Mein Arbeitstag mit KI beginnt selten morgens. Er beginnt am Abend vorher.
Primärquelle: Anthropic: AI Fluency Framework
Dann kippe ich Termine, offene Projekte, halbfertige Gedanken und die unangenehme Möglichkeit, dass ich mich bei der verfügbaren Zeit wieder einmal verschätze, in meinen persönlichen Assistenten. Besonders feierlich ist das nicht. Es fühlt sich eher an wie ein Schreibtisch, auf dem ich erst alles ausleere, bevor jemand Ordnung hineinbringen kann.
Der Assistent sortiert, fragt nach und zeigt mir, dass meine Wunschliste eher für einen kleinen Mittelständler mit motivierter Belegschaft als für einen einzelnen Menschen gedacht ist. Daraus macht er einen Plan, mit dem ich am nächsten Morgen tatsächlich anfangen kann.
Das ist für mich inzwischen der Kern der Rolle, die ich KI-Operator nenne:
Ich bediene nicht bloß ein Sprachmodell. Ich gestalte Rollen, Übergaben, Kontext und Prüfungen – und behalte die Entscheidung darüber, was am Ende wirklich gilt.
Dieser Text folgt keinem lückenlos protokollierten Dienstag mit minutengenauen Uhrzeiten. Er beschreibt einen typischen Arbeitstag aus wiederkehrenden, tatsächlich erlebten Abläufen. Die Szenen stammen aus meiner täglichen Arbeit. Ich setze sie nur nicht künstlich zu einer Dokumentation zusammen, die es so nie gegeben hat.
Das wäre ausgerechnet bei einem Beitrag über kontrollierte KI-Arbeit ein ziemlich dämlicher Anfang.
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.
Am Vorabend: Erst die Wirklichkeit, dann der Plan
Meine erste Übergabe an den digitalen Stabschef ist keine elegante Projektbeschreibung. Sie ist ein Lagebericht.
Was steht morgen fest? Welche Frist lässt sich nicht verschieben? Welcher Beitrag muss fertig werden? Welche Rückmeldung fehlt? Was fühlt sich dringend an, ist aber nur laut? Und welche Aufgabe wird wahrscheinlich länger dauern, als ich gerade glaube?
Ich lasse den Assistenten ausdrücklich mitdenken, dass Menschen Planungsfehler machen. Wir sehen Start und Ziel erstaunlich klar. Der steinige Weg dazwischen wirkt in der Vorschau gern wie ein befestigter Radweg.
Der Assistent soll deshalb nicht einfach meine Liste hübsch formatieren. Er soll sie angreifen:
- Welche Aufgaben hängen voneinander ab?
- Wo fehlt Material?
- Was braucht eine menschliche Entscheidung?
- Was kann ein spezialisiertes System vorbereiten?
- Was passt realistisch in den Tag?
- Was wird bewusst nicht begonnen?
Das letzte Element ist wichtiger, als es klingt. KI macht es sehr leicht, noch ein Projekt zu öffnen, noch eine Recherche anzustoßen und noch einen Entwurf erzeugen zu lassen. Plötzlich laufen zehn Dinge gleichzeitig. Auf dem Bildschirm sieht das beeindruckend aus. Im Kopf ist es schlicht zehnfacher unfertiger Zustand.
Mein Stabschef darf deshalb widersprechen.
Wenn ich mir zu viel auflade, soll er nicht sagen: „Großartiger Plan, Sascha.“ Er soll sagen: Das passt nicht. Entscheide dich.
Das ist keine künstliche Härte. Es ist eine Funktion.
Morgens: Ich aktiviere den Tag mit einem Diktat
Am nächsten Morgen beginne ich häufig nicht mit der Tastatur. Ich spreche.
Ich fasse zusammen, was vom Vortag übrig ist, was sich über Nacht verändert hat und womit ich starten will. Manchmal ist das ein strukturiertes Briefing. Manchmal eher ein offenes Diktat, bei dem der Gedanke erst unterwegs merkt, wohin er eigentlich möchte.
