In fast jedem KI-Workshop kommt der Moment, an dem jemand die Arme verschränkt und sagt: „Ich habe es ausprobiert. Das Ergebnis war schlechter, als wenn ich es selbst gemacht hätte.“

Meistens meint die Person das ernst, und sie ist mit dieser Meinung nicht allein. Wer genauer nachfragt, stellt aber fest, dass der Frust selten an der Technologie selbst liegt. Er hat fast immer zwei Ursachen: das Werkzeug, mit dem gearbeitet wurde, und die Art, wie die Arbeit abgegeben wurde.


Ursache 1: Ein Chatfenster ist kein Arbeitsplatz

Die meisten Mitarbeiter lernen KI so kennen: Sie öffnen ein öffentliches Chat-Modell, tippen eine Aufgabe in ein, zwei Sätzen ein und erwarten ein fertiges Ergebnis. Fachleute nennen das einen One-Shot-Prompt, also eine einzige Anweisung ohne Vorbereitung und ohne Rückfrage.

Das Modell kennt in diesem Moment weder Ihr Unternehmen noch Ihre Kunden, Ihre Vorlagen, Ihre Fachbegriffe oder die drei Fehler, die man in Ihrer Branche auf keinen Fall machen darf. Es liefert deshalb das, was im Durchschnitt aller Texte, die es kennt, am wahrscheinlichsten passt. Das Ergebnis ist ordentlich, aber generisch. Und wer es mit seiner eigenen Arbeit vergleicht, in der zwanzig Jahre Erfahrung stecken, kommt verständlicherweise zu dem Schluss: Das kann ich besser.

Der Vergleich ist allerdings schief. Man vergleicht einen Fachmann mit vollem Kontext mit einem Gesprächspartner, der den Raum gerade erst betreten hat.

Wie professionelle KI-Arbeit aussieht

Zwischen diesem Chatfenster und einer professionell aufgebauten KI-Umgebung liegt ein großer Unterschied. In der professionellen Arbeit erledigt nicht ein einzelnes Modell alles auf einmal. Mehrere spezialisierte Agenten teilen sich die Aufgabe, ähnlich wie ein gut organisiertes Team:

  • Klare Rollen. Ein Agent recherchiert, einer erstellt, einer prüft. Jeder arbeitet nur in seinem Bereich und mit den Informationen, die er dafür braucht.
  • Sauberer Kontext. Jeder Agent bekommt genau die Unterlagen, die für seinen Teil relevant sind, statt in einem einzigen Gespräch mit allem überladen zu werden.
  • Skills. Das sind hinterlegte Arbeitsanweisungen, die festhalten, wie eine Aufgabe in diesem Unternehmen erledigt wird: welche Vorlage, welcher Ton, welche Prüfschritte, welche Ausnahmen. Erfahrungswissen wird so wiederverwendbar.
  • Zugriff auf die eigenen Daten. Die Agenten arbeiten mit Ihren Dokumenten, Systemen und Vorgaben, nicht mit dem allgemeinen Wissen aus dem Internet.
  • Eingebaute Kontrolle. Ergebnisse werden geprüft, bevor sie einen Menschen erreichen, und der Mensch gibt am Ende frei.

Wer nur das Chatfenster kennt, beurteilt KI also nach ihrer einfachsten Form. Das ist ungefähr so, als würde man die Leistungsfähigkeit einer Werkstatt danach bewerten, was ein einzelner Schraubenschlüssel kann.


Ursache 2: Viele Menschen haben nie gelernt, Arbeit abzugeben

Der zweite Grund ist unbequemer, weil er nichts mit Technik zu tun hat.

Hört man in Workshops genau hin, was an der KI kritisiert wird, fällt etwas auf. Die meisten Kritikpunkte würden genauso auftauchen, wenn man die Aufgabe einem neuen Kollegen gegeben hätte. Oder einem jüngeren, weniger erfahrenen. Oder sogar einem gleich erfahrenen Kollegen, der die Dinge einfach anders anpackt.

  • „Sie hat die Tabelle anders aufgebaut, als ich es machen würde.“
  • „Sie hat mit dem zweiten Punkt angefangen statt mit dem ersten.“
  • „So formulieren wir das bei uns nicht.“
  • „Den Weg hätte ich nie gewählt.“

Keiner dieser Sätze sagt etwas darüber aus, ob das Ergebnis richtig ist. Sie beschreiben, dass das Ergebnis anders zustande kam, als man es selbst gemacht hätte.

Prozessorientiert statt ergebnisorientiert

Wer nicht gewohnt ist zu delegieren, bewertet Arbeit oft nicht am Ergebnis, sondern am Weg dorthin. Der Maßstab für den „richtigen“ Weg ist dabei fast immer der eigene: die Reihenfolge, die man sich über Jahre angewöhnt hat, die Vorlage, die man einmal gebaut hat, die Formulierung, die sich bewährt hat.

