Ich wollte mein Buch Die Journalisten-Methode überarbeiten und bat eine KI um eine Einschätzung. Ihr Urteil fiel erstaunlich hart aus: Das Manuskript sei im Grunde unfertig, und ich solle meine Zeit nicht mit „Produktivitätsporn“ verschwenden. Ob das System diesen Ausdruck selbst geprägt oder aus meinem Kontext aufgegriffen hatte, kann ich rückblickend nicht mehr sicher trennen. Sicher ist nur: Die Einschätzung beruhte auf einer falschen Grundlage, weil ich stillschweigend vorausgesetzt hatte, dass die KI das Manuskript und den Stand des Projekts kannte. Tat sie nicht.
Erst als ich das Manuskript tatsächlich bereitstellte, veränderte sich das Urteil. Plötzlich war klar, worüber wir überhaupt redeten, was bereits vorhanden war und warum eine Überarbeitung sinnvoll sein konnte. Ohne mein eigenes Urteilsvermögen hätte ich an dieser Stelle ein wichtiges Buchprojekt womöglich vorschnell verworfen.
Diese Episode hat mir eine einfache, aber folgenreiche Betriebsregel beigebracht:
Die KI kann keine Gedanken lesen.
Das klingt banal. Im Arbeitsalltag ist es das nicht, denn ein erstaunlich großer Teil der Reibung entsteht genau an dieser Stelle. Wir stellen eine Frage, bekommen eine plausible Antwort und behandeln sie wie ein fertiges Ergebnis. Dabei weiß das System nur, was wir ihm tatsächlich gegeben haben, und selbst mit gutem Material kann seine erste Fassung noch schwach, einseitig oder schlicht falsch sein.
Mein größter Bedienfehler bestand lange nicht darin, dass ich den einen geheimen Superprompt nicht kannte. Ich gab mich zu früh mit zweitklassigen Antworten zufrieden. Wenn eine Ausgabe halbwegs vernünftig klang, war ich versucht, sie als Ergebnis zu akzeptieren, obwohl sie oft nur der erste brauchbare Arbeitsstand war.
Heute arbeite ich anders. Bei wichtigen Aufgaben verstehe ich die erste Antwort als den ersten Zustand eines Dialogs. Qualität entsteht danach in einer kontrollierten Feedbackschleife aus Kontext, Prüfung, Rückfragen, Gegenargumenten, Nachschärfung und menschlicher Endabnahme.
Buch · Die Journalisten-Methode
Vom Rohmaterial zum eigenständigen Beitrag.
Wenn du mit KI arbeitest, aber nicht wie alle anderen klingen willst, zeigt dir die Journalisten-Methode einen belastbaren Weg: eigene Quellen, bessere Fragen und menschliche Endabnahme.
Der Amazon-Link ist ein Affiliate-Link. Für dich ändert sich der Preis nicht.
Die erste Antwort ist ein Arbeitsstand
Das einfache Bild von KI-Arbeit sieht ungefähr so aus:
Prompt → Antwort → fertig
Für manche Aufgaben reicht das vollkommen. Wenn ich Stichpunkte sortieren, eine Tabelle umformatieren oder einen unkritischen Textbaustein strukturieren lasse, muss daraus kein philosophisches Kolloquium werden.
Bei einer strategischen Analyse, einer Bewerbung, einem wichtigen Fachtext oder einem Buchmanuskript sieht die Sache anders aus. Hier entsteht Qualität selten dadurch, dass ich einen Satz in ein Eingabefeld tippe und die erste Ausgabe übernehme. Der Arbeitsprozess sieht eher so aus:
Kontext → Ausgabe → Prüfung → Rückfrage → zusätzlicher Kontext → Überarbeitung → Gegenprüfung → Entscheidung
Das unterscheidet den Feedback-Loop auch von meinem Beitrag über Context Engineering. Dort geht es darum, welche Informationen, Regeln und Beispiele ein System benötigt, um eine Aufgabe überhaupt sinnvoll verstehen zu können. Hier geht es um den nächsten Schritt: Was mache ich mit einer Ausgabe, die bereits vor mir liegt?