Ich diktiere seit vielen Jahren. Heute ist Sprache für mich aber nicht mehr nur eine schnellere Eingabemethode. Sie ist die Schnittstelle zu meinem Arbeitssystem.
Beim Tippen beginne ich früh zu redigieren. Ich wähle Wörter, glätte Sätze, lösche Umwege. Beim Sprechen kommt zunächst mehr von der eigentlichen Denkbewegung heraus: Beobachtung, Zweifel, Gegenargument, Beispiel, Kurswechsel. Das Rohmaterial ist unordentlicher. Dafür besitzt es Herkunft.
Ich spreche beim Gehen, beim Spaziergang mit dem Hund, auf einer Baustelle oder – nur wenn es sicher möglich ist – unterwegs. Ich tippe weiterhin, wenn andere Menschen dabei sind oder wenn die Aufgabe Präzision auf Zeichenebene braucht. Aber ein großer Teil meines ersten Inputs ist inzwischen gesprochen.
Der digitale Stabschef macht daraus noch keinen fertigen Text. Er aktualisiert zuerst die Lage:
- Was ist die Aufgabe?
- Was liegt bereits vor?
- Welche Informationen fehlen?
- Welches Ergebnis soll heute sichtbar werden?
- Welche Rolle übernimmt welches System?
Das ist ein kleiner, aber entscheidender Unterschied: Ich starte nicht mit „Schreib mir einen Artikel“, sondern mit der Wirklichkeit des Projekts.
Was der digitale Stabschef tatsächlich ist
Der Begriff klingt größer, als die technische Wahrheit ist. Mein digitaler Stabschef ist kein Mensch, keine Führungskraft und kein autonomes Wesen, das morgens selbstständig die Firma öffnet.
Er ist eine von mir definierte Koordinationsrolle.
In meinem System übernimmt er vor allem sechs Aufgaben:
Arbeitsgedächtnis
Er hält fest, was in den vergangenen Tagen entschieden wurde, welche Projekte laufen und welche offenen Schleifen noch existieren.
Priorisierer
Er hilft mir, zwischen wichtig, dringend, interessant und bloß neu zu unterscheiden.
Router
Er entscheidet nicht endgültig, aber er schlägt vor, welche Aufgabe an welches spezialisierte System oder Projekt gehört.
Briefing-Instanz
Er erzeugt aus einem Gedankenhaufen ein Arbeitsbriefing mit Ziel, Material, Grenzen und erwartetem Ergebnis.
Kritischer Sparringspartner
Er darf Annahmen angreifen, Überlastung benennen und fehlenden Kontext einfordern.
Dokumentationsschnittstelle
Er fasst Entscheidungen und Zustände so zusammen, dass ich oder ein anderes System später wieder einsteigen können.
Ein guter Stabschef erledigt also nicht alles. Er sorgt dafür, dass die richtige Aufgabe mit dem richtigen Kontext an der richtigen Stelle landet.
Die Systeme sprechen dabei nicht magisch miteinander. Ich übertrage Briefings, Ergebnisse und Kontext kontrolliert zwischen Projekten oder stelle sie über freigegebene Verbindungen bereit. Wo kein Zugriff besteht, besteht kein Zugriff. Ein Agent, der Zugriff nur überzeugend behauptet, ist kein Mitarbeiter. Er ist ein Risiko mit gutem Sprachgefühl.
Drei typische Aufgaben – und drei unterschiedliche Übergaben
An einem gewöhnlichen Arbeitstag laufen bei mir sehr unterschiedliche Dinge zusammen. Gerade deshalb funktioniert ein einziges Universalprojekt schlecht.
1. Aus einem Diktat entsteht ein Fachbeitrag
Ich liefere das Rohmaterial. Der Stabschef klärt den Seitenjob und erstellt ein Briefing. Ein Schreibprojekt analysiert das Transkript, sucht Wiederholungen, extrahiert starke Formulierungen und markiert Behauptungen, die geprüft werden müssen.
