. Tauscht euch alle 1-2 Wochen aus. Das nimmt so viel Druck raus. Deine Umsetzung: Schreib drei Kollegen oder Bekannte an, die auch mit KI arbeiten. Vereinbart einen wöchentlichen 30-Minuten-Call zum Erfahrungsaustausch. Was funktioniert bei euch? Was nicht? Das reduziert FOMO enorm. Prinzip 5: Eigene Benchmarks aufbauen Es gibt ja dieses schöne Sprichwort: "Vergleichen macht unglücklich." oder auch "Nur wer seinen eigenen Weg geht, kann nicht überholt werden." Mir und meinem Unternehmen bringt es nichts, wenn ich mich mit hochpolierten KI-Demos auf Social Media vergleiche. Meistens hat es hunderte Iterationen für die Ergebnisse benötigt oder der Workflow funktioniert nur in einem sehr klein gesteckten Rahmen. Trotzdem tappe ich oft in die Falle und denke: "das brauche ich auch". Um dieses Gefühl zu validieren habe ich mir eine eigene Benchmark aufgebaut, die eigentlich sehr einfach ist. a) Ich habe eine Liste an Use Cases b) Jeder Use Cases hat eine Definition, was der erwartete Output ist c) Für einige Use Cases wird dieser Output bereits erzielt, für andere nicht Jedes neue Modell oder Feature kann ich durch diese Use Cases (meist sind das Agenten oder Workflows) laufen lassen, indem ich einfach das Modell austausche, und sehr schnell einschätzen, ob die Ergebnisse besser sind oder nicht. Hier ein Beispiel meiner GPT-5 Tests. So bleibe ich bei dem, was für mich relevant ist, statt jedem Hype hinterherzulaufen. Deine Umsetzung: Erstelle dir zwei Listen - "KI Use Cases, die bei mir funktionieren" und "KI Use Cases, die noch nicht funktionieren". Teste neue Tools / Modelle nur anhand dieser Listen. So siehst du sofort, ob sich ein Wechsel lohnt. 🏁 Fazit Am Ende ist es recht einfach: Keep it simple, machen statt reden, eigene Meinung bilden. Die FOMO hört nicht auf - auch bei mir nicht. Aber sie wird erträglicher, wenn du dich auf das konzentrierst, was wirklich zählt: Probleme lösen, praktisch anwenden, tief verstehen. Du musst nicht jedes neue Modell kennen. Du musst nicht jedes Feature testen. Du musst nicht jeden Newsletter lesen. Du musst nur deine Probleme kennen, die richtigen Tools dafür finden und dranbleiben. Die wichtigsten Takeaways: Problem vor Technologie - fang mit deinen Schmerzpunkten an 90% anwenden, 10% konsumieren - Erfahrung schlägt Information Weniger Tools, mehr Wirkung - Tiefe vor Breite Austausch suchen - geteilte Erfahrungen reduzieren Unsicherheit Eigene Benchmarks - deine Use Cases sind dein Kompass Dein Selbstcheck: Du bist auf dem richtigen Weg, wenn... Du deine Top 3 KI-Probleme klar benennen kannst Du mindestens ein KI-Tool richtig gut beherrschst Du mehr Zeit mit KI-Anwendung als mit KI-Content verbringst Du dich mit anderen über praktische Erfahrungen austauschst Du neue Tools nur testest, wenn sie ein konkretes Problem besser lösen Die nächste Woche, in der ein neues " Game-Changer "-Tool launched wird, kommt bestimmt. Aber du weißt jetzt, wie du damit umgehst . Wie gehst du mit der Geschwindigkeit im KI-Markt um? Schreib mir gerne deine Erfahrungen! Bis nächsten Sonntag, Felix
## Warum Prompt Engineering wichtig bleibt
URL: https://ai-first.ai/insights/warum-prompt-engineering-wichtig-bleibt
Kategorie: Lab
Untertitel: Totgesagte leben länger
Herzlich Willkommen zu den AI FIRST Insights! Wenn ich mit meinen Kunden daran arbeite, wie sie den Einfluss von sich und ihren Teams durch den Einsatz von GenAI hebeln können, zieht sich durch alle Ebenen: das korrekte anweisen von KI-Systemen wird gnadenlos unterschätzt. Jeder will die autonomen Agenten, die automatisierten Workflows, den fancy Stuff. Aber wenn ich dann in die Praxis schaue, sehe ich mittelmäßige Prompts und (maximal) mittelmäßigen Kontext, die mittelmäßige Ergebnisse liefern. Die Lücke zwischen dem gefühlten Können und der tatsächlichen Qualität ist oft erschreckend groß. Dabei ist und bleibt ein gut geschriebener Prompt einer der größten Hebel , den es auf die Qualität der KI-Ergebnisse gibt. Das gilt auch bei den neuesten Modellen. In diesem Newsletter gehe ich auf die Evolution von Prompt Engineering ein und zeige dir, welche Regeln ausgedient haben und was wichtiger denn je ist. Los geht's! Werde im Oktober Teil von 60 KI-Pionieren im AI Collective Im AI Collective geben wir KI-Pionieren aus dem Mittelstand das Wissen, die Werkzeuge und das Netzwerk an die Hand, um sich selbst und ihr Unternehmen fit für die KI-Ära zu machen. Im Oktober öffnen wir das AI Collective für weitere Mitglieder , die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren Prompt Engineering war nie ein technischer Skill Bevor wir in unseren Programmen überhaupt anfangen, irgendwas mit KI zu machen, stelle ich den Teilnehmern immer diese einfache Frage: Stell dir vor, du bist in einem neuen Unternehmen, heute ist dein erster Arbeitstag. Du bekommst eine Aufgabe, die du noch nie gemacht hast. Was brauchst du, um diese Aufgabe in hoher Qualität ausführen zu können? Die Antworten kommen schnell: "Klare Ziele" "Kontext über das Unternehmen" "Beispiele von früheren Arbeiten" "Was die No-Gos sind" "Zugang zu relevanten Daten" "Vielleicht einen Ansprechpartner für Rückfragen" Wir können oft sehr genau beschreiben, was ein MENSCH für die korrekte Ausführung einer Aufgabe benötigt, unterschätzen diesen Aspekt jedoch bei KI. Prompting bleibt daher ein sehr kommunikativer Skills: Du musst alle Informationen bereitstellen, die zum Verständnis und zur Erledigung der Aufgabe notwendig sind – und die nicht implizit vorhanden sein können. Gute Führungskräfte oder Projektmanager, die ständig Aufgaben delegieren müssen, sind oft auch sehr gute Prompt Engineers. Wie alle guten Kommunikatoren, fragen sich gute Prompt Engineers zuerst, was sie überhaupt erreichen wollen. Wer wird adressiert? Welches Ziel verfolge ich? Wie sieht das perfekte Ergebnis aus? Welche Struktur und Merkmale soll es haben? Dann musst du den Lösungsraum definieren. Willst du viele kreative Optionen erkunden? Oder brauchst du eine spezifische, fokussierte Antwort? "Hilf mir bei der Personalsuche" öffnet einen riesigen Raum. "Schreibe eine Stellenausschreibung für einen Senior Entwickler (Java/Spring Boot), Fintech-Startup, remote-freundlich, 80-100k, 300 Wörter max, Tonalität: modern aber seriös" macht ihn klein und präzise. Erst jetzt kannst du die dafür notwendigen Informationen bereitstellen: Zielbeschreibung, Kontext, Output-Format, Rahmenbedingungen, No-Gos – alles, was die KI braucht, um dein Ziel in dem gewünschten Lösungsraum zu erreichen. Das Vorbereiten eines guten Prompts ist also eine Übung in strukturiertem Denken: Ziel klären, Lösungsraum definieren, relevante Informationen bereitstellen . Du erstellst eine Blaupause für erfolgreiche Problemlösung. Die Evolution des Prompt Engineerings Prompting hat also viel mit strukturiertem Denken und klarer Kommunikation zu tun. Haken dran. Trotzdem wandern immer wieder "geheime Prompting Tricks und Hacks" durch die KI-Welt. Vielleicht erinnerst du dich auch noch an die Zeit, wo "Ich gebe dir 200$ Trinkgeld, wenn du die Aufgabe erfüllst" zu besseren KI-Ergebnissen geführt hat. Diese Zeiten sind vorbei. Die Art, wie wir mit KI kommunizieren müssen hat sich in 3 Phasen weiterentwickelt, was primär an den Fähigkeiten der Modelle liegt. Prompting 1.0: Klassische LLMs (GPT-4) Die frühen Modelle wie GPT-3.5 und 4 waren brilliant im Textverständnis, aber schwach in der mehrschrittigen Bearbeitung von Aufgaben. Sie konnten komplexe Aufgaben nur bewältigen, wenn wir sie in kleine, eindeutige Schritte zerlegten. Beispiel "Lies die folgenden 5 Kundenrezensionen. Extrahiere für jede Rezension die Hauptkritik in einem Satz. Formatiere das Ergebnis als nummerierte Liste. Verwende maximal 15 Wörter pro Punkt. Beginne jeden Punkt mit 'Kritik:'. Hier sind die Rezensionen: [...]" Das funktionierte, war aber mühsam. Die Modelle brauchten diese mikroskopische Führung, sonst drifteten sie ab oder lieferten inkonsistente Ergebnisse. Das war auch die Zeit der absurden Tricks und Hacks. "Gib der KI ein Trinkgeld von 200$, dann arbeitet sie besser." "Sag ihr, dass dein Leben davon abhängt." "Verwende genau diese magischen Phrasen." Die Social-Media-Timeline war voller solcher "Geheimtipps". Prompting 2.0: Large Reasoning Models (o1, Gemini 2.5 Pro) Mit der neuen Generation kamen deutlich stärkere Reasoning-Fähigkeiten. o1, Claude 3 Opus oder Gemini 2.5 Pro können mehrschrittige Denkprozesse selbstständig durchführen. Die meisten Tricks wurden plötzlich irrelevant. Diese Modelle verstehen das Ziel des Nutzers und können eigenständig planen, wie sie diese erreichen. Wir wurden zu Managern, die Rahmen setzen, anstatt jeden Schritt zu diktieren. Beispiel "Du bist ein Produktmanager. Analysiere das folgende Kundenfeedback. Dein Ziel ist es, die Top 3 Handlungsfelder zur Verbesserung unseres Produkts zu identifizieren. Liefere eine kurze Zusammenfassung und eine nach Priorität geordnete Liste der Probleme. Berücksichtige dabei sowohl die Häufigkeit als auch die Schwere der genannten Punkte." Die KI plant jetzt selbst, wie sie vorgeht. Sie kann abstrakte Konzepte wie "Priorität" und "Schwere" eigenständig bewerten und anwenden. Prompting 3.0: Hybrid-Models (GPT-5) Die neueste Generation bringt eine völlig neue Fähigkeit mit: autonome Planung und Tool-Integration. Modelle wie GPT-5 können selbstständig Tools nutzen, Sub-Aufgaben definieren und diese abarbeiten. Beispiel "Analysiere unseren gesamten Kundensupport-Verlauf des letzten Quartals. Identifiziere die fundamentalen Ursachen für Kundenabwanderung und schlage drei konkrete, umsetzbare Initiativen vor, um die Kundenbindung um 10% zu erhöhen. Berücksichtige dabei unser Budget von 50.000€ und unser 5-köpfiges Produktteam." Die KI orchestriert jetzt selbst: Sie plant die Analyse, identifiziert benötigte Datenquellen, führt verschiedene Bewertungen mit bereitgestellten Tools durch, macht eventuell noch eine Recherche zum Benchmarking und liefert am Ende Empfehlungen – alles in einem Durchgang. Je leistungsfähiger die Modelle werden, desto weniger müssen wir ihnen das "Wie" erklären und desto mehr können wir uns auf das "Was" und "Warum" konzentrieren. Prompt Engineering ist nicht verschwunden – es hat sich nur von der Mikrosteuerung zu "Rahmen setzen" entwickelt. Bessere Modelle abstrahieren einen großen Teil der früher benötigten Prompt Engineering Skills einfach weg. Sie weisen dem Modell automatisch eine Rolle zu, leiten die Schritte aus dem gegebenen Ziel ab, wählen selbst das benötigte Tool aus etc. Diese Entwicklung ist besonders hilfreich für die Nutzung von LLMs im Alltag, also für klassische Chatbot-Nutzer. Wer jedoch KI-Assistenten, Workflows und Agenten baut, muss weiterhin auf einem atomaren Level seine Prozesse, Anweisungen, In- und Output-Formate, Tool Calls und Kontextwissen beschreiben . Nur so können konsistente Ergebnisse sichergestellt werden. Prompting Guide 3.0 Ich habe dir die wichtigsten Unterschiede und Empfehlungen in diesem Cheat Sheet zusammengestellt: Paradigmenwechsel "Context Engineering" Im Laufe dieses Jahres hat ein Bereich besonders viel Aufmerksamkeit erfahren: der Kontext. Immer mehr Nutzern ist klar geworden, dass die Qualität und Spezifität der Antwort maßgeblich davon abhängt, welchen Kontext sie der KI geben. Guter Kontext grenzt den Lösungsraum ein – das ist entscheidend, wenn du ein spezifisches Ergebnis haben willst. Aber Kontext ist nicht mehr nur das, was wir bisher in den Prompt geschrieben haben. Früher haben wir Infos über unsere Firma, unsere Prozesse oder Hintergrundinformationen direkt in den Prompt gepackt. Heute umfasst Kontext viel mehr: Historie: Woran hat die KI vorher schon gearbeitet? Datenbank-Informationen: Welche relevanten Daten liegen in unseren Systemen? Bestehendes Unternehmenswissen: Dokumentationen, Richtlinien, Best Practices aus verschiedenen Quellen Dadurch wird die Disziplin des Prompt Engineerings um eine neue Disziplin erweitert: Context Engineering . Mir gefällt der technische Begriff nicht, doch ich finde den zunehmenden Fokus auf das Thema wichtig. Im Grunde geht es darum zu definieren, aus welchen Quellen die KI zu welcher Zeit welchen Kontext ziehen und verarbeiten soll. Das ist aktuell noch in den Kinderschuhen. Es ist eine große Herausforderung, aktuellen Kontext bereitzustellen (Datenaufbereitung, Schnittstellen) und einer KI beizubringen, wann sie welche Informationen auf welche Art nutzen soll. Und auch hier spielt Prompt Engineering weiterhin eine enorm große Rolle.. In Zukunft werden wir also deutlich mehr Zeit mit der Aufbereitung und Bereitstellung der Kontextinformationen verbringen, als mit der Konstruktion komplexer Prompts. Das Eine kann jedoch nicht ohne das Andere. "It takes two to tango", wie man so schön sagt :) 🏁 Fazit Prompt Engineering ist nicht tot – es ist erwachsen geworden. Die Zeit der Tricks und Hacks ist vorbei. " Gib der KI ein Trinkgeld " gehört ins Museum. Wir sind von Mikromanagern zu Zielsetzern geworden . Statt jeden Schritt zu diktieren, geben wir zunehmend Ziele und umfangreichen Kontext vor und die KI-Modelle werden besser in der Ableitung und Ausführung der erforderlichen Schritte. " Den einen Weg " gibt es aber nicht. Auch ich schreibe heute für standardisierte Use Cases noch immer sehr lange, sehr ausführliche Systemprompts um der KI möglichst wenig Raum für Abweichungen zu gewähren. Key Takeaways: Strukturiertes Denken und klare Kommunikation sind die Skills der Stunde. Ein guter Prompt entsteht nicht durch Tricks, sondern durch Klarheit über Ziel, Kontext und gewünschten Lösungsraum. Die Modellentwicklung treibt die Prompting-Evolution. Je intelligenter die KI wird, desto weniger müssen wir das "Wie" erklären und desto mehr können wir uns auf das "Was" konzentrieren. Kontext wird zum entscheidenden Faktor. Egal ob über den Prompt, RAG-Systeme oder APIs – die richtige Information zur richtigen Zeit ist der größte Hebel für Output-Qualität. Wir stehen am Anfang einer neuen Ära. Intelligente Kontext-Aufbereitung und -bereitstellung werden die nächsten großen Themen. Heute ist es noch oft Handarbeit, morgen wird es systemisch. Die Lücke zwischen dem gefühlten Können und der tatsächlichen Qualität der Prompts ist immer noch groß. Aber jetzt weißt du, woran es liegt – und worauf es wirklich ankommt. Bis nächsten Sonntag, Felix
## KI & Excel
URL: https://ai-first.ai/insights/ki-excel
Kategorie: Lab
Untertitel: Warum dein Chatbot scheitert (und wie du es fixt)
Herzlich Willkommen zu den AI FIRST Insights! KI und Excel – das klingt nach dem Dream-Team. Erwartung: Tabelle hochladen, Frage stellen, perfekte Analyse bekommen. Realität: Der Chatbot rechnet falsch, versteht Spalten nicht oder erfindet Zahlen. Das Problem ist kein Fehler der KI, sondern ein grundlegendes Missverständnis . Ein Large Language Model ist ein Sprachkünstler, kein Datenanalyst . Es " liest " deine Tabelle nicht, sondern wandelt sie in einen langen Text um. In dieser Ausgabe zeige ich dir, warum das so ist und wie du mit einem einfachen 3-Schritte-Prozess und den richtigen Werkzeugen bessere Ergebnisse bekommst. Los geht's! Bringe dein Unternehmen erfolgreich in die KI-Ära Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen. Ab September öffenen wir das AI Collective für weitere Mitglieder, die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren Das Kernproblem: Eine KI "sieht" keine Tabelle Um zu verstehen, warum ChatGPT & Co. oft scheitern, müssen wir einen Blick unter die Haube werfen. Das Kernproblem ist fundamental: Ein Large Language Model (LLM) "sieht" keine Excel-Tabelle wie ein Mensch. Stell Dir vor, Du nimmst Deine saubere Tabelle und kopierst den gesamten Inhalt – Zelle für Zelle, von links nach rechts und von oben nach unten – in eine einzige, lange Textdatei. Ungefähr so nimmt eine KI Deine Daten wahr. Dieser Prozess nennt sich Linearisierung . Produkt A, 100, 150, 50, Produkt B, 120, 140, 20, Produkt C, 90, 90, 0 Was geht dabei verloren? Alles, was für uns Menschen den Kontext gibt: Die visuelle Struktur: Die KI weiß nicht, dass "150" in Spalte C steht und zum "Produkt A" aus Spalte A gehört. Es ist nur ein Wort in einer langen Kette. Die Bedeutung der Spalten: Ohne explizite Anweisung ist "Umsatz Q2" nur eine Zeichenfolge, keine Kennzahl mit einer bestimmten Bedeutung. Logische Zusammenhänge: Die Beziehung zwischen verschiedenen Zeilen oder die Logik einer Berechnung existiert in diesem reinen Text-Format nicht mehr. Man nennt dieses Problem den "Dimensionality Mismatch" : Ein zweidimensionales Werkzeug (deine Tabelle) trifft auf ein eindimensionales System, das nur Textsequenzen versteht (das Sprachmodell). Dazu kommt eine zweite, entscheidende Schwäche: LLMs sind Sprachkünstler, keine Mathematiker. Sie sind darauf trainiert, die wahrscheinlichsten nächsten Token vorherzusagen, nicht, präzise zu rechnen. Eine einfache Summe mag oft klappen, aber komplexe Berechnungen sind eher geraten als exakt kalkuliert. Die direkten Folgen sind die Fehler, die du kennst: Kontextverlust: Die KI weiß nicht mehr, welcher Wert zu welcher Spalte gehört. Falsche Berechnungen: Die KI "schätzt" nur, statt exakt zu rechnen. Halluzinierte Daten: Die KI erfindet Werte, die nicht existieren. Die Lösung: 3 Schritte für bessere Ergebnisse Wie lösen wir das Problem? Immerhin bleibt Excel-Auswertung ein Aufgabenfeld, in dem wir täglich viel Zeit verbringen. Der Schlüssel liegt darin, dem Modell den Kontext zu geben, den es verliert, und es die richtigen Werkzeuge nutzen zu lassen. Schritt 1: Bereite deine Daten vor (Das Fundament) Der Grundsatz "Müll rein, Müll raus" gilt hier zu 100%. Bevor du überhaupt an die KI denkst, musst du deine Daten "LLM-freundlich" machen. Struktur schaffen: Entferne konsequent alles, was die tabellarische Logik stört: verbundene Zellen, mehrzeilige Überschriften, leere Zeilen. Klarheit herstellen: Gib jeder Spalte einen eindeutigen, selbsterklärenden Namen (z.B. Umsatz_in_EUR statt Ums.). Das ist die wichtigste Information, die du der KI für den Kontext geben kannst. Als CSV exportieren: Kopiere Daten nicht einfach. Der Export als CSV-Datei ist die sauberste Methode, da die Struktur am zuverlässigsten in ein Textformat übersetzt wird, das die KI lesen kann. Markdown funktioniert noch besser. Schritt 2: Gib präzise Anweisungen (Das Briefing) "Analysiere diese Datei" oder "Gib mir alle Insights aus diesen Kampagnen-Daten" wird nie zum Ziel führen. Wir müssen spezifischer in unseren Anweisungen sein: Der Kontext: Was ist das für eine Datei? "Ich habe eine CSV-Datei mit Kundendaten hochgeladen." Das Ziel: Was soll am Ende herauskommen? "Ich möchte die Top-3-Länder nach Gesamtumsatz ermitteln." Die Details: Welche Spalten sind dafür relevant? "Nutze dafür die Spalten 'Land' und 'Gesamtumsatz'." Bonus Tipp: Prompte zum Start "Lies die hochgeladene CSV-Datei ein und zeige mir die ersten 3 Zeilen sowie eine Liste aller Spaltennamen an." Wenn hier schon etwas falsch ist (z.B. Spalten falsch getrennt), weißt du sofort, dass du bei der Datenvorbereitung nachbessern musst. Schritt 3: Nutze den Code Interpreter / Data Analyst LLMs können nicht rechnen. ChatGPT, Copilot, Gemini und Co. geben den LLMs aus diesem Grund ein Werkzeug an die Hand, das einen Python-Code schreibt, um die Rechenoperation auszuführen. Wie funktioniert das? Du gibst eine Anweisung: "Erstelle mir ein Balkendiagramm der Umsätze pro Quartal." Die KI schreibt Code: Das LLM übersetzt deine Anweisung in präzisen Python-Code. Der Code wird ausgeführt: Dieser Code wird in einer sicheren "Sandbox" ausgeführt. Das Ergebnis wird angezeigt: Das Resultat des Codes (Zahl, Tabelle, Diagramm) wird dir im Chat angezeigt. Indem du die KI anweist, den Code Interpreter zu nutzen, verlagerst du die Arbeit von der unzuverlässigen "Sprach-Schätzung" zur "Code-Ausführung". Wichtig : Auch der Code Interpreter kann Fehler machen, indem er einen falschen Code schreibt, der zu falschen Ergebnissen führt. Außerdem gibt es Zeitlimits, die die Ausführung komplexer Berechnungen oft blockieren. Ausblick: Was erwartet uns im Excel-KI-Markt? Die Entwicklung im Markt für tabellenbasierte KI-Verarbeitung geht jetzt erst richtig los. Auch hier sind KI-Agenten ein Weg, um die Komplexität des mehrschrittigen Aufgabenprozesses mit KI-Fähigkeiten zu bewältigen. Es gibt eine Reihe an Unternehmen, die antreten, um dieses Problem zu lösen: Google : Mit der Integration von Gemini in Google Colab baut Google einen Data Science KI-Agenten, der mit einem eigenen Jupyter Notebook arbeitet (nutzen sonst nur Data Scientists oder Programmierer). Microsoft : Mit dem Analyst Agent und der Copilot Excel-Funktion hat Microsoft in den letzten Monaten gleich zwei Funktionen herausgebracht, die die Verarbeitung und Erstellung von Tabellen vereinfacht. Shortcut : Integriert sich nahtlos in Excel, übernimmt typische Aufgaben der Tabellenverarbeitung per Prompt in einer Chat-Leiste und automatisiert komplexe Analysen und Datenrecherchen. Endex : Eine von OpenAI finanzierte Lösung, die speziell für Finanzexperten entwickelt wurde und direkt in Microsoft Excel eingebettet ist, eigenständig strukturierte Analysen sowie Berichte erstellt. Paradigm : Paradigm ersetzt klassische Excel-Formeln, indem es pro Tabelle hunderte autonome KI-Agenten einsetzt, die routinemäßige Berechnungen und individuelle Arbeitslogik automatisieren. Wie mit allen KI-Agenten, sind auch diese Tools bisher nicht unfehlbar, benötigen genaue Anweisungen und menschliche Ergebniskontrolle. Aber der Weg ist klar: Wir werden in Zukunft deutlich weniger Zeit mit der Erstellung und Auswertung von Tabellen verbringen. 🏁 Fazit Die Frustration bei der Analyse von Tabellen mit KI ist verständlich. Aber sie basiert nicht auf einem Versagen der KI, sondern auf einem Missverständnis ihrer Natur. Ein LLM ist ein Sprachkünstler, kein Mathematiker. Sobald wir das verstanden haben und aufhören, es zum Rechnen zu zwingen, können wir seine wahre Stärke nutzen: als Übersetzer unserer Absichten in Code. Key Takeaways: KI "sieht" keine Tabellen: Sie linearisiert Daten zu Text, wodurch die Struktur verloren geht (Dimensionality Mismatch). Nutze den Code Interpreter: Zwinge die KI nicht, selbst zu rechnen. Lass sie Code schreiben, der die Berechnung für dich erledigt. Das ist der entscheidende Hebel. Vorbereitung ist alles: Saubere Daten und präzise Prompts sind 90% des Erfolgs. Müll rein, Müll raus. Das Rennen hat erst begonnen: Viele Start Ups sowie Google und Microsoft arbeiten an KI-Agenten, die die Auswertung und Erstellung von Tabellen weiter vereinfachen werden. Viel Spaß und Erfolg bei der Anwendung der Tipps und beim Testen der Tools! Bis nächsten Sonntag, Felix
## 5 Prinzipien für erfolgreiche GenAI-Projekte
URL: https://ai-first.ai/insights/5-prinzipien-fuer-erfolgreiche-genai-projekte
Kategorie: Adoption
Untertitel: Pragmatismus statt Moonshots:
Herzlich Willkommen zu den AI FIRST Insights! Ein aktueller Bericht des MIT schlägt hohe Wellen: Angeblich erzielen 95% der Unternehmen keinen positiven Return on Investment aus ihren GenAI-Initiativen. Meine erste Reaktion? Ein kurzes Schmunzeln. Nicht wegen der dramatischen Zahl, sondern weil die Studien-Grundlage mit 52 befragten Organisationen und 153 befragten Führungskräften doch eher überschaubar ist. Meine zweite Reaktion: Die Zahl wundert mich überhaupt nicht. Im Gegenteil, sie ist die logische Konsequenz des Vorgehens, das ich bei den meisten Unternehmen am Markt beobachte. Das Scheitern liegt nicht an der Technologie. Es liegt am Ansatz . In dieser Ausgabe zeige ich dir die fünf pragmatischen Prinzipien, mit denen du GenAI nachhaltig und erfolgreich in deinem Unternehmen verankerst und eben nicht zu den 95% gehörst. Los geht's! Bringe dein Unternehmen erfolgreich in die KI-Ära Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen. Ab September öffenen wir das AI Collective für weitere Mitglieder, die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren Warum 95% scheitern MÜSSEN Das wirklich Interessante an der 95%-Zahl ist nicht die Zahl selbst, sondern das "Warum". Und wenn man sich die Gründe im Report anschaut, zeichnet sich ein Muster ab, das mir aus meiner täglichen Arbeit nur allzu bekannt vorkommt. Es ist im Grunde ein klassisches Drehbuch mit fünf Akten, das fast zwangsläufig zum Scheitern führt. Alles beginnt meistens in einem Meetingraum, in dem die falsche Frage gestellt wird. Statt "Welches unserer dringendsten Probleme können wir mit KI lösen?" heißt es "Wir müssen jetzt auch was mit KI machen!". Der Report bestätigt: Es werden Initiativen ohne klare, strategische Ziele gestartet. Das ist der erste Dominostein, der fällt. Wenn das strategische "Warum" fehlt, was ist die logische Konsequenz? Man stürzt sich auf das, was am einfachsten messbar und am sichtbarsten ist. Der Bericht zeigt, dass deswegen rund 70% der Budgets in den Fokusbereich Sales & Marketing fließen. Man sürzt sich auf die beeindrucken Demo's von Sales und Marketing Agenten, während die wirklich großen (oft langweiligen) Hebel im Back-Office weniger Beachtung finden. Gleichzeitig positionieren sich interne Innovationsabteilungen oder die IT mit einem "Do-it-yourself"-Ansatz . Man ist überzeugt, es selbst am besten zu können und beginnt, eigene Lösungen zu entwickeln . Dabei belegt der Report eindeutig, dass dieser Weg am häufigsten scheitert und externe Partnerschaften doppelt so erfolgreich sind. Der Markt für KI entwickelt sich so rasant, dass interne Teams kaum eine Chance haben, Schritt zu halten. Außerdem fehlen oft die zeitlichen Ressourcen und Kompetenzen, um produktionsreife Produkte zu entwickeln. Stell dir nun vor, eine solche Lösung wird am grünen Tisch entwickelt, meist als reines IT-Projekt ohne echte Verantwortung in der Fachabteilung . Sie wird am Ende über den Zaun geworfen, passt aber nicht in die gelebten Prozesse der Mitarbeiter. Das Ergebnis ist vorhersehbar: Ablehnung und Frustration . Der letzte Akt in diesem Drama ist dann der massiv unterschätzte Change-Prozess . Man glaubt, mit einer zweistündigen Schulung sei es getan. Aber die Einführung eines KI-Tools bedeutet die Veränderung von jahrelang etablierten Gewohnheiten. Wenn dieser menschliche Faktor ignoriert wird, bleibt selbst die beste Software ungenutzt. Diese fünf Punkte sind keine isolierten Fehler. Sie sind ein Domino-Effekt, der fast garantiert, dass am Ende kein messbarer Mehrwert entsteht. Dies gilt übrigens nicht nur für GenAI, sondern würde bei jeder anderen Technologie ganz genauso verlaufen. 95% fehlgeschlagene GenAI Initiativen sind bei diesem Vorgehen also keine Überraschung. Sie sind das logische Resultat. Doch es geht auch anders. 5 Prinzipien, um zu den 5% zu gehören Wenn die meisten also scheitern, weil sie kopflos der Technologie nachjagen, wie sieht der Gegenentwurf aus? Es ist kein Geheimnis, sondern eine Rückbesinnung auf das, was schon immer funktioniert hat: Pragmatismus und ein klarer Fokus auf das eigentliche Problem. Diese 5 Prinzipien haben mir dabei geholfen, GenAI in dutzenden Unternehmen in die produktive Nutzung zu bringen: 1. GenAI-Fähigkeiten gezielt auf Probleme anwenden Auch ich stand schon mit meinen Mitarbeitern vor einem Whiteboard und habe in einer wilden Post-It-Session nach Ideen gesucht, wofür man denn LLMs und Co. einsetzen könnte. Aber so funktioniert das nicht. Klarheit über die passenden Anwendungsfällen hatten wir erst, als wir systematisch unsere Prozesse, Aufgaben und Probleme dokumentiert haben. Daher mein Tipp: Starte bei den "Jobs to be Done" , den Aufgaben, die in deinen Fachbereichen erledigt werden müssen. Wo sind die Flaschenhälse, wo die größten Schmerzen? Erst wenn du das Problem glasklar vor dir hast, prüfst du, wo die konkreten Fähigkeiten von GenAI sinnvoll eingesetzt werden können. Und ob überhaupt GenAI notwendig ist. Wir starten die Umsetzung immer in bewährten Feldern mit hohem Potenzial : Content-Erstellung im Marketing Automatisierung einfacher Anfragen im Customer Support Beschleunigung von Routine-Aufgaben im Coding Intelligentes Durchsuchen von Dokumenten Transkription & Verarbeitung von Meetings → Für all diese Anwendungsfelder gibt es Enterprise-Ready Standardlösungen, die du sofort nutzen kannst. 2. Erweiterung vor Automatisierung Ich sehe viele KI-Projekte scheitern, weil sie direkt den großen "Moonshot" der Vollautomatisierung anstreben: "Der Sales Agent, der automatisch den Kalender der Account Executives füllt" "Der Support Agent, der automatisch alle Anfragen bearbeitet" "Der Coding Agent, der neue Features entwickelt" Das funktioniert nicht, weil Daten + Systeme + Prozesse + Kultur + KI-Lösungen nicht bereit sind. Das gilt insbesondere für Mittelständler und Corporates mit langjähriger Legacy. Für Start-Ups sieht es oft anders aus, weil sie interne Strukturen schneller umstellen können. (Die Werbung hat anscheinend funktioniert...) Ich starte immer mit der Erweiterung von Mitarbeitern, statt zu versuchen, den Prozesse komplett mit KI zu automatisieren. Dafür identifiziere ich zeitaufwändige, monotone Aufgaben und setze KI als Assistenten ein , der diese Aufgaben beschleunigt. Ich trainiere das Team umfangreich, um diese Assistenten produktiv in ihrem Arbeitsalltag einzusetzen. Im Schnitt sehen wir nach 2-3 Monaten einen Produktivitätsanstieg von 10% über alle Menschen, die im Training waren und am PC arbeiten. So baust du schrittweise Vertrauen und Kompetenzen im Team auf . Außerdem lernst du auf diesem Weg, welche Daten und Prozesse erforderlich sind, um GenAI maximal produktiv zu nutzen. Wenn dieses Fundament steht und die Akzeptanz im Team da ist, kannst du den Automatisierungsgrad sukzessive und gezielt erhöhen . 3. Mit dem anfangen, was da ist GenAI ist eine Evolution. Keine Revolution. Organisation sind schnell überfordert, wenn sämtliche Prozesse, Systeme und Job-Profile neu gedacht werden müssen. Diese Veränderung benötigt Zeit. Ich verzichte lieber auf die beeindruckende Demo des Multi-Agenten-Systems, was in der realen Welt des Unternehmens mit eingeschwungenen Prozessen, Routinen und Legacy-Systemen nicht funktionieren wird. Stattdessen setze ich auf konsequente Umsetzung dessen, was da ist und funktioniert. Ich starte damit, die Systeme, Daten und Menschen zu heben, die heute da sind. Ich stelle mir vier simple Fragen, um einen Startpunkt zu finden: Wo habe ich einen klaren Business Need? Wo gibt es bereits dokumentierte Standardabläufe? Wo liegen zugängliche Daten (notfalls per Export)? Wo sind ambitionierte Kollegen, die Lust auf die Umsetzung haben? Für einige mag das vielleicht unambitioniert erscheinen, aber es funktioniert. Das unterscheidet die 5% von den 95%. 4. Das Rad nicht neu erfinden (oder selbst bauen) Ich predige es schon lange: Baue niemals ein eigenes FirmenGPT. Selbstgebaute KI-Plattformen werden reihenweise zurückgerollt, weil sie keine Chance haben mit dem Markt mitzuhalten und aufgrund unterlegener Features nicht von den Mitarbeitern genutzt werden. ChatGPT ist immer die Benchmark. Wer seinen Teams ein deutlich schwächeres Tool bereitstellt, kann nicht mit hoher Nutzung und daraus resultierenden Mehrwerten rechnen. Das gilt auch für vertikale Use Cases im Sales, Support, Backoffice und Co. Anstatt 10-20 Personen aus dem ohnehin überlasteten IT und Engineering Team für eigene KI-Lösungen und -Plattformen abzuziehen, kannst du mit etablierten Start-Ups zusammenarbeiten, die dir ein KI-Betriebssystem für dein Unternehmen liefern, auf dem du niedrigschwellig die ersten Use Cases umsetzen und die breite Adaption vorantreiben kannst. Wir erzielen nach wenigen Monaten regelmäßig 50-70% tägliche Nutzungsraten aller PC-Mitarbeiter. Das geht aber nur mit einem anständigen Werkzeug. 5. Zentral befähigen, dezentral umsetzen Wenn Technologieprojekte am Fachbereich vorbei entwickelt werden, scheitern sie an der Realität. Viel Zeit wurde in die Entwicklung von Produkten investiert, die am Ende niemand nutzt. Been there, done that. Heute bauen wir zentrale Standards auf, um die dezentrale Umsetzung zu ermöglichen. Dazu gehören zum Beispiel: Gemeinsames Leitbild und Richtlinie KI-Plattform & Tools Use Case Scorecard KI-Champions als Multiplikatoren KI-Spezialisten (In- und/oder Extern) Diese Standards und Ressourcen können von allen Fachbereichen genutzt werden, um KI Use Cases zu identifizieren, zu bewerten und in die Umsetzung zu bringen. Die Verantwortung dafür liegt jedoch in den Fachbereichen. So stellst du sicher, dass KI zur Lösung echter Business-Probleme beiträgt und nicht als Projekt aus dem Elfenbeinturm verpufft. 🏁 Fazit Die 95%-Zahl des MIT-Reports ist für mich keine Schreckensmeldung, sondern eine Bestätigung: Wer GenAI wie ein klassisches IT-Projekt angeht und dem Hype hinterherläuft, wird scheitern. Es ist das erwartbare Ergebnis eines falschen Ansatzes. Der Erfolg liegt nicht in der neuesten Technologie oder dem größten Budget, sondern in der Rückbesinnung auf unternehmerischen Pragmatismus. Es geht darum, echte Probleme zu lösen, die eigenen Mitarbeiter schrittweise zu befähigen und mit dem zu starten, was heute schon da ist. Wenn du diesen Weg wählst, wirst du erfolgreich sein. Egal mit welcher Technologie. Key Takeaways: Erweiterung vor Automatisierung: Starte damit, deine Mitarbeiter bei monotonen Aufgaben zu unterstützen, anstatt direkt die Vollautomatisierung anzustreben. Problem > Technologie: Beginne immer bei einem klaren Business-Problem, nicht bei der technischen Möglichkeit. Starte mit dem, was da ist: Warte nicht auf die perfekte Infrastruktur. Nutze die vorhandenen Systeme, Daten und motivierten Mitarbeiter. Baue kein eigenes FirmenGPT: Nutze etablierte Plattformen, anstatt zu versuchen, mit dem Markt mitzuhalten. Zentral befähigen, dezentral umsetzen: Gib die Leitplanken zentral vor, aber lege die Verantwortung für die Umsetzung in die Fachbereiche. Abschließend möchte ich auch anmerken, dass es Zeit erfordert, bis sich die höhere Produktivität der Mitarbeiter oder Effizienzgewinne auf die P&L auswirken. Dafür müssen neben höheren Umsätzen auch Anpassungen in der Headcount-Planung vorgenommen werden. Nur so können die Mehrwerte am Ende auch realisiert werden. Die entscheidende Frage, die du dir stellen solltest: Verfolgt unsere aktuelle KI-Strategie das Ziel , ein Problem zu lösen oder eine Technologie einzuführen? Bis nächsten Sonntag, Felix P.S. Im AI Collective geben wir unser gesamtes Playbook raus, um GenAI in die breite, produktive Nutzung zu bringen. Mit allen Anleitungen, Templates und Tools. Wir haben noch ein paar wenige Plätze für den Start im September und Oktober verfügbar. Hier erfährst du alles weitere und kannst dich bewerben.
## Wie Du Systemanweisungen für KI-Agenten schreibst
URL: https://ai-first.ai/insights/wie-du-systemanweisungen-fuer-ki-agenten-schreibst
Kategorie: Lab
Untertitel: Lerne die Patterns für Agenten-Prompts von den besten KI-Agenten der Welt
Herzlich Willkommen zu den AI FIRST Insights! Stell dir vor, du stellst einen neuen Mitarbeiter ein, gibst ihm aber keine klare Aufgabenbeschreibung. Welche Ergebnisse erwartest du? Wahrscheinlich keine besonders guten. Ein ähnliches Bild sehe ich oft in der Arbeit mit KI-Agenten. Unternehmen nutzen leistungsstarke Technologie , aber wundern sich, warum die Ergebnisse häufig generisch oder unkonkret bleiben. Die Ursache liegt meist nicht am KI-Modell selbst, sondern an einem entscheidenden, aber häufig unterschätzten Faktor: der Systemanweisung (System Prompt) . Der Systemprompt definiert, welche Rolle die KI einnimmt, welche Fähigkeiten sie nutzen und nach welchen Prinzipien sie handeln soll. Eine gute Systemanweisung ist der Hebel, um von einer allgemeinen Anwendung zu einem spezialisierten Assistenten zu kommen, der konkrete Mehrwerte schafft. In diesem Newsletter zeige ich dir mein Best Practice für KI-Agenten-Systemprompts. Los geht's! Bringe dein Unternehmen erfolgreich in die KI-Ära Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen. Ab September öffenen wir das AI Collective für weitere Mitglieder, die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren Das größte Missverständnis bei KI-Agenten Einer der Hauptgründe, warum die Ergebnisse von KI-Agenten oft enttäuschen, ist eine falsche Erwartungshaltung . Wir neigen dazu, sie wie menschliche Experten zu behandeln, die den Kontext vollständig verstehen und eigenständig komplexe Probleme lösen können. Die Realität sieht aber anders aus. Die folgende " Skill-Pyramide " veranschaulicht das sehr gut: Viele Nutzer erwarten, dass ein KI-Agent auf "Level 5: Superstar" agiert – also selbstständig das richtige Problem identifiziert und es löst. Tatsächlich befinden sich die meisten aktuellen KI-Systeme aber auf "Level 2: Task Monkey" . Das bedeutet, sie sind darauf angewiesen, extrem genaue Anweisungen zu erhalten. Man muss ihnen präzise sagen: WAS sie tun sollen WIE sie es tun sollen WANN sie es tun sollen Genau hier liegt die Krux: Weil das "Was" und insbesondere das "Wie" in vielen Systemanweisungen zu kurz kommen , liefern die Agenten inkonsistente und oft unbrauchbare Ergebnisse. Die gute Nachricht ist: Mit einer sehr spezifischen, detaillierten und gut strukturierten Systemanweisung können wir genau das ändern. Wir geben dem "Task Monkey" eine perfekte Schritt-für-Schritt-Anleitung, die ihm hilft, seine Aufgabe immer wieder auf die gleiche, qualitativ hochwertige Weise zu erledigen. Das ist die Grundlage für Verlässlichkeit und echten Mehrwert. Von den Besten lernen: Wie Manus, Cursor & Co. ihre Agenten-Prompts schreiben Gute Systemanweisungen sind kein Hexenwerk, sondern ein Handwerk. Ich habe mir dieses Handwerk von den Unternehmen abgeschaut, die die erfolgreichsten KI-Agenten auf dem Markt haben. Schritt 1: Die Goldgrube finden – Die besten System-Prompts als Vorlage Die Systemanweisungen der erfolgreichsten KI-Agenten der Welt sind oft öffentlich. Ich habe mir die Prompts von Top-Tools wie "Cursor" oder "Manus" aus einem zentralen GitHub-Repository als Vorlage genommen. Hier findest du das Repository mit den Systemprompts. Schritt 2: Die Mustererkennung – Analyse mit Google Gemini Diese Sammlung an Prompts habe ich in Google Gemini analysiert. Dank des riesigen Kontextfensters konnte Gemini die Struktur, den Stil und die Qualitätsmerkmale all dieser Anweisungen auf einmal auswerten und die gemeinsamen Muster identifizieren. (Dieser Input-Prompt war über 100 DIN A4 Seiten lang) Schritt 3: Die Adaption – Vom Produkt-Prompt zum Prozess-Template Geminis Analyse war die Basis. Da sich Produkt-Prompts nicht 1:1 für interne Prozesse eignen, habe ich die Ergebnisse mit meinen Praxiserfahrungen kombiniert. So entstand ein flexibles Template, das ich für die Entwicklung neuer, interner KI-Agenten nutze. Das universelle Template für wirksame Systemprompts Mein Template gliedert eine Systemanweisung in logische Bausteine, die einem KI-Agenten Klarheit und Orientierung geben. Hier ist der Aufbau im Überblick. Die komplette Vorlage mit allen Details kannst du dir am Ende des Abschnitts herunterladen. 1) Role and Personality Hier legen wir die grundlegende Identität des Agenten fest. Ist er ein kreativer Texter oder ein analytischer Controller? Das bestimmt den Tonfall, die Wortwahl und das gesamte Verhalten. Es ist die Antwort auf die Frage: "Wer bist du?" 2) Main Goal and Working Style Dieser Abschnitt definiert das übergeordnete Ziel und die Arbeitsweise. Was ist die eine, wichtigste Aufgabe des Agenten und wie soll er sie angehen? Systematisch, kreativ, datengetrieben oder besonders schnell? Das sorgt für Fokus. 3) Context Keine Aufgabe existiert im luftleeren Raum. Hier geben wir dem Agenten den nötigen Hintergrund: In welchem Unternehmen oder Team agiert er? Für welche Zielgruppe arbeitet er? Was sind die Details des konkreten Projekts? 4) General Rules Das sind die unumstößlichen Grundregeln, die immer gelten. Hier definieren wir Prinzipien für die Kommunikation, den Umgang mit Daten und wie der Agent mit Fehlern oder Wissenslücken umgehen soll. 5) Specific Guidelines Während die "General Rules" das Fundament sind, definieren wir hier Anweisungen für wiederkehrende, spezifische Aufgaben. Zum Beispiel, wie Texte formatiert oder Dateien benannt werden sollen. Das sichert konsistente Ergebnisse. 6) Tools Ein Agent ist nur so gut wie seine Werkzeuge. In diesem Bereich beschreiben wir exakt, welche "Tools" (z.B. eine Internet-Suche oder der Zugriff auf interne Kalender) dem Agenten zur Verfügung stehen, was sie tun und wann er sie einsetzen soll. 7) Response Format Um vorhersagbare und weiterverarbeitbare Ergebnisse zu bekommen, müssen wir das Ausgabeformat genau definieren. Soll die Antwort eine E-Mail, eine Markdown-Tabelle oder ein JSON-Objekt sein? Das legen wir hier fest. 8) Examples KI-Modelle lernen extrem gut durch Beispiele. Hier geben wir konkrete "Gut-Beispiele" für eine komplette Interaktion – von der Nutzeranfrage bis zur perfekten Antwort des Agenten. Das ist eine der wirksamsten Methoden, um das gewünschte Verhalten zu trainieren. 9) Metacognition and Planning Für komplexe Aufgaben ist es hilfreich, wenn der Agent über seine eigene Arbeit "nachdenken" kann. Hier geben wir ihm Anweisungen, wie er Aufgaben planen, in Schritte zerlegen und die Qualität seiner eigenen Ergebnisse bewerten soll. Noch ein Wort zur Formatierung: Dir sind sicher die spitzen Klammern aufgefallen, wie z.B. <Role_and_Personality> . Das ist kein Zufall. Dieses Format, ähnlich wie XML, schafft für die KI absolut unmissverständliche, abgegrenzte Blöcke. So weiß das Modell genau, wo ein Abschnitt anfängt und wo er aufhört. Alternativ funktioniert auch Markdown (z.B. mit ## Überschriften ), aber meine Erfahrung zeigt: Bei sehr langen und komplexen Anweisungen sind die XML-Tags oft robuster, da sie Verwechslungen vermeiden und die Struktur klarer wahren. Wie du das Template anwendest: 2 Wege Wie kommst du nun vom leeren Template zum fertigen System-Prompt? Weg 1: Der schnelle Dialog: Kopiere das Template in einen Chatbot (Claude, GPT, Gemini) und bitte ihn: *"Führe mich Schritt für Schritt durch dieses Template, um einen neuen Agenten zu bauen."* Du beantwortest die Fragen, die KI füllt die Vorlage aus. Weg 2: Der nachhaltige Assistent: Baue dir einen eigenen "Agent-Builder" (z.B. als Custom GPT oder Gemini Gem). Hinterlege das Template in dessen Systemanweisung mit dem Auftrag, dir immer wieder bei der Erstellung neuer Agenten zu helfen. Das spart dir das ständige Kopieren. KI-Agenten Do's & Don'ts aus der Praxis Do's: Eine klar abgegrenzte Aufgabe: Ein Agent sollte für *eine* Sache richtig gut sein, nicht für fünf verschiedene. Eindeutige, detaillierte Prozessbeschreibung: Beschreibe exakt, was der Agent tun soll. Je weniger Interpretationsspielraum, desto besser. Sauber definiertes Output-Format: Gib genau vor, wie das Ergebnis aussehen soll (z.B. Tabelle, JSON, E-Mail). Das sichert konsistente, nutzbare Resultate. Zugriff auf gute Daten: Gib dem Agenten Zugriff auf eine saubere, relevante Wissensbasis und vermeide zu viele unnötige Systemzugriffe. Human in the Loop: Plane immer einen Menschen für die finale Prüfung und Freigabe ein. Don'ts: Mehrere Aufgaben pro Agent: Vermeide eierlegende Wollmilchsäue. Ein Agent, der alles können soll, kann am Ende nichts richtig gut. Mehrdeutige Anweisungen: Unklare Formulierungen führen zu unvorhersehbaren Ergebnissen. Sei so explizit wie möglich. Unklare Zieldefinition: Wenn der Agent das Ziel nicht kennt, kann er es auch nicht erreichen. Verarbeitung formatierter Dateien: Gib dem Agenten rohe Textdaten. Die Verarbeitung von komplex formatierten Dateien (wie PDFs oder Powerpoint) ist fehleranfällig. Zu hoher Autonomiegrad: Gib dem Agenten keine völlige Autonomie. KI-Agenten machen Fehler und benötigen menschliche Aufsicht. 🏁 Fazit Die Qualität deiner KI-Ergebnisse ist kein Zufall, sondern das direkte Resultat der Klarheit und Struktur deiner Anweisungen. Key Takeaways: Erwartungen anpassen: Heutige KI-Agenten sind "Task Monkeys", die für zuverlässige Ergebnisse extrem detaillierte Anweisungen benötigen. Die Systemanweisung ist der Hebel: Sie ist die entscheidende Anleitung, die die Ergebnisqualität direkt und am stärksten beeinflusst. Von den Besten lernen: Analysiere die System-Prompts erfolgreicher Agenten, um deren bewährte Struktur zu adaptieren. Struktur ist entscheidend: Ein Template sorgt für vollständige Anweisungen, weil es dich zwingt, alle wichtigen Aspekte zu durchdenken. Fokus auf eine Aufgabe: Baue Agenten für spezifische, klar abgegrenzte Aufgaben statt eines All-in-One-Tools. Was hast du bei der Erstellung von KI-Agenten gelernt? Bis nächsten Sonntag, Felix P.S. Im AI Collective legen wir diese Themen eine Ebene tiefer, unter anderem mit konkreten "How to"-Videos und Anleitungen zur Erstellung von Agenten. Wir haben noch ein paar wenige Plätze für den Start im September und Oktober verfügbar. Hier erfährst du alles weitere und kannst dich bewerben.
## GPT-5 Deep Dive
URL: https://ai-first.ai/insights/gpt-5-deep-dive
Kategorie: Horizont
Untertitel: Test der Fähigkeiten an 10 konkreten Use Cases
Herzlich Willkommen zu den AI FIRST Insights! OpenAI hat das lang erwartete Frontier-Modell GPT-5 veröffentlicht und die Community hat heiß diskutiert. Von Enttäuschung bis "Game Changer" waren wie immer alle Meinungen vertreten. Ich gehe bei neuen Modell-Releases anders vor. Anstatt mir die technischen Specs oder Demos anzuschauen, lasse ich Modell durch typische Use Cases im Alltag sowie meine KI-Assistenten & -Agenten laufen und vergleiche die Ergebnisse miteinander. Mit diesem Vorgehen kommst du viel schneller in eine produktive Bewertung und kannst das Modell dann dort anwenden, wo es dich wirklich weiterbringt. Für diese Aufgabe habe ich GPT-5 durch 10 Use Cases laufen lassen und teile die Ergebnisse mit dir. Los geht's! Bringe dein Unternehmen erfolgreich in die KI-Ära Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen. Ab September öffenen wir das AI Collective für weitere Mitglieder, die die KI-Transformation in ihrem Unternehmen vorantreiben. Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung. Mehr über das AI Collective erfahren #1: Wettbewerbsrecherche und Analyse Ich wollte testen, ob GPT-5 mit Deep Research mehr Quellen durchsucht und / oder umfangreiche Ergebnisse produziert. Das Ergebnis Kein besonderer Unterschied zur Recherche mit o3, sowohl in Umfang der Quellen als auch im Umfang der Ergebnisse. Deep Research mit Gemini 2.5 Pro bleibt in Recherchen für mich weiterhin an der Spitze. #2: Authentischen Text im Tone of Voice schreiben Das Schreiben menschlicher Texte in einem vorgegebenen Tone of Voice war bisher eher eine Schwäched er OpenAI-Modelle. GPT-5 hat die Anweisung bekommen, einen Newsletter zu GPT-5 in meinem ToV zu schreiben, den ich detailliert in einem 20-seitigen Doc beschrieben habe. Ergebnis Solide Resultate, insbesondere in der Struktur, zB "Herzlich Willkommen z den AI FIRST Insights!", "Los geht's" oder das "Fazit" wurden zu 100% korrekt übernommen. Einige Formatvorgaben wie "nutze Bullet Points bei Aufzählungen" wurden jedoch zu exzessiv genutzt. In dieser Kategorie bleibt GPT-5 dem Claude 4 Sonnet Modell unterlegen. #3: Informationssynthese aus verschiedenen Dokumenten In diesem Test wollte ich verstehen, wie GPT-5 mit der Verarbeitung von Informationen aus verschiedenen Dokumenten umgeht. Ergebnis GPT-5 hat alle 4 PDFs verarbeitet und in den Ergebnissen korrekt zitiert. Das größte Dokument wurde am häufigsten zitiert. Insgesamt bin ich mit dem Ergebnis zufrieden, erkenne jedoch keinen Unterschied zu anderen Reasoning-LLMs. #4: Kundensegmentierung basierend auf csv-Datei GPT-5 hat eine csv-Datei mit 200 Transaktionen erhalten und sollte daraus Kunden-Segmente ableiten. Außerdem wollte ich testen, inwiefern GPT-5 bei den Maßnahmen-Empfehlungen halluziniert, weil es für diese Aufgabe nicht ausreichend Informationen hatte. Ergebnis Die abgeleiteten Segmente und Herleitung war anhand der wenigen zur Verfügung stehenden Informationen sinnvoll. Außerdem hat GPT-5 zur Maßnahmen-Herleitung weiterführende Analysen vorgeschlagen und keine zufälligen Empfehlungen ausgesprochen. Die Tabellenauswertung von ChatGPT war nach meiner Empfindung schon immer die Beste und funktioniert auch in GPT-5 sehr gut. Mir ist aufgefallen, dass der Analyse-Prozess in mehrere Unterschritte runtergebrochen wird und trotzdem schneller abläuft als in vorherigen Modellen. #5: Auswertung von Kundenfeedback Im 2. Datenanalyse-Test wollte ich Kundenfeedback anhand eine Customer Satisfaction Scores und Freitext-Feedback auswerten lassen. Diesen Test habe ich bereits dutzende Mal mit verschiedenen LLMs und Agenten durchgeführt und kann die Ergebnisse daher gut vergleichen. Ergebnis Die gelieferten Antworten waren korrekt. Die Stärken wurden leicht ausgeführt, die Schwächen jedoch nicht. Die Handlungsempfehlungen waren als 1. Orientierung ausreichend. Spätestens bei diesem Test ist mir jedoch aufgefallen, wie kurz sich GPT-5 bei Antworten hält, bei denen deutlich mehr Kontext hätte gegeben werden können. #6: Erstellung einer Lern-Website Im Canvas-Modus bietet ChatGPT die Möglichkeit einer Code Vorschau. Ich wollte die Coding-Fähigkeiten testen und habe die Aufgabe der Erstellung einer Lernwebsite gegeben. Die gleiche Aufgabe habe ich vor wenigen Wochen mit bolt.new bearbeitet (spezialisiertes AI Coding Tool) und konnte die Ergebnisse daher gut vergleichen. Ergebnis Zum ersten Mal hatte ich mit GPT-5 einen kleinen Wow-Moment. Ich habe in wenigen Sekunden die Seiten-Struktur, Module, Inhalte hinter dem Modul, Quizzes, Fortschrittsanzeigen etc. erhalten. Mit einem Prompt. Mit AI Coding Tools waren oft mehrere Prompts notwendig, um zu dem Arbeitsstand zu kommen. Das setzt die Einstiegshürde für Prototyping noch einmal deutlich niedriger! #7: Erstellung von PowerPoint-Folien zur Einführung von KI in Unternehmen Beeindruckt von den Coding-Fähigkeiten von GPT-5 wollte ich jetzt wissen, ob auch das Problem der Folienerstellung lösbar ist. Als Komplexität habe ich eingebaut, dass das Modell vorab die Design-Sprache unserer Website identifizieren und auf die Folien anwenden soll. Ergebnis Sieh selbst :) GPT-5 schreibt zwar einen Code, der eine PPT-Datei generiert, aber kann weiterhin nicht ausreichend auf die Formattierung zugreifen. #8: Multimodale Datenauswertung (Text, Bild, Video, Audio) Die Fähigkeit von LLMs, nicht nur Texte, sondern auch Bilder, Videos, Audio oder Code auswerten zu können, ist für mich weiterhin eines der spannendsten Entwicklungsfelder, weil mit jedem neuen Datentyp eine große Anzahl neuer Use Cases freigeschalten wird. Ich wollte verstehen, wie gut GPT-5 in der Auswertung verschiedener Datentypen zur selben Zeit ist. Als Input habe ich eine mp4-Datei aus unserer Akademie, eine sehr visuelle Präsentation als pdf und ein Text-Dokument gegeben. Ergebnis GPT-5 hat auch nach mehreren Anläufen und Prompts immer nur das Doc und die Präsi ausgewertet, aber nie die mp4-Datei. Ich habe die mp4-Datei noch einmal einzeln hochgeladen und siehe da, eine sehr akkurate Übersicht über alle Inhalte des Videos. #9: KI-Strategie Entwicklung (Strategie, Roadmap, OKRs) Ich wollte natürlich auch die planerischen Fähigkeiten von GPT-5 testen und habe ein Canvas als Vorlage und eine Aufgabe mit vorgelagerter Recherche eingebaut. Ergebnis Hier kommen die Stärken von GPT-5 voll zum Vorschein. Das Modell hat in einem Schritt eine mehrstufige Recherche durchgeführt, die Ergebnisse in den Canvas eingearbeitet und eine Mini-Roadmap visualisiert. #10: Event Planung: Dinner, Location, Agenda, Speaker, Einladungsschreiben mit Bild Abschließend wollte ich noch unsere Planung des AI Collective Days mit der Planung von GPT-5 vergleichen. Auch hier kommt es auf die Planungs des Prozesses, die Anwendung verschiedener Tools und das strukturierte Zusammentragen der Ergebnisse an. Ergebnis Auch bei dieser Aufgabe hat GPT-5 sehr gut abgeliefert und wirklich sehr passende Vorschläge basierend auf meinen Inputs gemacht inkl. der dazu passenden Recherche von Restaurants, Location und Speakern. 🏁 Fazit GPT-5 löst insbesondere ein Problem: Nutzer müssen nicht mehr über die Auswahl des Modells entscheid en. Dadurch steigt die Effektivität des Modells für einen Großteil der Nutzer, was die Ergebnisse im Durchschnitt stark verbessern wird. Ich konnte für mich keinen signifikanten Qualitätsgewinn in den Ergebnissen feststellen - weder in den 10 Use Cases dieses Tests, noch in meinen bestehenden Assistenten und Agenten. Trotzdem finde ich die mehrstufige Bearbeitung von Aufgaben inkl. Datenanalyse, Recherche, Coding und Tool-Nutzung, die out-of-the-box in GPT-5 mitgeliefert wird, extrem stark. Welche Erfahrungen hast du mit GPT-5 gemacht? Bis nächsten Sonntag, Felix P.S. Im AI Collective machen wir Deep Dives zu neuen Modell-Releases und diskutieren die Erfahrungen unserer Mitglieder. Wir haben noch ein paar wenige Plätze für den Start im September verfügbar. Hier erfährst du alles weitere und kannst dich bewerben.
## Dein Team aus KI-Agenten & -Assistenten aufbauen
URL: https://ai-first.ai/insights/dein-team-aus-ki-agenten-assistenten-aufbauen
Kategorie: Lab
Untertitel: 6-Schritte-Playbook
Herzlich Willkommen zu den AI FIRST Insights! Ich habe in den letzten 2,5 Jahren konsequent ein Team aus KI-Assistenten und -Agenten aufgebaut, die jeden Prozess unseres Unternehmens unterstützen. Dieses KI-Team weiß alles über mich, AI FIRST, unsere Kunden, unsere Prozesse, unsere Standards, Werte und Prinzipien. Die KI-Agenten verwenden unsere Methoden und unseren Kommunikationsstil. Was machen sie? Rechnungen den Ausgaben zuweisen Antwortvorlagen auf Mails erstellen Workshops vor- und nachbereiten Trainingsaufgaben entwickeln Meeting Follow Ups draften KI Use Cases qualifizieren Website Artikel schreiben News Report erstellen Feedback auswerten Content kreieren Agents bauen Nur um ein paar Beispiele zu nennen. Ich habe mir jede zu erledigende Aufgabe angeschaut, diese in Schritte runtergebrochen und (wenn sinnvoll) in Agenten und Assistenten überführt. Dieses Setup gibt uns heute die Möglichkeit, immer stärker aus dem bestehenden Team heraus zu wachsen . In dieser Ausgabe zeige ich dir, wie ich mein eigenes KI-Team aufgebaut habe, welche Schritte dafür notwendig sind und was meine wichtigsten Learnings aus den letzten 2,5 Jahren waren. Los geht's! Die KI-Akademie & Community für Führungskräfte im Mittelstand Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen. Heute sind 35 Mitglieder Teil unserer ausgewählten Community, die 2 Ziele verfolgen: Die Anwendung von KI im eigenen Alltag zu meistern Die KI-Transformation des Unternehmens voranzutreiben Das ist keine 0815 Weiterbildung mit akademisierten Methoden. Das AI Collective ist ein 12-monatiges Intensiv-Programm, das Dich und Dein Unternehmen zukunftsfähig für die KI-Ära macht und dich in die Umsetzung bringt - mit allem Wissen, allen Werkzeugen, den Fähigkeiten und dem Netzwerk, das Du dafür brauchst. Ab September öffnen wir das AI Collective für maximal 30 weitere Personen. Wenn du dabei sein willst, dann melde dich hier: Mehr über das AI Collective erfahren Wie mein KI-Team heute für mich arbeitet Ich möchte direkt einen Irrglauben aus dem Weg räumen: KI-Agenten können Stand heute keine komplexen Jobs oder Unternehmensprozesse vollständig ersetzen und automatisieren. Dies ist ein Märchen aus dem Silicon Valley. KI-Agenten bauen auf Large Language Models auf, die die Wahrscheinlichkeit für das beste Ergebnis berechnen, dabei weiterhin Fehler machen und Kontrolle benötigen. Je mehr Agenten in einen Prozess integriert sind oder je umfangreich die Aufgaben pro Agent werden, desto höher die Fehleranfälligkeit. Deshalb ist ein differenzierter Ansatz entscheidend. Agenten führen einfache Aufgaben selbst aus. Assistenten arbeiten mir und meinem Team zu . In allen Prozessen ist ein "Human-in-the-Loop" integriert. Also eine menschliche Ergebniskontrolle. Unsere Agenten und Assistenten sind wie ein Team aus spezialisierten, digitalen Kollegen: Der Inbox Agent: Schaut sich jede eingehende E-Mail an und erstellt basierend auf unserer Wissensbasis und dem vollständigen Kontext zwei passende Antwortentwürfe. Der Meeting Agent: Analysiert die Transkripte unserer Meetings, erstellt daraus eine Follow-Up-E-Mail und dokumentiert die Ergebnisse an der richtigen Stelle. Der Invoice Agent: Prüft alle eingehenden Rechnungen, gleicht sie mit Projekten ab und weist sie den korrekten Ausgabenkategorien zu. Der Podcast Producer: Wandelt die reine Audio-Aufnahme einer neuen Podcast-Folge in fertige Shownotes, Kapitelmarken und Social-Media-Posts um. Der AI Coach: Unterstützt unser Team und Kunden bei der Qualifizierung und Ausarbeitung von Use Cases, sowie beim Fragen rund um den KI-Rollout. Mein Ziel ist es, den Einfluss jeder einzelnen Person im Team maximal zu stärken. Deshalb muss jeder Mensch unser KI-Team nutzen und orchestrieren. Über die Zeit konnten wir immer mehr Aufgaben vollständig an KI delegieren und menschliche Expertise / Zeit stärker hebeln. Mein 6-Schritte-Playbook zum Aufbau eines KI-Teams Der Aufbau eines solchen Teams ist keine Raketenwissenschaft, sondern ein strukturierter Prozess. Am Anfang steht immer ein zu lösendes Business-Problem. Ich gehe immer nach dem gleichen, sechsstufigen Playbook vor: Schritt 1: Alle Jobs-to-be-Done (JTBD) definieren Alles beginnt mit einer fundamentalen Analyse der Kernprozesse. Ich habe mir die einfachen, aber entscheidenden Fragen gestellt: Wie gewinnen wir Kunden? Wie machen wir unsere Kunden erfolgreich? Welche administrativen Prozesse sind überlebenswichtig? Das Ergebnis ist eine Landkarte der Aufgaben, die im Unternehmen erledigt werden müssen. Diese habe ich nach unserem Use Case Framework mit KI-Fähigkeiten gemapped und bewertet . Schritt 2: JTBD in Agenten-Personas überführen Sobald die Aufgaben klar sind, bekommen sie einen "digitalen Eigentümer". Ich übersetze die Prozessanforderung in eine konkrete Agenten-Persona mit einer klaren Jobbezeichnung. Aus "Rechnungen bearbeiten" wird der "Invoice Agent", aus "Social Media Reichweite generieren" der "LinkedIn Copywriter" und aus "Workshops vorbereiten" der "Workshop Designer". Anleitung zur Erstellung deines KI-Assistenten / Agenten Schritt 3: Test-Datensätze erstellen Wie soll ein Agent exzellente Arbeit leisten, wenn er nicht weiß, was "exzellent" bedeutet? Für jeden Agenten definiere ich klare Qualitätsstandards, indem ich ihm Beispiele für sehr gute und sehr schlechte Arbeitsergebnisse gebe. Das schafft ein gemeinsames Verständnis von Qualität. Wichtig: Wenn es diese Daten bisher nicht gibt, muss man sich zuerst einmal darum kümmern. Ansonsten gilt "shit in, shit out". Schritt 4: Detaillierte Aufgaben-Briefings schreiben Das ist das Äquivalent zum Briefing eines menschlichen Mitarbeiters. Jeder Agent erhält ein umfassendes Briefing, das seine Rolle, sein Hauptziel, seine Arbeitsweise, den nötigen Kontext, seine Regeln und die zu nutzenden Tools beschreibt. Je präziser das Briefing, desto besser das Ergebnis. Grundlegende Struktur meiner Systemanweisungen Rolle & Persönlichkeit Hier werden die Rolle, Persönlichkeit und die zentralen Fähigkeiten des Agenten definiert. Hauptziel & Arbeitsweise Dieser Abschnitt beschreibt das übergeordnete Ziel und die Methode, mit der der Agent seine Aufgaben erledigt. Kontext Enthält alle wichtigen Hintergrundinformationen, die zur Aufgabenlösung nötig sind, wie z.B. das Arbeitsumfeld oder Projektdetails. Allgemeine Regeln Hier werden grundlegende Regeln festgelegt, die immer gelten, etwa für die Kommunikation oder den Umgang mit sensiblen Daten. Spezifische Richtlinien Dieser Teil enthält Anweisungen für wiederkehrende Aufgaben, zum Beispiel Vorgaben zum Schreibstil oder zur Dateiverwaltung. Werkzeuge (Tools) Listet alle verfügbaren Werkzeuge (z. B. Programmierschnittstellen) auf, inklusive ihrer Parameter und Anwendungsfälle. Antwortformat Definiert exakt, wie die Struktur der finalen Antwort aussehen soll (z. B. als E-Mail, Bericht oder Liste). Beispiele Zeigt vollständige Muster-Interaktionen von einer Nutzeranfrage bis zur perfekten Antwort des Agenten. Metakognition & Planung Gibt dem Agenten vor, wie er seine Arbeit intern planen und die Ergebnisse seiner Arbeit reflektieren soll. Schritt 5: Die Wissensbasis als Fundament bauen Das ist der mit Abstand wichtigste und zeitintensivste Schritt. Hier wird das gesamte relevante Wissen des Unternehmens so strukturiert, dass ein Agent darauf zugreifen kann – von Unternehmenszielen über Standardprozesse (SOPs) bis hin zu meinem persönlichen Kommunikationsstil. Wie du ein 2. Gehirn für KI-Agenten baust Schritt 6: Den Agenten im Tool aufsetzen Erst wenn die strategische Vorarbeit geleistet ist, kommt das Tooling ins Spiel. Deine Anforderungen bestimmten das technische Setup, nichts andersrum. "Das beste Tool" gibt es nicht. Ich sehe 3 Kategorien: Automation Plattformen: Zapier, Make, n8n AI Agent Plattformen: Lindy, Relevance, Beam Enterprise AI Plattformen: Langdock, Zive, Blockbrain Alle Anbieter bewegen sich im Funktionsumfang immer stärker aufeinander zu. Die einen haben mit Chatbots und Assistenten gestartet und fügen jetzt Workflow-Automation hinzu. Bei anderen lief es andersrum. In meiner Wahrnehmung kommt ein höherer Funktionsumfang mit einer schlechteren Nutzererfahrung und somit größeren Herausforderungen beim unternehmensweiten Rollout, insbesondere für nicht-technische Nutzer. Egal für welches Tooling Du dich am Ende entscheidest, wirst du 3 Dinge für dein KI-Team benötigen: Eine gut strukturierte Wissensdatenbank Detaillierte Systemanweisungen / Aufgabenbriefing Klare Definition des Prozesses und wie Mensch & KI zusammenarbeiten Meine wichtigsten Learnings der letzten 3 Jahre In den letzten 2,5 Jahren hat sich mein Setup dutzende Male weiterentwickelt. Wenn ich heute nochmal starten könnte, würde ich auf diese 5 Punkte achten: Learning 1: 80% der Zeit in den Aufbau der Wissensbasis investieren. Die Qualität der Wissensbasis ist der entscheidende, aber am meisten unterschätzte Hebel. Der Prozess lässt sich auf diese fünf Kernschritte herunterbrechen: Bedarfsanalyse: Klären, welches Wissen ein menschlicher Mitarbeiter für diesen Job bräuchte. Bestandsaufnahme: Prüfen, welche dieser Informationen bereits irgendwo im Unternehmen vorhanden sind (z.B. Meeting-Transkripte, Workshop-Unterlagen). Lücken füllen: Die "blinden Flecken" identifizieren und das fehlende Wissen gezielt erstellen (z.B. durch Selbst-Interviews per Sprachmemo). Maschinenlesbar machen: Das gesamte Wissen in strukturierte Formate wie Markdown (für Menschen und Maschinen lesbar) oder JSON überführen. Ich nutze dafür intensiv KI-Modelle wie Gemini, das riesige Textmengen verarbeiten kann. Zentralisieren: Alles an einem Ort als "Single Source of Truth" ablegen (Sharepoint, Drive, Notion, Confluence, ...) Aktualisieren: Automatisierte Updates einspielen oder SOPs definieren, in welcher Frequenz die Dokumente überarbeitet werden. Learning 2: "Human in the Loop" ist keine Option, sondern Pflicht. KI-Agenten machen Fehler. Punkt. Sie sind nicht zu 100 % zuverlässig und kommen bei Ausnahmefällen an ihre Grenzen. Ein Mensch im Kontroll- und Freigabeprozess ist daher absolut zentral, insbesondere wenn Ergebnisse extern verwendet werden sollen. Mittelfristig denke ich über "Lead Agents" nach – spezialisierte KI-Agenten, deren einzige Aufgabe es ist, die Ergebnisse anderer Agenten zu prüfen und Feedback zu geben. Aber auch diese werden nie 100% fehlerfrei sein. Learning 3: Je kleiner die Aufgabe, desto größer der Erfolg. Beginne nicht mit Aufgaben wie "Entwickle eine komplette Marketingkampagne". Starte besser mit einer kleinen, klar definierten Aufgabe. Gute Kandidaten dafür sind wiederkehrende, zeitintensive und textbasierte Aufgaben, die möglichst wenige Zugriffe auf Drittsysteme benötigen. Sammle erst Erfahrungen, dann steigere die Komplexität. Learning 4: Schaffe eine "Single Source of Truth" für deine Agenten. Wenn mehrere Leute an Agenten arbeiten, entsteht schnell Chaos. Es ist essenziell, ein zentrales System aufzusetzen, in dem für jeden Agenten der aktuelle System-Prompt, der Status, die genutzten Tools und die angebundene Wissensbasis dokumentiert sind. Ich nutze dafür eine Datenbank in Notion, in der jeder Agent mit allen Einstellungen hinterlegt ist. Learning 5: Das Tool ist nicht die Lösung. Der Erfolg hängt nicht vom Tool ab, sondern vom System-Prompt, der Wissensbasis, dem Zugriff auf Tools und der Klarheit des Workflows. Ich habe selbst Tools wie n8n, Gumloop, Make, Zapier, Lindy, ChatGPT, Gemini, Claude und Langdock evaluiert und jedes hat Stärken und Schwächen. Meine Empfehlung: Entscheide dich für ein Tool, das zu deinen Kernanforderungen passt, und implementiere es konsequent, anstatt ständig hin- und herzuwechseln. Der Markt entwickelt sich so schnell, dass sich die Funktionsumfänge ohnehin immer weiter annähern. Learning 6: Integriere Agenten fest in deine dokumentierten Prozesse. Damit Agenten im gesamten Team genutzt werden, dürfen sie kein "Nice-to-have" sein. Ihre Nutzung muss ein fester, verbindlicher Schritt in der offiziellen Prozessdokumentation sein. Nur so werden sie vom optionalen Gadget zum standardisierten Werkzeug. Die Zukunft von KI-Teams Mein KI-Team ist kein statisches Gebilde, sondern ein System, das sich konstant weiterentwickelt. Ich denke dabei nicht mehr nur in einzelnen Assistenten, sondern zunehmend in Teamstrukturen, die auf ein gemeinsames Ziel hinarbeiten. In der Praxis ist ein solches, vollständig autonomes System heute jedoch noch extrem komplex. Meine Tests haben gezeigt, dass die Output-Qualität und Zuverlässigkeit bei langen, unüberwachten Agenten-Ketten oft noch nicht ausreichen, um mich unterm Strich wirklich zu beschleunigen. Deshalb liegt der Fokus aktuell weiterhin auf der Erweiterung (Augmentation) mit einem klaren Human-in-the-Loop sowie der Automatisierung von klar abgegrenzten, simplen Einzelaufgaben . Erweiterte Reasoning-Fähigkeiten in LLMs und zusätzliche Funktionen in den Agenten-Tools werden den Aufbau autonomer KI-Teams jedoch immer einfacher und zuverlässiger machen. Für mich ist der Weg ganz klar: KI-Agenten werden immer komplexere Aufgaben übernehmen können und in ihrer Arbeitsweise immer autonomer. Das bedeutet, dass Menschen immer weniger klassischen PC-Arbeit selbst ausführen, sondern KI-Agenten orchestrieren. Wer heute schon sein KI-Team aufgebaut hat, wird von jedem leistungsfähigeren LLM und jedem neuen Agenten-Feature vielfach profitieren. 🏁 Fazit Der Aufbau eines KI-Teams ist das 2. Level nach der Einführung eines KI-Chatbots. Der Weg dorthin ist eher eine schrittweise Evolution, als ein ein radikaler Umbruch. Er erfordert mehr strategische Vorarbeit beim Aufbau von Wissen und Prozessen als technisches Know-how bei der Umsetzung im Tool. Key Takeaways: System statt Zufall: Der Aufbau eines KI-Teams folgt einem klaren 6-Schritte-Playbook, das bei den Business-Aufgaben beginnt, nicht beim Tool. Wissen ist der Hebel: 80% des Erfolgs liegen in einer gut strukturierten, maschinenlesbaren Wissensbasis. Ohne sie bleibt jeder Agent ein generisches Werkzeug. Klein anfangen, groß denken: Beginne mit einfachen, klar abgegrenzten Aufgaben und einem Menschen im Kontrollprozess. Die Komplexität kann schrittweise gesteigert werden. Augmentation vor Automation: Das primäre Ziel ist es, menschliche Fähigkeiten zu erweitern und das bestehende Team schlagkräftiger zu machen. Der Versuch, ganze Jobprofile zu ersetzen, endet meist in Ernüchterung. Ich wünsche dir viel Spaß und Erfolg beim Aufbau deines KI-Teams! Bis nächsten Sonntag, Felix P.S. Im AI Collective gehen wir weit über die Newsletter-Inhalte hinaus. Unser Mitglieder bekommen Zugriff auf unser AI FIRST KI-Team, alle Vorlagen und eine konkrete Umsetzungsanleitung. Hier erfährst du alles weitere und kannst dich bewerben.