Denn guter Kontext erhöht die Chance auf ein starkes Ergebnis. Er garantiert es nicht.
Warum erste Antworten so oft mittelmäßig bleiben
In meiner Arbeit sehe ich vier wiederkehrende Gründe.
1. Ein Teil des Kontexts existiert nur in meinem Kopf
Beim Buchprojekt war das der entscheidende Fehler. Ich kannte den Stand des Manuskripts, seine Geschichte, seinen Zweck und die Arbeit, die bereits darin steckte. Für mich war dieser Zusammenhang selbstverständlich. Für die KI war er unsichtbar, solange ich ihn nicht bereitstellte.
Genau hier entsteht häufig der Satz: „Ich meinte es doch ganz anders.“
Das mag stimmen. Nur konnte das System die unausgesprochene Bedeutung nicht kennen. Die KI kann keine Gedanken lesen, und sie sollte auch nicht dazu gezwungen werden, fehlenden Kontext mit Vermutungen zu ersetzen.
2. Der Qualitätsmaßstab bleibt unausgesprochen
„Ist das gut?“ ist eine schwache Frage, wenn niemand geklärt hat, was in diesem Fall überhaupt als gut gelten soll.
Eine Bewerbung kann sprachlich flüssig sein und trotzdem keinen konkreten Wert für den Arbeitgeber zeigen. Ein Fachartikel kann sachlich korrekt wirken, aber die wichtigste Nutzerfrage verfehlen. Ein Konzept kann originell klingen und im tatsächlichen Betrieb unbrauchbar sein.
Je wichtiger eine Aufgabe ist, desto klarer formuliere ich deshalb die Kriterien, an denen ich das Ergebnis messen will. Das ist auch ein zentraler Bestandteil meiner KI-Workflows für Content-Teams: Nicht nur eine Aufgabe übergeben, sondern vorher klären, woran wir erkennen, dass sie ordentlich erledigt wurde.
3. Wir akzeptieren Zustimmung zu schnell
KI kann ausgesprochen freundlich sein. Das ist angenehm, aber nicht automatisch hilfreich.
Wenn ich eine Bewerbung hochlade und das System sie überschwänglich lobt, habe ich noch keinen Qualitätsnachweis. Ich habe zunächst eine Bewertung, deren Grundlage unklar ist. Meine entscheidende Rückfrage lautet deshalb:
Ist das wirklich gut? Woran machst du das fest?
Der zweite Satz verändert die Aufgabe. Das System soll nicht länger nur urteilen, sondern seine Bewertung begründen. Sobald Gründe auf dem Tisch liegen, kann ich sie prüfen, hinterfragen und mit meinem Ziel abgleichen.
4. Plausibilität sieht verdächtig oft wie Wahrheit aus
Sprachmodelle können sauber gliedern, differenziert formulieren und einen selbstbewussten Ton anschlagen. Genau darin liegt ihre Stärke, aber auch eine ihrer tückischsten Grenzen.
Eine Antwort kann überzeugend klingen und dennoch auf einer falschen Annahme beruhen. Deshalb frage ich nicht nur, ob ein Text gut formuliert ist, sondern ob seine Aussagen tatsächlich tragen.
Der Realitätsfilter behandelt diese Prüfung ausführlicher. Im Feedback-Loop brauche ich davon vor allem einen Grundsatz: Plausibilität ist ein Signal, aber kein Beweis.
Mein Feedback-Loop in acht Schritten
Ich habe daraus keinen komplizierten Superprompt gebaut. Es ist eine Arbeitslogik, die je nach Aufgabe zwei Minuten oder wesentlich länger dauern kann.
1. Ziel und Qualitätsmaßstab setzen
Bevor ich eine erste Ausgabe bewerte, muss ich wissen, welches Ergebnis ich eigentlich brauche.
Bei einem Fachtext können beispielsweise diese Kriterien gelten:
- Die Zielgruppe und ihre zentrale Frage sind klar.
-
Tragende Aussagen lassen sich belegen.
-
Die Struktur führt nachvollziehbar durch das Thema.
-
Die Tonalität passt zum Absender.