Eine Rechercheinstanz ergänzt offizielle Quellen; ein Gegenleser sucht die schwächste Aussage. Danach redigiere ich die Fassung selbst.
Die KI beschleunigt die Verarbeitung. Die Erfahrung stammt nicht von ihr.
2. Eine Website braucht technische oder redaktionelle Arbeit
Hier reicht ein Schreibprojekt nicht. Zuerst muss klar sein, ob es um Inhalt, WordPress, Weiterleitungen, Metadaten, interne Links oder Code geht.
Der Stabschef zerlegt die Aufgabe. Ein spezialisiertes System kann den technischen Zustand lesen, einen Fehler eingrenzen oder einen Einpflegeplan erstellen. Vor einer Änderung brauche ich aber Sicherung, klaren Umfang und eine Stop-Regel.
„Mach die Seite besser“ ist kein Auftrag. Es ist eine Einladung zur Kollateralschönheit.
3. Eine administrative Sache muss vom Tisch
E-Mails, Dokumente, Tabellen oder vorbereitende Auswertungen eignen sich oft gut für KI-Unterstützung. Ich schildere den Fall, liefere die relevanten Unterlagen und lasse eine Arbeitsfassung erstellen.
Bei einer einfachen Reklamationsmail kann die Prüfung kurz sein. Bei Finanzen, Verträgen oder personenbezogenen Daten steigt sie deutlich. Dieselbe Geschwindigkeit bedeutet nicht dasselbe Risiko.
Das ist Operator-Arbeit: nicht überall denselben Hammer schwingen, nur weil er gerade erstaunlich gut Nägel trifft.
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.
Der Dialog ist nicht die Vorstufe. Er ist der Produktionsraum
Viele Menschen behandeln KI weiterhin wie einen Automaten: Prompt hinein, Antwort heraus, Bewertung abgeschlossen.
So arbeite ich fast nie.
Der erste Output ist selten das Ergebnis. Er ist der nächste Gesprächsstand.
Ein System fragt nach; ich liefere Material, widerspreche seinem Vorschlag und ändere das Briefing, wenn sich dabei ein Zielkonflikt zeigt. Daraus entsteht eine bessere Fassung – oder die Erkenntnis, dass der Auftrag noch nicht reif ist.
Ein besonders lehrreicher Fehler passierte mir bei der geplanten Überarbeitung meines Buchs. Ich ging davon aus, der Assistent kenne das Manuskript und den Stand des Projekts. Tat er aber nicht. Ohne diese Grundlage hielt er die Überarbeitung sinngemäß für eine weitere Runde Produktivitätsbeschäftigung und riet mir, meine Zeit nicht damit zu verschwenden.
Das Urteil klang selbstbewusst. Es beruhte nur auf einer falschen Ausgangslage.
Erst nachdem ich das Manuskript und den tatsächlichen Projektkontext bereitgestellt hatte, änderte sich die Bewertung – nicht weil ich die KI so lange bearbeitet hatte, bis sie mir zustimmte, sondern weil sie vorher über etwas urteilte, das sie nicht kannte.
Die KI kann keine Gedanken lesen.
Das ist banal, wird in meiner eigenen Arbeit aber immer wieder zur Fehlerquelle.
Genau hier zeigt sich auch, warum ich Rückfragen nicht als Störung behandle. Eine gute Rückfrage verhindert manchmal zwanzig Minuten eleganten Unsinn.
Wo die Magie knirscht
Einzelne Aufgaben können heute beeindruckend gut funktionieren. Vollständige autonome Abläufe sind in meinem Alltag trotzdem nicht durchgehend zuverlässig.
Das sehe ich besonders bei Prozessen, die mehrere Systeme, Zugriffsrechte, Dateiformate und Ausnahmefälle verbinden. Eine KI kann Rechnungsdaten sauber auslesen. Daraus folgt noch nicht, dass sie selbstständig E-Mails durchsucht, jede Rechnung korrekt erkennt, Dubletten behandelt, fehlende Belege bemerkt, Änderungen protokolliert und eine prüfbare Übergabe erstellt.