Das ist menschlich. Erfahrung besteht zu einem guten Teil aus Gewohnheiten, die irgendwann funktioniert haben. Problematisch wird es, wenn die Gewohnheit unbemerkt zum Qualitätskriterium wird. Dann gilt als falsch, was eigentlich nur anders ist.

In der Statistik gibt es dafür einen Begriff: das falsch-negative Ergebnis. Ein Test schlägt Alarm, obwohl gar kein Fehler vorliegt. Genau das passiert, wenn ein Lösungsweg abgelehnt wird, der objektiv genauso gut ist wie der eigene, nur weil er nicht dem gewohnten Ablauf folgt. Die KI wird dann für etwas abgestraft, das bei einem menschlichen Kollegen vielleicht als „frischer Blick“ durchgegangen wäre.

Delegieren ist eine Fähigkeit

Gute Führungskräfte lernen irgendwann, dass sie Ergebnisse vorgeben müssen und nicht jeden Handgriff. Sie sagen, was am Ende herauskommen soll, woran man erkennt, dass es gut ist, und wo die Grenzen liegen. Den Weg überlassen sie dem Team, solange das Ergebnis stimmt.

Mit KI zu arbeiten bedeutet, genau diese Fähigkeit zu brauchen, und zwar plötzlich für alle Mitarbeiter, nicht nur für die Führungskräfte. Wer bisher alles selbst gemacht hat, muss auf einmal formulieren, was er eigentlich erwartet. Das ist ungewohnt, und die Unsicherheit dabei landet schnell als Frust bei der Technologie.

Delegieren ist damit ein Beispiel für das Wissen, das durch KI an Wert gewinnt. Welches Wissen an Wert verliert und welches gewinnt, beschreibe ich im Essay Macht KI uns dümmer?


Wann die Kritik berechtigt ist

Das alles heißt nicht, dass die KI immer recht hat. Sprachmodelle können sich irren, Zusammenhänge falsch herstellen oder Dinge behaupten, die nicht stimmen. Wer das feststellt, sollte es ernst nehmen.

Wichtig ist die Unterscheidung. Hilfreich sind drei Fragen:

  1. Ist das Ergebnis falsch, oder ist es nur anders? Ein falscher Betrag ist ein Fehler. Eine andere Reihenfolge ist es meistens nicht.
  2. Hätte ich das gleiche Ergebnis von einem neuen Kollegen akzeptiert? Wenn ja, liegt das Problem vermutlich nicht an der KI.
  3. Wusste die KI, was ich erwartet habe? Wenn die Erwartung nur in meinem Kopf existierte, konnte sie niemand erfüllen, weder Mensch noch Maschine.

Echte Fehler sind wertvoll. Sie zeigen, wo eine Prüfung fehlt, wo eine Arbeitsanweisung ungenau ist oder wo ein Mensch die letzte Entscheidung behalten sollte. Abweichungen vom eigenen Stil sind dagegen kein Qualitätsproblem, sondern eine Geschmacksfrage.


Was Unternehmen daraus lernen können

Wer KI im Unternehmen einführt und dabei auf Frust stößt, sollte nicht zuerst an der Technologie zweifeln, sondern zwei Dinge prüfen.

Erstens das Werkzeug. Arbeiten die Mitarbeiter mit einem öffentlichen Chatfenster und einzelnen Anweisungen? Dann vergleichen sie ein einfaches Werkzeug mit ihrer eigenen Expertise und verlieren erwartungsgemäß den Glauben daran. Eine professionelle Umgebung mit klar abgegrenzten Agenten, hinterlegten Arbeitsanweisungen und Zugriff auf die eigenen Daten liefert ein völlig anderes Bild.

Zweitens die Haltung. Bewerten die Mitarbeiter das Ergebnis oder den Weg? Wer KI erfolgreich einsetzen will, muss Ergebnisse beschreiben können: was herauskommen soll, woran Qualität erkennbar ist, was auf keinen Fall passieren darf. Das ist dieselbe Fähigkeit, die gutes Delegieren an Menschen ausmacht, und sie lässt sich lernen.

Die Frage „Arbeitet die KI so wie ich?“ führt in eine Sackgasse. Die bessere Frage lautet: „Ist das Ergebnis richtig, und hätte ich es auf diesem Weg auch akzeptiert, wenn ein Kollege es geliefert hätte?“

Wer so fragt, stellt häufig fest, dass die KI nicht schlechter gearbeitet hat. Sie hat nur anders gearbeitet.