Von Einzelprompts zu persistenten Workflows. Wie man KI-Modelle versteht, sinnvoll einsetzt — und was dabei wirklich wichtig ist.
← → Navigieren · ESC zurück zur Übersicht
Einstieg
Warum „einfach fragen" nicht reicht
„Ich habe ChatGPT mal ausprobiert, aber die Antworten waren so generisch. Damit kann ich nichts anfangen."
— Reaktion, die ich immer wieder höre
Das ist kein Problem mit KI. Das ist ein Problem mit der Art, wie KI benutzt wird.
Was die meisten tun
Eine Frage eingeben. Antwort lesen. Enttäuscht sein. Aufhören.
Was funktioniert
Kontext geben. Ziel definieren. Iterieren. Workflows bauen, die morgen noch funktionieren.
Überblick
Was du in diesem Modul lernst
01
Modelle verstehen
Was Claude, GPT und Co. wirklich tun — und unterscheiden
02
Prompts bauen
Architektur, die konsistent und vorhersagbar funktioniert
03
Workflows
Persistente Systeme, nicht Einzelgespräche
04
Qualität
Bewerten, iterieren, verbessern
05
Teams
KI in Gruppen und Schulen einführen
Ziel: Du verlässt dieses Modul mit konkreten Methoden — nicht Buzzwords.
Die praktische Revolution
DALL-E 2, 2022 — Generative KI für jedermann
April 2022: OpenAI zeigt DALL-E 2 — ein KI-System, das aus Text-Beschreibungen Bilder generiert. Die Qualität schockt die Industrie.
Prompt: „Ein Teddy-Bär arbeitet im Büro eines Venture-Capital-Unternehmens" → Foto-realistische Bilder in Sekunden.
Das Earthquake: Generative KI war plötzlich nicht mehr theoretisch. Sie war jetzt verfügbar. Künstler, Designer, und Marketer hatten plötzlich ein neues Werkzeug — oder eine neue Konkurrenz.
„DALL-E 2 ist nicht perfekt — aber es ist gut genug, dass ein Designer 30 Ideen in 10 Minuten generieren kann statt in 2 Stunden."
— Ralf Baecker, Künstler, 2023
DALL-E 2: „Astronaut riding horse" (CC BY 4.0 · OpenAI)
🎨 DALL-E 2 war die erste generative KI, die breite Nutzer erreichte. Es macht abstrakt konkret.
Das Momentum
ChatGPT, 30. November 2022 — KI wird Mainstream
November 2022: OpenAI veröffentlicht ChatGPT — nicht als Forschungspaper, nicht als Verkaufsprodukt, sondern als kostenloses Experiment auf chatgpt.com.
Das Ergebnis ist beispiellos: In 5 Tagen: 1 Million Nutzer. In 2 Monaten: 100 Millionen. Schneller als jede andere Applikation in der Geschichte.
„Wir haben nicht erwartet, dass es so schnell viral wird. Wir dachten, es würde den Early Adopters gefallen. Stattdessen war es über Nacht allgemeinbekannt."
— Sam Altman, OpenAI CEO
Das Virale: ChatGPT war nicht das erste LLM. BERT, GPT-2, GPT-3 existierten schon lange. Aber ChatGPT hatte etwas Neues: Einfachheit. Eine Textbox. Enter. Fertig. Das Ökosystem war nicht bereit — und jetzt konnte jeder es nutzen.
ChatGPT Logo (CC0 · OpenAI / Wikimedia)
💬 ChatGPT war nicht das beste Modell — aber es war das erste Modell, das jeder nutzen konnte. Zugänglichkeit schlägt Überlegenheit.
🤖
Teil 1
Welches Modell — und warum?
Nicht jedes KI-Modell ist gleich. Die Unterschiede sind real — und relevant für das, was du damit tun willst.
Welches Modell · Grenze erkennen
Das wichtigste Wort: „Halluzination"
Alle modernen LLMs können plausibel klingende Fehler machen — Fakten erfinden, Quellen fälschen, völlig Imaginäres als Realität präsentieren. Das ist nicht böse Absicht. Es ist ein strukturelles Limit: Das Modell hat gelernt, wahrscheinliche Wörter zu schreiben — nicht wahre.