Eine KI kann einen Browser bedienen. Daraus folgt noch nicht, dass ich sie ohne Aufsicht an einer produktiven Website Änderungen vornehmen lasse.
Eine KI kann einen starken Text erzeugen. Daraus folgt noch nicht, dass die Fakten stimmen, die Tonalität passt und die Veröffentlichung verantwortbar ist.
Die häufigste Reibung ist nicht einmal spektakulär:
- Ein Zugriff fehlt.
- Ein Dateiname ist uneindeutig.
- Zwei Anweisungen widersprechen sich.
- Das System fragt an einer Stelle nicht nach, an der es fragen müsste.
- Ein Zwischenergebnis klingt hervorragend und löst trotzdem die falsche Aufgabe.
Das ist der Punkt, an dem der Operator sichtbar werden muss.
Eine KI kann in einer Einzelaufgabe stark und im Gesamtprozess trotzdem unzuverlässig sein.
Wer nur auf die eindrucksvolle Einzelleistung schaut, baut zu früh Automation; wer nur auf die Fehler schaut, übersieht den echten Hebel. Beide Sichtweisen sind bequem und zu kurz gedacht.
Mehrere Modelle: Gegenprüfung statt Modellreligion
Wichtige Ergebnisse lasse ich gelegentlich von einem zweiten oder dritten System prüfen.
Ein Modell übernimmt die Entwicklung, ein anderes sucht Lücken, Gegenargumente oder unbelegte Aussagen. Ein weiteres kommt nur hinzu, wenn die Entscheidung den zusätzlichen Aufwand rechtfertigt.
Das kann sehr hilfreich sein. Unterschiedliche Systeme reagieren auf andere Formulierungen, gewichten Material anders und entdecken manchmal verschiedene Schwächen.
Trotzdem gilt:
Drei übereinstimmende Sprachmodelle sind keine drei unabhängigen Quellen.
Sie können denselben blinden Fleck teilen, auf ähnlichem Material trainiert sein und sich gegenseitig mit beeindruckender Höflichkeit denselben Fehler bestätigen.
Der Multi-Modell-Check ist ein Rückmeldesignal. Kein Wahrheitsautomat.
Für harte Behauptungen brauche ich weiterhin den Ursprung:
- Produktfunktion gegen die offizielle Dokumentation;
- Studie gegen die Originalpublikation;
- persönliche Erinnerung gegen mein Rohmaterial;
- Berechnung gegen sichtbare Eingaben;
- sensible Fachfrage gegen qualifizierte Menschen.
Das passt auch zum AI-Fluency-Framework von Anthropic. Es beschreibt vier miteinander verbundene Kompetenzen: Delegation, Description, Discernment und Diligence. Also entscheiden, was sinnvoll an KI geht; die Aufgabe sauber beschreiben; Ergebnisse beurteilen; und Verantwortung, Transparenz und Sorgfalt im Prozess erhalten.
Kein magischer Vier-Schritte-Trick. Eher eine vernünftige Erinnerung daran, dass Bedienung ohne Urteil nur schnellere Fahrlässigkeit wäre.
Dokumentation von der KI für die KI
Am Ende eines Arbeitstags lasse ich festhalten:
- Was wurde erledigt?
- Was blieb offen?
- Welche Entscheidung wurde getroffen?
- Welche Quelle oder Datei ist verbindlich?
- Wo trat ein Fehler auf?
- Welche nächste Handlung ist konkret?
- Was muss ein anderes System wissen, bevor es übernimmt?
Diese Tagesrückblicke sind nicht primär für mein abendliches Lesevergnügen gedacht. Sie sind Arbeitsgedächtnis.
Ich dokumentiere zunehmend von der KI für die KI.
Das klingt zunächst etwas gespenstisch. Praktisch bedeutet es: Ein späteres System muss nicht wieder bei null anfangen, wenn der Projektzustand sauber, maschinenlesbar und nachvollziehbar abgelegt wurde.