-
Der Text liefert einen eigenständigen Informationsgewinn.
-
Offene Unsicherheiten werden nicht versteckt.
-
Der nächste sinnvolle Schritt ist erkennbar.
Eine administrative Aufgabe benötigt andere Kriterien. Ein internes Brainstorming darf unfertiger sein als eine öffentliche Leistungsseite. Entscheidend ist nicht, möglichst viele Prüfregeln aufzuschreiben, sondern die wenigen Maßstäbe sichtbar zu machen, die den Auftrag tatsächlich bestimmen.
Sonst lasse ich die KI ein Ergebnis erzeugen und frage anschließend dieselbe KI, ob ihr eigenes Ergebnis gelungen ist. Überraschenderweise findet sie sich dabei gelegentlich ziemlich überzeugend.
2. Rohmaterial und Kontext bereitstellen
Jetzt bekommt das System das Material, das es wirklich benötigt. Nicht mein gesamtes digitales Leben, sondern den relevanten Ausschnitt.
Beim Buch wären das beispielsweise das Manuskript, der aktuelle Projektstatus, das Ziel der Überarbeitung und die wichtigsten bisherigen Entscheidungen gewesen. Hätte ich diese Grundlage gleich mitgeliefert, wäre der Loop vermutlich deutlich kürzer ausgefallen.
Je sauberer der Kontext ist, desto weniger Zeit verbringe ich später damit, Missverständnisse zu reparieren. Trotzdem bleibt die erste Ausgabe eine Hypothese darüber, wie das Material verstanden wurde. Genau deshalb folgt die Diagnose.
3. Die erste Ausgabe diagnostisch lesen
Früher fragte ich vor allem: Gefällt mir das?
Heute lese ich eine erste Ausgabe anders. Ich prüfe, was das System offenbar verstanden hat, welche Annahmen es getroffen hat und an welcher Stelle es ausweicht oder zu schnell schließt.
Hilfreiche Fragen sind:
- Welches Ziel glaubt das System zu verfolgen?
-
Welche Information behandelt es als selbstverständlich?
-
Wo bleibt es vage?
-
Welche Aussage klingt stark, ist aber nicht begründet?
-
Welche Perspektive fehlt?
-
Wo widerspricht das Ergebnis meinem belastbaren Wissen?
Damit wird selbst eine schwache Antwort nützlich. Sie zeigt mir, welcher Teil des Auftrags oder Kontexts noch nicht sauber angekommen ist.
4. Begründung und Gegenposition verlangen
Jetzt beginnt der eigentliche Dialog. Statt nur „Mach das besser“ zu schreiben, stelle ich Fragen, die die Grundlage der Antwort sichtbar machen:
Warum hältst du diese Fassung für besser?
Woran machst du deine Bewertung fest?
Welche drei Schwächen siehst du?
Welche Annahme liegt deiner Empfehlung zugrunde?
Was wäre das stärkste Gegenargument?
Welche Information könnte dein Urteil verändern?
Wo bist du dir unsicher?
Diese Fragen sind keine magischen Formeln. Sie verschieben den Dialog lediglich von der Behauptung zur Begründung. Aus einer gefälligen Einschätzung wird im besten Fall eine Argumentation, die ich prüfen kann.
Deshalb gefällt mir die Analogie des sokratischen Dialogs. Nicht weil die KI Sokrates wäre, sondern weil gezielte Rückfragen den Denkprozess verbessern können.
Content · Redaktion · KI-Workflows
Wenn aus einer guten Idee ein verlässlicher Prozess werden soll.
Ich unterstütze stille Experten und kleine Teams dabei, Fachwissen in klare Inhalte, belastbare Redaktionsabläufe und sinnvolle KI-Workflows zu übersetzen.
Ein paar klare Sätze reichen. Keine automatisierte Verkaufsschleife.
Die Bewerbung ist gut. Sagt wer?
Bei Bewerbungen wird diese Logik besonders deutlich.
Angenommen, ich gebe der KI einen schwachen Entwurf und frage: „Wie findest du meine Bewerbung?“ Wenn die Antwort lautet, der Text sei hervorragend, hilft mir das kaum.
