Was ist eigentlich künstliche Intelligenz?

Technisch betrachtet besteht KI aus Software und Hardware — also dem „Künstlichen“. Die „Intelligenz“ entsteht jedoch erst, wenn Menschen sie sinnvoll anwenden, hinterfragen und in den richtigen Kontext einbetten. Maschinen imitieren menschliches Verhalten, analysieren Muster und generieren Texte, Bilder oder Entscheidungen auf Basis statistischer Wahrscheinlichkeiten. Doch sie verstehen weder Inhalte noch Konsequenzen im menschlichen Sinne.

Gerade in der Unternehmenspraxis ist es essenziell, KI nicht als autonome Entität zu betrachten, sondern als leistungsfähiges Werkzeug — vergleichbar mit einem Taschenrechner, jedoch deutlich komplexer. Wie bei jedem Werkzeug hängt die Qualität der Ergebnisse von der Fähigkeit, Präzision und Intention des Menschen ab, der es benutzt.

Künstliche Intelligenz ist kein neues Phänomen — aber heute skalierbar einsetzbar

Auch wenn die aktuelle Aufmerksamkeit rund um ChatGPT, Claude oder Gemini enorm ist, begleitet uns die Idee künstlicher Intelligenz bereits seit Jahrzehnten. Bereits 1997 besiegte die Schach-KI Deep Blue den damaligen Weltmeister Garry Kasparov — ein historischer Moment, der zeigte, dass Maschinen kognitive Leistungen simulieren können.

Frühe Softwarelösungen wie Lotus IBM SameTime oder Microsofts Clippy waren ebenfalls Ansätze, Intelligenz in Systeme zu integrieren, um menschliche Arbeit zu unterstützen. Der entscheidende Unterschied zur heutigen Situation ist jedoch die Rechenleistung, Datenverfügbarkeit und Modellgrösse, die moderne KI-Systeme erstmals massentauglich und vielseitig einsetzbar machen.

Aktuelle Beispiele aus der Praxis verdeutlichen, wie KI bereits heute administrative und kreative Prozesse unterstützt:

• Microsoft 365 Copilot fasst E-Mails zusammen, erstellt Antwortvorschläge und generiert Inhalte direkt in Word, Excel oder Outlook.
• Gamma entwickelt in Sekunden Präsentationen, die in Stil, Gliederung und Narrativ bereits überzeugende Grundstrukturen liefern.
• Adobe AI Chat interagiert mit PDFs, analysiert Inhalte, beantwortet Fragen zu Dokumenten oder markiert relevante Stellen.

All diese Tools zeigen: KI kann Zeit sparen, kognitive Entlastung schaffen und Raum für strategische Aufgaben eröffnen — sofern sie richtig eingesetzt wird.

Warum KI noch nicht wirklich denkt — und wie wir sie trotzdem intelligent nutzen

Ein weit verbreitetes Missverständnis ist die Annahme, dass KI „weiss“, was sie tut. Tatsächlich basiert die Antwortgenerierung auf Wahrscheinlichkeiten. Sprachmodelle wie ChatGPT, Claude oder Gemini berechnen auf Basis riesiger Datenmengen, welches Wort mit welcher Wahrscheinlichkeit auf ein anderes folgt. Sie können dabei menschliche Sprache imitieren — jedoch nicht deren Bedeutung verstehen.

Daraus ergeben sich zwei zentrale Herausforderungen:

1. Halluzinationen: KI-Systeme „erfinden“ Inhalte, wenn sie keinen passenden Datensatz finden oder wenn die Anfrage unklar formuliert ist.
2. Kontextblindheit: Ohne präzise Angaben versteht das System nicht, worauf sich eine Frage bezieht — weder beruflich noch kulturell oder fachlich.
3. Unsere Verantwortung bleibt: Umso wichtiger ist es, dass Menschen Verantwortung übernehmen — insbesondere in der Art und Weise, wie sie mit KI-Systemen kommunizieren.