Quelle: ChatGPT bei der Benutzung beobachtet
Modelle
Claude, ChatGPT, Gemini — was ist der Unterschied?
🧠 Claude Anthropic
Training
Constitutional AI — Werte eingebettet
Kontext
200K Token (150K Wörter)
✓ Stärken
Langer Kontext, Nuancen, Sicherheit, Konsistenz
✗ Schwäche
Manchmal zu vorsichtig
⚡ ChatGPT OpenAI
Training
RLHF — Nutzerfeedback-optimiert
Kontext
128K Token (GPT-4o)
✓ Stärken
Großes Ökosystem, Plugins, sehr bekannt
✗ Schwäche
Tendenz zu Ja-Sager-Antworten
🔍 Gemini Google
Training
Multimodal-first, Google-Daten
Kontext
1 Mio. Token (Gemini 1.5)
✓ Stärken
Google-Integration, Bilder, mega Kontext
✗ Schwäche
Halluzinationen bei Fakten
Stand: Mai 2026. Modelle entwickeln sich schnell — regelmäßig updaten.
Claude verstehen
Constitutional AI — was das konkret bedeutet
Anthropic hat Claude nicht nur darauf trainiert, nützlich zu sein. Sondern auf eine spezifische Art nützlich zu sein.
Standard-RLHF (ChatGPT)
Menschliche Rater bewerten Antworten
Modell optimiert auf: „Was gefällt Menschen?"
Risiko: Sycophancy — sagen, was Nutzer hören wollen
Fakten können Bewertung schlechter machen als angenehme Lügen
Constitutional AI (Claude)
Prinzipienliste als Trainingsgrundlage
Modell bewertet sich selbst gegen diese Prinzipien
Explizite Hierarchie: Sicherheit > Ethik > Prinzipien > Hilfe
Ziel: Konsistenz, nicht nur Beliebtheit
Praktisch: Claude widerspricht öfter. Das ist ein Feature, kein Bug.
Schlüsselkonzept
Das Kontextfenster — Claudes Kurzzeitgedächtnis
Alles, was Claude in einem Gespräch „weiß", ist im Kontextfenster. Wenn das Gespräch endet — ist alles weg.
200K
Token Kontextfenster
= ~150K Wörter
= ca. 3 lange Romane → alles vergessen nach Chat-Ende
Häufiger Fehler: Claude in einem neuen Chat fragen, was es in einem alten gesagt hat. Es hat keine Ahnung.
🍽️ Wie wenn jedes Mal ein neuer Kellner kommt — der hat keinen Plan, was du vorhin bestellt hast.
Kritisches Konzept
Halluzinationen — warum KI lügt, ohne zu lügen
KI-Modelle „lügen" nicht absichtlich. Sie tun etwas Seltsameres: Sie generieren plausiblen Text — auch wenn dieser falsch ist.
Wie es entsteht
Das Modell optimiert auf: „Was würde hier wahrscheinlich stehen?" — nicht auf: „Was ist wahr?" Wenn es keine sichere Antwort kennt, erfindet es eine plausible.
Besonders gefährlich: Zitate, DOIs, Gerichtsfälle, Zahlen — alles klingt richtig und ist manchmal komplett erfunden.
⚠️ Selbst getestet: „Wie viele a's sind in Lalaland?" → GPT-4o: „Zwei"
Richtige Antwort: drei.
(La·la·land)
🏗️
Teil 2
Prompt-Architektur
Wie man Anweisungen so schreibt, dass KI konsistent, vorhersagbar und nützlich antwortet — statt jedes Mal überrascht zu werden.
Grundlagen
Was ein Prompt wirklich ist
Ein Prompt ist nicht „eine Frage". Er ist die vollständige Konfiguration eines Gesprächs.
Rolle
Wer soll Claude sein? Was ist sein Auftrag? Sein Ton?
Kontext
Was muss Claude über dich, dein Ziel, deinen Hintergrund wissen?
Aufgabe
Was soll konkret geliefert werden? In welchem Format?