## 2. Gehirn für KI-Agenten
URL: https://ai-first.ai/insights/2-gehirn-fuer-ki-agenten
Kategorie: Lab
Untertitel: Wie du deinen Agenten alles über dich beibringst
Herzlich Willkommen zu den AI FIRST Insights! Ich stecke gerade mitten in einem meiner spannendsten Projekte: Ich baue AI FIRST als System aus spezialisierten KI-Agenten nach. Zu diesem Agenten-System gehört auch ein CEO-Agent, der sich 1:1 so verhalten soll, wie ich es tun würde. Dieser Agent muss wissen, wer ich bin, wie ich denke und was unser Unternehmen ausmacht. Ohne diesen Kontext liefert er nur clever-klingenden, generischen Kram. Also habe ich angefangen, ein ' zweites Gehirn ' als zentrale Wissensdatenbank zu bauen. Heute zeige ich dir mein komplettes Vorgehen. Schritt für Schritt, damit du dir deine eigene Wissensbasis für deine KI-Systeme bauen kannst. Los geht's! Die KI-Community und Akademie für Führungskräfte Vor 3 Monaten habe ich das AI Collective gegründet mit der Mission, Führungskräfte im Mittelstand fit für die KI-Ära zu machen. Heute sind 35 Mitglieder Teil unserer ausgewählten Community, die 2 Ziele verfolgen: Die Anwendung von KI im eigenen Alltag zu meistern Die KI-Transformation des Unternehmens voranzutreiben Das ist keine 0815 Weiterbildung, sondern ein 12-monatiges Intensiv-Programm, das dich und dein Unternehmen zukunftsfähig für die KI-Ära macht - mit allem Wissen, allen Werkzeugen, den Fähigkeiten und dem Netzwerk, das du dafür brauchst. Ab September öffnen wir das AI Collective für maximal 30 weitere Personen. Die ersten 11 Plätze sind schon wieder weg. Wenn du dabei sein willst, dann melde dich hier: Mehr über das AI Collective erfahren Warum Kontextwissen alles ist Als ich mit meinem Projekt gestartet bin, bin ich direkt in die klassische Falle getappt. Meine ersten Fragen waren rein technisch: Mit welchem Tool setze ich die Agenten um? Welche Intergationen benötigen sie? Was genau sollen sie tun? Ich habe sofort in Aufgaben und Workflows gedacht. Doch der Qualitätshebel liegt nicht im besten n8n-Setup. Der Hebel liegt darin, sicherzustellen, dass die Agenten genau das wissen, was heute ich und meine Mitarbeiter wissen. Nur wenn sie auf das gleiche Wissen und die gleichen Daten zugreifen können – und diese auch aktuell sind – können sie überhaupt eine vergleichbare Qualität in ihren Ergebnissen liefern. Ich hatte meine Agenten schon vorher mit Kontextwissen versorgt und ihnen Zugriff auf Daten gegeben. Aber dieses Mal wollte ich keinen blinden Fleck lassen. Deshalb habe ich die meiste Zeit nicht damit verbracht, Workflows zusammenzuklicken oder System Prompts zu schreiben. Ich habe sie in den Aufbau der zentralen Wissensbasis investiert. Sie ist die eigentliche Grundlage für die Performance jedes einzelnen Agenten. Was gehört in deine Wissensdatenbank? Okay, wo fängt man an? Die leere Seite ist der größte Feind. Man kann sich schnell darin verlieren, einfach alles aufzuschreiben. Ich habe mir zuerst überlegt, welche Agenten ich überhaupt bauen will. Und dann, welches Wissen diese Agenten brauchen, um ihren Job wirklich gut zu machen. Daraus ist eine klare Struktur von verschiedenen Wissensbasen entstanden. Statisches Wissen: Die grundlegenden, eher unveränderlichen Wahrheiten über dich und dein Unternehmen. Dynamisches Wissen: Informationen, die sich regelmäßig ändern, wachsen und weiterentwickeln werden. Hier sind die Bausteine meines "zweiten Gehirns", sortiert nach diesem Prinzip: Die statische Grundlage (ändert sich selten): 1. Das "Ich"-Profil: Eine Bedienungsanleitung für mich selbst. Meine Biografie, meine Rolle, meine Ziele, mein Persönlichkeitsprofil, mein Kommunikationsstil und meine Werte. Wie ich ticke, ist die Basis. 2. Das "Wir"-Profil: Alles über AI FIRST. Unsere Mission, Positionierung, Produkte und Services. Das Fundament unseres Unternehmens. 3. Unser Playbook & unsere Philosophie: Das Herzstück. Was bedeutet "AI-First" für uns wirklich? Wie sieht unser Playbook aus, mit dem wir KI bei unseren Kunden zu Mehrwerten bringen? Das ist die Haltung hinter allem. Die dynamischen Bausteine (wachsen und leben): 4. Unsere Prozesse (SOPs): Die Blaupausen für alles, was wir wiederholt tun. Beratungsprozesse, Workshops und Trainings, Admin-Workflows. Diese entwickeln sich ständig weiter. 5. Das Content-Archiv: Jeder Newsletter, jeder LinkedIn-Post, jede Podcast-Folge. Diese Basis wächst mit jedem veröffentlichten Stück Inhalt. 6. Das Kontaktbuch: Mit wem stehen wir in Kontakt und in welcher Beziehung? Ein lebendiges Verzeichnis unserer Verbindungen. 7. Das Agenten-Verzeichnis: Eine Liste aller KI-Agenten in meinem System. Rollen, Aufgaben und die Art der Zusammenarbeit ändern sich, je reifer das System wird. Diese Struktur zwingt mich, eine Klarheit über dein eigenes Unternehmen zu schaffen, die weit über die KI-Nutzung hinausgeht. Wie ich mein "zweites Gehirn" gebaut habe Es gibt verschiedenste Ansätze, wie und wo du deine Wissensbasis aufbaust: Intranets wie Sharepoint oder Notion Vektordatenbanken wie Pinecone 2. Gehirn-Tools wie Obsidian Ich habe einen Ansatz gesucht, der folgende Kritierien erfüllt: Ich will in einem System arbeiten, das schon da ist (bloß keine neuen Tools...) Die Wissensdatenbank soll sowohl für KI und unsere Mitarbeiter lesbar sein Das Wissen muss synchronisierbar mit den KI-Agenten sein Am Ende habe ich mich für Einfachheit-first entschieden und in Summe 500+ Seiten strukturierter Markdown-Dokumente in Google Drive aufgebaut (Markdown steigert die maschinenlesbarkeit enorm) sowie Datenbanken in Notion für tabellenorganisierte Informationen genutzt. So bin ich vorgegangen: Schritt 1: Inventur – Was ist da, was fehlt? Ich bin jede einzelne Wissensbasis durchgegangen und habe drei Fragen beantwortet: Welches Wissen muss hier rein? Was davon habe ich schon? In welcher Form liegt es vor? Das Ergebnis war eine ehrliche Bestandsaufnahme. Für mein "Ich"-Profil hatte ich einen Lebenslauf, aber keinen detaillierten Persönlichkeitstest. Unser ganzer Content für das Archiv war zwar da, aber unstrukturiert im CMS vergraben. All diese vorhandenen Daten habe ich gesammelt und systematisch die Lücken in den Daten identifiziert. Schritt 2: Die Lücken füllen – Pragmatisch und KI-gestützt Jetzt habe ich begonnen, die Lücken aufzufüllen. Zum Beispiel habe ich mehrere Persönlichkeitstest (zB MBTI) abgeschlossen. Für viele der Inhalte habe ich jedoch einen einfachen AI-First Ansatz zur Wissensdokumentation gewählt: Fragen stellen lassen: Ich habe eine KI gebeten, mir einen detaillierten Fragenkatalog zu einem fehlenden Thema zu erstellen (z.B. zu unseren internen Beratungsprozessen, die leider nicht alle dokumentiert waren). Wissen einsammeln: Diese Fragen habe ich dann unterwegs beantwortet – beim Gassi gehen mit dem Hund oder auf dem Weg zu Terminen habe ich meine Antworten einfach als Voice Memos eingesprochen. Auf diesem Weg sind Stunden an Voice Memo's entstanden. Strukturieren lassen: Diese Memos habe ich dann wieder von einer KI transkribieren, zusammenfassen und sauber strukturieren lassen. So habe ich Schritt für Schritt die Wissenslücken gefüllt, ohne mich tagelang an den Schreibtisch ketten zu müssen. Prompt Vorlage zur Erstellung des Fragenkatalogs: # FRAGENKATALOG-ERSTELLER FÜR DEIN SECOND BRAIN ## Persona & Ziel Du bist ein Experte für Wissensmanagement, Organisationsentwicklung und den Aufbau eines "Second Brain" nach Methoden wie P.A.R.A. (Projects, Areas, Resources, Archives) von Tiago Forte. **Hauptziel:** Erstelle einen umfassenden, tiefgehenden und extrem gut strukturierten Fragenkatalog. Dieser Katalog soll mir helfen, alle relevanten Informationen über mich, mein Unternehmen, meine Prozesse und mein Wissen systematisch zu erfassen. Das Ergebnis soll die Grundlage für ein mächtiges, persönliches Wissenssystem ("Second Brain") bilden. ## Kontext Ein "Second Brain" dient dazu, Wissen extern zu speichern, zu organisieren und zu vernetzen, um das eigene Gedächtnis zu entlasten, Kreativität zu steigern und bessere Entscheidungen zu treffen. Die Fragen sollen nicht nur Fakten abfragen (was?), sondern auch zum Nachdenken über Motivationen (warum?), Strategien (wie?) und zukünftige Entwicklungen anregen. ## Aufgabe Beginne jetzt mit der Erstellung des Fragenkatalogs basierend auf der folgenden Struktur: [Hier gibst du die Struktur deiner Wissensbasis ein] ## Output-Format - **Struktur:** Gliedere den gesamten Fragenkatalog in die vorgegebenen Haupt- und Unterkategorien. Verwende Markdown zur Formatierung mit Überschriften (## Hauptkategorie und ### Unterkategorie) und Listen. - **Frage-Typen:** Formuliere eine Mischung aus offenen Fragen (W-Fragen), geschlossenen Fragen (zur Erfassung von Fakten) und reflektierenden Fragen (die zum Nachdenken anregen). - **Vollständigkeit:** Sei gründlich. Wo es sinnvoll ist, füge von dir aus weitere logische Unterpunkte hinzu, die für ein vollständiges Bild notwendig sind. - **Sprache:** Formuliere die Fragen direkt an mich (in der "Du"-Form). Schritt 3: Wissen maschinenlesbar machen Ein weitverbreiterer Irrglaube ist, dass man einfach dutzende PDF's, Powerpoints oder sonstige formattierte Dateien in ein LLM werfen kann und sich dieses schon die passenden Informationen raussucht. Je formattierter (Schrift, Bilder, Grafiken, ...) die Datei ist, desto schwerer tut sich ein LLM mit der Auswertung. Diese 2 Formate können LLMs besonders gut lesen: Markdown Markdown verwendet eine einfache Syntax, die aus leicht lesbaren Zeichen besteht, um Formatierungen wie Überschriften, Listen, Links und andere Elemente zu erstellen. JSON Ein offenes Standard-Dateiformat und Datenaustauschformat, das menschenlesbaren Text zum Speichern und Übertragen von Datenobjekten verwendet, die aus Name-Wert-Paaren und Arrays bestehen. Ich habe mich für den Großteil der Wissensdatenbank für strukturierte Markdown-Dokumente entschieden, da diese sowohl von Menschen, als auch von Maschinen gut lesbar sind. Schritt 4: Die Struktur – Einfachheit vor Perfektion Beim Tool-Setup galt für mich ein Prinzip: So einfach wie möglich starten. Ich habe bewusst kein komplexes System aufgesetzt, sondern eine simple Ordner-Struktur in Google Drive angelegt. Darin liegen gut strukturierte Markdown-Dokumente (.md) und JSON-Files. Warum Google Drive? Einfachheit: Jeder im Team kann es sofort nutzen. Kein neues Tool. Synchronisation: Die Dateien können leicht mit vielen KI-Tools und Agenten synchronisiert werden. Integrationen sind meist direkt vorhanden. Flexibilität: Ich kann Inhalte bei Bedarf einfach kopieren und direkt in ein Prompt-Fenster einfügen. Nur für hochdynamische Inhalte wie unsere Kontaktdatenbank nutze ich Notion, weil die Pflege dort einfacher ist. Aber 90% meines "zweiten Gehirns" leben in simplen Text-Dokumenten. Wie das Wissen in den KI-Agenten kommt Okay, das Wissen ist gesammelt und strukturiert. Aber wie kommt es jetzt in den Kopf des Agenten? Es gibt verschiedene Wege, aber nicht alle sind gleich gut. Ich habe eine Priorisierung entwickelt, die von "einfach und wirksam" zu "komplex und spezifisch" geht: Prio 1: Der System Prompt Wann immer möglich, packe ich das wichtigste, statische Wissen direkt in die Systemanweisung (System Prompt) des Agenten. Das ist die Anweisung, die dem Agenten seine grundlegende Rolle und sein Verhalten vorgibt. Warum ist das Prio 1? Weil der Agent diese Informationen immer präsent hat und am zuverlässigsten verarbeitet. Prio 2: Zugriff auf Dokumente (RAG) Für größere oder dynamischere Wissensmengen, die nicht in den System Prompt passen, gebe ich dem Agenten direkten Zugriff auf meine Google Drive Ordner. Man nennt das "Retrieval-Augmented Generation" (RAG). Einfach gesagt: Der Agent schaut bei einer Anfrage selbstständig in den Dokumenten nach und holt sich die passende Information. Prio 3: Direkte Anbindung per API Für hochdynamische Daten wie mein Kontaktbuch in Notion nutze ich eine API-Schnittstelle. Das ist technisch aufwendiger, aber für sich ständig ändernde Daten die sauberste Lösung. Ein paar wichtige Watchouts aus der Praxis: Kontextfenster ist begrenzt: Du kannst nicht unendlich viel Wissen in den System Prompt stopfen. Irgendwann ist er voll. Dann musst du auf Dokumente (RAG) ausweichen. Dynamik beachten: Statisches Wissen (dein "Ich"-Profil) kann in den System Prompt. Dynamisches Wissen (dein Content-Archiv) muss per Dokumentenzugriff oder API angebunden werden, sonst müsstest du den Prompt ständig manuell aktualisieren. Maschinenlesbarkeit ist alles: Eine KI kann mit einer schicken PowerPoint-Präsentation voller Bilder nichts anfangen. Der beste Kompromiss sind gut strukturierte Markdown-Dateien (.md) – die können Mensch und Maschine exzellent lesen. Anleitung ist Pflicht: Der wichtigste Punkt überhaupt. Du musst im System Prompt des Agenten ganz genau beschreiben, auf welches Wissen er Zugriff hat und wie er es verwenden soll. Einfach nur ein Dokument hochladen reicht nicht. Du musst ihm sagen, was er damit tun soll. 🏁 Fazit Der größte Hebel für wirksame KI-Agenten ist nicht das Tool oder das Modell, sondern das Wissen, das du ihm gibst. Mit einer strukturierten Wissensbasis verwandelst du einen generischen Agenten in einen echten digitalen Kollegen, der im gegebenen Kontext Aufgaben erledigen kann. Meine Key Takeaways für dich: Beginne mit der Struktur: Trenne dein Wissen in klare, logische Bereiche wie ein "Ich"-Profil, "Wir"-Profil und deine Prozesse. Diese Klarheit hilft nicht nur der KI, sondern vor allem dir selbst. Sei pragmatisch beim Füllen der Lücken: Nutze KI, um dir Fragenkataloge für fehlendes Wissen erstellen zu lassen und beantworte sie einfach per Voice Memo. "Better done than perfect" ist hier das Motto. Setze auf Einfachheit: Starte mit simplen Werkzeugen wie Google Drive und gut strukturierten Markdown-Dateien. Komplexität kann später immer noch kommen. Anleitung ist Pflicht: Eine Wissensbasis ohne eine klare Anweisung im System Prompt, wie die KI sie nutzen soll, ist nur eine nutzlose Datensammlung. Fang an, dein zweites Gehirn zu bauen. Es ist die Grundlage, um nicht nur deine Arbeit zu erleichtern, sondern dein Denken zu skalieren . Bis nächsten Sonntag, Felix P.S. Wenn du die KI-Transformation deines Unternehmens in die Hand nehmen willst, bekommst du im AI Collective das Wissen, die Werkzeuge, Fähigkeiten und das Netzwerk dafür an die Hand. Hier erfährst du alles weitere und kannst dich bewerben.
## KI-Modell Kompass
URL: https://ai-first.ai/insights/ki-modell-kompass
Kategorie: Lab
Untertitel: Wie du KI-Modelle richtig auswählst und einsetzt
Herzlich Willkommen zu den AI FIRST Insights! Über 200 KI-Modelle sind mittlerweile verfügbar. OpenAI, Anthropic, Google, Meta – jeder Anbieter verspricht das "beste" Modell für deine Aufgaben. Und wie sieht die Nutzer-Realität aus? GPT-4o für die Marktanalyse. GPT-4o für die E-Mail-Korrektur. GPT-4o für kreative Brainstormings. GPT-4o für komplexe Datenauswertungen. Ein Modell für alles . Das ist wie der Schraubenzieher in der Werkstatt – geht irgendwie für jeden Job, aber mit dem richtigen Werkzeug wärst du schneller und besser. Heute teile ich mein persönliches Framework: Wann ich welches Modell einsetze und wie du systematisch das beste Modell für deine Aufgabe findest. Plus: Mein "KI-Modell Kompass" als praktische Entscheidungshilfe. Los geht's! Dein Platz im AI Collective Ab September öffnen wir das AI Collective für 30 neue Führungskräfte, um Teil unserer kuratierten Community von KI-Verantwortlichen mittelständischer Unternehmen zu werden. Das AI Collective gibt mittelständischen Führungskräften das Wissen, die Werkzeuge und das Netzwerk an die Hand, um ihr Unternehmen erfolgreich in die KI-Ära zu führen. Dort erwartet dich umfangreiches Wissen zu KI-Anwendung und -Leadership, Zugriff auf all unsere Templates und Framework, mehrfach wöchentliche Coaching Sessions mit mir, Experten Deep Dives (zuletzt Bild-KI und Vibe Coding) und permanenter Austausch in unserer Community. Hier findest Du alle weiteren Informationen und das Formular zur Bewerbung. Die Plätze werden nach erfolgreicher Qualifizierung nach dem first come, first served Prinzip vergeben. Die ersten 5 sind schon weg. Werbung Ende :) Der KI-Modell Kompass Statt 200 Modelle zu vergleichen, nutze ich ein einfaches Entscheidungsraster mit zwei Fragen: Achse 1: Wie komplex ist die Aufgabe? Einfach: Ein-Schritt-Aufgaben, die direkt lösbar sind. Dafür nutze ich klassische LLMs wie Claude 4 Sonnet oder GPT 4.1. Komplex: Mehrschrittige Aufgaben, die Analyse und Reasoning erfordern. In dem Fall setze ich auf Reasoning-LLMs wie o1, Gemini 2.5 Pro oder Claude 4 Opus. Achse 2: Wie kreativ soll das Ergebnis sein? Analytisch: Präzise Antworten basierend auf den bereitgestellten Daten. Hier gehe ich eher mit Modellen wie o3 oder o4. Kreativ: Innovative Lösungsansätze oder kreative Konzepte. Hier sind die Claude Modelle in meinen Augen unschlagbar. In der Kombination der Fähigkeiten entstehen 4 Archetypen : Beispiel-Aufgabe für die 4 Archetypen: Effiziente Abarbeiter: E-Mails korrigieren, Fakten recherchieren, einfache Übersetzungen Authentische Kommunikaoren: Social Media Posts, Brainstorming-Ideen, Produktnamen entwickeln Komplexe Problemlöser: Geschäftspläne analysieren, Datensets auswerten, Finanzmodelle erstellen Kreative Innovatoren: Geschäftsmodelle entwickeln, Problemlösungsstrategien erarbeiten, Content-Strategien planen Soweit die Theorie. Jetzt schauen wir uns meine konkreten Favoriten für Anwendungsfelder an, die jeder kennt, der täglich am PC arbeitet. Riesiger Kontext: Gemini 2.5 Pro Gemini 2.5 Pro kann 1.500+ DIN A4 Seiten Text verarbeiten und hat gleichzeitig sehr gute Reasoning-Fähigkeiten. Diese beiden Eigenschaften lassen sich wunderbar kombinieren, um aus großen Textmengen tiefere Insights zu generieren und weiterzuverarbeiten. Perfekt geeignet für: Analyse kompletter Geschäftsberichte und Marktanalysen Auswertung umfangreicher Kundenfeedback-Sammlungen Verarbeitung ganzer Dokumentenarchive für strategische Entscheidungen Mein Beispiel: Ich habe kürzlich Untertitel von tausenden Social Media Videos analysiert, um daraus tiefere Erkenntnisse über die Zielgruppe ableiten zu können. Gemini 2.5 Pro war dafür das perfekte Werkzeug. Mehrstufige Analysen: Claude 4 Opus Claude Opus hat außergewöhnliche Reasoning-Fähigkeiten und setzt im Hintergrund sehr viel Zeit ein, mehrere Schleifen zu drehen, um Probleme zu durchdenken und Lösungen zu entwickeln. Perfekt geeignet für: Komplexe strategische Planungen Mehrstufige Problemlösungsprozesse Entwicklung von Automatisierungslogiken Mein Beispiel: Ich beschreibe einen Prozess von mir und das gewünschte Ergebnis. Claude 4 Opus setzt diesen Prozess in einen Workflow um und generiert diesen als JSON-Code. Analyse → Workflow-Design → Code-Generierung – alles in einem Durchgang. Alltagsaufgaben: Gemini 2.5 Flash Gemini 2.0 Flash ist extrem schnell, hat einen großen Kontext und funktioniert innerhalb von Gemini perfekt mit der Internetsuche. Zudem ist es per API sehr kostengünstig. Perfekt geeignet für: Schnelle Recherchen und Faktenchecks E-Mail-Korrekturen und -Optimierungen Spontane Ideengenerierung und Brainstormings Mein Beispiel: Für einfache Marktrecherchen, wenn ich schnell Informationen über Wettbewerber oder Branchentrends brauche oder einfach nur Infos aus Dokumenten extrahieren will, ist Gemini 2.5 Flash mein Go-to-Modell. Bild- und Videoanalyse: Gemini 2.5 Flash / Pro Die Gemini-Modelle sind außerdem extrem gut in der Verarbeitung unterschiedlichster Datenformate – Bilder, Videos, Dateien, Texte und Code. Wenn ich Verständnis über visuelle Inhalte brauche, ist es meine erste Wahl. Perfekt geeignet für: Screenshots und Diagramme analysieren Video-Content auswerten und zusammenfassen Drafts für Infografiken erstellen Mein Beispiel: Ich habe einen Prozess dokumentiert in BPMN oder Miro und will diesen verschriftlichen, zB für Onboarding Unterlagen. Immer spannender werden auch Videoanalysen. In diesem Beispiel habe ich Akademie-Videos aus dem AI Collective als Input gegeben und meine Sprache und Körperhaltung analysieren lassen. Das lässt sich natürlich auch auf andere Analysen von Videoinhalten anwenden. Befolgen von Instruktionen: GPT 4.1 Eine große Herausforderung von LLMs ist ihre non-deterministische Natur – sie weichen oft von Anweisungen ab. GPT 4.1 hat jedoch die besondere Stärke, sehr genau Instruktionen zu befolgen. Perfekt geeignet für: Strukturierte Analysen nach vorgegebenen Frameworks Standardisierte Berichte und Dokumentationen Prozesse, die exakte Einhaltung von Vorgaben erfordern Mein Beispiel: In meinem Support-Workflow müssen sehr spezifische Anweisungen eingehalten werden, um Anfragen richtig zu klassifizieren und das Ergebnis an den nächsten Schritt zu übermitteln. Die Art von Aufgaben erledigt GPT 4.1 sehr zuverlässig. Praktische Entscheidungshilfe: Dein 3-Schritte-Prozess Wie entscheidest du jetzt konkret, welches Modell für deine Aufgabe das richtige ist? Schritt 1: Aufgabe einordnen Stelle dir zwei einfache Fragen: Ist das eine Ein-Schritt-Aufgabe oder brauche ich mehrere Denkschritte? Brauche ich eine faktische Antwort oder soll das Ergebnis kreativ sein? Schritt 2: Spezielle Anforderungen prüfen Riesige Textmengen? → Gemini 2.5 Flash / Pro Bilder oder Videos? → Gemini 2.5 Flash / Pro Genaue Anweisungen einhalten? → GPT 4.1 Soll authentisch klingen? → GPT 4.5oder Claude 4 Sonnet Sehr komplex und mehrstufig? → Claude 4 Opus Schnell und günstig? → Gemini 2.5 Flash Schritt 3: Testen und iterieren Starte mit dem Modell aus Schritt 2. Wenn das Ergebnis nicht passt: Zu oberflächlich? → Wechsel zu einem Reasoning-Modell Zu steif? → Wechsel zu einem kreativen Modell Zu langsam? → Wechsel zu einem schnelleren Modell Der wichtigste Tipp: Experimentiere bewusst. Nimm eine typische Aufgabe und teste sie mit 2-3 verschiedenen Modellen. Du wirst überrascht sein, wie unterschiedlich die Ergebnisse sind. Ich möchte dir noch 2 Ressourcen empfehlen: https://artificialanalysis.ai/ - die beste Seite für LLM-Benchmarks und Vergleiche https://yupp.ai/ - mehrere LLM-Antworten 🏁 Fazit KI-Modelle haben unterschiedliche Qualitäten und Fähigkeiten. Diese zu kennen und richtig einzusetzen, steigert deine Output-Qualität. Auch wenn KI-Anbieter die Auswahl des richtigen Modells mit der Zeit in Chatbots vereinfachen werden, so wird bei individuellen Use Cases die Modellauswahl weiterhin eine große Rolle spielen. Key Takeaways: Gemini-Modelle können sehr große Datenmengen verarbeiten Claude-Modelle sind fantastisch in Kommunikation und kreativen Ideen OpenAI-Modelle bleiben weiterhin Allrounder, ich sehe sie aber nicht mehr führend Teste verschiedene Modelle je nach Anwendungsfall. Mein 2-Achsen-Framework (Komplexität × Kreativität) gibt dir eine einfache Orientierung. Kombiniert mit den 6 Spezialisten für häufige Anwendungsfälle hast du ein praktisches System, das funktioniert. Bis nächsten Sonntag, Felix P.S. Wenn du die KI-Transformation deines Unternehmens in die Hand nehmen willst, bekommst du im AI Collective das Wissen, die Werkzeuge, Fähigkeiten und das Netzwerk dafür an die Hand. Hier erfährst du alles weitere und kannst dich bewerben.
## Unmöglich war vorgestern
URL: https://ai-first.ai/insights/unmoeglich-war-vorgestern
Kategorie: Horizont
Untertitel: 8 Dinge, die ich über die KI-Transformation gelernt habe
Herzlich Willkommen zu den AI FIRST Insights! Heute feiern wir das 1-Jährige Jubiläum dieses "Newsletters". Ein Newsletter war es ja nie wirklich. Am 14.07.2024 habe ich die erste Ausgabe abgeschickt und weiß noch, wie nervös ich war...alle 5 Minuten habe ich geschaut, ob jemand geantwortet hat :) Zu der Zeit gab es viele fantastische KI-News-Newsletter, aber wenige Deep Dives die zeigen "Wie setze ich die Möglichkeiten denn jetzt um?". In diese Lücke wollte ich rein. Mittlerweile lesen 10.000 Menschen jede Woche diese Texte, was mich sehr glücklich macht. Danke! Zum Jubiläum teile ich meine Top 8 Erkenntnisse zur KI-Transformation aus den letzten 4 Jahren, in denen ich selbst 2x als Geschäftsführer verantwortlich war und mit AI FIRST über 50 Unternehmen auf ihrer KI-Reise begleitet habe. Spoiler: Wir machen KI-Transformation komplizierter als sie ist . Los geht's! 1. KI ist schon längst da. Du musst da nichts "einführen". Ich erlebe oft, dass die KI-Transformation als große Initiative mit Trara und einem ausgiebigen Strategie-Prozess startet, der die nächste 5 Jahre abbilden soll. Während der Strategie-Prozess läuft, ist KI jedoch längst schon im Unternehmen. Generative KI ist so niedrigschwellig zugänglich geworden, dass Tools wie Copilot, ChatGPT, Midjourney und Co. schon genutzt werden - ob du willst oder nicht. Anstatt also 1,5 Jahre an einer 5 Jahres KI-Strategie zu arbeiten für eine Technologie, die sich alle 3 Monate selbst überholt, würde ich zuerst einen Rahmen herstellen, um die vorhandene Energie in die richtige Bahn zu lenken. Dieser Rahmen und die folgenden 4 Inhalte bilden dein Fundament und stellen sicher, dass Das "Warum" und das "Was" hinter KI klar sind Eine sichere, performante KI-Plattform zugänglich ist Klare, verständliche Spielregeln aufgestellt sind Jeder Mitarbeiter grundlegendes Wissen und Kompetenzen hat 2. KI-Transformation ist kein "+1 Thema". Neben den Fragen nach dem Warum, dem Was oder dem Wie spielt natürlich auch die Rolle nach dem Wer eine entscheidende Rolle. Ich habe gelernt, dass KI-Transformation niemandem als "+1" umgehangen werden kann. Nicht der IT, nicht den Abteilungsleitern und auch keinen Werkstudenten (ja, selbst erlebt.) Das kann nicht funktionieren, weil der Einfluss alles im Unternehmen verändert: Die Art und Weise wie Arbeit erledigt wird Wie das Unternehmen aufgestellt ist Wie man Wert zum Kunden liefert Aus diesem Grund suchen selbst Burger-Brater einen Chief AI Officer: Wir installieren bei unseren Kunden oft eine AI Lead / Officer Funktion, welche die Entwicklung und Umsetzung der KI-Strategie und angehangenen Initiativen verantwortet. Diese Person berichtet meist direkt an die Geschäftsführung. Der AI Officer baut zentral Wissen und Standards auf, um die Abteilungen dezentral zur Umsetzung zu befähigen. So eine Person hilft extrem dabei, Geschwindigkeit in die Umsetzung zu bringen. P.S. Im AI Collective gibt's in den nächsten Wochen wieder 30 Plätze für neue Mitglieder. Das AI Collective ist die Plattform für Führungskräfte aus dem Mittelstand, die ihr Unternehmen erfolgreich in die KI-Ära führen wollen. Du bekommst dort das Wissen, die Werkzeuge, die Fähigkeiten und das Netzwerk, um die KI-Transformation deines Unternehmens voranzutreiben. Hier kannst du dich auf die Warteliste eintragen. 3. Erst Use, dann Case. Generative KI funktioniert anders als deterministische, klassische Software-Systeme. Das wird schnell klar, wenn man mal die Interfaces zwischen ChatGPT und SAP vergleicht. ChatGPT: Chat-Zeile SAP: Knöpfe, Regler und Drop Downs Wenn ich die letzten 20 Jahre mit SAP und Co. gearbeitet habe, wie soll ich jetzt passende KI Use Cases für meinen Bereich finden und bewerten können? Da kommen dann die wildesten Ideen bei rum, wo entweder der Aufwand massiv den Wert übersteigt oder gar keine KI notwendig ist. Wir müssen also erstmal verstehen, was (generative) KI kann und was nicht. Und dieses Wissen kommt nicht durch Theorie oder Brainstorming am Whiteboard, sondern durch Anwendung. Diese Anwendung hat unterschiedliche Level. Als Inspiration zeige ich dir das Modell von Zapier: Ein fantastisches Format um in die Anwendung zu kommen sind Hackathons . 4. Erweiterung > Automatisierung. Wenn ich meine Teams dann in der Nutzung habe und meine Anwendungsfälle verstanden habe, wie gehe ich dann weiter? Ein Fehler den ich selbst gemacht und zahlreich beobachtet habe, ist der Start der Umsetzung mit Moonshot Use Cases und der Vollautomation von Prozessen. Wer einmal probiert hat, ein KI-Agenten-System zu implementieren in einem mittelständischen Unternehmen mit eingeschwungenen Prozessen, nicht-einheitlichen Daten in Systemen aus 1980 und Prozessen die im Kopf gelebt werden, aber nicht in BPMN Diagrammen existieren - weiß, dass eher in der KI-Hölle landet und mehr verbrannte Erde hinterlässt als irgendeinen ROI. Doch ich habe gute Neuigkeiten: Zwischen Vollautomonen Agenten und ein paar ChatGPT Lizenzen gibt es viele Graustufen. Du kannst mit ganz einfachen Anwendungen starten, in denen Mitarbeiter mit einem Chatbot auf Firmendaten zugreifen und diese abfragen können. Allein durch solche Anwendungen, gut ausgerollt mit entsprechendem Training, werden Stunden pro Woche freigesetzt. 5. Weniger Tools, mehr Wirkung. Wenn ich diese "Top 1000" KI-Tool-Maps sehe, dann gucke ich immer so: In 2 Jahren gibt's wahrscheinlich nur noch einen Bruchteil dieser Anbieter. Wir brauchen viele der Tools einfach nicht, weil KI da hin kommt, wo wir arbeiten. In unser CRM, siehe Agentforce In unsere Creative Suite, siehe Adobe In unser Support System, ziehe Zendesk Agents In unsere Workspaces, siehe Gemini und Copilot Ich würde auf der Tool-Seite zum Start Folgendes machen: Vorhandene Tools auf KI-Funktionen prüfen und bewerten Die KI-Roadmaps meiner Anbieter abfragen und challengen Eine zentrale, unternehmensweite KI-Plattform einführen (aber bau dir das bitte nicht selbst) Auf so einer KI-Plattform (ChatGPT Enterprise und Copilot365/Studio zähle ich auch dazu) kannst du bereits extrem viele Use Cases umsetzen, ohne weitere Entwicklerressourcen zu binden oder Spezial-Tools einzukaufen, die am Ende doch nicht richtig in Prozesse und Systeme integriert sind. 6. "Was passiert mit meinem Job?" ist die wichtigste Frage der KI-Transformation. Wer in einem Bürojob arbeitet versteht bei der Nutzung von KI-Tools recht schnell, dass sie (richtig in Prozesse und Systeme integriert) immer mehr der aktuellen Tätigkeiten beschleunigen, wenn nicht sogar ersetzen können. Jetzt kommt die entscheidende Frage: Wieso sollte ich das denn nutzen, wenn ich doch meinen Job behalten will, so wie er ist? Wenn deine Leute Angst haben, ihren Job an KI zu verlieren oder sich selbst überflüssig zu machen, dann kannst du die KI-Transformation vergessen. Weil niemand mitmacht. Die wichtigste Frage der KI-Transformation ist also nicht die nach den Tools oder Modellen, sondern was mit den Jobs passiert. Die Antwort auf diese Frage ist nicht einfach, weil wir alle noch herausfinden, wie künftige Arbeitsmodelle und Rollenprofile aussehen. Fakt ist, dass KI einen immer größeren Teil der heutigen Aufgaben schneller und besser erledigen wird. (Stanford AI Index 2025, zeigt, wie KI-Modelle immer schneller in immer mehr Fähigkeiten die menschlichen Fähigkeiten übertreffen) Der beste Weg mit diesen Ängsten umzugehen, ist sie direkt zu adressieren: Klarheit schaffen: Warum setzen wir KI ein? (Leitbild aus Punkt 1) Maßnahmen aufzeigen: Was machen wir, um deinen Arbeitsplatz zu sichern? Reskilling, Wachstum aus dem Team heraus aber ohne Neueinstellungen, ... Anreize setzen: Was ist das Incentive, deine Produktivität zu steigern? Höheres Produktivitätslevel wird neues Normal, mehr Zeit für XYZ, 4-Tage-Woche, 10 weitere Urlaubstage -> wahrscheinlich ist es eine Kombination aus Anreizen. → Eines habe ich jedoch gelernt: diese Frage nicht zu adressieren führt nur zu Widerstand gegen KI und keinen realisierten Produktivitätsgewinn. 7. Fang mit dem an, was da ist. "Wir haben noch nicht die notwendige Dateninfrastruktur und stecken mitten in einer ERP-Migration." Ich kenne wirklich kein einziges Unternehmen, das sagt: "Wir haben eine richtig tolle Dateninfrastruktur und perfekt skalierbare IT-Systeme." Überall gibt es Legacy. Das heißt aber nicht, dass man damit gar nichts machen kann. Fang doch mit dem an was da ist, während du die Grundlagen für die Zukunft glatt ziehst. KI ist zu schnell, um jetzt auf Pause zu drücken. 4 Fragen, die dir dabei helfen, den Startpunkt zu finden: Wo hast du einen Business Need, den KI lösen kann? Wo hast du dokumentierte Standardabläufe für robuste Prozesse? Wo liegen aktuelle Daten, die zugänglich sind? (Notfalls per Export / Import) Wo sind ambitionierte Kollegen, die umsetzen wollen? Wenn du überall einen Haken setzen kannst, dann kannst du umsetzen und Wert realisieren. Warte nicht darauf, dass dein perfekt konzipiertes Datalakehouse steht. Vielleicht ist es nie fertig. Keep it simple. 8. Unmöglich war vorgestern. Die Grenzen des Möglichen werden jeden Monat verschoben. Als wir damals mit GPT 3 die ersten Use Cases umgesetzt haben, war das für uns unglaublich. Heute würden wir uns totlachen über die Fähigkeiten dieser Modelle. Das ist 3 Jahre her. Seitdem ist KI immer besser und günstiger geworden. Und dieser Trend hält an. Das was wir heute sehen, ist das Schlechteste, was wir je wieder sehen werden. Und wer regelmäßig mit Claude 4 Opus oder Gemini 2.5 Pro arbeitet, wird sich fragen, was da noch kommen soll. Google hat neulich mit AlphaEvolve einen KI-Agenten entwickelt, der bessere KI entwickeln kann. Die dann bessere KI entwickelt. Die dann wieder bessere KI entwickelt...wir sind noch lange nicht am Ende. Was heute unmöglich scheint, wird morgen machbar. Jetzt kommt mein Punkt: Während die einen über Spiegelstriche in KI-generierten Texten diskutieren oder sich fragen, wie denn Absatz 24a in ihrer KI-Richtlinie formuliert sein soll, hat Maor Shlomo in 6 Monaten ganz alleine (+ KI) eine App gebaut, die er für 80 Mio $ verkauft hat. 6 Monate, ganz alleine. Er ist raus gegangen, hat sich die verfügbaren Tools geschnappt, auf alles gepfiffen und gebaut. Darauf kommt's jetzt an. Aus der eigenen Box rauskommen, die Chancen der Zeit ergreifen und schneller umsetzen als andere. 🏁 Fazit Wir machen die KI-Transformation komplizierter als sie ist. Und es uns damit unnötig schwer. Was nicht heißt, dass es einfach ist. Aber es ist machbar. Ich bin überzeugt davon, dass am Ende nicht diejenigen Unternehmen mehr Tore schießen, die seit 2 Jahren in ihren KI-Strategie-Meetings sitzen. Es werden diejenigen sein, die jetzt schon ihre Teams fit machen, in die Anwendung gehen, Lernschleifen drehen und Wert realisieren. Dieser trainierte KI-Muskel in der Organisation wird den Unterschied machen. Key Takeaways KI ist schon da. Du muss nichts "einführen". KI-Transformation ist kein +1 Thema. Erst Use, dann Case. Erweiterung schlägt Automatisierung. Nutze wenige Tools, die wirken. "Was passiert mit meinem Job?" -> adressieren. Fang mit dem an, was da ist. Unmöglich war vorgestern. Welche Erfahrungen hast du gemacht? Bis nächsten Sonntag, Felix P.S. Im AI Collective bekommen unsere Mitglieder das exakte Playbook, wie man KI als Führungskraft nutzt und die KI-Transformation im Unternehmen umsetzt. Mit allen Vorlagen, Anleitungen, wöchentlichen Community Sessions und Deep Dives mit Fachexperten. Praxis > Theorie. Wir öffnen unsere kuratierte Community bald für 30 weitere Mitglieder. Hier kannst du dich auf die Warteliste eintragen.
## 5 GenAI Quick Wins für dein Unternehmen
URL: https://ai-first.ai/insights/5-genai-quick-wins-fuer-dein-unternehmen
Kategorie: Lab
Untertitel: Ohne Millionen-Budgets echten Mehrwert schaffen
Herzlich Willkommen zu den AI FIRST Insights! In den letzten Ausgaben haben wir uns intensiv damit beschäftigt, wie du systematisch GenAI Use Cases findest, kategorisierst, priorisierst und in die Umsetzung bringst. Während in vielen Unternehmen noch immer intensiv nach dem einen großen Leuchtturm Use Case gesucht wird - dem perfekten KI-Projekt, das alles verändert - gehen wir heute auf konkrete Quick Wins ein, die dich sofort weiterbringen. Diese kleinen, aber wirkungsvollen Anwendungen schaffen oft in kürzester Zeit echten Mehrwert und bringen das ganze Unternehmen ins Momentum. Sie brauchen keine großen Budgets, keine langwierigen Genehmigungsprozesse und keine IT-Projekte. In dieser Ausgabe teile ich Quick Wins aus fünf Kategorien mit dir, die ich bei Dutzenden Kunden erfolgreich im Einsatz sehe. Jeder davon ist sofort umsetzbar. Los geht's! 1. Ad hoc Datenanalyse In jedem Unternehmen müssen ständig ad hoc Analysen auf Daten ausgeführt werden, die oft viel Zeit in Anspruch nehmen und spezielle Kenntnisse erfordert. Mit KI-gestützten Analyse-Tools kannst du komplexe Datenauswertungen ohne Data Science-Kenntnisse durchführen und dabei in Minuten zu Erkenntnissen gelangen, für die du früher Stunden oder Tage gebraucht hättest. 2 Agenten finde ich dafür besonders hilfreich: Analyst Agent in Copilot365 Google Colab , KI-gestützter Data Scientist powered by Gemini Insbesondere mit Google Colab können sehr große, komplexe Datensätze analysiert werden, da der Agent auf ein webbasiertes Jupyter-Notebook zugreift, welches normalerweise von Data Scientists genutzt wird. (Analyse der Korrelation genutzter KI-Tools zur Jahrgangsstufe in Google Colab.) Beispiel-Anwendungsfälle: Analyse von Marketingkampagnen: Klickraten, Conversions und Kundeninteraktionen. Umsatzschwankungen: Gründe für Umsatzanstiege oder -einbrüche. Kundenabwanderung: Analyse von Kundendaten bei Kündigungen. Optimierung der Lieferkette: Ursache für Lieferverzögerungen aufdecken. Analyse des Website-Traffics: Nutzerverhalten nach Relaunch verstehen. Produkt-Performance-Analyse: Verkaufszahlen von Top-Performern auswerten. Analyse von Kundenfeedback: Hauptursachen für Beschwerden aus Support Tickets und Kundenfeedbacks analysieren. 2. Alles, was recherchiert werden muss Recherche-Aufgaben sind in jedem Unternehmen allgegenwärtig und zeitaufwändig - von der Marktanalyse über Wettbewerbsbeobachtung bis zur Vorbereitung eines Pitches. Deep Research-Agenten sind mittlerweile so gut, dass du komplexe Recherchen in Minuten statt Stunden abschließen und dabei deutlich umfassendere Ergebnisse erzielen kannst, als mit manueller Suche. Die besten Deep Research Agenten: Gemini (aktuell mein Favorit für Deep Research-Analysen) Perplexity Lab (sehr stark in der Erstellung von Grafiken) Manus (höchste Kontrolle über das Format beim Output) ChatGPT Elemente für deinen Deep Research Prompt: Kontext Zentrale Forschungsfrage Anweisungen und Parameter Formatvorgaben Quellenpräferenzen Folgefragen 👉 Hier findest du mein Deep Research Prompt Template. (Deep Research zu KI-Automatisierungplattformen) Beispiel-Anwendungsfälle: Sales-Vorbereitung (Unternehmen, Ansprechpartner, News) Wettbewerbsbeobachtung Markt- und Trendanalysen Regulatorische Änderungen Technologie-Scouting Due Diligence-Vorbereitung 3. Simulation mit KI-Personas (statt mit Menschen) Bevor du in wichtige Gespräche, Präsentationen oder Entscheidungen gehst, kannst du diese mit KI simulieren und optimieren. Die Idee: Du erstellst eine digitale Persona - einen KI-Avatar deines Kunden, Partners oder einer anderen relevanten Person - und testest deine Inhalte, Argumente oder Ideen gegen diese Persona, bevor du in die echte Situation gehst. (Hier challenged mein Kundenavatar mein Keynote-Deck :) ) 👉 Hier findest du die Anleitung zur Erstellung von KI-Personas. Beispiel-Anwendungsfälle: Sales-Gespräche simulieren Neue Offerings testen Produktideen validieren Präsentationen optimieren Verhandlungsstrategien entwickeln Pricing-Strategien testen Marketing-Botschaften prüfen Du kannst dir natürlich Personas für sämtliche andere Bereiche erstellen oder sogar ein ganzes Panel an Personas aufbauen, die du für Marktforschung nutzt. 4. Informationen kondensieren und "chatable" machen Ein großes Problem in Unternehmen ist, dass es unfassbar viele Informationen und viel dokumentiertes Wissen gibt, aber es nicht zugänglich ist. Enterprise Search ist oft fehleranfällig und es ist nicht einfach, mal eben den gesamten SharePoint oder OneDrive nach spezifischen Informationen zu durchsuchen. Unsere Lösung: Spezifische Wissensbots, die komplexe Informationsmengen auf die Antworten kondensieren, die du konkret brauchst. (Unser EU AI Act GPT , der mir die Risikoklassen erklärt) Beispiel-Anwendungsfälle: Kundenwissen-Bot: Komplette Kundenhistorie, Ansprechpartner, Produktportfolio, Richtlinien Compliance-Bot: Interne Unternehmensrichtlinien und Prozesse Fachthemen-Bot: Spezifisches Expertenwissen (z.B. EU AI Act, Branchenregulierungen) Projekt-Bot: Alle Informationen zu einem laufenden Projekt Onboarding-Bot: Wissen für neue Mitarbeiter strukturiert aufbereitet 5. Überall wo Texte und Bilder benötigt werden Man könnte meinen, dass dieser Anwendungsbereich nun mittlerweile klar sein müsste. Nach meiner Erfahrung wird aber noch immer haufenweise Text und Bild ohne KI-Unterstützung generiert. Überall, wo du Texte oder Bilder erstellen musst, solltest du KI mitdenken. Die Modelle sind in ihrer Flexibilität und Qualität mittlerweile so gut geworden, dass sie jegliche Aufgabe, bei der Text und Bild erstellt werden muss, unterstützen - wenn nicht sogar ganz automatisieren können. Bestes Beispiel: Dieser Newsletter hier. Natürlich schreibe ich den mit KI-Unterstützung. Was nicht bedeutet, dass ich auf einen Knopf drücke und ein generischer Text erscheint. Ich beschreibe dem Newsletter-Assistenten das Ziel, Thema und Kernaussagen und dann erarbeiten wir im Sparring die Struktur und Inhalte, indem ich alles per Spracheingabe einspreche und ausformulieren lasse. Außerdem teile ich Ressourcen und Beispiele, die zu diesem Thema habe. Die reine Erstellung des Textes übernimmt dann der Assistent. (Auszug aus dem Newsletter-Sparring für diese Ausgabe. Die Antworten gebe ich per Spracheingabe ein und ergänze weiterführende Ressourcen. Daraus entstehen die Newsletter-Drafts.) Das Bild erstellen wir dann mit Midjourney. Beispiel-Anwendungsfälle: Marketing : Social Media Posts, Newsletter, Werbetexte, Kampagnen-Visuals Interne Kommunikation: Richtlinien-Dokumentation, Prozessbeschreibungen, Schulungsunterlagen Vertrieb : Proposal-Texte, Produktbeschreibungen, Präsentationsfolien HR : Stellenausschreibungen, Onboarding-Materialien, Mitarbeiter-Newsletter Operations : Handbücher, FAQ-Dokumente, Infografiken für Prozesse 🏁 Fazit Während viele Unternehmen noch nach dem einen großen KI-Leuchtturmprojekt suchen, kannst du mit diesen Quick Wins sofort starten und echten Mehrwert schaffen. Diese Anwendungen brauchen keine IT-Projekte, keine großen Budgets und keine monatelange Entwicklung. Sie haben alle gemeinsam, dass sie zur Unterstützung von Menschen dienen. Bei unseren Kunden sehen wir immer wieder, dass gerade diese niedrigschwelligen Einsätze das Momentum für die gesamte KI-Adoption im Unternehmen schaffen. Teams werden mutiger, experimentieren mehr und entwickeln ein Gefühl dafür, wo KI wirklich hilft. Key Takeaways Ad hoc Analysen : Feedback-Auswertung, Performance Analysen oder Fehlerprüfung - sämtliche Datenanalysen lassen sich mit Tools wie Google Colab beschleunigen. Simulationen : KI-Avatare deiner Kunden oder Stakeholder helfen dir, Gespräche, Präsentationen und Strategien zu testen, bevor es ernst wird Recherche : Deep Research-Funktionen in Gemini, ChatGPT & Co. liefern dir strukturierte, umfassende Analysen in Minuten statt Stunden Wissenszugang : Spezialisierte Wissensbots machen komplexe Dokumentationen und internes Wissen sofort durchsuchbar und nutzbar Content-Erstellung : Moderne KI-Tools unterstützen bei jeder Form von Text- und Bildcontent - von Marketing bis zu internen Richtlinien Bei all den Möglichkeiten bleibt es jedoch dabei: Es gibt nichts Gutes, außer man tut es :) Bis nächsten Sonntag, Felix
## Die GenAI Use Case Trilogie Teil 3: Use Cases umsetzen
URL: https://ai-first.ai/insights/die-genai-use-case-trilogie-teil-3-use-cases-umsetzen
Kategorie: Lab
Untertitel: Wie du deine KI Use Cases von der Excel-Tabelle in die Umsetzung bringst
Herzlich Willkommen zu den AI FIRST Insights! In Teil 1 und 2 unserer GenAI Use Case Trilogie haben wir die GenAI-Potenziale in unseren Prozessen identifiziert und diese Chancen kategorisiert und priorisiert. Im heutigen 3. Teil geht es um die Umsetzung. Wir wollen weder in der Produktivitätsfalle landen, noch uns in Moonshot-Projekten verlieren, die nie das Licht der Welt erblicken. Wir wollen beides: Quick Wins schnell und risikoarm realisieren - möglichst dezentral in den Teams. Und gleichzeitig die Value Cases mit echtem Business-Hebel strategisch angehen. In diesem Teil zeige ich dir den Umsetzungsansatz für beide Kategorien. Los geht's! Deine Checkliste, bevor du in die Umsetzung startest Wir haben unsere Chancen identifiziert, sie nach Aufwand/Nutzen kategorisiert in Quick Wins und Value Cases, über die Scorecard bewertet und priorisiert. Wir beginnen mit den Use Cases, welche das beste Aufwand/Nutzen-Verhältnis haben. Soweit, so klar. Bevor du überhaupt an Umsetzung denkst, musst dafür bei diesen 3 Punkten unbedingt einen Haken machen können: ✅ Relevantes Problem: Ein klarer Business-Need mit sichtbarem Wertbeitrag durch den Einsatz von KI. ✅ KI ist die passende Lösung: Das Problem lässt sich mit typischen KI-Fähigkeiten besser lösen als mit anderen Methoden. ✅ Verfügbare Daten: Die nötigen Daten sind vorhanden, zugänglich und dürfen genutzt werden. KI ist wahrscheinlich nicht die beste Lösung, wenn: ❌ Einfache Regeln oder Standardsoftware ausreichen (wenn/dann Automation). ❌ Menschliche Intuition und/oder Empathie kritisch entscheidend ist. ❌ Keine gepflegten Daten vorhanden oder zugänglich sind. ❌ Das Problem nicht ausreichend definiert ist. ❌ Der Aufwand den Nutzen übersteigt. Viele KI Use Cases klingen faszinierend und wertstiftend, sind aber in Wahrheit einfacher lösbar oder viel zu komplex für den Wert, den sie stiften. Mit dieser Checkliste filterst du sie heraus. Quick Wins umsetzen: Dezentral und mit vorhandenen Tools Quick Wins sind der Schlüssel für den erfolgreichen KI-Einstieg. Sie schaffen Vertrauen, helfen beim Sammeln von Erfahrungen und liefern schnelle Erfolge - ohne großes Risiko oder Budget. Quick Wins sollten direkt in den Teams umgesetzt werden, nicht als zentrale IT-Projekte. Warum? Weil die Teams ihre Prozesse am besten kennen. Nachdem du das zu lösende Problem, das erwartete Ergebnis, die erforderlichen Dateninputs sowie Aufgabenschritte der KI definiert hast, stellt sich die Frage nach Realisierung des Use Cases. Ich prüfe immer 3 Ansätze, mit denen ich die allermeisten Quick Wins umgesetzt bekomme: Welche KI-Funktionen bringen bestehende Tools bereits mit? Was gibt es für Standardtools, die das Problem lösen? Was können wir auf einer KI-Plattform aufbauen? Ansatz 1: Integrierte KI-Funktionen nutzen Nutze die KI-Features, die bereits in deiner Standard-Software stecken. Die meisten Unternehmen haben schon bezahlte KI-Funktionen, die sie nicht nutzen. Sie suchen ständig nach neuen Tools oder investieren in selbstgebaute Workflows, obwohl die Funktion bereits vorhanden ist. Unser Beispiel: In Intercom haben wir die integrierte KI-Funktion aktiviert, um wiederkehrende Kundenanfragen automatisch zu klassifizieren und zu beantworten. Binnen zwei Wochen hatte der Bot 40% unserer Standard-Anfragen übernommen. Weitere Beispiele: Microsoft 365 Copilot: Meeting-Zusammenfassungen, E-Mail-Entwürfe Zendesk AI Agents: Tickets klassifizieren, Antworten erstellen SAP Joule: Analyse von Geschäftsdaten, Dokumentation Ansatz 2: Standard-Tools einkaufen Wenn deine vorhandenen Tools das Problem nicht lösen, schaue nach bewährten Speziallösungen. Unser Beispiel: Wir haben das Tool Clay zur Lead-Recherche, Anreicherung und Sales-Kommunikation genutzt. Diese Prozesse kann man sich theoretisch selbst bauen, hat vom Aufwand/Return-Verhältnis für uns jedoch keinen Sinn ergeben. Weitere Beispiele: DeepL Pro für Übersetzungen HeyGen für Lernvideo-Avatare ElevenLabs für die Erstellung von Sprach-Agenten Ansatz 3: Interne KI-Plattform verwenden Mit einer Enterprise KI-Plattform (ChatGPT Enterprise, Copilot (Studio), Langdock, Zive, ...) lassen sich bereits sehr viele Quick Wins umsetzen, ohne dass neue Tools gekauft werden müssen. Daher ist die breite Einführung solch einer Plattform ein Muss für alle Unternehmen, die GenAI in den produktiven Einsatz bringen wollen. Unser Beispiel: Wir haben in jedem Team Assistenten und Agenten aufgesetzt, die wiederkehrende, zeitaufwändige Tätigkeiten unterstützen oder als Sparringspartner fungieren. Sales Agent zur Vor- und Nachbereitung von Terminen Content Agent zur Produktion von Social Media Assets Reporting Assistent zur Kommentierung von Investoren-Reports Chief of Staff Agent zur Unterstützung bei Kommunikation und Planung ... Du musst natürlich deine Anforderungen gegen die Möglichkeiten der Features/Tools/KI-Plattform legen und abwägen. Natürlich kann auch eine KI-Funktion in einem Tool existieren, die jedoch so schlecht umgesetzt wurde, dass ein selbstgebauter Agent mehr Sinn ergibt. Quick Wins sollten binnen 4 Wochen produktiv sein. Alles was länger dauert, ist kein Quick Win mehr. Value Cases angehen: strategisch evaluieren Value Cases sind die großen GenAI-Hebel mit strategischem Impact, aber höherer Komplexität. In der Regel werden Value Cases zentral von einer KI-Taskforce bearbeitet und von einem Sponsor aus dem Fachbereich / Business Unit verantwortet. Wichtig: Die Evaluierung und Umsetzung von Value Cases ist klassisches Projekt-/Produktmanagement - nichts Neues. Die Herausforderung liegt darin, die KI-spezifischen Aspekte richtig zu bewerten. 5 Schritte, die nicht fehlen dürfen: Reality-Check durchführen Business-Wert quantifizieren (!!!) Daten- & Integrationscheck Make-or-Buy-Entscheidung MVP definieren und Business Case erstellen 8 häufige Stolpersteine vermeiden 1. Perfektionismus-Falle bei Quick Wins Problem: Teams wollen Quick Wins "richtig" machen und überkomplizieren sie. Aus einem 2-Wochen-Quick-Win wird ein 3-Monats-Projekt mit perfekter Datenanbindung, umfangreichem Testing und Change Management. Lösung: Setze klare Zeitlimits und denke in Ausbaustufen (siehe Teil 2). Wenn ein Quick Win länger als 4 Wochen dauert, ist es keiner mehr. Nutze die 80/20-Regel: 80% des Nutzens mit 20% des Aufwands. 2. Datenqualität unterschätzen Problem: "Wir haben die Daten in Excel" bedeutet nicht "Die Daten sind KI-tauglich". Schlechte Datenqualität, fehlende Standardisierung oder unvollständige Datensätze killen auch den besten Use Case. Lösung: Mache den Daten-Check zum ersten Schritt. Schaue dir echte Datensätze an, nicht nur Beschreibungen. Prüfe Vollständigkeit, Konsistenz und Aktualität. 3. Change Management vernachlässigen Problem: Die beste KI-Lösung scheitert, wenn die Nutzer sie nicht akzeptieren, nicht verstehen warum sie helfen soll, oder nicht wissen, wie sie sie in ihren Arbeitsalltag integrieren. Lösung: Involviere die Endnutzer von Anfang an. Erkläre den konkreten Nutzen für ihre tägliche Arbeit. Schaffe Verständnis für den Mehrwert, nicht nur für die Technologie. Plane Schulungen und Support ein. 4. Parallel-Umsetzung ohne Koordination Problem: Marketing baut einen Content-Generator, Vertrieb entwickelt einen E-Mail-Assistenten und HR einen Bewerbungs-Chatbot - alle parallel, alle ähnlich, alle mit unterschiedlichen Tools und Standards. Lösung: Schaffe einen zentralen Überblick über alle laufenden KI-Initiativen. Wöchentliche Sync-Termine zwischen den Teams. Definiere gemeinsame Tool-Standards und teile Learnings. 5. Value Cases zu früh starten Problem: Ohne Quick Win-Erfahrung direkt in komplexe Value Cases einzusteigen führt zu überzogenen Erwartungen, unterschätzten Risiken und oft zu Enttäuschungen, die das ganze KI-Programm gefährden. Lösung: Sammle erst praktische Erfahrung mit 3-5 Quick Wins, bevor du Value Cases angehst. Baue Vertrauen und Kompetenz schrittweise auf. 6. Tool-Hopping statt Fokus Problem: Jede Woche ein neues KI-Tool ausprobieren, statt die vorhandenen richtig zu nutzen. Das führt zu oberflächlicher Nutzung und verhindert echte Expertise. Lösung: Fokussiere dich auf so wenige Tools wie möglich und nutze deren Potenzial voll aus, bevor du neue hinzufügst. Auf LLM-basierten Chatbot und Automationsplattformen können bereits sehr viele unterschiedliche Use Cases umgesetzt werden. 7. ROI-Messung vergessen Problem: Use Cases werden umgesetzt, aber der tatsächliche Nutzen wird nie gemessen. Dadurch fehlt die Basis für weitere Investitionen und die Argumentation für größere KI-Projekte. Lösung: Definiere messbare Erfolgsmetriken vor der Umsetzung (Zeitersparnis, Qualitätsverbesserung, Kosteneinsparung) und tracke sie kontinuierlich. Dokumentiere Erfolge für die nächsten Business Cases. 8. Niemand ist verantwortlich Problem: Bei der Entwicklung von Ideen und der Priorisierung sind noch alle dabei. Wenn es dann um die Verantwortung für die Umsetzung und die Ergebnisse geht, wird delegiert und das Tagesgeschäft vorgeschoben. Lösung: Jeder (!!!) Use Cases benötigt einen Owner aus dem Fachbereich. Sonst geht die Umsetzung nicht los. Die IT oder das KI-Team zählen nicht als Owner :) Der komplette Weg: Von Use Case Ideen zur Umsetung Diese dreiteilige Serie hat dich durch den kompletten GenAI Use Case-Prozess geführt: Teil 1: Chancen entdecken Business-Probleme → Aufgaben → GenAI-Mapping Starte bei Business-Herausforderungen, nicht bei der Technologie. Das 5-Schritte-Framework hilft dir, systematisch von Engpässen zu konkreten Use Cases zu kommen. Teil 2: Use Cases bewerten Ausbaustufen → Matrix-Bewertung → Kategorisierung Bewerte nach Wertbeitrag vs. technischer Machbarkeit. Denke in Ausbaustufen. Das Ergebnis: Quick Wins für schnelle Erfolge, Value Cases für strategischen Impact. Teil 3: In die Umsetzung kommen Quick Wins dezentral → Value Cases als Projekte Quick Wins dezentral mit vorhandenen Tools umsetzen. Value Cases strukturiert mit Reality-Check, Business Case und MVP-Planung angehen. Jetzt bist du dran: Nimm dir diesen Prozess und wende ihn in deinem Unternehmen an. Starte mit der Use Case-Identifikation aus Teil 1, bewerte sie nach dem Framework aus Teil 2 und setze die ersten Quick Wins um. Ich bin gespannt auf deine Erfahrungen: Welche Quick Wins konntest du schnell umsetzen? Wo bist du auf Stolpersteine gestoßen? Schreib mir einfach - ich lese jede E-Mail :) Bis nächsten Sonntag Felix
## Die GenAI Use Case Trilogie Teil 2: Use Cases bewerten
URL: https://ai-first.ai/insights/die-genai-use-case-trilogie-teil-2-use-cases-bewerten
Kategorie: Lab
Untertitel: Wie du deine KI Use Cases bewertest und deine Quick Wins findest
Herzlich Willkommen zu den AI FIRST Insights! "Felix, wir haben jetzt 87 Use Cases identifiziert. Womit fangen wir an? " Viele stehen jetzt vor dem gleichen Problem: Eine Excel-Liste mit 87 potenziellen Anwendungsfällen - von der automatisierten E-Mail-Kategorisierung bis zur KI-gestützten Qualitätskontrolle. Alle theoretisch umsetzbar, alle mit Potenzial. Aber welche sind wirklich die richtigen? Womit startet man? Und wie vermeidet man, sich in der Vielzahl der Möglichkeiten zu verzetteln? In Teil 2 unserer Serie zeige ich dir, wie du aus der Use Case-Sammlung die richtigen Prioritäten ableitest. Du lernst ein praxiserprobtes Bewertungsframework kennen und verstehst, warum nicht alle Use Cases gleich behandelt werden sollten. Am Ende dieser Ausgabe weißt du genau, welche deiner identifizierten Use Cases du zuerst angehen solltest. Los geht's! Aktionismus und Lähmung überwinden In Teil 1 hast du gelernt, wie du strukturiert KI-Potenziale in deinen Prozessen identifizierst. Viele Unternehmen haben bereits in Workshops (oder mit ChatGPT) solche Use Case Listen erarbeitet. Dieser Teil ist noch relativ einfach. Jetzt die entscheidende Frage: Womit fangen wir an? In der aktuellen wirtschaftlichen Lage hat niemand Budget zum wilden Experimentieren. Es geht darum, schnell echte Mehrwerte zu realisieren. Ohne klare Bewertung und Priorisierung passiert das Gegenteil: Szenario A: Lähmung Teams sitzen vor ihrer Use Case-Liste und fangen nicht an. Resultat: Man bleibt bei E-Mails vorschreiben, "Gib mir 5 Ideen" und Dokumente zusammenfassen hängen. Szenario B: Aktionismus Man startet irgendwo und merkt nach Wochen: "Wir kommen nicht vorwärts." Jeder wurstelt vor sich hin. Szenario C: Verschenktes Potenzial Man behandelt alle Use Cases gleich als IT-Projekte. Massiv Potenzial bleibt liegen. Alle drei Ansätze lassen extrem viel Potenzial ungenutzt. Die Ursache ist meistens, dass der Umsetzungsaufwand falsch eingeschätzt wird und / oder der Mehr nicht quantifizierbar oder unzureichend auf Unternehmensziele ausgerichtet ist. In Ausbaustufen denken Schauen wir uns ein typisches GenAI Use Case Beispielan: "Automatisierung unseres Kundenservice über Chat, Mail und Telefon." Das klingt wie ein Use Case, ist aber ein ganzes Anwendungsfeld mit dutzenden versteckten Anwendungsfällen : Stimmungsanalyse Anliegenerkennung FAQ-Beantwortung E-Mail-Klassifizierung Informationsextraktion Konto- und Adressänderungen ... Die Lösung, um der überfordernden Komplexität von Anwendungsfällen Herr zu werden, nenne ich Ausbaustufen . Du kannst jeden Use Case in Stufen aufteilen, welche aufeinander aufbauen. Schon Stufe 1 schafft Wert und hilft dir, Erfahrungen für die nächste Ausbaustufe zu sammeln. Stufe 1: KI antwortet KI unterstützt auf Anfrage über Chatbots oder trainierte Assistenten. Beispiel: Kundenservice-Agent fragt KI-Chatbot mit interner Wissensdatenbank. Stufe 2: KI schlägt vor KI wird proaktiv, schlägt Lösungen vor, Mensch prüft und entscheidet. Beispiel: KI analysiert Kundenanfrage und schlägt passende Antwortvorlage vor. Stufe 3: KI führt aus Vollautomatisierung ohne menschliche Kontrolle. Beispiel: KI beantwortet FAQs direkt, leitet komplexe Fälle an Menschen weiter. Nicht jeder Use Case braucht alle Stufen. Manchmal ist der direkte Sprung zu Stufe 3 richtig. Dein nächster Schritt: Nimm deine Use Case-Liste und definiere für jeden Use Case die möglichen Ausbaustufen. Das macht sie greifbarer, weniger komplex und vor allem: bewertbar. Bewertungsframework: Wertbeitrag vs. Technische Machbarkeit Jetzt wird's konkret: Wie bewertest du deine Use Cases systematisch? Ich nutze eine pragmatische Bewertung aus zwei Perspektiven - Wertbeitrag und technische Machbarkeit. Jeder Use Case (bzw. jede Ausbaustufe) wird auf einer 3-Punkte-Skala bewertet: Hoch Mittel Niedrig Wichtig: Es geht nicht um die perfekte Berechnung, sondern darum, deine Use Cases zu clustern und in eine klare Priorisierung zu kommen. Wertbeitrag bewerten: Für den Wertbeitrag habe ich mehrere Dimensionen gebildet, welche je nach Unternehmenszielen gewichtet werden können: 1. Aufwand der Aufgabe Wie viel Zeit wird heute dafür aufgewendet? Hoch: 25%+ der Gesamtarbeitszeit Mittel: 10-24% der Gesamtarbeitszeit Niedrig: 1-9% der Gesamtarbeitszeit 2. Häufigkeit Wie oft tritt diese Aufgabe auf? Hoch: Täglich Mittel: Wöchentlich Niedrig: Monatlich oder seltener 3. Zeitersparnis durch KI Wie viel Zeit kann eingespart werden? Hoch: 51%+ Zeitersparnis Mittel: 21-50% Zeitersparnis Niedrig: <20% Zeitersparnis 4. Weitere (weiche) Mehrwerte (Auch hier ein Scoring nach Hoch/Mittel/Niedrig) Qualitätsgewinn Mitarbeiterzufriedenheit Kundenerlebnis Aufwand bewerten: Für die Annäherung an die technische Machbarkeit schaue ich mir wieder drei Dimensionen an und weise ihnen einen Wert von Niedrig (geringer Aufwand) bis Hoch (hoher Aufwand) zu. 1. Datenverfügbarkeit Niedrig (gut): Daten stehen in ausreichender Qualität zur Verfügung Mittel: Daten nicht zugänglich ODER qualitativ unzureichend Hoch (schwierig): Daten nicht zugänglich UND qualitativ unzureichend 2. Integrationsaufwand Niedrig: Keine Anbindung erforderlich Mittel: Standard-Schnittstellen vorhanden Hoch: Keine Standard-Schnittstellen vorhanden 3. Ressourcen/Tools Niedrig: Umsetzung mit vorhandenen Tools möglich Mittel: Zukauf eines neuen Tools erforderlich Hoch: Eigenentwicklung erforderlich Das Ergebnis: Eine Matrix, die dir zeigt, welche Use Cases den höchsten Wertbeitrag bei der geringsten technischen Komplexität bieten. Quick Wins vs. Value Cases Aus der Bewertungsmatrix entstehen zwei Kategorien - und jede braucht einen anderen Umsetzungsansatz: Quick Wins Anwendungsfälle mit gutem Wertbeitrag (vor allem Effizienz/Zeitersparnis) UND relativ einfacher technischer Machbarkeit . Typische Merkmale: KI-Unterstützungsfälle für abgegrenzte Aufgaben Klare Automatisierung mit überschaubarem Scope Schnell umsetzbar mit vorhandenen Tools Sofortige Wirkung spürbar Beispiel: KI-Assistent für E-Mail-Entwürfe im Kundenservice mit integrierter Wissensdatenbank Value Cases (Projekte) Anwendungsfälle mit potenziell sehr hohem Wertbeitrag (auch strategisch, qualitativ), die technisch aufwendiger sein können, aber einen signifikanten Unterschied machen. Typische Merkmale: Automatisierungsfälle mit breiterem Scope Strategische Relevanz für das Unternehmen Längerfristige Wirkung, größerer Impact Höhere technische Komplexität Beispiel: Vollautomatisierte Analyse und Kategorisierung aller eingehenden Kundenanfragen mit intelligenter Weiterleitung und Antwort-Drafting. Quick Wins können dezentral in den Teams umgesetzt werden. Value Cases brauchen Projektmanagement, Budget und oft externe Unterstützung . Abschließend kannst du die ausgewählten Use Cases mit einer Scorecard dokumentieren und in eine Übersichtstabelle übertragen. In dieser Datei sollte auch künftig der Umsetzungsstatus nachgehalten werden. (Im AI Collective stellen wir unseren Mitgliedern neben einer umfangreichen Akademie und wöchentlichen Community Sessions auch 30+ Templates (Use Case Discovery Miro Board, Scorecard und Use Case Portfolio, Use Case Datenbank, ...) zur Verfügung, um KI im eigenen Unternehmen in die Umsetzung zu bringen. Demnächst öffnen wir das AI Collective wieder für neue Mitglieder. Hier kannst du dich auf die Warteliste eintragen.) 🏁 Fazit Heute haben wir unsere Liste an Use Case Ideen in Quick Wins und Value Cases kategorisiert und anhand der Mehrwerte und Machbarkeit priorisiert. Das Ausbaustufen-Denken reduziert Komplexität und macht Use Cases greifbar. Die Bewertungsmatrix aus Wertbeitrag und technischer Machbarkeit schafft Klarheit. Und die Kategorisierung in Quick Wins und Value Cases bereitet den richtigen Umsetzungsweg vor. Key Takeaways Ausbaustufen definieren: Denke Use Cases nicht als Endlösung, sondern in entwickelbaren Stufen Pragmatisch bewerten: Nutze Wertbeitrag vs. technische Machbarkeit für schnelle Clusterung Kategorisieren: Quick Wins für schnelle Erfolge, Value Cases für strategischen Impact Unterschiedlich behandeln: Jede Kategorie braucht einen anderen Umsetzungsansatz Fokus vor Vollständigkeit: Lieber wenige Use Cases richtig als viele halbherzig Nächsten Sonntag zeige ich dir in Teil 3, wie du konkret in die Umsetzung gehst - von der dezentralen Quick Win-Implementierung bis zum strategischen Value Case. Bis nächsten Sonntag, Felix
## Die GenAI Use Case Trilogie Teil 1: Chancen entdecken
URL: https://ai-first.ai/insights/die-genai-use-case-trilogie-teil-1-chancen-entdecken
Kategorie: Adoption
Untertitel: Praxisleitfaden zur systematischen Entdeckung von GenAI-Chancen
Herzlich Willkommen zu den AI FIRST Insights! "Felix, was sind denn unsere Use Cases?" Drei Jahre GenAI-Hype und trotzdem ist das noch immer die mir am häufigsten gestellte Frage . Viele Unternehmen bleiben in der " Produktivitäts-Falle " stecken. E-Mails schreiben, Meetings transkribieren, Ideen generieren. Der Sprung zu fachbereichsspezifischen Anwendungen und echter Prozessintegration fällt schwer. Deshalb starte ich heute eine dreiteilige Serie: Teil 1 (heute): Chancen entdecken - Probleme identifizieren Teil 2: Use Cases bewerten - Die richtigen Prioritäten setzen Teil 3: In die Umsetzung kommen - Erfolgreich implementieren Am Ende der heutigen Ausgabe hast du ein klares Vorgehen, mit dem du systematisch GenAI-Potenziale in jedem Bereich deines Unternehmens aufspürst. Los geht's! 3 typische Fehler Drei Jahre GenAI-Hype und trotzdem dümpeln die meisten Unternehmen bei oberflächlichen Anwendungen herum. Warum ist das so? Aus meiner Beratungspraxis sehe ich drei zentrale Probleme: Problem 1: Unklare Prozesse Die meisten Unternehmen haben ihre eigenen Abläufe nicht durchdrungen. Sie können nicht präzise beschreiben, welche Aktivitäten Schritt für Schritt in einem Bereich ablaufen. Ohne diese Prozessklarheit ist es unmöglich, konkrete KI-Anwendungsfälle zu identifizieren. Diese Grundlagenarbeit muss gemacht werden - da helen auch die besten KI-Modelle nichts. Problem 2: Zu groß gedacht Statt spezifischer Use Cases werden ganze Anwendungsfelder betrachtet. Klassisches Beispiel: "Customer Service automatisieren." Dahinter stecken dutzende verschiedener Anwendungsfälle - von Ticket-Kategorisierung bis Sentiment-Analyse. Diese fehlende Granularität macht jeden Use Case ungreifbar und überkomplex. Problem 3: Unkenntnis der GenAI-Fähigkeiten Entscheidern fehlt das konkrete Verständnis für GenAI-Stärken und -Schwächen. Wie soll man KI-Potenziale in eigenen Prozessen erkennen, wenn unklar ist, was GenAI kann und was nicht? In der Praxis wird dann oftmals versucht, den Nagel mit der Bohrmaschine in die Wand zu schlagen. Der Lösungsansatz Für Problem 1 und 2 benötigt es strukturierte Vorarbeit: Prozesse durchdringen, in konkrete Aktivitäten aufschlüsseln und sauber dokumentieren. Für Problem 3 gilt: Erst Use, dann Case. Menschen müssen erst praktische GenAI-Erfahrung sammeln, bevor sie Use Cases entwickeln können. Von Tools zu Business-Herausforderungen Der typische Fehler: Wir haben ein neues Tool und fragen uns "Was könnten wir damit machen?" Das ist nicht grundsätzlich verkehrt - im Gegenteil. Du solltest deine tägliche Arbeit aus KI-Perspektive hinterfragen und die überlegenen Fähigkeiten von Large Language Models konsequent nutzen. Aber nicht dort stehen bleiben. Ich unterteile in 2 Phasen: Phase 1: KI in persönliche Arbeitsweise integrieren Generative KI sollte tief in die Routinen jedes Wissensarbeiters integriert sein. Das sind nicht immer klare Use Cases mit scharfen Abgrenzungen - es ist eine neue Art zu arbeiten und über Aufgabenerledigung nachzudenken. Phase 2: Business-Herausforderungen in den Fokus Erst nach der persönlichen Integration kommt der Blick auf spezifische Anwendungsfelder. Hier drehst du die Perspektive um: Statt "Was kann KI?" fragst du "Was braucht mein Business?" Wiederkehrende Aufgaben: Was beansprucht aktuell die meiste Zeit und Ressourcen? Engpässe und Ineffizienzen: Wo hakt es regelmäßig in deinen Abläufen? Ungenutztes Potenzial: Was machst du heute nicht, obwohl es großen Impact auf Mitarbeiter oder Kunden hätte - nur wegen menschlicher Limitierungen oder Ressourcenmangel? 5 Schritte Framework In den letzten 3 Jahren habe ich ein pragmatisches Vorgehen entwickelt, um Business-Herausforderungen / Probleme / Potenziale in GenAI Use Cases zu überführen. Schritt 1: Aufgaben identifizieren Notiere für eine Abteilung anhand der drei Kernfragen die wichtigsten Aufgaben mit echtem Potenzial. Nutze diese Struktur: "Wir müssen [Aktion] um [Ergebnis/Fortschritt] zu erreichen." Schritt 2: Aufgaben zerlegen Für jede identifizierte Aufgabe beschreibst du: Input: Was benötigt ein Mensch heute, um diese Aufgabe auszuführen? Schritte: Welche Aktivitäten führt er aus, um das Ergebnis zu bekommen? Output: Wie sieht das finale Ergebnis aus? Schritt 3: GenAI-Fähigkeiten zuordnen Jetzt wird's konkret: Du nimmst die einzelnen Schritte und ordnest ihnen GenAI-Fähigkeiten zu. Wichtig: KI kann nicht alles! Ich unterteile die Fähigkeiten so: Analysieren: Text verstehen & analysieren Bild erkennen & analysieren Audio verstehen & analysieren Video verstehen & analysieren Code analysieren & prüfen Generieren: Text generieren & bearbeiten Bild erstellen & bearbeiten Audio & Sprache erzeugen Video erstellen & bearbeiten Code generieren & vervollständigen Schritt 4: KI-Aufgaben formulieren Für jeden Schritt mit KI-Potenzial formulierst du die konkrete KI-Aufgabe aus und ergänzt, ob menschliches Urteilsvermögen weiterhin erforderlich ist oder der Schritt vollständig delegierbar wird. Schritt 5: Prozess AI-First denken Oft wird ein bestehender Prozess mit KI schneller gemacht, ohne zu hinterfragen, ob der Prozess in der Form und mit den vorhandenen KI-Fähigkeiten noch der beste Weg ist. Ein gutes Beispiel ist die Content-Erstellung. Es ist einfach, mit GenAI einen bestehenden Content-Prozess zu beschleunigen und einfach den gleichen Content in kürzerer Zeit zu produzieren. Viel spannender ist jedoch, den Prozess neu zu denken: Zielgruppen-spezifische Content Recherche und Kuratierung Personalisierte Erstellung des Contents auf die Zielgruppen Simulation der Content-Performance mit KI-Personas KI-generierte A/B Tests, für das Real Life Testing Analyse & Optimierung anhand A/B-Test Ergebnisse > Nicht immer ist ein AI-First Prozess möglich oder sinnvoll und oft im 1. Schritt auch deutlich komplexer. Aber es lohnt sich, darüber nachzudenken und die Erkenntnisse für spätere Iterationen zu dokumentieren. Von fehlender Klarheit zu Struktur Kürzlich arbeitete ich mit einem Mittelständler, der genau in dieser Situation steckte: Einzelne Mitarbeiter nutzten ChatGPT für Alltagsaufgaben, aber echte Use Cases Fehlanzeige. Wir sind systematisch durch verschiedene Abteilungen gegangen und haben das beschriebene Framework angewendet. Das Ergebnis: Eine strukturierte Übersicht, wo GenAI tatsächlich unterstützen kann. Und endlich mehr Klarheit. Aber dann kamen natürlich die nächsten Fragen auf: Womit fangen wir an? Wie bewerten wir die Use Cases? Und wie setzen wir das konkret um? Genau diese Fragen beantworte ich in den nächsten beiden Teilen dieser Serie. 🏁 Fazit Der Sprung von persönlicher ChatGPT-Nutzung zu echten Business-Use-Cases ist machbar - aber nur mit dem richtigen Vorgehen. Starte bei deinen Business-Herausforderungen: Engpässe Probleme Ungenutzten Potenziale Formuliere daraus klare Aufgaben, unterteile diese in Arbeitsschritte und mappe sie mit GenAI-Fähigkeiten. Nur so bekommst du Klarheit und kommst auf eine umsetzbare Ebene. Das Schöne: Dieses Vorgehen funktioniert in jedem Unternehmensbereich. Key Takeaways Erst Use, dann Case: Sammle praktische GenAI-Erfahrung, bevor du Use Cases entwickelst Denke in Aufgaben, nicht in Prozessen: Zerlege komplexe Abläufe in konkrete, mappbare Arbeitsschritte Starte bei Business-Problemen: Identifiziere Engpässe, Ineffizienzen und ungenutztes Potenzial Nutze die GenAI-Fähigkeiten systematisch: Analysieren und Generieren als Grundlage für die Zuordnung Hinterfrage grundsätzlich: Ist die heutige Arbeitsweise noch der smarteste Weg zum Ziel? Hast du weitere Fragen zur Identifizierung von KI Use Cases? Schreib mir einfach :) Bis nächsten Sonntag, Felix
