Arbeits­mittel, Menschen & Rollen: Gute Werkzeuge bereit­stellen und Teams hand­lungs­fähig machen

01 Welches Interface an welcher Stelle? (Situative Buttons, freier Chat in Leit­planken oder natür­liche Sprache im Programm)

Warum starre Button-Gerüste zu eng sind und wann der freie Chat gewinnt: In der Praxis zeigt sich schnell eine Grenze, wenn man versucht, jede Interaktion in ein starres Button-Menü zu pressen: Man verliert genau die Beweglichkeit, die Sprachmodelle so stark macht. Umgekehrt überfordert ein völlig unvorbereiteter Chat ohne Hintergrundregeln die Nutzenden im Tagesgeschäft. Entscheidend ist deshalb die richtige Passung der Bedienform:

Form 1: KI-vor­be­rei­tete Ent­schei­dungs-Ansicht mit situa­tiven Buttons (für Freigaben & Entwürfe)

• Warum: Starre Button-Bäume scheitern im Alltag schnell an Sonderfällen. Buttons funktionieren jedoch hervorragend dort, wo die KI im Hintergrund bereits einen konkreten Vorschlag erarbeitet hat und dem Menschen passend zur Situation die richtigen Informationen, eine begründete KI-Empfehlung und die naheliegenden Aktions-Buttons vorlegt (wie auf der redaktionellen Entwurfsseite von ki.herwig.de).
• Wie umgesetzt: Das System zeigt den vorbereiteten Entwurf samt Prüfbefund und blendet situativ passende Buttons ein (z. B. „Vorschlag übernehmen“, „Variante B wählen“, „An Facheigentümer geben“). Wichtig dabei: Direkt daneben sollte immer ein Eingabefeld offenstehen, um bei Bedarf über die Problemlösung zu chatten oder den Vorschlag mit einem Satz anzupassen.

Form 2: Freier Chat in gesteckten Leit­planken (für laufende Zusam­men­ar­beit & spontane Anfor­de­rungen)

• Warum: Sobald die Leitplanken, der Unter­neh­mens­kon­text und die gewünschte Antwortstruktur im Hintergrund sauber gesteckt sind, ist der freie Chat einem starren Button-Gerüst oft deutlich überlegen. Das Sprachmodell liefert von sich aus strukturierte Ergebnisse, wie man sie braucht, zeigt bei Entscheidungen die möglichen Optionen auf und fragt fehlende Angaben gezielt nach. Gleichzeitig behält der Mensch die volle Freiheit, das Ergebnis im Gespräch direkt zu formen („hier bitte mehr ins Detail“, „knapper zusammenfassen“) oder spontan neue Anforderungen einzubringen, ohne dass erst ein Entwickler neue Buttons programmieren muss.
• Wie umgesetzt: Ein spezialisierter Assistenten-Kanal (im Unternehmen z. B. der persönliche Agent oder ein Fachbereichs-Kanal, technisch vergleichbar mit einem klar eingerichteten OpenClaw-Channel) kennt die festen Hintergrundregeln und Ausgabewünsche seines Nutzers, lässt sich aber komplett frei per natürlicher Sprache steuern und erweitern.

Form 3: Natür­liche Sprache zur Pro­gramm­be­die­nung (in Tabellen, ERP & Fach-Apps)

• Warum: Selbst erfahrene Mitarbeitende nutzen in mächtigen Softwarepaketen wie Excel, BI-Systemen oder CRM-Masken oft nur einen kleinen Teil der Funktionen, weil ihnen die genaue Syntax für Pivot-Gruppierungen, Filterformeln oder Abfragen fehlt.
• Wie umgesetzt: Statt Menüs zu durchsuchen, beschreibt der Mitarbeitende das gewünschte Ergebnis in Alltagssprache („Gruppiere alle offenen Posten über 60 Tage nach Vertriebsregion und markiere Abweichungen zum Vorquartal“). Das Modell erzeugt daraus eine sichtbare, prüfbare Formel oder Abfrage am Dokument.