Schlechter Prompt
„Schreib mir eine E-Mail an meinen Chef."
Guter Prompt
„Du bist ein erfahrener Kommunikationsberater. Ich möchte meinem Chef erklären, dass das Projekt 2 Wochen später fertig wird als geplant. Ton: professionell, direkt, keine Ausflüchte. Max. 150 Wörter."
Prompt-Architektur
Die 5 Bausteine eines starken Prompts
👤
Rolle
„Du bist [X]" — Ausgangspunkt & Ton
🎯
Kontext
Was Claude wissen muss — Hintergrund
✍️
Aufgabe
Was konkret geliefert werden soll
📋
Format
Wie die Antwort aussieht — Form
🚫
Grenzen
Was Claude nicht tun soll
Je mehr Claude weiß, desto besser die Antwort. Ein zu kurzer Prompt ist fast immer das Problem — nicht das Modell.
Praxisbeispiel
Einen starken Prompt bauen — live
Version 1 — naiv
Erkläre mir Neuronale Netze.
Problem: Für wen? Wie tief? Welches Vorwissen?
Version 2 — mit Rolle + Zielgruppe
Du erklärst komplexe KI-Themen für Schüler der 10. Klasse. Erkläre Neuronale Netze so, dass jemand ohne Mathe-Vorkenntnisse es versteht.
Besser. Aber: Wie lang? In welchem Format?
Version 3 — vollständig
Rolle: Du bist Lehrer für Informatik an einer Gesamtschule.
Aufgabe: Erkläre Neuronale Netze für Schüler der 10. Klasse ohne Vorkenntnisse.
Format:
- 3 kurze Abschnitte
- Je ein konkretes Alltagsbeispiel
- Abschluss: 1 Satz was das mit KI zu tun hat
- Kein Fachjargon, keine Formeln
Das liefert konsistent gute Ergebnisse — egal wie oft du es ausführst.
Fortgeschritten
System Prompts — Claudes Grundkonfiguration
Ein System Prompt ist eine Anweisung, die vor dem Gespräch gesetzt wird — Claude verhält sich danach in der gesamten Sitzung entsprechend.
🌐 claude.ai
„Edit System Prompt" — nur mit Claude Pro
Für: Schnelle Experimente, kleine Projekte
📁 Claude Projects
Persistente Konfiguration für alle Chats im Projekt
Für: Längerfristige Workflows, Teams
⚙️ API
Das system-Feld in deinem Code
Für: Automatisierte Prozesse, Apps
💡 Beispiel: Ein guter System Prompt
Rolle: Du bist mein persönlicher Schreibassistent.
Stil: direkt, konkret, keine Füllwörter
Zielgruppe: Lehrkräfte ohne KI-Vorkenntnisse
Aufgabe: Texte auf diese Kriterien prüfen:
- Kürze um 20-30%
- Markiere Füllwörter in [eckigen Klammern]
- Frage nicht — tu es einfach
Mit einem guten System Prompt musst du weniger erklären — Claude kennt bereits deinen Kontext, Stil und Ziele.
Fehler vermeiden
Die häufigsten Prompt-Fehler
❌ Zu vage
„Schreib etwas über X"
Problem: Keine Länge, Format, Ton
✓ Format + Länge + Zielgruppe
❌ Unklare Kriterien
„Mach das besser"
Problem: Was ist „besser"?
✓ „Kürzer, direkter"
❌ Keine Iteration
Aufgeben statt Feedback
Problem: Erste Version oft nicht perfekt
✓ Im Chat weitermachen
⚠️ Kontextfehler
Prompt in neuem Chat wiederholen
Problem: Alter Kontext ist weg
✓ System Prompt nutzen
⚠️ Overload
Alles in einen Prompt
Problem: Zu komplex
✓ Aufteilen, einzeln lösen
✓ Die Lösung
Iterieren & speichern
Prompt → Feedback → Verfeinern
Gute Prompts archivieren
Denkweise
Iteration ist kein Fehler — sie ist die Methode
Kein Prompt ist beim ersten Mal perfekt. Das ist kein Problem. KI-Nutzung ist ein Dialog, kein Befehl.