Also frage ich weiter:
Ist das wirklich gut? Woran machst du das fest?
Danach kann ich die Bewertung präzisieren:
Welche Aussage ist austauschbar?
Was würde ein skeptischer Recruiter kritisieren?
Welche Behauptung ist nicht belegt?
Wo wird mein konkreter Wert für den Arbeitgeber sichtbar?
Jetzt diskutieren wir nicht mehr darüber, ob die Bewerbung „super“ ist. Wir diskutieren über Kriterien, Belege und Wirkung.
Hier liegt auch die Verbindung zur Journalisten-Methode: Eine starke Aussage braucht Material, Prüfung und einen nachvollziehbaren Grund. Sprachliche Überzeugungskraft allein reicht nicht.
5. Fehlenden Kontext gezielt nachreichen
Nach der Diagnose starte ich nicht automatisch von vorn. Ich ergänze die Information, die offensichtlich fehlt.
Wenn ein KI-Urteil meinem eigenen belastbaren Wissen widerspricht, folge ich ihm weder blind noch verwerfe ich es reflexhaft. Ich prüfe zunächst, ob wir überhaupt auf derselben Informationsgrundlage arbeiten.
Bei meinem Buch war die Antwort eindeutig: Der Kontext fehlte. Ich hatte vorausgesetzt, dass die KI den Stand des Manuskripts kannte. Auf dieser unvollständigen Grundlage entstand ein Urteil, das für mich gravierende Folgen hätte haben können.
Als ich das Manuskript nachreichte, änderte sich die Einschätzung. Daraus entstand eine Betriebsregel, die ich bis heute verwende:
Wenn ein KI-Urteil meinem eigenen belastbaren Wissen widerspricht, prüfe ich zuerst die gemeinsame Informationsgrundlage.
6. Gezielt überarbeiten und Alternativen vergleichen
Die nächste Fassung bekommt nun keinen vagen Auftrag wie „Bitte besser“, sondern eine konkrete Diagnose.
Zum Beispiel:
Der Einstieg ist zu allgemein. Bewahre die These, beginne aber mit dem konkreten Fall.
Oder:
Die Argumentation überspringt den stärksten Einwand. Ergänze ihn, ohne die Hauptthese künstlich abzuschwächen.
Oder:
Variante A ist präziser, Variante B verständlicher. Entwickle eine dritte Fassung, die die Präzision von A mit der klareren Struktur von B verbindet.
Der entscheidende Unterschied besteht darin, dass jede Überarbeitung einen nachvollziehbaren Grund besitzt. Das schützt auch vor endlosem Verschlimmbessern, denn nicht jede neue Fassung wird automatisch stärker, nur weil sie später entstanden ist.
7. Fakten und Logik separat prüfen
Iteration erzeugt keine Wahrheit. Ich kann zwanzigmal mit einem System über eine falsche Behauptung diskutieren und am Ende lediglich eine elegantere falsche Behauptung erhalten.
Deshalb trenne ich irgendwann die redaktionelle Entwicklung von der faktischen Prüfung:
- Woher stammt die Information?
-
Ist die Quelle tatsächlich vorhanden?
-
Ist sie aktuell?
-
Trägt sie genau diese Aussage?
-
Handelt es sich um einen Fakt, eine Ableitung oder eine Hypothese?
-
Gibt es eine relevante Gegenquelle?
Auch offizielle Leitlinien für die Evaluation von KI-Systemen empfehlen, Ergebnisse nicht nur nach einem allgemeinen Eindruck zu bewerten, sondern anhand expliziter Kriterien und repräsentativer Testfälle zu prüfen. Die Dokumentation von OpenAI beschreibt genau diesen Wechsel von einem vagen „sieht gut aus“ zu einer systematischen Evaluation: OpenAI – Evaluation best practices.
Für die redaktionelle Arbeit bedeutet das nicht, dass jeder Absatz einen Benchmark benötigt. Es bedeutet, dass Bewertungen Kriterien und Fakten Quellen brauchen.