Methoden zur Verbesserung von KI-Ergebnissen

Ein wesentliches Ziel für den produktiven Einsatz von KI besteht darin, die Qualität der generierten Inhalte zu optimieren. Dies gelingt mit folgenden, erprobten Methoden:

Individualisierung der Schreibweise

Sprachmodelle lassen sich trainieren, die individuelle Tonalität oder den bevorzugten Stil eines Nutzers nachzuahmen. Dazu wird ein selbst verfasster Text in das System eingegeben, analysiert und als sogenanntes Textbriefing gespeichert. In den Personalisierungseinstellungen von ChatGPT beispielsweise lässt sich diese Schreibweise dauerhaft hinterlegen.

Der Effekt: Die KI antwortet stilistisch konsistenter, näher an der Persönlichkeit des Nutzers und mit höherer Relevanz. Gleichzeitig sinkt die Wahrscheinlichkeit für Halluzinationen, weil die Anweisungen klarer und kohärenter interpretiert werden können.

Die Vier-Säulen-Struktur für effektives Prompting

Ein Prompt — also die Eingabeaufforderung an ein KI-System — ist das Herzstück jeder Interaktion. Eine durchdachte Struktur erhöht nicht nur die Relevanz, sondern verbessert auch die Reproduzierbarkeit der Ergebnisse. Die sogenannte Vier-Säulen-Methode basiert auf folgenden Elementen:

1. Ziel: Was soll die KI konkret liefern? (z. B. Zusammenfassung, Handlungsempfehlung, Gliederung)
2. Kontext: Welche Informationen sind für die Aufgabe relevant? (z. B. Branche, Region, Zielgruppe, Zweck)
3. Erwartung: In welchem Stil, Format oder für welches Medium wird die Antwort benötigt? (z. B. sachlich, inspirierend, überzeugend.
4. Quellen: Welche eigenen Materialien oder Links sollen eingebunden werden?

Gerade der letzte Punkt wird häufig vernachlässigt, dabei sind externe Quellen ein entscheidender Hebel für inhaltliche Tiefe — insbesondere weil viele KI-Modelle nicht standardmässig mit dem Internet verbunden sind.

Prompt-Engineering als Kompetenzfeld

Für Nutzer:Innen, die systematisch mit KI arbeiten möchten, lohnt sich die Nutzung eines spezialisierten Werkzeugs wie dem kostenlosen Custom GPT „Dein Prompt Engineer“. Dieses Tool hilft, Prompts so zu formulieren und anzupassen, dass sie die Modelle optimal steuern. Ziel ist es, Unsicherheiten zu beseitigen, Klarheit zu schaffen und den Output gezielt zu steuern — ein zentraler Erfolgsfaktor in jedem unternehmerischen Kontext. Darum spricht man immer mehr von KONTEXT Engineering statt von reinem Prompt Engineering.

„Dein Prompt Engineer“: Mein kostenloses Custom GPT hilft dir bei der Formulierung und Optimierung deiner Prompts — eine wertvolle Unterstützung für präzisere und effizientere Eingaben: https://chatgpt.com/g/g-681dbf2c04148191aa86c2457057352e-dein-prompt-engineer

Informationsqualität prüfen mit der CRAP-Methode

KI liefert nicht automatisch valide oder überprüfte Informationen. Besonders bei Recherchen besteht das Risiko, auf veraltete oder unzuverlässige Inhalte zuzugreifen. Die CRAP-Methode, entwickelt von Sarah Blakesley und Molly Bistrom, bietet ein pragmatisches System zur Bewertung von Informationsquellen:

• Current (Aktualität): Wann wurde der Inhalt erstellt oder zuletzt aktualisiert?
• Reliable (Zuverlässigkeit): Ist die Quelle primär oder sekundär? Entspricht sie wissenschaftlichen oder journalistischen Standards?
• Authority (Autorität): Wer steht hinter der Information? Welche Expertise ist vorhanden?
• Purpose (Absicht): Mit welchem Ziel wurde der Inhalt formuliert — informierend, verkaufend, ideologisch?

Diese Methode ist besonders wichtig bei der Integration von KI in Prozesse, bei denen faktische Richtigkeit zentral ist — etwa im Bereich Kommunikation, Bildung oder Strategieentwicklung.