💬 Meine Faustregel:
Wenn die Antwort zu ~70% stimmt — im Chat weiterarbeiten, nicht alles neu schreiben.
„Das ist gut, aber mach den zweiten Absatz konkreter."
Fortgeschrittene Technik
Chain of Thought — lass Claude laut denken
Bei komplexen Aufgaben hilft es, Claude explizit aufzufordern, Schritt für Schritt zu denken, bevor es eine Antwort gibt.
Ohne Chain of Thought
„Ist das ein gutes Argument?"
Claude gibt direkt eine Ja/Nein-Antwort. Oft oberflächlich.
Mit Chain of Thought
„Analysiere dieses Argument Schritt für Schritt: Welche Prämissen werden angenommen? Sind sie haltbar? Welche Gegenargumente gibt es? Dann gib ein Gesamturteil."
Studien zeigen: Modelle die Schritt für Schritt denken, machen deutlich weniger Fehler bei logischen Aufgaben. Das gilt auch für Claude.
Wei et al. (2022), „Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"
KI im echten Job
GitHub Copilot, 2021 — KI wird zur Routine
Juni 2021: GitHub startet Copilot — KI, die direkt im Code-Editor sitzt und Code vorschlägt während du tippst. Nicht für Experimente. Nicht im Browser. Sondern im IDE, wo echte Arbeit stattfindet.
Entwickler berichten: Boilerplate-Code (repetitiv, einfach) wird in Sekunden geschrieben statt in Minuten. Zeit für konzeptuelle Arbeit steigt.
Das ist anders als ChatGPT: Copilot ist nicht eine Anwendung, die man öffnet. Es ist ein Werkzeug im Workflow — immer da, nicht störend, persistenter Kontext (der ganze Codebase ist sichtbar).
„Mein bester Programmierer ist jetzt ein Duo: Ich und Copilot. Copilot macht die langweilige Hälfte, ich mache die kreative Hälfte."
— Entwickler auf Twitter
GitHub Logo (CC0 · GitHub / Wikimedia)
⚙️ Das Wichtigste: KI sitzt nicht in einer App — sie sitzt im Ort wo echte Arbeit stattfindet. Workflow > Tool.
🔄
Teil 3
Von Prompts zu Workflows
Der Unterschied zwischen jemand der KI gelegentlich nutzt — und jemand bei dem sie dauerhaft etwas verändert.
Konzept
Was ein KI-Workflow ist — und warum er besser ist
Einzelgespräch
Jeden Tag neu erklären wer du bist
Kontext jedes Mal von vorne aufbauen
Ergebnisse variieren stark
Kein Lerneffekt über Zeit
→
Persistenter Workflow
System Prompt speichert deinen Kontext dauerhaft
Aufgaben werden immer gleich formatiert
Ergebnisse sind vorhersagbar
Wiederholbare Qualität ohne Aufwand
Ein Workflow ist ein System, kein Gespräch. Es funktioniert auch dann noch gut, wenn du in 3 Monaten wieder zurückkommst.
Tool: Claude Projects
Claude Projects — persistente Kontexte
Claude Projects (verfügbar mit Claude Pro) erlauben es, einen dauerhaften Kontext für alle Chats in einem Projekt zu setzen.
Was du reinpacken kannst
Deinen System Prompt (Rolle, Tonalität, Stil)
Dokumente als Kontext (Lehrplan, Unterrichtsmaterialien, Texte)
Explizite Arbeitsregeln
Eigene Prompt-Templates als Referenz
Praxisbeispiel: Unterrichtsvorbereitung
Projekt: Unterrichtsvorbereitung Klasse 9b
Kontext: [Lehrplan hochgeladen]
System: Du hilfst mir Unterrichtseinheiten für 9b zu planen. Klasse: 28 Schüler, heterogen, 3 mit DaZ. Zeitrahmen: 45 Min.
Format: Immer: Lernziel → Einstieg → Hauptphase → Sicherung
Praxis
Eine persönliche Prompt-Bibliothek aufbauen
Gute Prompts sind wiederverwendbar. Wer sie nicht speichert, erfindet sie immer wieder neu.