02 Den erlaubten Rahmen klären: Dasselbe Modell, vier völlig andere Rechts­folgen

Warum die Frage „Ist Modell X nach DSGVO erlaubt?“ zu kurz greift: Die Daten­schutz­kon­for­mität hängt am Bezugsweg, über den das Unternehmen das Modell anspricht (Stellungnahme 28/2024 des Europäischen Daten­schutz­aus­schusses EDSA zu KI-Modellen (externe Seite, edpb.europa.eu)): Wer erhält die Eingabe, wird mit den Daten trainiert, wo liegen die Protokolle, und welche Garantien gelten für Unter­auf­trag­nehmer?

Im Grundlagen-Kapitel Vier Wege zum selben Modell ist diese Unterscheidung im Detail hergeleitet. Für den Unter­neh­mens­alltag ergibt sich daraus eine klare Daten-Ampel:

KI-Kompetenz nach EU AI Act (Artikel 4) praktisch umsetzen

Seit Februar 2025 verpflichtet Artikel 4 der KI-Verordnung (EU AI Act) (externe Seite, digital-strategy.ec.europa.eu) Anbieter und Betreiber von KI-Systemen dazu, nach besten Kräften ein ausreichendes Maß an KI-Kompetenz bei ihren Beschäftigten und Beauftragten sicherzustellen. Allgemeine Folienvorträge über „Künstliche Intelligenz“ helfen dabei im Alltag wenig. Wirksam ist eine Einweisung an den echten Arbeitsmitteln des Betriebs: Welche Daten dürfen in welches Werkzeug, woran erkennt man Halluzinationen, und warum bleibt die fachliche Freigabe immer beim Menschen?

03 Ver­ant­wort­lich­keiten & Mit­be­stim­mung: Das Zusam­men­spiel der vier Rollen

Warum Initiativen scheitern, wenn sie allein bei der IT oder allein beim Einzelnen abgeladen werden: Ohne Rückendeckung der Führung bleiben Versuche in der Grauzone; ohne Fachbereich entstehen technisch hübsche Lösungen am echten Bedarf vorbei; ohne IT entsteht ein unwartbarer Tool-Zoo; ohne Betriebsrat wächst das Misstrauen vor Leis­tungs­über­wa­chung:

1. Geschäftsführung (Top-Down-Rahmen):
   Setzt das Signal, dass offizielle KI-Arbeitsmittel erwünscht sind, gibt Zeit zum Lernen frei und legt den Schwerpunkt auf konkrete Engpässe sowie bisher unmögliche Vorhaben.
2. Fachexperten & Mitarbeitende mit KI-Potenzial („Champions“):
   In fast jeder Abteilung gibt es Kolleginnen und Kollegen, die sofort ein Gespür dafür entwickeln, wie man Aufgaben für ein Sprachmodell strukturiert. Wer diese Mitarbeitenden früh identifiziert und mit Zeit ausstattet, gewinnt die besten Übersetzer zwischen Domänenwissen und Technik.
3. IT & Plattform-Team (Sichere Umgebung für die Fachbereiche):
   Über Kulanzregeln im Service oder Formulierungen im Vertrieb entscheidet der Fachbereich. Die Aufgabe der IT ist es, die zentrale KI-Basis (SSO, freigegebene Bezugswege, AI-Gateway, Sandbox und sichere Schnittstellen) so bereitzustellen, dass Fachbereiche und persönliche Agenten darauf sicher arbeiten können.
4. Betriebsrat & Datenschutz (Verlässliche Leitplanken von Tag 1):
   Wenn Beschäftigte befürchten müssen, dass ihre Prompts, Fehlversuche oder Nutzungszeiten zur Leistungs- und Ver­hal­tens­kon­trolle (§ 87 Abs. 1 Nr. 6 BetrVG) ausgewertet werden, weichen sie wieder auf private Geräte aus. Eine klare Rah­men­ver­ein­ba­rung (Keine Ver­hal­tens­kon­trolle über Prompt-Inhalte, klare Daten-Ampel, transparente Frei­ga­be­ver­ant­wor­tung) schafft für beide Seiten Sicherheit.