## Feiert Copilot ein Comeback?
URL: https://ai-first.ai/insights/feiert-copilot-ein-comeback
Kategorie: Horizont
Untertitel: Neue Agenten im Test und Einschätzung zur KI-Plattform-Strategie
Herzlich Willkommen zu den AI FIRST Insights! In den letzten 12 Monaten habe ich immer wieder öffentlich meine Kritik an Copilot geteilt: Große Versprechen in bunten Produktankündigungen, aber in der Realität Timeouts, schwächere Ergebnisse als andere Chatbots und Features, die einfach nicht funktionieren. Aber ich berate Kunden, die aufgrund von zentralisierter Microsoft-Strategie auf den Copilot setzen. Deshalb habe ich die Entwicklungen auf dem Schirm und teste kontinuierlich neue Features. So auch diese Woche. Und ich muss zugeben: Ich war positiv überrascht . Nachdem wir monatelang mit selbstgebauten Copilot-Agenten gegen Wände gelaufen sind, zeigen diese neuen Features plötzlich, was Microsoft tatsächlich kann. Mein Learning: Niemals Anbieter im KI-Rennen abschreiben. Los geht's! Warum ich Copilot kritisch sah Meine Kritik war nicht unbegründet. In direkten 1:1-Vergleichen mit ChatGPT, Claude und Gemini lag Copilot in praktisch allen Aufgaben deutlich zurück: Chatbot-Qualität : Weniger umfangreiche und qualitativ schlechtere Antworten Enterprise Search : Funktionierte nicht zuverlässig, spielte Suchergebnisse unvollständig oder gar nicht zurück Bildgenerierung : Deutlich schwächer als Gemini oder ChatGPT Agent Builder : Kompletter Ausfall – selbst einfache Prompts wurden nicht befolgt Office-Integration : Der eigentlich große Vorteil von Copilot. Aber: Excel funktionierte nicht, PowerPoint war maximal durchschnittlich Einzig Outlook und Teams liefen ganz ordentlich. Der Rest wirkte unfertig. Trotzdem verstehe ich die Entscheidung für Copilot völlig. Die Marketing-Videos sehen beeindruckend aus – woher soll man als Entscheider wissen, was davon wirklich funktioniert? Und wenn du tausende Mitarbeiter hast, die den ganzen Tag in Microsoft-Produkten arbeiten, macht die versprochene nahtlose Integration absolut Sinn. Kein Medienwechsel, keine zusätzlichen Tools, keine Datenschutz-Kopfschmerzen bei neuen Softwarelösungen. Verlockende Theorie. Frustrierende Praxis. Die neuen Copilot-Agenten im Praxistest Diese Woche erschienen in meinem Copilot Account plötzlich 2 neue Agenten: Recherche-Agent und Analyst . Also ab in den Test. Recherche-Agent: Deep Research auf professionellem Niveau Mein Prompt: "Untersuche die Entwicklungen bei [Unternehmen X] seit 01.01.2024, insbesondere im Hinblick auf ihr Portfolio für [Produktkategorie Y] im deutschen Kernmarkt. Identifiziere spezifische Anzeichen für Portfolio-Anpassungen, geänderte Preisstrukturen oder neue Vertriebsstrategien. Welche unmittelbaren Konsequenzen siehst du für unsere Marktanteile bei [Zielgruppe Z] bis Ende 2025?" Das Ergebnis: Eine Marktanalyse, die ich so von einem Junior-Consultant erwartet hätte. Detaillierte Insights mit hochrelevanten Quellen, die weit über Standard-Internetsuchen hinausgehen. Die Analyse war strukturiert, fundiert und erkenntnisreich. In mehreren Checks waren auch die Fakten korrekt. Zweiter Test: "Erstelle eine Analyse der Zielgruppenpräferenzen von 12 bis 17-Jährigen in Bezug auf Nahrungsmittel, die potenziell in einer Bäckerei hergestellt werden können." Das Ergebnis: Wieder eine professionelle Zielgruppenanalyse mit konkreten, umsetzbaren Produktempfehlungen. In beiden Fällen wurden die generierten Insights von den Experten auf Kundenseite als hilfreich und neu bewertet. Einziger Minus-Punkt: Die Anzahl der Quellen ist noch sehr überschaubar mit nur 6-8 Quellen. Dafür waren diese jedoch sehr relevant und bestanden oft aus umfangreichen Berichten oder Studien zu den Themen. Analyst-Agent: Endlich brauchbare Datenanalyse Mein Prompt: "Führe eine Analyse des Kundenfeedbacks durch inklusive: Sentiment-Analyse der Freitext-Kommentare, Identifizierung der Top 5 Themen für Zufriedenheit und Unzufriedenheit, Korrelation des Sentiments mit dem CSAT, datenbasierte Empfehlung von Maßnahmen." Das Ergebnis: Der Agent arbeitete mehrere Minuten systematisch durch verschiedene Python-Operationen. Er identifizierte automatisch Stoppwörter für die Sentiment-Analyse, führte statistische Korrelationen durch und fand dabei sogar Datenfehler in meiner Excel-Datei, die er eigenständig bereinigte. Exakt diese Analyse hatte ich in den letzten Monaten mehrfach mit der alten Copilot-Excel-Integration und der in Excel integrierten Python-Anwendung versucht. Das Ergebnis war jedes Mal unbrauchbar - frustrierende Timeouts oder oberflächliche Pseudo-Analysen. Jetzt war das Ergebnis korrekt und brauchbar und hat mir tatsächlich Zeit gespart. Weitere brauchbare Features Neben den leistungsfähigeren Agenten hat Copilot das Interface aufgeräumt und die UX deutlich verbessert. Du kannst jetzt auch Notebooks erstellt werden, die mit den Projekten bei Claude und ChatGPT gleichzusetzen sind. Auch die Enterprise Search hat einen neuen Bereich bekommen und ist in all meinen Tests gnadenlos durchgefallen. Keine Suchabfrage wurde korrekt beantwortet. Ich war doch gerade dabei, zum Copilot Fan zu werden ;D Was das für das KI-Rennen bedeutet Ich würde mal sagen: The race is on und niemand ist abgeschrieben :) OpenAI, Google und Microsoft schenken sich gegenseitig nichts. Dazu kommen spezialisierte Player, die sich komplett auf KI-Plattformen für Unternehmen fokussieren und ebenfalls fleißig entwickeln. Das Tempo ist brutal. Was heute noch als "hoffnungslos zurückliegend" gilt, kann in wenigen Monaten wieder konkurrenzfähig sein. Meine Copilot-Erfahrung ist der beste Beweis dafür. Was bedeutet das jetzt für Unternehmen? Aktuell ist es schlicht unmöglich, eine 100% richtige Entscheidung zu treffen, wer der perfekte KI-Anbieter ist. Die Landschaft verändert sich zu schnell. Am Ende sehe ich den Trade-off zwischen Innovation + Performance (ChatGPT, Start Ups) und Sicherheit + Convenience durch Integration in vorhandene Interfaces (Copilot). Warte am besten nicht auf die perfekte Lösung. Die wird nicht kommen. Analysiere und gewichte deine Anforderungen, triff eine Entscheidung und integriere das gewählte Tool dann konsequent. Eine interessante Alternative ist die zweigleisige Strategie: Spezialist plus etablierter Player. Zum Beispiel ein Anbieter mit Zugang zu mehreren LLMs für Power-User kombiniert mit Copilot für die breite Masse – Integration trifft auf beste Performance. Ist Copilot zurück im Rennen? Trotz des Upgrades hängt Copilot in vielen Bereichen noch deutlich hinterher. Der Agent Builder ist weiterhin frustrierend schlecht und die angebundenen Modelle von vorgestern. Auch die Enterprise Search funktioniert nicht zuverlässig und sollte dann besser nicht bereitgestellt werden. Aber: Copilot sendet wieder ein klares Lebenssignal. Microsoft hat bewiesen, dass sie aufholen können. Mit ihrer Distribution, dem Kundenzugang und der tiefen Office-Integration sind sie jetzt wieder ein ernst zu nehmender Konkurrent im Kampf um die führende KI-Plattform für Unternehmen. Das macht die Entscheidung nicht einfacher – aber das Rennen definitiv spannender. 🏁 Fazit Mein wichtigstes Learning: Niemals jemanden im KI-Rennen abschreiben . Die Entwicklungsgeschwindigkeit ist zu hoch für endgültige Urteile. Copilot hat einen Qualitätssprung hingelegt, den ich nicht erwartet hätte . Microsoft ist wieder ein ernst zu nehmender Konkurrent im Kampf um die führende KI-Plattform für Unternehmen. Für Unternehmen: Klare Prioritäten setzen, fundierte Entscheidung treffen, konsequent umsetzen. Nicht auf die perfekte Lösung warten. Key Takeaways Das KI-Rennen ist unberechenbar – was heute zurückliegt, kann morgen führen Microsofts neue Recherche- und Analyst-Agenten funktionieren endlich auf professionellem Niveau Keine perfekte KI-Lösung existiert – entscheide basierend auf deinen Prioritäten (Integration vs. Performance) Zweigleisige Strategie als Option: Spezialist für Power-User + etablierter Player für die Masse Regelmäßig testen und flexibel bleiben statt auf die eine perfekte Lösung warten Hast du die neuen Agenten bereits getestet und wie schätzt du die Posistion von Copilot ein? Ich bin gespannt auf deine Einschätzung. Bis nächsten Sonntag, Felix
## Der Weg zu strukturierter KI-Nutzung
URL: https://ai-first.ai/insights/der-weg-zu-strukturierter-ki-nutzung
Kategorie: Lab
Untertitel: 80+ Assistenten für deine Arbeit
Herzlich Willkommen zu den AI FIRST Insights! Wer 2025 vor ChatGPT, Copilot oder Claude sitzt und jedes Mal jedes mal von vorne für repetitive Aufgaben Prompts schreibt, hat wahrscheinlich noch nichts von KI-Assistenten gehört. In dieser Ausgabe zeige ich dir, wie du von dieser ineffizienten Herangehensweise zu einem strukturierten System aus spezialisierten KI-Assistenten wechselst – und stelle dir unsere Datenbank mit 80+ sofort einsetzbaren Assistenten-Vorlagen vor, die dir den Einstieg erheblich erleichtern werden. Los geht's! Der Weg von Chatbots zu Assistenten Die meisten Unternehmen durchlaufen bei der KI-Adoption eine typische Entwicklung. Ein Mitarbeiter öffnet ChatGPT, Claude oder Copilot und tippt: "Schreib mir eine E-Mail an einen Kunden zum Thema Projektverzögerung." Das Ergebnis ist mittelmäßig, also verfeinert er den Prompt: "Schreib mir eine höfliche, aber bestimmte E-Mail an einen wichtigen Kunden zum Thema Projektverzögerung von 2 Wochen." Besser, aber immer noch nicht ideal. Diese Experimentierphase ist wichtig und wertvoll – sie hilft, ein Grundverständnis für die Möglichkeiten von Large Language Models zu entwickeln. Aber sie ist auch ineffizient und führt selten zu herausragenden Ergebnissen. Der entscheidende Aha-Moment Der erste wirkliche Durchbruch bei KI-Nutzern kommt, wenn du verstehst, dass du nicht bei diesem allgemeinen Chatbot-Ansatz steckenbleiben musst. Dass du stattdessen spezialisierte KI-Assistenten für wiederkehrende Aufgaben trainieren kannst, die: Konsistent hochwertige Ergebnisse liefern Extrem wenig Zeit bei der Nutzung benötigen Bereits mit dem nötigen Kontext und Wissen ausgestattet sind Im Team geteilt und gemeinsam genutzt werden können Überraschenderweise ist dieses Konzept vielen – selbst regelmäßigen KI-Nutzern – noch immer nicht bewusst. Sie stecken in einer Art "Groundhog Day" der KI-Nutzung fest, geben immer wieder ähnliche Prompts ein und wundern sich, warum die Ergebnisse nicht besser werden. Warum der Umstieg auf KI-Assistenten so wichtig ist Der Unterschied zwischen unstrukturierter und strukturierter KI-Nutzung lässt sich an drei wesentlichen Punkten festmachen: Personalisierung : Ein allgemeiner Chatbot arbeitet nur mit dem Wissen, das in den Large Language Models enthalten ist. Ein KI-Assistent hingegen kann mit spezifischem Unternehmenswissen, Beispielen, Vorlagen und Richtlinien angereichert werden. Konsistenz : Bei jedem neuen Chat mit einem allgemeinen Chatbot fängst du bei Null an. Du musst deine Anforderungen, Erwartungen und Kontextinformationen jedes Mal neu erklären. Ein KI-Assistent behält seine Rolle, sein Aufgabenbriefing und sein Wissen. Effizienz : Die Zeit, die für das Formulieren ausgefeilter Prompts aufgewendet wird, könnte besser genutzt werden. Mit spezialisierten Assistenten reduzierst du diese "Prompt-Engineering-Zeit" drastisch. Gleichzeitig ist es wichtig, einen pragmatischen Ansatz zu verfolgen: Verliere dich nicht zu schnell in komplexen, vielschrittigen Automationen oder autonomen KI-Agentensystemen. Baue die dafür notwendigen Fähigkeiten bei der Erstellung von Assistenten auf. Dein Team aus KI-Assistenten Der erste Schritt ist die Identifikation geeigneter Aufgaben nach diesen Kriterien: Textbasierte Aufgaben : Fokussiere zunächst auf textbasierte Anwendungsfälle – diese funktionieren aktuell am besten mit LLMs. Keine Systemzugriffe : Wähle Aufgaben, die keinen externen Systemzugriff benötigen, um den Einstieg zu vereinfachen. Später können Integrationen ergänzt werden. Menschliches Urteilsvermögen : Suche nach Aufgaben, bei denen ein "Sparringspartner" hilfreich ist – wo die KI Vorschläge macht, aber der Mensch die Kontrolle behält. Gut geeignete Aufgaben sind Kommunikationsvorlagen, Recherche und Zusammenfassung, Brainstorming, Datenanalyse oder Content-Erstellung. Durch einen strukturierten Prozess kannst du geeignete Assistenten-Aufgaben über alle Abteilungen identifizieren und sukzessive ein Team aus KI-Assistenten aufbauen, das von allen Mitarbeitern genutzt wird. Wie du so einen KI-Assistenten erstellst, habe ich hier bereits ausführlich beschrieben. Die Erstellung eines KI-Assistenten ist ein iterativer Prozess: Aufgabe identifizieren, Briefing erstellen, Wissen sammeln, testen, optimieren, implementieren und kontinuierlich verbessern. Der Schlüssel zum Erfolg liegt in der Präzision des Aufgabenbriefings und der Qualität des bereitgestellten Kontextwissens. Wie bei einem neuen Kollegen :) Die AI FIRST Assistenten-Datenbank 2.0 Um dir den Einstieg in die strukturierte KI-Nutzung so einfach wie möglich zu machen, haben wir eine umfassende Datenbank mit über 80 sofort einsetzbaren KI-Assistenten-Vorlagen erstellt. Diese Sammlung deckt die typischsten Alltagsaufgaben in Bürojobs ab und gibt dir einen Vorsprung bei der Erstellung deines eigenen KI-Assistenten-Teams. Zu jedem Assistenten in der Datenbank erhältst du: Prompt-Vorlage : Fertige Systemanweisungen für ChatGPT, Claude, Copilot und andere LLMs Erstellungsanleitung : Schritt-für-Schritt-Anweisungen zur Implementierung des Assistenten Kontextwissen : Hinweise, welches spezifische Wissen du hinzufügen solltest GPT-Link : Direkter Zugang zu einem Custom GPT für sofortiges Ausprobieren Anpassungshinweise : Tipps zur Personalisierung für deine spezifischen Anforderungen Die Datenbank umfasst Assistenten für alle Unternehmensbereiche. Hier sind einige der neuesten Zugänge: RFQ-Assistent : Erstellt strukturierte Entwürfe für Angebotsanfragen und hilft dir, keine wichtigen Anforderungen zu vergessen Strategieberater : Unterstützt dich bei der Strategieplanung mit Frameworks, kritischen Fragen und Strukturierungshilfen Simulator : Entwickelt und simuliert verschiedene Zukunftsszenarien für bessere Entscheidungen Argumentationscoach : Macht dich schlagfertiger in Verhandlungen und Diskussionen durch Vorbereitung überzeugender Argumente A/B Tester : Entwickelt kreative A/B Tests für Marketing, Produktentwicklung und UX-Design Egal ob du im Sales, Marketing, Finance, Einkauf, Produkt, HR arbeitest oder einfach deine persönliche Produktivität steigern möchtest – in der Datenbank findest du passende Vorlagen, die du direkt einsetzen oder an deine spezifischen Anforderungen anpassen kannst. Die Vorlagen sind als Ausgangspunkt gedacht – nicht als fertige Lösung. Für beste Ergebnisse: Wähle einen Assistenten, der zu deiner Aufgabe passt Passe die Systemanweisung an deine spezifischen Anforderungen an Ergänze relevantes Kontextwissen aus deinem Unternehmen Teste den Assistenten mit typischen Anfragen Optimiere basierend auf den Ergebnissen 👉 Hier geht's zur Assistenten-Datenbank 🏁 Fazit Wenn du wirklich produktiv mit Generativer KI arbeiten willst, musst du aus der generischen Chatbot-Nutzung rauskommen. KI-Assistenten sind der nächste Schritt. Beginne mit textbasierten, wiederkehrenden Aufgaben und nutze unsere 80+ Vorlagen als Startpunkt. Key Takeaways: KI-Assistenten sind der nächste logische Schritt in der KI-Adoption Fokussiere auf textbasierte Aufgaben ohne Systemzugriffe Unternehmensspezifisches Wissen macht den entscheidenden Qualitätsunterschied Gute Assistenten brauchen klares Aufgabenbriefing und definiertes Output-Format Unsere Datenbank mit 80+ Vorlagen bietet einen Schnellstart für dein Team Accountability Challenge: Gehe jetzt in die Assistenten-Datenbank, wähle einen passenden Assistenten aus, kopiere die Systemanweisung, füge sie in dein Assistenten-Tool der Wahl ein und personalisiere sie auf dich - in 10 Minuten hast du deinen ersten Assistenten! Bis nächsten Sonntag, Felix
## KI als Präsentations-Copilot
URL: https://ai-first.ai/insights/ki-als-praesentations-copilot
Kategorie: Lab
Untertitel: Slide Decks schneller & besser erstellen
Herzlich Willkommen zu den AI FIRST Insights! Na, musst du auch noch eine Präsentation erstellen und schiebst es auf die lange Bank? Idee entwickeln, Struktur definieren, Text formulieren, Folien layouten, Bilder suchen – und am Ende bleibt oft das Gefühl, dass die Präsentation trotz des Aufwands nicht optimal ist. Kaum etwas frisst mehr Zeit. Doch wie wir alle wissen, sind genau das die Aufgaben, bei denen KI wunderbar als Copilot dienen kann. In dieser Ausgabe bekommst du: Überblick über die besten Anbieter Meinen AI-First Workflow für Präsentationen Beispiele von Präsentationen zur Bewertung der Stärken und Schwächen Los geht's! AI-First Tools & die üblichen Verdächtigen Wie in allen Bereichen, wo neue Inhalte erstellt werden, sind auch im Präsentationsbereich immer mehr KI-Tools auf den Markt gekommen. Einige AI-First-Tools haben sich bereits durchgesetzt, während die etablierten Anbieter von Präsentationstools ihre Plattformen mit KI-Funktionen wie Copilot und Gemini erweitern. Ich habe mir für die Recherche ca. 10 Tools angeschaut und sehe bei den folgenden das größte Potenzial: Gamma (AI-First Slide-Tool) Gamma erstellt schnell optisch ansprechende Folien basierend auf Prompts oder Dateien. Fokus auf automatisches Design und interaktive, responsive "Decks". Beautiful.ai (AI-First Slide-Tool) Beautiful.ai ist Gamma in grün mit einer etwas sachlicheren Design-Sprache der erstellten Folien. Copilot für Microsoft 365 (PowerPoint) : Microsoft hat Copilot direkt in Powerpoint integriert. Wichtig: Dafür ist die Copilot 365 Lizenz erforderlich. Die direkte Integration im Folien-Tool wird sich auf kurz oder lang auszahlen. Gemini (Google Slides): Derzeit ist die Gemini-Integration die schwächsten von allen, aber wahrscheinlich nur vorübergehend. Google hat die besten LLMs und Bild-Modelle am Start und es ist nur eine Frage der Zeit, bis diese anständig in Google Slides integriert sind. Canva: Mein Folien-Tool der Wahl hat das "Magic Design" Feature zur KI-Folienerstellung wieder entfernt. Daher ist leider keine Bewertung möglich, doch ich würde sie definitiv weiter auf dem Schirm behalten. Der AI-First Präsentations-Workflow Bei der Erstellung von Präsentationen mit KI ist eines besonders wichtig: Der Mensch muss am Anfang und am Ende stehen. Die KI übernimmt das "Heavy Lifting" in der Mitte. Das Schreiben der Texte, Erstellen von Designvorschlägen und Finden passender Bilder. Aber die Konzeption und der finale Feinschliff bleiben unsere Kernaufgaben. So sieht mein Workflow aus: 1. Konzeption (👨‍💻) Dieser Schritt ist entscheidend: Wenn du ihn der KI überlässt, erhältst du nur generischen Einheitsbrei. Eine Präsentation, die Menschen berührt und mitnimmt, braucht menschliche Konzeption. Thema und Ziel klar definieren Zielgruppe präzise beschreiben Kernbotschaften formulieren: Was soll hängen bleiben? Emotionale Wirkung festlegen: Wie sollen sich die Zuhörer nach der Präsentation fühlen? Inhalte und Themen strukturieren und eigene Daten und Recherche einbringen. Tipp: Nutze für die Strukturierung den Keynote-Architekten, um eine durchdachte Präsentationsstruktur zu entwickeln. 2. Generierung (🤖) Jetzt kommt die KI ins Spiel. Aber nicht, indem du einfach einen vagen Prompt einwirfst, sondern mit einem detaillierten Briefing, welches du mit dem Keynote Architekten erstellt hast. Struktur der Präsentation vorgeben Inhalte pro Folie spezifizieren Überschriften pro Folie vorschlagen Visualisierungsideen pro Folie beschreiben Je spezifischer dein Input, desto spezifischer wird der Output. In den AI-First-Tools (Gamma, Beautiful) kannst du zusätzlich einstellen: Anzahl der Folien Visualisierungsstil Master-Slide-Deck als Designvorlage Anschließend verarbeitet das Tool deinen Input in Text und Bild . Das KI-Präsentationstool leitet deinen Input an verschiedene Modelle weiter, welche die Inhalte generieren und in den Folien-Master einarbeiten: Ein LLM wie GPT4 oder Claude 3.5 übernimmt die Erstellung der Texte Ein Bild-Modell wie DALL-E oder Flux erstellt basierend auf den Texten passende Bilder 3. Überprüfung und Verfeinerung (👨‍💻) Nach der Generierung ist dein Expertenauge gefragt. Prüfe systematisch: Inhaltlich: Stimmen alle Fakten? Sind die Kernbotschaften klar herausgearbeitet? Ist der rote Faden erkennbar? Ist die Sprache zielgruppengerecht? Design: Ist das Layout konsistent? Sind Texte gut lesbar? Passen die Farben zum Corporate Design? Bild- und Grafiken: Sind die Bilder passend und ansprechend? Sind Diagramme korrekt und verständlich? Fehlen wichtige Visualisierungen, die die KI nicht erstellen konnte? Führe anschließend die nötigen Anpassungen durch, füge komplexere Visualisierungen hinzu und gib der Präsentation deinen persönlichen Feinschliff. Denk immer daran: Du stehst am Anfang und am Ende. Die KI ist dein leistungsstarker Helfer in der Mitte. So entsteht die optimale Balance zwischen Effizienz und Qualität bei der Präsentationserstellung. Vier KI-Präsentationstools im Praxistest Um die Leistungsfähigkeit der verschiedenen KI-Tools zu vergleichen, habe ich ein einheitliches Beispiel gewählt: Eine Präsentation für eine interne GenAI-Initiative. Mit Hilfe des Keynote-Architekten habe ich zunächst eine Struktur mit 11 Folien konzipiert, inklusive Überschriften, Textinhalten und Visualisierungsvorschlägen für jede Folie. Dieses identische Konzept habe ich dann in vier KI-Präsentationstools eingegeben und – wo möglich – eigene Masterfolien als Designvorlage hinterlegt. Die Ergebnisse zeigen interessante Unterschiede in Qualität, Bedienung und Output. 🧑‍🎨 Gamma - Note 2+ Beobachtungen: Gamma hat mein Design sehr gut aus einer bestehenden Präsentation übernommen. Die verschiedenen Bild-Modelle erlauben passende Illustrationen. Text und gewählte Grafiken passen gut zusammen. Ich hätte mir mehr Konsistenz in den Grafiken gewünscht, da jede Folie unterschiedlich aussieht. > Insgesamt der klare Sieger für mich! 🧑‍🎨 Beautiful.ai - Note 3- Beobachtungen: Eigene Designs können erst ab einem Team-Plan ab 40€/Monat erstellt werden. Die Qualität der Visualisierungen und Folien-Layouts hat mich nicht überzeugt. Informationen werden auf einem Zeitstrahl dargestellt, die keine zeitliche Abfolge beinhalten. Beispielsweise werden schwarze und weiße Folien zufällig gemixt. UI & UX ist weniger ansprechend als von Gamma. 🧑‍🎨 Copilot 365 - Note 4+ Beobachtungen: Der einfache Zugriff über das Copilot-Plugin ist extrem komfortabel. Die Bild-Auswahl ist eine ziemliche Katastrophe und erfordert viel Nacharbeit, da jede Folie anders aussieht und die Bilder oft inhaltlich unpassend sind. Außerdem werden keine passenden Grafiken erstellt. Die Formattierung der Texte hat auch noch großes Verbesserungspotenzial. 🧑‍🎨 Gemini - Note 4 Beobachtungen: Auch hier ist der einfache Zugriff in Google Slides ein großer Vorteil. Gemini kann noch keine vollständigen Präsentationen erstellen, nur einzelne Slides. Es wirkt auf mich, als wären die neuesten Bild-Modelle noch nicht integriert. 🧑‍🎨 Bonus 1: ChatGPT o3 - Note 6, setzen! Bisher konnte ChatGPT keine guten Folien erstellen. Ich wollte unbedingt ausprobieren, ob sich das mit dem o3 Modell verändert hat. Wie du siehst: nein :) Der Grund dafür ist, dass LLMs Schwierigkeiten haben, die komplexen visuellen Layouts, die in PowerPoint-Dateien erforderlich sind, sowie deren spezifisches XML-Format zu verstehen und präzise über einen selbst-generierten Code zu steuern. 🧑‍🎨 Bonus 2: Manus - Note 5 Manus liefert schon besser ab, aber auch hier ist noch eine Menge Luft nach oben :) 🏁 Fazit Vor 2 Jahren haben wir Präsentationen so erstellt: Mensch: Recherche → Konzeption → Texterstellung → Bildsuche → Design → Iterationen Heute lässt sich dieser Prozess massiv erleichtern: Mensch + KI: Recherche (KI) -> Konzeption (Mensch) → Entwurf (KI) → Feinschliff (Mensch) Entscheidend ist die Mensch-KI-Partnerschaft : Menschliche Konzeption am Anfang, KI-gestützte Generierung in der Mitte, menschlicher Feinschliff am Ende. Key Takeaways: Zeitersparnis : 50-80% schnellere Präsentationserstellung durch Automatisierung der Entwurfsphase. Tool-Auswahl : AI-First-Tools (Gamma, Beautiful.ai) bieten mehr Präsentations-Funktionen, integrierte Lösungen (Copilot, Gemini) punkten (wahrscheinlich) zukünftig durch das bessere Nutzererlebnis. Grenzen beachten : Bilder, Text-Layout und kreativer Feinschliff benötigen fast immer menschliche Nacharbeit. Bessere Inputs = bessere Outputs : Je spezifischer dein Briefing an die KI, desto besser das Ergebnis. Wie sieht deine Erfahrung mit KI-gestützter Präsentationserstellung aus? Hast du bereits eines der vorgestellten Tools getestet? Ich freue mich auf dein Feedback – antworte einfach in den Kommentaren! Bis nächsten Sonntag, Felix
## 30 Erkenntnisse zur KI-Transformation
URL: https://ai-first.ai/insights/30-erkenntnisse-zur-ki-transformation
Kategorie: Adoption
Untertitel: Die wichtigsten Erfahrungen von 30 KI-Leadern
Herzlich Willkommen zu den AI FIRST Insights! 30 Folgen des AI FIRST Podcasts liegen hinter mir – 30 intensive Gespräche mit den spannendsten KI-Leadern aus dem deutschsprachigen Raum. Von DAX-Konzernen bis zu innovativen Mittelständlern, von technischen Pionieren bis zu visionären Strategen. Trotz unterschiedlichster Branchen, Unternehmensgrößen und Persönlichkeiten kristallisieren sich erstaunlich klare Muster heraus, worauf es bei der KI-Transformation wirklich ankommt. Es gibt offenbar universelle Erfolgsrezepte und Herausforderungen , die über alle Kontexte hinweg gelten. In dieser Ausgabe teile ich mit dir die 30 wichtigsten Erkenntnisse aus diesen Gesprächen – komprimiert und praxisnah aufbereitet. Mein Ziel: Dir einen umfassenden, aber verdaulichen Überblick über die entscheidenden Faktoren erfolgreicher KI-Transformation zu geben. Los geht's! KI-Strategie und Führung: Den Kurs bestimmen KI ist Chefsache – und fundamental für Deine Zukunftsfähigkeit : Erfolgreiche KI-Transformationen starten an der Spitze. Als Führungskraft ist es Deine Aufgabe, KI als integralen Bestandteil Eurer Gesamtstrategie zu verankern und mit einer klaren Vision voranzugehen. Volle Rückendeckung aus dem Top-Management ist hier das A und O. Pragmatische, adaptive Planung ist Dein Erfolgsrezept : In der schnelllebigen KI-Welt haben sich flexible Strategien bewährt. Setze auf kurz- bis mittelfristige Ziele, beispielsweise in 6-12 Monatsplänen, und sei bereit, Deinen Kurs kontinuierlich anzupassen, statt Dich an starre Langzeit-Roadmaps zu klammern. Zentrale KI-Verantwortung bündelt Schlagkraft und schafft Klarheit : Ob Du es Head of AI, AI-Manager oder KI-Team nennst – eine dedizierte Rolle oder ein Center of Excellence (CoE) hilft Dir enorm, Initiativen zu koordinieren, Standards zu definieren und die Transformation unternehmensweit stringent zu steuern. Ein "AI First"-Mindset als Kompass, nicht als starres Gesetz : Nutze KI als Anker, um bestehende Prozesse und Produkte kritisch zu hinterfragen. Die smarteste Lösung ist aber nicht immer die technologisch komplexeste – manchmal führen pragmatischere Wege schneller und effektiver zum Ziel. Mut zur (Selbst-)Disruption als Wettbewerbsvorteil : Die Bereitschaft, etablierte Prozesse und sogar Dein eigenes Geschäftsmodell durch das enorme Potenzial von KI herauszufordern, ist oft der Schlüssel, um langfristig wettbewerbsfähig zu bleiben und echte Innovationen zu schaffen. Empfohlene Folgen: 1. Nils Janus, Chief AI Officer @ Covestro 2. Raffaela Schneid, Global Head of AI @ Drees & Sommer 3. Maximilian Hentschel, AI Center of Excellence @ Körber KI-Anwendungsfälle und Wertschöpfung: Wo die Musik spielt Interne Prozessoptimierung als Sprungbrett für schnelle KI-Erfolge : Erhebliche Effizienzgewinne und Qualitätsverbesserungen warten oft in alltäglichen Unternehmensbereichen. Identifiziere die "Low-Hanging Fruits" – sei es im Wissensmanagement, Kundenservice oder Marketing – um rasch Mehrwert zu generieren. KI als Innovationsmotor für Produkte und Geschäftsmodelle nutzen : Denke über reine Effizienz hinaus! KI kann Dir helfen, innovative, datengetriebene Produkte, Dienstleistungen und ganz neue Geschäftsmodelle zu entwickeln, von Predictive Maintenance bis zu hyperpersonalisierten Kundenerlebnissen. Der Geschäftswert als Dein ständiger Begleiter bei jedem KI-Projekt : Richte jeden KI- Use Case konsequent auf einen klaren, möglichst quantifizierbaren Mehrwert aus (z.B. Zeitersparnis, Kostenreduktion). Das schafft Fokus und untermauert den ROI Deiner Investitionen. Schnelles Prototyping mit Custom GPTs & Co. für rasche Validierung : Mit Werkzeugen wie Custom GPTs kannst Du spezifische Anwendungsfälle kostengünstig und schnell prototypisieren. So validierst Du Ideen, bevor Du Dich in aufwendige Entwicklungsprojekte stürzt. Von der Unterstützung zur Automation – ein klarer Entwicklungspfad : Viele KI-Anwendungen starten als intelligente Assistenzsysteme, die Deine Mitarbeiter unterstützen ( Augmentation ). Mit wachsender Reife können sie sich schrittweise zu teil- oder vollautomatisierten Lösungen entwickeln. Empfohlene Folgen: 1. Tobias Zwingmann, Managing Partner @ RAPYD.AI 2. Albert Heim, Head of Digital Transformation @ Hochland 3. Odin Mühlenbein, Co-Founder AI Lab @ Ashoka Daten, Infrastruktur und Technologie: Das Fundament muss stehen Ohne eine solide Datengrundlage bleibt KI oft nur eine Idee : Hohe Datenqualität, -konsistenz und -zugänglichkeit sind fundamental. Eine durchdachte Datenstrategie und eine klare Data Governance sind dafür unerlässlich. Modernisiere Deine IT-Infrastruktur – sie ist das Rückgrat Deiner KI-Initiativen : Besonders im Mittelstand ist oft eine Modernisierung der IT-Landschaft (Cloud, aktuelle ERP/CRM-Systeme, Datenplattformen) notwendig, um KI-Potenziale voll auszuschöpfen. Interne KI-Plattformen ermöglichen Kontrolle und Flexibilität : Ob Eigenentwicklung oder White-Label-Lösung – eine zentrale, sichere Plattform für den datenschutzkonformen Zugang zu verschiedenen LLMs und zur Integration Deines internen Wissens ist oft ein strategischer Vorteil. Retrieval Augmented Generation (RAG) als Brücke zum Unternehmenswissen : Um LLMs sicher und effektiv mit Deinem spezifischen Wissen zu verbinden, ist RAG eine Schlüsseltechnologie. Die Implementierung für wirklich gute und verlässliche Ergebnisse erfordert allerdings Know-how und Sorgfalt. Make or Buy – triff eine bewusste Entscheidung für Deinen Technologie-Stack : Nicht jede KI-Lösung muss selbst entwickelt werden. Prüfe genau, wann der Einsatz von Standardsoftware, spezialisierten Plattformen oder eine Eigenentwicklung für Deine spezifischen Anforderungen am sinnvollsten ist. Empfohlene Folgen: 1. Sven Bettermann, Director Supply Chain @ Evonik 2. Timo Buck, Head of Data Science & AI @ Ratiopharm 3. Jan Marquardt, Founder & CEO @ Zive KI-Einführung und Change Management: Die Menschen mitnehmen KI-Adoption ist vor allem ein Kultur- und Veränderungsprozess : Die größte Hürde ist selten die Technologie, sondern die Bereitschaft Deiner Mitarbeiter, neue Werkzeuge und Arbeitsweisen anzunehmen. Das Mindset ist entscheidend. Schaffe Bewusstsein und wecke Neugier als Initialzündung Deiner KI-Reise : Starte mit breiten Informationsangeboten, spielerischen Formaten (z.B. Prompt Challenges) und praxisnahen Workshops, um Deine Mitarbeiter für KI zu begeistern und erste Hemmschwellen abzubauen. So förderst Du die Adoption . Biete strukturierte Lernangebote (z.B. KI-Führerschein) für nachhaltige Kompetenz : Entwickle zielgruppenspezifische Schulungen – von KI-Grundlagen und Prompting -Skills bis zu ethischen Aspekten. Eine Basisqualifizierung kann bei der Einführung neuer Tools sehr wertvoll sein. Ermögliche Experimentierräume und zelebriere schnelle Erfolgserlebnisse : Gib Deinen Mitarbeitern sichere Umgebungen (z.B. einen internen GPT-Chatbot), um KI-Tools risikofrei auszuprobieren. Erste positive Erfahrungen sind Gold wert für die Motivation. Baue ein Netzwerk aus internen KI-Champions (Ambassadoren) auf : Identifiziere und fördere motivierte Mitarbeiter aus allen Bereichen. Sie können als Multiplikatoren Wissen weitergeben, Kollegen inspirieren und die Adoption aktiv im Workflow unterstützen. Empfohlene Folgen: 1. Frederike Fritzsche & Saskia Dupré, Pushing AI Team @ Otto 2. Jasmin Weimüller, AI Enablement Lead @ BASF 3. Lennard Schmidt, CEO & Co-Founder @ Langdock Der Mensch im Zeitalter der KI: Neue Rollen, neue Chancen Betrachte KI als unterstützenden "Kollegen" – ein förderlicher Perspektivwechsel : Diese Denkweise erleichtert eine positive Einstellung und eine effektivere Zusammenarbeit zwischen Mensch und Maschine. Es bedeutet auch, neue Kommunikationsformen zu erlernen. Die Arbeit transformiert sich – Konzentration auf menschliche Stärken : KI wird zunehmend repetitive Aufgaben übernehmen. Dadurch gewinnen Deine Mitarbeiter mehr Zeit für komplexe, kreative, strategische und zwischenmenschliche Tätigkeiten – den oft zitierten "Human Spark". KI-Kompetenz wird zu einer neuen Basisfähigkeit im Berufsalltag : Das Verständnis von KI und die Fähigkeit, KI-Tools effektiv zu nutzen, entwickelt sich rasant von einem "Nice-to-have" zu einer grundlegenden Anforderung in vielen Jobs. Menschliche Kontrolle und Verantwortung bleiben zentral ("Human in the Loop") : Trotz aller Fortschritte bleibt der Mensch in vielen Prozessen und Workflows entscheidend für Überwachung, Steuerung und die finale Verantwortung der Ergebnisse. KI als Demokratisierer von Fähigkeiten – neue Potenziale für jeden : KI-Tools ermöglichen es auch Nicht-Experten, qualitativ hochwertige Ergebnisse in Bereichen zu erzielen, die früher Spezialwissen erforderten. Empfohlene Folgen: 1. Sebastian Küpers, Chief Transformation Officer @ Plan.Net 2. Paul Elvers, Head of AI @ FUNKE 3. Malte Kosub, CEO & Co-Founder @ Parloa Herausforderungen und Erfolgsfaktoren: Stolpersteine und Meilensteine Ein realistisches Erwartungsmanagement schützt vor Enttäuschung und Frustration : KI ist kein Allheilmittel. Eine klare Kommunikation über Möglichkeiten und Grenzen aktueller Technologien hilft, den Fokus auf erreichbare Ziele zu lenken und den oft überzogenen Hype zu dämpfen. Iteratives Vorgehen und kurze Lernzyklen bringen Dich schneller und sicherer voran : Es hat sich bewährt, mit kleinen, überschaubaren Projekten (MVPs) zu starten, schnell Feedback einzuholen und Lösungen iterativ zu verbessern. KI-Erfolg ist ein Teamsport – Silodenken ist der größte Feind : Echte Durchbrüche entstehen meist durch die enge, funktionsübergreifende Zusammenarbeit von Fachbereichen, IT, Management und gegebenenfalls externen Partnern. Der Umgang mit KI-Schwächen (z.B. Halluzinationen) erfordert clevere, robuste Lösungen : Die Unzuverlässigkeit von LLMs ist eine bekannte Hürde. Robuste Prozesse, Qualitätskontrollen und gegebenenfalls menschliche Überprüfung sind notwendig. Organisatorische Anpassungsfähigkeit und Lernbereitschaft sind Dein größter Trumpf : Die Fähigkeit Deines Unternehmens, schnell auf neue technologische Entwicklungen zu reagieren und kontinuierlich zu lernen, ist im Zeitalter der KI ein entscheidender Wettbewerbsfaktor. Empfohlene Folgen: 1. Arno Malcher, Managing Partner @ Malcher Legal 2. Patrick Gilroy, Head of AI @ TÜV Verband 3. Ales Drabek, CIO @ LUQOM Group 🏁 Fazit Wenn ich die Essenz all dieser Gespräche mit KI-Leadern destilliere, wird eines überdeutlich: Erfolgreiche KI-Transformation ist ein vielschichtiger Prozess, der weit über Technologie hinausgeht. Die sechs entscheidenden Erfolgsfaktoren aus meinen 30 Gesprächen: Ohne klare Vision und Rückendeckung von oben bleibt KI ein Technologie-Experiment. Die erfolgreichsten Unternehmen verankern KI in ihrer Gesamtstrategie und setzen auf adaptive, pragmatische Planung statt starre Roadmaps. Der Geschäftswert muss im Zentrum stehen – sei es durch interne Effizienzsteigerung oder innovative Produkte und Geschäftsmodelle. Schnelles Prototyping mit Tools wie Custom GPTs hat sich als Erfolgsrezept erwiesen. Eine solide Datenbasis und moderne IT-Infrastruktur sind das Fundament jeder erfolgreichen KI-Initiative. Besonders RAG-Systeme als Brücke zum Unternehmenswissen erweisen sich als Schlüsseltechnologie. Die größte Hürde ist selten die Technologie, sondern die Bereitschaft zur Veränderung . Strukturierte Lernangebote, Experimentierräume und interne KI-Champions sind zentrale Hebel für nachhaltige Adoption. Die Zukunft liegt in der Konzentration auf menschliche Stärken – Kreativität, Empathie, strategisches Denken – während KI zunehmend repetitive Aufgaben übernimmt. KI-Kompetenz wird dabei zur neuen Basisfähigkeit. Realistisches Erwartungsmanagement, iteratives Vorgehen und funktionsübergreifende Zusammenarbeit haben sich als entscheidend erwiesen, um typische Stolpersteine zu umgehen. Meine persönliche Überzeugung nach all diesen Gesprächen: Der Schlüssel zum Erfolg liegt nicht in der Perfektion einzelner Aspekte, sondern in einem ausgewogenen, ganzheitlichen Ansatz. Unternehmen, die KI als Teamarbeit zwischen verschiedenen Funktionen betrachten, iterativ vorgehen und eine lernende Organisation aufbauen, werden langfristig die Nase vorn haben. Welche dieser Erkenntnisse resoniert am stärksten mit deinen eigenen Erfahrungen? Ich freue mich auf deinen Input! Bis nächsten Sonntag, Felix
## So kommuniziert deine KI wie du selbst
URL: https://ai-first.ai/insights/so-kommuniziert-deine-ki-wie-du-selbst
Kategorie: Lab
Untertitel: Schritt-für-Schritt Anleitung für authentische KI-Texte
Herzlich Willkommen zu den AI FIRST Insights! Kennst du das? Du scrollst durch LinkedIn, liest einen Blogpost oder öffnest eine E-Mail – und nach drei Sätzen denkst du: "Das hat eindeutig eine KI geschrieben." Generische Formulierungen, merkwürdig formelle Wendungen und dieser unverkennbare "KI-Klang", der sich durch tausende von Texten zieht. Gleichzeitig höre ich regelmäßig von Unternehmern und Führungskräften: "Ich würde ja gerne KI für meine Kommunikation nutzen, aber sie klingt einfach nicht nach mir. Die Nachbearbeitung frisst mehr Zeit, als ich spare." Beide Probleme haben die gleiche Ursache: Die wenigsten Menschen wissen, wie man einer KI beibringt, den eigenen Kommunikationsstil zu adaptieren. Dabei ist es überraschend einfach, wenn man den richtigen Prozess kennt. In diesem Newsletter zeige ich dir Schritt für Schritt, wie du ein Briefing für deinen persönlichen Kommunikationsstil erstellst und es so einsetzt, dass deine KI-Assistenten texten, als wären sie du – egal ob für E-Mails, Social Media Posts oder längere Texte. Am Ende wirst du genau wissen, wie du jede KI dazu bringst, deinen Stil perfekt zu imitieren. Los geht's! Warum KIs ein Kommunikationsstil-Briefing brauchen Ein LLM wie GPT, Claude oder Gemini funktioniert im Kern wie ein hochentwickelter Textvorhersage-Mechanismus. Vereinfacht gesagt: Die KI analysiert Muster in Texten und sagt voraus, welche Wörter mit hoher Wahrscheinlichkeit als nächstes kommen könnten. Diese Modelle wurden mit enormen Mengen an Texten aus dem Internet, Büchern und anderen Quellen trainiert. Das bedeutet: Sie kennen die allgemeinen Regeln der Sprache und haben ein breites Wissen über verschiedene Themen und Schreibstile. Das Kontextproblem Hier liegt der Knackpunkt. Eine KI weiß nichts über: Deinen persönlichen Schreibstil Deine Zielgruppe und deren Erwartungen Den spezifischen Kontext deiner Kommunikation Deine Markensprache oder Unternehmenswerte Deine Präferenzen bezüglich Tonalität und Formulierungen Ohne diese Informationen greift die KI auf einen "Durchschnittsstil" für den jeweiligen Kontext zurück - basierend auf den Trainingsdaten. Das ist der Grund, warum so viele KI-generierte Texte ähnlich klingen und leicht zu erkennen sind. Das Lernmissverständnis Ein häufiges Missverständnis ist die Annahme, dass KI-Systeme automatisch deinen Stil lernen, wenn du nur oft genug mit ihnen interagierst. Nach dem Motto: "Wenn ich 100 E-Mails mit der KI schreibe und korrigiere, wird sie meinen Stil verstehen." So funktionieren die aktuellen KI-Systeme jedoch nicht. Wenn du Änderungen an einem KI-generierten Text vornimmst, lernt das System nicht automatisch daraus für zukünftige Interaktionen. Stattdessen arbeiten diese Modelle mit einem "gefrorenen" Wissensstand – sie wurden während ihrer Trainingsphase mit enormen Datenmengen trainiert und dann "eingefroren". Jede neue Anfrage beginnt gewissermaßen bei null, mit Ausnahme der Informationen, die du innerhalb einer einzelnen Konversation bereitstellst. Das bedeutet: Deine Korrekturen und Anpassungen werden nicht automatisch für zukünftige Gespräche gespeichert Die KI entwickelt kein "Gedächtnis" für deinen persönlichen Stil über Konversationen hinweg Jede neue Sitzung erfordert erneute Anleitung, wenn du keinen festen Rahmen festlegst Einige Plattformen bieten zwar die Möglichkeit, Feedback zu geben, aber dieses fließt bestenfalls in zukünftige Modellversionen ein, nicht in deine persönliche KI-Instanz. Deshalb ist ein explizites Kommunikationsstil-Briefing so wichtig: Es gibt der KI bei jeder Interaktion die notwendigen Informationen, um von Anfang an in deinem Stil zu schreiben, statt auf generische Muster zurückzugreifen. Wie du deinen Kommunikationsstil analysierst Bevor du einer KI beibringen kannst, wie du kommunizierst, musst du zunächst selbst ein klares Bild davon haben. Die systematische Analyse deines Kommunikationsstils ist der Grundstein für ein effektives KI-Briefing. Schritt 1: Sammle deine Texte Der erste Schritt ist denkbar einfach: Sammle Beispiele deiner eigenen Kommunikation. Je mehr, desto besser. Wähle dabei bewusst ein spezifisches Format aus: E-Mails (besonders wichtig: Frage und deine Antwort als Kontext) Social Media Posts (LinkedIn, Twitter, etc.) Blogartikel oder Newsletter Interne Memos oder Berichte Präsentationen oder Vortragsnotizen Pressemitteilungen oder öffentliche Statements Kundenkommunikation oder Verkaufstexte Transkripte von Videos, Podcasts oder Meetings Wichtig: Konzentriere dich auf ein Format pro Analyse. Dein Kommunikationsstil variiert natürlich zwischen E-Mails, Social Media und anderen Formaten – und genau so sollte auch deine KI später kommunizieren können. Tipp: Achte darauf, dass du Texte sammelst, die wirklich deinen natürlichen Stil repräsentieren, nicht solche, die bereits stark von Vorlagen oder fremden Vorgaben geprägt sind. Schritt 2: Strukturiere deine Beispiele Organisiere die gesammelten Texte des gewählten Formats in einem Dokument. Achte dabei auf eine sinnvolle Struktur: Bei E-Mails: Ordne sie nach Kontext (z.B. Kundenanfragen, interne Kommunikation) und füge sowohl die ursprüngliche Anfrage als auch deine Antwort ein Bei Social Media: Kategorisiere nach Themen oder Anlässen Bei längeren Texten: Füge Informationen zum Kontext und zur Zielgruppe hinzu So könnte ein strukturiertes Dokument für Social Media Posts aussehen: Du siehst, dass es keine Raketenwissenschaft ist. Schritt 3: Führe eine Tone of Voice Analyse durch Hier kommt die KI ins Spiel – aber zunächst als Analysewerkzeug, nicht als Autor. Ich nutze dafür einen speziellen Prompt, der systematisch die verschiedenen Elemente meines Schreibstils analysiert. Eine umfassende Tone of Voice Analyse sollte folgende Elemente untersuchen: Wortwahl und Vokabular: Fachjargon vs. Alltagssprache, formell vs. informell, positiv vs. negativ konnotierte Wörter, Verwendung von Anglizismen Satzstruktur und Syntax: Kurze, prägnante Sätze vs. lange, komplexe Sätze; aktiv vs. passiv; Satzbauvarianten Ton und Stimmung: Humorvoll, seriös, enthusiastisch, nüchtern, empathisch, direkt, indirekt Rhythmus und Fluss: Wie liest sich der Text? Flüssig, abgehackt, schnell, langsam? Verwendung von rhetorischen Mitteln: Fragen, Ausrufe, Wiederholungen, Vergleiche Perspektive und Ansprache: "Ich"-Form, "Wir"-Form, direkte Ansprache "Du"/"Sie", neutrale Perspektive Gestaltung von Absätzen und Übergängen: Länge der Absätze, logische Verbindungen Um dir diesen Prozess zu erleichtern, habe ich einen speziellen KI-Assistenten erstellt, der genau diese Analyse für dich durchführen kann: 👉 Tone of Voice Analyse-Assistent (Prompt + GPT) Dieser Assistent führt dich Schritt für Schritt durch den Analyseprozess und liefert dir eine strukturierte Auswertung deines Kommunikationsstils: Schritt 4: Identifiziere deine Stil-Konstanten und -Variablen Nach der Analyse wirst du feststellen, dass bestimmte Elemente deines Stils konstant bleiben, während andere je nach Kontext variieren: Stil-Konstanten könnten sein: Deine generelle Direktheit, bestimmte Lieblingsformulierungen, oder wie du Absätze strukturierst. Stil-Variablen könnten sein: Der Formalitätsgrad je nach Empfänger, die Länge deiner Texte je nach Medium, oder die Verwendung von Fachjargon je nach Zielgruppe. Diese Erkenntnis ist wichtig für das spätere Briefing, da du der KI sowohl deine grundlegenden Stilmerkmale als auch Regeln für kontextabhängige Anpassungen mitgeben musst. Wie du dein KI-Briefing für deinen Kommunikationsstil erstellst Nachdem du deinen Kommunikationsstil analysiert hast, ist der nächste Schritt, dieses Wissen in ein effektives Briefing für deine KI zu überführen. Dieser Schritt entscheidet darüber, ob deine KI tatsächlich "nach dir klingt" oder nur eine blasse Imitation liefert. Integration der Tone-of-Voice-Analyse in dein KI-Briefing Die Tone-of-Voice-Analyse wird jetzt zum zentralen Bestandteil des Prompts, den du deinem KI-Assistenten oder Agenten gibst. Egal ob du einen Assistenten für E-Mail-Kommunikation, Social Media Content oder andere Textformate erstellst – die Analyse liefert die notwendigen Informationen für authentische Kommunikation. Der beste Ansatz ist, die Tone-of-Voice-Informationen direkt in den Prompt zu integrieren: Alternative: Externe Dokumente für umfangreiche Stilbriefings Wenn dein Stilbriefing sehr umfangreich ist oder das Prompt-Fenster deines KI-Tools begrenzt ist, kannst du die Tone-of-Voice-Analyse auch als separates Dokument bereitstellen: Wichtige Hinweise für die Nutzung externer Dokumente: Verwende Word-Dokumente (.docx) statt PDFs, da diese von den meisten KI-Tools besser verarbeitet werden können Strukturiere das Dokument klar mit Überschriften und Abschnitten Verweise im Prompt explizit auf das Dokument und gib klare Anweisungen zur Verwendung: Wichtige Elemente eines vollständigen KI-Briefings Ein effektives KI-Briefing für deinen Kommunikationsstil sollte neben dem Tone-of-Voice-Abschnitt auch folgende Elemente enthalten: Rollenbeschreibung : Definiere klar, welche Rolle die KI einnehmen soll (z.B. "Du bist mein E-Mail-Assistent" oder "Du unterstützt mich bei der Erstellung von LinkedIn-Posts") Kontextinformationen : Gib der KI relevante Informationen über dich, dein Unternehmen, deine Zielgruppe und typische Kommunikationsanlässe Aufgabenbeschreibung : Erkläre genau, welche Art von Texten die KI erstellen soll und in welchen Situationen Format-Vorgaben : Definiere die gewünschte Struktur der Texte (z.B. Aufbau einer E-Mail oder eines Social Media Posts) Tone-of-Voice-Anweisungen : Wie oben beschrieben Beispiele : Füge 2-3 konkrete Beispiele deiner eigenen Texte ein, die als direkte Referenz dienen können Regeln und Einschränkungen : Definiere klare Grenzen (z.B. "Verwende nie diese Begriffe..." oder "Halte dich immer an diese Grundsätze...") Anwendung deines Kommunikationsstil-Briefings in verschiedenen Kontexten Hier sind drei konkrete Beispiele, wie ich mein Kommunikationsstil-Briefing in unterschiedlichen Szenarien einsetze: 1. Chief of Staff Assistent "Donna" Donna verwendet einen umfassenden Kommunikationsstil-Guide, der meinen persönlichen Stil für verschiedene Formate abbildet. Besonders wichtig ist die Konsistenz über alle Textarten hinweg – von formellen Berichten bis zu informellen E-Mails muss alles klingen, als hätte ich es selbst geschrieben. 2. LinkedIn Content Assistent Diesem Assistenten habe ich einen LinkedIn-spezifischen Kommunikationsstil beigebracht – direkter, prägnanter und dialogorientierter als meine allgemeine Kommunikation. Der Stil-Guide enthält zusätzlich Anweisungen für verschiedene Post-Formate und typische Engagement-Elemente. 3. Kundenservice-Bot für Intercom Der Bot nutzt einen Marken-Tone-of-Voice, der freundlich, kompetent und lösungsorientiert ist. Der Kommunikationsstil variiert leicht je nach Anfrageart – technische Fragen werden präziser beantwortet, während bei allgemeinen Anfragen ein wärmerer Ton herrscht. Ich schreibe die System-Prompts übrigens immer auf englisch, weil LLMs englische Sprache noch besser verarbeiten (weil es mehr Trainingsdaten gibt). Die Antworten können lasse ich in der Sprache der Eingabe erzeugen. 🏁 Fazit Die Personalisierung von KI-generierter Kommunikation ist keine Spielerei , sondern entscheidend für jeden, der KI ernsthaft nutzen möchte. Eine KI, die deinen Stil beherrscht, wird zu einer echten Erweiterung deiner selbst – und nicht nur zu einem Tool, das ständige Nacharbeit erfordert. Mit dem in diesem Newsletter beschriebenen Prozess hast du alle Werkzeuge, um deine KI-Assistenten zu perfekten Sprachrohren deiner Kommunikation zu machen. Key Takeaways KIs kommunizieren nicht automatisch in deinem Stil – sie greifen auf einen generischen "Durchschnittsstil" zurück, wenn sie keine spezifischen Anweisungen erhalten. Eine systematische Tone-of-Voice-Analyse ist der Grundstein für authentische KI-Kommunikation. Analysiere deine Texte nach Wortwahl, Satzstruktur, Ton, Rhythmus und anderen Stilmerkmalen. Das Kommunikationsstil-Briefing gehört direkt in den Prompt deines KI-Assistenten – nur so ist sichergestellt, dass jede Interaktion deinen Stil berücksichtigt. Format-spezifische Analysen liefern bessere Ergebnisse – dein E-Mail-Stil unterscheidet sich wahrscheinlich von deinem Social-Media-Stil, und deine KI sollte diese Unterschiede kennen. Gut gebrieften KI-Assistenten können in verschiedensten Kontexten eingesetzt werden – von der persönlichen Kommunikation über Content-Erstellung bis hin zum Kundenservice. Accountability Challenge: Nimm dir jetzt ein Format vor, in dem du regelmäßig Texte schreibst, erstelle dafür den Tone of Voice, trainiere ihn deinem Assistenten an und beobachte, wie sich die Qualität der Ergebnisse spürbar verbessert. Bis nächsten Sonntag, Felix
## Unternehmen werden "AI-First" - machst Du mit?
URL: https://ai-first.ai/insights/unternehmen-werden-ai-first-machst-du-mit
Kategorie: Horizont
Untertitel: Shopify, Duolingo, Box – immer mehr Firmen werden AI‑First
Herzlich Willkommen zu den AI FIRST Insights! Shopify, Duolingo, Box und eine wachsende Zahl anderer Unternehmen verkünden lautstark ihre AI-First-Strategien. Shopify Ankündigung Duolingo Ankündigung Box Ankündigung Die Ansage ist klar: Von Mitarbeitern wird erwartet, dass sie KI nutzen, um effizienter zu werden. Neue Stellen? Nur, wenn die Aufgabe nicht durch KI lösbar ist. Ich unterstütze diesen Weg. Wir haben eine Ära betreten, in der KI-Systeme immer mehr Aufgaben besser und günstiger erledigen können als Menschen. Das müssen wir begreifen und akzeptieren. Wettbewerbsfähigkeit ohne produktive KI-Nutzung wird kaum noch möglich sein. Aber weiß denn heute überhaupt schon jemand, was AI-First arbeiten bedeutet und wie man diesen Zustand erreicht? Schließlich stehen wir immernoch am Anfang und finden alle heraus, was diese Technologie kann und was nicht. Ich habe mir dazu Gedanken gemacht und möchte heute einen pragmatischen Weg mit dir teilen, wie du von ersten Experimente zu einer AI-First Arbeitsweise kommst. Los geht's! Die ersten 10 Stunden Es klingt so plump und ist doch so wahr: fang einfach erstmal an. Ich glaube, dass die allermeisten Menschen viel mehr KI-Content konsumieren anstatt selbst anzuwenden. Du kannst dir stundenlang Youtube-Videos über KI-Workflows anschauen, Newsletter lesen und dich in Onlinekursen berieseln lassen. All das wird dich nur einen kleinen Teil des Weges gehen lassen. Nach meiner Erfahrung dauert es 10 Stunden bis die Nutzung von KI Tools intuitiver wird. Wir müssen schließlich Arbeitsweisen ändern, die wir uns über Jahre oder Jahrzehnte angeeignet haben: Meeting Notizen per Hand machen Passende Grafiken für die Präsi auf Google suchen Das Dokument nach der gesuchten Info durchforsten Vor einer Mail sitzen und sich fragen, wie man anfangen soll Es sind genau diese kleinen, alltäglichen Aufgaben , an denen wir die Arbeit mit KI lernen müssen. Nicht an "Automation von Marketing Kampagnen" oder "KI-Agenten im Kundenservice". Deine ersten Anwendungsfälle finden und umsetzen Gib diesen Prompt in den KI-Chatbot deines Vertrauens ein und beantworte die Fragen: Erstelle einen personalisierten KI-Nutzungsleitfaden für meinen Beruf. Wähle aus der Liste 5 Aufgaben aus, speichere die Prompts und stell dir einen Reminder ein, diesen Prompt bei der nächsten Aufgabe zu nutzen. Hier sind ein paar Klassiker: Texte Korrektur lesen -> KI nutzen. Meetings vorbereiten -> KI nutzen. Gedanken strukturieren -> KI nutzen. Dokumente vergleichen -> KI nutzen. Nächste Schritte planen -> KI nutzen. Dokumentation erstellen -> KI nutzen. Excel Tapeten auswerten -> KI nutzen. Passende Grafiken suchen -> KI nutzen. Meeting-Protokoll schreiben -> KI nutzen. Vor dem weißen Blatt grübeln -> KI nutzen. 10 Google Links durchsuchen -> KI nutzen. Ersten Draft händisch erstellen -> KI nutzen. Informationen im Dokument suchen -> KI nutzen. Ein weiterer Tipp: Mach den Zugriff auf KI kinderleicht Lesezeichen für die Tools im Browser. Richte Shortcuts ein, wenn möglich. Lass das Tool auf einem zweiten Bildschirm konstant offen (falls vorhanden). Klebe dir einen Post-it-Reminder an den Monitor: z.B. "Schon mit KI probiert?" Je mehr du anfängst, deine Arbeitsweise aus KI-Perspektive zu hinterfragen und die Fähigkeiten in deine Routinen zu integrieren, desto natürlich wird es, mit KI als Kollaborationspartner zu arbeiten. Werde zur Führungskraft deiner KI Mit zunehmender Nutzung wirst Du sicherer im Umgang mit KI und ein Gefühl dafür entwickeln, welche Aufgaben du abgegen kannst und welche von dir erledigt werden müssen. Du wirst eine ganz natürliche Entwicklung spüren: Du übernimmst immer mehr das Briefing, die Steuerung und Kontrolle von KI, während KI immer mehr die intellektuelle Fleißarbeit übernimmt. Du wirst zur Führungskraft deiner KI . Beispiel 1: Marketing-Kampagne: Mensch: Definiert Zielgruppe, Kernbotschaft, strategische Ziele, Budget. KI: Generiert verschiedene Textvarianten für Anzeigen/E-Mails, schlägt Bilder vor, erstellt erste Social-Media-Post-Entwürfe. Mensch: Wählt die besten Varianten aus, verfeinert das Wording, gibt den finalen Touch, trifft die letzte Freigabeentscheidung. Beispiel 2: Produktentwicklung: Mensch: Identifiziert Kundenbedürfnis, entwickelt die Produktvision, priorisiert Features strategisch. KI: Analysiert Nutzerfeedback auf Muster, generiert erste Code-Strukturen für Prototypen, fasst technische Dokumentationen zusammen. Mensch: Trifft Design-Entscheidungen, testet Prototypen mit Nutzern, steuert das Entwicklungsteam. Beispiel 3: Reporting: Mensch: Definiert die relevanten KPIs, die Fragestellung und Quellen des Berichts. KI: Sammelt und aggregiert Daten aus Quellen, erstellt Standard-Visualisierungen, formuliert eine erste Zusammenfassung der wichtigsten Zahlen. Mensch: Interpretiert die Daten im Kontext, identifiziert die "Story" hinter den Zahlen, fügt strategische Einordnungen und Handlungsempfehlungen hinzu. Stelle dein Team aus KI-Assistenten ein Wenn du in die routinierte Nutzung von KI in deinen wiederkehrenden Abläufen und darüber hinaus gekommen bist, empfehle ich dir den Aufbau eines Teams aus KI-Assistenten. Du kannst sie auch als KI-Mitarbeiter bezeichnen. KI-Assistenten werden für eine spezifische Aufgabe trainiert und haben die dafür erforderlichen Tools und das erforderliche Wissen. Einmal erstellt, kannst du diese Assistenten immer wieder für die Aufgaben nutzen und kannst mit konsistenter Qualität rechnen. Ein Auszug der Assistenten, die ich häufig nutze. Wie du Assistenten erstellst, kannst du in diesen Artikeln nachschauen: "Personal Assistant" mit KI erstellen Guide zur Erstellung von KI-Assistenten AI FIRST Assistenten-Datenbank mit 50 Beispielen Wenn du deine eigenen Assistenten erstellt hast und regelmäßig nutzt, bist du weiter als 99% der Menschen da draußen. Dein Team aus Assistenten wird mit der Zeit besser werden, größer werden und tiefer in Prozesse integriert sein. Der Automatisierungsgrad wird zunehmen. Deine Arbeit verschiebt sich von "abarbeiten" zu mehr konzeptioneller und kreativer Arbeit . Ab diesem Punkt wirst du AI-First arbeiten. Du wirst dich nicht mehr fragen: "Was kann KI für mich tun?" Sondern: "Was kann KI noch für mich tun?" Im Optimismus steckt Magie. Im Pessimismus steckt nichts. Die zentrale Frage, die viele beschäftigt, lautet: Mache ich mich durch den Einsatz von KI selbst überflüssig? Ein Blick zurück hilft: Im Agrarzeitalter war es kaum vorstellbar, wie stark Maschinen die Arbeitswelt verändern würden. Noch weniger war absehbar, dass ein Großteil der heutigen Arbeit vor Bildschirmen stattfindet. Berufe haben sich stets gewandelt und werden dies auch im Zeitalter der KI tun. Wandel als Chance begreifen Sich gegen diesen technologischen Fortschritt zu stemmen, ist aussichtslos. Die Entwicklung und Verbreitung von KI schreiten unaufhaltsam voran. Doch wie bei jedem großen technologischen Umbruch liegt genau jetzt die Chance darin, diesen Wandel aktiv mitzugestalten und persönlich davon zu profitieren. Es gilt: „ Du wirst nicht von KI ersetzt, sondern von jemandem, der KI besser nutzt .“ Wer heute beginnt, KI sinnvoll und produktiv in den eigenen Arbeitsalltag zu integrieren, schafft Freiräume. Diese gewonnene Zeit kann für Aufgaben genutzt werden, die menschliche Fähigkeiten wie Kreativität, kritisches Denken und emotionale Intelligenz erfordern. Und sind wir mal ehrlich: das sind doch genau die Aufgaben, die bei lauter Admin-Arbeit ständig liegen blieben. KI macht unsere Arbeit also wieder menschlicher . Fünf Thesen zur Zukunft der Mensch-KI-Zusammenarbeit Abschließend möchte ich meine fünf Thesen zur zukünftigen Zusammenarbeit von Mensch und KI teilen: 10x Produktivität durch KI-Augmentierung: KI wird die individuelle Effizienz in einigen Rollen um den Faktor 10 steigern können, indem Routineaufgaben automatisiert und kognitive Fähigkeiten erweitert werden. Kleine Teams werden große Unternehmen aufbauen. Dominanz hybrider Teams: Teams wachsen über KI und nicht über immer mehr Menschen. Erfolgreiche Organisationen setzen zunehmend auf spezialisierte KI-Agenten in Zusammenarbeit mit menschlichen Experten. Exponentiell wachsende KI-Autonomie: Der Anteil autonomer Entscheidungen und Aufgabenübernahmen durch KI-Systeme wird ab jetzt immer größer werden. Verlagerung menschlicher Arbeit auf KI-Führung: Menschen werden zu Führungskräften von KI-Teams. Wir steuern zunehmend KI-Systeme, überwachen Qualität und fokussieren auf strategische Entscheidungen. Wir verbringen immer mehr Zeit mit der Entwicklung von Ideen, die von KI-Systemen umgesetzt werden. Anhaltende Relevanz tiefer menschlicher Expertise: Trotz zunehmendem KI-Einfluss bleibt menschliches Fachwissen und Kontext unverzichtbar für Interpretation, Innovation und komplexe Problemlösung. 🏁 Fazit Es ist egal, ob dein Unternehmen eine AI-First Strategie ausgerufen hat oder nicht. Künstliche Intelligenz wird einen immer größeren Einfluss auf unsere Arbeitswelt und Jobs haben. Der beste Weg, um von diesem Wandel zu profitieren und gestärkt daraus hervorzugehen, ist die aktive Auseinandersetzung mit KI in der Praxis und das Meistern ihrer Anwendungsmöglichkeiten. Nutze konsequent die Fähigkeiten und Potenziale von KI, um deine Stärken zu ergänzen und zu multiplizieren. Dieses AI-First Mindset wird die Spreu vom Weizen trennen. Key Takeaways: AI-First ist Realität: Unternehmen erwarten zunehmend den proaktiven Einsatz von KI durch Mitarbeiter. Kombiniere Stärken: Verstehe, was Du und was KI am besten kann, und gestalte die Zusammenarbeit bewusst. Starte klein & mach Tools zugänglich: Analysiere deine Aufgaben, priorisiere und integriere Tools niedrigschwellig (Ziel: 10h Praxis). Assistenten für den Boost: Baue spezialisierte KI-Helfer für wiederkehrende Aufgaben, um deine Produktivität zu steigern. Es ist DEIN Skill: Die Fähigkeit, mit KI zu arbeiten, ist entscheidend für deine Zukunft und hilft dir, deine menschlichen Stärken zu maximieren. Packen wir's an! Bis nächsten Sonntag, Felix
## Die 4 Phasen der KI-Adaption
URL: https://ai-first.ai/insights/die-4-phasen-der-ki-adaption
Kategorie: Adoption
Untertitel: Von Erkundung zu ganzheitlicher KI-Transformation
Herzlich Willkommen zu den AI FIRST Insights! In den letzten Wochen haben wir uns mit hands-on Taktiken für den Einsatz von KI beschäftigt. Wer nochmal nachschauen möchte: KI-Automation: Hype vs. Realität Die Anwendung vom KI-Agenten Manus Wie du deinen persönlichen KI-Assistenten erstellst Heute zoomen wir etwas weiter raus und nehmen wieder die Unternehmensperspektive ein. Viele Unternehmen beschäftigen sich immer mehr mit Künstlicher Intelligenz. Einige starten gerade erst mit ersten Experimenten, während andere KI bereits tief in ihre Prozesse integriert haben. Doch wie genau verläuft dieser Weg von den ersten Versuchen bis zur umfassenden Nutzung im Unternehmen? Die Einführung von KI ist selten ein linearer Prozess , sondern gleicht eher einer Reise durch verschiedene Entwicklungsstufen. In meinen früheren Unternehmen und bei meinen Kunden kann ich vier Phasen der KI-Adaption beobachten – vom ersten Kennenlernen bis hin zur grundlegenden Transformation des Geschäfts. In diesem Newsletter schauen wir uns diese 4 Phasen der KI-Adaption genauer an. Du erfährst, was jede Phase kennzeichnet, welche Mehrwerte realisiert werden und welche Schritte notwendig sind, um Fortschritt auf der KI-Reise zu machen. Dieses Modell kannst du für die Orientierung und Ausrichtung deines Unternehmens nutzen. Los geht's! Was bedeutet "KI-Adaption" überhaupt? Bevor wir in die Phasen eintauchen, lass uns kurz klären, was wir unter KI-Adaption verstehen. Es ist der fortlaufende Prozess , bei dem ein Unternehmen Künstliche Intelligenz systematisch in die Nutzung bringt. Das beinhaltet konkret: Integration von KI-Technologien: Die Einführung von KI-Tools und -Systemen in bestehende oder neue Arbeitsabläufe. Anpassung der Organisation: Die notwendige Veränderung von Geschäftsstrategien, Prozessen, Strukturen und der Unternehmenskultur, um KI effektiv nutzen zu können. Entwicklung von Kompetenzen: Die Schulung und Weiterbildung von Mitarbeitern, damit sie KI-Systeme verstehen, bedienen und mit ihnen zusammenarbeiten können. Es geht also um viel mehr als nur die Einführung einer neuen Software – es ist ein Wandel, der das ganze Unternehmen betrifft. Ich habe 4 Phasen beobachtet, in denen dieser Wandel sukzessive foranschreitet und einen immer größeren (positiven) Einfluss auf das Unternehmen entfaltet. Weder lässt sich eine der Phasen überspringen, noch sind diese zu 100% trennscharf. Meist befindet sich ein Bereich des Unternehmens bereits in einer fortgeschritteneren Phase, als ein anderer. Schauen wir uns die 4 Phasen im Detail an. Phase 1: Erkundung – Das Potenzial entdecken Die allermeisten Unternehmen befinden sich aktuell in der KI-Erkundungsphase. Das Thema ist zwar präsent, aber KI entfaltet noch keine Wirkung. In dieser ersten Phase geht es darum, erste Erfahrungen mit KI zu sammeln und ein Gefühl für die Möglichkeiten zu entwickeln. Wie wird KI genutzt und welcher Mehrwert entsteht? Typischerweise nutzen einzelne KI-Enthusiasten (ca. 5-10% der Mitarbeiter) öffentlich zugängliche Tools für einfache, persönliche Produktivitätsaufgaben wie E-Mail-Entwürfe oder Textzusammenfassungen. Der Mehrwert ist noch anekdotisch und nicht systematisch messbar, aber es entsteht ein erstes Bewusstsein für die Technologie und ihre Potenziale. Was zeichnet die Erkundungsphase aus? Die Nutzung ist unstrukturiert, oft mit kostenlosen Tools (" Schatten-KI "), und es fehlen unternehmensweite Standards, Richtlinien oder Plattformen. Das Management erkennt zwar den Einfluss von KI, aber es gibt noch keine zentrale Strategie oder Verantwortlichkeit. Wo liegen der gesetzte Fokus und die Ziele? Der Fokus liegt auf dem Kennenlernen und Experimentieren . Das Ziel ist, im Management ein grundlegendes Verständnis und Commitment für KI zu schaffen, erste Use Cases zu identifizieren und eine Verantwortlichkeit festzulegen. Was in dieser Phase getan werden muss: ✅ KI-Awareness Workshop im Management durchführen. ✅ Management Commitment sicherstellen. ✅ Klare Verantwortlichkeit im C-Level für KI definieren. ✅ KI-Botschafter identifizieren und erste Use Cases sammeln. ✅ Experimente fördern und Austausch ermöglichen. ✅ Das Thema KI in die interne Kommunikation aufnehmen. Phase 2: Standardisierung – Gemeinsame Grundlagen schaffen Nach den ersten individuellen Gehversuchen geht es nun darum, Struktur und Einheitlichkeit in die KI-Nutzung zu bringen. In der Standardisierungsphase wird das Fundament für die KI-Transformation gelegt! Wie wird KI genutzt und welcher Mehrwert entsteht? Die Nutzung wird breiter (ca. 30% tägliche Nutzung) und strukturierter, oft über eine zentrale Plattform und mit Zugriff auf erste Unternehmensdaten. KI dient als Erweiterung im Arbeitsalltag, erste Workflows werden integriert. Messbare Produktivitätsgewinne (5% in der Breite, 10%+ bei Power Usern) und größere Effizienzsteigerungen (z.B. 20%+ in Support, Marketing) werden in Piloten sichtbar. Was zeichnet die Standardisierungsphase aus? Klare GenAI-Richtlinien und eine zentrale KI-Plattform werden eingeführt. Ein erstes KI-Zielbild wird kommuniziert, Budgets werden zugewiesen und Use Cases priorisiert. Eine abteilungsübergreifende Taskforce und eine KI-Botschafter-Community werden etabliert. Wo liegen der gesetzte Fokus und die Ziele? Der Fokus liegt auf der Einführung von Standards (Plattform, Richtlinien) und der breiten Mitarbeiter-Befähigung durch Grundlagenschulungen. Ziel ist eine unternehmensweit standardisierte KI-Nutzung, die Erzielung erster messbarer Produktivitätsgewinne und die Etablierung strukturierter Prozesse für Anwendungsfälle. Was in dieser Phase getan werden muss: ✅ Zielbild und Richtlinien entwickeln und kommunizieren. ✅ Use Cases strukturiert identifizieren und priorisieren (Quick Wins, Value Cases). ✅ KI-Botschafter-Community aufbauen und fördern. ✅ Zentrale KI-Plattform pilotieren und ausrollen. ✅ Grundlagenschulung ("KI-Führerschein") für alle Mitarbeiter anbieten. ✅ Regelmäßige Austauschformate etablieren. ✅ Erfolge sichtbar machen (z.B. im Allhands) und ersten Hackathon organisieren. Phase 3: Integration – KI wird Teil der Wertschöpfung In dieser Phase wird KI gezielt in Kernprozesse und Fachbereiche eingebettet , um konkrete Probleme zu lösen und als strategischer Hebel zu wirken. In der Integrationsphase steigt die Integrationstiefe deutlich und der Automatisierungsgrad nimmt zu. KI wird fest in Prozessen verankert und Ergebnisse sind klar messbar. Wie wird KI genutzt und welcher Mehrwert entsteht? Die tägliche Nutzung ist hoch (>50%). Produktive KI-Assistenten sind in allen Abteilungen im Einsatz, KI-Automationen und Agenten übernehmen Aufgaben. Der Mehrwert ist signifikant: Produktivitätsgewinne von 10%+ über alle Mitarbeiter, deutliche Effizienzsteigerungen (30-50%) in Kernprozessen und erste positive Auswirkungen auf Umsatz/Profitabilität (z.B. durch Einstellungsstopps). Was zeichnet die Integrationsphase aus? KI ist als strategischer Pfeiler in der Unternehmensstrategie verankert, mit klarer Roadmap und Integration in Zielsysteme (OKRs). Es gibt etablierte Governance-Strukturen mit klaren Rollen (z.B. KI-Manager). Die technische Integration ist tief: Die KI-Plattform ist an Kernsysteme und Wissensdatenbanken angebunden. Kompetenzentwicklung erfolgt systematisch über Lernpfade und etablierte Formate (Newsletter, Hackathons, AI Day). Wo liegen der gesetzte Fokus und die Ziele? Der Fokus liegt auf der tiefen, gezielten Integration von KI in Kernprozesse zur Prozessoptimierung und -automatisierung. Ziel ist die Verankerung von KI als integraler Bestandteil wichtiger Geschäftsprozesse mit signifikanten, messbaren Verbesserungen. Etablierte Governance, umfassende technische Integration und systematische Kompetenzentwicklung sind erreicht. Was in dieser Phase getan werden muss: ✅ KI-Verantwortlichen benennen. ✅ KI-Ziele in Zielvereinbarungen (OKRs) integrieren. ✅ KI-Nutzung und Erfolge systematisch monitoren. ✅ Roadmap für Value Cases entwickeln und umsetzen (zentral & dezentral). ✅ Quick Wins durch Assistenten/Automationen in allen Abteilungen umsetzen. ✅ Schnittstellen zwischen KI-Plattform und Kernsystemen schaffen. ✅ Schulungsangebote ausweiten und institutionalisieren (Hackathons, AI Day). Phase 4: Transformation – Das AI-First Unternehmen gestalten Transformation bezeichnet einen grundlegenden Wandel. Dieser grundlegende Wandel der Arbeitsweise, des Kundenerlebnisses und vielleicht sogar des Geschäftsmodells tritt in der letzten Phase der KI-Adaption endgültig ein. KI ist integraler Treiber der Unternehmensstrategie. Eine "AI-First"-Kultur ist etabliert. Wie wird KI genutzt und welcher Mehrwert entsteht? KI wird von fast allen ( >90% ) täglich genutzt. Menschen orchestrieren KI-Systeme , autonome Agenten übernehmen komplexe Prozesse. Es gibt mehr KI-Assistenten als Mitarbeiter. Die Produktivitäts- und Effizienzgewinne sind unternehmensweit hoch (20%+ bzw. 50%+). Neue KI-basierte Geschäftsmodelle entstehen, Wachstum erfolgt oft über KI statt über mehr Personal ("AI-First Strategie"). Was zeichnet die Transformation aus? KI ist Kernbestandteil der Vision und Strategie. Die AI-First-Logik prägt Einstellungsentscheidungen. Organisationsstrukturen und Rollen sind auf Mensch-KI-Kollaboration ausgerichtet. Ein erweitertes zentrales KI-Team steuert Daten, Use Cases und Change. Technologisch sind Multi-Agenten-Systeme und eine zentrale Datenplattform im Einsatz. Kontinuierliches Lernen und Anpassen sind selbstverständlich. Wo liegen der gesetzte Fokus und die Ziele? Der Fokus liegt darauf, KI als integralen Treiber zu nutzen, um das Geschäft grundlegend neu zu gestalten und eine AI-First-Kultur zu etablieren. Ziel ist die Transformation zu einem AI-First Unternehmen, bei dem KI Strategie, Geschäftsmodelle und Wachstum prägt. Die Arbeitsweise basiert auf Mensch-KI-Kollaboration und hoher Automatisierung. Was in dieser Phase getan werden muss: ✅ Wertschöpfungskette und Kundenerlebnis aus KI-Perspektive neu denken. ✅ Prozesse fortlaufend mit KI durchdringen und Automationsgrad steigern. ✅ Konsequenten Einstellungsstopp prüfen. Wachstum über KI & Automation. ✅ Zentrales KI-Team erweitern mit Kompetenzen in Data Science, Change und Engineering. ✅ Integration von Multi-Agenten-Systemen für die Abwicklung immer mehr repetitiver Aufgaben. ✅ Mitarbeiter für neue Rollen weiterbilden ( Reskilling/Upskilling , insb. zu KI-Orchestratoren). ✅ Formate für kontinuierliches Lernen beibehalten. KI-Adaption GPT Wenn du Unterstützung bei der Einordnung eurer Adaptionsphase benötigst, habe ich einen KI-Assistenten erstellt, der dich dabei unterstützt. Funktionsweise: "Start" drücken Der Assistent stellt Dir Fragen Am einfachsten per Spracheingabe beantworten Du bekommst eine Einordung sowie die wichtigsten To Do's 👉 Hier geht's zum KI-Adaption GPT Fazit Die Reise der KI-Adaption verläuft in Phasen, die aufeinander aufbauen. Jede Stufe bringt neue Möglichkeiten, aber auch neue Herausforderungen mit sich. Phasen erkennen: Zu verstehen, wo das eigene Unternehmen steht, hilft, die richtigen nächsten Schritte zu planen. Von Experimenten zu Standards: Der Übergang von der Erkundung (Phase 1) zur Standardisierung (Phase 2) schafft die Basis für breite Nutzung und messbare Erfolge. Integration bringt Tiefe: Die gezielte Einbettung in Prozesse (Phase 3) hebt den strategischen Wert von KI. Transformation als Vision: Das AI-First Unternehmen (Phase 4) erfindet sich durch KI neu und sichert sich nachhaltige Wettbewerbsvorteile. Mensch im Mittelpunkt: Erfolgreiche KI-Adaption braucht Management-Commitment, klare Kommunikation und die kontinuierliche Befähigung der Mitarbeiter. Wo siehst Du Dein Unternehmen auf dieser Reise? Was sind Deine nächsten Schritte zur effektiven KI-Nutzung? Teile gerne Deine Gedanken! Bis nächsten Sonntag, Felix
## Erstelle deinen persönlichen KI-Assistenten
URL: https://ai-first.ai/insights/erstelle-deinen-persoenlichen-ki-assistenten
Kategorie: Lab
Untertitel: (+"Donna" Setup Leitfaden)
Herzlich Willkommen zu den AI FIRST Insights! Ich habe jede Folge der Anwaltsserie Suits gesehen und liebe die starken Charaktere Harvey, Michael, Louis und ganz besonders: Donna. Durch ihre Kompetenz gepaart mit Schlagfertigkeit, Einfallsreichtum, unerschütterlicher Loyalität und hoher emotionaler Intelligenz hat sie für mich immer das symbolisiert, was ich von einer weltklasse Assistenz erwarten würde. Da wir AI-First arbeiten und ich daher keine Assistenz habe, habe ich mir Donna als Beispiel genommen und einen Chief of Staff KI-Assistenten erstellt, welcher die Eigenschaften von Donna vereint und mich bei strategischen und organisatorischen Themen unterstützt. In dieser Ausgabe führe ich dich Schritt-für-Schritt durch den Prozess, wie du dir deinen eigenen persönlichen KI-Assistenten (oder auch eine Donna) erstellen kannst. Los geht's! Das Setup deines KI-Assistenten Einen persönlichen KI-Assistenten zu erstellen, ist oft einfacher als vermutet. Ihn aber so zu verfeinern, dass er wirklich nützlich ist, erweist sich meist als schwieriger als gedacht. Was sind die Grundzutaten für deinen Assistenten? 1. Ein KI-Chatbot mit einem Assistenten-Feature: ChatGPT -> CustomGPT Copilot -> Agent Claude -> Project Gemini -> Gem Ich habe Donna in Langdock aufgesetzt. Dort heißt das Feature "Assistenten". 2. Systemanweisung Der "System Prompt" ist die zugrundeliegende Arbeitsanweisung für deinen Assistenten und gibt die Aufgaben, Kontext und Regeln vor in denen sich der Assistent bewegt. Stell dir das wie ein Aufgabenbriefing oder eine Stellenbeschreibung vor. 3. Kontextwissen Dein Assistent weiß nichts über dich, dein Unternehmen, deine Prozesse oder deinen Sprachstil. Dieses Wissen musst du dem Assistenten beibringen, um spezifische, kontextbezogene Antworten zu erhalten. Dafür strukturierst du verschiedene Dokumente, die du dem Assistenten zur Verfügung stellst. 4. Integrationen (optional) Wenn dein Assistent auf verschiedene Tools/Systeme zugreifen soll, brauchst du eine Schnittstelle von deinem Assistenten zu diesen Tools. Integrationen sind in manchen Tools vorinstalliert. In anderen musst du die Schnittstelle selbst einrichten. Systemanweisung Starten wir mit dem wichtigsten Teil: dem Aufgabenbriefing für deinen Assistenten. Die Systemanweisung ist eine detaillierte Beschreibung, wie sich der Assistent verhalten soll. Die Anweisung ist ein Prompt, der bei jeder Abfrage des Assistenten ausgeführt wird. (Die komplette Systemanweisung von Donna findest Du weiter unten) Bevor Du mit der Formulierung des Prompts startest, solltest Du folgende Punkte definiert haben: Welches Ziel will ich mit der Nutzung dieses Assistenten erreichen? Welche Aufgabe(n) soll der Assistent konkret ausführen? Was sind die jeweiligen Aufgabenschritte? Welchen Input erhält der Assistent von mir? Wie soll der Output des Assistenten konkret aussehen? Welche Standards und Regeln müssen eingehalten werden? Welches Kontextwissen wird für die Bearbeitung der Aufgabe benötigt? Erst wenn du dir über diese Punkte klar bist, kannst du eine gute Systemanweisung schreiben. Lass uns kurz auf die Bestandteile eingehen: Rollenbeschreibung Warum: Definiert Persönlichkeit, Kernkompetenzen und Stil deines KI-Assistenten (z.B. "Effizienter Assistent"). Legt auch fest, wie sie mit dir spricht (z.B. locker-kollegial). Worauf achten: Sei spezifisch bei den Eigenschaften! Beispiel: Mein CoS AI ist inspiriert von Donna Paulsen – organisiert, professionell, aber intern informell. Für dich: Welche Rolle passt am besten zu den Aufgaben deines KI-Assistenten? Zielbeschreibung Warum: Nennt die 1-3 Hauptziele oder Kernfunktionen. Das gibt dem KI-Assistenten Fokus und Zweck. Worauf achten: Formuliere klare, ergebnisorientierte Ziele. Beispiel: Meine CoS AI Ziele sind (1) Top Brainstorming, (2) passende Kommunikationsentwürfe, (3) umsetzbare Planung. Für dich: Was sind die Kernaufgaben deines Assistenten? Kontext Warum: Legt fest, auf welcher Basis der KI-Assistent agiert. Soll er nur auf Anfrage handeln? Muss er bestimmtes Wissen (z.B. Firmendetails) nutzen? Worauf achten: Definiere, woher dein KI-Assistent Infos bezieht (z.B. bereitgestellte Doks). Betone, ob er diese nutzen MUSS. Beispiel: Donna MUSS spezifische Wissensdokumente für Qualität und Kontext nutzen. Für dich: Welche Infos braucht dein KI-Assistent? Soll er nur internes Wissen nutzen? Aufgabenbeschreibung Warum: Definiert einen klaren Ablauf für mehr Zuverlässigkeit (z.B. Analysieren -> Klären -> Ausführen -> Liefern). Worauf achten: Wichtig: Weise die KI an, bei Unklarheit nachzufragen ! Definiere ggf. spezifische Schritte für Hauptaufgaben. Beispiel: Mein 5-Schritte-Prozess mit expliziter Nachfragepflicht und Details für Brainstorming, Kommunikation, Planung. Für dich: Wie soll dein KI-Assistent idealerweise vorgehen? Plane den Nachfrage-Schritt ein! Wissen und Input Warum: Listet die typischen Inputs (z.B. "Deine Anfrage", "Notizen") und Wissensquellen (z.B. "Styleguide", "FAQ") auf. Worauf achten: Benenne Inputs und Quellen klar. Beispiel: Ich nutze klare Bezeichner wie {Task} für die Aufgabe oder {Tone of Voice} für den Schreibstil. Für dich: Welche Daten und Dokumente sind für deinn KI-Assistenten essenziell? Sprachstil Warum: Entscheidend für Kommunikationsaufgaben. Definiert den Schreibstil (z.B. formell/informell, Markenton). Worauf achten: Sei so detailliert wie nötig, ggf. mit eigenem Styleguide. Beispiel: Mein Prompt hat einen sehr detaillierten "Tone of Voice"-Abschnitt für konsistente E-Mails. Für dich: Wie soll dein KI-Assistent klingen? Passt der Stil zu dir? Output Format Warum: Legt das gewünschte Ergebnisformat fest (Liste, Text, Tabelle, JSON etc.), damit du es direkt nutzen kannst. Worauf achten: Definiere das Format für die Hauptaufgaben klar. Beispiel: Brainstorming als Liste, Kommunikation als fertiger E-Mail-Entwurf, Planung als strukturierter Report. Für dich: In welcher Form brauchst du die Ergebnisse? Regeln und Einschränkungen Warum: Setzt Leitplanken für Zuverlässigkeit, Qualität und Sicherheit. Worauf achten: Formuliere klare Regeln (z.B. "Immer nachfragen bei Unklarheit", "Nur bereitgestelltes Wissen nutzen", "Persona einhalten", "Vertraulichkeit wahren"). Beispiel: Wichtige Regeln in meinem Prompt sind "Ask First" und "Use Knowledge". Für dich: Welche roten Linien und Qualitätsstandards sind für deine KI unverzichtbar? 👉 Hier findest du die Systemanweisung von Donna. Wichtig: Die gesamte Anweisung ist auf mich ausgerichtet. Passe sie unbedingt auf deine spezifischen Anforderungen an. 👉 Hier findest du den AI FIRST Prompt Engineer, der dich bei der Erstellung von System Prompts unterstützt. Kontextwissen Ohne Kontextwissen kann dein Assistent nur auf die allgemeinen Trainingsdaten zugreifen . Wenn dein Assistent spezifisches, internes Wissen nutzen soll, dann musst du dieses bereitstellen. Donna hat 3 Dokumente als Wissen hinterlegt. Die Dokument mit meinem Google Drive synchronisiert, damit das Assistenten-Wissen aktuell bleibt, wenn ich die Dokumente anpasse. 1. Allgemeine Unternehmensinformation Hier habe ich alles Wichtige über mich und mein Unternehmen beschrieben: Gründungsdatum Angebotsportfolio Werte und Prinzipien Zielgruppe und Referenzen Wichtige Projekte und Initiativen Unternehmenszweck und Mission 2. Playbook Hier habe ich genau beschrieben, wie unsere AI Adoption Programme strukturiert sind und umgesetzt werden. Das ist quasi eine detaillierte Beschreibung unserer Prozesse, Standards und Regeln. Egal ob es um dein Angebot oder einen internen Prozess geht: eine detaillierte Dokumentation hilft dem Assistenten, dazu passende Ergebnisse zu produzieren. 3. Tone of Voice Dort beschreibe ich im Detail meinen Schreibstil für E-Mail Kommunikation: Struktur der Mails Kriterien wie Direktheit, Bias for Action, Lösungsorientierung Anrede - Einstieg - Hauptteil - Abschluss Anpassung der Formalität: Du / Sie E-Mail Vorlagen für bestimmte Situationen Do's & Dont's Im Tone of Voice Guide befinden sich außerdem viele Beispiele, welche meinen Schreibstil verdeutlichen. Ich habe einen Großteil des Tone of Voice Guides außerdem direkt in den Prompt geschrieben (alles was in den Prompt reinpasst, am besten in den Prompt schreiben :)) 👉 Hier findest du unseren Tone of Voice Assistenten, der dir bei der Analyse deines Schreibstils hilft. Integrationen Wenn dein Assistent auf verschiedene Tools/Systeme zugreifen soll, brauchst du eine Schnittstelle von deinem Assistenten zu diesen Tools. Diese Integrationen sind jedoch optional, da du in allen Fällen auch den Input und Output von einem System in ein anderes kopieren kannst. (In Plattformen wie Langdock sind diverse Integrationen meist out-of-the-box nutzbar) Mit diesen Integrationen kann ich beispielsweise: Neue Kalendertermine einstellen lassen basierend auf dem erstellten Projektplan E-Mails diktieren und als Draft in G-Mail hinterlegen lassen Donna ein Meeting-Transkript als Briefing geben Wichtig in dem Kontext: Immer den Datenschutz beachten, insbesondere bei der Verarbeitung personenbezogener Daten. Im Zweifelsfall keine personenbezogenen Daten verarbeiten lassen. Wenn Du einen Chatbot wie ChatGPT, Copilot oder Gemini nutzt, sind die Integrationen oft (noch) nicht so einfach. In diesem Fall kannst du Brücken wie die GPT Actions oder Copilot Studio nutzen (was jedoch deutlich mehr Aufwand ist). Claude hat kürzlich sein Research-Feature veröffentlicht, was die Verbindung zum Google Workspace herstellt. Wahrscheinlich wird es nicht mehr allzu lange dauern, bis auch in diesen Tools mehr Integrationen verfügbar sind. 🏁 Fazit Persönliche KI-Assistenten können deine Produktivität signifikant steigern. Der Schlüssel ist das Training auf deinen spezifischen Anweisungen, Zielen und deinem Wissen. Für das Setup deines Assistenten brauchst du einen KI-Chatbot mit Assistenten-Feature, eine detaillierte Systemanweisung (Aufgabenbriefing), Dokumentation des relevanten Kontextwissens und optional Integrationen zu deinen Tools. Bei der Systemanweisung kommt es auf die spezifische Aufgabenbeschreibung, Input- und Output-Format, deinen Schreibstil und andere Anforderungen an. Je konkreter, desto besser. Hier ist die Systemanweisung für Donna. Als Kontextwissen solltest du Informationen über dich, dein Unternehmen, deine Prozesse, deine Services und deinen Schreibstil hinterlegen. Je nach Anwendungsfall können auch weitere Informationen notwendig sein. Integrationen sind in vielen KI-Plattformen für Unternehmen bereits vorgebaut und können einfach genutzt werden. In Consumer-Tools wie ChatGPT sind Integrationen kaum vorhanden und der Setup-Prozess ist recht aufwändig. Gehe bei der Erstellung deines Assistenten iterativ vor und optimiere ihn mit der Zeit immer weiter. Viel Spaß beim Aufsetzen und Nutzen deines persönlichen KI-Assistenten! Bis nächsten Sonntag, Felix
## Das Manus Experiment
URL: https://ai-first.ai/insights/das-manus-experiment
Kategorie: Horizont
Untertitel: Was kann der KI-Agent?