Schreib-Prompts
E-Mail kürzen
Argument stärken
Für Zielgruppe umschreiben
Zusammenfassung erstellen
Analyse-Prompts
Text auf Argumente prüfen
Stärken/Schwächen auflisten
Gegenargumente generieren
Quellen-Bewertung
Unterrichts-Prompts
Unterrichtsplan erstellen
Differenzierung für 3 Niveaus
Aufgaben für verschiedene Lerntypen
Feedback auf Schülertext
Speichere Prompts in einer einfachen Textdatei, Notion, oder Obsidian. Wichtig: Notiere auch warum ein Prompt gut funktioniert hat.
Anwendung
5 Workflows mit dem größten Nutzen
📝 Entwurf schreiben
Starte von einer 70%-Version statt von Null. Claude macht den ersten Entwurf — du überarbeitest.
📚 Zusammenfassung
Langen Text einfügen, Kernpunkte + offene Fragen raus. Spart Lesezeit bei gleichem Verständnis.
💡 Brainstorming
„Generiere 15 Ideen — auch ungewöhnliche." Besser als allein denken bei Blockaden.
🔍 Feedback
„Wo ist das Argument schwach? Was fehlt?" — unabhängige Perspektive ohne sozialen Druck.
🎓 Erklärung
„Erkläre für jemanden ohne Vorkenntnisse." Verständnischeck für eigene Texte.
✨ Bonus
Alle 5 funktionieren am besten mit konkretem Kontext — nicht als isolierte Fragen.
Ehrlichkeit
Was Workflows nicht lösen
Bleibt dein Problem
Ob das Ziel das richtige ist
Ob die Fakten stimmen
Ob der Stil wirklich zu dir passt
Ob die ethischen Implikationen bedacht sind
Die finale Entscheidung
Was Workflows abnehmen
Ersten Entwurf schreiben
Struktur vorschlagen
Alternativen generieren
Formatierung übernehmen
Wiederholende Aufgaben skalieren
KI ist ein Werkzeug das dir Zeit gibt, besser zu denken — nicht eines das das Denken übernimmt.
🔍
Teil 4
Qualität bewerten und iterieren
Wie du erkennst ob eine KI-Antwort wirklich gut ist — und was du tust wenn sie es nicht ist.
Qualitätskriterien
Wann ist eine KI-Antwort wirklich gut?
„Klingt gut" ist kein Qualitätskriterium. Hier sind echte Kriterien:
Faktisch richtig?
Überprüfbar. Keine erfundenen Zahlen oder Quellen. Bei Unsicherheit: gibt Claude das zu?
Aufgabe erfüllt?
Hat Claude wirklich das geliefert was gefragt war — oder etwas Ähnliches, das leichter zu generieren war?
Für Zielgruppe geeignet?
Passt Tonalität, Komplexität und Umfang zu dem Menschen der es lesen wird?
Größte Falle: Flüssiger Text klingt überzeugend — auch wenn er falsch ist. Lese KI-Antworten kritisch, nicht bewundernd.
Praxis
Wie man Claude im Chat korrigiert
Claude verbessert sich innerhalb eines Gesprächs durch konkretes Feedback.
Vages Feedback (hilft nicht)
„Das war nicht gut"
„Versuch es nochmal"
„Besser bitte"
„Ich mag das nicht"
Konkretes Feedback (hilft)
„Zu lang — auf 100 Wörter kürzen"
„Formulierung in Zeile 3 ist zu formell"
„Du hast Punkt 2 vergessen"
„Überschrift ist zu allgemein — mach sie spezifischer"
Stelle dir vor, du gibst einem menschlichen Mitarbeiter Feedback. Was würde helfen? Das gleiche gilt für Claude.
Umgang mit Grenzen
Wenn Claude eine Anfrage ablehnt
Claude lehnt manchmal Anfragen ab — auch solche, die harmlos sind. Das passiert aus drei Gründen:
Echter Verstoß
Die Anfrage verletzt echte Sicherheitsprinzipien. Nicht diskutieren — Anthropic hat das so entschieden.
Missverständnis
Claude hat den Kontext falsch interpretiert. Lösung: mehr Kontext geben, Absicht erklären.
