Das Gefühl, bei der Künstlichen Intelligenz den Anschluss verloren zu haben, ist weit verbreitet. Häufig ist es eine Reaktion auf die rasante Innovationsgeschwindigkeit, auf die Angst vor Kompetenzverlust, Informationsüberlastung, KI-Burnout oder mangelndes Selbstvertrauen. Man spricht von der AI Anxiety (KI-Angst). Forscher der University of Melbourne beschreiben dies als ein «persistentes Gefühl der Unruhe», das nicht mit klassischer klinischer Angst gleichzusetzen ist, sondern eine spezifische Reaktion auf die technologische Disruption darstellt.
Doch den Kopf in den Sand zu stecken, ist keine Option – KI wird nicht mehr verschwinden und oft ist die aktive Beschäftigung die beste Medizin gegen die Angst. Bereits innert vier Wochen lässt sich eine fundierte KI-Kompetenz aufbauen und KI nicht nur als Schreibhilfe nutzen, sondern als Werkzeug, um Wissen zu strukturieren, zu prüfen und weiterzuentwickeln.
Woche 1: Das Fundament
Woche eins legt das Fundament eines soliden KI-Know-hows. Es geht darum, das mentale Modell zu verschieben. Das Ziel ist es, strukturierte Prompts intuitiv, ohne darüber nachzudenken, zu verfassen. Dazu sollte man drei Punkte angehen:
- «Machine English» verstehen: KI verarbeitet keine Wörter, sondern Wortfetzen, sogenannte Tokens und «würfelt» bei jedem Wort neu zusammen, was statistisch am besten als Nächstes passt. Um hier ein besseres Gefühl zu bekommen, sollte man zunächst einen vagen Prompt – also eine Eingabeaufforderung – und im Anschluss einen präzisen Prompt verfassen. Das kann beispielsweise zunächst der Satz «Schreibe etwas über Marketing» sein; danach etwa «Erstelle drei konträre Thesen zu Content-Marketing für B2B-Software». Dieses Herumspielen mit vagen und präzisen Prompts hilft, ein Gespür dafür zu entwickeln, dass KI nicht weiss, was man will. Sie benötigt Leitplanken, um die Wahrscheinlichkeit für ein gutes Ergebnis zu erhöhen.
- Ein zentrales KI-Tool nutzen: In der ersten Woche ist es (noch) nicht sinnvoll, zwischen verschiedenen KI-Tools zu wechseln. Besser ist es, sich zunächst für ein System zu entscheiden und dessen Stärken, Grenzen und typische Antwortmuster kennenzulernen.
- Kadenz testen: So bezeichnet man den spezifischen Rhythmus, Stil und die Antwortlogik eines KI-Modells. Denn jedes Modell strukturiert und formuliert Informationen auf seine Weise: ChatGPT hat oft einen erklärenden Stil und neigt zu Aufzählungen und einer höflichen Sprache. Claude hat einen eher intellektuellen Stil und schreibt oft präziser. Gemini ist meist pragmatisch, schnell und stark auf die Integration von Fakten aus dem Netz ausgerichtet.
Weiter geht es im dritten Punkt der Woche darum, auch Grenzen auszuloten, beispielsweise Halluzinationen zu provozieren (Fragen zu etwas, was es nicht gibt, zu stellen), zu erkunden, wann ein Modell in einem langen eingegebenen Text (z. B. einem Jahresbericht) Details vergisst oder auch zu testen, wie gut ein KI-System einen vorgegebenen Schreibstil erkennt und nachbildet – etwa indem man einen eigenen Text hochlädt und daraus eine Antwortmail im gleichen Ton formulieren lässt.
Woche 2: Spezialisierung
Während Woche eins das Verständnis für die KI geschärft hat, geht es in Woche zwei darum, die KI mit Gedächtnis, Materialien und klaren Anweisungen zu versorgen. Wir fassen diese drei Elemente unter dem Kürzel MAP zusammen: M – Memory (Gedächtnis), A – Assets (Materialien) und P – Prompt (Anweisung). Das Ziel der zweiten Woche ist, aufzuhören, Fragen an die KI zu stellen und stattdessen Aufträge auf Basis von Fakten zu geben.
- Memory (Gedächtnis steuern): Sobald ein Chat sehr lang wird oder ein neuer Dialog beginnt, fehlt der KI oft der bisherige Kontext. Hiergegen helfen die sogenannten Custom Instructions, das sind Einstellungen (bei ChatGPT «Custom Instructions», bei Claude «Project Knowledge»), um ein Profil zu hinterlegen (zum Beispiel «Ich bin Marketingleiter. Schreibe sachlich und kurz.»). Damit lässt sich verhindern, bei jedem Prompt immer von Null anfangen zu müssen.
- Assets (Materialien an die Hand geben): Nun sollte der erste Qualitätssprung stattfinden, indem KI nicht mehr rät, sondern analysiert. Dies lässt sich schaffen, indem man Dokumente hochlädt (PDFs, Excel-Listen, Strategie-Papiere). KI arbeitet damit auf Basis eigener Fakten. Wichtig ist in diesem Kontext die Datenhygiene (keine personenbezogenen Daten ohne entsprechende Sicherheitsvorkehrungen).
- Prompt (Brücke schlagen): Ein präziser Prompt verknüpft nun Assets mit dem Ziel unter Berücksichtigung des «Memory». Ein guter Prompt in dieser Phase könnte daher folgendermassen lauten: «Nutze das hochgeladene Skript (Asset). Erstelle daraus einen Newsletter-Entwurf in meinem gewohnten Stil (Memory). Achte darauf, dass die drei Kernbotschaften fett markiert sind (Prompt).»
Woche 3: Qualitätsprüfung
In Woche drei liegt der Fokus auf Qualitätskontrolle und vertieftem Weiterdenken. Aus dem blossen Anfragen wird ein gemeinsames Prüfen: Die KI dient nicht mehr nur als Lexikon, sondern als Sparringspartner, der Annahmen hinterfragt und mögliche Fehler sichtbar macht. Auch hier findet ein dreistufiger Prozess statt:
- Gedankenkette: Statt die KI nur nach einem Ergebnis zu fragen, sollte man sie auffordern, Annahmen, Zwischenschritte und mögliche Unsicherheiten nachvollziehbar darzustellen. So verhindert man, dass die KI bei komplexen Aufgaben (wie Logikrätseln oder Budgetkalkulationen) abkürzt und dabei Fehler macht. Dadurch lassen sich Logiklücken erkennen, bevor das Endergebnis steht.
- Die Rückfrage: Die KI wird angewiesen, erst zu spiegeln, was sie verstanden hat, bevor sie eine ausführliche Antwort erstellt. Das spart Zeit bei der Nachbearbeitung.
- Veredelung: Nun könnte der Anwender erstmals KI als eigenen Mentor nutzen und anstatt selbst zu überlegen, wie ein Prompt besser sein könnte, beispielsweise fragen: «Welche Informationen fehlen im Prompt, um ein perfektes Ergebnis zu liefern?»