Bei wichtigen Texten lasse ich gelegentlich verschiedene Systeme gegenlesen. Das liefert zusätzliche Perspektiven, aber keine unabhängige Quellenprüfung. Selbst drei übereinstimmende Sprachmodelle sind keine drei voneinander unabhängigen Belege.
8. Menschliche Endabnahme
Der Loop endet nicht, weil die KI erklärt, das Ergebnis sei nun perfekt. Er endet, wenn ein Mensch beurteilen kann, dass der Auftrag erfüllt, die relevanten Risiken geprüft und die verbleibenden Unsicherheiten vertretbar sind.
Bei wichtigen Texten prüfe ich selbst. Gelegentlich liest zusätzlich meine Frau mit. Das ist keine wissenschaftliche Qualitätssicherung, aber ein weiterer menschlicher Blick, der Unklarheiten oder eine merkwürdige Wirkung sichtbar machen kann.
Meine Betriebsregel lautet deshalb: Kein wichtiger Text wird allein deshalb veröffentlicht, weil eine KI ihn für fertig hält. Die Entscheidungsverantwortung bleibt bei mir.
Ein guter Prozess macht den Loop kürzer
Der Einwand liegt nahe: Wenn ich jede Ausgabe in acht Schritten prüfe, spare ich mit KI kaum noch Zeit.
Das wäre richtig, wenn jede harmlose Aufgabe denselben Aufwand bekäme. Genau darum geht es aber nicht. Je klarer mein Kontext, meine Qualitätskriterien und meine wiederkehrenden Abläufe werden, desto weniger muss ich bei jedem Auftrag neu erklären.
Zielgruppe, Tonalität, zulässige Quellen, Freigaberegeln und Ausgabeformate gehören bei wiederkehrenden Aufgaben in den Prozess. Rückfragen reserviere ich dann für die Stellen, an denen tatsächlich eine Entscheidung offen ist.
Das ist für mich der Unterschied zwischen Iteration aus Chaos und Iteration als Qualitätsarbeit. Ein schlechter Prozess produziert immer wieder dieselben Missverständnisse und nennt ihre Korrektur anschließend Zusammenarbeit. Ein guter Prozess beseitigt die wiederkehrenden Fehler und nutzt den Dialog dort, wo Denken wirklich notwendig ist.
Genau darum geht es auch in meiner KI-Strategie für Content-Teams: Nicht das Tool, sondern ein klarer Rahmen entscheidet, ob aus schnellen Antworten verlässliche Arbeit wird.
Nicht jede Aufgabe braucht acht Runden
Der Feedback-Loop ist kein Ritual. Bei risikoarmen Aufgaben kann die erste Antwort vollkommen genügen.
Wenn ich zehn Stichpunkte alphabetisch sortieren lasse und das Ergebnis stimmt, muss ich die KI anschließend nicht nach dem Menschenbild ihrer Reihenfolge fragen. Auch einfache Umformatierungen, offensichtliche Extraktionen oder administrative Vorarbeiten können nach einem kurzen Kontrollblick abgeschlossen sein.
Ich orientiere mich deshalb an drei Fragen:
Wie wichtig ist das Ergebnis?
Ein interner Zwischenstand verträgt mehr Unsicherheit als eine öffentliche Leistungsseite oder eine Bewerbung.
Wie leicht lässt sich ein Fehler erkennen und korrigieren?
Ein falsch gesetzter Gedankenstrich ist etwas anderes als eine erfundene Tatsache oder ein missverständlicher geschäftlicher Claim.
Welche Folgen hätte ein unerkannter Fehler?
Je größer die Außenwirkung, das finanzielle Risiko oder die fachliche Sensibilität, desto stärker wird geprüft.
Der Prüfaufwand folgt Bedeutung und Risiko. Ein Feedback-Loop soll die Arbeit verbessern und nicht zum neuen Bürokratismus werden.
Mehr Iteration bedeutet nicht automatisch mehr Wahrheit
Ein langer Dialog ist kein Qualitätsbeweis. Mehr Kontext garantiert keine Wahrheit, und fünf Überarbeitungen garantieren nicht, dass die fünfte Fassung besser ist als die dritte.