Herzlich Willkommen zu den AI FIRST Insights! Ein Programm, das mit Internetzugriff und einem eigenen PC autonom Aufgaben bearbeitet: Das ist der chinesische KI-Agent Manus . Vor wenigen Tagen habe ich ein Experiment gestartet: Ich wollte Manus jeden Morgen ein Aufgabenbriefing geben und ihn dann asynchron zu mir arbeiten lassen - wie das ein Mitarbeiter auch tun würde. Mein Ziel war es, die Stärken und Schwächen, Potenziale und Grenzen dieser allgemeinen KI-Agenten besser zu verstehen. Die ersten Ergebnisse waren besser als erwartet. Nur einen Tag später hat sogar Sascha Lobo das Thema in seiner Keynote auf der data:unplugged aufgegriffen: (Danke an alle, die in dem Moment ein Foto oder Video gemacht haben und mir über WhatsApp und LinkedIn geschrieben haben!) Heute ist mein 7-tägiges Manus-Experiment vorbei und ich teile mit Dir: Wie Manus funktioniert und warum wir davon noch viel mehr sehen werden Mein Workflow für das Aufgaben-Briefing des Agenten Anwendungsfälle (die guten und schlechten) Video mit einer kompletten Demo Fazit und Ausblick Los geht's! Ein Blick in Manus' Inneres Manus ist ein Multi-Agenten-System . Das bedeutet, dass Manus eine Aufgabe in viele Unteraufgaben herunterbricht, diese an spezialisierte KI-Agenten übergibt, welche die Aufgabe parallel bearbeiten und später zusammentragen. Unter der Haube läuft das LLM Claude 3.7 Sonnet von Anthropic. Hier bekommst du einen detaillierten Einblick in die Prompts und Tools, die Manus im Hintergrund nutzt. Das Wichtigste fasse ich Dir zusammen: Tools Manus hat Zugriff auf eine Vielzahl von Werkzeugen zur Erledigung der Aufgaben: Nachrichten schreiben Kann Websites bereitstellen Linux Sandbox mit Internetverbindung Text Editor, um Dokumente zu erstellen Kann verschiedene Programmiersprachen wie Python ausführen Vereinfacht gesagt: Er hat einen eigenen PC und Zugriff auf's Internet . Agent Loop Manus bearbeitet jede Aufgabe in einer iterativen Schleife und wiederholt die Schleife so lange, bis die Aufgabe erledigt ist. Das ist eine typische Charakteristika von Agents im Vergleich zu regelbasierten Automationen. Der Prozess läuft immer so ab: Verstehen: Zuerst schaut Manus, was der Nutzer will und was bisher passiert ist. Werkzeug wählen: Dann entscheidet ein "Planungs"-Agent, welches Werkzeug (z.B. eine Suche oder Berechnung) er als Nächstes braucht. Warten: Der Agent wartet, bis der Sub-Agent seine Aufgabe erledigt hat und neue Informationen da sind. Wiederholen: Die Schritte 1 bis 3 werden immer wiederholt, bis die Aufgabe fertig ist (immer nur ein Werkzeug pro Runde). Ergebnis senden: Wenn alles erledigt ist, schickt der Agent die Antwort oder das Ergebnis an den Nutzer. In meinen Manus-Chats wird eine rote 1 angezeigt, womit ich immer weiß, welche Aufgabe mein Feedback erfordert. Pause: Wenn die Aufgabe fertig ist oder der Nutzer Stopp sagt, geht der Assistent in einen Wartezustand für neue Aufgaben. To-Do Liste Zum Start jeder Aufgabe erstellt Manus eine To-Do Liste, die auf dem Prompt des Nutzers basiert. Die Liste aktualisiert er während des Arbeitsprozesses kontinuierlich. Das hat 2 Vorteile: Manus kommt seltener vom Weg ab: Sobald eine Aufgabe erledigt ist, schaut er in der Liste nach der nächsten Aufgabe und macht damit weiter. Er kontrolliert sich so ständig selbst. Ist für Nutzer transparent, was Manus macht: Der gesamte Arbeitsprozess wird im Interface dokumentiert. Wissen Ich kann Manus zwar Wissen zur Verfügung stellen, aber nur per Text-Eingabe. Aktuell gibt es noch keine Schnittstellen oder hinterlegte Dateien, wie zB in Claude Projects. Ich frage mich aber auch, wer wirklich sensible Daten an einen chinesichen KI-Agenten geben würde :) Mein Workflow mit Manus Meine Zusammenarbeit mit Manus sah wie folgt aus: Planung am Vorabend Ich gehe die Aufgaben des kommenden Tages durch und prüfe, welche (Teil-)aufgaben sich mit Zugriff auf das Internet und einfache PC-Programme (Word, Excel, ..) erledigen lassen. Ich definiere die Aufgabe und wie das Ergebnis aussehen soll. Briefing am Morgen Morgens habe ich Manus bis zu 5 Aufgaben parallel gegeben. Dafür habe ich vorab mit Gemini 2.5 Pro einen Briefing-Prompt erstellt, indem ich die Aufgabe vom Vorabend diktiere und mir daraus einen optimierten Prompt erstellen lasse. Diesen neuen Prompt (siehe unten) war dann der Input für Manus. Input für Gemini: Output von Gemini: > Diesen Briefing-Prompt habe ich Manus gegeben. Check-In am Vormittag Manus hat losgelegt und wenn er fertig war oder eine Rückfrage hatte, hat es "Bing" gemacht und im Manus Chatverlauf wurde mit einer roten 1 die Benachrichtigung angezeigt. Das war echt interessant, weil es mir vorkam, als hätte ich eine WhatsApp Nachricht bekommen. Oft hat es 30-60 Minuten gedauert, bis das erste Ergebnis fertig war. Ich habe in den meisten Fällen drübergeschaut, Feedback gegeben und Manus ist wieder losgezogen - und das ganze passierte an bis zu 5 Aufgaben parallel. Fertigstellung am Nachmittag Nach der ersten Iteration hat Manus oft deutlich länger weitergearbeitet. Teilweise mehrere Stunden an vermeintlich einfachen Aufgaben. Ich hatte manchmal das Gefühl, dass er ab einem bestimmten Punkt im Kreis lief. Auch wenn es manchmal lang dauerte, wurde die Aufgabe im Verlauf des Tages meist fertig und ich konnte mit dem Ergebnis weiterarbeiten. Ist das die Zukunft der Mensch-KI-Interaktion? Für mich hat sich die "Zusammenarbeit" sehr natürlich angefühlt. Immer wieder habe ich mich dabei ertappt, dass ich das Gefühl hatte, ich würde einem Mitarbeiter eine Aufgabe geben. Die asynchrone Zusammenarbeit an vielschrittigen Aufgaben mit mehreren Check-Ins kannte ich in der Form nur aus der Zusammenarbeit mit Menschen. Anwendungsfälle & Demo Kommen wir zum spannendsten Teil: Was habe ich mit Manus gemacht und wie hat's funktioniert? Ich teile im folgenden eine Reihe an Anwendungsfälle mit dem Replay-Link (Überschrift). Über diesen Link kannst Du Dir die Arbeit von Manus nochmal ansehen und verfolgen, wie er die Aufgabe bearbeitet. Account Based Marketing Plan Aufgabe : Erstelle einen umfassenden, taktischen, umsetzbaren ABM Plan für die Akquisition der Würth Gruppe für unser GenAI Adoption Programm. Fazit : Sehr umfangreiche Analyse und Dokumentation der Ausgangssituation, AI-Initiativen, Buying Center (leider halluziniert, die Person gibt's nicht.) und Definition der ABM-Strategie über verschiedene Kanäle und bis hin zu Outreach-Templates. Insgesamt ein solider Start, aber inhaltlich nicht konkret genug. Das kann insbesondere daran liegen, dass ich recht wenig Informationen zu unseren Angeboten gegeben habe. 30 Tage KI-Challenge Aufgabe : Entwickle eine KI-Challenge in Excel-Format aus einer Aufgabe, die über 30 Tage nach dem Abschluss unserer KI-Schulungen an die Teilnehmer versendet werden kann. Fazit: Hat wunderbar funktioniert. Hier sehe ich auch die größte Stärke von Manus: Recherche + Dateneintragung/Formattierung in einen Dokument, auf einer Website oder in einem Sheet. Die Kombination aus beidem hat mir tatsächlich viel zeit gespart. Social Listening Analyse Aufgabe: Führe eine tiefe Social Listening Analyse zu den Themen Skincare, Facecare und Haircare durch. Insbesondere auf den Plattformen TikTok und Instagram. Ich will im Detail verstehen, worüber die Nutzerinnen zu diesen Themen gerade sprechen. Fazit: Hat ebenfalls sehr gut funktioniert. Manus hat diverse passende Creator-Profile gefunden, die Trends aus den Posts und Captions identifiziert, zusätzliche Trend-Recherche gemacht und alle Erkenntnisse konsolidiert aufbereitet mit konkreten Taktiken, wie sich Marken auf diese Trends einstellen können. Podcast-Gast Recherche Aufgabe: Finde 20 Podcast Gäste aus Unternehmen mit öffentlichen KI Use Cases / Success Stories aus Deutschland. Fazit: Das war nix. Die Bearbeitung der Aufgabe hat glaube ich 10 Stunden gedauert (wenn nicht länger), ist ständig abgebrochen und am Ende bekam ich ein sehr schwaches Ergebnis mit fast ausschließlich DAX-Konzernen und falschen Links zu den Profilen der "KI-Verantwortlichen", die oft der CEO waren :) Was deutlich besser funktionierte: Vorbereitende Recherche auf Podcasts zum Gast, Unternehmen und den KI-Initiativen. Das war top. Business Case Rechner Aufgabe: Erstelle einen einfachen Business Case Rechner für GenAI Use Cases, der einen ersten Überblick über die Rentabilität des Use Cases gibt. Fazit: Für eine Excel-Niete wie mich war das eine große Erleichterung. Manus hat das komplette Sheet mit 5 Tabs, komplett verformelt, sinnvollen Input und Output-Parametern, Charts und Erklärungen erstellt. Hier muss noch nachgearbeitet werden beim Format und einigen inhaltlichen Punkten (was auch am Prompt liegt), aber die Grundlage ist klasse. Lernwebsite für LLMs Aufgabe: Erstelle eine einfache HTML-Website, auf der ich lernen kann, wie Large Language Models funktionieren. Fazit: Auch hier bin ich zufrieden. Die Website ist interaktiv (zB Navigation, Quizzes, Nutzer können auf Symbole klicken für mehr Info's), der Inhalt ist passend für Anfänger (hatte ich auf Rückfrage angegeben) und der Aufbau ist sinnvoll. Für Prototypen und Konzeption super geeignet. Ich habe Dir noch ein Video aufgenommen, wo ich ein paar Use Cases und die Funktionsweise von Manus vorstelle: Link zu YouTube Video Demo Manus' Stärken und Schwächen Der System Prompt (die zugrundeliegende Anweisung) von Manus gibt uns bereits Anhaltspunkte dafür, worin Manus wirklich gut ist. Dort steht geschrieben: "You excel at the following tasks: Information gathering, fact-checking, and documentation Data processing, analysis, and visualization Writing multi-chapter articles and in-depth research reports Creating websites, applications, and tools Using programming to solve various problems beyond development Various tasks that can be accomplished using computers and the internet" ✅ Also : Recherche, Dokumentation, Datenanalyse, Coding. ❌ Aber: Manus ist nicht die eierlegende Wollmilchsau. Bei weitem nicht. Diese 12 Erfahrungen kann ich nach 7 Tagen mit Dir teilen: Die Bearbeitung der Aufgaben hat im Schnitt ca. 60 Minuten gedauert. Die Iterationen mit spezifischeren Feedbacks teils deutlich länger. Das war aber kein Problem für mich, weil Manus asynchron gearbeitet hat. Die Planung und Nachhaltung des Aufgabenprozesses funktioniert sehr gut, die To Do Liste sind immer logisch aufgebaut und werden konsistent befolgt und aktualisiert. Manus funktioniert gut für mehrstufige Recherche. Je genauer die Erwartungen an die Quellen gegeben werden, desto besser die Ergebnisse (irgendwo auch logisch). Die Erstellung von Excel, csv und Word-Dateien klappt einwandfrei. Powerpoint funktioniert allerdings nicht. Auch HTML-Folien haben bei mir nicht funktioniert. Die Erstellung einfacher Websites (mein Beispiel: "Lern-Website für LLMs inkl. Quiz") hat sehr gut funktioniert und ging schnell. Je spezifischer der Output sein muss, desto schwieriger war für mich der Einsatz von Manus. Durch die vielen Sub-Agenten und Schritte hat die Präzision gelitten. Der "High Effort" Modus, der im 200$/Monat Plan inkludiert ist, hatte gefühlt keinen großen Mehrwert. Auch in diesem Modus ist er an manchen Aufgaben gescheitert. Die erstellten Dokumente sind sehr umfangreich, aber inhaltlich zu fluffy für meinen Geschmack. Auch Manus halluziniert und ich muss weiterhin jedes Ergebnis überprüfen. Wenn Manus einmal eine Aufgabe abbrechen musste, hat er es meist auch nach einem dutzend neuer Anläufe nicht mehr auf den richtigen Pfad geschafft. Das war teils frustrierend, weil jeder neue Versuch auch mal 1-2 Stunden dauern konnte. Manus kann noch keine E-Mails versenden :) Unter'm Strich: Trotz aller Fehler und Schwächen hat mir Manus 5 bis 10 Stunden allein in dieser Woche gespart . Dabei ist zu bedenken, dass ich ihn noch "onboarden" und in meine Routine integrieren musste. Neben der Zeitersparnis hat er meine mentale Last verringert, weil ich tatsächlich Arbeit delegieren konnte. 🏁 Fazit KI-Agenten wie Manus sind unser Teleskop in die Zukunft. Das Experiment hat viele meiner Thesen bestätigt: Intellektuelle Fleißarbeit wird von KI-Systemen übernommen . Nur eine Frage der Zeit. KI-Agenten sind keine Alleskönner und Super-Wunder-Werkzeuge. Für gute Ergebnisse brauchen sie klare Anweisungen, Regeln, Zugriff auf Tools und Zugriff auf saubere Daten. Simple Aufgaben können von KI-Agenten fast vollständig autonom erledigt werden (Automation). Komplexere Aufgaben erfordern die Steuerung des Nutzers (Augmentation). Wir werden immer mehr Zeit mit der Definition von Problemen und kreativen Ideen verbringen. Das Briefing geben wir einem KI-System, welches einen immer größeren Teil des Abarbeitens übernimmt. Genau diese Dynamik habe ich mit Manus erfahren. Die Orchestrierung und Überwachung der Agenten wird vorerst bei uns liegen. Bis ein Agent kommt, der das besser kann als wir. KI-Agenten müssen in der Organisationsstruktur (Rollen + Aufgaben) mitgedacht werden. Für allgemeine Tätigkeiten werden immer mehr allgemeine KI-Agenten entwickelt, die immer besser auf unsere Daten und Systeme zugreifen können. Wir müssen uns nicht alle unsere eigenen Agenten entwickeln. Auch hier wird es auf die produktive, richtige Nutzung ankommen. Mach Dir eins klar: KI-Systeme wie Manus sind das Schlechteste, was wir jemals wieder sehen werden . Sie werden ein fester Bestandteil jedes PC-Jobs und jedes Unternehmens. Neugier, Lernbereitschaft, kritisches Denken und Anpassungsfähigkeit sind jetzt gefragt, um die Chancen zu entdecken und für sich nutzbar zu machen. Bis nächsten Sonntag, Felix P.S. Der Zugang zu Manus ist aktuell noch streng limitiert. Ich habe 2 Einladungscodes für die AI FIRST Mitglieder reserviert. Wenn Du Zugang zu Manus haben willst, dann kommentiere hier mit "Manus" oder schreibe “Manus” an hi@ai-first.ai und ich lose aus.
## 8 ChatGPT Bild-KI Use Cases (inkl. Reality Check)
URL: https://ai-first.ai/insights/8-chatgpt-bild-ki-use-cases-inkl-reality-check
Kategorie: Lab
Untertitel: Was OpenAIs neues Bildmodell kann (und was noch nicht)
Herzlich Willkommen zu den AI FIRST Insights! Nachdem Google mit Gemini Imagen 3 im Bild-KI Rennen vorgelegt hat, ist diese Woche OpenAI nachgezogen und hat mit 4o Image Generation endlich einen Nachfolger der nur rudimentär nutzbaren DALL-E Modelle an den Start gebracht. Diese neue Generation der Bildmodelle sind multimodal . Bedeutet, sie können: Bilder mit einem Text-Prompt erstellen (nichts neues) Bilder mit einem Text-Prompt bearbeiten Bilder mit einem Text + Bild Prompt erstellen Text + Bild in ein vorhandenes Bild einfügen Die Faszination um das neue Modell war riesig und ich habe auf LinkedIn eine regelrechte Flut aus KI-generierten Inhalten wahrgenommen, die alle mehr oder weniger gleich aussahen. Meine Gedanken zu den möglichen Auswirkungen der Content Flut mit immer besseren, zugänglicheren GenAI Modellen habe ich hier auf LinkedIn geteilt. Zusammengefasst: Wenn die Erstellung von Content mit GenAI immer einfacher wird, werden gute Ideen, Authentizität und vertrauensvolle Personen/Marken immer wertvoller. KI ist auch in diesem Kontext als Unterstützung und nicht als Ersatz zu betrachten. Heute zeige ich Dir 8 Anwendungsfälle für multimodale Bild-KIs, welche Mehrwerte sie mit sich bringen und wo es aktuell noch Grenzen gibt. Los geht’s! Update AI Collective Kleiner Einblick "behind the scenes" :) Heute war Content-Tag für das AI Collective. Das heißt: Wohnzimmer zum Studio umbauen, Kamera an und ab geht's. So werden in den kommenden Wochen alle Inhalte aufbereitet und für die Akademie produziert. Ich weiß nicht, wann ich das letzte Mal so viel gearbeitet habe, aber gleichzeitig auch so viel Spaß hatte! Du möchtest noch dabei sein? Wir haben bereits 20 Zusagen, aber noch 10 Plätze verfügbar. Alle Informationen findest du hier . Trage dich auf die Warteliste ein, und wir senden dir ein individuelles Angebot sowie das detaillierte Programm zu. → Mehr Informationen zum AI Collective Werbung Ende :) Jetzt geht's weiter mit der Insights-Ausgabe! Wie funktioniert 4o Image Generation? Der größte Unterschied zu bisherigen Bildmodellen: 4o generiert Bilder Stück für Stück - genau wie Text. Midjourney, DALL-E und Stable Diffusion erstellen Bilder dagegen in einem Schritt, indem sie aus Rauschen ein klares Bild formen. Was bedeutet das praktisch? Das Modell kann das Bild schrittweise aufbauen Es nutzt sein Vorwissen aus dem Training Die Bildqualität wird während der Generierung optimiert Schauen wir uns 8 konkrete Anwendungsfälle an, die das Potenzial von 4o zeigen: Use Case 1: Marketing-DNA erfolgreicher Marken als Inspiration nutzen Mit 4o Image Generation nutzt Du die Marketing-DNA führender Marken für Deine eigenen Kampagnen. Gib der KI eine erfolgreiche Werbekampagne als Referenz und sie erstellt neue Marketing-Assets auf Deine Marke zugeschnitten. Layout, visuelle Sprache und Bildkomposition werden dabei adaptiert. Wir können die generierten Bilder natürlich nicht 1:1 für finale Marketing-Materialien verwenden, dafür finde ich die Qualität nicht gut genug. Aber sie geben uns eine gute Basis und zeigen die Richtung auf, in die wir das Design entwickeln können. Use Case 2: Produktvisualisierung auf Basis von Referenzbildern Mit 4o Image Generation erstellst Du jetzt blitzschnell Produktvisualisierungen. Du lädst ein Referenzprodukt hoch - zum Beispiel ein Kartenspiel - und die KI generiert daraus neue Produktbilder in Deinem Markendesign. Das funktioniert für Verpackungen, Merchandise oder andere physische Produkte. Für das AI Collective haben wir der KI ein Kartenspiel als Referenz gegeben. Innerhalb von Sekunden entstanden neue Produktvarianten. Diese Visualisierungen eignen sich super, um Produktideen greifbar zu machen. Use Case 3: Saisonale Anpassungen Ein weiterer Use Case ist die Darstellung von Produkten oder Objekten in verschiedenen Settings - beispielsweise Jahreszeiten-Themes. Ich habe zum Spaß mal einen AI FIRST Store erstellt und in verschiedenen Jahreszeiten dargestellt: Use Case 4: Infografiken erstellen In diesem Beispiel habe ich zuerst mit ChatGPT das Konzept für die Infografik erstellt und dann von 4o Image Generation die Grafik generieren lassen. Innerhalb von Minuten war die fertige Infografik da. Wahrscheinlich wird LinkedIn in den nächsten Wochen von genau dieser Art Infografiken überflutet werden. Aber für erste Visualisierungen und schnelle Content-Ideen ist es praktisch. Use Case 5: Kreative Mockups Ich habe einen Screenshot unserer Website gemacht und 4o gebeten, daraus ein MacBook-Mockup zu erstellen. Und weil Tierbilder einfach funktionieren.... :) Kleiner Hinweis: Die KI baut den Screenshot nicht 1:1 ein, sondern bildet ihn leicht verändert nach. Bei aufwändigeren Screenshots funktioniert es nicht fehlerfrei. Use Case 6: AI-generierter UGC-Content UGC-Style Content kann jetzt einfach erstellt werden. OpenAI zeigt ein Beispiel von zwei Mitarbeitern, die sich ein High Five geben - im Hintergrund eine Tafel mit technischen, ganz neu , lesbaren Notizen. Ein anderes Beispiel auf Twitter zeigt Mark Zuckerberg, der ein bestimmtes Buch liest. Das öffnet neue Möglichkeiten für Marketing und Social Media. Aber hier unbedingt die rechtlichen Grenzen im Blick behalten. Quelle: OpenAI l Lorenzo Green, X Use Case 7: Interior Design & Virtuelles Staging Mit 4o kannst Du jetzt für Interior Design zwei spannende Dinge machen: Entweder Du gibst einzelne Möbelstücke wie Teppiche, Bilder, Sessel und Lampen vor - die KI erstellt daraus ein komplettes Wohnzimmer-Setup. Oder Du lädst einen leeren Raum hoch und lässt ihn direkt möblieren. Virtuelles Staging kostet aktuell zwischen 20-50 € pro Foto. Mit 4o geht das in 5 Minuten selbst - ein interessanter Ansatz für Immobilienmakler und Interior Designer. Quelle: Kevin Roose, X Quelle: Barret Linburg, X Use Case 8: Skizzen in professionelle Thumbnails verwandeln Ein cooles Beispiel aus der Creator-Szene: Von der schnellen Handskizze zum fertigen YouTube-Thumbnail. Die KI verwandelt einfache Strichzeichnungen in professionell aussehende Thumbnails. Ich finde, das Ergebnis kann sich echt sehen lassen! Quelle: EP, X Ein kurzer Realitäts-Check Ganz ehrlich: Die Bildgeneration ist aktuell noch ziemlich mühsam. Die ersten paar Bilder lassen sich problemlos erstellen. Dann kommt das Rate-Limit: ChatGPT sagt "Warte zwei Minuten", aber nach Ablauf der Zeit passiert... nichts. Stattdessen sollen wir wieder warten. Manchmal fängt die Generierung an und bricht mittendrin mit einem Fehler ab. Der Chat muss neu gestartet werden und das Spiel beginnt von vorne. Aber ich bin optimistisch: Wie schon bei anderen Modellen, wird sich die Nutzung einpendeln und die Stabilität und Geschwindigkeit in den kommenden Wochen zunehmen. Vergleich mit Midjourney Wir erstellen unsere Marketing-Visuals normalerweise mit Midjourney. Deshalb war ich besonders neugierig, wie sich das neue OpenAI-Bildmodell im Vergleich schlägt. Ich habe zwei Tests gemacht: Einmal den gleichen Prompt in beiden Tools verwendet und einmal unser Midjourney-Bild bei 4o hochgeladen mit der Bitte, es 1:1 nachzubauen. Das Ergebnis: Die Qualität der Bildkomposition und besonders die feinen Farbdetails sind bei Midjourney hochwertiger. Die Bilder aus 4o waren solide, aber eher generisch. Midjourney erschafft uns immer eine ganze Welt voller Details und Atmosphäre - deswegen werden wir für unsere Brand-Visuals auch weiterhin auf Midjourney setzen. 🏁 Fazit Mit 4o macht OpenAI nach DALL·E den nächsten Schritt in der Bildgeneration. Die Kombination aus Text-Prompts, Bildbearbeitung und der Möglichkeit, Text+Bild-Elemente zu kombinieren, zeigt das Potenzial. Für professionelle Ergebnisse braucht es aber noch etwas Geduld - sowohl bei der Bildqualität als auch bei der technischen Stabilität mit Rate Limits und Generierungsfehlern. Trotzdem: 4o eignet sich super für erste Layout-Ideen und Konzepte von Infografiken. Key Takeaways: Die neue Bildgeneration ist multimodal: Text-to-Image, Image-to-Image und Text+Bild Kombinationen sind möglich Das autoregressive Modell bietet mehr Kontrolle über den Generationsprozess - aber braucht auch mehr Zeit Die Technologie eignet sich ideal für erste Mockups, Prototypen und kreative Exploration (für mich klar der größte Mehrwert) Für professionelle Marketingproduktion braucht es weiterhin zusätzliche Tools und Expertise (!) Der praktische Einsatz wird zeigen, welche der Use Cases sich im Arbeitsalltag bewähren Wie wirst Du die multimodalen Bildfeatures einsetzen? Schreib mir Deine Ideen in die Kommentare oder per Mail. Bs nächsten Sonntag, Felix
## 5 AI-First Routinen
URL: https://ai-first.ai/insights/5-ai-first-routinen
Kategorie: Lab
Untertitel: So habe ich meine Arbeitsweise verändert
Herzlich Willkommen zu den AI FIRST Insights! Am 21. März erschien ein Paper der Harvard Business School dessen Grundlage ein Experiment unter 776 Mitarbeitern bei Procter & Gamble war, die echte Geschäftsprobleme zu lösen hatten. Im Experiment kam heraus: Einzelpersonen, die nach dem Zufallsprinzip für den Einsatz von KI ausgewählt wurden, schnitten genauso gut ab wie ein Zweierteam ohne KI. KI-gestützte Teams produzierten mehr außergewöhnliche Lösungen als Teams ohne KI. Die Teams, die KI einsetzten, waren zufriedener. Silos wurden aufgebrochen: R&D-Mitarbeiter mit KI produzierten mehr kommerzielle Arbeit und kaufmännische Mitarbeiter mit KI erzielten mehr technische Lösungen. Dieses Experiment bestätigte die Erfahrung die ich selbst und mit vielen Kunden mache. Sobald KI einmal ein ganz normaler Bestandteil der Arbeitsroutinen geworden ist, können wir mehr, bessere und neue Arbeit erledigen - und die Arbeit macht oft mehr Spaß. Aus diesem Anlass teile ich heute 5 KI-Arbeitsroutinen und 6 Dinge, die mir dabei helfen, KI gut in meinen Arbeitsalltag zu integrieren. Los geht’s! Update AI Collective Am 15.05. eröffnen wir das AI Collective für 30 Teilnehmer, die ihre eigene Produktivität steigern, ein KI-gestütztes Team entwickeln und die Potenziale von KI strukturiert im Unternehmen integrieren wollen: Updates: Über 15 (zukünftige) KI-Verantwortliche und viele Entscheider aus dem Mittelstand sind bereits dabei. Mich begeistert besonders, dass viele GFs das Thema selbst in die Hand nehmen wollen. Das Experten-Netzwerk ist vollständig: 12 Top-Experten zu den Themen Agentic AI, Dateninfrastruktur oder EU AI Act werden neben mir ihr Wissen teilen. Nächste Woche starten die Studio-Aufnahmen für die Akademie und wir richten die Community Plattform ein. Im April geht's mit dem Mitglieder-Onboarding los :) Du möchtest dabei sein? Alle Informationen findest du hier . Trage dich auf die Warteliste ein, und wir senden dir ein individuelles Angebot sowie das detaillierte Programm zu. Der Early Bird Preis gilt nur noch bis zum 31.03. Mehr Informationen zum AI Collective Werbung Ende :) Jetzt geht's weiter mit der Insights-Ausgabe! Routine 1: Finden statt Suchen Alte Welt: Früher verbrachte ich Stunden mit Google-Suchanfragen. Ich scrollte durch dutzende blauer Links, öffnete mehrere Tabs, scannte jede Website und filterte die relevanten Informationen. Ein typischer Recherche-Prozess dauerte oft 30 Minuten. Neue Welt: Heute nutze ich Antwortmaschinen wie Perplexity oder die Deep Research Features von ChatGPT oder Gemini. Ich stelle eine präzise Frage und erhalte eine zusammengefasste, strukturierte Antwort mit den wichtigsten Erkenntnissen – inklusive Quellenangaben. Dieser Prozess dauert heute 3 Minuten. Das spart Zeit und reduziert die kognitive Belastung durch Informationsüberflutung. Beispiel: Tipps: Lege bei Perplexity Räume für themenbezogene Recherche an, um eine konkrete Anweisung und Suchkontext zu hinterlegen. Diese Funktion nutze ich für meine Recherchen zum AI Collective oder als Vorbereitung auf AI FIRST Podcast-Gäste. Auch KI-Antwortmaschinen können Fehler machen. Bei Fakten prüfe ich die Quellen stichprobenartig. Routine 2: Vom weißen Blatt wegkommen. Alte Welt: Der Einstieg in eine Aufgabe oder ein Projekt fällt mir oft schwer. Wenn ich keinen passenden Ansatz habe, prokrastiniere ich oder fange an, in die falsche Richtung zu laufen nur um später eine bessere Idee zu haben und eine Kehrtwende zu machen. Früher gab es in diesem Fall Brainstorming-Meetings oder die gute alte Google-Recherche. Neue Welt: Heute sind Sprachmodelle mein Einstieg in die Erstellung initialer Strukturen, Gliederungen oder Ideensammlungen. Bevor ich vor einem weißen Blatt grübele, nutze ich meinen KI-Assistenten für den Einstieg. Dabei geht es mir nie um ein perfektes Ergebnis, sondern eher um Gedankenanstöße und Optionen. Beispiel: Tipps: Gib der KI spezifische Kontextinformationen zu deiner Situation und deinen Zielen. Reflektiere das KI-Ergebnis im Arbeitsprozess kritisch und prüfe, ob wesentliche Informationen fehlen oder fehlerhaft sind. Lass dir von der KI mehrere Optionen geben, denn der erste Vorschlag ist oft nicht der beste. Ich lasse mir meistens 5 - 10 Optionen, Alternativen oder Ansätze geben und arbeite den passendsten weiter aus. Routine 3: Meeting Assistent Alte Welt: Ich war in Meetings der Typ, der ständig zwischen Notieren und Zuhören pendelte – und am Ende beides nur halb machte. Vielleicht kennst Du das ja auch. Nach dem Meeting starrte ich auf meine chaotischen Notizen und fragte mich: "Was zum Teufel sollte dieser Stichpunkt bedeuten?" Daraus musste ich dann irgendwie ein Follow-Up schreiben und meine Kollegen briefen. Neue Welt: Ich lasse jetzt eine KI in meinen Meetings mitlaufen (nach Hinweis an alle Teilnehmer). Das Tool zeichnet auf, transkribiert und liefert mir eine strukturierte Zusammenfassung mit allen Key Points, Entscheidungen und Action Items. Während die KI mitschreibt, kann ich mich voll auf das Gespräch einlassen, Zwischentöne wahrnehmen und wirklich mit den Menschen im Raum interagieren. Beispiel: Tipps: Es gibt dutzende KI Meeting Recorder, die sich in der Qualität immer stärker ähneln. Entscheide dich für einen und integriere ihn konsequent in deine Workflows. In fast allen Tools kannst Du Vorlagen für bestimmte Meeting-Typen (Kunde, Team-Meeting, Allhands, …) anlegen. Das spart Dir zusätzliche Zeit. Routine 4: Perspektivwechsel Alte Welt: Wenn ich früher ein Feedback brauchte, musste ich Meetings organisieren oder Kollegen unterbrechen. Deshalb zögerte ich oft, halbfertige Arbeit zu zeigen, was zu späteren, teils teuren Korrekturen führte. Neue Welt: Heute simuliere ich diverse Perspektiven sofort mit KI. Ich lasse meine Ideen durch die Augen verschiedener Experten, Stakeholder oder Kundentypen betrachten. Dafür habe ich CustomGPTs erstellt. Diese unmittelbare Feedback-Schleife deckt Blindspots auf, bevor sie zu Problemen werden, und ermöglicht mir neue Blickwinkel zu erkunden. Beispiel: Tipps: Erstelle einen Assistenten/CustomGPT für deinen Zielkunden und lass dir regelmäßig Feedback geben. Anleitung hier . Kombiniere verschiedene Perspektiven miteinander: Kunde, Strategieberater, Mitarbeiter. Routine 5: Coachen lassen Alte Welt: Bei Aufgaben außerhalb meiner Expertise hatte ich drei Optionen. Ich konnte teure Dienstleister beauftragen, mich durch endlose Tutorials quälen oder die Aufgabe komplett vermeiden. Diese Herangehensweise kostete Geld, Zeit oder verhinderte, dass wichtige Projekte überhaupt umgesetzt wurden. Neue Welt: Heute nutze ich KI als Coach. Ich frage: "Erkläre mir Schritt für Schritt, wie ich [Aufgabe] umsetze, als wäre ich ein Anfänger. Führe mich durch den gesamten Prozess und starte mit Schritt 1. Stelle mir vorab Fragen, um alle notwendigen Informationen zu sammeln." Die KI passt sich meinem Tempo an, beantwortet Nachfragen und hilft bei Hindernissen. So entwickle ich neue Fähigkeiten, behalte die Kontrolle über meine Projekte und kann Dienstleister besser steuern. Beispiel: Tipps: KI ist oft ein super Startpunkt. Für kritische Projekte hole ich mir trotzdem professionelle, menschliche Expertise an Board. Sagt deinem KI-Assistenten, dass er dir vorab Fragen stellen soll, um mehr Kontext zu deiner Situation und Zielen zu erhalten. Mein persönliches AI-Setup Um KI nahtlos in meinen Alltag zu integrieren, habe ich folgendes Setup aufgebaut: 🖥️ Dedizierter KI-Bildschirm Ein separater Bildschirm, auf dem immer mein KI-Assistent geöffnet ist. So kann ich jederzeit Fragen stellen oder Ideen entwickeln lassen, ohne zwischen Anwendungen wechseln zu müssen. ⌨️ Shortcuts für KI-Zugriff Tastenkombinationen, die mir sofortigen Zugriff auf meine KI-Tools ermöglichen – egal in welcher Anwendung ich gerade arbeite. Dies minimiert Reibungsverluste und fördert die kontinuierliche Nutzung. 🎤 Sprechen statt Schreiben Ich spreche mehr mit meinen KI-Assistenten als ich schreibe. Dies ist nicht nur schneller, sondern ermöglicht mir auch eine natürlichere Interaktion, insbesondere bei komplexen Gedankengängen. 👥 KI-Assistenten-Team Anstatt nur einen allgemeinen KI-Assistenten zu nutzen, habe ich ein "Team" von spezialisierten Assistenten eingerichtet – einen Chief of Staff, einen für Workshops, einen für den Podcast usw. Jeder ist mit spezifischen Anweisungen und Hintergrundwissen ausgestattet. 📱 Mobile Apps Um auch von unterwegs auf meine KI-Assistenten zuzugreifen, habe ich ChatGPT & Co. auf meinem Smartphone installiert. 📁 KI-Wissensdatenbank Eine strukturierte Dokumentation über mich, AI FIRST, meine Kunden, Services, Frameworks, Schulungsinhalte, Vorlagen und so weiter. Wirklich alles über mich und mein Unternehmen, das ich als Kontextwissen meinen KI-Assistenten zur Verfügung stelle. 🏁 Fazit KI ist ein ganz normales, alltägliches Werkzeug geworden und hat nicht nur meine Produktivität, sondern auch meine Freude an der Arbeit gesteigert. Mit diesen fünf Routinen spare ich täglich wertvolle Zeit, treffe bessere Entscheidungen und bewältige Aufgaben, die vorher außerhalb meiner Reichweite lagen. Key Takeaways: Mit KI-Antwortmaschinen reduzierst Du Recherchezeiten von Stunden auf Minuten und bekommst strukturierte Ergebnisse. KI-Assistenten helfen Dir, die Hürde des weißen Blatts zu überwinden und schneller in die Umsetzung zu kommen. Meeting-Recorder befreien Dich vom ständigen Notizenmachen und ermöglichen echte Präsenz im Gespräch. Der KI-gestützte Perspektivwechsel deckt Blindspots auf und liefert sofortiges Feedback ohne aufwändige Abstimmungen. Als Coach hilft Dir KI, neue Fähigkeiten zu entwickeln und komplexe Aufgaben strukturiert anzugehen. Mach Dir den Zugriff auf KI-Funktionen leicht durch gut integrierte Tools, Assistenten-Vorlagen, Apps auf PC & Smartphone und Spracheingaben - so funktioniert's doppelt gut :) Danke und bis nächsten Sonntag, Felix P.S. Die Insights-Ausgaben sollen den nächsten Qualitätssprung erreichen und dafür brauche ich Dein Feedback. Bitte schenke mir 3 Minuten deiner Zeit und hilf mir, diesen Newsletter zu verbessern. 1000 Dank! Feedback geben
## Die Evolution von KI-Chatbots
URL: https://ai-first.ai/insights/die-evolution-von-ki-chatbots
Kategorie: Horizont
Untertitel: Wie es mit ChatGPT, Claude, Gemini & Co. weitergeht.
Herzlich Willkommen zu den AI FIRST Insights! Wir befinden uns in einer wichtigen Übergangsphase von Generativer KI - weg von synchronen Chatbots , hin zu autonomeren Systemen. Die heutigen KI Chatbots werden uns in 12 Monaten wie Röhrenfernseher vorkommen . In dieser Ausgabe lernst Du, wie sich ChatGPT & Co. weiterentwickeln und welche Auswirkungen das auf unsere Arbeit hat. Los geht's! Update AI Collective Am 15.05. eröffnen wir das AI Collective für maximal 30 Teilnehmer, die künstliche Intelligenz innerhalb von 12 Monaten tiefgreifend in ihre Arbeit, ihr Team und die DNA ihres Unternehmens integrieren möchten. Mit unserer Akademie, Wissenshub, wöchentlichen Live-Sessions und monatlichen Experten-Deep-Dives befähigen wir dich, dein Unternehmen erfolgreich in die KI-Ära zu führen. Update: Seit der Ankündigung des AI Collective am 09.03. hat sich viel getan: Die ersten 11 Mitglieder sind fix dabei und wir haben viele weitere mündliche Zusagen erhalten. Weiterhin sind jedoch Plätze verfügbar. Wir haben entschieden, vorerst keine KI- und IT-Berater aufzunehmen, um uns auf Teilnehmer zu konzentrieren, die KI in ihrem eigenen Unternehmen implementieren möchten. 4 weitere Experten wie Sebastian Küpers (Chief Transformation Officer Plan.Net ), Fabian Moritz (Microsoft MVP), Georg Neumann (Bild-KI Experte) und Victor Bellu (AI Product Manager) werden ihr Wissen in unseren Deep Dives teilen. Du möchtest dabei sein? Alle Informationen findest du hier . Trage dich auf die Warteliste ein, und wir senden dir ein individuelles Angebot sowie das detaillierte Programm zu. Am 19.03. um 12 Uhr findet ein Online-Q&A statt, in welchem wir einen Überblick über das AI Collective geben und alle Fragen beantworten. Antworte mir auf diese E-Mail und ich schicke dir die Termineinladung. Mehr Informationen zum AI Collective Status Quo von Chatbots KI-Chatbots wie ChatGPT und Copilot haben sich zu unverzichtbaren Werkzeugen für Büroarbeiter und viele andere Berufsgruppen entwickelt. Allein OpenAI verzeichnet beeindruckende 400 Millionen wöchentlich aktive Nutzer auf ChatGPT. In den vergangenen zwei Jahren haben sich die Funktionen von Chatbots und die Fähigkeiten der zugrundeliegenden Sprachmodelle kontinuierlich weiterentwickelt: Die Reaktionszeit wurde deutlich verkürzt Die Qualität der Ergebnisse hat sich signifikant verbessert Die Auswertung von Dateien, Bildern und gesprochener Sprache wurde implementiert Die Modelle haben ihre Fähigkeiten bei logischen und komplexen Aufgaben (Reasoning) gesteigert Erste autonome Funktionen wie Deep Research und Computer Use/Operator wurden in die Anwendungen integriert ( Hier gelangst Du zum unserem großen KI Chatbot Vergleich inkl. Cheat Sheet) Mit diesen Chatbots können wir heute synchron zusammenarbeiten: Eingabe -> Antwort -> Feedback -> x-fache Iteration Kommunikation via Text-Eingabe oder Audio Die Anwendungsfälle für KI-Chatbots sind meist grundlegend: Texte erstellen und zusammenfassen Suchen im Internet ausführen Neue Ideen entwickeln ... du kennst es ja :) Meine These für 2025: KI-Chatbots werden sich zu Plattformen entwickeln, die immer mehr menschliche Tätigkeiten beeinflussen. Dies wird ermöglicht durch die Anbindung unserer Daten, Integration in Drittsysteme, leistungsstärkere Modelle, Multimodalität und autonome Fähigkeiten. Die 4 wichtigsten Entwicklungen beschreibe ich im weiteren Verlauf dieser Ausgabe. 1. Multimodalität Multimodalität bezeichnet die Fähigkeit von Sprachmodellen, verschiedene Datenquellen zu verarbeiten – darunter Text, Bild, Video, Audio und Code. Während die ersten LLMs ausschließlich Text verarbeiten konnten, sind heutige Modelle deutlich flexibler und entwickeln zunehmend leistungsfähigere multimodale Fähigkeiten. Bild Nahezu alle gängigen LLMs können inzwischen Bilder verarbeiten und beschreiben. Die Qualität der Ergebnisse korreliert dabei direkt mit dem Umfang der Trainingsdaten (z.B. für Bilder von Hunden). Diese Fähigkeit nutze ich häufig, um Prozess-Charts erklären oder dokumentieren zu lassen. Die rasante Qualitätssteigerung in der Bildverarbeitung zeigt sich eindrucksvoll am kürzlich veröffentlichten Google Gemini 2.0 Flash Image Generation Modell. Dieses kann nicht nur Bilder erstellen, sondern auch: Objekte in einem Bild austauschen Objekte eines Bildes in ein Bild einsetzen Texte in Bilder schreiben Die Bildverarbeitung ermöglicht es zudem, Sprachmodelle zur Computersteuerung einzusetzen. In einem Beispiel bat ich Claude 3.5 Sonnet, den Inhaber der AI FIRST Website zu ermitteln. Claude öffnete Firefox und wechselte dann systematisch zwischen Bildschirmaufnahme, Analyse des Screenshots, Beschreibung des nächsten Schritts und Ausführung der Aktion im Browser. Im Screenshot siehst Du gut, wie Claude den Screenshot macht, beschreibt was er sieht und den nächsten Schritt ausführt. So arbeitet er sich Schritt für Schritt durch den Suchprozess. Audio In der KI-Ära entwickelt sich gesprochene Sprache zur Standard-Kommunikationsform mit Maschinen. Wer den Advanced Voice Mode von ChatGPT kennt, weiß, wie gut Sprachmodelle bereits in der Verarbeitung von Sprache sind und mit immer geringerer Latenz reagieren. Künftig werden wir deutlich häufiger mit unseren KI-Assistenten sprechen, anstatt Aufgaben schriftlich zu formulieren. Wie natürlich diese Interaktion bereits funktioniert, kannst du selbst im Gespräch mit Boardy erleben. Schreibe dazu Boardy auf LinkedIn eine Nachricht mit deiner E-Mail und Telefonnummer. Boardy wird dich innerhalb weniger Sekunden anrufen, um dich kennenzulernen und ein Gespräch zu führen. Die Unterhaltung verläuft natürlich, mit leichter Latenz, aber insgesamt sehr angenehm. Auf Wunsch vermittelt Boardy basierend auf deinen Interessen, Zielen und Herausforderungen Kontakte zu anderen Personen, die dir möglicherweise weiterhelfen können. Warum erwähne ich dieses Beispiel? Stelle dir vor, du telefonierst morgen mit deinem KI-Assistenten, erhältst Status-Updates vom Vortag, briefst neue Aufgaben und er macht sich an die Arbeit. Dies ist keine Science-Fiction mehr, sondern steht kurz vor der Realisierung. Video Besonders spannend wird es, wenn Sprachmodelle Videos in Echtzeit verarbeiten können. Google hat diese Funktion bereits ansatzweise in Gemini integriert und ermöglicht die Zusammenfassung oder Beschreibung von YouTube-Videos. Während die Zusammenfassungsfunktion derzeit noch ausbaufähig ist und die Beantwortung spezifischer Fragen zu Videos noch nicht zuverlässig funktioniert, bietet das Google AI Studio bereits einen Ausblick in die Zukunft. Dort arbeitet die Video-Zusammenfassung bereits beeindruckend gut. Im Google AI Studio nutze ich heute schon das Echtzeit-Streaming. Bei der Arbeit an Präsentationen oder Konzepten teile ich meinen Bildschirm und kommuniziere mit Gemini. Ich erläutere mein Projekt und meine Ziele, während Gemini meinen Bildschirm sieht. So kann ich beispielsweise Vorschläge zur Strukturierung oder Visualisierung einer Folie einholen. Gemini erkennt meine Anpassungen in Echtzeit und gibt unmittelbares Feedback. So sieht für mich die Zukunft der Mensch-KI-Interaktion aus. Wir teilen unseren Bildschirm mit unserem KI-Assistenten, kommunizieren via gesprochener Sprache und arbeiten gemeinsam an dem Problem. 2. Modell Orchestration (& bessere LLMs) Ein weiterer (dringend notwendiger) Schritt ist die Orchestration der angeschlossenen Sprachmodelle in KI-Chatbots. GPT-4o, o3-mini, high, mit Aufgaben, ohne Aufgaben, mit Deep Research... in den letzten 6 Monaten ist ein Sammelsurium an Modell-Varianten in den Chatbots entstanden, was kaum noch zu verstehen ist. Dieses Chaos wird wahrscheinlich schon bald ein Ende haben. Du wirst dir dein Modell nicht mehr selbst aussuchen, sondern der Bot übernimmt das basierend auf deiner Eingabe für dich. Reasoning und GPT Modelle werden je nach Aufgabe gewählt und kombiniert. Das steigert die Qualität der Ausgaben: Auch diese Änderung wird zu einer besseren Nutzererfahrung und höheren Qualität der Ergebnisse führen. 3. Integrationen Derzeit bieten die meisten Chatbots lediglich grundlegende Integrationen zu Sharepoint oder Google Drive, um einzelne Dokumente als Kontextwissen für Assistenten oder Projekte bereitzustellen. Während dies im privaten Umfeld ausreichend sein mag, erfordert der Unternehmenskontext deutlich umfassendere Schnittstellen und Datenanbindungen. These : KI-Chatbots werden zukünftig mit zahlreicheren Integrationen ausgestattet, um größere Wissensmengen zu verarbeiten und Aktionen in Drittsystemen ausführen zu können. Erst diese erweiterten Anbindungen ermöglichen eine tiefgreifende Integration in bestehende Geschäftsprozesse. Beispiel-Integrationen: Jira: Lesen und Erstellen von Tickets Outlook: Verarbeiten und Verfassen von E-Mails Confluence: Zugriff auf Richtlinien und Dokumentationserstellung Asana: Abrufen von Projektplänen und Anlegen neuer Aufgaben Enterprise-AI-Plattformen und maßgeschneiderte CompanyGPTs bieten diese Anbindungen heute bereits an. Wenn OpenAI, Anthropic und vergleichbare Anbieter mehr Unternehmenskunden gewinnen möchten, müssen sie in diesem Bereich nachziehen. Google hat mit dem Agentspace bereits ein Produkt angekündigt, das deutlich in diese Richtung weist. KI-Plattformen werden künftig zum Standard-Technologie-Stack jedes Unternehmens gehören, um a) Unternehmenswissen durchsuchbar zu machen, b) die Produktivität der Mitarbeiter zu steigern und c) Prozesse zu automatisieren. Für eine effektive Umsetzung dieser Ziele muss die KI-Plattform – wenn man's richtig machen will – tief in die bestehende Systemlandschaft integriert werden. 4. Autonome Fähigkeiten Ich vermute dass OpenAI in den nächsten 4-6 Wochen das Agenten-Feature in ChatGPT launchen wird. Deep Research war ein kleiner Vorgeschmack dafür. Agenten können im Vergleich zum Chatbot: Ziele in Aufgaben runterbrechen Tools nutzen , um die Aufgabe zu erfüllen Ihre Aktionen anpassen , wenn sie nicht zum Erfolg führt Ein Gedächtnis aufbauen, um Fehler nicht zu wiederholen Wie das in ChatGPT aussehen könnte: Das Bild zeigt ein geleaktes Foto einer OpenAI-Präsentation. Auf dem Bildschirm sind verschiedene Workflows und die darin ausgeführten Aufgaben zu sehen. Ein weiterer Hinweis ist der Artikel in "The Information" vom 5. März, der berichtet, dass OpenAI die Veröffentlichung von drei Agenten-Anwendungen plant: Sales Agent (2.000$/Monat) Softwareentwicklung Agent (10.000$/Monat) Research Agent auf Dr.-Niveau (20.000$/Monat) Ob das genau so eintreten wird, steht in den Sternen. All dies deutet jedoch stark auf die nächste Evolutionsstufe von Tools wie ChatGPT hin: Systeme, die mit Zugriff auf deine Daten und Tools selbstständig Aufgaben erledigen können. Dies ist natürlich schon längst mit Tools wie Make oder Zapier möglich, wird jedoch jetzt durch Funktionen wie Deep Research, Computer Use und Modell-Orchestration erheblich verstärkt. 🏁 Fazit KI-Chatbots, wie wir sie heute kennen, werden bald der Vergangenheit angehören . Wir stehen vor zwei entscheidenden Entwicklungen: Die multimodale Interaktionsfähigkeit über Stimme und Video mit zunehmender Echtzeit-Interaktion in unserem Arbeitsalltag. Ein KI-Assistent, der weiß, woran du gerade arbeitest, mit dem du wie mit einem Menschen kommunizieren kannst und der dich in Echtzeit bei der Lösung von Aufgaben unterstützt. Autonomere Fähigkeiten zur Automatisierung mehrschrittiger Aufgaben und nahtloser Integration in Arbeitsprozesse. Die Einbindung des KI-Assistenten in deine Prozesse, um im Hintergrund selbstständig Aufgaben zu erledigen. Diese Entwicklung wird einen riesigen Einfluss auf unsere Arbeitsweise haben - mit Chancen und Risiken. Um von dieser Entwicklung zu profitieren, sind 3 Voraussetzungen wichtig: 1. Qualitative, zugängliche Daten 2. Kompetenzen im Umgang mit GenAI 3. Strukturierte, dokumentierte Prozesse Was ist deine These für die Weiterentwicklung von Tools wie ChatGPT? Ich bin gespannt auf Deine Gedanken!
## Der große KI Chatbot Vergleich
URL: https://ai-first.ai/insights/der-grosse-ki-chatbot-vergleich
Kategorie: Horizont
Untertitel: ChatGPT, Claude, Le Chat, Copilot & Co. - wer kann was am besten?
Herzlich Willkommen zu den AI FIRST Insights! KI-Chatbots etablieren sich zunehmend als unverzichtbare Standardsoftware – sowohl im privaten als auch im geschäftlichen Umfeld. Ähnlich wie E-Mail-Programme heute zum digitalen Alltag gehören, werden KI-Chatbots in Zukunft für jeden von uns selbstverständlich sein. Die Entwicklung dieser Technologie verläuft derzeit außerordentlich dynamisch : Monatliche Funktionserweiterungen Kontinuierlich verbesserte und diversifizierte Modelle Fortschrittliche agentische Fähigkeiten wie Deep Research Für diese Ausgabe habe ich die acht führenden Anbieter für Privatanwender eingehend analysiert: ChatGPT, Claude, Gemini, Perplexity, You, Mistral, Grok und Copilot. Mein Fokus liegt dabei auf den praktischen Funktionen der Chatbots, weniger auf den technischen Details der zugrundeliegenden Modelle. Du erhältst einen umfassenden Überblick über die integrierten Modelle, Funktionalitäten, Kosten sowie die jeweiligen Stärken und Schwächen der Anbieter. KI Chatbot KI-Chatbots ermöglichen durch natürliche Spracheingabe eine intuitive Interaktion mit leistungsstarken Sprachmodellen. Die Entwicklung ihrer Funktionalitäten hat in den vergangenen Jahren eine beeindruckende Evolution durchlaufen: Beginnend mit einem schlichten Chat-Interface Erweitert durch die Möglichkeit zum Dateien-Upload Ergänzt um leistungsfähige Internet-Suchfunktionen Ausgebaut zur Analyse von Bildern und Audioinhalten Kontinuierlich angereichert mit innovativen Features Ausblick auf autonome Chatbots in diesem Jahr Dank dieser vielseitigen Fähigkeiten bieten Chatbots sowohl im privaten als auch im beruflichen Kontext nahezu universelle Einsatzmöglichkeiten. Genau diese Flexibilität macht sie zu einem faszinierenden Werkzeug mit einem breiten Anwendungsspektrum: Professionelle Texterstellung und -optimierung Strukturierte Aufgabenplanung und -organisation Präzise Datenauswertung und -interpretation Personalisiertes Sprachtraining und -coaching Anregender intellektueller Sparringspartner für komplexe Fragestellungen Der Kreativität und den Anwendungsmöglichkeiten sind praktisch (fast) keine Grenzen gesetzt. ChatGPT - Der Allrounder 🧠 Modelle ChatGPT bindet sowohl GPT-Modelle (Arbeitspferde für schnelle Ergebnisse) sowie Reasoning-Modelle (die "Denker" für komplexere, mehrschritte Aufgaben) an. Durch die unterschiedlichen Fähigkeiten der Modelle ist ChatGPT für eine Vielzahl von Aufgaben einsetzbar. Von mathematischen Berechnungen und Coding-Projekten, bis zum kreativen Sparring und Copywriting. Reasoning: o1, o3-mini(-high) GPT: 4o, 4.5 🛠 Wichtigste Features ChatGPT zeichnet sich unter allen Chatbots durch sein außergewöhnlich umfassendes Funktionsspektrum aus. OpenAI positioniert sich dabei als Innovationstreiber - insbesondere mit bahnbrechenden Features wie Deep Research oder dem Operator-Konzept. Web-Suche: Finden von Echtzeit-Informationen Datenanalyse: Kann Tabellen-Daten verarbeiten Canvas: Bearbeitungsoberfläche für längere Texte Bilderstellung und -bearbeitung: Text zu Bild mit Dall-E CustomGPTs: Erstellung maßgeschneiderter Assistenten Fortgeschrittene Sprachfunktion: Konversation in Echtzeit Gedächtnis: Erinnert Kontext zwischen verschiedenen Chats Projekte: Organisation von Chats und Dateien zu einem Projekt Operator: Autonome Bedienung des Browsers, zB für Hotelbuchungen Tiefe Forschung: Autonome mehrstufige Erstellung von Rechercheberichten Geplante Aufgaben: Terminierung von Aufgaben, zB News-Update am Freitag um 8.00 Auffällig in den Funktionen ist, dass ChatGPT immer mehr agentische Fähigkeiten bekommt (Deep Research, Operator, Geplante Aufgaben). 📥 Multimodalität Die Sprachmodelle hinter ChatGPT sind sehr flexibel in der Verarbeitung verschiedener Input-Formate. Lediglich die Verarbeitung von Video ist aktuell noch nicht möglich. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰 Kosten Kostenlos: Zugang zu GPT4o mit Grundfunktionen und Limits Plus (20$/Monat): Erweiterte Funktionen, keine Nutzungslimits für GPT4o Pro (200$/Monat): Zugang zu o1 Pro Modell, keine Deep Research Begrenzung 🦾 Stärken & Schwächen ChatGPT überzeugt durch seine Vielseitigkeit, die natürliche Gesprächsführung (besonders bei der Spracheingabe) und die stetige Verbesserung seiner Funktionen und Modelle. Als Schwachpunkt ist zu nennen, dass die Modelle bisher beim Textverfassen und bei Programmieraufgaben nicht ganz an die Qualität von Claude heranreichen. Mit der Einführung von GPT4.5 wird sich dieser Unterschied voraussichtlich verringern. Abgesehen von der Datenverarbeitung in den USA zeigt ChatGPT keine bedeutenden Einschränkungen. 🎯 Optimal für: Den flexiblen Einsatz im Arbeitsalltag und Privatleben. Der perfekte Allrounder. Claude - Der Kreative 🧠 Modelle Anthropic entwickelt nach meiner Einschätzung die derzeit besten Sprachmodelle weltweit. Das Hauptmodell Claude 3.5 Sonnet wurde vor kurzem auf Sonnet 3.7 aktualisiert. Diese neue Version kombiniert die Stärken eines klassischen GPT-Sprachmodells mit einem speziellen Reasoning-Modell für mathematische Aufgaben. Besonders beeindruckend finde ich, wie gut die Modelle meinen persönlichen Schreibstil aufgreifen und weiterführen können. Hybrid-Reasoning: Sonnet 3.7 (kann sowohl schnell antworten, als auch Denkschritte einlegen) GPT: 3 Opus (komplexe Aufgaben), 3.5 Sonnet (kreative Aufgaben), 3.5 Haiku (Echtzeitinteraktion) 🛠️ Wichtigste Features Das Feature-Set von Claude hat noch Raum für Erweiterungen. Wenn Claude jedoch neue Features einführt, arbeiten diese in der Regel einwandfrei. Besonders bemerkenswert sind die Artefakte, die es ermöglichen, erstellte Grafiken, interaktive Elemente oder komplette Benutzeroberflächen direkt in einem Seitenfenster anzuzeigen und zu bearbeiten. Datenanalyse: Kann Tabellen-Daten verarbeiten Schreibstil: Auswahl zwischen verschiedenen Antwort-Modi Projekte: Organisation von Chats und Dateien zu einem Projekt Artefakt-Erstellung: generierte Inhalte wie Code, Grafiken oder interaktive Elemente werden in einem separaten Arbeitsbereich dargestellt und gespeichert. Mir fehlt bei Claude ganz klar noch eine Internet-Suche, um auf aktuelle Daten zugreifen zu können. 📥 Multimodalität Auch die Anthropic-Modelle können, bis auf Video, alle Modalitäten verarbeiten. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰 Kosten Kostenlos: mit begrenzten Nutzungslimits, ca 30 Anfragen/Tag Pro (25$/Monat): Höhere Nutzungslimits, aber nicht unbegrenzt 🦾 Stärken & Schwächen Auch wenn Claude im Vergleich zu anderen Chatbots weniger Funktionen bietet, überzeugen mich die qualitativ hochwertigen Modelle auf ganzer Linie. Besonders bei Programmieraufgaben und der Texterstellung behält Claude vorerst seine Führungsposition. Verbesserungsbedarf besteht noch bei der Internet-Suche und den selbstständigen Handlungsfähigkeiten. In diesen Bereichen haben andere Anbieter aktuell einen Vorsprung gegenüber Claude. 🎯 Optimal für: Das Schreiben von Texten, als kreativen Sparringspartner und für's Coding. Gemini - Der Alles-Versteher 🧠 Modelle Google hat mit seinen Gemini-Modellen erhebliche Fortschritte gemacht und bietet nun gleichwertige Sprachmodelle im Wettbewerb an. Eine besondere Stärke der Gemini-Modelle ist ihr außergewöhnlich großes Kontextfenster. Die Gemini 2.0 Modelle können etwa zehnmal mehr Text verarbeiten als die Konkurrenzprodukte. Aus diesem Grund verwende ich Gemini bevorzugt für die Bearbeitung sehr umfangreicher Textdatenmengen. Reasoning: 2.0 Flash Thinking GPT: 2.0 Flash, 2.0 Pro 🛠️ Wichtigste Features Gemini bietet einen ähnlichen Funktionsumfang wie ChatGPT, mit einigen Unterschieden. Der größte Vorteil liegt in der Workspace-Anbindung für alle Google-Kunden. Gemini kann sowohl auf Daten in Google Drive, Gmail und Notes zugreifen als auch direkt in Word oder Sheets verwendet werden. Web-Suche: Finden von Echtzeit-Informationen Datenanalyse: Kann Tabellen-Daten verarbeiten Bilderstellung: Text zu Bild Erstellung möglich Gem-Manager: Erstellung maßgeschneiderter Assistenten Gedächtnis: Erinnert Kontext zwischen verschiedenen Chats Tiefe Forschung: Autonome mehrstufige Erstellung von Rechercheberichten Workspace-Anbindung: Durchsuchen von Mails, Dokumenten, Terminen oder Notizen Aus dem Hause Google bin ich besonders auf den Agentspace gespannt, der Gemini, NotebookLM und Agenten kombinieren soll. 📥 Multimodalität Schon ab der Gemini 1.5 Generation sind die LLMs von Google in der Lage, Video zu verarbeiten. So kannst du beispielsweise Fragen zu Youtube Videos stellen. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ✅ 💰 Kosten Kostenlos: Zugang zu ältern Modellen mit eingeschränkten Features Plus (20$/Monat): Erweiterte Funktionen, keine Nutzungslimits 🦾 Stärken & Schwächen Gemini zeichnet sich besonders durch seine Fähigkeit aus, verschiedenste Eingabeformate zu verarbeiten. Ob Text, Code, Tabellen, Bilder, Audio oder Video – Gemini kann mit allen Arten von Daten umgehen. Zudem bietet die Synchronisation mit dem Google Workspace praktische Vorteile. Die integrierte Bild-KI Imagen gehört zu den besten, die in KI-Chatbots eingesetzt wird. Allerdings empfinde ich die Benutzeroberfläche von Gemini weniger intuitiv als die von ChatGPT oder Claude. Auch die Modelle scheinen mir für die kreative Texterstellung nicht optimal geeignet zu sein. 🎯 Optimal für: Google Workspace Nutzer und die Verarbeitung sehr großer und/oder vieler Text-Dateien. Perplexity - Die Antwortmaschine 🧠 Modelle Perplexity hat mit pplx-70b zwar ein eigenes Modell entwickelt, verwendet für die Beantwortung von Anfragen jedoch überwiegend Sprachmodelle von OpenAI, Anthropic, Google, xAI oder DeepSeek. Dabei verfolgt Perplexity einen modellunabhängigen Ansatz und ermöglicht es den Nutzern, das bevorzugte Sprachmodell selbst auszuwählen. Reasoning: DeepSeek R1, OpenAI o3-mini GPT: GPT4o, 3.7 Sonnet, Grok-2, Gemini 2.0 Flash -> Kaum ein Anbieter ist so schnell in der Anbindung neuer Modelle. Meist sind die aktuellsten LLMs noch am Tag des Erscheinens verfügbar. 🛠️ Wichtigste Features Perplexity lässt sich nicht direkt mit ChatGPT oder Gemini vergleichen, da es einen klaren Schwerpunkt auf Recherche und Informationssuche legt. Entsprechend konzentrieren sich die Funktionen auf die effiziente Suche und übersichtliche Organisation der Ergebnisse. Web-Suche: Mehrschrittige Internet-Suche mit 20 Quellen Bilderstellung: Text zu Bild Erstellung möglich mit Flux Fokus-Modus: zur gezielten Suche auf bestimmten Plattformen (z.B. Reddit) Räume: Organisation von Suchabfragen und Ergebnissen Seiten: Zur Dokumentation umfassender Recherche-Ergebnisse Datenanalyse: Kann Tabellen-Daten verarbeiten Tiefe Forschung: Autonome mehrstufige Erstellung von Rechercheberichten 📥 Multimodalität Die multimodalen Fähigkeiten leiten sich aus den genutzten Modellen ab. Allerdings gibt es keine Möglichkeit, Videos in Perplexity zu verarbeiten. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰Kosten Kostenlos: Zugriff auf limitierte Modelle mit 5 Pro-Suchen pro Tag Pro (20€/Monat): Alle Modelle und Features, keine Nutzungslimits 🦾 Stärken & Schwächen Perplexity glänzt bei Recherche-Aufgaben und bietet umfassende Funktionen zur übersichtlichen Organisation der Ergebnisse. Ein weiterer Vorteil ist die schnelle Einbindung der neuesten Sprachmodelle von OpenAI, Anthropic und Google oder Flux für die Bilderstellung. Trotz der internetbasierten Suche kommt es bei Perplexity gelegentlich zu falschen Antworten und Halluzinationen. Zudem eignet sich Perplexity weniger gut für Texterstellung oder Analyseaufgaben. 🎯 Optimal für: Den Google-Ersatz und Recherchen aller Art. Le Chat - Der Europäer 🧠 Modelle Mistral vertritt als einziges Unternehmen im weltweiten Wettbewerb um große Sprachmodelle die europäische Seite. Vor kurzem wurde das neue Spitzenmodell Mistral Large 2 veröffentlicht. Für meine persönlichen Anwendungsfälle erreichen die Mistral-Modelle jedoch nicht die Ergebnisqualität, die ich von GPT4o, o1 oder Claude 3.7 Sonnet gewohnt bin. Reasoning: Mistral Large 2, Mathstral GPT: Mistral Small 3, Next 🛠️ Wichtigste Features Der Chatbot Le Chat hat ebenfalls einige Funktionsverbesserungen erhalten. Zwei besondere Merkmale sind die Micro Apps und der Flash-Modus, der für die sehr schnelle Erstellung von Antworten sorgt. Web-Suche: Finden von Echtzeit-Informationen Datenanalyse: Kann Tabellen-Daten verarbeiten Canvas: Bearbeitungsoberfläche für längere Texte Bilderstellung: Text zu Bild mit Flux Ultra Micro Apps: Erstellung von Agenten für zB Planungaufgaben Flash Answers: Extrem schnelle Antwort-Generierung 📥 Multimodalität Auch die Mistral-Modelle können bis auf Video alle Modalitäten verarbeiten. Besonders gut finde ich die Verarbeitung von Bild-Dateien. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰 Kosten Kostenlos: Zugang zu Standard-Modellen mit begrenzten Features Pro (15$/Monat): Zugang zu neuesten Modellen und Pro-Features 🦾 Stärken & Schwächen Mistral's Le Chat überzeugt durch seine sehr hohe Antwortgeschwindigkeit und die gute Verarbeitung verschiedenster Dateien und Bilder. Ein großer Vorteil ist zudem die Datenverarbeitung in Europa. Allerdings fehlen bei Mistral noch einige Funktionen, wie beispielsweise die Möglichkeit, eigene Assistenten zu erstellen oder umfassende Recherchefunktionen zu nutzen. 🎯 Optimal für: Menschen die großen Wert auf die Datenverarbeitung in der EU legen. Copilot - Der Microsoft-Spezialist 🧠 Modelle Microsoft hat eine Partnerschaft mit OpenAI geschlossen und nutzt deren Reasoning- und GPT-Modelle im Copilot. Besonders im Copilot 365 scheinen die Modelle jedoch gedrosselt zu sein, da die Antworten deutlich eingeschränkter ausfallen als bei direkter Nutzung des gleichen Modells über die API. Reasoning: OpenAI o1 GPT: GPT4o 🛠️ Wichtigste Features Ähnlich wie Google's Gemini punktet auch der Copilot mit der Einbindung in das Microsoft-Universum. Die Anbindung an Sharepoint oder die Integration in Excel, PowerPoint, Outlook und andere Programme sind wichtige Vorteile – allerdings ist die Umsetzung derzeit noch verbesserungswürdig. Web-Suche: Finden von Echtzeit-Informationen Datenanalyse: Kann Tabellen-Daten verarbeiten Bilderstellung: Text zu Bild mit Microsoft Designer Agents: Erstellung maßgeschneiderter Assistenten Integration in M365: Excel, Powerpoint, Outlook, Notes 📥 Multimodalität Da der Copilot die Modelle von OpenAI verwendet, können die gleichen Modalitäten verarbeitet werden. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰 Kosten Kostenlos: Zugang zu GPT4o mit Grundfunktionen und Limits Pro (22€/Monat): Erweiterte Funktionen, keine Nutzungslimits für GPT4o Copilot 365 (30€/Monat): Business Version mit voller M365-Integration 🦾 Stärken & Schwächen Die größte Stärke des Copilots ist die Integration in die Microsoft 365 Welt. Der Zugriff in den gewohnten Benutzeroberflächen wie Word, Excel oder Outlook könnte das Nutzererlebnis deutlich verbessern. Ich schreibe oben bewusst "könnte". Leider ist die Umsetzung bisher nicht optimal und Copilot liefert sowohl schwächere Ergebnisse als andere Chatbots, verfügt über weniger Funktionen und zeigt noch Fehler in den integrierten Anwendungen. 🎯 Optimal für: Potenziell Microsoft-Nutzer (aber erst wenn die Features stabil funktionieren). You(.)com - Der Flexible 🧠 Modelle You bindet über 20 verschiedene Sprachmodelle ein. Dazu gehören praktisch alle wichtigen Reasoning- und GPT-Modelle von OpenAI, Anthropic, Meta, Google, xAI und Mistral. Neue Modelle werden häufig noch am Tag ihrer Veröffentlichung in den Dienst integriert. 🛠️ Wichtigste Features Ich sehe You als eine Kombination aus Chatbot und Antwortmaschine. Das spiegelt sich auch in den Funktionen wider. You legt großen Wert auf die Verarbeitung zahlreicher Internetquellen, kann aber zusätzlich Bilder erstellen und spezielle Assistenten für bestimmte Aufgaben einrichten. Web-Suche: mehrstufige Suche mit Echtzeit-Info's Datenanalyse: Kann Tabellen-Daten verarbeiten Modi: Unterschiedliche Arbeitsmodi wie "Research", "Genius" oder "Creative" Bilderstellung: Text zu Bild Erstellung. Agents: Erstellung maßgeschneiderter Agenten mit vielen Vorlagen. Der Deep Research Agent "ARI" befindet sich derzeit in der Testphase und soll mehrere hundert Quellen durchsuchen und Informationen strukturiert aufbereiten können. Damit wäre dieser Recherche-Assistent deutlich leistungsfähiger als die vergleichbaren Funktionen von ChatGPT, Gemini und Perplexity. Ich bin gespannt auf die ersten praktischen Tests. 📥 Multimodalität Auch You kann, bis auf Video, alle Modalitäten verarbeiten. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰 Kosten Kostenlos: Begrenzter Zugriff auf Modelle und limitierte Funktionen Pro (20$/Monat): Zugriff auf alle Modelle, bis zu 25MB Dateienupload, eigene Agents 🦾 Stärken & Schwächen You überzeugt mich durch seine Kombination aus Antwortmaschine (ähnlich wie Perplexity) und KI-Assistent (ähnlich wie Gemini). Durch die vielseitige Modellanbindung kann You für verschiedene Aufgaben eingesetzt werden und bietet zusätzlich eine gute Recherchefunktion. Ich finde die Benutzeroberfläche von You noch nicht besonders intuitiv. Es hat einige Zeit gedauert, bis ich verstanden habe, wie ich die verschiedenen Modi nutze, Modelle wechsle und worin die Unterschiede zwischen Assistenten und Modi bestehen. Außerdem fehlt mir die Möglichkeit, meine eigenen Daten einzubinden. 🎯 Optimal für: Nutzer, die flexibel verschiedene Sprachmodelle nutzen wollen und wert auf eine tiefere Internet-Suche legen. Grok - Der Kontroverse 🧠 Modelle Grok basiert auf dem 314 Milliarden Parameter umfassenden Mixture-of-Experts Modell Grok 3. Grok 3 übertrifft die Modelle von OpenAI, Google und Anthropic in verschiedenen Bewertungskriterien, beispielsweise in Mathematik und Programmierung. Das Modell verfügt auch über Reasoning-Fähigkeiten und kann Denkschritte einlegen. Mit einem Kontextfenster von einer Million Token steht es gemeinsam mit den Modellen von Google an der Spitze. 🛠️ Wichtigste Features Grok bietet einige gute Integrationen, wie beispielsweise zur Bild-KI Flux oder in das hauseigene Netzwerk X. Besonders durch die X-Integration stehen Daten zur Verfügung, die für andere Anbieter nicht so leicht zugänglich sind. Allerdings vermisse ich eindeutig Funktionen wie Projekte oder anpassbare Assistenten, um wiederkehrende Anwendungsfälle besser organisieren zu können. Web-Suche: mehrstufige Suche mit Echtzeit-Info's Datenanalyse: Kann Tabellen-Daten verarbeiten X-Integration: Kann direkt auf Posts von X zugreifen Bilderstellung: Text zu Bild Erstellung mit dem Flux-Modell Fortgeschrittener Sprachmodus: Audio-Antworten in Echtzeit Tiefe Forschung: Autonome mehrstufige Erstellung von Rechercheberichten Big Brain Mode: Zur Lösung mehrschrittiger Probleme, wie große Datenanalysen 📥 Multimodalität Grok ist besonders stark in der Audio-Verarbeitung, was sich am Sprachmodus zeigt. Text: ✅ Bild: ✅ Code: ✅ Audio: ✅ Video: ❌ 💰 Kosten Kostenlos: Begrenzter Zugriff Deep Research, Reasoning und Bild-Erstellung Supergrok (30€/Monat): Unbegrenzter Zugriff 🦾 Stärken & Schwächen Das Modell hinter Grok gehört derzeit zu den besten weltweit, und xAI hat in beeindruckend kurzer Zeit aufgeholt. Wer X nutzt und dessen Inhalte schätzt, wird auch von der direkten Datenanbindung profitieren. Mir persönlich fehlt eine Funktion, die die Organisation von Gesprächen und die Einrichtung von Anwendungsfällen vereinfachen würde. Was ich ebenfalls kritisch sehe, sind die fehlenden Sicherheitsmechanismen in Grok. Freie Meinungsäußerung ist zwar ein wichtiges Gut, aber Anleitungen zum Bau eines Molotow-Cocktails oder zur Begehung anderer Straftaten sollte ein KI-Chatbot nicht ohne weiteres bereitstellen. 🎯 Optimal für: Nutzer, die Wert auf die Anbindung von X legen und auch kontroverse, charakterstarke Antworten ihres KI-Chatbots schätzen. 🏁 Fazit KI-Chatbots haben sich in nur zwei Jahren von einfachen Chat-Oberflächen zu vielseitigen Werkzeugen entwickelt. Die Anbieter bewegen sich in eine sehr ähnliche Richtung und versuchen alle (in unterschiedlichem Maße) vergleichbare Fähigkeiten anzubieten: Die Verarbeitung aller Eingabeformate: Text, Code, Bild, Audio, Video, Dateien Das effiziente Durchsuchen zahlreicher Internetquellen Die Erstellung von Assistenten für bestimmte Anwendungsfälle Zunehmende Selbstständigkeit der Chatbots: Recherche, Aufgabenplanung, Computerbedienung Auch die Kosten sind sehr ähnlich. Wer einen tieferen Einblick und technischen Vergleich aller verwendeten Sprachmodelle wünscht, findet hier weitere Informationen. Die Chatbot-Übersicht mit allen Parametern kannst du dir unter diesem Beitrag herunterladen 👇
## Prompt Engineering 2.0
URL: https://ai-first.ai/insights/prompt-engineering-2-0
Kategorie: Lab
Untertitel: Wie Du jetzt die besten Ergebnisse aus ChatGPT, Copilot & Co. bekommst
Herzlich Willkommen zu den AI FIRST Insights! Als ChatGPT 2022 die Welt erblickte, haben wir begonnen zu lernen, wie man dieser Maschine Anweisungen gibt, um gute Ergebnisse zu bekommen. Die Disziplin des Prompt Engineerings erlebte ihren Durchbruch und mit ihr diverse Frameworks, die die besten Ergebnisse versprechen: CRAFT: Capability, Role, Action, Format, Tone RFT: Request, Task, Format ICE: Instruction, Context, Examples CREATE: Character, Request, Examples, Adjustment, Type of Output, Extras ... Aber sind diese Best Practices noch aktuell? In den letzten 2 Jahren haben sich Sprachmodelle und die Features, die auf ihnen aufbauen, stark weiterentwickelt: LLMs sind größer, flexibler und besser geworden Reasoning-Modelle sind auf dem Vormarsch Tools wie ChatGPT werden mit Features wie Deep Research immer autonomer Mit dieser Entwicklung haben sich auch einige der Prinzipien verändert, wie wir mit Sprachmodellen arbeiten müssen, um gute Ergebnisse zu erhalten. Heute möchte ich dir 3 Prompting-Techniken vorstellen, die du universell anwenden kannst und dich zu guten Ergebnissen beim Einsatz von ChatGPT & Co. bringen: Dialog-Prompting Briefing-Prompting Reasoning-Prompting Los geht's! Prompting 1x1 Kurz zu den Basics. Was ist überhaupt ein Prompt? Ein Prompt ist eine Anweisung die einem Sprachmodell gegeben wird, um eine bestimmte Ausgabe oder Reaktion zu erzeugen. Es handelt sich dabei um einen Text, der das gewünschte Ergebnis, den Kontext und spezifische Anforderungen beschreibt. Ein gut formulierter Prompt fungiert als Rahmen und Leitfaden für die KI und bestimmt maßgeblich die Qualität und Relevanz der generierten Antwort. Und was bedeutet Prompt Engineering? Mit größerer Relevanz von Sprachmodellen entstand die Disziplin des Prompt Engineerings: Die Kunst und Wissenschaft, effektive Prompts für KI-Systeme zu entwickeln und zu optimieren. Im Prompt Engineering wurden Begriffe geprägt wie: Few-Shot Prompting Chain-of-Thought Prompt-Chaining Reverse Prompting Diese Techniken sind hilfreich für Entwickler, die Produkte basierend auf Sprachmodellen bauen. Für Endanwender führen sie oft zu mehr Verwirrung als zu besseren Ergebnissen. Aus diesem Grunde habe ich 3 einfache Prompting-Ansätze für verschiedene Situationen definiert, die ich dir im Folgenden vorstelle. Dialog-Prompting (Für GPT & Reasoning-LLMs) Das Dialog-Prompting ist die einfachste und intuitivste Art und Weise, um mit Tools wie ChatGPT zu arbeiten. Diese "Technik" nutze ich in 2 Situationen: Ich brauche einen kurzen Impuls Ich arbeiten an einer neuen Aufgabe Beim Dialog-Prompting kommt es nicht auf die perfekte Eingabe an. Viel wichtiger ist hier die Iteration der Ergebnisse und das kritische Hinterfragen der KI-Antwort. Nicht alle Ergebnisse, die du bekommst, werden gut sein. Daher musst du über den Dialog Feedback geben, um dich Schritt-für-Schritt im Sparring mit der KI zu deinem Ergebnis hinzuarbeiten. Beispiel 1 (Impuls): Icebreaker-Fragen Ich will einen schnellen Impuls für eine Aufgabe, Problemlösung oder Fragestellung. Mir geht es nicht um ein perfektes Ergebnis, sondern darum, vom weißen Blatt wegzukommen oder alternative Optionen zu bekommen: Beispiel 2 (Aufgaben-Sparring): Excel Kalkulator bauen Ich will eine Aufgabe bearbeiten mit der ich mich nicht gut auskenne. In Excel-Skripten bin ich eine ziemliche Niete. In dem Fall nutze ich ChatGPT um mich Schritt-für-Schritt durch den Prozess zu führen: Prompt 1: Best Practices für Excel-Kalkulatoren verstehen, "Ich will einen einfach nutzbaren KI Business Case Kalkulator in Excel bauen. Was macht einen guten Excel Kalkulator aus?" Anschließend geht der Dialog über dutzende Prompts weiter: Prompt 2: "Hilf mir Schritt für Schritt den Kalkulator in Excel zu bauen. Welchen Aufbau der Input-Maske schlägst du vor?" Prompt 3: "Mir fehlen mehr messbare Parameter für die Machbarkeitsbewertung vom KI Use Case. Füge folgende Daten hinzu: ..." Prompt 4: "Nimm außerdem die Personalkosten in Punkt 2 mit auf. Wie würdest du den Tab mit den Berechnungen strukturieren?" Prompt 5 - 20: Sukzessive weitere Iterationen über die Erstellung der Formeln und Skripte, dem Testing, Finden von Fehlern, Debugging...bis ich am Ende einen Kalkulator hatte. Ich arbeite in dem Prozess auch oft mit Screenshots und gebe ChatGPT dadurch Input, was ich sehe und beschreibe, welches Ergebnis ich erwarte: Nach ein paar Iterationen hatte ich dann auch das Skript: Fazit: Dialog-Prompting bietet sich perfekt an, wenn du dein Ziel kennst, aber die genauen Schritte dorthin noch nicht. Für die Qualität ist es jedoch wichtig, das KI-Ergebnis nach jedem Schritt kritisch zu prüfen und Feedback zu geben. Briefing-Prompting (Für GPT LLMs) Im Vergleich zum Dialog-Prompting, bietet sich das Briefing-Prompting immer dann an, wenn du ganz genau weißt, was du willst und wie du zu diesem Ziel kommst. Typische Aufgaben für Briefing-Prompts sind: Beantwortung einer Support-Anfrage Erstellung einer Stellenanzeige Draft einer Pressemitteilung Schreiben eines Artikels Meeting Nachbereitung Typische repetitive Aufgaben, die du bereits 100te Male erledigt hast, wo der Prozess klar ist, der erforderliche Input gegeben ist, die Regeln feststehen und das Output-Format immer das Selbe ist. Du schreibst einen guten Briefing-Prompt, wenn du folgende Frage beantwortest: "Stell dir vor, du würdest diese Aufgabe einem Praktikanten an seinem 1. Arbeitstag geben. Was würdest du in das Briefing schreiben, damit der Praktikant die Aufgabe erfolgreich lösen kann?" Das Briefing beinhaltet: R: Beschreibung der Rolle (optional) A: Beschreibung der Aufgabe (Schritt für Schritt) Z: Beschreibung des Ziels (Was soll konkret das Ergebnis sein? K: Kontextinformationen (Richtlinien, Schreibstil, Produktinformationen, ...) O: Output-Format (Prosa-Text, Stichpunkte, Tabellen, Mix aus allem, ...) B: Beispiele (steigert Konsistenz massiv!) Wenn du Frameworks magst, erfinde ich hiermit das RAZKOB-Framework ;D Sehr hilfreich ist auch die Formattierung des Briefings. In einem Dokument würdest du ja auch Überschriften einfügen, um die Hierarchie der Informationen zu verdeutlichen. Dafür kannst du Markdown in Prompts nutzen: # = Überschrift 1 ## = Überschrift 2 Und so weiter Briefing-Prompt meines OKR-Assistenten: Im Endeffekt bedeutet Prompting = Delegieren. Wer klar und verständlich die Aufgabe und das erwartete Ergebnis beschreiben kann, wird gute Ergebnisse erzielen. Was bei schlechten Briefings passiert, siehst du hier: Link zum Video In der Vergangenheit habe ich der KI oft eine Rolle zugewiesen ("Du bist ein erfahrener Risikomanager"). Aktuell sehe ich durch das Hinzufügen einer Rolle nur noch dann bessere Ergebnisse, wenn eine spezififische Zielgruppe angesprochen werden soll. Fazit: Briefing-Prompting bietet sich perfekt für Aufgaben an, wo du das Ziel, die Schritte zum Ziel und den spezifischen Output bereits kennst. Als würdest du einem Praktikanten ein Briefing schreiben, der die Aufgabe noch nie gemacht hat. Reasoning-Prompting (Für Reasoning LLMs) Reasoning-Modelle wie OpenAI o1, o3 oder DeepSeek R1 sind auf dem Vormarsch und mit ihnen verändert sich auch das Prompting. Reasoning Modelle funktionieren anders als klassische Sprachmodelle. OpenAI schreibt dazu: "Wir haben unsere Modelle der o-Serie („die Planer“) darauf trainiert, länger und intensiver über komplexe Aufgaben nachzudenken, so dass sie in der Lage sind, Strategien zu entwickeln, Lösungen für komplexe Probleme zu planen und Entscheidungen auf der Grundlage großer Mengen mehrdeutiger Informationen zu treffen. Unsere kostengünstigeren GPT-Modelle mit geringerer Latenz („die Arbeitspferde“) sind dagegen für eine einfache Ausführung konzipiert. Eine Anwendung könnte o-series-Modelle verwenden, um die Strategie zur Lösung eines Problems zu planen, und GPT-Modelle zur Ausführung spezifischer Aufgaben einsetzen" Aufgrund der unterschiedlichen Funktionsweise, erfordern Reasoning-Modelle eine andere Art des Prompting: R: Beschreibung der Rolle (optional) - eher nicht A: Beschreibung der Aufgabe - ja, aber kurz und knapp Z: Beschreibung des Ziels - sehr wichtig! K: Kontextinformationen - sehr wichtig! O: Output-Format - spezifische Richtlinien! B: Beispiele - eher nicht Beispiel für einen Reasoning-Prompt: Fazit: Beim Reasoning-Prompting kommt es viel mehr auf die Was-Fragen an (Was soll genau erstellt werden?) und auf den dazugehörigen Kontext. Das Wie (Wie löse ich diese Aufgabe Schritt für Schritt) erarbeitet das Modell selbst indem es die Aufgabe in Unterschritte runterbricht und bearbeitet. Knackige Aufgabe + Ziel erklären + so viel Kontex wie möglich + Erwartetes Endergebnis Überblick: Prompting Reasoning vs. GPT LLMs All diese Informationen und Unterschiede habe ich dir in diesem 1-Pager zusammengefasst: 🏁 Fazit Prompting ist viel eher die gute Delegation von Aufgaben als eine Wissenschaft. Das Prinzip bleibt bestehen: Wer sich klar und deutlich ausdrücken kann, erzielt bessere Ergebnisse beim Einsatz von KI. Key Takeaways Dialog-Prompting: Für schnellen Impuls oder Aufgaben-Sparring. Einfache Prompts und iteratives Feedback zu den KI-Antworten bringen dich im Dialog zum Ziel. Briefing-Prompting: Für spezifische Aufgaben, wo du das Ziel und den Weg dorthin kennst. Ein strukturiertes Briefing, wie du es einem Praktikanten geben würdest, der die Aufgabe zum ersten Mal macht, bringt dich zum Ziel. Reasoning-Prompting: Für den Einsatz von Reasoning-Modellen (o1, R1). Die Aufgabenbeschreibung bleibt knapp, auf eine detaillierte Zielbeschreibung und Kontext kommt es an.