Übervorsicht
Claude ist manchmal zu konservativ bei harmlosen Anfragen. Lösung: Zweck erläutern, Kontext klären.
Wenn Claude ablehnt: Erkläre wer du bist, was dein Ziel ist, und warum das legitim ist. Das löst die meisten Missverständnisse.
Kritische Grenze
Wann man KI nicht vertrauen sollte
Niemals ungeprüft übernehmen
Medizinische oder rechtliche Aussagen
Statistische Zahlen ohne Quellenangabe
Aktuelle Ereignisse (Trainingsdaten veralten)
Zitate von realen Personen
Literaturangaben und DOIs
Hier ist KI verlässlicher
Bekannte Konzepte erklären
Argumentationsstruktur und Logik
Textüberarbeitung und Stil
Ideen generieren und variieren
⚖️ New York, 2023:
Anwalt Steven Schwartz nutzte ChatGPT für einen Schriftsatz. Es zitierte 6 Gerichtsfälle als Belege.
Alle sechs waren erfunden.
Der Richter war not amused. Schwartz bekam eine Geldstrafe.
🎯
Teil 5
KI in konkreten Kontexten
Wie KI-Workflows in Schule, Studium und Beruf konkret aussehen — nicht theoretisch, sondern praxisnah.
Kontext: Schule
KI im Unterricht — für Lehrende
Zeitsparen in der Vorbereitung
Ersten Entwurf einer Unterrichtseinheit generieren
Differenzierungsmaterial für 3 Niveaus
Quizfragen und Aufgaben zu einem Text erstellen
Erklärungen für verschiedene Altersgruppen
Wichtige Einschränkungen
KI kennt eure Schüler nicht — Kontext fehlt immer
Keine personenbezogenen Schülerdaten eingeben
Fachdidaktisches Urteil bleibt bei der Lehrkraft
Fachinhalte immer prüfen — KI irrt
KI als Assistenz, nicht als Ersatz: Der pädagogische Kern — Beziehung, Beurteilung, Anpassung — bleibt menschlich.
Kontext: Schülerinnen & Schüler
KI als Lernpartner — die entscheidende Unterscheidung
KI sinnvoll nutzen
„Erkläre mir X anders als im Buch"
„Prüfe ob mein Argument logisch ist"
„Gib mir Feedback auf meinen Text"
„Welche Fragen sollte ich noch stellen?"
„Zeig mir ein Beispiel für Konzept Y"
≠
KI nutzen statt denken
Aufsätze direkt abgeben lassen
Hausaufgaben generieren statt lösen
Antworten kopieren ohne Verständnis
Sich auf Fakten verlassen ohne zu prüfen
Den eigenen Denkprozess überspringen
🏫 Lehrerin, München 2024:
„Die Schüler die KI als Sparringspartner nutzen — die werden besser. Die die es zum Abschreiben nutzen — bleiben stehen."
Kontext: Studium & Wissenschaft
KI im akademischen Kontext
Erlaubt und sinnvoll
Literatur verstehen und zusammenfassen
Eigene Argumente testen
Schreibblockaden überwinden
Code für Auswertungen schreiben
Je nach Kontext
Formulierungshilfe (uni-spezifisch prüfen)
Strukturvorschläge
Thesengenerierung als Ausgangspunkt
Niemals
Arbeiten als eigene ausgeben
Quellen nicht prüfen
KI-generierte Argumente als eigene Analyse
Prüfe immer die Regelung deiner Einrichtung. Viele Hochschulen aktualisieren ihre Richtlinien gerade.
Kontext: Beruf
KI im Berufsalltag — wo sie wirklich Zeit spart
Kommunikation
E-Mails kürzen und schärfen
Ton für verschiedene Empfänger anpassen
Schwierige Gespräche vorbereiten
Meeting-Protokolle strukturieren
Analyse
Große Textmengen zusammenfassen
Argumentationsstrukturen extrahieren
Daten beschreiben und interpretieren
Datenschutz: Was niemals rein darf
Keine echten Namen, Kundendaten, Unternehmensgeheimnisse, Personalnummern, oder vertrauliche Vertragsdaten in öffentliche KI-Modelle eingeben.