04 Wo KI heute in der Praxis sofort hilft, wo Messungen Grenzen zeigen und welche Profile Unter­nehmen brauchen

Warum bestimmte Aufgabenbereiche sofort funktionieren (und warum genaues Messen trotzdem Pflicht bleibt): Überall dort, wo ein Rohentwurf, eine Vorstrukturierung oder ein Code-Vorschlag direkt am Bildschirm geprüft, ausgeführt oder visuell beurteilt werden kann, liefert KI im Tagesgeschäft schnell spürbaren Nutzen. Gleichzeitig zeigen Feldstudien aus echten Unternehmen, dass zwischen gefühlter Beschleunigung und realem Pro­duk­ti­vi­täts­ge­winn oft eine überraschende Lücke klafft:

Sieben Auf­ga­ben­felder im Abgleich mit der betrieb­li­chen Realität

1. Soft­ware­ent­wick­lung & Prototypenbau:
   Coding-Agenten nehmen beim Schreiben von Tests, Dokumentation, Migra­ti­ons­skripten, internen Werkzeugen und Prototypen enorm viel Tipparbeit ab (siehe Claude Code und Vibe-Coding / Agentic Engineering). Was Messungen zeigen: In einer kontrollierten Studie von METR (2025/2026) (externe Seite, arxiv.org) an großen, gewachsenen Bestands-Repositories schätzten erfahrene Entwickler sich mit KI zwar um rund 20 Prozent schneller ein, benötigten real aber 19 Prozent mehr Zeit, weil Prompting, Warten und das Prüfen subtiler Fehler in komplexem Bestandscode Zeit kosteten. Der Zeitgewinn stellt sich erst ein, wenn Architekturregeln (CLAUDE.md) und automatische Prüf-Pipelines stehen.
2. IT-Maintenance, Betrieb & Diagnose:
   Auswertung langer Logdateien, Erstellung von Wartungsskripten, Kon­fi­gu­ra­ti­ons­ab­gleich und Störungs-Vorqualifizierung im Ticket-System. Besonders stark als lesender Diagnose-Assistent; produktive Eingriffe an Servern gehören weiterhin hinter ein menschliches Freigabetor.
3. Kundenservice & Sachbearbeitung (Wissenszugriff im Gespräch):
   Antworten vorbereiten, relevante Kulanz- oder Vertragsregeln während des Gesprächs einblenden und Vorgänge dokumentieren. Was Messungen zeigen: In der Feldstudie von Brynjolfsson, Li und Raymond im Quarterly Journal of Economics (2025) (externe Seite, academic.oup.com) mit über 5.000 Support-Kräften stieg die Zahl gelöster Anfragen pro Stunde im Schnitt um 15 Prozent; bei neuen und weniger erfahrenen Mitarbeitenden sogar um über 30 Prozent, weil das System das Erfahrungswissen der besten Fachkräfte direkt zugänglich machte.
4. Beratung, Konzepterstellung & Wissensarbeit (die „gezackte Fähigkeitsgrenze“):
   Rohentwürfe strukturieren, Argumente gegenprüfen, Varianten entwickeln und Unterlagen verdichten. Was Messungen zeigen: In der Studie der Harvard Business School und BCG mit 758 Beraterinnen und Beratern (Dell’Acqua et al.) (externe Seite, hbs.edu) erledigten Teilnehmende mit KI 12,2 Prozent mehr Aufgaben, arbeiteten 25,1 Prozent schneller und erzielten rund 40 Prozent bessere Qua­li­täts­be­wer­tungen, solange die Aufgabe innerhalb der Modellfähigkeiten lag. Lag eine ähnlich aussehende Aufgabe jedoch knapp außerhalb dieser „gezackten Grenze“ (Jagged Technological Frontier), sank die Lösungsquote mit KI um 19 Prozentpunkte, weil viele den flüssig formulierten Vorschlag zu unkritisch übernahmen.
5. Marketing, Redaktion & Fachübersetzung:
   Strukturierung langer Vorlagen, Kanal-Varianten, Übersetzungen mit festem Firmen-Glossar und Gegenlesen auf Verständlichkeit.
6. Bild, Grafik, Audio & Video:
   Schnelle Kon­zept­vi­sua­li­sie­rung, Layout-Varianten, Freisteller und interne Erklärformate (bei kommerzieller Nutzung immer unter Prüfung von Markenpassung und Lizenzrechten wie in Adobe Firefly Enterprise (externe Seite, business.adobe.com)).
7. Außendienst, Handwerk, Einkauf & Verwaltung:
   Sprachnotizen direkt nach dem Kundentermin oder auf der Baustelle per Smartphone in strukturierte Einsatzberichte und Aufmaße überführen, fremdsprachige Lieferanten-Dokumente vorprüfen oder im internen Bestand die gültige Arbeitsanweisung finden.