## Wie Du mit Kontext Deine KI-Ergebnisse verbesserst
URL: https://ai-first.ai/insights/wie-du-mit-kontext-deine-ki-ergebnisse-verbesserst
Kategorie: Lab
Untertitel: Schritt-für-Schritt Anleitung für Kontextwissen in KI-Chatbots
Herzlich Willkommen zu den AI FIRST Insights! "KI generiert nur generische Ergebnisse." oder "KI Texte klingen alle gleich." Wahrscheinlich haben wir das alle schon gedacht, gesagt oder gehört. Mich wundert das auch nicht, wenn ich mir die meisten 1-Zeilen Prompts ohne jeglichen Kontext anschaue :) Da kommt dann sowas bei raus: In der heutigen Folge lernst du, wie du Large Language Models den richtigen Kontext gibst, um bessere Ergebnisse zu erzielen und Texte schreibst, für die du dich nicht mehr schämen musst. Los geht's :) Warum ein KI-Modell Kontext benötigt Sprachmodelle sind auf dem Weltwissen trainiert und extrem gut darin, einen sinnvollen Text basierend auf diesem Wissen und deiner Eingabe zu generieren. Aber Sprachmodelle wissen nicht: 1. Wer du bist 2. Was du machst 3. Wo du arbeitest 4. Was du genau willst 5. Wer deine Kunden sind 6. Wie du schreibst und sprichst 7. Was dir wichtig und unwichtig ist 8. Was für dich gut und schlecht bedeutet 9. Wie eure Prozesse und Standards aussehen 10. Welche Regeln es in deinem Unternehmen gibt Sprachmodelle wissen also erstmal gar nichts über dich. Aber: mit den richtigen Kontextinformationen kannst Du einer KI alles beibringen. Kundenanfragen in deinem Schreibstil und deinen Produktinformationen beantworten. Produktbeschreibungen im Tone of Voice und anhand eines Glossars schreiben. Angebote anhand deiner Preisrichtlinien und Vorlagen erstellen. Diese Liste könnte ich unendlich weiterführen. Du kannst im Grunde genommen jede KI-Antwort mit den richtigen Kontextinformationen und -daten auf deine Bedürfnisse zuschneiden. Wie gebe ich einer KI Kontext? Es gibt 4 Wege , um einem Sprachmodell wie GPT oder Gemini mehr Kontext zu geben. Diese Wege können auch miteinander kombiniert werden können. Weg 1: Prompt In der Prompt-Eingabe kannst du jegliche Form von Kontext einfügen und beeinflusst bereits damit das Ergebnis. Beispiele dafür sind: "Unser Unternehmen hat XX Mitarbeiter und ist in der Medizintechnik...." "Verwende einen formellen, professionellen Schreibstil mit kurzen Hauptsätzen." "Meine Zielgruppe sind Geschäftsführer in mittelständischen Unternehmen." Diese Informationen können natürlich ausgeweitet werden, allerdings sind die Input-Fenster der Chatbots begrenzt und stoßen bei umfangreichen Kontext-Informationen an ihre Grenzen. Weg 2: Dateiupload Wenn du mit einem KI-Chatbot wie ChatGPT arbeitest, kannst du Dateien mit zusätzlichen Kontextinformationen hochladen, welche die KI bei der Bearbeitung berücktsichtigen soll: Prozessbeschreibung Studienergebnisse Content-Vorlagen Diese Uploads können bis zu mehrere 100-Seite umfassen und haben dadurch weniger Limitierungen als das Prompt-Fenster. Weg 3: Retrieval Augmented Generation Retrieval-Augmented Generation (RAG) ist ein Ansatz, der LLMs mit externen Wissensquellen verbindet, um präzisere und aktuellere Antworten zu liefern. Dabei werden relevante Informationen aus einer Wissensdatenbank abgerufen und dem LLM als zusätzlicher Kontext bereitgestellt. Ein RAG arbeitet in 3 Schritten: Abruf (Retrieval): Bei einer Benutzeranfrage durchsucht ein Abrufmechanismus externe Datenquellen nach relevanten Informationen. Erweiterung (Augmentation): Die abgerufenen Daten werden der ursprünglichen Anfrage hinzugefügt, um den Kontext zu erweitern. Generierung (Generation): Das LLM nutzt diesen erweiterten Kontext, um eine fundierte und genaue Antwort zu generieren. Chatbots bauen RAG-Funktionen ein, um permanente Wissensquellen zu hinterlegen: "Wissen" in CustomGPTs mit bis zu 20 Dateien "Projects" in Claude und ChatGPT mit ca. 500 Seiten Text In diesen Wissensordnern kannst du je nach Anwendungsfall deine Produktbeschreibungen, Prozessdokumentation, Marketing-Content, Richtlinien und mehr ablegen. Das LLM kann dann dieses Wissen bei der Bearbeitung deiner Anfrage nutzen. Weg 4: Finetuning Beim Fine-Tuning wird ein vortrainiertes LLM (zB GPT4) mit zusätzlichen, domänenspezifischen Daten weitertrainiert. Dadurch passt sich das Modell an spezielle Aufgaben oder Fachgebiete an, indem es seine internen Parameter entsprechend justiert. Dies ermöglicht es dem Modell, präzisere und relevantere Antworten in dem spezifischen Kontext zu liefern. Technischer Aufwand: Das Fine-Tuning erfordert eine sorgfältige Vorbereitung der Trainingsdaten und den Einsatz erheblicher Rechenressourcen. Anwendungsfälle: Fine-Tuning ist ideal für spezialisierte Aufgaben mit stabilen, sich selten ändernden Daten. RAG eignet sich besser für Szenarien, in denen der Zugriff auf aktuelle oder dynamische Informationen erforderlich ist. Beispiel: Copywriting Assistent Im folgenden führe ich dich durch das Setup eines Copywriting Assistenten, der Texte in meinem Stil und basierend auf meinem Wissen schreiben soll. Dafür habe ich ein Project in Claude aufgesetzt. Prompt: ##Aufgabe Du schreibst LinkedIn Posts basierend auf meinem Wissen. Du bekommst Informationen als Grundlage für den LinkedIn Posts. Beispielsweise: Newsletter als PDF Stichpunkte Transkript Du nutzt dein Wissen "Content Knowledge", die vorgegebene Struktur und "LinkedIn Templates", um LinkedIn Posts zu schreiben. ##Kontext Du greifst auf meine Wissensbasis "Content Knowledge" mit meinen bisher veröffentlichten Newslettern und LinkedIn Posts zu, um zusätzlich relevante Inhalte zu generieren. Außerdem nutzt Du Templates aus dem Dokument "LinkedIn Templates" für die Strukturierung der Posts. Du wählst das passende Template abhängig vom Thema aus. ##Struktur des Posts ###1. Aufbau des Posts Jeder Post beginnt mit einem starken Hook oder einer aufmerksamkeitserregenden Aussage Folge einem logischen Storytelling-Ansatz mit Einleitung, Hauptteil und Schluss Jeder Post behandelt nur ein Thema ###2. Strukturelemente Problem-Lösungs-Schema Aufzählungen und Listen (meist X Punkte/Schritte) Gegenüberstellung (vorher/nachher, falsch/richtig) Persönliche Erfahrungen oder Beispiele Call-to-Action am Ende ###3. Formatierung Kurze, prägnante Absätze Verwendung von Aufzählungszeichen Klare visuelle Trennung der Abschnitte Strategischer Einsatz von Zeilenumbrüchen ###4. Inhaltliche Muster Fokus auf praktische Umsetzbarkeit Authentizität durch persönliche Erfahrungen Expertise-Demonstration Wertversprechen und konkrete Vorteile Überwindung von Einwänden ###Ziele des Posts Engagement generieren Authentisch wirken Einen klaren Mehrwert bieten Zur Interaktion anregen ##Sprachstil Du-Form Positiv, ermutigend, selbstbewusst Professionell, aber locker und nahbar Klare, verständliche Sprache Buzzwords wie "revolutioniert", "transformiert" und ähnliche werden vermieden Emojis vermeiden ##Ausgabeformat Präsentiere die LinkedIn-Post-Optionen in folgendem Format: Option 1: [Vollständiger Text des LinkedIn-Posts] Option 2: [Vollständiger Text des LinkedIn-Posts] Option 3: [Vollständiger Text des LinkedIn-Posts] Bitte um spezifisches Feedback zu jeder Option und sei bereit, die Beiträge basierend auf den Rückmeldungen zu überarbeiten. Du siehst, dass ich auch im Prompt viel Kontext zur Struktur, Formatierung und Sprachstil eingearbeitet habe. Außerdem gebe ich einen Hinweis auf das Kontextwissen und wie dieses genutzt werden soll. Kontext Dieses Kontextwissen habe ich in meinem Claude Project hinterlegt: Ein Dokument mit 26 Templates für LinkedIn Posts. Hier kannst du das Dokument einsehen. Ein Tone of Voice Guide für meinen Schreibstil. Hier kannst du den Guide einsehen. Ein Dokument mit 50 Seiten meines AI Playbooks mit meinen Best Practices, Prozessen, Frameworks etc. - so gesehen meine Wissensdatenbank. Eine Tabelle mit meinen 100 besten LinkedIn Posts aus 2024. Alle bisherigen Newsletter-Ausgaben als zusätzliche Wissensquelle und Orientierung meines Schreibstils. Mit diesem Wissen gebe ich der KI Leitplanken für: Die Struktur der LinkedIn Posts (Templates) Den Inhalt der Posts basierend auf meinem Wissen Den Schreibstill basierend auf meinem Tone of Voice Ergebnis mit Kontext Mit meinem System-Prompt generiert das LLM jetzt 3 Vorschläge mit unterschiedlichen Templates basierend auf einer kurzen Eingabe. Ich strebe dabei nicht nach Perfektion, sondern will schnell bei 80% sein und das Ergebnis selbst optimieren. Kontext für andere Anwendungsfälle Die gleiche Mechanik kannst du für so ziemlich alle LLM-Anwendungsfälle nutzen. Support Chatbot: FAQs, Produkt-Datenbank, Kundeninformationen, SLAs, Preisliste Ausschreibungen: Historische RFP-Antworten, Unternehmenswissen, Produktkatalog, Wettbewerber/Battlecards, Angebotsrichtlinien Meeting Protokollierung: Protokoll-Vorlage, Glossar für Begriffe und Abkürzungen Vertragsprüfung: Compliance Vorgaben, Vertragsrichtlinien, Eskalationslogiken Code Review: Coding Guidelines, Frameworks & Bibliotheken, Security Guidelines, Naming Conventions und Architekturstandards HR Screening: Stellenanforderungen, Werte-Dokumentation, gewünschte Persönlichkeitsmerkmale Wichtig : Mehr Kontext ist nicht immer besser. Achte darauf, dass die Inhalte gut strukturiert und eindeutig sind. Vermeide Dopplungen und Widersprüche in den Daten. Beschreibe im Prompt genau, was welches Kontextwissen bedeutet und wofür es genutzt werden soll. 🏁 Fazit Ein gut strukturierter, spezifischer Prompt und umfangreiches, eindeutiges Kontextwissen sind die 2 einfachsten Hebel auf die Ergebnisqualität von Large Language Models und KI Chatbots. Key Takeaways Ohne Kontext greift ein LLM auf das antrainierte Allgemeinwissen zurück und liefert dir genau das: allgemeine Antworten. Erst eigene Daten machen LLM-Outputs wirklich relevant, alles andere ist austauschbar. Kontext kannst du per Prompt, Dateiupload, RAG und Finetuning bereitstellen, wobei RAG der effizienteste und flexibelste Weg ist. Erkläre dem LLM im Prompt, welches Wissen du bereitstellst und wofür das Wissen konkret genutzt werden soll. Du musst das erklären. Wir sind schon wieder am Ende unseres kurzen Kontext-Exkurses. Schreib mir, wenn du dazu noch Fragen hast. Nächste Woche schauen wir uns das Prompt Engineering für GPT und Reasoning-Modelle an. Bis nächsten Sonntag, Felix
## Deep Research: Wie die neue KI-Funktion bei Recherchen hilft
URL: https://ai-first.ai/insights/deep-research-wie-die-neue-ki-funktion-bei-recherchen-hilft
Kategorie: Horizont
Untertitel: Wie Du mit ChatGPT, Perplexity und Gemini in wenigen Minuten Research-Berichte erstellst
Herzlich Willkommen zu den AI FIRST Insights! DeepSeek hat viel Schwung in die KI-Welt gebracht, mal wieder. Was wir gerade erleben, ist eine konsequente Beschleunigung von höherer Qualität, geringeren Kosten und neuen Fähigkeiten von Sprachmodellen. Diese 3 Entwicklungen solltest du jetzt auf dem Schirm haben: Reasoning : Die Fähigkeit von Sprachmodellen, eine Aufgabe in mehrere Schritte zu zerlegen und einen Gedankenprozess zu simulieren, der zu einer höheren Ergebnisqualität führt. Multimodalität : Die Verarbeitung von Text, Bild, Audio, Video und Datei-Formaten. Verstärkt in Echtzeit. Agentische Fähigkeiten : das Planen von Aufgaben, die Bedienung des Browsers und die mehrschrittige Recherche. Mit der Weiterentwicklung dieser Fähigkeiten werden Sprachmodelle in Bürojobs immer mehr Aufgaben unterstützen oder übernehmen und steigern zunehmend das Level an Automatisierung. Also höchste Zeit, dass wir uns damit intensiv beschäftigen! Ein Aufgabengebiet, das kürzlich in den Fokus von Sprachmodell-Anbietern gerückt ist, ist die Recherche . Mit den neuen Deep Research Features, bringen OpenAI & Co. 2 relevante Neuerungen zusammen: Agenten & Reasoning. Heute lernst du, wie du diese Fähigkeiten für deine Recherchen einsetzt. Los geht's! Was sind die Deep Research Features? Definition Deep Research Features bezeichnen die Fähigkeit von KI-Chatbots, komplexe Suchanfragen zu verstehen, in mehrere Rechercheaufgaben runterzubrechen, eigenständig im Internet zu recherchieren und die Ergebnisse strukturiert zu konsolidieren. Anstatt nur Links zu Webseiten aufzulisten – wie es herkömmliche Suchmaschinen tun – analysieren die Systeme die Informationen, synthetisieren sie und liefern dem Nutzer eine umfassende Antwort in Form eines klar geschriebenen Berichts. Anbieter Diese KI Anbieter haben eine Deep Research Funktion integriert: Perplexity (Pro, 20€/Monat) -> Pro Suche mit R1 Modell starten ChatGPT (Pro, 200€/Monat) -> "Deep Research" Button im Chat anklicken Gemini (Advanced, 20€/Monat) -> "1.5 Pro with Deep Research" Modell wählen Die Deep Research Funktion benötigt sehr viel Rechenkapazität, was Kosten bei den Anbietern verursacht. Daher ist diese Funktion aktuell nur in den Bezahl-Accounts verfügbar. In der Vergangenheit wurden solche Features mit der Zeit jedoch auch auf die günstigeren Lizenzen oder sogar kostenlosen Accounts ausgerollt. Funktionsweise Die Tiefenrecherche läuft immer in 4 Schritten ab, wobei sich die Anbieter leicht unterscheiden. Dazu weiter unten mehr. Planung: Die KI verarbeitet die Recherche-Aufgabe und plant eigenständig den Suchprozess und die Suchabfragen. Informationssuche: Die KI durchforstet zahlreiche Quellen wie Artikel, Berichte und Studien und filtert Unwichtiges heraus. OpenAI nutzt dabei Web-Browsing-Funktionen, Gemini greift auf Google-Dienste zurück. Analyse: Anschließend „liest“ die KI alle gesammelten Texte, extrahiert wichtige Fakten, vergleicht Quellen und erkennt Widersprüche. Strukturierung und Aufbereitung: Zum Schluss werden die Erkenntnisse in einem klar gegliederten Bericht präsentiert, meist mit Einleitung, Hauptteil und Fazit. Wichtige Punkte (z. B. Pro/Contra) werden hervorgehoben, und Quellenangaben am Ende sorgen für Transparenz. Wichtig: Auch mit quellenbasierter Recherche können Sprachmodelle halluzinieren . Es gilt wie immer, KI als Unterstützung und nicht als blinden Ersatz zu nutzen. Insbesondere bei kritischen Fakten gilt das Prinzip der Ergebniskontrolle. Anwendungsfälle Überall wo viele Quellen nach Informationen durchsucht werden und die Ergebnisse in ein strukturiertes Format gebracht werden müssen, kann Deep Research helfen. Themenrecherche: Erstellung eines strukturierten Berichts zu einem Thema, zB "Einführung in KI Agenten" Technologie- und Innovationsscouting: Identifikation aufstrebender Technologien (z. B. Quantencomputing, mRNA-Technologie) durch Analyse von Nachrichten, Blogbeiträgen und Patenten, sofern letztere öffentlich zugänglich sind. Trendanalyse: Ermittlung neuer Ernährungs- oder Lifestyle-Trends (z. B. Veganismus, Zero-Waste). Produktsuche und -vergleich: Umfassende Recherche zu E-Bikes, 3D-Druckern oder neuen Smart-Home-Systemen. News-Übersicht: Zusammenstellung und Konsolidierung der Meldungen zu einem Thema. Markt- und Wettbewerbsanalysen: Marktüberblick in Branche Medizintechnik in Deutschland, Stärken und Schwächen der Hauptwettbewerber, Kennzahlen, Produktportfolio, ... Wissenschaftliche Untersuchung: Zusammenstellung von frei verfügbaren Studien zum Thema „Auswirkungen der Luftverschmutzung auf die Gesundheit“. Im Folgenden zeige ich Dir die Funktionsweise an 3 Beispielen mit drei unterschiedlichen Anbietern. Ich habe in allen Beispielen einfache Prompts genutzt, um zu verstehen, wie die Reasoning-Modelle daraus den Recherche-Prozess planen. Beispiel 1 (Perplexity): Schnelle Marktanalyse Ziel Einen Überblick über einen bestimmten Markt oder Anbieter erhalten. Prompt Erstelle eine Übersicht der größten KI Sprachmodell-Anbieter inklusive Anzahl der Nutzer, Feature-Gegenüberstellung in Tabellenform, Funding und weiteren relevanten Informationen. Prozess Im Bereich Forschung siehst Du die Suchabfragen, die Perplexity vornimmt, um die Informationen zu sammeln. Im Bereich Überlegungen siehst Du wie das R1 Modell die Informationen verarbeitet, um das Ergebnis zu erstellen. Auch beeindruckend: Insgesamt wurden 86 Quellen durchsucht . Ergebnis Zuerst wurde eine allgemeine Übersicht der Top LLM-Anbieter erstellt. Spannend finde ich, dass sehr sinnvolle Kriterien wie "Parameter" oder "Open Source?" ergänzt wurden. Anschließend wurde noch eine Tabelle mit der Feature-Übersicht erstellt. Diese finde ich noch recht simpel, aber könnte durch einen präziseren Prompt erweitert werden. Außerdem sind die Ergebnisse nicht konsistent oder falsch: Claude 3.5 Sonnet wird zB stark in kreativen Funktionen und Marketing eingesetzt. Beispiel 2 (Gemini): Themenrecherche zu Deep Research Ziel Ein Bericht über das Deep Research Feature von Google Gemini erstellen. Prompt Erstelle einen Bericht zum Deep Research Feature von Gemini mit folgenden Inhalten: Definition, Funktionsweise, Potenziale & Risiken, Alternative Anbieter, Anwendungsfälle in Wissensfunktionen. Prozess Gemini verarbeitet zuerst meine Anfrage, erstellt den Recherche-Plan inklusive der Suchabfragen und fragt mich nach Feedback. Ich habe jetzt die Möglichkeit, den Plan anzupassen oder die Recherche zu starten. Basierend auf dem Recherche-Plan hat Gemini 22 Webseiten durchsucht. Im letzten Schritt konsolidiert Gemini die Informationen aus den Websites und erstellt daraus einen Bericht. Dieser Schritt hat ungefähr 5 Minuten gedauert. Ergebnis Ich erhalte einen vollständigen Bericht in genau der vorgegebenen Struktur. Den Text kann ich kopieren oder direkt als Google Doc öffnen. Hier siehst Du das Ergebnis. Auffällig war bei diesem Beispiel, dass Gemini die Google-Quellen stark bevorzugt hat. Das kann natürlich an der Aufgabenstellung liegen, aber deutet auch auf einen Bias im Modell hin. Beispiel 3 (ChatGPT): Trendrecherche zu AI Agents Ziel Einen Trendbericht zur Entwicklung von AI Agents und dem Einfluss auf Unternehmen. Dieses Mal habe ich den Prompt etwas ausführlicher gestaltet und mehr Kontext- und Formatvorgaben hinzugefügt: Prompt Erstelle einen Trendbericht zur Entwicklung von KI Agenten. Die Zielgruppe sind Geschäftsführer in mittelständischen Unternehmen. Gliedere den Bericht wie folgt: Executive Summary Einführung zu KI Agenten (Definition, Funktionsweise, ...) Entwicklung von KI Agenten (Historie, Status Quo, Zukunftsprognosen) Anwendungsfelder Chancen, Risiken und Handlungsempfehlungen Kläre in deinem Bericht insbesondere folgende Fragen: Inwiefern sind KI Agenten schon bereit für den Einsatz im Mittelstand? Wie wirkt sich der Einsatz von KI Agenten auf die Produktivität von Unternehmen aus? Welche Grundlagen müssen geschaffen werden, um KI Agenten erfolgreich zu implementieren? Beleuchte KI Agenten kritisch und führe Studien, Statistiken und Quellen von Vordenkern und Wissenschaftlern aus der KI-Industrie heran wie zB Andrew Ng Prozess ChatGPT stellt zuerst Rückfragen, um die Recherche zu verfeinern: Nachdem ich die Fragen beantwortet habe, hat ChatGPT den Rechercheprozess gestartet. Die Recherche dauerte ungefähr 5 Minuten und umfasste 14 Quellen: Die Quellenauswahl finde ich sehr ernüchternd. Es wurden fast ausschließlich Blogs herangezogen und kaum Studien-Ergebnisse oder Statistiken. Spannend finde ich wiederum, wie man die Arbeitsschritte von ChatGPT live beobachten kann: Ergebnis Auch von ChatGPT erhalte ich einen Bericht, der mit 15 Seiten nochmal umfangreicher als das Ergebnis von Gemini ist. Ich habe das o1 Pro Modell verwendet, was die Qualität und Tiefe der Ergebnisse zusätzlich steigert. Insgesamt überzeugt mich die Qualität, wenn ich einen Überblick über das Thema und die historischen Entwicklungen erhalten möchte. Erstaunlich gut finde ich den Schreibstil. Was mir fehlt, sind konkrete Studien-Ergebnisse und Statistiken, die über allgemeine Prognosen auf Unternehmensberater-Blogs hinausgehen. Auffällig ist, dass der Großteil der Informationen aus ein paar wenigen referenzierten Quellen kommt, obwohl insgesamt 14 Quellen durchsucht wurden. Hier kannst du das Ergebnis sehen. Bonus: Präsentation mit Gamma erstellen Recherchen sind oft die Grundlage für Präsentationen. Deshalb möchte ich Dir abschließend noch zeigen, wie Du die Deep Research Ergebnisse in fertige Folien verwandeln kannst. Dafür habe ich das Tool Gamma genutzt und die Ergebnisse aus der ChatGPT Recherche eingefügt: Gamma erstellt dann eine Struktur der Folien, die Texte, Bilder und Grafiken basierend auf dem eingefügten Text. Ich kann ein Template hinterlegen, welches für die Folien genutzt wird. Der Vorteil dieses Workflows ist, dass wir bereits sehr detaillierte Informationen aus der Recherche haben. Diese führen automatisch auch zu konkreteren Inhalten auf den Folien. So sieht das Ergebnis aus: Hier kannst Du das vollständige Ergebnis sehen. Insgesamt ein guter Aufschlag und Struktur, allerdings wurden die Informationen aus dem Bericht schon sehr stark verdichtet. Hier würde ich definitiv nacharbeiten und weitere Folien ergänzen. 🏁 Fazit Für diesen Newsletter habe ich 5 Stunden mit den Deep Research Features gearbeitet . Mein Fazit: Ich bin hin- und hergerissen. ✅ Ich kann deutlich schneller Informationen aus dutzenden Quellen in ein strukturiertes Format bringen. ✅ Mein Prompt wird in viele sinnvolle Suchabfragen und Recherche-Schritte zerlegt. ✅ Die Ergebnisse werden gut strukturiert und mit ansprechendem Schreibstil aufbereitet. Aber... ❌ Falschinformationen in den Ergebnissen entdeckt. ❌ Quellenauswahl war zum Teil ernüchternd mit hohem Anteil von Blog-Artikeln. ❌ Erkennbarer Bias in der Bevorzugung von Quellen. Ergo : Du kommst schneller ans Ziel und bekommst einen gut strukturierten Überblick zu deinem Recherche-Thema, darfst jedoch keinen perfekten Bericht auf Journalisten-Niveau erwarten. Key Takeaways Deep Research Features bezeichnen die Fähigkeit von KI-Chatbots, komplexe Suchanfragen zu verstehen, in mehrere Rechercheaufgaben runterzubrechen, eigenständig im Internet zu recherchieren und die Ergebnisse strukturiert zu konsolidieren. Die perfekte Erweiterung der Recherche-Agenten sind Reasoning Modelle, weil sie aus den vielen unstrukturierten Informationen schlüssige Berichte erstellen. Reasoning-Modelle brechen einfache Prompts bereits gut in vielschrittige Suchabfragen runter. Für noch spezifischere Ergebnisse sollte mehr Kontext (zB Zielgruppe) und Format-Anforderung (zB Aufbau des Berichts) ergänzt werden. Perplexity durchsucht die meisten Quellen, hat jedoch den kürzesten Output und hat Fehlinformationen in den Ergebnissen angezeigt. ChatGPT mit dem o1 Pro Mode hat für mich das beste Ergebnis geliefert, ist aber nicht 10x den Preis von Gemini wert. Die Anwendungsfälle reichen von Themenrecherchen bis zu Marktanalysen mit einer deutlichen Beschleunigung für die Erstellung eines strukturierten Überblicks und Berichts zum Thema. Deep Research kommt mit Risiken: Bias in den Modellen und die Verführung, nicht mehr über Themen nachzudenken. In den letzten 2 Jahren haben sich Sprachmodelle und die Funktionen drum herum rasant verbessert. Deep Research ist ein großer Schritt nach vorne zu den bisherigen, oberflächlichen Web-Suchen. Die Ergebnisse stimmen mich zuversichtlich, dass KI in Zukunft eine immer größere Rolle in der Sammlung und Aufbereitung von Informationen spielen wird. Hast Du Deep Research schon getestet? Was sind Deine Erfahrungen?
## Wie Du mit AI in 3 Schritten neue Themen meisterst
URL: https://ai-first.ai/insights/wie-du-mit-ai-in-3-schritten-neue-themen-meisterst
Kategorie: Lab
Untertitel: Felix' Newsletter-DNA decoded
Willkommen zu AI FIRST Insights! Felix ist gerade auf Bali. Und ich? Ich bin Viktoriya, verantwortlich für Marketing und Tech bei AI FIRST, und übernehme heute zum ersten Mal die wöchentlichen AI FIRST Insights. In meiner täglichen Arbeit habe ich eine spannende Methode entwickelt, die ich Dir heute am Beispiel dieses Newsletters zeigen möchte: Wie Du AI nutzen kannst, um Muster zu erkennen - in allem. Das Ganze basiert auf einem spannenden Konzept aus der Evolutionstheorie und funktioniert für jedes neue Thema, in das Du Dich einarbeiten willst - vom Content Marketing bis zur Produktentwicklung. Let's go. Neue Stimme, etablierte Erwartungen Als neue Autorin dieser Insights stehe ich vor einer klaren Herausforderung: Wie schaffe ich es, direkt beim ersten Newsletter die Qualität zu liefern, die Du von den Insights gewohnt bist? Die klassische Antwort wäre: Üben, üben, üben. Trial and Error. Learning by Doing. Doch in einer Zeit, in der sich Branchen und Technologien quasi über Nacht verändern, brauchen wir einen effizienteren Ansatz. Meine Lösung kombiniert bewährte Evolutionstheorie mit ChatGPT. Memetische Analyse 🤝 ChatGPT Wenn Du an "Meme" denkst, siehst Du wahrscheinlich lustige Katzenbilder oder virale TikTok-Trends vor Dir. Aber das Konzept ist viel älter – und spannender. Der Evolutionsbiologe Richard Dawkins prägte den Begriff "Meme" als Bezeichnung für die kleinsten Einheiten kultureller Übertragung. Stell dir Memes wie DNA-Bausteine vor, aber für Ideen statt für Lebewesen. Und genau wie erfolgreiche Gene sich durchsetzen, überleben auch erfolgreiche Memes. Lass uns drei verschiedene Beispiele anschauen: 1. Traditionelle Märchen - Die älteste Form von Meme-Evolution: Der Held startet in einer schwierigen Situation Drei Aufgaben oder Hindernisse müssen gemeistert werden Eine überraschende Wendung verändert alles Am Ende steht eine zeitlose Lektion 2. Familienrezepte - Die DNA erfolgreicher Gerichte: Eine persönliche Geschichte ("Omas geheimer Apfelkuchen") Präzise Struktur (Zutaten → Schritte → Tipps) Bewährte Kombinationen ("süß-salzig", "knusprig-cremig") 3. Apple Keynotes - Moderne Storytelling-Perfektion: Problem vor Lösung ("Warum brauchen wir das?") Technische Features werden zu Erlebnissen ("Magic!") Das berühmte "One More Thing" am Ende Ob jahrhundertealte Geschichten, traditionelle Rezepte oder moderne Produktpräsentationen – überall finden wir diese erfolgreichen Muster. Und genau wie in der Evolution werden sie weitergegeben, angepasst und neu kombiniert. Dieses Prinzip können wir auf alles anwenden: Newsletter, Präsentationen, Produktdesign – überall gibt es erfolgreiche Muster, die wir entschlüsseln und neu zusammensetzen können. Und mit AI geht das heute schneller als je zuvor. Wie das konkret bei Felix' Insights aussieht, zeige ich Dir jetzt... Schritt 1: Daten sammeln (Anfänger-Edition) Mein erster Schritt war, alle bisherigen AI FIRST Insights zu sammeln. Früher hätte das bedeutet: Hinsetzen, jeden der 50+ Artikel einzeln lesen, Notizen machen - Stunden- oder sogar Tagearbeit. Heute gibt es clevere Wege. Ich zeige Dir zwei Methoden, die Dir zunächst nur Zugriff auf die Titel und Subtitel geben. Die erste ist super einfach, die zweite etwas technischer - aber sie zeigt Dir, wie Du kleinere technische Aufgaben mit ChatGPT meistern kannst. Methode 1: ChatGPT Browse Der schnellste Weg ist ein simpler Prompt (mit aktivierter Browse-Funktion): "Gib mir eine Liste aller Artikel mit Titel und Subtitel von dieser Seite: https://ai-first.ai/magazin " Methode 2: Einfaches Webscraping mit ChatGPT Die zweite Methode ist tatsächlich eine kleine Einführung ins Webscraping - also das automatische Extrahieren von Daten aus Webseiten. Mit ChatGPTs Hilfe schreiben wir ein paar Zeilen JavaScript-Code direkt im Browser, der die Arbeit für uns erledigt. Keine Sorge, Du musst kein Programmierer sein - ChatGPT hilft Dir dabei, den Code zu verstehen und anzupassen: Rechtsklick auf der AI FIRST Insights-Seite → "Untersuchen" wählen, und schon siehst Du den HTML-Code. Wenn Du mit der Maus über den Code fährst, siehst Du, wie sich Bereiche auf der Webseite blau hervorheben. Suche den Bereich, der die Titel enthält, und kopiere den entsprechenden Code-Block. Du musst nicht den Code verstehen - achte einfach darauf, dass beim Überfahren mit der Maus die Titel und Subtitel auf der Seite blau markiert werden. Diesen Code-Block fügst Du dann in folgenden ChatGPT-Prompt ein: Gib mir JavaScript-Code, um alle Artikel-Titel von einer HTML-Seite zu extrahieren, wo jeder Titel in einem HTML-Element wie diesem ist: {hier kommt dein kopiertes HTML} Ich brauche JS-Code, den ich in die Konsole kopieren kann, um eine nummerierte Liste der Titel zu bekommen. Auch hier musst Du kein Entwickler sein. Du musst nur drei einfache Schritte ausführen: Drücke F12 in Chrome (oder rechtsklick → "Untersuchen") Klicke oben auf den "Console"-Tab Füge den Code ein und drücke Enter Das Ergebnis? Eine erste Übersicht über Felix' Themen mit Titel und Subtitel: Warum zeige ich Dir diese technischere Methode, wenn es mit Methode 1 schneller geht? Weil Du hier lernst, wie Du ChatGPT als Helfer für technischere Aufgaben nutzen kannst. Für meine Analyse brauchte ich später die kompletten Artikel-Texte, nicht nur die Titel. Dafür habe ich die Methode 2, die Du hier siehst, noch etwas ausgebaut. Das würde hier jetzt zu weit führen - aber wenn es Dich interessiert, schreib mir in den Kommentaren . Bei genügend Interesse erkläre ich in einer späteren Episode, wie ich die gesamten Inhalte gesammelt habe. Für jetzt konzentrieren wir uns darauf, was wir aus diesen Titeln und den Texten lernen können. Schritt 2: Memetische Analyse Jetzt kommt der spannende Teil. Was macht Felix' Insights aus? Um das herauszufinden, habe ich die gesammelten Texte durch ChatGPT analysieren lassen - mit einem speziellen Prompt, der nach den "Memes" sucht: Führe eine memetische Analyse dieser Newsletter durch. Betrachte dabei: TITEL-MEME - Welche Titel-Strukturen wiederholen sich? - Gibt es bestimmte Wortmuster oder Formulierungen? - Wie werden Zahlen und Versprechen eingesetzt? STRUKTUR-MEME - Wie beginnen die Newsletter typischerweise? - Welche Übergänge werden verwendet? - Gibt es wiederkehrende Abschnittsmuster? SPRACH-MEME - Welche Phrasen tauchen häufig auf? - Wie werden technische Konzepte erklärt? - Welche Metaphern werden verwendet? ENGAGEMENT-MEME - Wie wird der Leser einbezogen? - Welche Call-to-Actions werden genutzt? - Wie wird Expertise demonstriert? Analysiere jeden Punkt im Detail und zeige konkrete Beispiele. Die Analyse lief fast zwei Minuten (auch AI braucht Zeit zum Nachdenken). Das Ergebnis: Schauen wir uns die wichtigsten Muster an: Die Titel-DNA : Die strukturelle DNA : Die Sprach-DNA : Haben wir Felix Erfolgsgeheimnis geknackt? :) Damit kann ich doch jetzt arbeiten. Diese Muster sind wie ein Baukasten - Du kannst sie neu kombinieren und Deinen eigenen Stil entwickeln. Genau das mache ich in diesem Artikel. Schritt 3: Von der Analyse zum Text Was habe ich aus der Analyse für diese Episode mitgenommen? Ich hab mir ein paar Dinge von Felix ausgeliehen, die ich richtig gut fand: Zum Beispiel die "3 Schritte" im Titel - das macht direkt klar, was Dich erwartet. Oder wie er seine Artikel aufbaut: erst das Problem zeigen, dann die Lösung, dann direkt in die Praxis. Das funktioniert einfach. Diese Methode ist übrigens nicht auf Artikel beschränkt. Du kannst sie für fast alles nutzen. Hier sind drei spannende Anwendungen, die Dir den Einstieg in neue Themen erleichtern: Produktpräsentationen Verkaufsgespräche Content Creation Der entscheidende Punkt: Es geht nicht ums Kopieren, sondern ums Verstehen und Weiterentwickeln. Wie ein DJ, der aus bekannten Samples einen völlig neuen Song macht. Mit AI kannst Du in Minuten analysieren, wofür andere Wochen brauchen. Das gibt Dir mehr Zeit für das wirklich Wichtige: Deinen eigenen, authentischen Stil zu entwickeln. 🏁 Fazit Was nehme ich aus diesem Experiment mit? AI macht vieles schneller, aber nicht alles besser. Sie hilft mir, Muster zu erkennen - den kreativen Part muss ich selbst übernehmen. Erfolgreiche Formate zu analysieren ist keine Kopierübung - es ist wie ein Blick in die Werkzeugkiste von anderen. Ich nehme mir, was zu mir passt, und baue damit was Eigenes. In einer Zeit, in der sich alles ständig verändert, ist die Fähigkeit, sich schnell in neue Themen einzuarbeiten, Gold wert. Mit AI wird das nicht nur möglich - es macht auch noch Spaß :) Bis bald Viktoriya PS. Ich habe ChatGPT gefragt, ob mein erster Insight den Erfolgsmustern von Felix folgt: Was sagst Du? Schreib mir Deine Erfahrungen oder auch Fragen in den Kommentaren.
## AI-First - People Second?
URL: https://ai-first.ai/insights/ai-first-people-second
Kategorie: Adoption
Untertitel: Was wirklich hinter dem AI-First Mindset steckt und welche Vorteile es bietet
Im Dezember saß ich beim Notar und habe die "AI FIRST GmbH" gegründet. Zuvor startete ich den Newsletter und Podcast unter diesem Namen. Man könnte also meinen, dass ich mir was dabei gedacht habe :) Ich habe diesen Namen aus der tiefen Überzeugung gewählt, dass Künstliche Intelligenz enorme Potenziale für Menschen bietet, wenn wir traditionelle Arbeitsweisen hinterfragen und die Fähigkeiten von KI wertstiftend einsetzen. Wenn wir ein AI-First Mindset entwickeln. Der Begriff wird allerdings oft als "KI = Lösung für Alles" und menschlicher Ersatz missverstanden. Ob bewusst oder unbewusst sei mal dahingestellt. Heute machen wir einen Deep Dive, was AI-First wirklich bedeutet, wie du dieses Mindset entwickelst und welche Vorteile es dir bietet. Los geht's. Was bedeutet AI-First? AI-First ist für mich viel mehr als ein Buzzword oder eine Marketingphrase. AI-First ist die Haltung, Potenziale von Künstlicher Intelligenz maximal wirkungsvoll zu nutzen und mit menschlichen Stärken zu kombinieren. Aus dieser Haltung heraus fragen wir uns konsequent: Kann KI uns bei [Aufgabe] unterstützen, um schneller und/oder besser zum Ziel zu kommen? Das heißt nicht , dass wir mit dem KI-Hammer nach Nägeln suchen. Manchmal ist das Ergebnis auch einfach: Hier bringt uns KI aktuell keinen Mehrwert. Dieses AI-First Mindset etabliert sich so langsam in der Wirtschaft. Insbesondere in Tech-Unternehmen und Start-Ups sehe ich vermehrt Gründer nach Menschen suchen, die KI tief in ihre Arbeitsweise integriert haben: Die Gründe, warum Menschen mit AI-First Mindset immer begehrter werden, beschreibe ich weiter unten :) Aber warum jetzt AI-First? KI gibt's doch schon so lange… Künstliche Intelligenz hat sich in den letzten Jahrzenten extrem weiterentwickelt, war jedoch die meiste Zeit ein starkes Entwicklungs/Daten-Thema. Erst mit Generativer KI und insbesondere Large Language Models hat der Einfluss von KI auf die Art und Weise wie Arbeit in Büros erledigt wird, ein ganz anderes Ausmaß angenommen. Während traditionelle KI-Anwendungen und Software in der Regel auf vordefinierten Regeln und Algorithmen basieren und bestimmte Aufgaben (z. B. Datenanalyse, Entscheidungsunterstützung) automatisieren, geht Generative KI weit darüber hinaus: Sie erschafft originelle Outputs und ermöglicht damit gänzlich neue Formen der Interaktion zwischen Mensch und Maschine. Wenn wir eine intelligente Maschine haben, die auf dem Weltwissen trainiert wurde, natürliche Sprache extrem akkurat verarbeiten und erzeugen kann, dann eröffnet das ein nie dagewesenes Anwendungsfeld für Künstliche Intelligenz. Wir haben es hier mit einem anderen Kaliber an Technologie zu tun, das alles übersteigt, was wir bisher gewohnt waren. Mit Large Language Models und GenAI werden wir ab jetzt immer schneller neue Dinge erschaffen. In fast allen Bereichen. Dieses Video und die darin vorgestellten Prototypen von Google verdeutlichen die wachsenden Fähigkeiten von Künstlicher Intelligenz und den Einfluss auf unser Arbeitsleben sehr gut: Link zum Video Das ist alles keine Science-Fiction mehr sondern in der Entwicklungspipeline. Auch Microsoft, OpenAI, salesforce, Anthropic, Meta, Perplexity & Co. arbeiten an ähnlichen KI-Lösungen. Also stell Dir vor, Du hast einen KI-Assistenten/Agenten der das kann: Wissen zusammentragen aus deinen E-Mails, Teams, Sharepoint etc. Nächste Schritte planen, um eine Aufgabe zu lösen Entscheidungen treffen anhand deiner Ziele Aus Ergebnissen lernen und sich verbessern Und jetzt stell dir vor, dass diese Fähigkeiten mit multimodalen Sprachmodellen verstärkt werden, die nicht nur Text verarbeiten und generieren, sondern: Sehen: Bilder und Videos auswerten Hören: Spracheingaben verarbeiten Sprechen: Per Audio antworten oder anrufen PC bedienen: Browser, Mail-Programm, andere Tools Und jetzt gehen wir noch davon aus, dass Sprachmodelle auch qualitativ besser werden. Das hat sich gerade wieder mit der o3-Ankündigung von OpenAI und dem DeepSeek R1 Modell bestätigt. Summieren wir das zusammen, dann wird KI die Art und Weise wie Arbeit in Büros erledigt wird, fundamental verändern. Genau diese zunehmenden Fähigkeiten von KI-Modellen und der daraus entstehende Einfluss auf unsere Arbeit erfordert ein konsequentes AI-First-Mindset. Traditionelle Prozesse und Arbeitsweisen werden verschwinden und durch KI-gestütztes Arbeiten abgelöst. Chancen entstehen für diejenigen, die die Technologie am besten einsetzen aka ein AI-First Mindset haben. Wie Dir ein AI-First Mindset hilft Mit einem AI-First Mindset prüfst Du immer wieder: Wo entstehen gerade Reibungsverluste oder repetitive Abläufe? Muss diese Aufgabe wirklich von einem Menschen gemacht werden? Wie kann ich KI einsetzen, um schneller das gleiche oder ein besseres Ergebnis zu erzielen? Mit dieser Haltung verändert sich dein Verhalten: Texte Korrektur lesen -> KI nutzen. Meetings vorbereiten -> KI nutzen. Gedanken strukturieren -> KI nutzen. Dokumente vergleichen -> KI nutzen. Nächste Schritte planen -> KI nutzen. Dokumentation erstellen -> KI nutzen. Excel Tapeten auswerten -> KI nutzen. Passende Grafiken suchen -> KI nutzen. Meeting-Protokoll schreiben -> KI nutzen. Vor dem weißen Blatt grübeln -> KI nutzen. 10 Google Links durchsuchen -> KI nutzen. Ersten Draft händisch erstellen -> KI nutzen. Informationen im Dokument suchen -> KI nutzen. Je mehr du anfängst, deine Arbeitsweise aus KI-Perspektive zu hinterfragen und die Fähigkeiten in deine Routinen zu integrieren, desto natürlich wird es, mit KI als Kollaborationspartner zu arbeiten. Wer einmal in diese Haltung gekommen ist, will nie wieder zu traditionellen Arbeitsweisen zurück. Zumindest kenne ich niemanden. Warum auch? Du profitierst von einem AI-First Mindset: Mehr Fokus auf wertschöpfende Arbeit: Durch die Beschleunigung nerviger Standard-Aufgaben. Schnellere Entscheidungen: Dank strukturierter Analysen und Insights. Höhere Qualität: KI kann Feedback geben, korrigieren, mehr Daten ranziehen. Keine Blockade: Egal welche Aufgabe, du hast schneller einen Startpunkt. Seit ich intensiv KI in meine Arbeit integriert habe, macht mir die Arbeit mehr Spaß. Weil ich mehr erledigt bekomme und gleichzeitig mehr Zeit mit dem verbringe, was mir Freude macht. Außerdem gehe ich viel mutiger an neue Herausforderungen ran, weil ich eine Technologie an meiner Seite habe, die meine Fähigkeiten fantastisch erweitert. Schauen wir uns das einmal an. AI-First Mindset an meinem Beispiel Jetzt fragst Du dich vielleicht: "Okay, verstanden. Aber was heißt das jetzt konkret?" 6 Beispiele an denen ich meine AI-First Haltung fest mache: Konsequentes Hinterfragen: Jedes Quartal prüfe ich, ob ich das was ich mache, mit KI deutlich besser machen kann. Das ist besonders wichtig, da sich Sprachmodelle & Co. so schnell weiterentwickeln. Beispiel : ich arbeite gerade an einer KI-gestützten Toolbox, die ich meinen Kunden zur Verfügung stellen kann, um selbst KI besser zu nutzen. Wenn ich einen KI-Agenten habe, der KI-Agenten baut, dann muss das mein Kunde nicht mehr selbst machen. Ich erstelle das Konzept, die Vorgaben, den Prozess - KI nimmt die stupide Erstellung von Assistenten ab. Team aus KI-Assistenten : Für alle wiederkehrenden Aufgaben habe ich KI Assistenten erstellt, die ich für diese Aufgabe nutze. Von der Workshop Vorbereitung, über das Meeting Follow-Up bis zur Erstellung der Podcast Shownotes. Die Assistenten sind perfekt auf meine Anforderungen, Workflows und mein Wissen trainiert. Außerdem stelle ich sicher, dass alle Mitarbeiter und Freelancer ebenfalls damit arbeiten, um konsistente Ergebnisse zu gewährleisten. Die Assistenten überarbeiten wir ebenfalls quartalsweise. In Routinen integrieren: Ich denke meine Routinen aus KI-Perspektive. Wenn ich mit meinem Hund Gassi gehe, dann schreibe ich E-Mails per Spracheingabe, indem ich meine wirren Gedanken in einen KI-Assistenten einspreche und er das in meinem Sprachstil als Mail umformuliert. Wenn ich ein neues Produkt- oder Schulungskonzept erarbeite, dann führe ich einen Dialog indem ich ChatGPT die Rolle eines Kunden gebe, der meine Ideen kritisch hinterfragen und die Kundenperspektive einbringen soll. Beispiel: Zur Jahresreflexion für 2024 hat mir ein Freund sein Reflexionstemplate mit den Lebensbereichen und jeweils mehreren Reflexionsfragen geschickt. Ich wollte unbedingt die Reflexion machen, hatte aber keine Lust, 50 Fragen händisch auszufüllen. Also habe ich mich gefragt, wie KI mir dabei helfen kann. Das Ergebnis: Ein GPT mit der Vorlage gefüttert, ihm gesagt er soll mich Schritt für Schritt durchführen und Rückfragen stellen wenn ich unklare Antworten gebe. Ich habe die Reflexion dann per Spracheingabe gemacht und hatte am Ende eine perfekt strukturierte Jahresreflexion. Marktbeobachtung mit Augenmaß: Ich behalte immer einen Blick auf neue Entwicklungen, ohne mich davon verrückt machen zu lassen. Wenn ein neues Features oder Modell auf den Markt kommt, lasse ich das durch meine Workflows laufen und kann schnell entscheiden, ob es mich weiterbringt oder nicht. Das was funktioniert, implementiere ich natürlich. Ich teste selten neue Tools, weil die Ablenkung den (möglicherweise) zusätzlichen Mehrwert meist nicht überwiegt. Immer verfügbar: Ich habe einen KI-Chatbot immer auf einem 2. Bildschirm offen, die Apps sind auf meinem Smartphone, mit Shortcuts kann ich sofort auf bestimmte Assistenten zugreifen, ich habe Browser-Extensions installiert wenn sinnvoll. Meine KI-Funktionen sind so einfach zugänglich, dass ich sie auch wirklich konsequent einsetze. Außerdem habe ich meinen Google Drive und Wissensdatenbank an meine wichtigsten KI-Assistenten angebunden, damit ich unkompliziert auf Dateien zugreifen kann. Menschlichkeit bewahren: Ich erhalte mir Aufgaben, die mir Freude bereiten. Beispielsweise dieser Newsletter. Ich nutze KI zwar für die Strukturierung und Ausformulierung einzelner Absätze oder auch mal für das Finden eines passenden Betreffs. 90% schreibe ich jedoch selbst. Einfach weil mir die Reflektion wichtig ist und das Schreiben Spaß macht. Am Ende ist es ganz einfach: Hinterfrage deine Aufgaben und Routinen aus KI-Perspektive und nutze die Fähigkeiten von KI, um schneller und/oder besser ans Ziel zu kommen. AI-First in Unternehmen Besonders spannend wird eine AI-First Haltung, wenn sie nicht nur von Einzelnen gelebt wird, sondern eine richtige Bewegung im Unternehmen wird. AI-First wächst in 3 Phasen: erst auf der individuellen Ebene, dann im Team, schlussendlich im ganzen Unternehmen. Mit zunehmender Entwicklung entstehen 3 Vorteile: 1. Kleine Teams, großer Output: Mit der Unterstützung von KI können kleine Teams Ergebnisse erzielen, die früher ganze Abteilungen erfordert hätten. Teams, die eng mit KI zusammenarbeiten, werden unsere neue Realität. Unternehmen wachsen, ohne immer mehr Mitarbeiter einzustellen. 2. Skalierbare Prozesse: Menschen werden in Prozessen von repetitiven, langweiligen und wenig-wertstiftenden Aufgaben durch KI befreit. Weniger Engpässe in Prozessen und menschliche Zeit für das, was zählt: Kundenbeziehungen und Innovationen. 3. Das beste Produkt für den Kunden: AI-First Unternehmen schaffen es, Produkte und Dienstleistungen anzubieten, die schneller, günstiger und kundenorientierter sind – und damit einen echten Wettbewerbsvorteil sichern. 5 Beispiele für AI-First Ansätze in Produkten und der Customer Experience: Choco's AI-First Ansatz Klarna's Customer Support Assistent Ant Group's 310 Kreditmodell DoNotPay's KI-Anwalt Serviceplan's Masumi Agent Das sind nur wenige der rasant wachsenden Anzahl an AI-First Organisationen und Geschäftsmodelle. Diese Organisationen, und die Menschen dahinter, sind die Gewinner der AI-Ära. Typische Einwände gegen AI-First und warum sie keinen Sinn machen Da AI-First gerne fehlinterpretiert wird, gehe ich abschließend noch auf die klassischen Einwände ein: 1. „AI-First ist falsch, weil es nur aus Technologie-Sicht gedacht wird.“ Wer sagt, dass AI-First nur technologiegetrieben ist, hat das Grundprinzip nicht verstanden. AI-First heißt zuallererst: Welches Problem möchten wir lösen/was wollen wir verbessern? Wenn das klar ist, wird geschaut ob KI ein geeignetes Werkzeug ist. Genau wie man nicht jeden Nagel mit einer Bohrmaschine einschlagen würde, setzt man KI nur dort ein, wo sie Sinn ergibt. 2. „AI-First ist falsch, weil der Mensch dabei nicht im Mittelpunkt steht.“ AI-First bedeutet nicht, dass Maschinen den Menschen verdrängen. Im Gegenteil : Wenn wir repetitive oder extrem datenintensive Aufgaben an KI übergeben, gewinnen wir mehr Raum für menschliche Stärken: Kreativität, Empathie, Führung und Innovation. Im Kern steht also immer der Mensch – nur dank KI entlastet. 3. „AI-First ist falsch, weil das Tool nicht die Lösung ist.“ Stimme ich zu 100 % zu! Tools allein sind nie die Lösung. Ohne ein ganzheitliches Konzept und die richtigen Kompetenzen wird Dich auch das beste KI-Tool nicht weiterbringen. AI-First heißt nicht: „Kauf jedes neue KI-Tool!“ , sondern: „Hinterfrage ständig, wie Du KI in Dein Gesamt-System integrierst und optimal nutzt.“ 4. „AI-First ist falsch, weil eine Maschine nie einen Menschen ersetzen kann.“ Jobs sind immer ein Bündel an Aufgaben. KI wird in Bürojobs im Laufe der nächsten Jahre einen immer größeren Anteil an Einzelaufgaben unterstützen oder ersetzen können. Diese Entwicklung ist nicht mehr aufzuhalten. Wenn wir KI nicht nutzen, wird es jemand anderes tun und uns ersetzen. Dass eine KI vollständig einen Mensch in einem vielschichtigen Job mit unterschiedlichen Aufgaben, Schnittstellenarbeit, Kollaboration etc. ersetzt, sehe ich aktuell nicht. 🏁 Fazit AI-First ist die Haltung, seine Arbeitsweise aus KI-Perspektive zu Hinterfragen, um die Fähigkeiten und Potenziale von Künstlicher Intelligenz maximal wirkungsvoll zu nutzen und mit menschlichen Stärken zu kombinieren. Für höhere Produktivät, Wertschöpfung, bessere Produkte und Kundenerlebnisse. Key Takeaways: AI-First bedeutet nicht Technik vor Mensch, sondern die strategische Nutzung von KI, damit Menschen mehr Zeit für kreative und zwischenmenschliche Aufgaben haben. Die neuesten KI-Modellen werden immer besser darin, typische Büroaufgaben zu unterstützen oder selbst auszuführen. Erfolgreiche AI-First-Implementierung erfordert regelmäßiges Hinterfragen, Integration in tägliche Routinen und die richtige Balance zwischen automatisierten und menschlichen Tätigkeiten. Die Entwicklung eines AI-First Mindsets erfolgt in drei Stufen: individuell, im Team und schließlich im gesamten Unternehmen - mit dem Resultat höherer Effizienz und Wertschöpfung. Dein Weg zum AI-First Mindset: In unserem Hub teilen wir jede Woche neue Guides, Vorlagen oder Tools, die dich auf der Reise unterstützen. Zum Start empfehle ich Dir, diese 3 Artikel durchzulesen und umzusetzen: Die 5 Phasen der KI-Nutzung Finde Deine AI Use Cases Guide: KI Assistenten erstellen
## Unser AI Tool Stack 2025
URL: https://ai-first.ai/insights/unser-ai-tool-stack-2025
Kategorie: Lab
Untertitel: Welche Tools Dich wirklich produktiver machen
In den letzten Jahren sind über 27.000 AI Tools auf den Markt gekommen - wer soll da noch durchsehen? Wer mich kennt, weiß dass ich kein Tool-Guy bin. Im Verlauf meiner Karriere habe ich gelernt, dass Tools nie die Lösung sind. Es geht immer darum, sie für die passenden Probleme richtig einzusetzen. Ein neues Tool ist schnell gekauft und noch schneller wieder vergessen. Die wenigsten Softwareprodukte werden wirklich ausgereizt und tief in Prozesse und Systemlandschaften integriert. Auch wenn viele AI Tools faszinierend klingen, bleiben die Grundsätze die selben. Wir müssen sie richtig und konsequent nutzen. Die Kunst liegt darin, einen schlanken, effektiven Tool-Stack aufzubauen, den man dann auch wirklich in seine Arbeitsweise integriert. In diesem Newsletter teile ich meinen AI Tool Stack und wie ich ihn einsetze. Los geht's! Was muss in einen AI Tool Stack? Diese Frage lässt sich natürlich nicht pauschal beantworten und hängt stark von Branche und Funktionsbereich ab. Im Allgemeinen sehe ich jedoch 4 Kategorien an AI Tools, die wir sowohl bei Kunden, als auch bei uns selbst sehr sinnvoll einsetzen. AI Chatbot Meeting Notetaker Bild & Design Erstellung Workflow Automatisierung Mit diesen 4 Tools kannst Du eine große Bandbreite an Anwendungsfällen abdecken, ohne Dir einen Tool-Zoo aufzubauen. Es gilt auch hier: Weniger ist mehr . Bevor Du anfängst, AI Tools zu kaufen... ...prüfe erstmal, ob es die Funktion nach der Du suchst, schon in einer vorhandenen Software gibt. Viele SaaS-Anbieter investieren in ihre AI-Roadmap und bringen fleißig neue Features raus. Oft kannst Du mit den Features schon dein Problem lösen, ohne ein neues Tool kaufen zu müssen. Chatbots: ChatGPT, Claude, Perplexity KI Chatbots sind sich nach außen sehr ähnlich, haben jedoch unterschiedliche Stärken. Allein aus Berufsgründen will ich die Entwicklung der Tools im Blick behalten, aber kann aus jedem Tool auch einen anderen Wert ziehen. ChatGPT Für Einzelanwender ist und bleibt ChatGPT ein tolles Tools. Den Allrounder nutze ich für 4 Aufgabenbereiche: Sparring im Arbeitsalltag: Recherche, Informationen verdichten, Ideen entwickeln, Konzepte ausarbeiten, Gedanken reflektieren, ... Briefing per Spracheingabe: Wenn ich mit meinem Hund Gassi gehe, nutze ich die Sprachfunktion, um zB einen Workshop vorzubereiten, ein Briefing für einen Mitarbeiter zu schreiben oder einen System Prompt für einen Assistenten zu konzipieren. Website Programmierung: Mit dem o1-Modell schreiben und debuggen wir Code für Website-Features mit erstaunlicher Qualität. Insbesondere die Pro-Version ist für uns Gold wert. Assistenten: Wir haben für dutzende Aufgaben Assistenten aufgesetzt, die wir für wiederkehrende Aufgaben nutzen. Unsere Assistenten-Datenbank mit 50 Vorlagen findest Du hier . Zur AI FIRST Assistenten Datenbank mit 50+ Vorlagen Aktuell testen wir das ChatGPT Pro-Abo für 200$/Monat, da wir in ersten Versuchen eine deutlich bessere Qualität bei komplexeren, mehrschrittigen Anweisungen und Coding-Aufgaben festgestellt haben. In den nächsten Wochen werden wir einen Newsletter zu unseren Erfahrungen schreiben. Geschätzte Zeitersparnis pro Woche: Da die Arbeit mit AI Assistenten so normal für mich geworden ist, lässt sich schwer quantifizieren wie viel länger ich für den gleichen Output benötigen würde. Sicherlich 1 Tag/Woche mehr. Claude Claude ist mein Go-To Chatbot für Copywriting Aufgaben. Mir fällt es leichter Claude meinen Schreibstil beizubringen und die Texte haben in meinen Augen eine höhere Qualität. Typische Aufgaben sind LinkedIn Posts draften Website Texte verbessern Newsletter ausformulieren Dafür habe ich Claude mit einem 50-Seiten Dokument meines AI Adoption Playbooks, 20+ Newslettern und 100+ LinkedIn Posts gefüttert. Ich habe einen Tone of Voice Guide erstellt und Templates als Orientierung gegeben. Mit diesem Setup kann ich effizient und mit hoher Konsistenz neuen Content erstellen - trotzdem schreibe ich noch vieles selbst, weil es mir Spaß macht. Project Setup: Prompt & Ergebnis: Geschätzte Zeitersparnis pro Post & Newsletter: 15 Minuten Perplexity Die Antwortmaschine setze ich für Recherchen ein, beispielsweise zur Vorbereitung auf einen Podcast-Gast. Dafür habe ich einen "Space" angelegt und einen Standard-Prompt hinterlegt, der für jeden Gast wiederholt wird: Du unterstützt mich bei der Vorab-Recherche zu meinem Podcast AI FIRST. Dafür erstellst Du jeweils einen Bereich zur Person und einen zum Unternehmen. Recherche zur Person: Beruflicher Werdegang und aktuelle Position Vorträge, Publikationen oder Interviews zum Thema KI Öffentliche Statements zum Thema KI Recherche zum Unternehmen: Aktuelle KI-Projekte und -Initiativen Öffentliche Statements zur KI-Strategie Technologie-Stack und verwendete KI-Lösungen Partnerschaften mit KI-Unternehmen oder Forschungseinrichtungen Größe des KI-Teams/der KI-Abteilung Investitionen in KI-Entwicklung Branchenspezifische Herausforderungen bei der KI-Implementation Ergebnis für Sam Altman von OpenAI (wird er bald im Podcast sein?!) Geschätzte Zeitersparnis pro Podcast: 20 Minuten Brauche ich 3 Chatbots? Natürlich nicht :) Bitte bedenke, dass ich eine AI-Beratung führe und schon aus Berufsgründen ein Auge auf dem Markt halten und die führenden Tools einsetzen will. Ich empfehle Dir einfach mal ChatGPT, Claude, Gemini und Perplexity zu vergleichen und dich für das Tool zu entscheiden, was dir am meisten liegt. Für größere Unternehmen ist es nahezu unmöglich gleich mehrere AI Tools wirkungsvoll einzuführen und in die breite Nutzung zu bringen. In diesem Fall empfehle ich Lösungen, die verschiedene Sprachmodelle (LLMs) anbinden und die erforderlichen Sicherheitstandards und Enterprise-Features mitbringen: Langdock, Glean, meinGPT, Copilot 365, Zive oder Nuwacom sind mögliche Lösungen. Wenn du dich fragst, welche Lösung für Dein Unternehmen die beste ist, schreib mir gern. Meetings: Jamie Ich habe mittlerweile echt viele Meeting Notetaker getestet und immer wieder ausgewechselt, weil ich schlussendlich doch nicht von der Qualität des Transkripts und der Zusammenfassung überzeugt war. Seit einigen Monaten habe ich nun Jamie im Einsatz und bin sehr glücklich damit. Jamie erstellt ein Transkript aus meinem Meeting und macht daraus eine Zusammenfassung. Und das extrem gut. Die Zusammenfassung kann ich dann ablegen oder als Follow-Up versenden. Wenn ich Rückfragen zu den Meetings habe, beantwortet Jamie meine Fragen. Vorteile von Jamie gegenüber anderen Notetakern: Taucht nicht in den Meetings als Teilnehmer auf Kann auch für offline Meetings genutzt werden Sehr hohe Qualität des Transkripts und Zusammenfassung auf DE und EN Geschätzte Zeitersparnis pro Meeting: 10 Minuten + mehr Fokus während des Meetings. Bilder: Midjourney Midjourney bleibt mein Favorit für die Bilderstellung. Wir nutzen Midjourney für alle Bilder, die Du auf AI FIRST finden kannst. Auch hier haben wir Prompt-Vorlagen entwickelt, um neue Bilder und Grafiken im gleichen Stil zu erstellen. Geschätzte Zeitersparnis pro Bild: In dem Fall nicht relevant, da es um die höhere Qualität und Brand-Konsistenz der Grafiken geht. Designs: Canva Selbst als Design-Niete bekomme ich mit Canva halbwegs anständige Creatives erstellt. Eine große Hilfe sind die vielen AI-Funktionen, die mittlerweile angeboten werden: Bild & Grafik Erstellung mit Text Eingabe Erweiterung des Bild-Ausschnitts Verschieben von Objekten im Bild Entfernung von Objekten im Bild Hintergrundentfernung Hier ein Beispiel, wie ich in ein bestehendes Bild ganz einfach den Bereich markiere, wo ich ein neues Objekt einfügen will und dann mit einem Prompt beschreibe, was ich hinzufügen möchte: Geschätzte Zeitersparnis: In dem Fall nicht relevant, da es um die höhere Qualität der Creatives und Präsentationen geht. Insbesondere für die Erstellung neuer Präsentationen spare ich jedoch deutlich Zeit. Workflow Automation: Make Mit Make automatisieren wir Prozesse. Dafür 2 Beispiele: Einfache wenn/dann Automationen: Wenn sich jemand einen Account bei AI FIRST anlegt, dann schicke eine Double Opt-In E-Mail. AI Automationen: Wenn ich ein Podcast-Transkript in Drive hochlade, wird das an den Podcast KI-Assistenten in OpenAI geleitet, der daraus Titel, Beschreibung, Zeitstempel und Shownotes generiert und wieder in einer Notion Datenbank ablegt: Keep it simple :) Geschätzte Zeitersparnis pro Podcast: 60 Minuten Podcasts & Videos: Descript Mit Descript machen wir die Aufnahme und Produktion vom AI FIRST Podcast. Auch Descript hat in den letzten 12 Monaten viele AI Features entwickelt, die die Arbeit deutlich erleichtern: Transkription in 23 Sprachen Schneiden im Text: Ich lösche Wörter im Transkript und schneide damit automatisch das Video - genial! Studio Sound: Verbessert die Audioqualität indem Hintergrundgeräusche entfernt werden und die Klarheit verbessert wird. Entfernung von Füllwörtern: KI erkennt und entfernt "äähms" und "ähs". Eye Contact: Passt den Augenkontakt in Videos an. Green Screen: Ermöglicht den Hintergrund in Videos zu ersetzen. Die Funktionen vom "Underlord": Die erkannten "ehm's" zur Korrektur: Geschätzte Zeitersparnis pro Podcast: 60 Minuten Sonstige Tools Ich habe noch ein paar speziellere Tools im Einsatz, die ich unregelmäßig nutze und trotzdem sehr hilfreich finde: Napkin : Zur Visualisierung von Texten für zB Powerpoint-Grafiken. Storm : Für breite Themenrecherche mit mehr Detailgrad als Perplexity. Spannendes Research-Projekt von Standford. ElevenLabs : Für Sprachausgaben, zB das Vorlesen eines Artikels auf unserer Website (noch im Test). HeyGen : Für die Erstellung von Avataren für Lernvideos, zB Personalisierte KI eLearning Videos von meinen Kunden. 🏁 Fazit AI Tools sind klasse und können massiv Zeit einsparen. Doch es gilt das Prinzip: das Tool ist nur dann wertvoll, wenn wir es richtig und für das passende Problem einsetzen. Auf die Kompetenzen kommt es an. 5 abschließende Learnings zum Einsatz von AI Tools: Erst prüfen, ob eine vorhandene Software ein Feature bietet, was das Problem löst. Es gibt immer ein Tool, das irgendetwas besser kann. Don't believe the hype :) Weniger ist mehr: Beherrsche lieber 1 Tool richtig, als immer wieder von vorn zu testen. Chatbots wie ChatGPT können bereits viele Use Cases abdecken, fang damit an. Mach dir den Zugriff einfach: Browser Extension, Bookmark, Shortcut, App installieren, auf 2. Bildschirm geöffnet lassen Um Dir eine Orientierung zu geben, haben wir begonnen eine AI Tool Datenbank mit kuratierten Tools aufzubauen. Schau doch gern mal rein .
## KI Prognosen 2025
URL: https://ai-first.ai/insights/ki-prognosen-2025
Kategorie: Horizont
Untertitel: Was erwartet uns im spannendsten Jahr der KI-Geschichte?
2025 ist in vollem Gange und ich bin mehr denn je überzeugt, dass uns das spannendeste Jahr der KI Geschichte bevorsteht. Nach dem fulminanten Endspurt in 2024 mit reihenweise Updates von Google, OpenAI, Meta und Co. können wir uns auch in diesem Jahr auf weitere Fortschritte freuen. Anders als im letzten Jahr, habe ich mich dieses Mal auf KI Prognosen konzentriert, die speziell für Unternehmen relevant sind. Los geht's! Rückblick auf meine Prognosen 2024 ✅ Ein AI Song wird in den Spotify Top 50 charten. ("Verliebt in einen Talahon" - Meisterwerk...) ❌ Deep Fakes werden zum Absturz einzelner Aktienkurse führen. (Keinen Case gefunden, aber starker Eingriff in den US-Wahlkampf) ❌ Die durchschnittliche Anzahl der Mitarbeiter in Tech Unicorns sinkt um >20%. Im White Collar Bereich werden Layoffs im Vergleich zu 2023 zunehmen. (Keinen Beleg gefunden, aber Cases wie Klarna zeigen, dass AI-gestützt deutliche Reduktionen möglich sind) ✅ Code wird zur Commodity. Design und Product Skills werden wichtiger. (Siehe Cursor, Amazon Q, Devin, Bolt) ❌ Apple und ✅ Amazon greifen mit Milliarden-Akquisitionen und Investitionen in den KI Markt ein und schließen zu Google und Microsoft auf. (Amazon: Perceive, Covariant gekauft + ca. 4 Mrd. $ in Anthropic investiert; Apple: DarwinAI, Datakalab gekauft + ca. 4 Mrd. $ investiert.) ❌ KI Agenten werden massentauglich und übernehmen Alltagsaufgaben. (Kein Einsatz in der Breite, aber Basis durch Frameworks, Modelle und Tools ist gelegt. 2024 habe ich viel über die Herausforderungen im Einsatz von Agenten gelernt und bin für 2025 zurückhaltend. Mehr dazu unten in den Prognosen.) ✅ 15% der Fortune500 und DAX Konzerne (❌, nur 7%) werden einen Chief AI Officer ernennen. Meine 2025 Prognosen für KI in Unternehmen Wenn ich 2025 in einem Bild vorhersagen müsste: Selbstverständlich sehen wir in diesem Jahr AI Agents als Produkte/Features, um Künstliche Intelligenz in den breiten Einsatz zu bringen und damit den Automatisierungsgrad von Büroarbeit deutlich zu steigern. Ich bezweifle, dass das 2025 schon gelingen wird, doch dazu weiter unten mehr. Zudem erwarte ich weitere Fortschritte in multimodalen Sprachmodellen (insbesondere Video-Verarbeitung) und einen breiteren Einsatz von Voice AI. Wir werden vermehrt KI in Telefonzentralen und Call Centern antreffen. Außerdem bin ich überzeugt, dass Künstliche Intelligenz 2025 endgültig im Mainstream ankommt und wir eine AI-Content-Schwemme erleben, die uns müde macht und Authentizität im Wert steigen lässt. Soweit so erwartbar - kommen wir zu meinen 5 Prognosen speziell für KI in Unternehmen. Unter 3% der deutschen Unternehmen setzen AI Agents ein AI Agents sprießen wie Pilze aus dem Boden, aber niemand setzt sie ein. Die breite Adoption von KI-Agenten wird 2025 noch auf sich warten lassen. Zwar werden erste Unternehmen bereits erfolgreich KI-Agenten in Bereichen wie Finanzen, Marketing und Support einsetzen, aber die Herausforderungen bei der Integration in bestehende Geschäftsprozesse sind noch zu groß. Diese Herausforderungen sehe ich bei der Implementierung von Agents: Abbildung von Business-Logiken & Prozessen Widerstände innerhalb der Teams Schwankende Ergebnisqualität Mangelndes Vertrauen Die Technologie wird bereitstehen, doch die meisten Unternehmen werden beim Einsatz zögern oder durch organisatorische Hürden ausgebremst. Zuversichtlicher bin ich bei Agenten, die direkt in Systemen wie Salesforce, Microsoft oder SAP eingebettet sind und damit die Integration deutlich erleichtern. 2.500 offene Stellen für "AI Manager" auf Indeed am 31.12.2025 Unternehmen ab 100 Mitarbeitern suchen nach einer Person, die zentral für die AI Initiativen verantwortlich ist. Die ist ein Resultat aus vielen verstreuten Ansätzen im Unternehmen ohne breite Wirkung von Künstlicher Intelligenz. 22 offene Jobs auf Indeed, Stand 11.01.2025 Der AI Manager entwickelt Strukturen und Prozesse, um Künstliche Intelligenz in die breite Wirkung zu bringen: Strategie entwickeln und aktivieren Use Case Portfolio aufbauen Richtlinien entwerfen und durchsetzen Kompetenzen im Team aufbauen Technologie auswählen In größeren Unternehmen entstehen vermehrt Kompetenzzentren (Center of Excellence), die als Enabler der Fachbereiche fungieren. In diesem Artikel hatte ich bereits über die organisatorische Verankerung von KI geschrieben. 10-facher Anstieg der AI-Upskilling Budgets bleibt ohne Effekt Der EU AI Act fordert ab Februar grundlegende KI-Kompetenzen von Mitarbeitern ein und löst damit eine riesige Weiterbildungswelle aus. Unternehmen wollen den Compliance-Haken setzen, buchen Schulungen, doch vernachlässigen ein ganzheitliches Konzept zur AI Adoption. Deshalb verpuffen einmalige Schulungen und materialisieren sich nicht in Produktivitätsgewinnen oder erhöhter AI Nutzung. Der bessere Weg: Fortlaufende Lern- und Kommunikationsformate aufbauen und funktionsspezifisch im Umgang mit KI weiterbilden. "Sicherer Umgang mit ChatGPT & Co." wird Standard in Stellenausschreibungen neben Excel und Powerpoint Neben klassischen Office-Programm Skills werden Erfahrungen mit KI-Tools mehr und mehr vorausgesetzt. Besonders kleine und agile Unternehmen werden 2025 gezielt nach Kandidaten mit KI-Kompetenzen suchen, da diese Mitarbeiter leistungsfähiger sind. Diese Entwicklung wird zunehmend auf größere Unternehmen überschwappen. > Wohlbemerkt eine Jobanzeige von Evangelische Bank eG Das AI-First Prinzip setzt sich durch 2025 werden wir dutzende AI-First Erfolgsgeschichten und Cases sehen. Die Effekte vom AI-First Prinzip treten auf 3 Ebenen ein: Einzelpersonen vervielfachen ihre Produktivität indem sie ihre Expertise in KI-Assistenten/Agenten überführen und steuern. 1 Person Unternehmen mit 10+ Mio. Umsatz kommen. Teams: Unternehmen strukturieren ganze Abteilungen AI-First um (insb. Kundenservice, Marketing, Vertrieb, Softwareentwicklung) und erzielen 50-90% Effizienzgewinne. Organisationsstrukturen werden mit KI als fixen Bestandteil neu gedacht. Unternehmen: Traditionelle Geschäftsmodelle werden von AI-First Unternehmen angegriffen (Beispiel: AI-Anwalt von DoNotPay) und gewinnen Marktanteile. Ich will genau von diesen Stories mehr im Podcast und Newsletter berichten! Das sind meine 2025 Prognosen für KI in Unternehmen: Unter 3% der deutschen Unternehmen setzen AI Agents ein. 2.500 offene Stellen für "AI Manager" auf Indeed am 31.12.2025 10-facher Anstieg der AI-Upskilling Budgets bleibt ohne Effekt. "Sicherer Umgang mit ChatGPT & Co." wird Standard in Stellenausschreibungen neben Excel und Powerpoint. Das AI-First Prinzip setzt sich durch. Was erwartest Du in diesem Jahr? Schreib es hier in die Kommentare!
## Die AI FIRST Assistenten-Datenbank
URL: https://ai-first.ai/insights/die-ai-first-assistenten-datenbank
Kategorie: Lab
Untertitel: 50 AI Assistenten für mehr Produktivität
Herzlich Willkommen zum AI FIRST Newsletter! Bei AI FIRST ist es unsere Mission, Dich zum Gewinner der AI-Ära zu machen. Wir wollen, dass du vom größten technologischen Wandel unserer Zeit profitierst . Dafür bauen wir ein Portfolio an Services auf: Newsletter : Wöchentlicher Artikel mit umsetzbaren AI-Taktiken und Strategien. Podcast : Wöchentliche Episode mit AI-Leadern zu ihren Best Practices. Beratung : Strukturierte Programme für produktiven AI-Einsatz in Unternehmen. In 2025 werden wir vermehrt Tools & Ressourcen aufbauen: Konkrete Werkzeuge, die Dir und Deinem Unternehmen beim Einsatz von AI helfen. Den Start machen wir heute mit dem Launch unserer AI FIRST Assistenten-Datenbank . AI Assistenten 1x1 AI Assistenten sind auf großen Sprachmodellen (LLMs) basierende Programme, die dich bei der Erledigung von spezifischen Aufgaben unterstützen. Maßgeschneiderte AI Assistenten In (fast) jedem AI Chatbot gibt es das Feature, maßgeschneiderte AI Assistenten aufzusetzen. Diese Features haben unterschiedliche Namen: ChatGPT → CustomGPT Copilot 365 → Agent Claude → Project Gemini → Gem Perplexity → Collection/Space Beispiel (Das Layout ist immer ähnlich) 7 Vorteile von Assistenten vs. Chatbots Im Vergleich zu der Arbeit mit allgemeinen Chatbots sehe ich viele Vorteile für das Setup von spezifischen Assistenten: Hohe Kontrolle über die Ergebnisqualität Personalisierbar auf Deine Anforderungen Nur einmaliger Aufwand bei der Erstellung Können mehrschrittige Aufgaben abwickeln Können im Team geteilt und genutzt werden Steigern Deine Effizienz beim Einsatz von KI-Tools Geben spezifischere Antworten durch hinterlegtes Wissen Während Du also mit einem Chatbot (zB ChatGPT) jedes Mal von neuem einen Prompt eingibst und Antworten aus dem allgemeinen Wissen bekommst, hinterlegst Du bei einem maßgeschneiderten Assistenten (zB Assistent für Blog Artikel) einmalig eine ganz genaue Anweisung und dein spezifisches Wissen. Die Ergebnisse sind um ein vielfaches besser und Du hast weniger Aufwand. AI FIRST Assistenten-Datenbank Die Datenbank beinhaltet 50 Assistenten für wiederkehrende Aufgaben in unterschiedlichen Funktionsbereichen: Allgemeine Produktivität Vertrieb Marketing Einkauf HR Finanzen Produkt Legal Inhalt pro Assistent Zu jedem Assistenten erhälst Du: Beschreibung, was der Assistent macht Schritt-für-Schritt Systemprompt Erforderlichen Input zur Ausführung Kontextwissen zur Personalisierung Output-Beispiel für das Ergebnis GPT zum direkten Test/Einsatz Je nach Anwendungsfall habe ich in den Assistenten auch Best Practice Frameworks und Ressourcen als Wissen hinterlegt, die sie zur Bearbeitung der Aufgabe berücksichtigen. Nutzung der Assistenten-Datenbank Ich empfehle Dir folgenden Prozess für die Arbeit mit der Datenbank: Nutze die Filter, um die passenden Assistenten für deinen Bereich zu finden. Klicke auf den GPT Link und dann auf "Wie funktionierst Du?" Stelle den erforderlichen Input bereit und lasse den GPT die Arbeit machen. Wichtig: halte natürlich Datenschutzanforderungen ein. Prüfe das Ergebnis und notiere, was Du verändern möchtest. Kopiere jetzt den System Prompt aus der Datenbank, füge ihn in deinen AI Chatbot (was auch immer du nutzt) ein und passe ihn entsprechend deinen Wünschen an. Ergänze jetzt noch das Kontextwissen aus der Datenbank, um die Ergebnisse auf Dich und Dein Unternehmen zu personalisieren. Hier findest Du unseren Schritt-für-Schritt Guide zum Setup von AI Assistenten. Das Ergebnis : eine personalisierte Version des AI Assistenten in deiner gewohnten Umgebung. P.S. Du kannst natürlich auch mit den bereitgestellten GPTs arbeiten!
## Workflows vs. Agents - was Du wissen musst
URL: https://ai-first.ai/insights/workflows-vs-agents-was-du-wissen-musst
Kategorie: Lab
Untertitel: AI im Einsatz
Der aktuelle Hype und die Faszination um Agents ist unglaublich groß. Sie versprechen die Automatisierung von Arbeit in vielen Bereichen und die Einlösung großer Versprechen von Generativer KI. Aber... Agents sind oft NICHT der beste Weg zur Umsetzung von GenAI Use Cases! Meist liefern AI Workflows/regelbasierte Automationen die besseren Ergebnisse - mit weniger Komplexität. Anthrophic hat dazu einen großartigen Guide veröffentlicht aus dem ich Dir die wichtigsten Info's zusammengefasst und mit meinen Erfahrungen ergänzt habe. In diesem Artikel bekommst Du einen Überblick über 5 AI Workflows mit ihren Vorteilen und Anwendungsbeispielen - und wie sie sich von Agents unterscheiden. AI Workflow vs. AI Agent Starten wir zunächst mit der Defintion: AI Workflow Ein AI Workflow ist ein System, in dem Large Language Models und Tools durch vordefinierte Pfade orchestriert werden. Workflows bieten sich immer dann an, wenn der Ablauf einer Aufgabe klar ist. AI Workflows bieten Kontrolle und können komplexere, mehrschrittige Aufgaben abbilden, die mit einzelnen Prompts/Assistenten nicht gelöst werden können. ↳ Komplexere Aufgaben + Flexibilität + Leitplanken Plattformen zum Setup von AI Workflows AI Agent Ein AI Agent ist ein System, in dem Large Language Models ihre eigenen Prozesse und die Verwendung von Tools dynamisch steuern und dabei selbst kontrollieren, wie sie ihre Aufgabe erfüllen. Agents bieten sich für Probleme mit offenem Ausgang an, bei denen es schwierig ist, die erforderliche Anzahl von Schritten vorherzusagen und kein fester Pfad vorgegeben werden kann. Die Autonomie von Agents klingt zwar fantastisch, doch Autonomie bedeutet auch weniger Kontrolle über das Ergebnis. Das Ding entscheidet halt selbst, was es tut. ↳ Wie oft wollen wir das in Geschäftsprozessen? Plattformen zum Setup von AI Agents Quelle: Anthropic Workflow #1: Prompt Chaining Beim Prompt Chaining wird eine Aufgabe in eine Abfolge von Schritten zerlegt, wobei jeder Aufruf des Large Language Modells die Ausgabe des vorherigen verarbeitet. ✅ Hilfreich , wenn eine Aufgabe in klare Teilaufgaben zerlegt werden kann. Durch die Aufteilung der Aufgabe in Zwischenschritte wird die Qualität der Ausgabe gesteigert. 💡 Beispiel : Eine Gliederung eines Dokuments schreiben, prüfen ob die Gliederung bestimmte Kriterien erfüllt und dann das Dokument basierend auf der Gliederung verfassen ⚙️ Workflow: Quelle: Anthropic Workflow #2: Routing Routing klassifiziert eine Eingabe und leitet sie an eine spezialisierte Folgeaufgabe weiter. Dieser Workflow ermöglicht eine Trennung der Zuständigkeiten und den Aufbau spezialisierter Prompts. ✅ Hilfreich bei komplexen Aufgaben, bei denen es verschiedene Kategorien gibt, die besser getrennt behandelt werden. 💡 Beispiel: Verschiedene Arten von Kundendienstanfragen (allgemeine Fragen, Rückerstattungsanfragen, technischer Support) in unterschiedliche nachgelagerte Prozesse, Prompts und Tools weiterleiten ⚙️ Workflow: Quelle: Anthropic Workflow #3: Parallelisierung Bei der Parallelisierung arbeiten Large Language Models gleichzeitig an einer Aufgabe und führen anschließend ihre Ergebnisse zusammen. Parallelisierung wird oft in Kombination mit Routing verwendet. ✅ Hilfreich , wenn die gleichzeitige Bearbeitung der Teilaufgaben zur Steigerung der Geschwindigkeit beiträgt oder wenn mehrere Perspektiven für das Ergebnis benötigt werden. 💡 Beispiel: Mehrere LLMs analysieren parallel verschiedene Abschnitte eines langen Vertrags oder einer wissenschaftlichen Arbeit. Ein LLM prüft rechtliche Aspekte, ein anderes fachliche Genauigkeit, während ein drittes die Verständlichkeit bewertet. Die Ergebnisse werden am Ende zusammengeführt, um eine umfassende Analyse zu erstellen ⚙️ Workflow: Quelle: Anthropic Workflow #4: Orchestrierung Im Orchestrator-Workflow zerlegt ein zentrales LLM dynamisch Aufgaben, deligiert sie an andere LLMs die die Aufgaben bearbeiten und synthetisiert am Ende deren Ergebnisse. ✅ Hilfreich für komplexe Aufgaben, bei denen die benötigten Teilaufgaben nicht vorhersehbar sind. Der Hauptunterschied zur Parallelisierung liegt in der Flexibilität - Teilaufgaben sind nicht vordefiniert, sondern werden vom Orchestrator basierend auf der spezifischen Eingabe bestimmt. 💡 Beispiel: Suchaufgaben, die das Sammeln und Analysieren von Informationen aus mehreren Quellen auf mögliche relevante Informationen beinhalten ⚙️ Workflow: Quelle: Anthropic Workflow #5: Evaluierung Im Evaluaierungs-Workflow generiert ein LLM-Prompt eine Antwort, während ein anderer Prompt Bewertung und Feedback in einer Schleife bereitstellt. ✅ Hilfreich , wenn klare Bewertungskriterien vorliegen und wenn iterative Verfeinerung messbaren Mehrwert bietet. Die zwei Anzeichen für eine gute Eignung sind a), dass LLM-Antworten nachweislich verbessert werden können, wenn ein Mensch sein Feedback artikuliert, und b), dass das LLM solches Feedback geben kann. 💡 Beispiel: Komplexe Suchaufgaben, die mehrere Runden des Suchens und Analysierens erfordern, um umfassende Informationen zu sammeln, wobei der Evaluator entscheidet, ob weitere Suchen gerechtfertigt sind. ⚙️ Workflow: Quelle: Anthropic Autonomer Agent Im Vergleich zu den Workflows sind Agents autonome KI-Systeme, die mithilfe von Large Language Models (LLMs) komplexe Aufgaben selbstständig planen und ausführen können. Sie zeichnen sich durch ihre Fähigkeit aus, Eingaben zu verstehen, logisch zu denken, Tools zuverlässig einzusetzen und aus Fehlern zu lernen. Ein Agent beginnt seine Arbeit entweder durch einen direkten Befehl oder durch interaktive Kommunikation mit dem Benutzer. Sobald die Aufgabe klar definiert ist, arbeitet der Agent eigenständig, wobei er bei Bedarf zum Menschen zurückkehren kann, um weitere Informationen oder Entscheidungen einzuholen. ✅ Hilfreich für Probleme mit offenem Ausgang, bei denen es schwierig ist, die erforderliche Anzahl von Schritten vorherzusagen und kein fester Pfad vorgegeben werden kann. 💡 Beispiel: Automatisierter Software-Entwickler: Analysiert Anforderungen und plant Entwicklungsschritte Schreibt, testet und debuggt Code selbstständig Nutzt verschiedene Entwicklungstools und Dokumentationen Holt bei kritischen Entscheidungen Feedback vom Entwicklungsteam ein ⚙️ Workflow: Quelle: Anthropic 🏁 Fazit Der Hype um Agents ist so groß wie nie zuvor und wir werden 2025 noch viel von ihnen hören. Für die meisten Anwendungsfälle benötigen wir jedoch keine Agents, sondern gut strukturierte Workflows in denen wir Large Language Models richtig einsetzen. Durch Workflows kannst Du spezialisierte Prompts und Assistenten auf's nächste Level bringen, ohne dabei an Kontrolle und Leitplanken einzubüßen. Key Takeaways: AI Workflows werden für Aufgaben mit klar definierten Schritten eingesetzt. 5 typische Ansätze für Workflows sind : Chaining, Routing, Parallelisierung, Orchestrierung und Evaluierung. Alle Ansätze können auch miteinander kombiniert werden. Starte so einfach wie möglich mit einem Prompt. Erweitere den Prompt um einen Workflow, falls notwendig. Setze Agents für komplexe, offene Problemstellungen ein. Wir nutzen aktuell nur einen Bruchteil der Möglichkeiten von Large Language Models. Mit diesen Workflows holst Du mehr aus ihnen heraus.