Viele Unternehmen setzen eigene Claude-Instanzen auf (via API) mit eigenen Datenschutzvereinbarungen. Das ist der sichere Weg für sensible Daten.
KI in der Praxis · Robotik + Gehirn
KI trifft Neurologie — praktisch
2024: Neuralink-Patient steuert eine Roboterarm allein durch Gedanken. Das zeigt die Fusion von KI, Neurotechnologie und Robotik. Die Zukunft von KI ist nicht nur Software — sie ist embodied.
Quelle: Neuralink · Brain-Computer Interface Live Demo
👥
Teil 6
KI in Gruppen und Teams einführen
Warum das größte Hindernis nicht Technologie ist — und wie man es trotzdem schafft.
Keine konkreten Aufgaben für die erste Woche — nur Theorie
❓ Kein Standard
Kein geteiltes Verständnis, was „gute KI-Nutzung" aussieht
😰 Angst
Angst vor Blamage beim Ausprobieren in der Gruppe
👤 Keine Führung
Kein Team-Champion, der die Nutzung voranbringt
🔗 Zu abstrakt
Kein Bezug zur tatsächlichen Arbeit der Menschen
💡 Die Lösung
Konkret + Champion + Erfahrungen teilen = funktioniert
✓ Was stattdessen funktioniert: Konkrete Aufgabe sofort ausprobieren • Team-Champion • Erste Woche ein bestimmter Fall • Erfahrungen teilen auch Misserfolge
Struktur
Der Team-Champion — warum eine Person zählt
Gruppen brauchen eine Person, die nicht nur KI nutzt, sondern das Wissen weitergibt.
Was ein Team-Champion tut
Neue Prompts und Workflows ausprobieren
Andere auf dem Laufenden halten
Wenn etwas nicht klappt: nachfragen und weitergeben
Eigene Prompt-Bibliothek teilen
Neue Tools einschätzen bevor das Team sie nutzt
Was einen guten Champion ausmacht
Neugier und Bereitschaft zu experimentieren
Geduld für Fragen der Kolleginnen
Kein Perfektionismus — Ausprobieren ist das Ziel
Kommunikationsstärke: Dinge einfach erklären
Das muss kein Technik-Experte sein. Oft sind die besten Champions Menschen mit pädagogischem Instinkt.
Team-Struktur
Gemeinsame Regeln für KI-Nutzung im Team
Ohne Regeln entstehen Inseln: Jeder macht es anders, niemand profitiert von den Erfahrungen anderer.
🔍 Transparenz
Wenn KI genutzt wurde, ist das kein Geheimnis — sondern ein Ausgangspunkt für Gespräch und Lerneffekt.
📚 Teilen
Prompts, die gut funktionieren, kommen in die geteilte Bibliothek — nicht ins Privatarchiv.
⚖️ Verantwortung
Was KI generiert, hat mein Name drunter — ich bin verantwortlich für die Qualität und Richtigkeit.
📋 Was Teams konkret vereinbaren sollten
Welche Modelle?
Claude pro, GPT, Gemini — was wird im Team genutzt und warum?
Was ist tabu?
Welche Daten dürfen NICHT in externe KI-Modelle? (Kundeninfo, etc.)
Kennzeichnung?
Wie markieren wir KI-gestützte Inhalte intern? (z.B. [mit KI])
Wer wartet?
Wer aktualisiert die Prompt-Bibliothek? Wer prüft neue Tools?
Schulung?
Wie oft trifft sich das Team um Erfahrungen zu teilen?
Fehlerkultur?
Ist es erlaubt zu sagen „das funktioniert nicht"?
Zusammenfassung
Das Kernprinzip — in einem Satz
KI macht dich nicht besser, indem sie für dich denkt. Sie macht dich besser, indem sie dir Zeit gibt, tiefer zu denken.
Verstehen
Was Modelle tun — und was sie nicht tun
Gestalten
Prompts und Workflows, die wirklich funktionieren
Urteilen
KI-Outputs kritisch bewerten, nicht unkritisch übernehmen