KI kann weiterhin Informationen verwechseln, Lücken mit plausiblen Annahmen schließen, zu stark zustimmen, Kritik übertreiben und selbstbewusst Aussagen formulieren, die nicht stimmen.
Meine zugespitzte Aussage, die meisten KI-Fehler seien mittlerweile Bedienfehler, ist deshalb keine belegte allgemeine Tatsache. Sie ist eine persönliche Arbeitshypothese. In meinem Alltag erkenne ich tatsächlich viele Fehler, die ich selbst provoziert habe: zu wenig Kontext, eine unklare Aufgabe, keine Qualitätskriterien oder eine zu frühe Zustimmung.
Daraus folgt jedoch nicht, dass die Systeme zuverlässig genug wären, um Prüfung und Fachwissen überflüssig zu machen. Bei überprüfbaren Aussagen brauche ich Quellen. Bei rechtlichen, medizinischen, steuerlichen oder anderen sensiblen Entscheidungen können qualifizierte Fachleute erforderlich sein. Und wenn ich eine unabhängige Prüfung möchte, reicht es nicht, dasselbe System in einer neuen Runde noch einmal zu fragen.
Urteilsvermögen ist die Stop-Regel
Damit bleibt die schwierigste Frage: Wann ist der Loop fertig?
Man könnte theoretisch immer noch eine weitere Variante entwickeln, ein zusätzliches Gegenargument prüfen oder ein anderes Modell hinzuziehen. Irgendwann wächst jedoch nicht mehr die Qualität, sondern nur noch der Aufwand. Im schlechtesten Fall beginnt man sogar, eine bereits gute Fassung wieder kaputtzureden.
Meine Stop-Regel besteht deshalb nicht darin, dass die KI keine weiteren Verbesserungsvorschläge mehr findet. Ein Sprachmodell findet fast immer noch irgendetwas.
Ich beende den Loop, wenn ich sagen kann:
- Der Auftrag ist erfüllt.
- Die entscheidenden Fragen sind beantwortet.
-
Die relevanten Fakten sind geprüft.
-
Die stärksten Gegenargumente wurden berücksichtigt.
-
Die verbleibenden Unsicherheiten sind sichtbar.
-
Weitere Änderungen würden keinen wesentlichen Nutzwert mehr erzeugen.
-
Ich kann die Verantwortung für das Ergebnis übernehmen.
Das ist für mich die eigentliche Bedeutung von Human in the Loop. Gemeint ist nicht ein Mensch, der am Ende beiläufig auf „Freigeben“ klickt, sondern jemand, der erkennen kann, wann eine Maschine hilfreich arbeitet, wann ihr Kontext fehlt, wann sie überzeugend Unsinn formuliert und wann das Ergebnis gut genug ist.
Die KI kann keine Gedanken lesen. Aber sie kann mitdenken.
KI gehört inzwischen zu den stärksten Werkzeugen, die mir für Wissensarbeit zur Verfügung stehen. Die Qualität dieser Zusammenarbeit hängt jedoch stark davon ab, wie ich sie führe.
Ich kann eine Frage abschicken, die erste Antwort übernehmen und mich anschließend über Mittelmaß beschweren. Oder ich nutze den Dialog, reiche Kontext nach, verlange Begründungen, prüfe Annahmen, vergleiche Alternativen und kontrolliere die Fakten.
Entscheidend ist weder der perfekte Prompt noch die längste Feedbackschleife. Entscheidend ist die Fähigkeit zu erkennen, welche nächste Frage das Ergebnis wirklich verbessert und wann keine weitere Frage mehr nötig ist.
Meine wichtigste Betriebsregel bleibt deshalb:
Urteilsvermögen und Denken sollte man niemals abgeben.
Die KI kann Vorschläge machen, widersprechen und auf Lücken hinweisen, die ich selbst übersehen habe. Sie entscheidet aber nicht allein, ob mein Buch etwas taugt, ob eine Bewerbung ihren Zweck erfüllt oder wann ein wichtiger Text fertig ist.
Diese Entscheidung bleibt bei mir.
Wenn du die Zusammenarbeit mit KI grundlegend einordnen möchtest, lies auch meinen Beitrag KI richtig nutzen.