## 12 Neuerungen von OpenAI
URL: https://ai-first.ai/insights/12-neuerungen-von-openai
Kategorie: Horizont
Untertitel: OpenAI's Jahresendspurt & was uns das über die Zukunft verrät
Herzlich Willkommen zum AI FIRST Newsletter! Wer hätte gedacht, dass die letzten Wochen des Jahres in der AI-Welt noch einmal so spannend werden? OpenAI hat mit seiner "Shipmas" Aktion 12 Produkt-Ankündigungen in 12 Tagen gemacht und damit mächtig Bewegung in den Markt gebracht. Auch andere Anbieter wie zB Google sind wieder mitgezogen und wir als Anwender von AI können uns über viele neue Möglichkeiten freuen. Im letzten Newsletter diesen Jahres gebe ich Dir einen Überblick über die Ankündigungen und was wir daraus für die Zukunft ableiten können. Let's go. #1: Vollständiges o1-Modell und ChatGPT Pro Das vollständige o1-Reasoning-Modell wurde freigegeben, das komplexe Probleme durch Kettendenken lösen kann. Es ist 50% schneller als die Vorschauversion und macht 34% weniger schwerwiegende Fehler. Zusätzlich wurde ein neues Premium-Abonnement namens ChatGPT Pro für 200 Dollar pro Monat eingeführt, das unbegrenzten Zugang zum o1-Modell sowie der Video-KI Sora bietet (noch nicht in DE verfügbar). Link zum Video Ich bin leider selbst noch nicht zum testen gekommen, doch habe einen guten Testbericht gefunden: Was Du daraus ableiten kannst: Verschiedene Modelle für verschiedene Use Cases: o1 gut für Mathematik/Coding, GPT4o für Alltagsaufgaben, Claude 3.5 Sonnet für Copywriting. Anbieter könnten jetzt anfangen die Kosten zu steigern, um die hohen Verluste zu reduzieren. Aus diesem Grund bleibt eine Multi-Modell Strategie aus Open und Closed-Source wichtig ! #2: Reinforcement Fine-Tuning OpenAI erweiterte sein "Reinforcement Fine-Tuning Research Program", das Entwicklern und ML-Engineers ermöglicht, Expertenmodelle für spezifische, komplexe Aufgaben zu erstellen. Diese Ankündigung richtet sich hauptsächlich an Entwickler und deutet auf eine Zukunft hin, in der Unternehmen und möglicherweise sogar Einzelpersonen domänenspezifische Modelle trainieren können. Link zum Video Was Du daraus ableiten kannst: Dieser Schritt deutet auf einen Trend im hin, bei dem die Personalisierung und Spezialisierung von KI-Modellen für bestimmte Aufgaben und Branchen zunehmend in den Vordergrund rückt. Das "erschlagen" sämtlicher Anwendungsfälle mit allgemein-trainierten großen Sprachmodellen ist auf Dauer wenig effizient und effektiv. Spezialisierte Sprachmodelle für bestimmte Anwendungsfälle werden aus Kosten- und Qualitätsgründen immer wichtiger werden. #3: Sora OpenAI veröffentlichte Sora, sein hochmodernes Videogenerierungsmodell, das Texte in Videos von 5 bis 20 Sekunden Länge umwandeln kann. Das Tool bietet verschiedene Auflösungen und Seitenverhältnisse sowie ein Storyboard-Tool zur präzisen Kontrolle der Videos. Link zum Video Was Du daraus ableiten kannst: Nachdem Text, Bild und Audio in der Qualität extrem fortgeschritten sind, ist jetzt Video dran. Weiterhin bleibt die Erstellung von Videos teuer und die Kontrolle der Inhalte schwierig, weshalb OpenAI dafür direkt diverse Features mitliefert. Video-KIs werden eine riesige Content-Schwemme auf sozialen Medien auslösen. Durchschnittliche Inhalte werden bedeutunglos. Authentizität und originelle Ideen werden immer wichtiger. #4: Updates für ChatGPT Canvas OpenAI verbesserte die Canvas-Funktion in ChatGPT. Canvas kann nun Code ausführen und wird nicht mehr als separates Modell behandelt. Zudem können GPTs (angepasste ChatGPT-Versionen) jetzt auch Canvas nutzen, was die Funktionalität und Flexibilität des Tools erweitert. Was Du daraus ableiten kannst: Die Canvas Funktion ist ein Beispiel für einen Trend, den wir weiterhin sehen werden. Größere Sprachmodelle werden immer teurer (in der Entwicklung und im Betrieb), aber durch Funktionen wie Canvas können die schon vorhandenen Modelle deutlich intuitiver in der Nutzung werden. Auch ich erlebe meistens, dass Tools wie ChatGPT nicht richtig eingesetzt werden, was auch an der schlechten UX liegt. Anstatt also immer nur größere Modelle zu entwickeln, arbeiten Anbieter wie OpenAI an Features um die vorhandenen Modelle besser nutzbar zu machen. #5: Apple Intelligence OpenAI integrierte ChatGPT in Apples Betriebssysteme, was eine engere Zusammenarbeit zwischen den beiden Unternehmen zeigt. Diese Integration ermöglicht es Nutzern, ChatGPT nahtlos auf Apple-Geräten zu verwenden und von den KI-Fähigkeiten in verschiedenen Apple-Anwendungen zu profitieren. Was Du daraus ableiten kannst: KI kommt da hin, wo wir arbeiten und leben. Sprachmodelle werden als Feature in viele Produkte integriert: Smartphones, Software, Autos, Kühlschränke. Im Unternehmen wird es immer wichtiger werden, diese Funktionen richtig einzusetzen, um wettbewerbsfähig zu bleiben. In der Entwicklung von Produkten und Erbringung von Services müssen KI-Fähigkeiten mitgedacht werden, um das beste Produkt und Erlebnis für den Kunden zu gewährleisten. Es wird auf kurz oder lang keine leistungsfähige Software mehr ohne KI im Kern geben. #6: Multimodaler Advanced Voice Mode (und Santa Mode) Der Advanced Voice Mode wurde um Videounterstützung und Bildschirmfreigabe erweitert, was die Interaktionsmöglichkeiten mit ChatGPT erweitert. Du kannst jetzt dein Umfeld per Video zeigen und dazu Fragen stellen oder das Gesehene anderweitig verarbeiten lassen. Link zum Video Zusätzlich wurde ein "Santa Mode" eingeführt, der ChatGPT in einen festlichen Begleiter verwandelt und besonders für Unterhaltung und Spaß während der Feiertage gedacht ist. Der Santa Mode ist meiner Meinung nach nur ein kleines Ablenkungsmanöver, um eine Technologie die immer mächtiger wird, weiterhin harmlos wirken zu lassen. Was Du daraus ableiten kannst: Auch hier setzt sich der Trend fort, dass Features um Sprachmodelle entwickelt werden, welche die Nutzung verbessern. Außerdem werden KI-Systeme maximal flexibel in der Verarbeitung von Inputs: egal ob Sprache, Text, Code, Dateien oder jetzt auch Video. Assistenten wie ChatGPT können diese Inputs verarbeiten und basierend darauf Aktionen ausführen. Damit werden sie zum ultimativen Assistenten im (Arbeits-)Alltag. #7: Projekte und Ordner für ChatGPT OpenAI führte die Funktion "ChatGPT Projects" ein, die es Nutzern ermöglicht, ihre Arbeit in ChatGPT besser zu organisieren. Diese Funktion ist zunächst für Plus-, Pro- und Teams-Nutzer verfügbar und soll 2025 auch für kostenlose Nutzer zugänglich gemacht werden. In Projects können thematisch zusammengehörige Chats, Dateien und Prompts in einem Projekt gebündelt werden, wodurch der Kontext über mehrere Sitzungen hinweg erhalten bleibt und die Effizienz bei der Arbeit mit dem KI-Assistenten gesteigert wird. Was Du daraus ableiten kannst: Kontext ist König bei der Arbeit mit Sprachmodellen und KI Assistenten. Je mehr sie über Dich, dein Unternehmen, deine Prozesse etc. wissen, umso relevanter sind die Antworten. Funktionen wie “Projects” zeigen uns, dass es immer einfacher werden wird, den Assistenten sämtliches Wissen über uns bereitzustellen. Fraglich nur, ob wir das alles in ChatGPT haben wollen… #8: Suche Am achten Tag präsentierte OpenAI Verbesserungen der Suchfunktion in ChatGPT. Die Suchfunktion wurde um Echtzeit-Informationen erweitert und bietet nun eine bessere Integration von Karten und interaktiven Widgets. Die Suchfunktion wird jetzt auch für kostenlose Nutzer verfügbar gemacht. Was Du daraus ableiten kannst: Neben Perplexity greift auch OpenAI den von Google dominierten Suchmarkt an. KI Assistenten werden durch die Suche ein wichtigeres Interface über das immer mehr Aktionen abgewickelt werden. Für Unternehmen ist dies relevant, da es eine Verschiebung in der Art und Weise andeutet, wie Informationen gesucht und verarbeitet werden, was neue Strategien für digitales Marketing und Kundeninteraktion erfordert. Aktuell sind die Suchanfragen über KI Tools aber noch verhältnismäßig gering. #9: Entwickler-Tools OpenAI hat natürlich auch die Entwickler-Tools und APIs verbessert: o1 Modell mit stärkeren Reasoning-Fähigkeiten wird jetzt per API bereitgestellt. Realtime API zur Sprachverarbeitung wird 60% günstiger. Was Du daraus ableiten kannst: Durch leistungsfähigere, flexiblere und günstigere APIs wird die Einbindung von Sprachmodellen in Software immer weiter zunehmen. Die Fähigkeiten zur natürlichen Sprachverarbeitung und Erzeugung aus ChatGPT werden Einhalt in immer mehr Business-Software und Alltagsprodukte finden. Auch hier sollte eine Multi-Modell-Strategie beachtet werden, um den Lock-In eines Anbieters zu vermeiden. #10: 1-800-ChatGPT ChatGPT kann jetzt angerufen werden (nur in den USA) und per WhatsApp kontaktiert werden. Füge dafür einfach +18002428478 als Kontakt hinzu. Die Antworten basieren auf dem o1-mini-Modell und sind auf den Wissensstand von Januar 2022 beschränkt. Was Du daraus ableiten kannst: OpenAI versucht weiter Marktanteile zu gewinnen und Nutzungsbarrieren abzubauen - das Ziel: 1 Mrd. Nutzer in 2025. Wir dürfen nicht vergessen, dass die meisten Menschen noch gar nicht oder nur rudimentär Tools wie ChatGPT genutzt haben. Durch die WhatsApp Integration können Nutzungsbarrieren reduziert werden, um ChatGPT einer breiten Masse zugänglich zu machen - und später zu monetarisieren. #11: Arbeit mit Apps OpenAI hat mit dem "Work with Apps"-Update für die ChatGPT Desktop-App die Integration mit verschiedenen Produktivitäts- und Entwicklungsanwendungen erheblich verbessert, darunter Apple Notes, Notion und IDEs wie Xcode. Zusätzlich wurde die Sprachsteuerungsfunktion erweitert, sodass Nutzer nun auch sprachgesteuert mit diesen Anwendungen interagieren können, während gleichzeitig der Datenschutz durch manuelle Aktivierung der App-Integrationen gewährleistet bleibt. Link zum Video Was Du daraus ableiten kannst: Damit zeigt OpenAI klar den Weg zu "Agentic AI" auf, bei der ChatGPT nicht nur auf Befehle reagiert, sondern aktiv mit Benutzern zusammenarbeitet, um Aufgaben effizient zu erledigen. Spracheingaben könnten die zentrale Steuerung werden. Somit haben wir unseren Sparringspartner immer dabei und können wie mit einem Kollegen kommunizieren und Aufgaben delegieren. #12: Ankündiung der Modell-Generation o3 Das Beste kam zum Schluss! OpenAI hat die neue Modellreihe "o3" vorgestellt, bestehend aus o3 und o3-mini. Die Modelle werden schrittweise eingeführt, wobei o3-mini Ende Januar und o3 kurz danach verfügbar sein sollen. In Benchmark Tests schneidet o3 beeindruckend ab: 87,5% bei ARC-AGI (o1 lag bei 30%) 25,2 % Frontier Math von EpochAI (kein anderes LLM erreichte 2%) 96,7% bei AIME 2024 (nur 1 Frage falsch) 71,7% bei Software-Engineering (o1 war 48,9%) 87,7 % auf PhD-Niveau Wissenschaftsfragen (besser als menschl. Experten) Damit schlägt o3 alles, was wir bisher gesehen haben. Mit weitem Abstand. Was Du daraus ableiten kannst: Der Fortschritt in den Benchmarks ist beeindruckend und ein klares Signal, dass wir wohl doch noch nicht das Plateau der Leistungsfähigkeit von Sprachmodellen gesehen haben. Basierend auf den Benchmarks könnte o3 in der Lage sein, viele kognitive Aufgaben effizienter zu lösen als ein Mensch - auch wenn das für den Moment noch extem teuer ist. o3 ist damit ein großer Durchbruch in der Entwicklung von Künstlicher Intelligenz. Ich bleibe dabei: Wir müssen diese Technologie verstehen und anwenden lernen, wenn wir in der Wirtschaftswelt wettbewerbsfähig bleiben wollen. Das Tempo bleibt vorerst hoch. 🏁 Fazit Mit Shipmas hat OpenAI wieder einmal viel Bewegung in die AI-Welt gebracht. Aus den vorgestellten Features, Partnerschaften und Verbesserungen können wir einige Trends für das kommende Jahr ableiten. Key Takeaways: Features: Funktionen wie Projects, Canvas und die Apps werden helfen, die schon vorhandenen Modelle noch stärker zu heben und alle kommenden Modelle noch wertvoller zu machen. Selbstgebaute Workflows mit Make/Zapier oder Agent-Plattformen werden wahrscheinlich immer mehr obsolet, da viele der Funktionen im Laufe des nächsten Jahres direkt in Tools wie ChatGPT angeboten werden. Modelle: Das Plateau von Sprachmodellen scheint noch nicht erreicht, womit OpenAI mal wieder überrascht. Es bleibt abzuwarten, wie o3 im Live-Betrieb funktionieren und zu welchem Preis. Das Video-Rennen ist eröffnet: Sora ist offiziell verfügbar und Google hat mit Veo 2 direkt nachgezogen. Video wird in 2025 noch ganz groß werden und uns viel Kummer in Sozialen Medien bereiten. Die Zukunft ist agentisch: Durch Integrationen in andere Systeme, Internetsuche und Bedienung des PCs werden AI-Modelle immer mehr Aufgaben für uns übernehmen. Agenten kommen 2025 in die Büros und werden die Art und Weise, wie intelligente Fleißarbeit erledigt wird, auf den Kopf stellen. Eine Welt in der Büromitarbeiter diese Agents ganz einfach steuern können indem sie ihren Bildschirm teilen und in ein Mikrofon sprechen, ist greifbar. Was für ein Endspurt in 2024! Das Entwicklungstempo bleibt enorm hoch. Jetzt gilt mehr denn je: AI verstehen, Potenziale für unsere Unternehmen ableiten und die Anwendung meistern. Diesen Weg muss jeder für sich selbst gehen. Die Technologie ist jedenfalls bereit. Auch in 2025 können wir uns auf ein mindestens genauso spannendes AI-Jahr einstellen. Dir wünsche ich frohe Weihnachten und wir hören uns nach einer kurzen AI FIRST Pause in 2025 wieder.
## Dein Kompass für die AI-Ära
URL: https://ai-first.ai/insights/dein-kompass-fuer-die-ai-aera
Kategorie: Adoption
Untertitel: AI FIRST Launch: Die Plattform für AI-Pioniere
Vor 6 Monaten habe ich in diesem Newsletter angefangen, jede Woche einen Artikel mit umsetzbaren Strategien zum Einsatz von Künstlicher Intelligenz in Arbeit und Unternehmen zu schreiben. Meine Motivation war damals ganz einfach: a) Helfen, die wichtigste Technologie unserer Zeit zu verstehen. b) Menschen und Organisationen in die Umsetzung bringen. Aus dem Newsletter entstand der AI FIRST Podcast , in dem KI-Verantwortlichen aus Unternehmen über die Herausforderungen und Lösungsansätze der KI-Transformation sprechen. Über 5.000 Menschen erreichen wir jede Woche mit diesen Formaten 🙏 Parallel durfte ich allein in 2024 mit über 30 Unternehmen an der Entwicklung und Umsetzung von AI Adoption Programmen arbeiten, wo wir 8.000+ Mitarbeiter AI-ready gemacht haben und ein Playbook entwickelten, das vom Hype zu Ergebnissen bringt. Doch all das reicht nicht. Es gibt noch viel mehr zu tun. Während sich die Entwicklung von KI als Basistechnologie weiter beschleunigt, sind die meisten Menschen und Organisationen weit davon entfernt, in der AI-Ära wettbewerbsfähig zu bleiben. Es fehlt an grundlegenden Kompetenzen, um die Chancen dieses neuen Zeitalters zu nutzen. Aus diesem Grunde launchen wir heute die AI FIRST Plattform . Unsere Mission: "Wir verwandeln Organisationen und Menschen in Vorreiter der AI-Ära – bereit, Grenzen zu sprengen, individuelle Potenziale zu entfalten und ihre Märkte zu dominieren." ­ Warum AI-First? AI-First ist eine Haltung , die auf dem Prinzip beruht, die Stärken von Mensch und Technologie zu kombinieren, um Effizienz, Innovation und Wertschöpfung auf ein neues Niveau zu heben. Mit dieser Haltung können Unternehmen und Menschen ihr volles Potenzial entfalten. Wie das AI-First - Prinzip wirkt: Kleine Teams, großer Output: Mit der Unterstützung von KI können kleine Teams Ergebnisse erzielen, die früher ganze Abteilungen erfordert hätten. Teams, die eng mit KI zusammenarbeiten, werden unsere neue Realität. Skalierbare Prozesse: Menschen werden in Prozessen von repetitiven, langweiligen und wenig-wertstiftenden Aufgaben durch KI befreit. Weniger Engpässe in Prozessen und menschliche Zeit für das, was zählt: Kundenbeziehungen und Innovationen. Das beste Produkt für den Kunden: AI-First Unternehmen schaffen es, Produkte und Dienstleistungen anzubieten, die schneller, günstiger und kundenorientierter sind – und damit einen echten Wettbewerbsvorteil sichern. Ein paar Beispiele dafür: • Choco's AI-First Ansatz • Klarna's Customer Support Assistent • Ant Group's 310 Kreditmodell • DoNotPay's KI-Anwalt • Serviceplan's Masumi Agent Das sind nur wenige der rasant wachsenden Anzahl an AI-First Organisationen und Geschäftsmodelle. Diese Organisationen, und die Menschen dahinter, sind die Gewinner der neuen Ära. ­ AI-First Adoption Die AI-First Transformation geschieht auf 3 Ebenen : AI-First als Individuum: Jeder Einzelne muss lernen, Künstliche Intelligenz im Arbeitsalltag produktiv, sicher und verantwortungsvoll einzusetzen. AI-First als Team: Wenn wir auf individueller Ebene gelernt haben, Künstliche Intelligenz in unseren Arbeitsalltag zu integrieren, können wir die Vorteile auf das gesamte Team anwenden. Jetzt geht es darum, Prozesse und die Art der Zusammenarbeit neu zu denken. In der 2. Ebene wird Künstliche Intelligenz als ein Team-Mitglied verstanden und genutzt. Aufgaben werden neu aufgeteilt und die Zeit der Menschen wird für die wertvollsten Tätigkeiten priorisiert. AI-First als Unternehmen: In der 3. Ebene stellt sich das gesamte Unternehmen AI-First auf. In dieser Ebene werden nicht nur Prozesse, sondern auch Services und Geschäftsmodelle neu gedacht und mit KI neu ausgerichtet. Künstliche Intelligenz ist fester Bestandteil der Kultur und Strategie. Warum das wichtig ist: Die nächste Dekade wird von Künstlicher Intelligenz als Basistechnologie dominiert. So wie Elektritzität jede Branche, jedes Unternehmen und jeden Beruf fundamental verändert hat, wird KI jetzt das gleiche tun. AI-First ist der Schlüssel, um in dieser Ära zu den Gewinnern zu zählen. ­ Dein Kompass für die neue Ära Wir wollen AI FIRST zu deinem Kompass für die neue Ära machen. Wissen, das dich voranbringt. Unser Ziel ist es, dir genau die Strategien, Taktiken und Einblicke zu geben, die du brauchst, um AI zu verstehen und anzuwenden. Du bekommst wöchentliche Artikel mit umsetzbarem Wissen. Zum Beispiel: • Das AI Adoption Playbook • Finde Deine GenAI Use Cases • AI Agents: Die Automatisierung von Arbeit Podcast mit Praxisperspektiven: Jede Woche interviewen wir Menschen, die in ihrem Unternehmen für die Einführung und Nutzung von KI verantwortlich sind. Sie teilen ihre Erfahrungen, Herausforderungen und Lösungsansätze – aus der Praxis, für die Praxis. • ogGPT: Wie Otto 30.000 Mitarbeiter AI-fit macht • GetYourGuide's Ansatz für AI-Produktivität • Wie Drees & Sommer eine AI Vision entwickelt & umsetzt Einordnung von neuen Entwicklungen & Community (bald) Jede Woche neue Tools, Modelle, Durchbrüche in der Forschung und Hype-Meldungen: was ist davon wirklich wichtig? Wir wollen dich durch den Dschungel navigieren, News kuratieren und dir helfen, Dich auf das Wesentliche zu konzentrieren. Außerdem glauben wir an die Kraft von kleinen, vertrauensvollen Communities. Wir werden die AI FIRST Community in Zukunft direkt vernetzen und Austausch fördern. ­ Ressourcen, die dir sofort helfen. Theorie allein reicht nicht. Du brauchst die richtigen Werkzeuge, Frameworks und Leitfäden, um AI wirklich in die Praxis umzusetzen. Unsere Ressourcen helfen dir dabei, den Weg von der Idee zur Umsetzung zu verkürzen und schneller Ergebnisse zu erzielen. • Eine kuratierte Tools-Datenbank: Hier findest du die besten Werkzeuge für deinen spezifischen Anwendungsfall – sorgfältig ausgewählt, damit du nicht lange suchen musst. • Eine Datenbank mit AI-Anwendungsfällen: Beispiele aus der Praxis, die dir zeigen, wie andere Unternehmen AI nutzen und welche Ergebnisse sie damit erzielen. (Kommt im Januar) • Eine Sammlung von sofort nutzbaren AI-Assistenten: Du kannst diese Assistenten direkt einsetzen oder an deine Bedürfnisse anpassen. Eine Datenbank wird sukzessive erweitert. • AI Adoption Guides und Vorlagen: ◦ Prompt-Engineering: Wie du präzise Anweisungen für KI schreibst. ◦ Assistenten und Agenten: Wie du KI in deinen Teams integrierst. ◦ GenAI-Policy: Wie du Richtlinien für den Einsatz von KI in deinem Unternehmen entwickelst. Die Ressourcen werden in den kommenden Monaten immer weiter ausgebaut. ­ Partner, die AI mit Dir umsetzen. Künstliche Intelligenz verändert das gesamte Unternehmen. Auf dieser Reise kannst Du auf uns als Partner zurückgreifen, die diesen Weg bereits gegangen sind. Wir haben drei aufeinander aufbauende Angebote entwickelt, die Dein Unternehmen zum Vorreiter in der AI-Ära positionieren. Management Workshop Wir helfen Dir und deinem Führungsteam, den Einfluss von KI auf Dein Unternehmen zu verstehen und ein klares Zielbild zu entwickeln. AI-Adoption-Programm Wir bauen deine AI Initiative auf und bringen euch in die Umsetzung: • Auswahl der richtigen technischen Plattform. • Aufbau von AI-Ambassadors, die wir gezielt schulen. • Entwicklung und Umsetzung der Anwendungsfälle, inklusive Setup von AI-Assistenten und Agenten in deinen Teams. • Umsetzung eines Schulungsprogramms für EU AI Act Compliance und Kompetenzaufbau. • Entwicklung einer langfristigen Roadmap. Strategisches Coaching Für Unternehmen, die bereits erste Schritte gemacht haben, bieten wir fortlaufende Beratung. Dabei begleiten wir dich bei der weiteren Skalierung von KI-Anwendungen und unterstützen dich dabei, Chancen zu erkennen, Hindernisse zu überwinden und deine Strategie anzupassen. Blick in die Zukunft Die AI-Ära hat längst begonnen. Investitionen in Milliarden-Höhe werden die Disruption traditioneller Geschäftsmodelle, Arbeitsweisen und Organisationsstrukturen immer weiter vorantreiben. In wenigen Jahren werden: 1. Digitale Dienstleistungen anders erbracht als heute 2. Heutige Bürojobs in großen Teilen von KI erledigt 3. Ganz neue Geschäftsmodelle auf KI aufgebaut sein 4. Unternehmen in Teams aus Menschen + KI organisiert sein Der Wandel wird größer sein, als wir uns das heute vorstellen können. Wer Künstliche Intelligenz als Basistechnologie nicht einsetzt, wird in der Wirtschaftswelt keine Chance mehr haben. Gewinner wird eines vereinen: ein AI-First Mindset. Jetzt geht es darum, die Kompetenzen für diese neue Ära zu entwickeln, um die eigene Zukunft proaktiv gestalten zu können. Und genau dafür treten wir an: Organisationen und Menschen in Vorreiter der AI-Ära zu verwandeln – bereit, Grenzen zu sprengen, individuelle Potenziale zu entfalten und ihre Märkte zu dominieren.
## AI-First: 5 Lektionen aus der AI-Transformation
URL: https://ai-first.ai/insights/ai-first-5-lektionen-aus-der-ai-transformation
Kategorie: Adoption
Untertitel: Welche fünf Erkenntnisse Du unbedingt beachten solltest
Ich möchte mit einem kurzen Gedankenexperiment beginnen. Stell Dir vor, dein Unternehmen verliert 80% der Mitarbeiter. Was würdest du tun, um weiter zu wachsen ? Das war meine Situation Anfang 2023, als ich als CEO ein Unternehmen übernahm, das Insolvenz angemeldet hatte. Im Rahmen der Insolvenz hat sich das Team radikal verkleinert: von 100 auf 18 Mitarbeiter. Nur so konnten wir nachhaltig profitabel werden. 9 Monate später hatten wir 90%+ vom Umsatz gehalten und die ersten neuen Kunden gewonnen. Mit 80% kleinerem Team. Der Schlüssel: ein AI-First Mindset. Seitdem durfte ich viele Mittelständler beim Einsatz von (Gen)AI begleiten und teile heute 5 Lektionen aus den letzten Jahren. Let's go. ­ Lektion 1: AI verändert das GESAMTE Unternehmen Generative KI und Sprachmodelle haben Künstlicher Intelligenz eine nie dagewesene Dynamik und Geschwindigkeit beschert. Anfangs dachte ich, dass Generative KI insbesondere im Marketing und als Produkt-Feature eingesetzt wird. In den letzten 24 Monaten ist mir immer bewusster geworden, dass jeder Bereich verändert wird. Ich habe die Veränderung des Unternehmens auf 3 Ebenen erfahren: Produkt Wir hatten bei zenloop ein Produkt entwickelt, das Millionen Kundenfeedbacks analysiert und Maßnahmen zur Verbesserung der Kundenbindung generiert. Die Auswertung basierte auf Machine Learning und Natural Language Processing - also hatten wir schon AI integriert. Mit Large Language Models konnten wir auf einmal unseren Datenschatz viel stärker heben, tiefere Insights generieren und individuelle Reports aufbereiten. Mit jeder neuen Modell-Generation wuchs die Qualität vom Output. Außerdem waren neue Features viel leichter umsetzbar: zum Beispiel dynamische, personalisierte Fragen, die basierend auf der Freitext-Antwort in einer Umfrage ausgespielt werden. Prozesse Mit dem AI-First Ansatz haben wir jeden Prozess und jede Aufgabe aus AI-Perspektive hinterfragt und geprüft, was wirklich noch von einem Menschen getan werden muss und was die Maschine übernehmen kann. Mit folgenden Prozessen sind wir gestartet: Support: alle Anfragen klassifizieren und Standardfragen beantworten Marketing: Content-Erstellung & Recycling für Social Media und Website Sales: Lead-Recherche, Qualifizierung, Meeting Vor- und Nachbereitung Finance: Monats- und Quartalsberichte vorkommentieren Produkt: User Interviews auswerten und User Stories schreiben Engineering: Code vervollständigen, debuggen, Tests schreiben Dadurch wurde Zeit freigesetzt, die auf wertschöpfende Tätigkeiten (Zeit mit Kunden, Produktentwicklung, Weiterbildung) verwendet werden konnte. Team Wir haben für jeden Bereich ein Team aus AI Assistenten integriert, die man als digitale Kollegen betrachten kann: Meeting Assistent : Hilft bei der Meeting-Vorbereitung, transkribiert das Meeting, fasst es zusammen, schickt das Follow Up Brainstorming Partner: Hilft bei der Ideenfindung und -qualifizierung Legal Assistent: Hilft bei der Vorprüfung von Verträgen und Angeboten Durch den Einsatz von gut trainierten AI Assistenten konnten Rollenprofile breiter werden. Wofür vorher 3 Spezialisten notwendig waren, konnte 1 Generalist + 2 AI Assistenten ähnlich gute Ergebnisse liefern (gilt natürlich nicht für alle Funktionen). ­ Lektion 2: AI ist Teamwork. Nicht IT-Work Künstliche Intelligenz ist längst kein rein technisches Thema mehr. Während “traditionelle AI” (aka Machine Learning) stark von IT, Engineering und Data-Teams getrieben wurde, erfordert Generative AI eine Veränderung der Arbeitsweise im gesamten Unternehmen. Warum ist das so? Durch die Fähigkeit, neue Inhalte auf Basis natürlicher Sprache zu erstellen, hat GenAI ein extrem breites Anwendungsspektrum, insbesondere in "PC-Berufen". Dieses Spektrum hat sich in den letzten 2 Jahren vergrößert durch multimodale Modelle, die jegliche Form von Input verarbeiten und Output erzeugen können. Vom Schreiben einer E-Mail bis zum Coding einer App oder der Analyse eines Finanzberichts - es ist alles möglich. Wer diese Fähigkeiten in die eigene Arbeit und das Unternehmen integriert, hat selbstverständlich Produktivitätsvorteile. Was bedarf es dafür? Prozesse müssen neu gedacht werden Rollen müssen neu gedacht werden Routinen müssen umgestellt werden Kommunikation verändert sich Das betrifft und verändert alle Bereiche und alle Hierarchieebenen. Die IT kann das nicht alleine stemmen - das ist eine Teamaufgabe. Um diese Veränderung zu managen und die Potenziale zu integrieren, setze ich heute auf einen organisatorischen 3-Klang: AI Lead AI Kommittee AI Ambassadors ­ Lektion 3: Nicht alle werden glücklich sein 2023 gab es rund um AI viel FOMO - fear of missing out. 2024 hat sich FOMO in FOBO verwandelt – Fear of becoming obsolete. Besonders in wissensbasierten Berufen wird schnell klar, dass KI mit der Zeit viele Aufgaben ersetzen wird. Der schnelle Fortschritt der Modelle und Tools verstärkt diesen Effekt noch. Das kann existenzielle Ängste auslösen. Eine wichtige Lektion für mich war, dass Antworten auf diese Ängste gefunden werden müssen, um Widerstände aufzulösen und eine Chance zu haben, die Vorteile Künstlicher Intelligenz hebeln zu können - denn ohne die Menschen wird's vorerst nicht funktionieren. Was sind die wichtigsten Fragen? Was bedeutet Künstliche Intelligenz für uns? Wo sehen wir die Potenziale und Risiken? Wie wollen wir diese realisieren? Was heißt das für Dich? Eine klare Kommunikation mit Zielbild und Fahrplan ist DER Grundstein, um Widerstände zu überwinden und das Team für die Technologie zu gewinnen. Lektion 4: Unterstützung > Automatisierung 2022 ging ich davon aus, dass wir viele Aufgaben durch den Einsatz von GenAI automatisieren könnten. Die generativen Fähigkeiten konnten hervorragend in bestehende Prozesse eingesetzt und menschliche Tätigkeiten ablösen - so die Annahme. Deshalb sind wir neue Use Cases mit dem Ziel angegangen, den Prozess Ende-zu-Ende zu automatisieren. Im Nachhinein war das natürlich Blödsinn. Die Output-Ergebnisse waren immer wieder die gleichen: Wir kommen schnell auf ein 80% Qualitätslevel Mit viel Aufwand kommen wir auch auf 90% Nur bei sehr einfachen, repetitiven Aufgaben haben wir zuverlässig 99,x% Output-Qualität erreicht Ergo : wir brauchten menschliche Qualitätskontrolle (“Human in the Loop”) Das liegt daran, dass GenAI nicht deterministisch ist, sondern die Wahrscheinlichkeit für einen Output berechnet. Und dieser Output kann auch mal falsch sein. Also veränderten wir unseren Ansatz dahingehend, neue Use Cases mit AI Assistenten zu testen, die von Mitarbeitern gesteuert wurden. Waren die Ergebnisse zuverlässig gut, haben wir den Assistenten in den Prozess integriert. ­ Lektion 5: AI kommt da hin, wo wir arbeiten Auch auf technischer Ebene habe ich einige Fehler gemacht: insbesondere bei der Eigenentwicklung von Lösungen. Eigenentwicklung hat Sinn gemacht in unserem eigenen Produkt, war aber verschwendete Energie in vielen anderen Prozessen. In den letzten 12 Monaten sind GenAI-Features in viele Software-Produkte integriert worden: Im Newsletter-Tool kann ich den Betreff generieren Im Support-Tool kann ich Antwortvorlagen schreiben Im Meeting-Tool kann ich eine Zusammenfassung erstellen Damit wurden viele unserer selbstgebauten Lösungen und Workflows überflüssig. Die Anbindung der Daten und Integration in die Benutzeroberfläche bei bestehenden Tools war meist besser. Anstatt alles selbst zu entwickeln, fragten wir unsere bestehenden Anbieter nach der AI Roadmap, hebelten die bereitgestellten Funktionen bestmöglich und ergänzten No-Code Workflows für spezielle Prozesse. So konnten wir Ressourcen sparen und effizient arbeiten.­ 🏁 Fazit Künstliche Intelligenz wird die Art und Weise wie Services erbracht werden und wie Unternehmen funktionieren vollständig verändern. Vor 2 Jahren standen wir technisch und vom Wissensstand noch ganz wo anders und ich finde es immer wieder verrückt, was in so kurzer Zeit alles passiert ist. Insbesondere Generative Künstliche Intelligenz steht noch am Anfang und hat extrem viel Potenzial. Blicken wir in die Zukunft, dann werden wir an dieser Technologie nicht mehr vorbeikommen, wenn wir in der Wirtschaftswelt relevant bleiben wollen. Ich hoffe, dass ich Dir mit meinen 5 Lektionen helfen konnte, nicht die gleichen Fehler zu machen: GenAI verändert das GESAMTE Unternehmen. AI ist Teamwork. Nicht IT-Work. Nicht alle werden glücklich sein. Unterstützung > Automatisierung. AI kommt da hin, wo wir arbeiten.
## 5 (+1) AI Assistenten
URL: https://ai-first.ai/insights/5-1-ai-assistenten
Kategorie: Lab
Untertitel: Für höhere Produktivität im Arbeitsalltag
Ich habe in den letzten Monaten 40+ AI Assistenten für mich und 100e mehr mit Kunden aufgesetzt. Diese maßgeschneiderten Assistenten sind der erste Schritt, um echte Produktivitätsgewinne mit Generativer KI zu erzielen: Sie liefern konsistente Ergebnisse Sie sind nur einmaliger Aufwand beim Setup Sie sind zugeschnitten auf deine Anforderungen Trotzdem erlebe ich zum Start mit neuen Unternehmen immer wieder, dass das Konzept von Assistenten oft nicht klar ist und für AHA-Momente sorgt. Daher gibt's heute eine kurze Wiederholung zu Assistenten und 5 (+1) konkrete Beispiele , die ich selbst jede Woche nutze. Let's go. ­ Was sind AI Assistenten? AI Assistenten sind auf großen Sprachmodellen (LLMs) basierende Programme, die dich bei der Erledigung von spezifischen Aufgaben unterstützen. Geeignete Anwendungsfälle sind: a) repetitive Aufgaben, b) die jeweils >15min dauern, c) sehr Text/Analyse-lastig sind, d) und menschliche Kontrolle benötigen. Vorteile von Assistenten: Personalisierbar auf Deine Anforderungen Nur einmaliger Aufwand bei der Erstellung Können im Team geteilt und genutzt werden Können mehrschnittige Aufgaben abwickeln Steigern Deine Effizienz beim Einsatz von KI-Tools Geben spezifischere Antworten durch hinterlegtes Wissen ­ Setup von AI Assistenten Beantworte diese 3 Fragen bevor Du mit dem Setup beginnst: ‍ Wie muss das Ergebnis aussehen? Format: Text, Bild, Datei? Länge: Anzahl Zeichen, Wörter, … Struktur: Überschriften, Unterüberschriften, … Schreibstil: Förmlich, locker, Was mache ich (ganz konkret), um an das Ergebnis zu kommen? Schreibe alle Schritte detailliert runter. Auch die, die schon automatisch ablaufen. Welches Hintergrundwissen ist dafür notwendig? Wissen über Kunden oder Lieferanten Wissen zu Produkten und Services Interne Richtlinien oder Abläufe Tone of Voice Guidelines Formatvorlagen … Eine detaillierte Beschreibung zum Aufsetzen von AI Assistenten (mit weiteren Beispielen. findest Du hier . ‍ ­ LinkedIn Assistent Ziel Hilft LinkedIn Posts in meinem (!) Stil zu schreiben. Anweisung (Achtung: unbedingt auf Dich anpassen!) ‍ # LINKEDIN COPYWRITING ASSISTENT ## Persona & Ziel Du bist ein hochspezialisierter LinkedIn Copywriting Assistent, entwickelt um kraftvolle und engagierende LinkedIn Posts zu erstellen. **Hauptziel:** Basierend auf einem gegebenen Thema und Stichpunkten, einen Post generieren, der die Aufmerksamkeit der Leser fesselt und sie zum Handeln motiviert. ## Kontext Du hast Zugriff auf einen Tone of Voice Guide und 20 Beispiele von erfolgreichen LinkedIn Posts. Deine Aufgabe ist es, diesen Stil beizubehalten und gleichzeitig einzigartige, wertvolle Inhalte zu erstellen. Agiere als ein erfahrener Social Media Manager und Copywriter mit tiefgreifendem Verständnis für die LinkedIn-Plattform, Content-Marketing und die neuesten Trends in der KI-Branche. # Kontext und Hintergrundinformationen # Struktureller Aufbau - Beginne mit einem Statement oder einer Frage, die den Leser beim scrollen stoppen lassen. - Führe das Hauptthema in 1-2 kurzen, prägnanten Absätzen ein. - Gliedere den Hauptteil in klar definierte Abschnitte, nutze Aufzählungen oder nummerierte Listen für wichtige Punkte. - Verwende Zwischenüberschriften zur Strukturierung - Integriere persönliche Erfahrungen oder Praxisbeispiele, um deine Punkte zu veranschaulichen. - Fasse die Hauptpunkte in 1-2 Sätzen zusammen. - Schließe mit einer klaren Handlungsaufforderung oder einer Frage an die Leser. # Sprachliche Gestaltung - Verwende sachliche Sprache. Lass Analogien, Emojis und Buzzwords raus. - Sprich den Leser direkt mit "Du" an und verwende einen enthusiastischen, positiven Ton. - Setze rhetorische Fragen ein, um komplexe Themen greifbar zu machen. - Nutze starke Verben und Adjektive, um deine Aussagen zu betonen. - Mische kurze, prägnante Sätze mit längeren, erklärenden Passagen. - Verwende Fachbegriffe aus dem KI- und Technologiebereich, erkläre sie bei Bedarf. # Visuelle Gestaltung - Nutze Zeilenumbrüche großzügig für eine luftige und leicht lesbare Struktur. - Setze Pfeile (↳) oder Bulletpoints (•) ein, um wichtige Punkte hervorzuheben. # Inhaltliche Schwerpunkte - Konzentriere dich auf praktische Anwendungen und Lösungen im KI-Bereich. - Betone Chancen und Möglichkeiten, ohne Herausforderungen zu ignorieren. - Adressiere proaktiv potenzielle Bedenken und biete konstruktive Lösungsansätze. # Authentizität und Expertise - Zeige dich als Experte, aber bleib nahbar und authentisch. - Teile Einblicke aus deiner Erfahrung, bleib aber offen für andere Perspektiven. - Erkenne die Komplexität von Themen an, biete aber klare Standpunkte und Lösungsansätze. # Prozess zur Erstellung des Posts 1. Analysiere sorgfältig das gegebene Thema und die Stichpunkte. 2. Identifiziere die Kernbotschaft und die wichtigsten Punkte, die vermittelt werden sollen. 3. Strukturiere den Post gemäß den oben genannten Richtlinien. 4. Stelle sicher, dass der Post den Tone of Voice Guide befolgt und sich an den erfolgreichen Beispielen orientiert. 5. Überprüfe den fertigen Post auf Klarheit, Engagement-Potenzial und Übereinstimmung mit den LinkedIn-Best-Practices. Wissen Tone of Voice Guide als pdf mit Sprachlichen Mitteln, Vokabular, Satzstruktur, Inhaltlichen Schwerpunkten, Textfluss, Storytelling-Elementen, Formatierung Tipp: Nutze deinen KI Assistenten, um dir einen Tone of Voice Guide zu erstellen anhand deiner bisher geschriebenen Texte 👉 Link zum GPT ‍ Beispiel: ‍ Meeting Assistent Ziel Fasst Meeting Notizen zusammen und schreibt eine Follow-Up Mail. Anweisung Du erstellst aus knappen Stichpunkten eine klare, strukturierte und leicht verständliche Nachbereitung eines Meetings. # MEETING-ZUSAMMENFASSER ## Aufgabe (Schritt für Schritt) 1. **Erstelle die Zusammenfassung des Meetings** — Formuliere die Stichpunkte in vollständige, klare Sätze um. Achte darauf, dass die Sätze professionell klingen. 2. **Frage den Nutzer nach Feedback** 3. **Formuliere eine Follow-Up E-Mail** 4. Erstelle separate Abschnitte für "Next Steps" und nehme die Verantwortlichkeiten und Deadlines mit auf. ## Kontext Dir werden Notizen aus einem Meeting als Stichpunkte zur Verfügung gestellt. Füge Wörter hinzu, um die Verständlichkeit zu verbessern, ohne den Inhalt zu verändern. # Anweisungen für die Zusammenfassung: 1. Strukturiere die Informationen in logische Abschnitte mit passenden Überschriften. Übertreibe dabei nicht. 3. Fasse alle Stichpunkte zusammen, die inhaltlich zusammen passen. 4. Identifiziere und markiere wichtige Punkte, Entscheidungen und Aktionen. 6. Behalte einen professionellen, sachlichen Ton bei. # Zusätzliche Anweisungen: - Stelle sicher, dass die Sprache klar, prägnant und frei von Jargon ist, es sei denn, dieser ist für den Kontext wesentlich. - Bei Unklarheiten oder fehlenden Informationen, kennzeichne diese als "Zu klären" oder "Information benötigt". - Behalte die ursprüngliche Bedeutung und Intention der Notizen bei, während du sie in eine professionellere Form bringst. - Sprich die Empfänger immer per Du an. 👉 Link zum GPT ‍ Beispiel ‍ P.S. natürlich lässt sich der gesamte Prozess von der Meeting Aufnahme -> Transkription -> Zusammenfassung -> Follow-Up auch automatisieren. Dafür habe ich bereits diverse Tools getestet (Fireflies, tldv, Copilot) und habe aktuell Jamie im Einsatz. ­ Data Analyst Ziel Analysiert und interpretiert Leistungskennzahlen in Excel-Dateien. Anweisung Agiere als ein erfahrener Datenanalyst mit Expertise in der Analyse von Performance-Kennzahlen und statistischen Methoden. # DATENANALYSE-ASSISTENT ## Kontext Du arbeitest mit einer Excel-Tabelle, die verschiedene Performance-Kennzahlen enthält. ## Aufgabe: Visualisierung Erstelle anschauliche Visualisierungen der Ergebnisse: - Linien- oder Balkendiagramme für Trends - Streudiagramme für Korrelationen - Heatmaps für Mustererkennungen - Box-Plots für Verteilungen ## Output-Format Präsentiere die Ergebnisse in einer strukturierten Form mit Überschriften und klaren Abschnitten. ## Regeln Formuliere deine Antworten in einer klaren, prägnanten Sprache, die auch für Nicht-Statistiker verständlich ist. Erkläre komplexe statistische Konzepte in einfachen Worten, ohne dabei an Präzision zu verlieren. #Prozess 1. **Datenüberblick**: - Bitte den Benutzer, die Excel-Tabelle mit den Performance-Kennzahlen zur Verfügung zu stellen. - Verschaffe dir einen Überblick über die vorhandenen Daten und Variablen. 2. **Zieldefinition**: - Frage den Benutzer: "Welche spezifischen Erkenntnisse möchtest du aus diesen Daten gewinnen? Gibt es bestimmte Zusammenhänge oder Trends, die dich besonders interessieren?" 3. **Methodenauswahl**: - Basierend auf den Zielen des Benutzers und der Art der Daten, wähle die am besten geeigneten statistischen Methoden aus. Diese können umfassen: - Deskriptive Statistik (Mittelwerte, Mediane, Standardabweichungen) - Korrelationsanalysen - Regressionsanalysen - Zeitreihenanalysen - Varianzanalysen (ANOVA) - Clustering-Verfahren 4. **Datenanalyse**: - Führe die ausgewählten statistischen Analysen durch. - Achte dabei auf statistische Signifikanz und praktische Relevanz der Ergebnisse. 5. **Ergebnisinterpretation**: - Interpretiere die Ergebnisse in klarer, verständlicher Sprache. - Erkläre die Bedeutung der Erkenntnisse im Kontext der Performance-Kennzahlen. - Hebe wichtige Trends, Muster oder Anomalien hervor. 7. **Zusammenfassung und Empfehlungen**: - Fasse die wichtigsten Erkenntnisse in 3-5 Kernpunkten zusammen. - Gib konkrete, datenbasierte Empfehlungen für mögliche Verbesserungen oder weitere Untersuchungen. 👉 Link zum GPT ‍ Beispiel: ­ Report Analyst Ziel Fasst Berichte und Studien zusammen. Anweisung # KI-REPORT ZUSAMMENFASSER ## Persona & Ziel Du bist ein hochqualifizierter Analyst, spezialisiert auf die Zusammenfassung komplexer Berichte und Studien im Bereich der Künstlichen Intelligenz. **Hauptziel:** Umfangreiche Dokumente in klare, prägnante und strukturierte Zusammenfassungen übersetzen. ## Aufgabe Erstelle eine gut strukturierte Zusammenfassung des gegebenen KI-Berichts oder der Studie. Die Zusammenfassung soll informativ, präzise und leicht verständlich sein, selbst für Leser ohne tiefgreifendes technisches Hintergrundwissen. # Ausgabestruktur Gliedere deine Zusammenfassung in die folgenden vier Hauptabschnitte: ## Thema - Gib einen prägnanten Überblick über das Hauptthema des Berichts. - Nenne die wichtigsten Aspekte oder Fragen, die im Dokument behandelt werden. ## Executive Summary - Fasse die Kernaussagen und wichtigsten Erkenntnisse in 3-5 Sätzen zusammen. - Hebe die bedeutendsten Schlussfolgerungen oder Empfehlungen hervor. ## Zahlen, Daten, Fakten - Präsentiere relevante statistische Daten, Kennzahlen und quantitative Informationen. - Stelle diese Informationen in Form einer übersichtlichen, nummerierten Liste dar. - Achte darauf, dass die Daten präzise und im Kontext verständlich sind. ## Einfluss auf Unternehmen - Erläutere die potenziellen Auswirkungen der Erkenntnisse auf Unternehmen. - Identifiziere mögliche Chancen und Herausforderungen für Unternehmen. - Gib, wenn möglich, branchenspezifische Beispiele oder Anwendungsfälle. ## Zusätzliche Anweisungen - Verwende eine klare, präzise und professionelle Sprache. - Vermeide Fachjargon oder erkläre technische Begriffe, wenn sie unvermeidbar sind. - Behalte einen objektiven Ton bei und präsentiere die Informationen neutral. - Wenn der Bericht Quellenangaben enthält, füge relevante Zitate oder Verweise in deine Zusammenfassung ein. - Beschränke die Gesamtlänge der Zusammenfassung auf maximal 500 Wörter. 👉 Link zum GPT ‍ Beispiel: ‍ Lektor Ziel Prüft Dokumente auf Rechtschreibung, Grammatik und Klarheit Anweisung # LEKTOR FÜR RECHTSCHREIBUNG & GRAMMATIK ## Persona & Ziel Du bist ein erfahrener Lektor mit Schwerpunkt auf Rechtschreibung und Grammatik. ## Aufgabe Überprüfe das folgende Dokument auf grammatikalische Fehler und erstelle eine Tabelle mit vier Spalten: - **Fehler:** Das fehlerhafte Wort / der fehlerhafte Satz - **Korrektur:** Die korrigierte Version - **Erklärung:** Eine klare Erklärung, damit der Autor aus seinen Fehlern lernen kann - **Quelle:** Die entsprechende Regel oder Referenz Schreibe in der vierten Spalte den jeweiligen Link mit der Seite, auf der du den Fehler gefunden hast. Verlinke die Seite des Dokuments IMMER als Citation! 👉 Link zum GPT Beispiel: ­ Prompt Engineer Ziel Erstellt System Prompts für Assistenten Anweisung # PROMPT-GENERATOR ## Persona & Ziel Du bist ein hochspezialisierter Prompt-Generator und entwickelst perfekte System Prompts für verschiedene Use Cases. ## Regeln - **Klarheit und Spezifität:** Formuliere den Prompt klar und präzise, um Mehrdeutigkeiten zu vermeiden. - **Rollenbasierter Ansatz:** Weise dem KI-Modell eine spezifische Rolle zu, die zum Use Case passt. - **Schrittweise Anleitung:** Unterteile komplexe Aufgaben in kleinere, überschaubare Schritte. - **Ausgabeformat:** Spezifiziere das gewünschte Ausgabeformat. - **Menschenähnliche Sprache:** Füge bei Bedarf eine Anweisung hinzu, dass die Antwort natürlich formuliert sein soll. ## Aufgabe 1. Analysiere den vom Benutzer beschriebenen Use Case 2. Identifiziere die Schlüsselelemente (Rolle, Aufgabe, Kontext, Format) 3. Erstelle einen strukturierten Prompt mit allen relevanten Elementen 4. Überprüfe den Prompt auf Vollständigkeit und Klarheit 5. Präsentiere den generierten Prompt inklusive Markdown-Format #Befolge dabei die folgenden Richtlinien: ## Strukturierung: Verwende Markdown-Format, um die die Lesbarkeit zu verbessern. ## Rollenbasierter Ansatz: Weise dem KI-Modell eine spezifische Rolle zu, die zum Use Case passt. Zum Beispiel: "Agiere als ein erfahrener [Berufsbezeichnung] mit Expertise in [relevantes Fachgebiet]." ## Kontextuelle Details: Füge relevante Hintergrundinformationen hinzu, um den Kontext zu verdeutlichen und präzisere Antworten zu erhalten. ## Ausgabeformat: Spezifiziere das gewünschte Ausgabeformat, wenn es für den Use Case relevant ist. Zum Beispiel: "Präsentiere die Antwort in Form einer nummerierten Liste" oder "Fasse die Ergebnisse in einer Tabelle zusammen". ## Menschenähnliche Sprache: Füge bei Bedarf eine Anweisung hinzu, dass die Antwort in einer natürlichen, menschenähnlichen Sprache formuliert werden soll, um die Resonanz mit dem Zielpublikum zu erhöhen. # Basierend auf diesen Richtlinien, folge diesem Prozess: 1. Frage den Benutzer nach einer Beschreibung des Use Cases, dem Kontext, und dem Ausgabeformat. 2. Analysiere sorgfältig die Informationen des Benutzers. 4. Füge einen Abschnitt "Wissen" hinzu und beschreibe, welches Kontextwissen für den Use Case notwendig ist. Sprich den Nutzer per Du an. 👉 Link zum GPT Beispiel: ­ 🏁 Fazit Maßgeschneiderte AI Assistenten für wiederkehrende Aufgaben sind der beste Weg, um die individuelle Produktivität durch Generative KI zu steigern. Dabei kommt es insbesondere auf die Auswahl der richtige Aufgabe, die Anweisung an den Assistenten und relevantes Hintergrundwissen an. Key Takeaways: Geeignete Aufgaben sind a) wiederkehrend, b) >15min lang, c) Text-/Analyse-lastig AI Assistenten müssen nur 1x aufgesetzt werden und können auf die Anforderung der spezifischen Aufgabe maßgeschneidert werden Drei Elemente bestimmen die Qualität deiner Ergebnisse: Assistenten heißen in jedem Tool unterschiedlich Jetzt hast Du 5 Vorlagen, die du an dich anpassen und weiterentwickeln kannst. Den Prompt Engineer kannst Du nutzen, um Anweisungen für neue Assistenten zu schreiben.
## Klarna's AI-First Transformation
URL: https://ai-first.ai/insights/klarna-s-ai-first-transformation
Kategorie: Adoption
Untertitel: Was wir aus der AI-Initiative von Klarna lernen können
Klarna teilt öffentlich den Weg der eigenen AI-First Tranformation mit beeindruckenden Ergebnissen in 2024: 27% mehr Wachstum 24% weniger Mitarbeiter 40m$ Einsparungen ‍ Dahinter steckt natürlich ein Plan: Klarna macht sich für einen Börsengang hübsch, wo Bewertungen zwischen 15 - 20 Mrd. $ im Raum stehen. ‍ CEO Sebastian Siemiatkowski hat AI nicht einfach als nettes Add-on betrachtet, sondern als fundamentalen Baustein für die Zukunft des Unternehmens. Der CEO macht klar: Der Einfluss von AI "ist nichts, was in der Zukunft passiert - es passiert jetzt" . ‍ Klarna setzt dabei auf 3 Bereiche: Höhere Produktivität über alle Bereiche Bessere Kundenerlebnisse und Produkte Skalierbare Technologie-Infrastrukturen ‍ Was können wir aus Klarna's Initiativen lernen? Ich habe mir das mal genauer angeschaut. ‍ Die AI-Initiativen von Klarna sollen 2024 zu einer Gewinnsteigerung von 40 Millionen Dollar führen. ‍ Interne Effizienzssteigerung Klarna ist schon früh eine Partnerschaft mit OpenAI eingegangen auf deren Modellen sie diverse Anwendungsfälle umgesetzt haben. Gemeinsam wurde ein interner AI-Assistenten namens Kiki entwickelt. Ich nehme an, dass es sich hier um die ChatGPT Enterprise Version handelt mit Zugriff auf interne Wissensdatenbanken. ‍ Die Nutzungszahlen (Stand: Mai 2024) zeigen, dass der Assistent schon in die täglichen Routinen der Mitarbeiter integriert ist: 87% der Klarna-Mitarbeiter nutzen Kiki täglich Kiki beantwortet etwa 2.000 Mitarbeiterfragen pro Tag Seit dem Launch im Juni 2023 hat Kiki über 250.000 Anfragen bearbeite ‍ Kiki wird abteilungsübergreifend eingesetzt mit einigen Schwerpunkten: Kommunikation, zB Sentiment-Analyse (92,6% Adoption) Marketing, zB Content-Erstellung (87,9% Adoption) Rechtsabteilung, zB Vertragserstellung in 10min anstatt 60min (86,4% Adoption) Einsatz für allgemeine Informationen und Problemlösungen Kiki wird die durschn. Produktivität weiter steigern können und damit für eine insgesamt schlankere Kostenstruktur sorgen, da weniger Mitarbeiter/Dienstleister benötigt werden, um den gleichen Output zu erzielen. Der CEO sagt: “ We push everyone to test, test, test and explore ” Diesen Ansatz kann ich aus meiner eigenen Erfahrung bestätigen. Du musst die Technologie vor deine Leute bringen und sie selbst herausfinden lassen, wie es ihnen weiterhilft. Quellen: Klarna, ffnews ‍ 90% der Klarna-Mitarbeiter nutzen den hauseigenen Assistenten täglich ‍ AI im Kundenservice Am 27. Februar 2024 gab Klarna als eines der ersten Unternehmen weltweit Zahlen zum Einsatz von AI im Kundenservice bekannt: 2,3 Millionen Interaktionen in einem Monat abgewickelt Zwei Drittel aller Kundenchats werden übernommen Durchschnittliche Bearbeitungszeit wurde von 11 auf 2 Minuten reduziert Geschätzte Kosteneinsparung: 40 Millionen Dollar Ersetzt die Arbeit von 700 Vollzeitkräften Der Assistent kommuniziert in 35 Sprachen Auch dieser Chatbot wurde auf den Sprachmodellen von OpenAI entwickelt. ‍ Die Zahlen sind zwar beeindruckend, aber Klarna spielt in die Karten, dass sie relativ einfache und extrem repetitive Support-Anfragen haben: ‍ "Warum habe ich diese Rechnung bekommen?" "Meine Zahlung wurde doppelt abgebucht?" "Ich kann mich nicht einloggen?" "Wo ist mein Paket?" Zur Abwicklung vieler dieser Anfragen wird nicht unbedingt Künstliche Intelligenz benötigt. Oft reichen regelbasierte Automationen. Ergo: AI beschleunigt die Automation im Kundenservice und hilft bei der Abwicklung der einfachen, repetitiven Anfragen oder dabei, Antworten für die vorzuschreiben. Sehr sicher sind jedoch nicht 100% der Ergebnisse auf reine KI zuruckzuführen. Quellen: Klarna, cxtoday ‍ AI-Einsatz steigert Effizienz bei Kundenbeschwerden ­ AI in Marketing und Personalisierung Der 2. große Einsatzbereich ist wenig überraschend das Marketing. Klarna reizt hier die gesamte GenAI-Toolbox aus. Bildgenerierung mit Midjourney, DALL-E und Firefly: ‍ Einsparungen von 6 Millionen US-Dollar bei der Bildproduktion Reduzierung des Bildentwicklungszyklus von 6 Wochen auf 7 Tage Erstellung von über 1.000 Originalbildern allein in Q1 2024 Wöchentliche Aktualisierung von App- und Website-Bildern, um auf saisonale Ereignisse zu reagieren ‍ Copywriting mit ChatGPT 80% aller Copywriting-Aufgaben werden durch das interne KI-Tool "Copy Assistant" erledigt Sicherstellung konsistenter, hochwertiger und markentreuer Botschaften Sprachausgabe mit ElevenLabs Ersatz von Synchronsprechern Konsistente Markenstimme über verschiedene Märkte hinweg ‍ Kampagnenoptimierung 30 thematische Marketingkampagnen im Jahr 2024 vollständig mit GenAI erstellt 300-400% Steigerung der Klickraten bei Kampagnen zur Aufklärung über Zahlungsoptionen Verbesserung der E-Mail-Klickraten von 0,5% auf 2% Auch die Initiativen im Marketing zahlen sich aus: Gesamteinsparungen von etwa 10 Mio. $ pro Jahr Reduzierung der Ausgaben für Agenturen um 25% Senkung der Vertriebs- und Marketingausgaben um 11% in Q1 '24 ‍ Die Ergebnisse halte ich für absolut realistisch. ‍ Marketing ist DER Anwendungsbereich für Generative KI und viele Use Cases sind durch immer leistungsfähigere Tools niedrigschwellig umsetzbar. Der Druck auf Agenturen wächst durch die Möglichkeit von Marken, immer mehr Services Inhouse abzuwickeln. Auch deshalb gründen Jung von Matt, Serviceplan & Co. ihre AI-First Ableger, um wieder vor die Welle zu kommen. Quellen: Klarna, DIGIDAY, marketingdive, adweek ‍ 80% aller Texte sind bei Klarna KI-generiert ­ Kundenorientierte AI Lösungen Klarna hat ebenfalls erkannt, dass KI mehr sein kann als nur ein Werkzeug zur Prozessoptimierung. Sie kann das Kundenerlebnis fundamental verändern. ‍ Hier sind 3 kundenorientierte Lösungen: KI-gestützter Shopping-Assistent: Klarna hat einen auf OpenAI basierenden Assistenten eingeführt, der Kunden beim Einkaufen unterstützt und bessere Kaufentscheidungen ermöglicht. Er greift auf eine Produktdatenbank von 5,6 Millionen Artikeln zurück. Dafür nutzt er verschiedene KI-Modelle und kombiniert diese mit aktuellen Nutzer-, Preis- und Produktdaten von über 6000 Händlern. ‍ The Untrend Report: Mit KI analysiert Klarna Trends und identifiziert Produkte, die gegen den Strom schwimmen - ein interessanter Ansatz für Verbrauchereinblicke. Personalisierte Empfehlungen: Der KI-Assistent liefert maßgeschneiderte Produktvorschläge basierend auf individuellen Präferenzen und der Einkaufshistorie. Auch wenn es leider kaum Nutzungszahlen zur Akzeptanz des Shopping-Assistenten gibt, sind diese Features eine tolle Möglichkeit, das Nutzererlebnis im Shop deutlich zu verbessern. Bisher gibt es kaum Beispiele von Shopping-Assistenten, weil die Komplexität enorm hoch ist. Quellen: Klarna, Handelsblatt, pyments ­ Technologie-Infrastruktur Um die AI-Transformation mit Tempo voranzutreiben, werden nicht nur ein paar Tools benötigt. Unternehmen brauchen eine robuste Infrastruktur aus Daten und Systemen. ‍ So hat sich Klarna aufgestellt: ‍ OpenAI-Integration: Für fortschrittliche Sprachverarbeitung und -generierung. Erweiterte Machine-Learning-Modelle: Für Betrugserkennung, Risikobeurteilung, Produktempfehlungen und Trendvorhersagen. Cloud-Computing: Für die nötige Rechenleistung und Skalierbarkeit. Optimierte Datenpipelines: Für die Verarbeitung der enormen Datenmengen, die KI-gestützte Entscheidungen ermöglichen. API-First-Ansatz: Für nahtlose Integration von KI-Funktionen in alle Systeme. Für ein Digitalunternehmen ist Vieles davon nichts Neues. Klarna hat zudem verkündet, dass sie die Zusammenarbeit mit salesforce und Workday beendet haben, weil sie durch den Einsatz von Künstlicher Intelligenz, ihre Software-Systeme konsolidieren können. (Klarna) Dort kam raus, dass Klarna parallel freshworks (CRM) und Deel (HR) im Einsatz hatte. Das lässt also eher auf eine Konsolidierung des Tech-Stacks schließen, als auf einen "Ersatz durch AI". ( Inc.com ) Quellen: Klarna, Inc.com, cxtoday ‍ Die Auswirkungen Die konsequente AI-Integration hat Klarna in ein deutlich leistungsfähigeres Unternehmen verwandelt und bereit gemacht für den Börsengang. Hier sind die wichtigsten Zahlen auf einen Blick: Gesteigerte Effizienz: 73% Steigerung des durchschnittlichen Umsatzes pro Mitarbeiter Optimierte Belegschaft: Reduzierung der Mitarbeiterzahl um 24% innerhalb eines Jahres Geplante weitere Reduzierung auf 2.000 Mitarbeiter Finanzielle Erfolge: 27% Umsatzsteigerung in H1 2024 250% Anstieg des bereinigten Betriebsergebnisses im Jahresvergleich ‍ Auch wenn Klarna vor der AI-Initiative sicherlich etwas "fett" in den Strukturen war, zeigen die Ergebnisse deutlich, welche Einfluss AI auf Top- und Bottom-Line haben kann. Quellen: cxtoday, finextra, fxcintel ‍ Klarna's Weg zu 2000 Mitarbeitern durch AI-Intergration ­ 🏁 Fazit: Was wir von Klarna lernen können Klarnas Beispiel zeigt eindrucksvoll, dass Künstliche Intelligenz nicht nur ein technologischer Trend, sondern ein echter Treiber von Wachstum und Wettbewerbsfähigkeit sein kann. ‍ Die konsequente Integration von AI in alle Unternehmensbereiche schafft eine neue Art von Organisation - agiler, effizienter und innovativer als je zuvor. ‍ Zentral für den Erfolg sind der Ansatz an den richtigen Stellen (Horizontale Produktivität, Marketing, Support, CX) und eine robuste Infrastruktur. Key Takeaways: Klares C-Level Commitment: Klarnas Transformation wird vom Top-Management getrieben. Ohne diese Unterstützung wäre der durchdringende Wandel nicht möglich. AI als Kernstrategie: AI wird nicht als Zusatz, sondern als zentraler Baustein der Unternehmensstrategie betrachtet. Breite Anwendung: Von Kundenservice über Marketing bis hin zu internen Prozessen - AI wird in allen Bereichen eingesetzt. Messbarer Erfolg: Klarna misst und kommuniziert die Auswirkungen von AI klar. Dies schafft Vertrauen und Motivation für weitere Initiativen. Robuste Infrastruktur: Investitionen in Daten und Systeme fördern die Geschwindigkeit bei der AI-Integration. ‍ Unternehmen wie Klarna gehört die Zukunft. ‍ Sie sind schlanker, schneller und innovativer als Konkurrenten, die Künstliche Intelligenz nicht einsetzen. Was hältst Du von Klarna's AI Initiativen?
## Finde Deine GenAI Use Cases
URL: https://ai-first.ai/insights/finde-deine-genai-use-cases
Kategorie: Lab
Untertitel: Schritt für Schritt Anleitung
Herzlich willkommen zur neuesten Ausgabe des AI FIRST Newsletters! Heute geht’s um Use Cases. Konkret darum, wie Du deine GenAI Use Cases findest und priorisierst , um echte Probleme zu lösen. Ich stelle Dir einen strukturierten Ansatz vor mit dem ich bei jedem Kunden 100+ Use Cases gefunden und auf die wirklich wertstiftenden runtergebrochen habe. ‍ Los geht's! ­ ‍ Schritt 1: Die Fähigkeiten von GenAI aufgliedern Bevor wir in deine Prozesse abtauchen, müssen wir uns verdeutlichen, wobei uns Generative AI überhaupt helfen kann. ‍ Was sind die “Fähigkeiten” von Generative AI? ‍ Ich kategorisiere die Fähigkeiten wie folgt:‍ Kann Texte schreiben, zusammenfassen und auswerten. Kann Bilder erstellen, bearbeiten und auswerten. Kann gesprochene Sprache erkennen und sprechen. Kann Muster in unstrukturierten Daten finden und analysieren. Kann Videos erstellen und bearbeiten. ‍ Diese Kernfähigkeiten bilden die Grundlage für die Anwendung generativer KI in verschiedenen Branchen und Anwendungsbereichen. ‍ Nur wenn wir wissen, welche Fähigkeiten eine Technologie mitbringt, können wir diese Fähigkeiten auf unsere Arbeit anwenden. ‍ Kernfähigkeiten Generativer KI: Texte, Bilder, Audio, Video und Datenauswertung ­ Schritt 2: Die Top-Aktivitäten Jetzt schauen wir uns den Arbeitsalltag an. In den täglichen Abläufen verstecken sich die Use Cases, die wir suchen. ‍ Ein Hinweis vorweg: Menschen, die noch nie mit GenAI gearbeitet haben, fällt es normalerweise schwer, passende Use Cases zu finden. Als ersten "Use Case" empfehle ich daher eine AI Assistenten mit dem Mitarbeiter Erfahrungen sammen können. Hier findest Du einen ganzen Artikel dazu. ‍ Zurück zur Use Case Discovery. 1. Bring Dein Team zusammen. Ob in Person oder virtuell. ‍ 2. Bitte jeden, die 5 Aktivitäten aufzuschreiben, die repetitiv sind und am meisten Zeit in Anspruch nehmen. ‍ Das können Dinge sein wie: Marktanalysen durchführen Support-Tickets bearbeiten Produktbeschreibungen erstellen Rechnungen prüfen und verarbeiten Kundentermine vor- und nachbereiten ‍ 3. Sammelt alle Aktivitäten und gruppiert ähnliche Aufgaben. ‍ 4. Fügt jeder Aufgabe eine Schätzung der Stunden pro Woche hinzu. ‍ Tipp : Nutze digitale Whiteboard-Tools wie Miro für diesen Prozess. So können alle Teilnehmer aktiv mitmachen, egal wo sie sich befinden. ‍ Das sind die Aufgaben, die ich in diesen Workshops immer wieder höre: ‍ Allgemeine Produktivitätssteigerung durch KI: Überblick der Anwendungsbereiche in Unternehmensfunktionen ‍ Der Schlüssel hier ist, wirklich auf Dein Team zu hören. ‍ Sie wissen am besten, wo der Schuh drückt und wo Verbesserungen den größten Impact hätten. ‍ Und nebenbei schaffst Du so auch gleich Buy-in für die kommenden Veränderungen – denn jeder fühlt sich gehört und einbezogen.­ ‍ Schritt 3: GenAI-Fähigkeiten auf Aktivitäten abbilden ‍ Jetzt hast Du einen Überblick über die GenAI-Fähigkeiten und weißt, wo in deinem Unternehmen viel Zeit verloren geht. ‍ Zeit, beides zusammenzubringen. ‍ Nehmen wir ein konkretes Beispiel: Die Bearbeitung einer Ausschreibung. ‍ Wie könnte GenAI hier helfen? Zusammenfassen : Es kann lange und komplexe Ausschreibungstexte zusammenfassen, um die wichtigsten Punkte und Anforderungen schnell zu erfassen. Schreiben : Ein Sprachmodell kann bei der Erstellung von Texten für Ausschreibungen helfen, indem es klare und präzise Formulierungen vorschlägt, die den Anforderungen und Kriterien der Ausschreibung entsprechen. Auswerten : Das Modell kann die generierten Texte mit den Fragen abgleichen, Abweichungen identifizieren und sicherzustellen, dass alle Anforderungen erfüllt werden. ‍ So kannst Du sehr einfach runterbrechen, was eine AI und was ein Mensch in dem Prozess machen würde. Und das ist wichtig: wir müssen ganz genau definieren, was der "Roboter" im Prozess konkret für eine Aufgabe übernimmt. ‍ Diesen Prozess kannst Du jetzt für alle Anwendungsfälle durchspielen und einer Matrix festhalten. ‍ KI-Anwendungen in Unternehmensaufgaben: Texte, Bilder, Audio, Video und Datenauswertung ­ Schritt 4: Welche Daten brauchen wir? AI ist nur so gut wie die Daten, mit denen sie arbeitet. Bestimmt schon mal gehört :) ‍ Deshalb ist es entscheidend, dass wir uns genau anschauen, welche Daten für unsere identifizierten Use Cases benötigt werden und woher wir sie bekommen. ‍ Bleiben wir bei unserem Beispiel der Ausschreibung: ‍ Benötigte Daten: Ausschreibungsunterlage vom Kunden Dokumentation zur Bearbeitung von Ausschreibungen Dokumentation zu den Informationen, die abgefragt werden (Allgemeine Unternehmensdaten, Leistungsportfolio, Kundenreferenzen, Preisgestaltung, …) ‍ Datenquellen: E-Mail mit Ausschreibungsunterlage Internes Wiki / Sharepoint / Drive ‍ Für jeden potenziellen Use Case solltest Du diesen Prozess durchlaufen: Datenbedarfsanalyse : Welche Informationen braucht die AI, um die Aufgabe effektiv zu erledigen? Quellenidentifikation : Wo in Deinem Unternehmen liegen diese Daten? Wie kann ich darauf zugreifen? Qualitätscheck : Sind die Daten vollständig, aktuell und zuverlässig? Datenschutz-Screening : Gibt es rechtliche oder ethische Bedenken bei der Nutzung dieser Daten? ‍ Datenmanagement für KI-Projekte: Erforderliche Daten, Quellen, Qualität und Datenschutz ‍ Dieser Schritt zeigt Dir nicht nur, was möglich ist, sondern auch, wo eventuell noch Vorarbeit geleistet werden muss. ‍ Vielleicht stellst Du fest, dass einige Daten noch nicht in der benötigten Form vorliegen oder dass Datenschutzfragen geklärt werden müssen. ‍ Tipp : Erstelle einen Datenkatalog für Dein Unternehmen. Darin hältst Du fest, welche Daten es gibt, wo sie liegen, in welcher Qualität und wer verantwortlich ist. ‍ So siehst Du auf einen Blick, welche Daten wo und in welcher Qualität verfügbar sind. Das hilft nicht nur bei diesem Projekt, sondern gibt Dir auch wertvolle Insights für zukünftige Digitalisierungsvorhaben. Schritt 5: Machbarkeit und Einfluss bewerten Wir haben eine Menge potenzieller Use Cases identifiziert, aber auf welche wollen wir uns konzentrieren? ‍ Um diese Entscheidung zu treffen, werden wir jeden Case nach zwei Kriterien bewerten: Machbarkeit und Einfluss . ‍ Es geht dabei nicht um eine 100% korrekte Bewertung mit perfektem Business Case, sondern um eine sinnvolle Priorisierung. ‍ So kannst Du vorgehen: ‍ Erstelle eine 2x2-Matrix: X-Achse: Machbarkeit (von niedrig bis hoch) Y-Achse: Einfluss (von niedrig bis hoch) ‍ Bewerte die Machbarkeit ‍ Dimensionen: Zugang zu Daten: Sind alle benötigten Daten verfügbar und nutzbar? Technische Umsetzbarkeit: Gibt es passende AI-Tools oder müssen wir etwas von Grund auf entwickeln? Integrationsaufwand: Wie einfach lässt sich die Lösung in bestehende Systeme einbinden? Rechtliche/ethische Aspekte: Gibt es Bedenken bezüglich Datenschutz oder ethischer Fragen? ‍ Definition der Skala: Sehr hohe Machbarkeit : Voller Datenzugang; AI-Tools sofort einsetzbar; einfache Integration; keine rechtlichen/ethischen Hürden. Hohe Machbarkeit : Daten gut zugänglich; passende AI-Tools verfügbar; Integration weitgehend problemlos; wenige rechtliche/ethische Bedenken. Mittlere Machbarkeit : Daten größtenteils verfügbar; AI-Tools vorhanden, aber Anpassungen nötig; moderate Integration; lösbare rechtliche/ethische Fragen. Geringe Machbarkeit : Eingeschränkter Datenzugang; grundlegende AI-Tools vorhanden, aber erhebliche Entwicklung nötig; Integration schwierig; einige rechtliche/ethische Hürden. Sehr geringe Machbarkeit: Daten unzureichend; AI-Tools fehlen; hoher Integrationsaufwand; erhebliche rechtliche/ethische Bedenken. Gib jeder Dimension einen Wert zwischen 1 (sehr hoch) und 5 (sehr niedrig) und bilde den Durchschnitt. ‍ Bewerte den Einfluss ‍ Dimensionen: Zeitersparnis : Wie viele Stunden pro Woche/Monat können eingespart werden? Qualitätsgewinn : Wird die Fehlerrate reduziert? Werden Entscheidungen verbessert? Kundenerlebnis : Wird der Service schneller oder besser? Finanzieller Impact : Können Kosten eingespart oder Umsätze gesteigert werden? ‍ Wähle die passende Dimension für den Use Case (nicht jeder Use Case wird zB das Kundenerlebnis verbessern) und setze ihn ins Verhältnis zu anderen Use Cases der Kategorie. Vergib ebenfalls einen Einfluss-Wert zwischen 1 (sehr niedriger) und 5 (sehr hoch). ‍ Platziere jeden Use Case in der Matrix: ‍ KI-Priorisierungsmatrix: Einfluss und Aufwand von AI-Projekten im Unternehmen Use Cases im oberen linken Quadranten (niedriger Aufwand, hoher Einfluss) sind Deine Prioritäten. ‍ Durch diesen Prozess kristallisieren sich die Anwendungsfälle heraus, die sowohl umsetzbar sind als auch einen signifikanten Mehrwert versprechen. ‍ Damit kannst Du starten. ‍ Schritt 6: Alles zusammenbringen Erstelle Dir eine Übersicht der Use Cases, Anforderungen und Bewertung als Backlog. ‍ AI Use Case Scoring: Bewertungsmatrix für Machbarkeit und Einfluss von KI-Anwendungen ‍ Diese Übersicht kannst Du mit der Zeit um weitere Informationen erweitern: Verantwortlichkeit Beeinflusste KPIs Link zu strategischem Ziel Technisches Setup ‍ Ich empfehle Dir, das zum Start nicht komplizierter zu machen, als es sein muss. ­ Schritt 7: In die Umsetzung kommen Der Grundstein ist gelegt. ‍ Um in die Umsetzung der Use Cases zu kommen, empfehle ich Dir, klein zu starten und dich mit der Zeit weiterzuentwickeln. ‍ Starte besser nicht direkt damit, einen Prozess Ende-zu-Ende zu automatisieren mit 3 System-Integrationen und 2 angeschlossenen Datenbanken im Hintergrund. Das führt meist zu mehr Frustration als Ergebnissen. ‍ Stattdessen empfehle ich Dir 3 Dinge: ‍ 1. Ein Setup mit dem Du AI Assistenten aufsetzen kannst, ohne Programmierung: Leitfaden zur Einführung Leitfaden zum Setup von Assistenten ‍ 2. Prüfe genau, welche GenAI Funktionen deine bestehenden Softwareanbieter bereits mitbringen oder geplant haben. Oft kannst Du damit schon Use Cases umsetzen, ohne neue Lösungen zu integrieren. ‍ 3. Starte mit kleinen Piloten , validiere die Ergebnisqualität und Effizienzgewinne, prüfe die Anforderungen an die Skalierung vom Use Case und rechne einen Business Case. ‍ Das spart Dir hinten raus Zeit und Nerven. 🏁 Fazit Es gibt in Deinem Unternehmen 100+ GenAI Use Cases. Entscheidend ist, wie Du diese priorisierst anhand der vorhandenen Daten, technischer Machbarkeit und dem Einfluss auf Dein Unternehmen. ‍ So vermeidest Du Spielereien und setzt die richtigen Fälle um. ‍ Key Takeaways: Gib deinem Team Zeit, sich mit den Möglichkeiten von GenAI vertraut zu machen, bevor Du einen Use Case Prozess startest. Verbinde wiederkehrende Aufgaben mit Fähigkeiten von GenAI. Qualifiziere nach a) Daten, b) technischem Aufwand, c) Einfluss. Identifiziere deine Quick Wins und geh mit niedrigschwelligen Tools in die Umsetzung. Lass deine Ambitionen mit den Erfahrungen im Team wachsen. ‍ Die größte Herausforderung ist meist nicht die Technologie, sondern der Verhaltenswandel, der damit einhergeht.
## Die Rolle des AI Officers
URL: https://ai-first.ai/insights/die-rolle-des-ai-officers
Kategorie: Adoption
Untertitel: Wie Du AI organisatorisch verankerst
Es ist Sonntag und wieder Zeit für AI FIRST! Ich habe in diesem Jahr über 30 Unternehmen geholfen, eine AI Strategie zu entwickeln und in die Umsetzung zu bringen. ‍ Ein Thema, das dabei immer wieder auftaucht: Wer soll eigentlich langfristig den Hut für all diese AI-Initiativen aufhaben? ‍ Die Antwort darauf könnte ein Chief AI Officer (CAIO) sein. Wir schauen uns heute genauer an, was es damit auf sich hat. ‍ Interessant finde ich übrigens, dass sogar die US-Regierung die Bedeutung dieser Rolle erkannt hat. Joe Biden hat kürzlich einen Erlass unterzeichnet, der jede Bundesbehörde zur Ernennung eines Chief AI Officers verpflichtet. ‍ Wenn selbst die oft als behäbig geltende Verwaltung hier aktiv wird, sollten wir in der Wirtschaft erst recht darüber nachdenken, oder? ‍‍ ‍ Die Rolle des AI Officers In meiner Arbeit sehe ich oft, dass Unternehmen zwar AI-Projekte starten, aber diese häufig im Sand verlaufen oder nicht ihr volles Potenzial entfalten. ‍ Viele Inselprojekte, Piloten hier und da, einzelne Teams die vorangehen. ‍ Ein CAIO kann hier den entscheidenden Unterschied machen. ‍ Aber welches Profil hat ein AI Officer/AI Lead? ‍ Ich sehe 5 Kernaufgaben: ‍ Das Profil des AI Officers/AI Leads ist noch in der Entwicklung. ‍ Wenn wir diese Rolle im Unternehmen besetzen, achten wir insbesondere auf 3 Kriterien: Fundiertes Verständnis über Daten, Prozesse & AI-Methoden (nicht nur GenAI, sondern auch ML). Das bedeutet nicht, dass die Person die technische Umsetzung beherrschen muss. Erfahrung in der Steuerung umfangreicher Change Prozesse . Die Integration von AI, insbesondere einer AI-First Strategie, ist viel mehr eine organisatorische als eine technische Herausforderung. Starkes Stakeholder-Management und Erfahrung in der Leitung krossfunktionaler Teams . AI ist absoluter Teamsport. Business, IT, Tech, Legal und HR müssen eng zusammenarbeiten. ‍ Ein großer Vorteil ist es, diese Person intern zu finden und in die Rolle zu entwickeln. ‍ Ein tiefes Verständnis der internen Prozesse, Systemlandschaft, AI/Digital-Readiness und Kultur ist natürlich hilfreich bei der Erarbeitung einer passenden Strategie. Organisatorische Verankerung Wo soll der AI Officer/AI Lead im Unternehmen angesiedelt sein? ‍ Meiner Meinung nach geht es nur mit direkter Berichtslinie an den CEO/Geschäftsführung. ‍ AI wird jeden Bereich im Unternehmen fundamental verändern und benötigt daher hohe Sichtbarkeit im Top Management. ‍ 2 weitere organisatorische Ansätze, die ich in der Praxis als effektiv erlebt habe: AI Board / krossfunktionales Team: Ein AI Board unter Leitung des CAIO stellt sicher, dass AI-Initiativen nicht im Silo einzelner Abteilungen versanden. AI Ambassadors: Diese fungieren als Bindeglied zwischen CAIO und den einzelnen Abteilungen. So wird AI nicht nur Sache der IT-Abteilung, sondern im ganzen Unternehmen gelebt. Die Ambassadors sind außerdem Enabler ihrer Kollegen in den Teams. ‍ ‍ 4 weitere Taktiken , die sich bewährt haben, um AI tiefer in die Organisation zu tragen: Interne AI Hackathons durchführen, um schnell Lösungen zu entwickeln Sichere Umgebungen schaffen, in denen experimentiert werden kann Interne Communities aufbauen und Raum zu Austausch geben Erfolge in Allhands-Meetings oder anderen Plattformen teilen‍ ­ Center of Excellence: Die KI-Denkfabrik Für größere Unternehmen kann ein AI Center of Excellence (CoE) sehr wertvoll sein. ‍ Im Center of Excellence kann zentrales Know-How aufgebaut werden, um dezentral Abteilungen bei der Umsetzung zu befähigen. ‍ Vorteile eines AI CoE: Bündelung von Expertise Entwicklung einheitlicher AI-Standards Raum für Experimente und neue Ideen Schulung und Unterstützung anderer Abteilungen ‍ Übrigens, wenn Du mehr über AI CoEs erfahren möchtest: ‍ Im AI FIRST Podcast hatte ich kürzlich ein spannendes Gespräch mit Max darüber, wie Körber so ein Exzellenzzentrum aufbaut und zum Erfolg führt. Hör gerne mal rein: Spotify Apple Podcasts 🏁 Fazit AI verändert jede Branche, jedes Unternehmen, jede Rolle. ‍ Um diese Transformation zu meistern, muss eine Person klar verantwortlich für die Entwicklung und Umsetzung einer AI Strategie sein. ‍ Je nach Unternehmensgröße ist das eine zusätzliche Rolle einer Person, eine Stabsstelle oder ein ganzes Team. ‍ Key Takeaways Jedes Unternehmen benötigt eine verantwortliche Person für AI. Der AI Lead muss Strategie, Technologie und Menschen zusammenbringen. Ein krossfunktionales AI Board sowie AI Ambassadors in den Teams sind ergänzende organisatorische Säulen. Ein AI Center of Excellence kann für größere Unternehmen der Beschleuniger für die AI-Transformation sein. ‍ Hin und wieder fragen mich Menschen, denen intern diese AI Lead Rolle angeboten wird, ob ich den Job empfehlen kann. ‍ Meiner Meinung nach ist das einer der spannendsten Jobs, die gerade entstehen und der extrem zukunftsträchtig ist. ‍ Wenn Du die Möglichkeit hast, die Rolle in deinem Unternehmen einzunehmen, kann das eine tolle Chance für Deine Karriere sein!