Welche Mit­ar­bei­tenden benötigt man im KI-Zeitalter (in der Tran­sit­phase und dauerhaft)?

Empirische Auswertungen der OECD (externe Seite, oecd.org), des EU Joint Research Centre (JRC) (externe Seite, publications.jrc.ec.europa.eu), der ILO (2025 Update) (externe Seite, ilo.org) sowie die Verknüpfung dänischer Befragungs- und Verwaltungsdaten über 25.000 Beschäftigte in elf exponierten Berufen (Humlum & Vestergaard, März 2026 (externe Seite, rfberlin.com)) zeigen ein klares Bild:

• Tätigkeiten ändern sich lange vor den Kopfzahlen: Ganze Berufe fallen selten auf einen Schlag weg, doch innerhalb derselben Stelle verschiebt sich die tägliche Arbeit spürbar vom Erst-Erstellen zum Beauftragen, Strukturieren, Prüfen und Entscheiden.
• Das Nachwuchs-Warnsignal („Canaries in the Coal Mine“): Eine Untersuchung von US-Gehalts­ab­rech­nungs­daten durch das Stanford Digital Economy Lab (Brynjolfsson, Chandar & Chen) (externe Seite, digitaleconomy.stanford.edu) zeigt, dass der Rückgang bei Neueinstellungen sich stark auf junge Berufseinsteiger (22 bis 25 Jahre) in exponierten Bereichen wie Soft­ware­ent­wick­lung und Kundenservice konzentriert, insbesondere dort, wo Unternehmen KI zum bloßen Ersetzen einfacher Einstiegsarbeiten nutzen statt zur Unterstützung der Mitarbeitenden (vgl. auch die Unterscheidung zwischen Augmentation und Automation im Anthropic Economic Index (externe Seite, anthropic.com)).
• Die Gefahr von Arbeits­ver­dich­tung und nachlassender Prüfschärfe: Eine achtmonatige ethnografische Studie der UC Berkeley (Ranganathan & Ye) (externe Seite, universityofcalifornia.edu) beobachtete in der Praxis, dass leichtere Einzelaufgaben oft zu mehr parallelen Arbeitssträngen und Arbeit in bisherigen Pausen führten. Hinzu kommt ein Befund von Microsoft Research und der Carnegie Mellon University (Lee et al., CHI 2025) (externe Seite, microsoft.com) über 936 reale Arbeitsbeispiele: Wer blind dem Modell vertraut, prüft nachlässiger; wer dagegen hohes eigenes Fachvertrauen besitzt, prüft KI-Vorschläge kritisch und gezielt.

Für Unternehmen werden dadurch in der Übergangsphase und dauerhaft drei Profile und Gestal­tungs­auf­gaben entscheidend:

1. Erfahrene Domänen-Profis mit Urteilskraft (die die „gezackte Grenze“ erkennen):
   Nur wer den Kunden, die technische Anlage, das Vertragsrecht oder die Codebasis aus eigener Praxis kennt, erkennt sofort, ob ein sprachlich glatter KI-Entwurf inhaltlich stimmt oder an einer entscheidenden Ausnahme vorbeigeht.
2. Übersetzer mit Strukturierungs- und Schnittstellen-Denken:
   Mitarbeitende, die ihre tägliche Arbeit in klare Regeln, benötigten Unter­neh­mens­kon­text und eindeutige Prüfkriterien zerlegen können, holen aus persönlichen Agenten und Workflows ein Vielfaches heraus. Sie wissen genau, welchen Teil einer Aufgabe sie selbst steuern und welchen Teil sie an das Modell übergeben.
3. Bewusst umgebaute Lernpfade für Berufseinsteiger und Auszubildende:
   Wenn KI die klassischen Einstiegsarbeiten (erste Recherche, Standard-Tickets, einfache Code-Bausteine) übernimmt, bricht die Treppe weg, auf der Nachwuchskräfte bisher ihr fachliches Urteilsvermögen aufgebaut haben. Unternehmen müssen die Ausbildung deshalb gezielt umbauen: Junioren lernen von Tag eins an an echten Fehlerfällen, Gegenrechnungen und Abnahmeprüfungen, warum eine Regel gilt, damit dem Betrieb in fünf Jahren die erfahrenen Prüfer erhalten bleiben.