Neue Entwicklungen: Recherche mit Gemini und Retrieval Augmented Generation

Moderne KI-Systeme entwickeln sich rasant weiter. Zwei besonders relevante Entwicklungen sind derzeit:

Deep Research mit Google Gemini

Google bietet mit „Gemini“ eine Recherchefunktion an, die unter dem Namen Deep Research strukturiertes Arbeiten mit KI ermöglicht. Dabei lassen sich:

• Recherchestrategien definieren,
• Quellen verifizieren,
• Inhalte direkt in Google Docs exportieren,
• und sogar Infografiken, Quizfragen oder Webseiten aus den Ergebnissen generieren.

Dies eignet sich besonders für komplexe Themen, die mehrstufige Analysen oder kontextuelle Verknüpfungen erfordern — zum Beispiel in der Bildungsarbeit, Strategieentwicklung oder im Content Design.

Retrieval Augmented Generation (RAG)

RAG ist eine neue Architektur, die klassische Sprachmodelle um die Fähigkeit erweitert, aktiv auf externe Datenquellen zuzugreifen. Statt rein auf trainierte Daten zurückzugreifen, bezieht ein RAG-Modell aktuelle Inhalte aus Datenbanken, Websites oder Dokumenten ein, analysiert sie und generiert darauf basierende Antworten mit Quellenangabe.

Ein Beispiel dafür ist NotebookLM, ein kostenloses Tool von Google, das:

• Notizbücher mit PDF-, Text-, Bild- oder Audioquellen erstellt,
• mit diesen Quellen interagiert (per Chat oder Analyse),
• automatisch strukturierte Inhalte wie FAQs, Zeitachsen oder Mindmaps generiert,
• und dabei stets auf die Ursprungsquelle verweist.

Besonders hervorzuheben ist: Die Inhalte können geteilt werden, aber nicht bearbeitet — was kollaborative Sicherheit gewährleistet. Dennoch gilt: Sensible Daten sollten nicht hochgeladen werden, da es sich um einen Cloud-Dienst handelt.

Ein unterschätzter Erfolgsfaktor: Freundlichkeit

Abschliessend ein scheinbar banaler, aber wissenschaftlich belegter Hinweis: Der Ton der Kommunikation mit KI beeinflusst die Qualität der Antworten messbar. Studien zeigen, dass höflich formulierte Prompts — also solche mit „bitte“ oder „danke“ — nicht nur zu besseren Ergebnissen führen, sondern auch die Konzentration und Klarheit der Nutzer:Innen steigern. Freundlichkeit wirkt hier wie ein psychologischer Verstärker.

Obwohl diese Formulierungen systemseitig keinen Einfluss auf die Berechnung haben, verbessern sie die eigene Klarheit, Fokus und Zufriedenheit — und führen somit indirekt zu besseren Resultaten.

Schlussfolgerung und nächste Schritte

Künstliche Intelligenz verändert unsere Art zu arbeiten — nicht irgendwann, sondern bereits heute. Wer diese Technologie nicht nur konsumiert, sondern bewusst anwendet, gestaltet und hinterfragt, schafft sich einen echten strategischen Vorteil.

Die wichtigste Erkenntnis: KI ist nicht das Ziel — sie ist ein Werkzeug. Und wie jedes Werkzeug entfaltet sie ihr volles Potenzial nur dann, wenn der Mensch weiss, was er tut.

Für den souveränen Einsatz in der Praxis empfiehlt sich:

• Erstellen Sie ein persönliches Textbriefing für Ihre KI-Umgebung
• Nutzen Sie strukturierte Prompts auf Basis der Vier-Säulen-Methode
• Integrieren Sie eigene Quellen zur Steigerung der Relevanz
• Prüfen Sie Rechercheergebnisse mit der CRAP-Methode
• Experimentieren Sie mit Gemini und NotebookLM für komplexe Aufgaben
• Beobachten Sie, wie sich Freundlichkeit auf die Qualität Ihrer Ergebnisse auswirkt