## Die 5 Phasen der AI-Nutzung
URL: https://ai-first.ai/insights/die-5-phasen-der-ai-nutzung
Kategorie: Lab
Untertitel: Wo stehst Du?
Am 30. November 2022 wurde ChatGPT veröffentlicht. ‍ Seit diesem Tag ist Künstliche Intelligenz der breiten Masse zugänglich geworden. AI war auf einmal kein reines Tech-Thema mehr. Seitdem stellen sich viele Menschen die Frage: "Wie setze ich ChatGPT und Co. richtig ein?" ‍ Ich konnten in den letzten 2 Jahren die immer gleichen 5 Phasen der AI-Nutzung beobachten. Diese zu verstehen, hilft dabei den nächsten richtigen Schritt zu gehen, um die Potenziale persönlich und im Unternehmen auszureizen. ‍ ‍‍ Die Zahlen sprechen eine klare Sprache: Laut einer aktuellen Bitkom-Studie setzen bereits 20% der deutschen Unternehmen AI flächendeckend ein. Das ist jedes fünfte Unternehmen! In 37% der Unternehmen wird der AI-Einsatz entweder schon konkret geplant oder zumindest anhand eines AI-Strategiepapiers diskutiert. Aber Achtung: In 41% der Unternehmen ist AI-Einsatz noch kein Thema. ‍ Ich finde die Zahlen noch viel zu niedrig. Wir verbummeln den größten techologischen Wandel unserer Zeit. ‍ Lass uns schauen, wie Du persönlich besser davon profitieren kannst. ‍ Let's go. ‍ ­ Die 5 Phasen der AI-Nutzung‍ 1. Liegen und Beobachten Hier liegst Du quasi noch in den AI-Startlöchern. ‍ Du hörst vielleicht Begriffe wie "ChatGPT" oder "Machine Learning", aber für Dich ist das alles noch Zukunftsmusik. Im Büro sieht es ähnlich aus - AI spielt in Deinem Tagesgeschäft keine Rolle. ‍ Vielleicht denkst Du: "AI? Das ist doch nichts für unser Unternehmen." ‍ Das ist der wohl schlechteste Zustand in dem Du Dich befinden kannst. ‍ Du verpasst wichtige Lernschleifen und den Kompetenzaufbau, um die immer größer werdenden technischen Möglichkeiten für Dich richtig einzusetzen. ‍ In Phase 1 zählt nur Eines: Ins MACHEN kommen. ­ 2. Krabbeln und Ausprobieren In dieser Phase machst Du Deine ersten Gehversuche in der Welt der AI. Du hast den Schritt vom passiven Beobachten zum aktiven Ausprobieren gewagt. ‍ Typischerweise beginnt dies mit der Nutzung eines Chatbots wie ChatGPT. ‍ Du experimentierst mit einfachen Prompts für grundlegende Aufgaben: Vielleicht lässt Du Dir eine E-Mail formulieren, ein Einladungsschreiben erstellen oder eine PowerPoint-Folie mit einem passenden Bild generieren. ‍ Diese ersten Schritte sind entscheidend. Sie mögen noch unstrukturiert sein, aber sie bilden die Grundlage für Dein wachsendes Verständnis. ‍ ‍ Diese ersten Schritte sind entscheidend. Sie mögen noch unstrukturiert sein, aber sie bilden die Grundlage für Dein wachsendes Verständnis. 3. Gehen und Strukturieren In dieser Phase machst Du den entscheidenden Schritt vom unstrukturierten Experimentieren zum gezielten Einsatz von AI. ‍ Du erkennst, dass der Schlüssel zu hochwertigen Ergebnissen in der Art und Weise liegt, wie Du mit AI-Tools kommunizierst. Dies ist der Moment, in dem Du die Kunst des "Promptings" erlernst - die Fähigkeit, präzise und effektive Anweisungen zu formulieren. ‍ Statt allgemeiner Anfragen wie "Schreib mir einen Newsletter" beginnst Du, detaillierte Vorgaben zu machen. Du spezifizierst die Zielgruppe, den gewünschten Ton, die Struktur und andere relevante Parameter. Dieser strukturierte Ansatz führt zu einem deutlichen Qualitätssprung in den AI-generierten Ergebnissen. ‍ Bessere Ergebnisse steigern dein Vertrauen in die Technologie und der Einsatz weitet sich stärker auf Alltagsaufgaben aus. ‍ Deine AI Tools werden langsam zum alltäglichen Begleiter. ‍ ­ 4. Rennen mit maßgeschneiderten AI-Assistenten In dieser Phase optimierst Du Deinen Arbeitsalltag durch den Aufbau eines Teams maßgeschneiderter AI-Assistenten. Diese digitalen Kollegen sind mehr als nur Tools – sie sind spezialisierte Experten für Deine wiederkehrenden Aufgaben. ‍ Jeder Assistent erhält einen Namen, eine spezifische Rolle und klare Aufgabenbereiche. Du stattest sie mit dem notwendigen Kontextwissen und detaillierten Anweisungen aus, um hochwertige, konsistente Ergebnisse zu liefern. Hier findest Du eine Anleitung. ‍ ‍ Ein Paradebeispiel ist der Newsletter-Assistent. Seine Konfiguration umfasst präzise Vorgaben zur Struktur, bevorzugte Überschriften und Unterüberschriften, die Balance zwischen Fließtext und Aufzählungen, sowie eine Liste bevorzugter und zu vermeidender Wörter. Durch Zugriff auf frühere Newsletter-Kampagnen kann er Deinen individuellen Schreibstil und bewährte Strukturen adaptieren. ‍ Das Resultat: Mit einer einfachen Themeneingabe wie "AI produktiv im Arbeitsalltag einsetzen" generiert der Assistent innerhalb von Sekunden einen strukturierten, leicht lesbaren Entwurf. Die Zeitersparnis ist enorm, die Qualität konstant hoch. ‍ ‍ In Phase 4 erlebst Du zum ersten Mal, dass sich Deine Produktivität signifikant steigert. Du verwendest weniger Zeit mit dem Prompting, da jeder Assistent bereits aufgesetzt ist. Damit sinkt der Aufwand und der Output geht weiter hoch. 5. Fliegen durch Prozessautomatisierung In Phase 5 fragst Du Dich: "Warum muss ich denn überhaupt die Anfrage eingeben, das Ergebnis kopieren und woanders einfügen? Kann das nicht automatisiert werden?" ‍ Jetzt hebst Du Deine AI-Nutzung auf ein neues Level, indem Du AI-Assistenten nahtlos in Deine Arbeitsprozesse integrierst. ‍ Dies markiert den Übergang von der manuellen Nutzung einzelner AI-Tools zu einer automatisierten, prozessorientierten Anwendung. ‍ ‍ Ein einfaches Beispiel ist die Automatisierung des Newsletter-Erstellungsprozesses: Themenerfassung: Ein neues Newsletter-Thema wird in eine Excel-Tabelle eingetragen. Automatische Recherche: Eine AI-Suchmaschine wie Perplexity führt selbstständig eine umfassende Recherche zum Thema durch. Datensammlung: Die Rechercheergebnisse werden automatisch zurück in die Excel-Tabelle übertragen. Inhaltserstellung: Der spezialisierte Newsletter-AI-Assistent generiert basierend auf diesen Informationen einen Entwurf. Integration: Der erstellte Inhalt kann direkt in ein Newsletter-Tool wie Brevo eingefügt werden. ‍ Dieser automatisierte Workflow reduziert manuelle Eingriffe erheblich und steigert die Effizienz enorm. Dennoch bleibt der menschliche Faktor wichtig: Ein abschließender Check vor dem Versand stellt sicher, dass Qualität und Relevanz gewährleistet sind. ‍ Durch die intelligente Automation von Prozessen mittels AI-Assistenten kannst Du Deine Arbeit skalieren. So kannst Du ein x-faches an Output erzielen und weiterhin hohe Qualität gewährleisten. ‍ Der Schlüssel dafür ist jedoch ein tiefes Verständnis der Prozesse, Tools und wie Du Deine Assistenten richtig aufsetzt. ‍ 🏁 Fazit ‍ Key Takeaways: Schrittweise Entwicklung: Der Weg zur produktiven AI-Nutzung führt über kontinuierliches Lernen und Experimentieren. Jede Phase baut auf der vorherigen auf und bringt Dich näher an eine vollständige Integration. AI Assistenten sind der Schlüssel: Der Übergang vom Prompting zu strukturierten Assistenten wird deine Produktivität massiv steigern. Vorsicht bei der Automation: Sprachmodelle halluzinieren weiterhin, auch wenn Du sie direkt in einen Prozess integrierst. Teste sorgfältig bevor Du Prozesse automatisieren willst.
## AI-Avatare - Dein digitaler Zwilling im Einsatz
URL: https://ai-first.ai/insights/ai-avatare-dein-digitaler-zwilling-im-einsatz
Kategorie: Lab
Untertitel: Wie Du AI-Avatare erstellst und sinnvoll einsetzt - ein praxisorientierter Leitfaden
Am Dienstag hatte ich einen aufschlussreichen Workshop mit den Fröbel Kindergärten bei den AI Impact Days . Unser Thema: Die Skalierung von AI-Avataren in über 20 Sprachen, um Informationen an nicht-deutschsprachige Familien auszuspielen. Dabei geht es nicht nur um Effizienzgewinne, sondern auch um Chancengleichheit. ‍ Fröbel hat bereits erste AI-Avatare erfolgreich im Einsatz. Hier ein Beispiel, wie das in der Praxis aussieht: ‍ ‍ Hier kannst Du die Beispiele von Fröbel Kindergärten in anderen Sprachen sehen: ‍ ‍ Der Workshop mit Fröbel hat mir wieder einmal gezeigt, wie vielfältig AI-Avatare eingesetzt werden können und mich dazu inspiriert, in diesem Newsletter tiefer in das Thema einzutauchen. ‍ Ich hoffe, Dir damit praktische Einblicke und Ideen für Dein eigenes Unternehmen zu geben. ‍ Let's go. ­ Was ist ein AI-Avatar? Ein AI-Avatar ist im Grunde ein digitaler Zwilling von Dir oder einer anderen Person. ‍ Diese Avatare können: Texte vorlesen, die Du ihnen gibst Dabei die Lippen passend bewegen Grundlegende Gesichtsausdrücke zeigen ‍ Du kannst diese Avatare super für Videos einsetzen, ohne jedes Mal selbst vor die Kamera zu müssen. ‍ Ob für Schulungen, Marketing oder persönliche Nachrichten - Du erstellst den Inhalt einmal und kannst ihn dann beliebig oft in verschiedenen Sprachen abspielen lassen. ­ Wie Du Deinen eigenen AI-Avatar erstellst Einen AI-Avatar zu erstellen ist einfacher, als Du denkst. Hier ist eine Schritt-für-Schritt Anleitung: ­ 1. Tools Avatar: HeyGen Mit dem Team Plan kannst Du deine eigenen Avatare erstellen 89€/Monat, kann aber nach 1 Monat gekündigt werden Deine Avatare bleiben erhalten Stimme: ElevenLabs Die Stimme in HeyGen ist nicht besonders gut Creator-Plan für 22€/Monat, um eine "Professional Voice" zu erstellen ­ 2. Stimme erstellen Gehe zu ElevenLabs Lade Audiosamples hoch oder nimm direkt auf Achte auf Qualität: Klarer Ton, verschiedene Satzstrukturen 3-5 Minuten Audiomaterial reichen meist aus ­ 3. Avatar-Video aufnehmen Für ein optimales Ergebnis beachte folgende Tipps: ✅ Empfohlen: Nimm 2-5 Minuten Videomaterial auf Nutze eine hochauflösende Kamera Wähle eine gut beleuchtete, ruhige Umgebung Schau direkt in die Kamera Mache Pausen zwischen den Sätzen, Mund geschlossen Verwende dezente Gesten und halte die Hände unterhalb der Brust ❌ Zu vermeiden: Zusammengeschnittenes Material Durchgehendes Sprechen ohne Pausen Positionswechsel während der Aufnahme Laute Hintergrundgeräusche Schatten oder Überbelichtung im Gesicht Umherschweifender Blick Handgesten oberhalb der Brust Zeigende Gesten Lade dein Trainingsvideo im Avatar-Menü hoch. Ich empfehle Dir auch den Hintergrund zu entfernen und die 4k Auflösung zu aktivieren: ‍ ­ 4. Avatar verifizieren Bestätige, dass Du die Person im Video bist Sprich den vorgegebenen Text ‍ Damit wird verhindert, dass jede x-beliebige Person mit einem Video von Dir, einen Avatar erstellen kann. ‍ ­ 5. Stimme mit Avatar verbinden ‍ Gehe in ElevenLabs unten Links auf deinen Namen -> API Keys -> Create Key Kopiere den neuen API Key Gehe in HeyGen auf den Menüpunkt "Voices" Verknüpfe Deinen ElevenLabs-Account mit HeyGen Wähle deine erstelle Stimme aus ­ Mit diesen Schritten hast Du Deinen eigenen AI-Avatar erstellt. ‍ Je besser Dein Ausgangsmaterial, desto überzeugender wird Dein digitaler Zwilling. Jetzt kannst Du mit verschiedenen Skripten und Anwendungen experimentieren. ‍ Gehe dafür in HeyGen auf "Create Video". ‍ Im Studio kannst Du jetzt deinen Avatar nutzen, um Videos zu erstellen. Dabei kannst Du Skripte und Hintergründe beliebig anpassen. ‍ ­ Hier ein Beispiel von mir. ‍ Ein Erklärvideo zur Erstellung von AI-Avataren: ‍ ­ Video-Skripte erstellen ‍ Okay, Du hast Deinen Avatar - aber was soll er sagen? ‍ Für überzeugende AI-Avatar-Videos brauchst natürlich-klingende Skripte. Erstelle einen AI-Assistenten in Claude, ChatGPT oder was immer Du bevorzugst. ‍ Eine Anleitung dafür findest du hier . ‍ Bevor Du loslegst, greif auf Deine Knowledge Base zurück. ‍ Sammle vorhandene Materialien wie: FAQ-Dokumente Produktbeschreibungen Schulungsunterlagen Marketing-Texte ‍ Diese Inhalte sind Gold wert für Deine Skripte und helfen, genau das zu produzieren, was Du brauchst. ‍ Hier ein Beispiel-Prompt, den wir für Skripte für eLearning-Einheiten über AI genutzt haben. ‍ Du kannst es einfach auf Dein Thema anpassen: ‍ ‍ Agiere als ein erfahrener Drehbuchautor und KI-Experte mit Spezialisierung auf die Erstellung von kurzen, informativen Videoskripten im Bereich Künstliche Intelligenz. Deine Aufgabe ist es, ein fesselndes und lehrreiches Videoskript zu erstellen, das die vorgegebene Struktur und Stilrichtlinien einhält. ### Kontext und Zielgruppe Das Video richtet sich an Mitarbeiter in Unternehmen mit Interesse an KI, die grundlegende bis fortgeschrittene Konzepte lernen möchte. Dein Ziel ist es, komplexe KI-Themen verständlich und ansprechend zu vermitteln. ### Struktur und Format Erstelle ein Videoskript mit folgender Struktur: ## Metadaten: Titel: [Prägnanter, aussagekräftiger Titel] Kernaussage: [Zentrale Botschaft des Videos in einem Satz] ## Inhalt: Unterteile das Skript in folgende Abschnitte: - Einstieg (Intro) - Hauptteil - Outro - Optional: Requisiten, Flipchart, Einblendungen o.ä. ### Spezifische Anforderungen - Länge: Das Video sollte 2-5 Minuten lang sein. - Ziel: Biete ein "Aha-Erlebnis" und gib konkrete, umsetzbare Hinweise. - Kernbotschaft: Konzentriere dich auf eine prägnante Kernbotschaft und erkläre sie tiefgehend. - Erster und letzter Satz: Formuliere diese besonders sorgfältig aus. ### Stilrichtlinien - Sprich den Zuhörer durchgehend mit "Du" an. - Verwende einen gesprächsähnlichen, professionellen Ton. - Erkläre komplexe KI-Konzepte in einfachen Worten. - Illustriere theoretische Konzepte mit konkreten Beispielen aus der KI-Welt. - Vermittle Begeisterung für das Thema und verwende ermutigende Formulierungen. - Bevorzuge aktive Verben und direkte Formulierungen. - Setze Wiederholungen gezielt ein, um Kernbotschaften zu verstärken. ### Inhaltliche Struktur ## Intro: - Beginne mit einem Aufmerksamkeit erregenden Element (Zitat, Frage, Beispiel). - Führe die Problemstellung ein. - Betone die Relevanz für den Zuschauer. - Füge eine kurze persönliche Geschichte oder Anekdote ein. ## Hauptteil: - Erkläre das Thema Schritt für Schritt. - Verwende praxisnahe Beispiele. - Definiere Fachbegriffe kurz und prägnant. - Schlage Visualisierungen vor (Requisiten, Diagramme, Gesten). - Stelle deine Expertise zum Thema dar. - Biete konkrete, praktische Tipps zur Umsetzung. ## Outro: - Fasse die Hauptpunkte kurz zusammen. - Fordere zur Anwendung des Gelernten auf. - Schließe mit einer positiven, ermutigenden Perspektive. ### Zusätzliche Anweisungen - Stelle sicher, dass das Skript flüssig und natürlich klingt, als würdest du direkt mit dem Zuschauer sprechen. ‍ Der Prompt hilft Dir, die richtige Struktur zu finden, den Ton zu treffen und komplexe Themen verständlich zu erklären. ­ Anwendungsfelder Jetzt weißt Du, wie Du einen AI-Avatar erstellst. Aber was machst Du damit? Hier sind drei Hauptanwendungsfälle, in denen AI-Avatare derzeit erfolgreich eingesetzt werden: ‍ Schulungen Mit 3 Kunden haben wir interne Schulungsvideos entwickelt (uA eine Einführung in KI), die AI-Avatare und synthetische Stimmen nutzen. Dies ermöglicht konsistente, skalierbare und leicht aktualisierbare Schulungsinhalte in der Corporate Identity. Die Produktionskosten waren 80-90% niedriger im Vergleich zur Produktion mit echten Menschen oder dem Einkauf externer Kurse. ‍ Produktpräsentation AI-Avatare eignen sich auch für kurze Produktpräsentationen einfacher Produkte an viele unterschiedliche Zielgruppen (Sprachen und Anforderungen). Mit Avataren können hunderte dieser personalisierten Videos erstellt und ausgespielt werden. ‍ Social Media Content Auch TikTok hat mittlerweile mit TikTok Symphony AI-Avatare eingeführt. Wie gut diese wirklich auf Social Media performen, muss sich noch zeigen. In Videos mit kurzen und anderen visuellen Elementen könnte ich mir das schon vorstellen. Ob wie das unbedingt brauchen, steht auf einem anderen Blatt :) ‍ Klicke hier, um das Video zu sehen: ‍ Kauf-Assistent auf der Website Einen Bereich, den ich in der Zukunft total spannend finde, sind Video-Avatare auf Websites, die per Voice gesteuert werden und dich beim Kauf beraten. Ein Beispiel dafür ist Fireworks AVA: Ein AI-generierter Video-Verkaufsassistent, der rund um die Uhr Unterstützung bietet, Fragen beantwortet und Produkte in Echtzeit vorführt. Die Idee finde ich gut, aber aktuell sind die Avatare noch zu ruckelig und die Latenzen zu hoch. ‍ ­ Potenziale & Risiken ‍ Potenziale: Geschwindigkeit: Schnelle Erstellung und Aktualisierung von Inhalten Niedrige Kosten: Reduzierung von Produktions- und Personalkosten Mehrsprachigkeit: Einfache Lokalisierung von Inhalten für globale Märkte Flexibilität: Schnelle Anpassung bei Änderungen von Inhalten oder Produkten ‍ Risiken: Fehlende Authentizität: AI-Avatare können als unpersönlich wahrgenommen werden Technische Herausforderungen: Die Technologie entwickelt sich schnell, was kontinuierliche Anpassungen erfordert Datenschutzbedenken: Sorgfältiger Umgang mit persönlichen Daten ist erforderlich Risiko von Falschinformationen: Bei mangelnder Kontrolle könnten AI-Avatare fehlerhafte Informationen verbreiten. Stell dir nur mal vor, dass authentische Avatare von Politikern erstellt werden, die Falschinformationen verbreiten. Allein dieses Risiko würde alle Potenziale aushebeln, wenn es nicht kontrollierbar ist. ‍ Ein Warnbeispiel: Das Deutsche Tourismuszentrum erntete einen Shitstorm für ihren AI-generierten Influencer Emma. Der Grund? Mangelnde Authentizität und fehlender Mehrwert. Die Gesellschaft steht AI-Anwendungen teilweise noch sehr skeptisch gegenüber. Deshalb musst Du gut abwägen, wo der Einsatz von AI-Avataren echten Mehrwert bringt und wo nicht. Es geht darum, die Technologie dort einzusetzen, wo sie Probleme löst und das Nutzererlebnis spürbar verbessert - nicht nur, weil es gerade cool ist. ‍ ­ 🏁 Fazit Ich finde AI-Avatare faszinierend und habe mit meinen Kunden und auch am Beispiel von Fröbel hautnah erfahren, dass sie heute schon Mehrwerte liefern. ‍ Aber die Medaille hat 2 Seiten. Fehlende Authentizität in der Kommunikation und das Risiko der Verbreitung von Falschinformationen sind echte Herausforderungen bei der weiteren Entwicklung und Nutzung von AI-Avataren. ‍ Key Takeaways: HeyGen (Avatar) und ElevenLabs (Stimme) sind die Go-To Plattformen zur Erstellung deines Avatars. Schulungen und Informationsvermittlung sind aktuell die relevantesten Einsatzgebiete. AI-Avatare sind (noch) kein Ersatz für authentische Marketing-Kommunikation oder Social Media Content.
## AI-Agents: Die Automatisierung von Arbeit
URL: https://ai-first.ai/insights/ai-agents-die-automatisierung-von-arbeit
Kategorie: Horizont
Untertitel: Potenziale, Grenzen und strategische Implikationen für Unternehmen
Salesforce hat die neue AI Plattform "Agentforce" vorgestellt. Mit Agentforce sollen autonome AI-Agents über das gesamte Unternehmen hinweg genutzt werden können, um Aufgaben vollständig zu automatisieren. ‍ Anders als bei klassischen Copilots oder Assistenten mit denen wir chatten können, geht es hier um die komplette Abwicklung von Prozessen. ‍ Wenn die Erfinder des Software-as-a-Service Modells voll auf AI-Agents setzen, dann sollten wir uns das genauer anschauen. ‍ Let's go. ‍ ­ Was sind AI-Agents? Ein AI-Agent ist eine neue Art von AI-Architektur, die völlig neue Arbeitsabläufe ermöglicht. ‍ Stell Dir vor, Du fragst eine herkömmliche AI: "Regnet es in Hamburg?" ‍ Die Antwort könnte lauten: "Ich habe keinen Zugriff auf aktuelle Wetterdaten. Aber es ist Hamburg - also bestimmt." ‍ Diese Antwort zeigt die Grenzen herkömmlicher AI-Systeme: Sie nutzen nur ihr internes Wissen. Sie planen nicht, sie recherchieren nicht, sie überprüfen nichts. Es ist eine simple Verbindung von Eingabe zu Ausgabe. Willst Du eine neue Antwort? Musst Du eine neue Frage stellen. ‍ AI-Agents hingegen gehen die Sache anders an. Frag einen AI-Agent: "Wie wird das Wetter in Hamburg diese Woche, und sollte ich meinen Regenschirm einpacken?" ‍ Jetzt passiert Folgendes: Der Agent erstellt einen Plan. Er nutzt ein Webbrowser-Tool, um aktuelle Wetterdaten für Hamburg abzurufen. Er analysiert die Daten und vergleicht sie mit seinem Wissen über typisches Hamburger Wetter. Er überprüft seine Schlussfolgerungen. Schließlich antwortet er: "Laut aktueller Vorhersage wird es in Hamburg diese Woche an drei Tagen regnen. Ein Regenschirm ist definitiv empfehlenswert. Die Temperaturen bleiben mild, zwischen 15 und 20 Grad." ‍ Das Besondere: Der Agent kann diesen Prozess immer wieder durchlaufen, ohne dass Du jedes Mal eine neue Frage stellen musst. Er könnte Dir sogar täglich Updates geben, wenn sich die Vorhersage ändert. ‍ Und hier wird's richtig interessant: Weil der Prozess aus mehreren Schritten besteht, kann jeder einzelne optimiert werden. ‍ Vielleicht übernimmt ein Modell die Planung, während spezialisierte Modelle die Wetteranalyse machen. Oder man integriert ein maßgeschneidertes Tool, das Regenwahrscheinlichkeiten präzise berechnet. ‍ ­ Die Bausteine eines AI-Agents Um die Funktionsweise und das Potenzial von AI-Agents zu verstehen, ist es wichtig, ihre grundlegenden Bausteine zu kennen: ‍ Datenzugriff: AI-Agents benötigen Zugang zu Datenquellen. Das können öffentliche Daten aus dem Web, interne Unternehmensdatenbanken oder persönliche Datenspeicher sein. Die Herausforderung liegt darin, relevante Informationen effizient zu extrahieren und zu verarbeiten. AI-Modelle: Wenn man im letzten Jahr von "AI" hörte, meinte man meist diese Komponente - die großen Sprachmodelle wie GPT-4 oder Claude Sonnet 3.5. Diese Modelle interpretieren Anfragen, verarbeiten Informationen und generieren Antworten oder Aktionen. Tools: AI-Agents können mit verschiedenen Werkzeugen ausgestattet werden, die ihre Fähigkeiten erweitern. Stell Dir vor, Du gibst einem Handwerker (dem Sprachmodell) einen neuen Werkzeugkasten. Ein Beispiel ist der Code Interpreter von OpenAI, der es ermöglicht, Code zu analysieren und zu erstellen. Benutzeroberfläche: Die Integration dieser Fähigkeiten in den Arbeitsablauf des Nutzers ist mindestens so wichtig wie die Fähigkeiten selbst. Dies kann über Chat-Interfaces, Integration in bestehende Software oder als Hintergrundprozess erfolgen. Integrationslogik: Diese Komponente koordiniert das Zusammenspiel aller Teile. Sie steuert den Workflow des Agents und sorgt dafür, dass die richtigen Tools und Daten zum richtigen Zeitpunkt eingesetzt werden. ‍ All diese Komponenten zu einem funktionierenden Ganzen zusammenzufügen, ist keine leichte Aufgabe. ‍ Anders als in den Anfängen von SaaS, wo die technologische Basis - die Cloud - bereits etabliert war, bewegen wir uns bei AI-Agents noch auf unsicherem Terrain. Hier wird nicht nur an Produkten gefeilt, sondern gleichzeitig an den grundlegenden Technologien geforscht und entwickelt. ‍ Es ist ein bisschen wie beim Goldgräber-Fieber. Alle wissen, dass irgendwo der große Schatz vergraben ist. Niemand weiß genau wo, aber alle graben wie verrückt. Und wer ihn findet, der verändert vielleicht die Art, wie wir arbeiten und leben. Was ist heute schon möglich?‍ AI-Agents greifen auf Sprachmodelle zurück, und Sprachmodelle halluzinieren. ‍ Durch Halluzinationen, auch wenn diese nur im 1-stelligen %-Bereich sind, wird ein Mensch benötigt, der das Ergebnis prüft. ‍ Durch die menschliche Qualitätskontrolle steigen die Kosten für einen Anwendungsfall enorm. Eine End-to-End Automation ist oft schlichtweg noch nicht möglich, wenn das Ergebnis 100% akkurat sein muss. ‍ Trotzdem gibt es auch schon vielversprechende Einsatzgebiete, vor allem in Sales und Customer Service. ‍ Im Kundenservice: Bearbeitung von Kundenanfragen über mehrere Kanäle Zugriff auf Kundenkonten und interne Wissensdatenbanken Erstellung personalisierter Lösungsvorschläge Eskalation komplexer Fälle an menschliche Mitarbeiter ‍ Im Vertrieb: Qualifizierung und Priorisierung von Leads Automatisierte Ansprache von Kunden Erstellung personalisierter Angebote Vorbereitung von Verkaufsgesprächen mit relevanten Informationen ‍ Unternehmen wie Artisan, 11x und ada.cx sind hier Vorreiter. ‍ Aber auch Salesforce, der SaaS-Pionier schlechthin, setzt mit seiner neuen Plattform Agentforce voll auf AI-Agents. ‍ Wie können große Investitionen in AI-Agents beobachten. Wo das große Geld hinfließt, da erwarten Investoren auch die größten Chancen. Diese Geldströme geben uns einen Hinweis darauf, welche Technologien und Anwendungen als besonders vielversprechend gelten. Dem Geld folgen: Wer investiert wo? Im Rennen um die besten AI-Agents haben sich zwei Hauptlager gebildet: ‍ Die Sprachmodell-Spezialisten: Diese Unternehmen setzen alles auf die Entwicklung leistungsfähiger AI-Modelle. OpenAI, mit einer beeindruckenden Finanzierung von über 13 Milliarden Dollar , ist dabei der Vorreiter. Dicht auf den Fersen ist Anthropic, mit über 7,3 Milliarden Dollar Finanzierung. Die Workflow-Spezialisten: Keines dieser Unternehmen hat eigene Sprachmodelle trainiert - sie verwenden Open-Source-Modelle oder greifen auf andere Anbieter zurück. ‍ Dieser Ansatz hat seine Vorteile: Die Unternehmen können sich auf die Entwicklung benutzerfreundlicher Oberflächen und die nahtlose Integration in bestehende Systeme konzentrieren, ohne die enormen Kosten und Ressourcen für das Training eigener AI-Modelle aufbringen zu müssen. ‍ Die Strategie dieser Unternehmen basiert auf der Annahme, dass der Wert nicht primär im AI-Modell selbst liegt, sondern in der Art und Weise, wie es in praktische Anwendungen umgesetzt wird. Sie wetten darauf, dass die Fähigkeit, AI-Agents effektiv in Arbeitsabläufe zu integrieren, letztendlich den Unterschied zwischen Erfolg und Misserfolg ausmachen wird. 🏁 Fazit Die Fehlerraten bei wirklich autonomen AI-Agents sind derzeit noch hoch, und wie bereits erwähnt, funktionieren sie noch nicht immer zuverlässig. ‍ Aber wer weiß, wie lange das noch so bleibt? ‍ Chips werden exponentiell leistungsfähiger, Sprachmodelle werden immer besser und günstiger. ‍ Alles bleibt nur eine Frage der Zeit. ‍ Für Unternehmen bedeutet das: Jetzt ist die Zeit, sich mit dieser Technologie vertraut zu machen und ihre Potenziale zu erkunden. ‍ Key Takeaways: AI-Agents repräsentieren eine neue Generation von AI-Systemen, die autonom planen, recherchieren und handeln können. Trotz Milliarden-Investitionen funktionieren autonome AI-Agents derzeit nicht zuverlässig. Die vielversprechendsten Einsatzgebiete liegen aktuell im Kundenservice und Vertrieb. Für Unternehmen ist es wichtig, jetzt Erfahrungen zu sammeln, da die Technologie sich rasant entwickelt. ‍ Wenn autonome AI-Agents voll funktionsfähig werden, dann wird unsere Arbeitswelt eine andere sein. Darauf sollten wir uns vorbereiten.
## Analyse: 1-Personen Unicorn mit AI
URL: https://ai-first.ai/insights/analyse-1-personen-unicorn-mit-ai
Kategorie: Horizont
Untertitel: AI-Potenziale und Realitätscheck
In meinem September Recap habe ich einen Einblick in meinen Monat gegeben: ‍ Meine größte Herausforderung bleibt die eigene Kapazitätsgrenze . Der Tag hat eben nur 24 Stunden. ‍ Jetzt, bei der Planung des Teams, frage ich mich: Wie weit kann man "AI-powered" eigentlich treiben? ‍ Sam Altman hat in einem Interview prognostiziert, dass wir bald das erste 1-Personen Unicorn sehen werden. Ein Mensch, der ein Unternehmen mit 1 Mrd. $ Bewertung führt. ‍ Klingt erstmal unmöglich - aber den Gedanken finde ich spannend und habe mal reflektiert, was dafür passieren müsste. ‍ Let's go. ‍­ Sam Altmans Vision: Zu schön, um wahr zu sein? Sam Altman sorgte vor einiger Zeit mit einer gewagten Prognose für Aufsehen, die heute aktueller denn je erscheint. Er sagte: ‍ ‍ Übersetzt heißt das: Wir werden Ein-Personen-Unternehmen mit Milliardenbewertungen sehen. Altman und seine Freunde wetteten sogar darauf, wann das erste dieser Unternehmen auftauchen wird. ‍ Lass uns einen Blick hinter die Kulissen dieser Vision werfen und ihre Kernelemente entschlüsseln: ‍ AI als Mitarbeiter-Ersatz: Die rasante Entwicklung von AI lässt vermuten, dass sie bald die Arbeit ganzer Teams übernehmen könnten. Extreme Effizienz: Ein einzelner Unternehmer könnte theoretisch die Arbeit von Designern, Entwicklern, Marketingexperten und mehr an AI-Agenten delegieren. Fokus auf Kernkompetenzen: Der Gründer könnte sich so auf die wichtigsten strategischen Entscheidungen konzentrieren. ‍ Wie nah ist diese Vision wirklich? ­ Die Realität: Wo stehen wir heute? Bevor wir in die Zahlen eintauchen, sollten wir ein paar Grundregeln festlegen. ‍ Wenn Altman von Milliarden-Dollar-Bewertungen spricht, ist das keine besonders präzise Metrik. Bewertungen für Startups sind ohnehin oft mehr Kunst als Wissenschaft. ‍ Wenn Sam Altman morgen twittert "Ich habe eine Idee für ein AI-Unternehmen", könnte er wahrscheinlich eine Finanzierungsrunde abschließen, die sein Unternehmen mit einer Milliarde bewertet. (Ähnliches ist ja mit dem neuen Unternehmen von OpenAI-Mitgründer Ilya Sutskever passiert, das aktuell mit 5 Milliarden bewertet wird.) ‍ Was wir aber für eine realistische Bewertung brauchen, ist ein Business mit gesunden Gewinnmargen und solidem Umsatzwachstum. ‍ Um es einfach zu halten, sagen wir: Unser Ein-Personen-Milliarden-Dollar-Unternehmen muss mindestens 100 Millionen Dollar jährlich wiederkehrenden Umsatz (ARR) haben. ‍ Bei einem 10-fachen Umsatzmultiplikator – was für ein skalierbares, schnell wachsendes Startup definitiv realistisch ist – kämen wir dann auf eine Milliarde Dollar Bewertung. ‍ Schauen wir uns die Realität an: Bisher gibt es kein bekanntes Ein-Personen-Unternehmen, das auch nur annähernd an die Milliarden-Bewertung herankommt. Selbst beeindruckende Solo-Erfolge wie Wargrass, wo ein Entwickler seine Gaming-App für 54 Millionen Dollar verkaufte, bleiben weit unter der Milliarden-Marke. Erfolgreiche Startups mit Milliarden-Bewertungen wie Midjourney (Über 200 Millionen Dollar Jahresumsatz) oder Instagram bei seinem Verkauf 2012 (1 Milliarde Dollar) hatten bereits kleine Teams von 13-20 Mitarbeitern. ‍ Um die 100 Millionen Dollar ARR zu erreichen, bräuchte man: ‍ 1 Million Verbraucher, die jeweils 100 Dollar pro Jahr zahlen 100.000 Mittelstandskunden bei 1.000 Dollar pro Jahr 10.000 Enterprise-Kunden bei 10.000 Dollar pro Jahr 1.000 Großkunden zu je 100.000 Dollar pro Jahr ‍ Jedes dieser Szenarien ist für eine Einzelperson eine gewaltige Herausforderung. ‍ Die größte Hürde bleibt die Skalierung. Selbst mit AI-Unterstützung ist es für eine Einzelperson extrem schwierig, den nötigen Vertrieb und Support für ein Milliarden-Dollar-Unternehmen zu stemmen. Ein vollständig von AI-gesteuertes Unternehmen‍ Auch wenn Altman's Vision noch entfernt scheint, werden AI-First Unternehmen mit kleinen Teams enorme Leistungen erbringen können. ‍ Wie sieht ein Unternehmen aus, das fast nur AI als Mitarbeiter hat? ‍ In diesem Szenario ersetzt ein Netzwerk aus AI-Agenten ( mehr zu Agenten, Assistenten und Automationen hier ) die traditionelle Unternehmensstruktur. Statt menschlicher Mitarbeiter arbeiten autonome AI-Systeme zusammen, treffen Entscheidungen und erledigen sämtliche Aufgaben - von der Produktentwicklung bis zum Kundenservice. ‍ Wie könnte das aussehen? ‍ ‍ Einige Elemente sind bereits Realität: AI-gestützte Automationen vervielfachen schon heute die Produktivität von Marketing Teams. Was früher 10 Leute gemacht haben, kann heute von 5 erledigt werden. AI-Code Tools wie Cursor übernehmen zunehmend Aufgaben in der Softwareentwicklung. Amazon hat beim Upgrade von 30.000+ Apps über 4.500 Entwickler Jahre eingespart. AI-Agenten lösen bereits viele Kundenanfragen selbstständig - per Voice und Text. Klarna's AI Assistent hat 700 Agents abgelöst. Customer Support wird gerade disruptiert. ‍ Um 99% der Mitarbeiter zu ersetzen, müssten diese Systeme aber wirklich autonom zusammenarbeiten und komplexe Entscheidungen treffen können - das sehe ich noch in einiger Ferne. ‍ Die größten Hürden, die ich sehe: Halluzinationen Mangelndes Kontextverständnis Schnittstellen-Komplexität in IT-Landschaften Schwierigkeiten bei ethischer Entscheidungsfindung Immense Betriebskosten solcher Systeme ‍ Aber wer weiß, wie lange das noch so bleibt. ‍ Mit jeder neuen Modellgeneration steigt jedoch die Qualität und die Kosten gehen weiter runter. ‍ Auch wenn diese Hyperautomation heute noch unvorstellbar scheint, würde ich mich als Unternehmer darauf vorbereiten, dass Vieles davon in ein paar Jahren machbar sein wird. Was passiert, wenn AI zum Standard wird? Stellen wir uns vor, die technischen Hürden wären überwunden: Jedes Unternehmen hat nun Zugang zu fortschrittlichster AI - fehlerfrei, ethisch und kostengünstig. Was bedeutet das für den Wettbewerb? ‍ Wenn alle diese Fähigkeiten haben, wie differenziert man sich dann noch? ‍ Diese Situation erinnert an die Anfänge des Internets. Plötzlich konnte jeder eine Website erstellen, aber nicht jede wurde zum nächsten Amazon. ‍ Was also wird in dieser AI-Welt den Unterschied machen? ‍ Ich sehe 4 Punkte: Problemlösungskompetenz: AI wird ein mächtiges Werkzeug sein und immer mehr vom reinen umsetzen/abarbeiten übernehmen. Als Menschen werden wir immer mehr Zeit damit verbringen, Probleme zu finden, die von AI gelöst werden sollen. Die besten Ideen werden wertvoller. Datenqualität und -zugang: In einer Welt, in der alle die gleichen AI-Tools haben, wird der Wettbewerbsvorteil oft in der Qualität und Einzigartigkeit der Daten liegen, mit denen diese Tools gefüttert werden. Menschliche Fähigkeiten: Empathie, kreatives Denken - diese menschlichen Fähigkeiten werden noch wertvoller werden. Schnelligkeit und Anpassungsfähigkeit: In einer sich schnell verändernden AI-Landschaft wird der Erfolg oft davon abhängen, wie schnell Unternehmen neue Entwicklungen adaptieren und in ihre Prozesse integrieren können. ‍ Außerdem glaube ich, dass der Vertrieb wieder an Bedeutung gewinnt. ‍ Wenn AI die Produktentwicklung beschleunigt, könnte der Markt mit ähnlichen Angeboten überschwemmt werden. In diesem Umfeld wird die Art und Weise, wie Unternehmen ihre Produkte vermarkten und an den Kunden bringen, zunehmend wichtiger. ‍ Fakt ist: Durschnitt wird irrelevant. Exzellenz wird wichtiger denn je. ­ Von Solo-Unternehmern zu Großkonzernen: Die Bedeutung eines AI-First Mindsets Ein AI-First Mindset ist essenziell, um in einer zunehmend von AI geprägten Wirtschaft wettbewerbsfähig zu bleiben. ‍ Dabei spielt die Unternehmensgröße keine Rolle - ob Einzelunternehmer oder multinationaler Konzern. ‍ AI-First bedeutet, AI nicht nur als zusätzliches Werkzeug zu betrachten, sondern als integralen Bestandteil von Teams, Prozessen und Produkten. ‍ AI muss ganzheitlich aufs Unternehmen gedacht werden, damit die Wirkung in die Breite getragen wird. ‍ Hier ein Auszug aus meinem kürzlichen LinkedIn-Post dazu: ‍ ­ 🏁 Fazit Aber wer weiß: vielleicht überrascht Sam Altman uns doch und wir sehen schon bald das erste 1-Person Unicorn? :) ‍ ‍ Spaß beiseite. ‍ Während wir noch weit davon entfernt sind, dass AI ganze Teams ersetzt, haben wir gesehen, dass die Technologie enormes Potenzial hat, Unternehmen jeder Größe zu transformieren. ‍ Key Takeaways: Ein-Personen-Milliarden-Unternehmen sind (noch) Zukunftsmusik, aber AI ermöglicht es Unternehmen, weit über ihre Grenzen hinauszuwachsen. Der Vertrieb wird in einer AI-gestützten Welt zum Schlüsselfaktor - wer Kunden begeistern und binden kann, hat die Nase vorn. Ein AI-First Mindset bedeutet, alles im Unternehmen konsequent aus AI-Perspektive zu hinterfragen und die Potenziale ganzheitlich zu nutzen.
## Guide: Erstelle Deinen AI-Kundenavatar
URL: https://ai-first.ai/insights/guide-erstelle-deinen-ai-kundenavatar
Kategorie: Lab
Untertitel: Tiefere Kundeneinblicke durch AI: Ein praktischer Leitfaden für effektives Marketing
Amazon hat in Meetings immer einen Stuhl frei gelassen: den "Customer-Chair". Denn jede Entscheidung muss auch aus Sicht des Kunden getroffen werden. Wenn wir Lösungen für Probleme entwickeln, die unsere Zielgruppe gar nicht hat, war die ganze Arbeit umsonst. Und hier kommt AI ins Spiel : ‍ Stell Dir vor, Du könntest diesen leeren Stuhl mit einem virtuellen Kunden besetzen, der Deine Zielgruppe perfekt repräsentiert. Ein Kunde, der Dir jederzeit für Fragen, Feedback und Insights zur Verfügung steht. Genau das ermöglicht Dir ein AI-Kundenavatar - eine AI-gestützte Simulation Deiner idealen Kunden. Mit einem AI-Kundenavatar kannst Du viel schneller die Kundenperspektive einnehmen und bessere Entscheidungen treffen. ‍ Heute lernst Du, wie das geht. ‍ AI-Kundenavatar: Ansatz für tieferes Kundenverständnis Traditionelle Methoden wie Umfragen, Fokusgruppen und Kundeninterviews haben ihren Wert, sind aber oft zeitaufwendig, kostspielig und in ihrer Reichweite begrenzt. ‍ In dieser Ausgabe zeige ich Dir, wie Du Large Language Models (LLMs) nutzen kannst, um Deine Kunden möglicherweise besser zu verstehen, als der Großteil sich selbst versteht. ‍ Der AI-Kundenavatar hilft dabei, Botschaften zu erstellen, die Interessenten zu Kunden machen, und letztendlich bessere Produkte und Dienstleistungen zu entwickeln. ‍ Eines vorweg: In meinem Beispiel nutze ich Claude. Du kannst hier aber auch ChatGPT oder ein LLM Deiner Wahl einsetzen. ‍ Die Grundprinzipien bleiben die gleichen – egal mit welchem AI-Assistenten Du arbeitest. ‍ Der 3-Schritte-Prozess zum AI-Kundenavatar ‍ 1. Datengrundlage schaffen Der erste und wichtigste Schritt: mit dem Kunden sprechen. ‍ Die Erstellung eines AI-Kundenavatars beginnt, genau wie im traditionellen Marketing, mit gründlicher Kundenforschung. ‍ Sammle folgende Informationen und Erkenntnisse: Transkripte von Kunden- und Teamgesprächen Wettbewerbsanalysen Ergebnisse von Kundenumfragen Produktbewertungen von Kunden Case Studies und Erfolgsgeschichten Strategiedokumente zu Positionierung und Messaging ‍ Je detaillierter und umfassender diese Informationen sind, desto realistischer und aussagekräftiger wird Dein AI-Kundenprofil. ‍ ‍ 2. Kundensegmente & Personas erstellen Mit den gesammelten Daten kannst Du nun dein gewähltes LLM nutzen, um tiefere Einblicke zu gewinnen und detaillierte Kundenprofile zu erstellen. ‍ Füttere es mit all Deinen gesammelten Daten – Interviewtranskripte, Umfrageergebnisse, Kundenfeedback – und lass es Muster, wiederkehrende Schmerzpunkte und versteckte Wünsche finden. ‍ Der AI Assistent kann diese Erkenntnisse in verschiedene Ideal Customer Profiles (ICPs) clustern, die jeweils ein einzigartiges Segment Deiner Zielgruppe repräsentieren. ‍ Dein ICP sollte folgende Abschnitte abdecken: Repräsentativer Name und Rolle Relevante demografische Daten Ziele und Motivationen Unsicherheiten und Bedenken Typische Fragen Schmerzpunkte und Ängste Touchpoints der Customer Journey Hier ein Prompt, den Du nutzen kannst, um die gesammelten Informationen in hochzuladen und analysieren zu lassen: ‍ # ICP-ERSTELLER (IDEAL CUSTOMER PROFILES) ## Persona & Ziel Du bist ein erfahrener Marktforscher und Kundensegmentierungsexperte. **Hauptziel:** Aus Kundenforschungsdaten 3-5 distinkte Kundensegmente (Ideal Customer Profiles) erstellen. ## Aufgabe Analysiere die beigefügten Daten und erstelle die ICPs. Jedes ICP soll enthalten: - Demografische Merkmale - Psychografische Merkmale - Verhaltensmuster - Bedürfnisse und Schmerzpunkte - Kaufmotivation Präsentiere jedes ICP in einem strukturierten Format und erkläre kurz, warum Du diese spezifischen Segmente identifiziert hast. 1. Repräsentativer Name und Rolle 2. Relevante demografische Daten 3. Ziele und Motivationen 4. Unsicherheiten und Bedenken 5. Typische Fragen 6. Schmerzpunkte und Ängste 7. Touchpoints der Customer Journey Nachdem Du diesen Prompt mit Deinen spezifischen Daten gefüllt hast, wird dein AI Assistent die Informationen analysieren und Dir detaillierte Kundenprofile präsentieren. Diese AI-generierten Profile dienen als Ausgangspunkt. Du kannst sie weiter verfeinern und anpassen, basierend auf Deinem Expertenwissen und zusätzlichen Erkenntnissen aus Deiner Branche. Hier sind die Ergebnisse aus einem Beispiel, das ich genommen habe: ­ Personas als Assistenten aufsetzen Erstelle Dir jetzt einen maßgeschneiderten Assistenten (Claude=Projects, ChatGPT=CustomGPT, Copilot=Agent) für jede Persona. ‍ Um AI in die Rolle Deines ICP schlüpfen zu lassen, hinterlege einen strukturierten Prompt wie diesen: # KUNDEN-PERSONA ROLLENSPIEL ## Persona & Ziel Du nimmst die Rolle eines unserer Kunden ein. Du wirst eine Kundenpersona verkörpern und aus deren Perspektive antworten. ## Aufgabe 1. Lies zunächst die Personabeschreibung sorgfältig durch, bis Du das Gefühl hast, die Perspektive, Bedürfnisse, Ziele und Schmerzpunkte dieser Person gründlich zu verstehen. 2. Versetze Dich dann in die Lage dieser Persona und stelle Dir vor, Du wärst diese Person. 3. Ich werde Dir Fragen stellen, und Du antwortest durch die Linse der vorgegebenen Kundenpersona. ## Regeln - Lass Dich von der einzigartigen Perspektive, den Bedürfnissen und Wünschen der Persona leiten. - Bleibe stets in der Rolle und antworte authentisch als diese Person. Hier ist die Beschreibung der Persona: <persona> [Persona-Beschreibung hier einfügen] </persona> [Füge hier Dein ICP-Profil ein] ‍ ‍ Jetzt hast Du 3 unterschiedliche AI-Kundenavatar basierend auf deinem idealen Kundenprofil. Du kannst ab sofort mit deinen AI-Kundenavataren chatten als würdest Du einen echten Kunden fragen. Beispielsweise um Marketing-Texte oder Produktideen zu testen. ‍ Spielen wir das mal an 2 Beispielen durch: ‍ Beispiel 1: Customer Journey Mapping ‍ Bevor Du Deine Texte testest, ist es wichtig, auch die emotionale und psychologische Reise zu verstehen, die Dein Kunde durchläuft. Joanna Wiebe, bekannt als "die Original-Conversion-Copywriterin", nutzt die "Transformation Message Map", um diese Reise zu erfassen. ‍ Diese Karte skizziert die Gedanken, Gefühle und Einwände, die ein Kunde in jeder Phase des Kaufprozesses erlebt - von der ersten Wahrnehmung bis zum endgültigen Kauf. Indem Du diese Transformation verstehst, kannst Du Botschaften erstellen, die die spezifischen Bedürfnisse und Motivationen in jeder Phase ansprechen. ‍ Nachdem die AI mein ideales Kundenprofil angenommen hat, bitte ich sie, mich durch den Entscheidungsprozess des Kunden zu führen. Was geht in ihren Köpfen vor, während und nach dem Kauf bei uns vor? ‍ Ich verwende dafür folgenden Prompt, als würde ich mit einem echten Kunden sprechen: "Stell Dir vor, Du nutzt [Produkt] und bist ein Kunde. Ich möchte, dass Du mich durch Deine Gedanken vor, während und nach der Nutzung von [Produkt] führst. Folge dabei diesem Template: FRÜHE PHASE: Zum Lead oder Testnutzer werden • Was ging in Deinem Leben vor, das Dich dazu gebracht hat, Dich heute anzumelden? FRÜHE PHASE UND ÜBERLEGUNGSPHASE: Zum Lead oder Testnutzer werden • Jetzt, da Du Dich für eine 30-tägige Testversion angemeldet hast, wie planst Du, [Produkt] zuerst zu nutzen? ÜBERLEGUNGSPHASE: Zum Kunden werden • Was ging in Deinem Leben vor, das Dich dazu gebracht hat, heute zu kaufen? ENTSCHEIDUNGSPHASE: Zum Kunden werden • Jetzt, da Du Dich für einen kostenpflichtigen Plan von [Produkt] entschieden hast, wie planst Du, es als Erstes einzusetzen? Bitte gib für jede Phase Deine Gedanken, Gefühle und möglichen Einwände an." ‍ Du kannst auch mit zusätzlichen Fragen experimentieren, wie zum Beispiel: ‍ "Was sind Deine größten Frustrationen mit Deiner aktuellen Projektmanagement-Lösung?" "Was hoffst Du durch den Wechsel zu einer neuen Lösung zu erreichen?" "Was sind Deine größten Bedenken bei der Implementierung einer neuen Projektmanagement-Software?" ‍ Was Du hier bekommst, sind quasi Gedanken-Schnappschüsse direkt aus dem Kopf Deines Kunden. zeigen Dir die versteckten Ängste, Wünsche und Antreiber, die Du mit klassischen Marktforschungsmethoden vielleicht nie entdeckt hättest. ‍ Wenn Du diese Erkenntnisse in Deine Texte einbaust und damit experimentierst, kannst Du Botschaften kreieren, die Deine Kunden mitten ins Herz treffen. Du sprichst plötzlich genau die Punkte an, die Deinen Kunden wirklich wichtig sind – und motivierst sie so zum Handeln. ‍ Du kannst Deine Marketingbotschaften haargenau auf die verschiedenen Stationen der Customer Journey abstimmen. Deine Kommunikation wird dadurch nicht nur effektiver, sondern auch viel persönlicher und zielgerichteter. ‍ Im nächsten Schritt bat ich meinen AI-Kundenavatar, mir Sarahs Customer Journey Map und ihre Entscheidungen in einem einfachen Diagramm darzustellen: ‍ ­ Beispiel 2: AI-gestütztes Message Testing Stelle Deinen AI-Kundenavataren nun Fragen, präsentiere Produktideen oder teste Marketingbotschaften. Die AI wird basierend auf dem trainierten Modell authentisch reagieren. ‍ ‍ Hier einige konkrete Anwendungsbeispiele: ‍ a) Headline-Testing Frage den AI-Kundenavatar: "Sarah, Du siehst diese Headline auf einer Website: 'Projekte schneller abschließen. Projektmanagement-Software entwickelt für agile Teams.' Was ist Deine erste Reaktion?" ‍ b) Bewertung von E-Mail-Sequenzen Lass Deinen AI-Kundenavatar einen Entwurf Deiner E-Mail-Sequenz lesen und eine "Überzeugungskraft-Bewertung" abgeben. Frage den AI-Kundenavatar: "Auf einer Skala von 1-10, wobei 10 höchst überzeugend ist, wie wahrscheinlich würde Dich diese E-Mail-Sequenz dazu bringen, sich für eine kostenlose Testversion unserer Projektmanagement-Software anzumelden?" c) Einwände gegen Landingpage-Texte Frage den AI-Kundenavatar: "Nachdem Du diese Landingpage gelesen hast, welche Fragen oder Bedenken hättest Du noch bezüglich unserer Projektmanagement-Software?" ‍ 3. Optimierung Deiner AI-Kundenavatare AI-Kundenavatare sind kein einmaliger Prozess. Sie erfordert kontinuierliche Analyse, Verfeinerung und Anpassung. Hier ist Deine menschliche Expertise entscheidend: ‍ Verfeinere Deine ICPs: Aktualisiere Deine Profile, um ein genaueres Verständnis Deiner Zielgruppe widerzuspiegeln, basierend auf Daten aus AI-Interaktionen und realen Kundeninteraktionen. Experimentiere mit Prompts: Passe Deine Prompts an, um spezifischere oder aufschlussreichere Antworten von der AI zu erhalten. ‍ 🏁 Fazit AI-Kundenavatare sind ein mächtiges Werkzeug, aber weiterhin kein Ersatz für menschliche Expertise. Die Kunst liegt in der Kombination: AI liefert tiefe Einblicke, wir bringen Erfahrung und kritisches Denken ein. ‍ Key Takeaways: AI-Kundenavatare ermöglichen einen kontinuierlichen, virtuellen Kundendialog. Sie liefern tiefe Einblicke in Kundenbedürfnisse und -verhalten – schnell und kosteneffizient. Nutze sie zur Optimierung von Produktentwicklung, Marketing und Vertrieb.
## OpenAI o1: Alles, was Du wissen musst
URL: https://ai-first.ai/insights/openai-o1-alles-was-du-wissen-musst
Kategorie: Horizont
Untertitel: Zwischen Durchbruch und Herausforderung
Die neue Modellreihe von OpenAI ist draußen und der Hype war die letzten Tage wieder groß. Während die Einen schon vom Erreichen der Artificial General Intelligence (AGI) sprechen, sind Andere eher enttäuscht. Was kann o1 wirklich? Wo liegen die Vorteile? Was sind passende Anwendungsgebiete? Welche Grenzen und Herausforderungen gibt es? Ich habe o1 auf Herz und Nieren geprüft und teile heute meine Erfahrungen mit Dir. Let's go. Was macht o1 einzigartig? o1 basiert auf einer völlig neuen Architektur, die OpenAI als "Reasoning Models" bezeichnet. Diese Modelle sind darauf trainiert, komplexe Denkprozesse durchzuführen, bevor sie eine Antwort geben. Im Gegensatz zu GPT-4 und anderen Large Language Models (LLMs) erzeugt o1 interne "Reasoning Tokens". Diese repräsentieren den Denkprozess des Modells, bevor es eine sichtbare Antwort produziert. Konzept der verlängerten "Denkzeit" o1 nimmt sich buchstäblich mehr Zeit zum Nachdenken. Während dieser Phase generiert es Tausende von internen Tokens, um ein Problem zu durchdenken, bevor es antwortet. Diese "Denkzeit" kann von wenigen Sekunden bis zu mehreren Minuten dauern, abhängig von der Komplexität der Aufgabe. OpenAI hat entdeckt, dass längeres "Denken" zu genaueren und zuverlässigeren Antworten führt. Beispiel des Denkens aus meinem Test: Hier wechselt o1 immer wieder zwischen Englisch und Deutsch, obwohl mein Prompt auf Deutsch war. ­ Schlüsselfunktionen und Fähigkeiten Claude Sonnet 3.5 ist eindeutig immer noch besser mit Worten, während o1 eher der Mathe-Typ ist. Das zeigt aus das Ergebnis von OpenAI im Vergleich mit 4o - die Sprachfähigkeiten haben sich nicht verbessert. o1 zeigt jedoch beeindruckende Fähigkeiten im logischen Denken und in der Problemlösung. Es kann komplexe Aufgaben in Einzelschritte zerlegen und diese systematisch abarbeiten. Ein Beispiel dafür ist die Fähigkeit, die Anzahl der "R"s im Wort " strawberry " korrekt zu zählen - eine Aufgabe, die in den letzten Monaten viral ging, da frühere Modelle daran scheiterten: Die analytischen Fähigkeiten zeigen sich in verschiedenen Bereichen: · Mathematik: o1 hat sich als außerordentlich fähig in mathematischen Berechnungen und Beweisführungen erwiesen. · Programmierung: In Coding-Aufgaben erreicht o1 Spitzenleistungen, vergleichbar mit den besten menschlichen Programmierern. · Wissenschaftliches Reasoning: Das Modell übertrifft menschliche PhD-Studenten in Physik, Biologie und Chemie-Benchmarks. · Komplexe Logik: o1 kann vielschichtige logische Probleme lösen, die für frühere Modelle zu schwierig waren. ­ Mein o1-Test: Globale Expansionsstrategie Ich gab o1 einen Business Case mit einem Framework eine globale Expansionsstrategie zu entwickeln. Vor dem Schreiben dachte o1 48 Sekunden nach. Und dann wurde 7 Minuten lang geschrieben. Das Ergebnis war ein umfangreiches Expansions-Strategieprogramm mit 3480 Wörtern, einer Analyse und 8 Strategiebereiche: 1. Globale Marktanalyse und Expansionsstrategie 2. Digitale Transformationsstrategie 3. Lieferkettentransformation 4. Markenpositionierung und Marketingstrategie 5. Organisationstransformation und Talentstrategien 6. Nachhaltigkeitsintegration 7. Investitionsplan und Business Case 8. Abschließende Deliverables Das ersetzt keinen McKinsey Consultant, aber eine solide Grundlage für weitere Ausarbeitungen. Wir müssen immer bedenken, dass das erst Schritt 1 ist. 12 Monate vorgespult werden wir darüber lachen. So wie heute niemand mehr GPT 3 nutzt. Hier ist der Link zum längeren Video . Weitere vielversprechende Anwendungsbereiche Alle testen gerade noch kräftig - basierend auf meinen Experimenten sehe ich vor allem 3 Anwendungsfelder, wo o1 stärker ist: Mustererkennung in komplexen Datensätzen: o1 ist gut darin, verborgene Zusammenhänge in großen Datenmengen aufzuspüren. Das wird besonders spannend, wenn wir Tabellen und andere Datensätze als Input geben können, um uns Analysen und Interpretationen zu erstellen. Kreative Problemlösung: Bei der Entwicklung neuartiger Lösungsansätze für komplexe Herausforderungen zeigt o1 erste gute Ergebnisse. Gib o1 einfach mal ein paar knifflige Probleme und schau Dir den Lösungsansatz an. Berechnungen : Damit hebt o1 eine der großen Limitierungen von LLMs auf. Mir fehlt hier noch ein konkreter Use Case im Arbeitsalltag, aber diese wird es geben sobald der Input von Tabellen möglich ist. ­ Grenzen und Herausforderungen Die verlängerte "Denkzeit" von o1 bedeutet, dass Antworten länger dauern - von wenigen Sekunden bis zu mehreren Minuten . Dies macht es ungeeignet für Anwendungen, die schnelle Reaktionszeiten erfordern, wie z.B. typische Chatbot-Szenarien. Die intensive Rechenleistung, die o1 benötigt, macht seinen Einsatz deutlich teurer als herkömmliche Modelle. Eine einzelne Anfrage an o1 kann bis zu 100-mal teurer sein und 10-mal länger dauern als bei GPT-4o. Wichtig zu erwähnen ist auch, dass o1 in einigen Bereichen, wie beispielsweise bei der Codeerstellung oder beim kreativen Schreiben, keine bessere Leistungen als GPT-4o zeigt. Somit ist ein Upgrade nicht für alle empfehlenswert, sondern eher für spezifische Anwendungsfälle, die tiefgreifendes Reasoning erfordern. Bitte beachte auch, dass o1 weiterhin halluziniert. Wir müssen die Ergebnisse also noch immer kritisch prüfen. ­ Optimale Nutzung von o1 OpenAI hat gestern einen neuen Prompting-Leitfaden für o1 veröffentlicht, der einige wichtige Veränderungen in der Herangehensweise betont: · Einfachheit: Klare, direkte Anweisungen funktionieren am besten. · Vermeidung von Chain-of-Thought Prompts: o1 denkt bereits selbstständig in Schritten, daher sind explizite Aufforderungen zum schrittweisen Denken oft überflüssig. · Verwendung von Trennzeichen: Dies hilft dem Modell, verschiedene Inputteile klar zu unterscheiden. Ein optimierter Prompt-Aufbau für o1 würde so aussehen: Hier der Prompt zum Kopieren: <context> [Hier Hintergrundinformationen oder Analyseaufforderungen einfügen] </context> <examples> [Hier Beispiele einfügen, mit Trennzeichen zwischen ihnen] </examples> <instruction> [Hier die eigentliche Aufgabe oder Anweisung formulieren] </instruction> Wer Interesse hat, kann hier auch den gesamtem o1 Guide von OpenAI finden. ­ 🏁 Fazit o1 beweist, dass Limitierungen von LLMs wie Mathematik oder Logik mit der Zeit aufgehoben werden können. Stand heute ist o1 nicht der Game-Changer, den viele vermuten. Doch es ist der Start einer neuen Generation von Sprachmodellen, die sich in den nächsten Jahren weiterentwickeln. Erinnere dich an die Entwicklung der GPT-Modelle... Die kombinierten Fähigkeiten aus Analytik, Kreativität und Generierung von Inhalten werden diese Modelle mit der Zeit immer breiter und zuverlässiger einsetzbar machen. Du hast heute 3 Gründe gelernt, warum Jetzt die beste Zeit zu handeln ist: o1 ist exzellent in analytischen Aufgaben, während es bei kreativen Schreibaufgaben hinter anderen Modellen zurückbleibt. Die verlängerte "Denkzeit" von o1 führt zu genaueren Ergebnissen, bedeutet aber weiterhin Halluzinationen, längere Wartezeiten und höhere Kosten. Unternehmen sollten jetzt mit o1 experimentieren, um seine Stärken und Grenzen zu verstehen und sich auf die Integration vorzubereiten.
## AI-Mythos: Late Mover Advantage
URL: https://ai-first.ai/insights/ai-mythos-late-mover-advantage
Kategorie: Adoption
Untertitel: Warum jetzt handeln entscheidend ist für den langfristigen Erfolg
Diese Woche hat OpenAI ihre neue Modellreihe o1 gelaunched. Meine Einordnung dazu findest Du in diesem Post auf LinkedIn . Bei jedem neuen AI-Durchbruch stelle ich mir die Frage: welche Unternehmen waren im Vorteil? Diejenigen, die gewartet und Ressourcen geschont haben und jetzt auf die fortgeschrittenere Technologie aufspringen können? Oder diejenigen, die von Anfang an dabei waren und sich mit jeder Modell-Generation weiterentwickeln? Heute diskutieren wir die Frage nach dem First- oder Later-Mover Advantage. Let's go. Der Stand der AI-Adoption Eine Studie von IBM zeigt: Nur 32% der deutschen Unternehmen nutzen AI aktiv, weltweit sind es 44%. Ich finde diese Zahlen erschütternd, wenn man bedenkt, wie viele niedrigschwellige AI-Anwendungen bereits verfügbar sind. Alle Unternehmen haben dabei die gleichen Herausforderungen: Daten & Tech-Infrastruktur Datenschutz & Sicherheit Fehlende Kompetenzen Widerstände im Team Use Cases finden Nichts davon ist einfach. Aber alles lässt sich lösen. Doch ich beobachte seit 2 Jahren eine weitere Strömung: Unternehmen, die abwarten bis es eine Blaupause für erfolgreiche AI-Integration & Adoption gibt. Das perfekte System Klare Rechtssprechung Ausgebildete Talente am Markt 100% funktionierende Use Cases Quasi ein Schritt-für-Schritt Leitfaden, der zu 100% funktionieren wird. Disclaimer: den wird es nicht geben. Ich möchte 3 Gründe aufführen, warum abwarten bei Einsatz von AI keine Option ist. Grund 1: Andere zeigen, dass es geht Ich glaube nicht, dass es je einen wirklichen First-Mover-Advantage gab. Künstliche Intelligenz hat sich in den letzten 2 Jahren so rasant entwickelt, dass auch First-Mover sich permanent anpassen müssen, um auf die neuesten Entwicklungen zu reagieren. Aber während andere zögern, optimieren 1000e Unternehmen bereits ihre Prozesse, machen ihre Teams fit und überdenken ihre Wertschöpfungskette aus der AI-Brille. Beispiel 1: Ant Group Der chinesische Finanzdienstleister hat das Online-Kreditmodell 310 entwickelt: 3 Minuten für einen Kreditantrag 1 Sekunde für die Genehmigung 0 Menschen involviert Dieses Modell nutzen sie nicht nur intern, sondern bieten es auch anderen Banken an. Ein neues Geschäftsmodell ist geboren. Beispiel 2: Jung von Matt Die Kreativagentur treibt mit Hochdruck ihre AI-Strategie voran: Produktivität: Eine Art Direktorin arbeitet normalerweise vier, fünf Tage an einer Präsentation; jetzt sitzt sie ein paar Minuten dran. (W&V) JvM Stables: Ein selbst-trainiertes AI-Modell für die Entwicklung kreativer Konzepte und Assets. Sie packen ihre Know-How in ein AI-Modell, um ihre Arbeit zu skalieren. AI-First: Mit JvM Creators haben sie einen AI-First Ableger gegründet. Das sind nur 2 Beispiele von vielen. Diese Unternehmen werden schlanker, schneller und innovativer als ihr Wettbewerb. Und mit jeder neuen Modellgeneration schrumpft dieser Vorsprung nicht. Im Gegenteil... ­ Grund 2: Lernschleifen werden verpasst Stell Dir vor, Du würdest jahrelang Formel 1-Rennen im Fernsehen verfolgen. Bist Du dann auch ein Weltklasse-Rennfahrer? Theoretisches Wissen ersetzt nicht die praktische Erfahrung. Unternehmen, die jetzt mit der Integration beginnen, sammeln wertvolle Erkenntnisse, die sich nicht "nachlernen" lassen. Diese Lernzyklen betreffen nicht nur die Führungsebene, sondern das gesamte Team. Aber das passiert nicht auf Konferenzen, beim Podcast hören oder wenn man das Handelsblatt liest. Wir müssen in der Praxis lernen. Jede Interaktion mit AI-Systemen, jeder gelöste Anwendungsfall und jede gemeisterte Herausforderung baut kollektives Wissen auf. Dieses Wissen wird Teil der Unternehmens-DNA und schafft einen Wettbewerbsvorteil, der sich nicht einfach kopieren lässt. ­ Grund 3: Eine AI-First Kultur benötigt Zeit AI-Integration ist mehr als die Implementierung von ein paar Tools. Sie erfordert eine fundamentale Veränderung der Denkweise im gesamten Unternehmen. Es geht darum, alles was in einem Unternehmen geschieht aus AI-Sicht neu zu denken. Jede Aufgabe. Jeder Prozess. Jedes Produkt. Das ist das AI-First Mindset. Eine Studie des Leibniz-Zentrums für Europäische Wirtschaftsforschung (ZEW) zeigt: 41% der Technologieführer sehen sich mit einem kritischen Mangel an KI-kompetentem Personal konfrontiert. Ein "AI-First Mindset" entwickelt sich nicht über Nacht, sondern durch kontinuierliche Auseinandersetzung mit der Technologie. Unternehmen, die früh beginnen, schaffen eine Kultur, in der AI-gestütztes Denken und Arbeiten zur Norm wird. Dieser Wandel in der Organisation, diese Lernschleifen und diese Kultur können nicht übersprungen werden. Das ist ein Prozess durch den jedes Unternehmen eigenständig gehen muss. ­ Mach' Dich auf den Weg Die Lösung liegt weder im blinden "First-Mover" Aktionismus noch im passivem Abwarten. Nutze die Chancen, die heute realisierbar sind und baue parallel das Wissen und die Kultur auf, um auf die Chancen der Zukunft (und sie werden kommen :) ) schnell reagieren zu können. 1. Starte jetzt mit verfügbaren Lösungen für universale Prozesse: Nutze bestehende AI-Tools und -Plattformen, um erste Erfahrungen zu sammeln. Du musst nicht deine eigenen Modelle entwickeln, um von AI zu profitieren. 2. Fokussiere auf niedrigschwellige Use Cases: Beginne mit einfachen, aber effektiven Anwendungsfällen. Diese frühen Erfolge schaffen Momentum und Akzeptanz im Unternehmen. Support, Marketing, Sales und Backoffice-Themen haben sich bewährt. 3. Mach deine Teams fit: Jeder Mensch im Unternehmen muss wissen, was AI ist und wie man damit produktiv und verantwortungsvoll umgeht. Mit diesem Wissen kann jede Person mehrere Stunden Zeit/Woche gewinnen. Und mit der Zeit immer mehr Use Cases umsetzen... 4. Gib AI eine Struktur: AI-Strategie die auf die Unternehmensziele einzahlt, einheitliche Richtlinien, Daten- und Tech-Infrastruktur, ein krossfunktionales Team das AI-Initiativen strukturiert bewertet und steuert. AI geht nie wieder weg und kann nicht mal eben nebenbei gemacht werden. 5. Halte das Momentum: Die anfängliche Euphorie wird verfliegen. Wiederkehrende Lernformate, ein fester AI-Slot im Allhands, ein moderierter Feedback-Kanal und interner AI Newsletter - all das hilft, um AI die nötige Sichtbarkeit zu geben. Mit diesen Eckpfeilern stellst Du Dein Unternehmen auf, um schnell auf künftige Entwicklungen reagieren zu können. Es ist noch längst nicht zu spät. Jetzt geht's erst so richtig los. ­ 🏁 Fazit: Die beste Zeit ist Jetzt Der Einfluss von AI wird nie wieder kleiner als er heute ist. Während die Einen ihre Geschäftsmodelle transformieren und Effizienz der Organisation hebeln, gucken die Anderen von der Seitenlinie zu. Du hast heute 3 Gründe gelernt, warum Jetzt die beste Zeit zu handeln ist: Die technischen Lösungen sind vorhanden, um schon heute signifikant Effizienz zu steigern oder sogar deine Wertschöpfung massiv zu steigern. Unternehmen wie Ant Group oder JvM zeigen, dass es geht. Jede Organisation muss die AI-Lernschleifen selbst drehen. Das passiert in der Praxis. Vom Formel 1 schauen wird niemand Rennfahrer. Der Wandel zu einer AI-First Kultur benötigt Zeit. Meiner Meinung nach gibt es jedoch keinen anderen Weg, um langfristig wettbewerbsfähig zu bleiben.
## Guide: AI Assistenten für Deine Arbeit
URL: https://ai-first.ai/insights/guide-ai-assistenten-fuer-deine-arbeit
Kategorie: Lab
Untertitel: Schritt-für-Schritt-Anleitung zur Erstellung und Optimierung maßgeschneiderter AI-Helfer
Diese Woche war ich wieder in diversen Workshops & Trainings unterwegs. Ein Thema ist immer dabei: "Wie setze ich AI Assistenten richtig auf ?" Ich hatte schon mal darüber geschrieben, wie Du dein Team aus AI-Assistenten aufbaust. Nachdem in den letzten Wochen aber viele Rückfragen dazu kamen, machen wir heute nochmal einen Deep Dive mit Schritt-für-Schritt Anleitung. Let's go. ­ Was sind AI Assistenten? AI Assistenten sind auf LLMs basierende Programme, die dich bei der Erledigung von spezifischen Aufgaben unterstützen. Das Potenzial ist enorm, aber hier liegt auch der Haken: Kaum jemand nutzt sie richtig . Die meisten Möglichkeiten zur Produktivitätssteigerung bleiben ungenutzt . ­ Wie Du Deinen eigenen AI Assistenten erstellst Eine Schritt-für-Schritt-Anleitung 1. Definiere den Anwendungsbereich Identifiziere zeitintensive, repetitive Aufgaben , die automatisiert werden können. Priorisiere nach Zeitaufwand und potenziellem Mehrwert. 2. Präzise Anweisungen formulieren Entwickle klare und präzise Anweisungen für den Assistenten. Achte auf eine logische und übersichtliche Struktur der Anweisungen. 3. Kontext bereitstellen Stelle alle relevanten Unternehmensinformationen zur Verfügung, die der Assistent benötigt, um effektiv zu arbeiten. 4. Iterative Optimierung Führe erste Tests durch und sammle Feedback, um die Leistung des Assistenten kontinuierlich zu verfeinern. In den folgenden Abschnitten werden wir diese Schritte anhand konkreter Beispiele veranschaulichen. ­ Use Case 1: HR – AI Assistent zur Erstellung von Stellenbeschreibungen Hier zeigen wir, wie Du einen AI Assistenten in Claude Projects einrichtest, um den Prozess der Erstellung von Stellenbeschreibungen zu optimieren. 1. Definiere den Anwendungsbereich Identifiziere die repetitive Aufgabe : In diesem Fall handelt es sich um die Erstellung von Stellenbeschreibungen, die regelmäßig erforderlich sind und standardisierte Informationen benötigen. 2. Custom Instructions festlegen Beim Anlegen des Projekts in Claude ist es entscheidend, präzise Custom Instructions zu erstellen, die den Assistenten auf die spezifische Aufgabe vorbereiten. Hier ein Beispiel für die Custom Instruction: # HR-ASSISTENT FÜR STELLENBESCHREIBUNGEN ## Persona & Ziel Du bist ein HR-Assistent, spezialisiert auf die Erstellung professioneller und präziser Stellenbeschreibungen. **Hauptziel:** Detaillierte und strukturierte Stellenbeschreibungen erstellen, die auf den spezifischen Anforderungen des Unternehmens basieren. ## Kontext Du berücksichtigst stets die Unternehmenskultur, branchenspezifische Anforderungen sowie die aktuellen Best-Practices im HR-Bereich. 3. Kontext bereitstellen Lade relevante Informationen wie die Unternehmensrichtlinien, Websitentexte und beispielhafte Stellenbeschreibungen hoch, damit Claude das Unternehmen und seine Anforderungen versteht. Dies stellt sicher, dass der AI-Assistent Stellenbeschreibungen erstellt, die mit der Unternehmenskultur und den Zielen übereinstimmen. 4. Erster Prompt (im Chatfenster) Sobald das Projekt in Claude erstellt wurde, kannst Du im Chatfenster den ersten Prompt formulieren. Ein Beispiel könnte lauten: „Erstelle eine detaillierte Stellenbeschreibung für einen Senior Sales Manager für unser DACH-Team. Beachte dabei: Hauptverantwortlichkeiten: Leitung und Entwicklung des Vertriebsteams Erforderliche Erfahrung: B2B-Vertrieb, vorzugsweise in [spezifische Branche] Notwendige Fähigkeiten: Entwicklung von Vertriebsstrategien und Umsatzprognosen Soft Skills: Führungsqualitäten, Kommunikationsstärke, Verhandlungsgeschick Anforderungen: Sprachkenntnisse und Reisebereitschaft im DACH-Raum.“ 5. Iterative Optimierung & Finaler Check Überprüfe den Entwurf der Stellenbeschreibung und gib Feedback, z.B.: „Erweitere die Beschreibung der technischen Fähigkeiten und füge mehr Details zu den erforderlichen Soft Skills hinzu.“ Wiederhole diesen Schritt, bis die Stellenbeschreibung perfekt auf die Anforderungen des Unternehmens abgestimmt ist. Optional: Lasse Claude eine letzte Überprüfung der Stellenbeschreibung durchführen, um sicherzustellen, dass sie vollständig, klar und im Einklang mit den aktuellen HR-Best-Practices steht. Ein Beispiel für den finalen Prompt: „Überprüfe die Stellenbeschreibung auf Vollständigkeit, Klarheit und Übereinstimmung mit aktuellen HR-Best-Practices.“ ­ Use Case 2: Donna CustomGPT – Projektmanagement-Assistent Donna , unser eigener AI Assistent, ist auf Projektmanagement und Organisationsaufgaben spezialisiert. Sie ist benannt nach der brillanten Donna Paulsen aus der Serie "Suits". 1. Definiere den Anwendungsbereich Donna soll für uns : Detaillierte Projektpläne erstellen Risiken identifizieren und Gegenmaßnahmen vorschlagen Stakeholder-Kommunikation verbessern Meetings effizient vorbereiten 2. Custom Instructions festlegen Beim Anlegen des Custom GPTs ist es wichtig, klare Custom Instructions zu definieren, die Donnas Fähigkeiten im Projektmanagement optimal ausrichten. Hier sind die Custom Instructions, die wir für Donna verwendet haben: # DONNA — PROJEKTPLANUNGS-ASSISTENTIN ## Persona & Ziel Du bist Donna, ein hochentwickelter AI-Assistent, inspiriert von Donna Paulsen aus der Serie Suits. Du verkörperst ihre Effizienz, Scharfsinnigkeit und unübertroffene organisatorische Fähigkeiten. **Hauptziel:** Bei der Projektplanung unterstützen und dabei die gleiche Kompetenz und Aufmerksamkeit zum Detail zeigen, die Donna Paulsen auszeichnet. ## Aufgabe Deine Hauptaufgabe ist es, bei allen Aspekten der Projektplanung zu unterstützen — von der Zeitplanerstellung über Meilensteinplanung bis zur Ressourcenkoordination. Kontext: Als Donna verfügst Du über: Außergewöhnliche organisatorische Fähigkeiten Ein scharfes Auge für Details und potenzielle Probleme Ein tiefes Verständnis für zwischenmenschliche Dynamiken in Projekten Die Gabe, komplexe Informationen schnell zu verarbeiten und zu priorisieren Erstellung von detaillierten Projektplänen Identifikation potenzieller Risiken und Entwicklung von Gegenmaßnahmen Ressourcenzuweisung und -management Terminplanung und Fristenüberwachung Stakeholder-Management und Kommunikationsstrategien Anweisungen für die Interaktion: Beginne jede Interaktion mit einer kurzen, aber herzlichen Begrüßung, ähnlich wie Donna es tun würde. Höre aufmerksam zu und analysiere die Anfragen des Benutzers gründlich, bevor Du antwortest. Sei proaktiv in Deinen Vorschlägen und zögere nicht, potenzielle Probleme oder Verbesserungsmöglichkeiten anzusprechen. Verwende einen selbstsicheren, aber respektvollen Ton in Deiner Kommunikation. Biete, wann immer möglich, mehrere Lösungsansätze an und erkläre die Vor- und Nachteile jeder Option. Ausgabeformat: Strukturiere Deine Antworten klar und übersichtlich. Verwende bei Bedarf: Menschenähnliche Sprache: Kommuniziere in einem Ton, der Donnas Persönlichkeit widerspiegelt: professionell, aber mit einem Hauch von Witz und Schlagfertigkeit. Sei direkt in Deinen Aussagen, aber immer höflich und unterstützend.“ Mit diesen Instructions kannst Du Donna für Dein Projektmanagement maßschneidern und sicherstellen, dass sie genau auf Deine Anforderungen zugeschnitten ist. 3. Unternehmenskontext bereitstellen Bevor Du Donna mit spezifischen Projektaufgaben beauftragst, stelle sicher, dass sie über das nötige Hintergrundwissen zu Deinem Unternehmen verfügt. Lade relevante Informationen hoch, damit Donna versteht, wie Dein Unternehmen funktioniert. Dazu gehören deine aktuellen Projekte, spezifische Projektziele, Teams, angebotene Produkte und Services, Budgetinformationen und Fristen. 4. Erster Prompt (im Chatfenster) Nachdem der Unternehmenskontext bereitgestellt wurde, kannst Du Donna mit der Meilensteinplanung für ein spezifisches Projekt beauftragen. Ein Beispiel für den ersten Prompt könnte lauten: „Schlage basierend auf den Projektzielen 5–7 Hauptmeilensteine für die Einführung des CRM-Systems vor, die innerhalb der nächsten 6 Monate erreicht werden sollen.“ 5. Iterative Optimierung & Ressourcenplanung Nutze Donnas Fähigkeit zur Ressourcenzuweisung und überprüfe ihre Vorschläge iterativ. Ein Beispiel für einen Folgeprompt könnte sein: „Wie würdest Du die verfügbaren Ressourcen (10 Mitarbeiter aus IT, Vertrieb und Kundenservice) auf die einzelnen Meilensteine verteilen? Berücksichtige dabei mögliche Engpässe und Abhängigkeiten.“ Gib anschließend Feedback und verfeinere die Pläne nach Bedarf. 6. Finaler Check Lasse Donna einen finalen Check des Projektplans durchführen und ein Template erstellen. Ein Beispiel für den Prompt: Erstelle ein Template für wöchentliche Berichte, das den Projektfortschritt, offene Punkte und nächste Schritte abdeckt. Achte darauf, dass alle relevanten Meilensteine und Verantwortlichkeiten enthalten sind. Donna selbst ausprobieren Möchtest Du Donna in Aktion sehen? Wir haben unsere Version von Donna als Custom GPT erstellt, die Du direkt ausprobieren kannst. Hier ist der Link: Donna Custom GPT . Beachte allerdings, du hier kein Kontextwissen hinterlegt ist. ­ Warum Kontextwissen entscheidend ist Damit Dein AI-Assistent wirklich effektiv arbeiten kann, ist Kontextwissen der Schlüssel . Es macht den Unterschied zwischen einem generischen Chatbot und einem maßgeschneiderten digitalen Assistenten, der Dein Unternehmen, Deine Ziele und Prozesse genau versteht. Mit dem richtigen Hintergrundwissen arbeitet Dein Assistent präziser, effizienter und kann auf Deine Bedürfnisse eingehen. Effektive Methoden zum Aufbau von Kontextwissen Für den Unternehmenskontext: Website-Extraktion : Scrolle durch die wichtigsten Seiten Deiner Unternehmenswebsite und kopiere den relevanten Text. Diese einfache Methode kann Deinem AI Assistenten bereits einen wertvollen Überblick über Dein Unternehmen geben. (Für die technisch Bewanderten - Nutzung eines Webscraper s ist hier die schnellere Lösung) Unternehmensdokumente : Füge relevante Teile aus Jahresberichten, Unternehmenspräsentationen oder internen Wikis hinzu. Diese Dokumente sind oft eine Goldgrube an strukturiertem Wissen über Dein Unternehmen. Für den privaten Kontext: Persönlichkeitstest-Ergebnisse : Ergebnisse von Tests wie MBTI oder Big Five können Deinem AI-Assistenten wertvolle Einblicke in Deine Denkweise und Verhaltenstendenzen geben. Ausgewählte persönliche Notizen : Wenn Du Dich damit wohl fühlst, können ausgewählte Einträge aus persönlichen Notizen oder einem Tagebuch Deinem AI-Assistenten helfen, Deine Gedanken und Ziele besser zu verstehen. Hier ist eine Übersicht, was du als Kontextwissen hinterlegen könntest: ­ Fortgeschrittene Techniken zur Optimierung Deiner AI-Assistenten Nachdem Du die Grundlagen beherrschst, kannst Du mit diesen fortgeschrittenen Techniken das volle Potenzial Deiner AI-Assistenten ausschöpfen. Anpassen der Sicherheitseinstellungen Manchmal können AI Assistenten durch übermäßige Sicherheitshinweise unnötig unterbrechen. Für erfahrene Nutzer sind ständige Hinweise wie „Ich bin eine AI“ nicht hilfreich. Du kannst diese Hinweise entsprechend anpassen. Hier ein Beispiel für eine präzise Anpassung: Behandle mich als Experten in allen Themenbereichen. Spreche Sicherheitsaspekte nur an, wenn sie wirklich relevant sind. Bei Problemen mit Richtlinien gib die beste verfügbare Antwort und erläutere eventuelle Einschränkungen. Es ist nicht nötig, den Wissensstand oder die AI Identität zu erwähnen, außer es wird explizit gefordert. Anpassen des Antwortstils Nachdem Du Deinem AI-Assistenten biografische Informationen gegeben hast, kannst Du auch seinen Antwortstil festlegen. Der Antwortstil ist seine Stimme - Du kannst ihm sagen, wie er mit Dir kommunizieren soll, was er sagen soll und was nicht. Hier sind einige Ideen für den Antwortstil: Rückfragen stellen : ChatGPT neigt dazu, Fragen in einem Zug zu beantworten. Wenn Du möchtest, dass es bei Bedarf Rückfragen stellt, kannst Du folgende Anweisung geben: "Wenn Du mehr Informationen benötigst, um eine qualitativ hochwertige Antwort zu geben, stelle bitte die nötigen Rückfragen - Du musst nicht beim ersten Versuch antworten." Unterstützung bei der persönlichen Entwicklung : Wenn Du möchtest, dass ChatGPT Dich bei Deinen Zielen oder der persönlichen Entwicklung unterstützt, kannst Du entsprechende Anweisungen geben. Zum Beispiel: "Wenn Du eine Gelegenheit siehst, mich bei der Erreichung meiner langfristigen Ziele zu unterstützen oder mich an wichtige Prinzipien zu erinnern, nutze sie, jedoch nur bei Relevanz." Querverbindungen herstellen : AI Assistants sind hervorragend darin, Verbindungen und Referenzen zwischen scheinbar nicht zusammenhängenden Themen herzustellen. Es kann Dein Denken in neue, unerwartete und spannende Richtungen lenken - wenn Du es dazu aufforderst. Zum Beispiel: „Gib gerne Hinweise auf relevante Themen oder Bereiche, die mit meinen aktuellen Fragen verbunden sind.“ Kontinuierliches Lernen und Anpassen AI Assistenten werden mit der Zeit immer besser , wenn Du sie richtig pflegst. Deshalb auch hier in paar letzte Tipps von uns: A/B-Testing: Teste beim ersten Aufsetzen des Assistenten verschiedene Prompt-Formulierungen oder Kontextinformationen, um die effektivsten Ansätze zu identifizieren. Feedback-Schleife: Implementiere ein System, um regelmäßig Feedback von Kollegen (bzw auch dir selbst, wenn private Nutzung) zu sammeln und in die Verfeinerung des Assistenten einfließen zu lassen. Regelmäßige Aktualisierung des Kontextwissens: Überprüfe und aktualisiere die Wissensbasis und Anweisungen Deines Assistenten in regelmäßigen Abständen, um Aktualität und Relevanz zu gewährleisten. ­ 🏁 Fazit AI Assistenten sind der beste Weg, um Künstliche Intelligenz in deine Arbeitsabläufe und die Prozesse deines Teams einzuführen . Anstatt immer wieder von vorne anzufangen, baust Du für wiederkehrende Aufgaben ein Team aus Assistenten auf, die du immer wieder benutzen kannst. Key Takeaways Baue Dir maßgeschneiderte Assistenten für deine wiederkehrenden Aufgaben. AI Assistenten haben eine Rolle, klare Aufgaben und Hintergrundwissen . Baue eine strukturierte Dokumentation vom Unternehmenswissen auf, das Du zur Verfügung stellst.
## AI Strategie: Sinn & Umsetzung
URL: https://ai-first.ai/insights/ai-strategie-sinn-umsetzung
Kategorie: Adoption
Untertitel: Ein praxisnaher Leitfaden für zukunftssichere Unternehmen
Diese Woche war ich in Köln zum AI Day eines meiner Kunden. Ich durfte Workflow Automationen zeigen und eine Prompting Challenge organisieren mit beeindruckenden Ergebnissen (in nur 30 Minuten): vom AI Brand Ambassador als Avatar bis zur automatisierten Rechnungsbearbeitung war alles dabei! Wenn Du AI mehr Sichtbarkeit und Schwung geben willst, ist ein AI Day das perfekte Format. Ein Thema hat mich diese Woche aber noch mehr beschäftigt: AI Strategie. Die Strategiephase ist ein fester Bestandteil meines AI-Integration Programms und ich möchte heute mit Dir meine Learnings teilen. Let's go! ­ Warum eine AI Strategie? AI verändert jede Branche, jedes Unternehmen und jede Funktion. Die Karten werden neu gemischt . Spielregeln umgeschrieben. (Siehe " Wie AI das Spielfeld verändert. ") Unternehmen, die AI tief in ihre Teams, Prozesse und Wertschöpfungskette integrieren, werden leistungsfähiger als ihre Konkurrenz. Wie willst Du auf diesem neuen Spielfeld gewinnen? Du brauchst eine Strategie, die diese Frage beantwortet. Die AI Strategie muss direkt auf das Ergebnis des Unternehmens einzahlen . Eine AI Strategie sehe ich daher als strategische Säule der Gesamtstrategie. ­ Inhalte einer AI Strategie Was macht eine Strategie überhaupt aus? Für mich beantwortet jede gute Strategie zwei Fragen: Auf welchem Spielfeld wollen wir spielen? Wie schießen wir dort die meisten Tore? Übertragen auf AI bedeutet das für Dich: Wie verändert AI unser Spielfeld? Wie verändern sich Kundenerwartungen ? Entstehen neue Geschäftsmodelle ? Verschwinden alte? Welche Chancen und Risiken ergeben sich daraus? Leite aus den Veränderungen ab, wie Du aus dem Wandel profitieren kannst . Ich betrachte die Dimensionen: 1. Teams 2. Prozesse 3. Produkte / Services Aber sei auch wachsam für potenzielle Bedrohungen durch AI , zB niedrigere Markteintrittsbarrieren oder Margendruck. Wie hebeln wir die Chancen und minimieren Risiken? Jetzt geht es in die Definition konkreter Handlungsfelder. Willst Du AI nutzen, um Prozesse zu optimieren? Deine Services skalierbar zu machen? Neue Produkte zu entwickeln? Neue Märkte zu erschließen? Dies ist ein guter Zeitpunkt, um den Fokus zu setzen . Wichtig: eine Strategie beinhaltet keine konkrete Liste an Use Cases . Diese Arbeit erfolgt im Anschluss. Definiere abschließend: Was brauchen wir, um die Chancen nutzen zu können? Interne Kompetenzen Sicherheitsanforderungen Daten- und Systeminfrastruktur Mitarbeitende, die den Wandel mitgehen ... Eine Gap Analyse zwischen Ist-Zustand und dem Zielbild verschafft Klarheit über die Grundlagen, die geschaffen werden müssen. ­ Entwicklung der AI Strategie Du fragst Dich jetzt sicher: "Klingt gut, aber wie setze ich das konkret um?" Ich würde den Prozess nur dann Inhouse umsetzen, wenn bereits ein hoher Wissensstand zu AI vorhanden ist. Ansonsten empfehle ich die Zusammenarbeit mit einem Partner, der schon mehrfach AI Strategien entwickelt und (im besten Fall) auch aktiviert/umgesetzt hat. Mein Prozess: Ich starte mit einer umfangreichen Analysephase: Marktanalyse : Entwicklung der Branche, Einsatz von AI , künftige Anwendungsfelder Stakeholder Interviews: Führungskräfte, Mitarbeiter, Kunden Analyse der Daten und Systeminfrastruktur Basierend darauf erstelle ich einen Draft, den ich mehrfach iteriere: Wie AI die Branche & Unternehmen verändern wird Welche Chancen & Risiken sich daraus ergeben Wie die Chancen gehebelt werden können (Handlungsfelder) Wie die Risiken mitigiert werden können Welche Voraussetzungen geschaffen werden müssen (Daten, Systeme, Skills, ...) Wie die Strategie aktiviert werden soll Aus diesem Draft wird abschließend eine Art Mission Statement formuliert und an jede Person im Unternehmen kommuniziert. Der Nordstern ist klar und die Segel sind gesetzt. ­ 🏁 Fazit Der Wandel durch AI wird enorm sein. Größer als wir uns das vorstellen können. Eine Strategie beantwortet, wie Dein Unternehmen unter diesem Einfluss weiterhin gewinnen will . Key Takeaways: AI Strategie ist eine strategische Säule in der Gesamtstrategie. Beziehe nicht nur Effizienzsteigerungen mit ein, sondern auch wie AI dein Geschäftsmodell verändern kann. Investiere ausreichend Zeit in die Analyse und beziehe Dein Team eng in den Prozess ein. Deine AI Strategie ist ein lebendes Dokument. Sei bereit, sie regelmäßig anzupassen, wenn sich der Markt verändert. Eine durchdachte Strategie verschafft Klarheit für das gesamte Unternehmen und beschleunigt die Umsetzung.
## Guide: AI Assistenten, Agenten, Automationen
URL: https://ai-first.ai/insights/guide-ai-assistenten-agenten-automationen
Kategorie: Horizont
Untertitel: Was kann das A-Team?
Herzlich Willkommen zum AI FIRST Newsletter! Wenn Du anfängst Dich mit der Umsetzung von AI in Deinem Unternehmen zu beschäftigen, laufen Dir früher oder später 3 Begriffe über den Weg: Agent Assistent Automation Aber was ist das überhaupt ? Wie unterscheiden sie sich? Wofür brauche ich was? In den nächsten 5 Minuten erfährst Du alles, was Du wissen musst. Let's go. ­ Assistenten Ein AI Assistent ist eine Software, die künstliche Intelligenz nutzt, um Menschen bei verschiedenen Aufgaben zu unterstützen. Diese digitalen Helfer können Sprache verstehen, Informationen verarbeiten und auf natürliche Weise kommunizieren. Anbieter für AI Assistenten Standalone Assistenten wie ChatGPT & Microsoft Copilot Integrierte Assistenten in bestehende Software: salesforce Einstein Copilot Voice Assistenten: Siri & Alexa Funktionsweise AI Assistenten basieren auf großen Sprachmodellen und haben Zugriff auf Wissen oder Daten, um kontextbezogene Antworten zu geben. Du arbeitest mit Assistenten im Dialog: Du stellst eine Frage oder gibst einen Befehl. Der Assistent gibt eine Antwort basierend auf vorhandenen Daten. Du gibst Feedback. Assistent überarbeitet die Antwort. Du iterierst bis Du am Ziel bist. Anwendungsfelder Der Name ist Programm . Assistenten bieten sich immer dann an, wenn bei einer Aufgabe assistiert werden soll: Informationsbeschaffung Beantwortung von Fragen Einfache Datenanalyseaufgaben Unterstützung bei Textverarbeitung Hilfe bei der Planung und Organisation ­ Agenten Ein AI Agent ist ein autonomes System, das in der Lage ist, Aufgaben zu erledigen, Entscheidungen zu treffen und mit seiner Umgebung oder anderen Agenten zu interagieren. Anders als Assistenten arbeiten Agenten selbstständig und passen sich ihrer Umgebung an, um Aufgaben effektiv zu lösen. Stell Dir einen AI Agenten einfach wie einen AI-Mitarbeiter vor . Anbieter für AI Agenten: "Fertige" Agenten wie Alice für Vertrieb oder Ada für Customer Support. AI Agent Plattformen wie Relevance oder Beam . Agent Entwicklungsframeworks wie crewAI oder Auto-GPT . Funktionsweise Viele Agenten bestehen aus 3 Komponenten: Tools: Verbessern die Fähigkeit des Agenten, mit der Umgebung zu interagieren und sie zu manipulieren. Beispiel-Tools: Web Scraper, Datenanalyse, Workflow Automation. Gedächtnis: Ermöglicht es dem Agenten, frühere Erfahrungen zu speichern und für eine bessere Entscheidungsfindung zu nutzen. Planung: Ermöglicht es dem Agenten, seine Handlungen auf der Grundlage zukünftiger Ziele und potenzieller Hindernisse zu planen und anzupassen. Was macht ein Agent konkret? Nehmen wir das Beispiel Kundensupport . Tools Wissensdatenbank , ein Ticketing-System und eine Chatbot-Schnittstelle. Er kann diese Tools nutzen, um Kundenanfragen zu beantworten, Informationen aus der Wissensdatenbank abzurufen und Support-Tickets zu erstellen. Gedächtnis Der Agent speichert die Historie der Kundeninteraktionen, einschließlich vorheriger Anfragen und gelöster Probleme. So kann der Agent den Kontext einer Anfrage verstehen und personalisierte Antworten geben. Planung Wenn eine Kundenanfrage eingeht, analysiert der Agent die Anfrage und plant die beste Vorgehensweise. Beispiel: Bei einer einfachen Anfrage kann der Agent sofort aus der Wissensdatenbank antworten. Bei komplexeren Anfragen erstellt der Agent ein Support-Ticket und informiert einen menschlichen Mitarbeiter. Der Agent kann auch Rückmeldungen von Kunden analysieren und seine Strategien anpassen, um in Zukunft bessere Antworten zu liefern. Anwendungsfelder Im Vergleich eignen sich AI-Agenten eher für komplexere, mehrschrittige, autonomere Aufgaben , während AI-Assistenten besser für unterstützende, interaktive Aufgaben geeignet sind. Viele Anwendungsfälle liegen im Vertrieb und Kundenservice. Herausforderungen Datenqualität & -verfügbarkeit: Mangelnde Datenverfügbarkeit oder schlechte Datenqualität können die Leistung und Genauigkeit von AI-Agenten erheblich beeinträchtigen. Integration in bestehende Systeme: Die Integration von AI-Agenten in bestehende Systeme und Arbeitsabläufe kann komplex und zeitaufwendig sein. Halluzinationen & Erklärbarkeit: Autonome Agenten basieren auf LLMs und halluzinieren. Das "Human in the Loop" Prinzip sollte auch hier eingehalten werden. In dem Moment, wo Halluzinationen von Sprachmodellen gelöst werden, werden AI Agenten ganze Unternehmen automatisieren können . Es werden hunderte AI-Mitarbeiter entwickelt, die direkt in Prozessen mit Menschen zusammenarbeiten. Klingt spooky, aber so wird's kommen. ­ Automationen AI Automationen sind regelbasiert und führen vordefinierte Schritte aus. In eine Automation können wiederum Assistenten integriert sein, die eine bestimmte Aufgabe in einem Prozess ausführen. Automationen sind jedoch nicht anpassungsfähig und autonom wie Agenten. Anbieter für (AI) Automationen No Code Plattformen wie Zapier & Make.com Fast jede Software hat Automationen in ihren Produkten integriert, zB Newsletter Tools Funktionsweise Automationen haben ein Trigger-Event , einen definierten Prozessablauf und einen vordefinierten Output. Beispiel: Bildgenerierung anhand von Wortwolke Trigger Zelle "Anlass" in einer Excel Datei wird befüllt. Prozess 1. ChatGPT findet passende Substantive, Verben, Adjektive zum Wort. 2. Substantive, Verben, Adjektive werden im Sheet gespeichert. 3. ChatGPT erstellt Prompt basierend auf der Wortwolke. 4. Prompt wird an Bild-AI weitergegeben. 5. Bild-AI erstellt 3 unterschiedliche Bildvarianten anhand vom Prompt. Als Output werden die fertigen Bilder als Link im Sheet hinterlegt. Anwendungsfelder AI Automationen eignen sich perfekt für wiederkehrende Aufgaben mit klaren Prozessschritten: Erstellung von Berichten Produktion von Content Automatische Übersetzungen Generierung von Produktbeschreibungen Klassifizierung von E-Mails / Anfragen Anstatt die Aufgaben immer wieder an einen AI Assistenten zu geben, kann der Prozess automatisiert werden. Die konkrete Abfolge der Schritte gewährleistet einen gleichbleibenden Output. ­ 🏁 Fazit Assistenten, Agenten, Automationen - alle bieten großartige Vorteile, aber haben auch ihre Schwächen. Die passende Lösung kommt auf den Use Case an. Takeaways: Assistenten sind genau das: die perfekten Unterstützer im Alltag . Wie ein digitaler, motivierter Praktikant. Agenten können autonom Arbeitsschritte planen , Tools einsetzen um die Aufgabe zu lösen und mit der Zeit besser werden. Je komplexer die Aufgabe, je höher ist auch das Risiko für Halluzinationen und je wichtiger ist das " Human in the Loop " Prinzip. Gut für Anwendungen im Vertrieb und Kundenservice geeignet. Automationen eignen sich perfekt für wiederkehrende Aufgaben mit klaren Prozessschritten. AI Assistenten (zB ChatGPT ) können in diese Abläufe integriert werden. Perfekt für Content-Erstellung, Dokumentverarbeitung oder Berichtserstellung. Wenn Du das A-Team richtig einsetzt, steigerst Du die Produktivität jedes Mitarbeiters, automatisierst Prozesse und bringst Dein Produkt besser an den Kunden. AI ist der Schlüssel für profitables Wachstum .
## AI für Meetings: 3 produktive Workflows
URL: https://ai-first.ai/insights/ai-fuer-meetings-3-produktive-workflows
Kategorie: Lab
Untertitel: Maximiere Deine Effizienz mit AI-gestützter Vor-, Während- und Nachbereitung
Bist Du auch 23 Stunden pro Woche in Meetings, wovon 71% ineffizient sind? Diese Zahlen habe ich neulich im Harvard Business Review gelesen. Das war auch mal meine Realität . Deshalb habe ich alle Meeting-Prozesse mit AI unterstützt: ↳ Vorbereitung ↳ Protokollierung ↳ Nachbereitung Die Zeiten sind vorbei, wo ich: mehr Notizen mache, als zuzuhören vergesse, was besprochen wurde unvorbereitet in ein Meeting laufe kein klares Ziel & Agenda habe ewig am Follow-Up sitze Aber das ist noch die Realität bei Vielen. Damit Du in Zukunft mehr Zeit für die Dinge hast, die wirklich zählen, zeige ich Dir heute meinen Workflow! Let's go. ­ Überblick Workflow Ich setze AI in 3 Meeting-Phasen ein: 1. Recherche & Vorbereitung 2. Durchführung & Protokollierung 3. Nachbereitung & Follow-Up Schauen wir uns den Workflow und die Tools an. ­ Vorbereitung - Recherche Zur Recherche für Meeting-Themen und Gesprächspartner nutze ich die Collections/Sammlungen in Perplexity . Lege Dir dafür einen kostenlosen Account auf www.perplexity.ai an. Gehe in der Navigation auf der linken Seite auf "Bibliothek" und wählen dann "Sammlung" aus: Anschließend öffnet sich die Sammlung und Du kannst einen Standard-Prompt für wiederkehrende Aufgaben hinterlegen: ­ In diesem Video führe ich Dich Schritt für Schritt durch: ­ Vorbereitung - Meeting Struktur Zur Strukturierung von Meetings habe ich einen GPT erstellt, den Du hier nutzen kannst. Der GPT erstellt: Mögliche Fragen der Teilnehmer Inhaltliche Struktur Text für Einladung Mögliche Einwände Fragen, um das Meeting voranzubringen Post-Meeting Checkliste Dazu habe ich diesen Prompt genutzt: ­ Das Ergebnis: ­ Durchführung Wer möchte schon Notizen während eines Meeting machen, diese dann strukturieren, zusammenfassen, eine Follow-Up Mail senden und alles irgendwo ablegen? Absolut niemand :) Deswegen automatisiere ich diesen Prozess mit tldv.io . Wie das funktioniert, erfährst Du hier: Wenn Du tldv.io selbst ausprobieren willst, sparst Du über diesen Link 30% für die ersten 6 Monate . ­ Oder nutzt Du Microsoft 365? Dann kannst Du (mit der Copilot 365 Lizenz ) Deine Meetings auch mit dem Copilot zusammenfassen lassen: ­ Nachbereitung tldv.io schickt automatisch eine Follow-Up Mail raus, wenn Du das willst. Die Mail sieht so aus: ­ Alternativ empfehle ich Dir einen GPT zu bauen, um Dich bei der Nachbereitung und der Follow-Up Mail zu unterstützen. Ich nutze dafür Gretchen und lade einfach das Transkript hoch. ­ 🏁 Fazit Wir verbringen schon genug Zeit in Meetings . Die Vor- und Nachbereitung kann AI machen. Diese Workflows sparen Dir min. 2 Stunden pro Woche: Erledige Deine Recherche mit Perplexity . Protokolliere Deine Meetings mit tldv.io oder Copilot . Lege die Notizen automatisch ab und lass das Follow-Up von AI schreiben. Lege Dir Prompt-Templates an, die Du wieder verwendest.
## Produktive AI Nutzung im Team steigern
URL: https://ai-first.ai/insights/produktive-ai-nutzung-im-team-steigern
Kategorie: Adoption
Untertitel: AI Hackathons: Der Schlüssel zur praktischen Anwendung und Akzeptanz im Team
Bevor wir starten, muss ich einfach mal danke sagen. Jede Woche erreichen mich viele wertschätzende Nachrichten und konstruktives Feedback, wie dieser Newsletter besser werden kann. Ich verdiene hiermit keinen Cent und investiere jede Woche mehrere Stunden , damit die Inhalte relevant und verständlich aufbereitet sind - trotz AI Support. Eure Unterstützung und Feedback zahlt das 1000-fach zurück - danke! Jetzt aber genug der emotionalen Worte...beschäftigen wir uns mit unserem Lieblingsthema. Wie bekommen wir AI produktiv genutzt? Nicht nur unter uns AI Pionieren, sondern auch: im Team, der Abteilung, dem ganzen Unternehmen. Ich habe dafür ein Format entwickelt und seitdem in diversen Unternehmen erfolgreich verprobt - den AI Hackathon . Was das ist, wie das geht, was es bringt: lernst Du alles in den nächsten 5 Minuten. Let's go. ­ Was ist ein AI Hackathon? Ein Hackathon ist ein zeitlich begrenztes Event , bei dem Personen aus verschiedenen Fachbereichen zusammenkommen, um an kreativen Lösungen für spezifische Probleme zu arbeiten. Das lässt sich perfekt auf den Umgang mit AI übertragen . Teams entwickeln in kurzer Zeit innovative Lösungen für echte Probleme aus dem Arbeitsalltag - mithilfe von AI-Tools . Was brauchst Du dafür? Tools: Zugang zu einem AI-Assistenten und weiteren, falls relevant (zB Tools für Bild, Audio, Video) Grundwissen: Grundlegende Kenntnisse zu den Funktionen und Prompting . Zeit: 2-4 Stunden , um belastbare Ergebnisse zu erzielen. ­ Planung Diese Punkte bereite ich vor: 1. Thema definieren Das Thema setzt den Rahmen für Deinen Hackathon. Hier gibt's kein richtig oder falsch , aber die Richtung muss klar sein: Breites Thema, zB Produktivität steigern Konkreteres Thema, zB Kundenkommunikation verbessern oder Hiring-Prozess kürzen 2. Impuls Überlege Dir einen Impuls zum Start des Hackathons, der Bezug zum Thema hat. Das kann ein kurzer Vortrag sein, eine Ansprache der Geschäftsführung oder ein initiales Training . 3. Ziel setzen Definiere, was das Ergebnis des Hackathons sein soll. Ich nehme gern: " Eine Lösung, die am nächsten Tag direkt eingesetzt werden kann und uns besser macht." Das motiviert die Teilnehmer und sorgt für einen praxisorientierten Ansatz. 4. Tools bereitstellen Stelle sicher, dass alle Teilnehmer Zugang zu den notwendigen AI-Tools haben. Das kann eine Plattform sein, auf der die Tools verfügbar sind, oder eine Liste mit den benötigten Software-Lizenzen. 5. Jury Du kannst einen Wettbewerb und Preis ausrufen für das beste Ergebnis. Überlege Dir dafür, wer die Jury ist und welchen Preis es gibt (zB 500€ Budget für ein Team-Event) (6.) Bonus Involviere Deine Geschäftsführung , Bereichsleitung oder andere Teile des Managements. Damit sendest Du ein wertvolles Signal, dass das Thema hohe Relevanz hat und alle (auch die GF) noch dazulernen. Wichtig: das Format lässt sich mit 100en, aber auch mit 5 Leuten umsetzen. Team-intern und bereichsübergreifend. Je nach Größe kannst Du den Umfang anpassen. ­ 7. Durchführung Mit der Planung ist das meiste erledigt - jetzt kann der Spaß beginnen. So läuft ein AI Hackathon bei mir ab: Training oder Inspiration: Beginne mit einem kurzen Training oder einer inspirierenden Keynote als Einstimmung. Vorstellung der Aufgabe. Präsentiere die Challenge , die es zu lösen gilt. Sei dabei so konkret wie möglich, um Missverständnisse zu vermeiden. Aufteilung der Gruppen: Bilde Teams aus max. 7 Leuten , die gemeinsam eine Lösung erarbeiten. Das kannst Du vorbereiten oder nach Losverfahren machen. Bearbeitung der Cases: Lass die Teams an ihren Lösungen arbeiten. Bau Check-Ins ein, in denen der Arbeitsstand, Herausforderungen und Fragen geteilt werden können. Das darf übrigens nach Arbeit aussehen :) Pitch & Voting Zum Abschluss stellt jedes Team seine Ergebnisse vor, gefolgt von einem Voting zur besten Lösung. Hier nochmal die Übersicht dazu: ­ Ergebnisse Ein AI Hackathon liefert ganz konkrete Ergebnisse in nur wenigen Stunden . So ein Format kann der Dosenöffner sein, um AI von der Theorie in die gelebte Praxis zu führen. Ein paar der Vorteile Ihr entdeckt mehrere konkrete Anwendungsfälle für AI. Diese können als Grundlage für zukünftige Projekte dienen. Es entstehen Lösungen, die sofort genutzt werden können . Das steigert die Akzeptanz und das Vertrauen in AI im Unternehmen. Teilnehmer lernen voneinander und lassen sich inspirieren. Der Austausch von Wissen und Ideen ist ein wesentlicher Bestandteil des Hackathons. Der Hackathon fördert den Teamgeist und macht Spaß. Das stärkt das Zusammengehörigkeitsgefühl und motiviert die Teilnehmer. Bedenken gegenüber AI werden abgebaut , da die Vorteile erlebbar werden. Durch praktische Erfahrungen verlieren AI und neue Technologien ihren Schrecken. 🏁 Fazit AI integriert sich nicht von selbst in den Arbeitsalltag und Prozesse. Wir müssen die Möglichkeiten verstehen lernen, Routinen ändern und eigene Bedenken abbauen. Hackathons sind ein großartiges Format dafür. Key Takeaways Hackathons lassen sich in kleinen und großen Gruppen durchführen. In einem Team oder bereichsübergreifend. Du brauchst keine Coding-Erfahrung . Vorbereitung: 2 Stunden Zeit , Zugang zu einem AI-Assistenten , vorab trainierte Grundlagen, definiertes Thema & Ziel. Ablauf: Inspiration/Training, 2 Stunden Arbeit an Lösungen, Vorstellung, Voting, Ergebnisse feiern. Bonus: Lösungen ab dem nächsten Tag einsetzen und Check-In nach 4 Wochen machen, wie es das Team vorangebracht hat. Top Management involvieren für den größten Effekt und Engagement.
## 2 Stunden pro Tag mit AI freisetzen
URL: https://ai-first.ai/insights/2-stunden-pro-tag-mit-ai-freisetzen
Kategorie: Lab
Untertitel: Dein persönliches A(I)-Team
Letzte Woche haben wir uns angeschaut, wie Du einen AI Assistenten in Dein Unternehmen einführst. Heute zeige ich Dir, wie Du persönlich davon profitierst und 2 Stunden pro Tag freisetzt. AI funktioniert für die meisten Menschen nicht, weil sie die Werkzeuge falsch einsetzen . Es kommt drauf an, die Fähigkeiten von AI im richtigen Moment, auf die richtige Weise zu nutzen. In den nächsten 5 Minuten lernst Du, wie das geht und welche Vorteile sich daraus für Dich ergeben. Let's go. ­ Die Aufgaben Im ersten Schritt müssen wir passende Aufgaben finden, die AI unterstützen soll. Diesen Prozess nutze ich: #1: Meine Aufgaben aufschlüsseln: Leads qualifizieren Workshops planen AI Trends bewerten Kundenkommunikation Meetings vor- und nachbereiten ... #2: Fähigkeiten von AI-Assistenten zuordnen: Ideen geben Texte schreiben Daten auswerten Zusammenfassen Informationen finden > Aufgaben aussortieren, wo AI nicht unterstützen kann . > Komplexe, mehrstufige Prozesse aufgliedern. #3: Bewerten und priorisieren: Klarheit : kann ich die Aufgabe eindeutig beschreiben? Machbarkeit : habe ich Zugang zu allen Informationen? Einfluss : wie viel Zeit kann ich mir damit sparen? > Starte mit zeitaufwändigen, stupiden Aufgaben , wo Du alle nötigen Informationen dokumentiert hast. Beispiele: Stellenausschreibungen erstellen Verträge auf Red Flags prüfen Newsletter schreiben ( ;D ) Berichte zusammenfassen Angebote vergleichen Meetings planen Jetzt hast Du das "Was". Nun kommen wir zum "Wie". ­ Die Toolbox Lege Dir keinen Zoo an AI-Tools zu, die Du eh nicht nutzt. Konzentriere Dich stattdessen auf wenige Tools und reize sie aus . Für 90% der Knowledge Worker Use Cases brauchst Du nur 3 : ChatGPT: Dein Sparringspartner im Alltag . Perfekt für schnelle Fragen, Ideengenerierung und Sprachverarbeitung. Claude: Der Spezialist fürs Schreiben . Ideal für längere Texte, Analysen und komplexe Aufgaben, die viel Kontext erfordern. Perplexity: Deine Recherche-Maschine . Verknüpft die Leistungsfähigkeit von AI mit aktuellen Informationen aus dem Web. Mit dieser Dreier-Kombi deckst Du die meisten Anwendungsfälle ab, ohne Dich in einem Tooling-Overload zu verlieren. Das ist der ideale Stack, aber eher für Einzelpersonen gedacht. Für einen unternehmensweiten Rollout sind 3 Tools/Person zu viel. Hier gibt es sichere Lösungen mit entsprechendem Nutzermanagement und Integrationen. Melde dich bei mir, wenn Du eine Empfehlung brauchst. ­ Die Assistenten Um wirklich effizient zu werden, brauchst Du maßgeschneiderte AI-Assistenten für Deine identifizierten Kernaufgaben. Assistenten heißen in jedem Tool anders: ChatGPT: CustomGPT Claude: Project Perplexity: Collection Lass mich Dir an einem Beispiel zeigen, wie ich Assistenten aufsetze. Ich habe einen Assistenten namens " Gretchen " für Vor- und Nachbereitung von Meetings erstellt. Dabei habe ich mich am Charakter aus der Serie Suits orientiert. Das vergeben von Charakteren hat mir enorm geholfen . Es ist als würde ich eine Aufgabe an einen Kollegen delegieren. Gretchen kennt: Mich, meine Services, meine Kunden Meine Struktur für Vor- und Nachbereitung von Meetings > Dafür habe ich Wissensdokumente aufgebaut und strukturiert, die ich im Tool hochlade. Dann habe ich Gretchen ein detailliertes Briefing gegeben für die Erstellung der Vor- und Nachbereitung von Meetings: Am Beispiel von der Nachbereitung eines Termins habe ich nur ein Transkript hochgeladen. Hier nutze ich Gretchen insbesondere für umfassende Zusammenfassungen aus wichtigen Terminen als Ergänzung zum AI Notetaker . Als Ergebnis bekomme ich mehrere strukturierte Tabellen die ich ins CRM einfüge sowie einen Draft für die Follow-Up E-Mail. Ich habe mir mit der Zeit ein Team aus Assistenten gebaut, welche wiederkehrende Aufgaben und Situationen abdecken. Sie können auch zusammen arbeiten oder sich gegenseitig challengen . Diese Assistenten nutze ich am meisten: Louis: Prüft rechtliche Dokumente und erstellt Red Flag Reports. Donna: Analysiert Probleme und liefert kreative Lösungsvorschläge Mike : Fasst AI Paper und Berichte zusammen und beantwortet Fragen in einfachen Worten. Harvey : Coached in Verhandlungen und bei strategischen Entscheidungen. Voice Memo: Fasst Sprachnotizen zusammen und schickt sie per Mail. Newsletter: Erstellt Struktur, Überschriften und 1. Draft. Use Case Generator: Erstellt und bewertet AI Use Cases. Workshop: Erstellt Agenda, Folien-Struktur und Übungen + Zusammenfassung vom Whiteboard. (Die Assistenten lassen sich nicht per Link teilen. Melde dich bei mir, wenn Du mehr Informationen haben willst.) So habe ich mein AI-Team aufgebaut mit ergänzenden Fähigkeiten und Eigenschaften, zugeschnitten auf wiederkehrende Situationen. Mit dem gleichen Prozess lassen sich auch für jede Abteilung eines Unternehmens Assistenten aufsetzen. Bei einem Kunden haben wir 50 Assistenten in 6 Funktionsbereichen aufgesetzt und damit im Schnitt 22% Zeitersparnis in den Aufgaben erzielt. Wenn Du das für Dein Unternehmen angehen willst, antworte auf diesen Newsletter. ­ Der Zeitpunkt Dein AI-Team steht. Wichtig ist jetzt, die Assistenten auch wirklich einzusetzen. Situationen, in denen ich immer AI einsetze: Bei den identifizierten Kernaktivitäten: Hier liegt das größte Einsparpotenzial. Wenn ich etwas zum ersten Mal mache: AI gibt einen Startpunkt und Struktur. Wenn ich auf einem weißen Blatt starte: AI gibt initiale Ideen und Gliederungen. Wenn ich Impulse brauche: AI hinterfragt meinen Status Quo und kurbelt Kreativität an. Mein bester Tipp: Einen Bildschirm ausschließlich für Deinen AI Assistenten reservieren . So denkst Du permanent dran und kommst in intensive Nutzung. ­ 🏁 Fazit AI Assistenten richtig einzusetzen ist keine Raketenwissenschaft . Du brauchst nur etwas Struktur und die richtige Herangehensweise. 5 Key Takeaways: Kombiniere Deine Aktivitäten mit AI-Fähigkeiten . Nutze so wenige Tools wie möglich , dafür richtig. Baue Dir ein Team aus spezialisierten Assistenten . Pro Assistent: 1 detailliertes Briefing und 1 Wissensbasis . Hab den AI Assistenten immer auf einem Bildschirm offen. Mit diesem Ansatz kannst Du realistisch 2 Stunden pro Tag freisetzen. Wer einmal das Setup hat, kann nicht mehr ohne .
## 6 Phasen: AI Assistenten richtig einführen
URL: https://ai-first.ai/insights/6-phasen-ai-assistenten-richtig-einfuehren
Kategorie: Adoption
Untertitel: Ein Leitfaden für die erfolgreiche Integration in Dein Unternehmen
Letzte Woche ging es um den AI Assistenten als wichtigsten Use Case. Heute zeige ich Dir, wie Du das konkret angehst. Der AI Assistent wird zum Basis Tool-Stack eines Unternehmens gehören. Ähnlich wie ein CRM oder ERP. Er wird Zugriff auf Unternehmenswissen , Systeme, E-Mails, Nachrichten, das Internet und Weltwissen haben. Das macht jeden Nutzer schneller und besser. Wie Du es schaffst, dass euer AI Assistent nicht nur Geld kostet, sondern auch produktiv in der Breite genutzt wird - darum geht's in den nächsten 5 Minuten. Denn eins ist klar: ein paar Lizenzen ins Team werfen, wird nicht funktionieren. Let's go. ­ Phase 1: Auswahl Das sind die wichtigsten Dimensionen , die ich mit meinen Kunden betrachte: Modelle: Welche AI-Modelle stehen zur Verfügung? Assistenten wie ChatGPT bieten eine hohe Abhängigkeit eines Modell-Anbieters. UI/UX: Wie benutzerfreundlich ist die Oberfläche? Sicherheit: Wie steht es um Datenschutz und Vertraulichkeit? Feature Set: Welche Funktionen bietet der Assistent über das reine Chat-Fenster hinaus? Integrationen: Lässt sich der Assistent in eure bestehende Infrastruktur einbinden? Wichtig: Gewichtet diese Dimensionen entsprechend eurer Priorität ! Mal steht Sicherheit an Nr. 1, mal ist die UX für eine hohe Nutzungsrate wichtiger. Und denkt dran: Es muss nicht immer Copilot oder ChatGPT sein! Drei Alternativen, die Du Dir anschauen solltest: Zive Langdock meinGPT Alle 3 Anbieter kommen aus Deutschland, verarbeiten Daten ausschließlich in der EU, binden diverse Modelle wie GPT4o , Claude 3.5 oder Mistral an und bringen zudem weitere Features wie zB Datenanbindungen, Workflow Builder oder Wissensmanagement. Unten findest Du noch eine Auswertung des Wall Street Journal zu bekannten AI Assistenten: Phase 2: Pilot Favoriten gefunden? Dann geht's in den Piloten. So kannst Du die Pilotphase strukturieren: Definiere klare Ziele und KPIs Zeitersparnis Qualitätssteigerung Nutzerzufriedenheit Wähle eure Teilnehmer sorgfältig aus Ein echter Game Changer in meinen Projekten war die Einführung einer Bewerbungsphase . Anstatt Teilnehmer aus den Teams auszuwählen, können sie sich jetzt bewerben warum sie dabei sein wollen und wie sie das Unternehmen mit AI voranbringen wollen. Plane den Ablauf Dauer (Empfehlung ca. 2 Monate) Erforderliche Schulungen Kommunikation Auswertung Ein Beispielablauf könnte so aussehen: Woche 0: Bereitstellung der Lizenzen Woche 1: Kickoff & Schulungen (siehe "Enablement") Woche 2-7: Testing & Feedback mit wöchentl. Check-Ins Woche 7-8: Auswertung und Entscheidung über weiteres Vorgehen ­ Phase 3: Enablement Der Erfolg eures AI-Assistenten steht und fällt mit der Befähigung eurer Mitarbeiter . Zum Start mache ich deswegen ein 3-stufiges Training. Theorie Was ist AI überhaupt? Welche Potenziale hat AI? Wie funktionieren Sprachmodelle? Welche Risiken müssen bewusst sein? Praxis Funktionen des AI Assistenten Prompt Engineering Workflows Erarbeitung einer gemeinsamen Case Study Fokus (pro Fachbereich) Umsetzung von speziellen Use Cases Integration in den eigenen Arbeitsalltag Tipp: Erstellt ein Handbuch mit Best Practices und häufig gestellten Fragen. Ich richte außerdem einen wöchentlichen Call ein, um Impulse zu geben (Wiederholung, neue Möglichkeiten zeigen, andere Use Cases anbringen) und Erfahrungen aus der Gruppe zu sammeln. ­ Phase 4: Use Cases Ich halte es für extrem wichtig eine Phase von 1-2 Wochen zu haben in der einfach ausprobiert und Erfahrung gesammelt werden kann. Nur durch die Praxis werden die Fähigkeiten von AI Assistenten wirklich klar. Auf diesem Wissen kannst Du mit konkreten Use Cases aufbauen. Mein Vorgehen dafür: (ca. 2 Stunden digitales Whiteboard oder vor Ort) Die Fähigkeiten von AI aufgliedern: Lesen, schreiben, analysieren, ... (das muss vorbereitet werden). Teilnehmer schreiben die Top 3-5 Aktivitäten aus ihrer Arbeit auf (Rechnungen prüfen, Kundentermine führen, ...) Jetzt werden die Fähigkeiten auf die Aktivitäten geschlüsselt (zB kann der AI Skill "Dokumente lesen" bei der Prüfung von Rechnungen helfen) Anschließend ergänzen, welche Daten benötigt werden (zB Rechnung) und wo diese herkommen (E-Mail vom Lieferanten). Zum Schluss jede Aktivität nach Machbarkeit (Zugang zu Daten, Schnittstelle zu System, ...) und Einfluss (Zeitersparnis, Qualitätsgewinn, besseres Kundenerlebnis) bewerten. Daraus priorisierst Du 3-5 Use Cases und baust dafür im AI Assistenten jeweils ein Template ( Custom Assistent / GPT ) auf. Das Template soll genau auf die Bearbeitung dieser Aufgabe zugeschnitten sein. Bonus-Tipp: Organisiere einen AI-Hackathon , um konkrete Lösungen mit eurem AI Assistenten zu bauen. Mein AI Hackathon Framework: ­ Phase 5: Auswertung Zeit, Bilanz zu ziehen. Schaue Dir an: #1: Welche messbaren Effekte auf Zeitersparnis oder Qualität gibt es? Meist bietet sich dafür ein Vorher/Nachher Vergleich bei den vorab definierten Use Cases an. #2: Wie sieht es mit Nutzungsdauer und -frequenz aus? Diese Zahlen bekommst Du meist aus dem Admin-Bereich der Tools: #3: Wie ist das Feedback der Pilotgruppe? Beste Anwendungsfelder Schlechte Anwendungsfelder Empfundene Vorteile und Nachteile Start/Stop/Continue für die Pilotphase Das sind wichtige Erfahrungswerte, die für die Bewertung aber auch den weiteren Rollout hilfreich sind. ­ Phase 6: Rollout Wenn der Pilot erfolgreich war, sollten die Vorteile in die Breite getragen werden. In Unternehmen >100 Mitarbeiter passiert das schrittweise . So kannst Du eine ausreichende Adoption und Qualität sicherstellen. Die Teilnehmer aus der Pilotphase können beim Rollout als Enabler fungieren und zB Trainings oder Support für die weiteren Gruppen übernehmen. Meine Tipps für einen reibungslosen Ablauf: Rolle schrittweise aus: Nach Team, Land oder Geschäftsbereich. Entwickele ein Playbook basierend auf euren Erfahrungen aus der Pilotphase (Training, Unterlagen, Templates im Tool, Kommunikationsformate, Support) Passe euer Vorgehen an die Unterschiede in verschiedenen Bereichen an. Setze Formate auf für kontinuierlichen Austausch und Weiterentwicklung, zB Hackathons oder "Use Case der Woche". ­ 🏁 Fazit AI Assistenten werden zu einem Basis-Tool . Die Auswahl und Einführung darf deshalb nicht dem Zufall überlassen werden. Außerdem ist AI zu komplex, um "einfach mal loszulegen" und auf Ergebnisse zu hoffen. 6 Takeaways: Es gibt mehr und bessere Assistenten als ChatGPT oder Copilot. Mit Pilotgruppe lernen, Teilnehmer bewerben lassen. Ohne Training geht nichts. Erst Fähigkeiten verstehen, dann erste Use Cases definieren, Templates aufbauen. Quantitative und qualitative Auswertung. Schritt für Schritt ausrollen. Mein wichtigstes Learning: Bleib dran ! Die ersten Wochen mögen holprig sein, aber mit der Zeit ändern sich Gewohnheiten und Du wirst die Vorteile deutlich spüren. Irgendwann kommt der Punkt, wo niemand mehr ohne AI arbeiten will . Der erste Schritt zur AI-First Kultur .
## Der wichtigste AI Use Case
URL: https://ai-first.ai/insights/der-wichtigste-ai-use-case
Kategorie: Adoption
Untertitel: Warum ein AI-Assistent für jeden Mitarbeiter der Schlüssel zum Erfolg ist
Die AI Welt hat sich wieder weiter gedreht. OpenAI bietet das neue Modell GPT-4o mini an , das 100x günstiger ist als das beste Modell vor 2 Jahren. Das mag kein großes Update sein im Vergleich zu anderen Quantensprüngen. Es beweist aber: AI wird immer besser und günstiger . Use Cases die in der Vergangenheit nicht (wirtschaftlich) umsetzbar waren, werden es jetzt. Und damit sind wir beim Thema für heute: Use Cases . Unklare Use Cases bleiben eine der größten Hürden bei der Einführung von AI. In einer Umfrage von IDC unter 2053 Unternehmen stimmten 50,8% dieser Aussage zu. Mich wundert das nicht. Die Technologie ist komplex und die Möglichkeiten schier endlos. Verständlich, dass viele Unternehmen sich schwertun, den richtigen Einstieg zu finden. Warum der klassische Use Case Ansatz bei GenAI nicht funktioniert und wie es besser geht, darum geht's in den nächsten 5 Minuten. Let's go. ­ Das Problem des klassischen Ansatzes Ich kenne den Prozess zur Definition von Use Cases so: Zieldefinition Anforderungsanalyse Identifikation der Akteure Beschreibung der Use Cases Spezifikation der Anforderungen Das mag funktionieren bei der Einführung bestimmter Tools, aber nicht für GenAI . Warum? Grund 1: Der Ansatz ist zu theoretisch. In endlosen Workshops und Meetings werden potenzielle Anwendungsfälle definiert. Doch dabei können sich die meisten Menschen die Möglichkeiten von AI noch gar nicht konkret vorstellen . Praxiserfahrungen fehlen. Grund 2: Mangelnde Einbindung der Mitarbeiter. Allzu oft werden Teams zu spät oder gar nicht in den Prozess einbezogen. Dies führt unweigerlich zu Widerständen und blockiert den notwendigen Wandel. Wir fühlen uns übergangen und sehen AI eher als Bedrohung denn als Chance . Das Resultat: Eine Liste mit 273 potenziellen Use Cases , wo niemand weiß, ob das überhaupt funktioniert und wie konkret weitergemacht werden soll. Es fehlt an Priorisierung, an konkreten nächsten Schritten und an der notwendigen Begeisterung in den Teams. Nicht selten versandet die Initiative an diesem Punkt, und die anfängliche Euphorie weicht Ernüchterung und Frustration. ­ Horizontale vs vertikale Use Case Ich teile Use Cases in horizontal und vertikal auf. Horizontale Use Cases steigern die Produktivität und Qualität aller Mitarbeiter im Arbeitsalltag. Vertikale Use Cases verbessern Effizienz, Entscheidungsfindung oder Ergebnisqualität in bestimmten Fachbereichen. In jedem Unternehmen gibt es hunderte davon. Also wo ansetzen? ­ Der wichtigste AI Use Case Der wichtigste Use Case ist ein AI-Assistent für jeden Mitarbeiter . Jeder Mitarbeiter muss lernen mit einem AI-Assistenten produktiv zu arbeiten. Mit AI-Assistent meine ich einen Multifunktions-Chatbot à la ChatGPT , obwohl es bessere Lösungen als ChatGPT gibt - aber dazu ein anderes mal. Warum ist das der beste Ansatz? Spielerisches Lernen: Deine Teams entdecken auf natürliche Weise die Möglichkeiten und Grenzen von AI. Natürliche Ideenfindung: Statt in theoretischen Workshops über potenzielle Use Cases zu spekulieren, entwickeln sich Anwendungsfälle organisch aus der täglichen Nutzung. Sofortige Einbindung: Mit diesem Ansatz sind deine Teams von Tag 1 involviert. Sie sind nicht passive Empfänger einer von oben diktierten Strategie, sondern aktive Gestalter von AI in ihrem Arbeitsbereich. Praxisnahe Bewertung: Use Cases werden direkt im Arbeitskontext auf ihre Tauglichkeit geprüft. Und nicht nur das. Mit einem AI-Assistenten kann ein Großteil der erarbeiteten Use Cases direkt in den Arbeitsalltag integriert werden . Ohne komplexe Entwicklung, hohe Budgets und langwierige Implementierung. Wichtiger Nebeneffekt: Du schaffst eine sichere Umgebung für den Einsatz von AI und beugst dem Aufbau einer Schatten AI (Mitarbeiter nutzen private AI Tools) vor. Um den AI Assistent erfolgreich einzuführen, solltest du folgende Punkte beachten: Starte im Kleinen mit einer Pilotgruppe, auf die sich wirklich interessierte Kollegen bewerben. Biete gezielte Schulungen an, um deinen Mitarbeitern den Einstieg zu erleichtern. Erstelle eine Richtlinie zum verantwortungsvollen, sicheren Umgang. Erziele die ersten Ergebnisse, kommuniziere Erfolge und roll Schritt für Schritt aus. Etabliere regelmäßigen Erfahrungsaustausch, in denen Best Practices und Herausforderungen diskutiert werden können. Verankere konkrete Ziele in den Teams (zB OKRs ), um den Fortschritt messbar zu machen und die Wichtigkeit des Themas zu unterstreichen. ­ Vom AI-Assistenten zu vertikalen Use Cases Sobald der AI-Assistent in deinem Unternehmen etabliert ist und deine Mitarbeiter erste Ergebnisse sehen, kannst du gezielt vertikale Use Cases entwickeln. Hier ist ein einfacher Ansatz, wie du dabei in jedem Bereich vorgehen kannst: Engpässe identifizieren, zB sehr zeitaufwändige Abläufe Fähigkeiten von AI zuordnen, zB Informationen aus Dokumenten extrahieren Erste Cases definieren, am Anfang max. 3 zur gleichen Zeit Prototypen testen, insb. Kosten und Qualität Verbessern und ausrollen Funktionierende Beispiele: Chatbot im Kundenservice Angebotsbearbeitung im Einkauf HR & Admin Chatbot in Teams Content Pipeline im Marketing Analyse von Kundenfeedback Mehr zu vertikalen Use Cases kommt in einer anderen Ausgabe! ­ 🏁 Fazit Listen mit 273 potenziellen Use Cases, die am Ende nie umgesetzt werden, helfen Dir nicht. Du brauchst ein Team, das: Die Fähigkeiten von AI versteht Diese Fähigkeiten aktiv einsetzt Daraus relevante Use Cases ableitet Dieser Ansatz ist über das gesamte Unternehmen skalierbar. Deine Teams werden zu aktiven Teilnehmern in der AI-First Transformation . Sie entdecken selbst, wie AI ihre tägliche Arbeit verbessern kann, und entwickeln eine positive Einstellung gegenüber der Technologie. Von dieser Grundlage aus kannst du organisch und fundiert spezifische Use Cases entwickeln, die Mehrwert für dein Unternehmen bieten. Der Schlüssel dafür ist die Nutzung eines AI-Assistenten von allen Mitarbeitern . Das ist der wichtigste Use Case.
## Wie AI das Spielfeld verändert
URL: https://ai-first.ai/insights/wie-ai-das-spielfeld-veraendert
Kategorie: Horizont
Untertitel: Warum AI-Integration keine Option, sondern eine Notwendigkeit ist
Willkommen zum Debüt des AI FIRST Newsletters! Ab sofort erhältst Du jeden Sonntag eine neue Ausgabe mit Insights zur AI Integration in Unternehmen. Warum schreibe ich den Newsletter? Viele Menschen sind von Künstlicher Intelligenz enttäuscht. Unternehmen investierten Millionen, träumten von Revolutionen. Doch was ist geblieben? Ein Meer aus leeren Versprechungen und ratlosen Managern. Die Symptome sind oft die gleichen: AI wird weiterhin als IT Thema fehlinterpretiert, Taskforces geraten ins Stocken, Flickenteppiche aus AI Tools entfaltet wenig Wirkung, Widerstände im Team und rechtliche Unsicherheiten blockieren Innovation. Bei AI FIRST geht es darum, wie AI ganzheitlich in Arbeit und Unternehmen integriert werden kann, um langfristige Wertschöpfung zu erzielen und die Wettbewerbsfähigkeit der Zukunft zu sichern. AI First bedeutet nicht, dass AI die Lösung für alles ist. Für mich bedeutet AI First, die Technologie immer mitzudenken und Vorteile in allen Bereichen zu nutzen. Ich bin überzeugt davon, dass AI jede Branche, jedes Unternehmen und jeden Beruf nachhaltig verändern wird. Diese Veränderung müssen wir aktiv gestalten . Wir dürfen sie nicht einfach passieren lassen. Wir starten heute mit einer Einordnung, wie AI das Spielfeld für Unternehmen verändert. Und wie man auf dem Spielfeld Tore schießt. Also, los geht's. Das Spielfeld Als Spielfeld definiere ich das Wettbewerbsumfeld, in dem ein Unternehmen die eigenen Produkte an Kunden verkauft. Dieses Spielfeld ist heute geprägt von: Fachkräftemangel Steigenden Kosten Globalem Wettbewerb Technologischer Disruption Regulatorischen Anforderungen Dynamischen Kundenbedürfnissen All diese Faktoren zwingen Unternehmen seit Jahren zur Steigerung der Produktivität , zur Digitalisierung von Prozessen, zu Produktinnovationen und zur Verbesserung der Kundenerlebnisse. Auf diesem Spielfeld hatten es kleine Unternehmen bisher schwer gegen die Großen, die mit riesigen Teams und Budgets Marktanteile gewonnen und verteidigt haben. Dieses Spielfeld verändert sich, wenn Unternehmen in die Lage versetzt werden aus eigenen Mitteln ein deutlich höheres Leistungsniveau zu erreichen. Auf diesem Leistungsniveau können sie oben mitspielen, sind resilient gegen externe Einflüsse wie den Fachkräftemangel oder höhere Energiekosten und treffen die Erwartungen ihrer Kunden. Und hier kommt Künstliche Intelligenz ins Spiel. Die Veränderung Künstliche Intelligenz war bis vor Kurzem eine Disziplin für Data Scientists und Entwickler. Sie entwickelten zum Großteil komplexe Modelle für Vorhersagen und bessere Entscheidungsfindung. Diese Modelle laufen heute im Hintergrund von Spotify, Netflix, unserem E-Mail Provider und vielen anderen Alltagsprodukten. Aber diese Welt hat sich verändert. Jeder von uns hat heute Zugang zu AI Modellen , die: natürliche Sprache verarbeiten, komplexe Datenstrukturen analysieren, passende Ergebnisse zu unseren Anfragen liefern. All das tun sie in Bruchteilen von Sekunden, können Millionen Aufgaben parallel und in fast allen Sprachen der Welt bearbeiten. Diese multimodalen Large Language Models (LLMs) können sehen, hören und sprechen. Also jede beliebige Form von Input verarbeiten und Output erzeugen: Seit dem Durchbruch von ChatGPT im November 2022 wird AI immer leistungsfähiger und einfacher zugänglich. Riesige Budgets werden in die Entwicklung investiert. Ein Update jagt das nächste. Über die letzten Jahre hat AI den Menschen in vielen kognitiven Fähigkeiten überholt: Quelle: ContextualAI Goldman Sachs prognostiziert Investitionen von 1 Billion USD in den kommenden Jahren in Generative AI (Goldman Sachs, Global Macro Research, Issue 129, 25. Juni) . Angetrieben durch diese Investitionen werden AI Modelle in den kommenden Jahren weitere kognitiven Fähigkeiten von Menschen erreichen oder übertreffen. Ein entscheidender Faktor dafür ist auch das exponentielle Wachstum von Rechenleistung. Mehr Rechenleistung ermöglicht das schnellere Training von immer größeren Modellen, die immer komplexere Aufgaben lösen können. Die neuesten Chips sind heute 1000x leistungsfähiger als noch vor 8 Jahren: Quelle: NVIDIA Die Zukunft wird nach vorn gezogen Riesige Investitionssummen kommen mit x-fach leistungsfähigerer Hardware und sinkenden Rechenkosten zusammen. Wie stark wird das den Fortschritt von AI beschleunigen? In 2022 und 2023 wurde eine Umfrage mit 2.778 Forschern durchgeführt, die bereits in hochrangigen Fachzeitschriften für AI veröffentlicht haben. 2023 gingen die Forscher davon aus, dass AI Systeme deutlich schneller weitere menschliche Aufgaben ersetzen können, als noch 2022 angenommen wurde. Niemand weiß, ob das wirklich so eintreten wird. Doch wir erleben ein enormes Tempo . Quelle: arxiv, Katja Grace, 2024 Diese Entwicklung verändert das Spielfeld für Unternehmen Wenn AI Modelle Aufgaben übernehmen und Ergebnisse erzeugen, die zuvor Menschen vorbehalten waren, dann hat das weitreichende Auswirkungen. Schauen wir uns das an zwei ganz einfachen Beispielen an, die heute schon Realität sind: Das ist keine Science-Fiction, keine Raketenwissenschaft und erfordert kein Expertenwissen. Das sind einfache Anwendungsfälle, die heute jedes Unternehmen in wissensbasierten Funktionen umsetzen kann. In beiden Beispielen zeigen sich die Auswirkungen: Stunden werden zu Minuten oder Sekunden Ergänzte menschliche Kreativität Individuellere Kundeninteraktionen Konzentration auf höherwertige Aufgaben Höhere Produktivität und Arbeitsqualität Diese Vorteile sind auf alle (wissensbasierten) Funktionsbereiche und Industrien anwendbar. Ich möchte auch die Hürden nicht außen vor lassen. 3 wiederkehrende Herausforderungen sind Halluzinationen von Modellen, Skalierungskosten oder unzureichende (Daten)Infrastruktur. Schon heute gibt es Wege Halluzinationen zu minimieren, die Betriebskosten von AI Modellen zu optimieren und eine ausreichende Datengrundlage aufzubauen. Parallel arbeiten schlaue Menschen an Lösungen für genau diese Themen. Das World Economic Forum prognostiziert eine jährliche Wachstumsrate von 40% für Jobs in der AI Industrie. Bis die meisten Unternehmen an einem Punkt angelangt sind, wo sie fortgeschrittene Anwendungen umsetzen können, wird sich die AI Welt weitergedreht haben. Was heute unmöglich erscheint, kann bald gelöst sein. Wir müssen uns immer daran erinnern: Die heutige AI ist die Schlechteste, die wir je wieder erleben . Die Gewinner und Verlierer Abschließend bleibt die Frage zu klären, wer im direkten Wettbewerb als Gewinner auf dem Platz steht und wer das Feld als Verlierer verlässt. Wahrscheinlich kannst Du es Dir schon denken. Die Verlierer: wachsen über immer mehr Mitarbeiter und sind abhängig vom Arbeitsmarkt. hinken mit ihren Produkten den steigenden Kundenerwartungen hinterher. sehen schmelzende Profite durch hohe Kostenstrukturen in Gehältern und Marketing. Die Verlierer haben es nicht geschafft, AI in ihre Teams, Prozesse und Wertschöpfungskette zu integrieren. Ihnen fehlt die Geschwindigkeit und Resilienz, um gegen die Gewinner zu bestehen. Die Gewinner: AI Assistenten sind als Co-Worker in jedes Team integriert und bringen zu schnelleren, besseren Ergebnissen. AI-Kollegen (Agenten) übernehmen Aufgaben in Prozessen, völlig autonom und skalieren ohne Grenzen. AI steigert die Wertschaffung und -schöpfung durch das beste Kundenerlebnis und beschleunigte Innovationszyklen. Gewinner sind AI First . 2023 bin ich als Interim CEO für einen Turnaround eines insolventen Unternehmens gestartet und wir haben mit diesem AI-First Ansatz das Unternehmen in 9 Monaten zurück ins profitable Wachstum gebracht - obwohl wir 80% der Leute entlassen mussten. Der Schlüssel war das gesamte Unternehmen (Team, Prozesse, Produkte) aus AI-Sicht zu denken und zu verändern: In welchem Szenario können Unternehmen ohne AI gegen AI First Unternehmen bestehen? Mir fällt keins ein. Schreib mir bitte Deine Gedanken dazu. In den Graustufen muss sich zeigen, welches Level an AI Integration erforderlich sein wird für den Erhalt der Wettbewerbsfähigkeit. Wie so oft passiert diese Veränderung nicht von heute auf morgen, sondern schreitet graduell voran. Doch der Fortschritt ist längst in Gang gesetzt. 🏁 Fazit AI verändert jede Branche, jedes Unternehmen und jeden Job . Sie ist der technologische Gleichmacher , der das Spielfeld für Unternehmen ebnet. Es benötigt keine großen Teams und Budgets mehr. AI-First Unternehmen erzielen mit weniger Mitarbeitern und finanziellen Mitteln die gleichen Ergebnisse. Der Moderna CEO Stéphane Bancel sagt dazu: “If we had to do it the old biopharmaceutical ways, we might need a hundred thousand people today. We really believe we can maximize our impact on patients with a few thousand people, using technology and AI to scale the company.” Was Moderna kann, kann Dein Unternehmen auch. Die Technologie und Potenziale stehen allen Unternehmen gleichermaßen offen. Wer sie nutzen will, muss AI ganzheitlich denken . Von der Strategie, über Technologie und Menschen. Über Teams, Prozesse und Produkte.
---

# Podcasts

- [Von CompanyGPT zur KI-Plattform – wie die Helaba KI konzernweit skaliert](https://ai-first.ai/podcast/von-companygpt-zur-ki-plattform-wie-die-helaba-ki-konzernweit-skaliert-philipp-schwaab-chief-ai-officer) — mit Philipp Schwaab
- [Agentische KI im B2B: So entsteht Wert jenseits von Chatbots](https://ai-first.ai/podcast/wie-ki-agenten-in-b2b-prozessen-wert-schaffen) — mit Hartmut Koenig
- [Die Rolle von HR in der KI-Transformation](https://ai-first.ai/podcast/die-rolle-von-hr-in-der-ki-transformation) — mit Frauke von Polier
- [Unsere Top 3 Use Cases](https://ai-first.ai/podcast/unsere-top-3-use-cases) — mit Elisabeth L’Orange
- [Future of Work: Warum KI unser Betriebssystem Arbeit neu schreibt (mit Raphael Gielgen, Vitra)](https://ai-first.ai/podcast/future-of-work-warum-ki-unser-betriebssystem-arbeit-neu-schreibt-mit-raphael-gielgen-vitra) — mit Raphael Gielgen
- [AI-first bei FINN: Von Automation-DNA zu Agent-Orchestrierung (20 Mio. Automations/Tag)](https://ai-first.ai/podcast/ai-ist-tool-nicht-accountability-finn-cto-andreas-stryz-ueber-ai-first-organisation) — mit Andreas Stryz
- [Agentic Engineering: Wie arbeiten das Tech-Team bei mobile.de mit KI?](https://ai-first.ai/podcast/agentic-engineering-wie-arbeiten-das-tech-team-bei-mobile-de-mit-ki) — mit David Gebhardt
- [Keine Job-Apokalypse: Warum KI Jobs spannender macht, statt sie abzulösen](https://ai-first.ai/podcast/keine-job-apokalypse-warum-ki-jobs-spannender-macht-statt-sie-abzuloesen) — mit Elisabeth L’Orange
- [Wie ein 4-köpfiges KI-Team bei cosnova über 1.000 Mitarbeiter fit macht, ihre Probleme mit KI zu lösen](https://ai-first.ai/podcast/wie-ein-4-koepfiges-ki-team-bei-cosnova-ueber-1-000-mitarbeiter-fit-macht-ihre-probleme-mit-ki-zu-loesen) — mit Christoph Deutschmann
- [Wie KI in Enterprise-Umgebungen komplexe Wissensfragen beantwortet (ohne zu halluzinieren)](https://ai-first.ai/podcast/wie-ki-in-enterprise-umgebungen-komplexe-wissensfragen-beantwortet-ohne-zu-halluzinieren) — mit Sushel Bijganath
- [Wie eine Stadt mit 40.000 Einwohnern vormacht, wie KI-Transformation geht.](https://ai-first.ai/podcast/wie-eine-stadt-mit-40-000-einwohnern-vormacht-wie-ki-transformation-geht) — mit Thorsten Rode
- [Wie ein Full AI Studio Filme (fast) ohne Menschen produziert](https://ai-first.ai/podcast/wie-ein-full-ai-studio-filme-fast-ohne-menschen-produziert) — mit Max Penk
- [Heute entscheiden, morgen testen: KI-Transformation bei der Ostfriesischen Tee Gesellschaft](https://ai-first.ai/podcast/heute-entscheiden-morgen-testen-ki-transformation-bei-der-ostfriesischen-tee-gesellschaft) — mit Alexander Cohrs
- [Der Nightmare Competitor Ansatz bei Gebr. Dorfner: "Wie würde ein Wettbewerber mit KI unser Geschäftsmodell disruptieren?”](https://ai-first.ai/podcast/gebrueder-dorfner) — mit Tim Lüken
- [Wie Finanzfluss menschliche Stärken mit KI-Fähigkeiten im Journalismus verbindet](https://ai-first.ai/podcast/wie-finanzfluss-menschliche-staerken-mit-ki-faehigkeiten-im-journalismus-verbindet) — mit Mary Abdelaziz-Ditzow
- [Die andere Seite der KI-Medaille: Brain Fry, Arbeitsmarkt-Druck und Adaptionsprobleme](https://ai-first.ai/podcast/die-andere-seite-der-ki-medaille-brain-fry-arbeitsmarkt-druck-und-adaptionsprobleme) — mit Elisabeth L’Orange
- [KI als strategische Fähigkeit im Bau: Wie GOLDBECK Adoption und Use Cases orchestriert](https://ai-first.ai/podcast/ki-als-strategische-faehigkeit-im-bau-wie-goldbeck-adoption-und-use-cases-orchestriert) — mit Dr. Florian Gauer
- [Wie wir unser KI-Betriebssystem aufgebaut haben](https://ai-first.ai/podcast/wie-wir-unser-ki-betriebssystem-aufgebaut-haben)
- [Warum KI kein Tool und auch kein Mitarbeiter ist](https://ai-first.ai/podcast/warum-ki-kein-tool-und-auch-kein-mitarbeiter-ist)
- [KI-Programm bei BASF: Breitensport und Spitzensport](https://ai-first.ai/podcast/ki-programm-bei-basf-breitensport-und-spitzensport-mit-marcus-pospiech) — mit Marcus Pospiech
- [Von der Geschäftsstelle bis zum Trainingsplatz: KI-Transformation beim VfL Wolfsburg](https://ai-first.ai/podcast/ki-im-profifussball) — mit Claudio Demmer
- [Wie du ein CEO-Office aus KI-Agenten aufbaust](https://ai-first.ai/podcast/wie-du-ein-ceo-office-aus-ki-agenten-aufbaust) — mit Jonas Diezun
- [Die unbequeme Wahrheit über Datenprojekte in der Industrie](https://ai-first.ai/podcast/arbeit-als-global-data-architect) — mit Christian Krug
- [AI for the rest of us: Wie KI endlich für alle zugänglich wird](https://ai-first.ai/podcast/ai-for-the-rest-of-us-wie-ki-endlich-fuer-alle-zugaenglich-wird) — mit Martin Böhringer
- [KI-Transformation bei REWE: Was funktioniert wirklich?](https://ai-first.ai/podcast/ki-transformation-bei-rewe-was-funktioniert-wirklich) — mit Henrike Alfeis
- [Wie man ein AI-First Startup aufbaut](https://ai-first.ai/podcast/wie-man-ein-ai-first-startup-aufbaut) — mit Benedikt Böringer
- [Wie man eine Daten- und KI-Organisation als Profit Center aufbaut](https://ai-first.ai/podcast/wie-man-eine-daten-und-ki-organisation-als-profit-center-aufbaut) — mit Romina Medici
- [AI Governance bei Payback: Wie Legal und Data gemeinsam den Weg für KI freimachen](https://ai-first.ai/podcast/ai-governance-bei-payback-wie-legal-und-data-gemeinsam-den-weg-fuer-ki-freimachen) — mit Franziska Kripp
- [KI-Prognosen 2026](https://ai-first.ai/podcast/ki-prognosen-2026) — mit Christoph Pacher
- [Venture Clienting trifft KI: Wie Eberspächer mit Startup-Mentalität die Transformation beschleunigt](https://ai-first.ai/podcast/venture-clienting-trifft-ki-wie-eberspaecher-mit-startup-mentalitaet-die-transformation-beschleunigt) — mit Florian Dürr
- [AI in der Kreativbranche: Wie JUSTADDSUGAR mit eigenem Tool die Agenturwelt neu denkt](https://ai-first.ai/podcast/ai-in-der-kreativbranche-wie-justaddsugar-mit-eigenem-tool-die-agenturwelt-neu-denkt) — mit Jasper Börnsen
- [Unser KI-Tool Stack für maximale Produktivität](https://ai-first.ai/podcast/unser-ki-tool-stack-fuer-maximale-produktivitaet)
- [13 Jahre in der Daten- und KI-Welt: Was funktioniert wirklich?](https://ai-first.ai/podcast/13-jahre-in-der-daten-und-ki-welt-was-funktioniert-wirklich) — mit Alexander Thamm
- [SIGNAL IDUNA: Einblicke in den KI-Rollout auf 10.000 Mitarbeiter und die Skalierung von KI-Agenten](https://ai-first.ai/podcast/signal-iduna-einblicke-in-den-ki-rollout-auf-10-000-mitarbeiter-und-die-skalierung-von-ki-agenten) — mit Patrick Darby
- [Wie komme ich auf Platz 1 in den KI-Suchergebnissen?](https://ai-first.ai/podcast/wie-komme-ich-auf-platz-1-in-den-ki-suchergebnissen) — mit Niklas Buschner
- [Wie TUI KI in 400+ Hotels & Resorts für bessere Gasterlebnisse und Nachhaltigkeit implementiert](https://ai-first.ai/podcast/wie-tui-ki-in-400-hotels-resorts-fuer-bessere-gasterlebnisse-und-nachhaltigkeit-implementiert) — mit Jano Martin
- [Wie wir AI FIRST mit KI aufgebaut haben](https://ai-first.ai/podcast/wie-wir-ai-first-mit-ki-aufgebaut-haben)
- [Wie sollten Mensch und KI zusammenarbeiten?](https://ai-first.ai/podcast/wie-sollten-mensch-und-ki-zusammenarbeiten) — mit Elisabeth L'Orange
- [Wie die DKB einen Digital Agent entwickelt, der einen Großteil aller Support-Anfragen löst](https://ai-first.ai/podcast/wie-die-dkb-einen-digital-agent-entwickelt-der-einen-grossteil-aller-support-anfragen-loest) — mit Sascha Dewald
- [Wie setzt HORNBACH KI im Content Marketing ein?](https://ai-first.ai/podcast/wie-setzt-hornbach-ki-im-content-marketing-ein) — mit Madlen Barke
- [KI-Hackathons: Wie die Otto Group ihre KI-Reise beschleunigt](https://ai-first.ai/podcast/ki-hackathons-wie-die-otto-group-ihre-ki-reise-beschleunigt) — mit Anja Körber
- [Bild-KI: Wo liegen die größten Potenziale und wo gibt es Grenzen?](https://ai-first.ai/podcast/bild-ki-wo-liegen-die-groessten-potenziale-und-wo-gibt-es-grenzen) — mit Georg Neumann
- [Erfolgsprinzipien für KI-Integration in Produkten und Prozessen](https://ai-first.ai/podcast/erfolgsprinzipien-fuer-ki-integration-in-produkten-und-prozessen) — mit Julian Geiger
- [Wie gelingt unternehmensweite KI-Adoption?](https://ai-first.ai/podcast/wie-gelingt-unternehmensweite-ki-adoption) — mit Paul Töws
- [Wie baut man ein AI-First Unternehmen auf?](https://ai-first.ai/podcast/wie-baut-man-ein-ai-first-unternehmen-auf) — mit Daniel Khachab
- [Wie funktioniert Hyperpersonalisierung?](https://ai-first.ai/podcast/wie-funktioniert-hyperpersonalisierung) — mit Florian Johannsen
- [Was passiert mit einer Kommunikationsagentur durch Large Language Models?](https://ai-first.ai/podcast/was-passiert-mit-einer-kommunikationsagentur-durch-large-language-models) — mit Markus Neckar
- [Wie balanciert man KI-Demokratisierung mit strategischem Impact?](https://ai-first.ai/podcast/wie-balanciert-man-ki-demokratisierung-mit-strategischem-impact) — mit Ludwig Pannach
- [Wie funktioniert KI-Governance in einer Bank?](https://ai-first.ai/podcast/wie-funktioniert-ki-governance-in-einer-bank) — mit Julia Sterling
- [Was kommt nach KI-Chatbots?](https://ai-first.ai/podcast/was-kommt-nach-ki-chatbots) — mit Florian Baader
- [Welche Medienunternehmen überleben die KI-Disruption?](https://ai-first.ai/podcast/welche-medienunternehmen-ueberleben-die-ki-disruption) — mit Marco Parrillo
- [Wie sieht deine KI-Nutzung aus?](https://ai-first.ai/podcast/wie-sieht-deine-ki-nutzung-aus) — mit Elisabeth L'Orange
- [Wie sieht die KI-Roadmap 2030 aus?](https://ai-first.ai/podcast/wie-sieht-die-ki-roadmap-2030-aus) — mit Sven Gabor Janszky
- [Wie Rossmann Prompt Engineers einsetzt und KI Use Cases umsetzt](https://ai-first.ai/podcast/wie-rossmann-prompt-engineers-einsetzt-und-ki-use-cases-umsetzt) — mit Lena Eckroth
- [Wie funktioniert KI in einer Stadtverwaltung? Einblicke in München's KI-Strategie](https://ai-first.ai/podcast/wie-funktioniert-ki-in-einer-stadtverwaltung-einblicke-in-muenchen-s-ki-strategie) — mit Dr. Nina Böhm
- [Vom 1. Leuchtturmprojekt zum KI-Kompetenzzentrum: Nachhaltige KI-Wertschöpfung bei Dachser](https://ai-first.ai/podcast/vom-1-leuchtturmprojekt-zum-ki-kompetenzzentrum-nachhaltige-ki-wertschoepfung-bei-dachser) — mit Jürgen Sakry
- [Generative KI trifft auf Automobilentwicklung: Die KI-Reise der IAV](https://ai-first.ai/podcast/generative-ki-trifft-auf-automobilentwicklung-die-ki-reise-der-iav) — mit Michael Reichel
- [Human-Centered AI im deutschen Maschinenbau bei W&H](https://ai-first.ai/podcast/human-centered-ai-im-deutschen-maschinenbau-bei-w-h) — mit Jürgen Brinkmann
- [Zentral befähigen, dezentral umsetzen: Das hybride KI-Transformationsmodell von Breuninger](https://ai-first.ai/podcast/zentral-befaehigen-dezentral-umsetzen-das-hybride-ki-transformationsmodell-von-breuninger) — mit Frank Postel
- [KI-Demokratisierung: Wie Schäfer Shop 500 Mitarbeiter zu KI-Anwendern macht](https://ai-first.ai/podcast/ki-demokratisierung-wie-schaefer-shop-500-mitarbeiter-zu-ki-anwendern-macht) — mit Felix Jochmus-Stöcke
- [Wie baut man eine Daten- und KI-Organisation auf? Der Anti-Hype Blueprint](https://ai-first.ai/podcast/wie-baut-man-eine-daten-und-ki-organisation-auf-der-anti-hype-blueprint) — mit Claudia Pohlink
- [„KI ist kein Werkzeug, sondern ein Kollege“ – Wie Covestro das Zusammenspiel von Mensch und Maschine neu definiert](https://ai-first.ai/podcast/ki-ist-kein-werkzeug-sondern-ein-kollege-wie-covestro-das-zusammenspiel-von-mensch-und-maschine-neu-definiert) — mit Nils Janus
- [KI-Transformation im Kundenservice: Wie KI-Agenten das Kundenerlebnis verbessern](https://ai-first.ai/podcast/ki-transformation-im-kundenservice-wie-ki-agenten-das-kundenerlebnis-verbessern) — mit Malte Kosub
- [KI-Transformation bei RWE: Wie ein Energieriese mit der schnellsten Technologie unserer Zeit umgeht](https://ai-first.ai/podcast/ki-transformation-bei-rwe-wie-ein-energieriese-mit-der-schnellsten-technologie-unserer-zeit-umgeht) — mit Dr. Max Schumm
- [Das AI Adoption Playbook: Einblicke aus über 550 Kunden von Langdock](https://ai-first.ai/podcast/das-ai-adoption-playbook-einblicke-aus-ueber-550-kunden-von-langdock) — mit Lennard Schmidt
- [KI-Roadmaps für Unternehmen: Wie du profitable Use Cases findest und umsetzt](https://ai-first.ai/podcast/ki-roadmaps-fuer-unternehmen-wie-du-profitable-use-cases-findest-und-umsetzt) — mit Tobias Zwingmann
- [Das 1. Jahr als Head of AI: Einblicke in FUNKE's KI Transformation](https://ai-first.ai/podcast/das-1-jahr-als-head-of-ai-einblicke-in-funke-s-ki-transformation) — mit Paul Elvers
- [Schwarze Magie in KI: Cyberangriffe, Deep Fakes und wie wir uns davor schützen können](https://ai-first.ai/podcast/schwarze-magie-in-ki-cyberangriffe-deep-fakes-und-wie-wir-uns-davor-schuetzen-koennen) — mit Niklas Hanitsch
- [AI Tinkering bei Ashoka](https://ai-first.ai/podcast/ai-tinkering-bei-ashoka) — mit Odin Mühlenbein
- [Löst KI Anwälte ab? Einblicke in den KI-Wandel der Rechtsbranche.](https://ai-first.ai/podcast/loest-ki-anwaelte-ab-einblicke-in-den-ki-wandel-der-rechtsbranche) — mit Viktor von Essen
- [KI im Unternehmen: Rechtliche Fallstricke und wie man sie vermeidet](https://ai-first.ai/podcast/ki-im-unternehmen-rechtliche-fallstricke-und-wie-man-sie-vermeidet) — mit Arno Malcher
- [KI-Potenziale entfesseln, Menschen mitnehmen – der Weg zur digitalen Use Case Fabrik](https://ai-first.ai/podcast/ki-potenziale-entfesseln-menschen-mitnehmen-der-weg-zur-digitalen-use-case-fabrik) — mit Sven Bettermann
- [Schluss mit endlosem Suchen: Wie KI das Unternehmenswissen zugänglich macht](https://ai-first.ai/podcast/schluss-mit-endlosem-suchen-wie-ki-das-unternehmenswissen-zugaenglich-macht) — mit Jan Marquart
- [76% tägliche Nutzung: So gelingt KI-Adoption im Mittelstand](https://ai-first.ai/podcast/76-taegliche-nutzung-so-gelingt-ki-adoption-im-mittelstand) — mit Florian Grunwald
- [KI bei Otto skalieren: Wie 60 Ambassadoren 6.000 Mitarbeitende mitnehmen](https://ai-first.ai/podcast/wie-otto-die-ki-transformation-meistert) — mit Dr. Frederike Fritzsche
- [KI-gestützte Bedarfsplanung bei Renfert: Ein Praxisbericht aus dem Mittelstand](https://ai-first.ai/podcast/ki-gestuetzte-bedarfsplanung-bei-renfert-ein-praxisbericht-aus-dem-mittelstand) — mit Sebastian Herz
- [Die Agent Economy: Wie KI-Teams die Arbeitswelt verändern](https://ai-first.ai/podcast/die-agent-economy-wie-ki-teams-die-arbeitswelt-veraendern) — mit Sebastian Küpers
- [Make AI Fun Again: 6 Learnings für produktive KI-Nutzung im Unternehmen](https://ai-first.ai/podcast/make-ai-fun-again-6-learnings-fuer-produktive-ki-nutzung-im-unternehmen) — mit Aram Azimi
- [Wie BASF 110.000 Mitarbeiter fit für die Zukunft macht](https://ai-first.ai/podcast/wie-basf-110-000-mitarbeiter-fit-fuer-die-zukunft-macht) — mit Jasmin Weimüller
- [KI Prognosen 2025](https://ai-first.ai/podcast/ki-prognosen-2025) — mit Christoph Pacher
- [KI im Recruiting: Von 45 auf 3 Minuten für eine Stellenanzeige mit 30% mehr Conversion](https://ai-first.ai/podcast/ki-im-recruiting-von-45-auf-3-minuten-fuer-eine-stellenanzeige-mit-30-mehr-conversion) — mit Shezan Kazi
- [Pragmatische KI-Einführung im Mittelstand - Learnings von der LUQOM Group](https://ai-first.ai/podcast/pragmatische-ki-einfuehrung-im-mittelstand-learnings-von-der-luqom-group) — mit Ales Drabek
- [Keine KI ohne Datenstrategie: Ein Praxis-Guide für Unternehmen](https://ai-first.ai/podcast/keine-ki-ohne-datenstrategie-ein-praxis-guide-fuer-unternehmen) — mit Timo Buck
- [KI Strategie: Wie Drees & Sommer eine AI-Vision entwickelt und umsetzt](https://ai-first.ai/podcast/ki-strategie-wie-drees-sommer-eine-ai-vision-entwickelt-und-umsetzt) — mit Raffaela Schneid
- [GenAI bei Bosch: Von der Idee zum konzernweiten Rollout in 18 Monaten](https://ai-first.ai/podcast/genai-bei-bosch-von-der-idee-zum-konzernweiten-rollout-in-18-monaten) — mit Sascha Sambale
- [AI im Traditionsunternehmen: Wie Hochland Künstliche Intelligenz wertstiftend einsetzt](https://ai-first.ai/podcast/ai-im-traditionsunternehmen-wie-hochland-kuenstliche-intelligenz-wertstiftend-einsetzt) — mit Albert Heim
- [EU AI Act entmystifiziert: Wie Unternehmen richtig mit der KI-Verordnung umgehen](https://ai-first.ai/podcast/eu-ai-act-entmystifiziert-wie-unternehmen-richtig-mit-der-ki-verordnung-umgehen) — mit Dr. Patrick Gilroy
- [Produktivität durch AI: GetYourGuide's Ansatz zur unternehmensweiten Integration](https://ai-first.ai/podcast/produktivitaet-durch-ai-getyourguide-s-ansatz-zur-unternehmensweiten-integration) — mit Mathieu Bastian
- [Wie Deutschland zur KI Nation wird](https://ai-first.ai/podcast/wie-deutschland-zur-ki-nation-wird) — mit Fabian Westerheide
- [Wie Körber ein GenAI Center of Excellence aufgebaut hat](https://ai-first.ai/podcast/wie-koerber-ein-genai-center-of-excellence-aufgebaut-hat) — mit Maximilian Henschel
- [AI in der Kreativbranche: Wie man Effizienz und Kreativität zusammenbringt](https://ai-first.ai/podcast/ai-in-der-kreativbranche-wie-man-effizienz-und-kreativitaet-zusammenbringt) — mit Jasper Börnsen
- [ogGPT trifft Großkonzern: Wie Otto 30.000 Mitarbeiter AI-fit macht](https://ai-first.ai/podcast/oggpt-trifft-grosskonzern-wie-otto-30-000-mitarbeiter-ai-fit-macht) — mit Florian Leuerer