Dafür nutze ich möglichst einfache Strukturen:
- klare Dateinamen;
- Text oder Markdown statt unnötig schwerer Formate;
- Versionsstände;
- eine Trennung zwischen verbindlichen Regeln, Referenzen und Archiv;
- offene Punkte statt stiller Vermutungen;
- Änderungsnotizen statt unsichtbarer Überschreibung.
Auch das NIST-Rahmenwerk für generative KI betont zusätzliche menschliche Prüfung, Nachverfolgung, Dokumentation und Managementaufsicht als mögliche Bestandteile verantwortlicher Nutzung. Das ist ein freiwilliger US-Rahmen und keine deutsche Rechtsnorm. Der operative Gedanke trägt trotzdem: Was nicht nachvollziehbar ist, lässt sich schwer führen und noch schwerer verbessern.
Was bewusst menschlich bleibt
Je mehr Arbeit ich mit KI erledige, desto wichtiger wird die Frage, was ich nicht abgebe.
Mein Urteil gehört dazu.
Die KI darf mir Optionen zeigen, mir widersprechen, Risiken markieren und einen Entwurf gnadenlos zerlegen. Sie darf mich auch auf eine Entscheidung stoßen, die ich lieber noch drei Wochen vertagt hätte.
Sie entscheidet aber nicht, welches Projekt mir etwas bedeutet, trägt nicht die Verantwortung für eine Veröffentlichung und lebt nicht mit den Folgen einer falschen Empfehlung.
Auch persönliche Beziehungen möchte ich nicht automatisieren. Der Sinn dieser Systeme ist für mich nicht, Familie, Freunde oder meinen Hund aus meinem Alltag zu entfernen. Im Gegenteil: Die Automation soll mir Zeit für genau diese Menschen und Lebewesen zurückgeben.
Ich schreibe außerdem wieder analog Tagebuch. Stift, Papier, kein Optimierungsdashboard. Nicht alles, was digitalisierbar ist, muss sofort Teil eines Workflows werden.
Urteilsvermögen und Denken sollte man niemals vollständig abgeben.
Gerade dann nicht, wenn die Antwort hervorragend klingt.
Mein Operator-Loop in sieben Schritten
Aus dem typischen Tag lässt sich ein einfacher Ablauf ableiten:
- Realität erfassen. Was ist tatsächlich los – nicht, was hätte laut Plan los sein sollen?
- Priorität setzen. Welches Ergebnis zählt heute wirklich?
- Kontext bereitstellen. Welche Materialien, Regeln, Grenzen und Entscheidungen sind nötig?
- Aufgabe routen. Welche Rolle oder welches System passt zur konkreten Arbeit?
- Ergebnis angreifen. Was fehlt, was ist unbelegt, was löst die falsche Frage?
- Menschlich entscheiden. Was wird übernommen, geändert, gestoppt oder freigegeben?
- Zustand dokumentieren. Was muss morgen noch bekannt sein?
Das ist kein starres Rezept. Es ist eine Führungslogik.
Und genau darin liegt für mich der Wandel der vergangenen Jahre:
Früher habe ich vor allem Content produziert. Heute entwickle ich Abläufe, in denen Content, Recherche, Prüfung und Einpflege kontrolliert zusammenarbeiten.
Die KI erledigt mehr. Gleichzeitig muss ich klarer entscheiden.
Das ist kein Widerspruch. Das ist der Job.
Wo verliert Ihr Content-Team gerade Zeit?
Ein digitaler Stabschef ist kein Produkt von der Stange. Was bei mir funktioniert, muss zu den Aufgaben, Materialien, Rollen und Risiken eines anderen Teams nicht passen.
Ich unterstütze kleine Content-Teams dabei, genau diese Übergaben sichtbar zu machen: vom Workflow-Audit über ein kontrolliertes Setup bis zur laufenden redaktionellen Qualitätssicherung.
Mehr über das methodische Fundament finden Sie in meinen Beiträgen zur KI-Strategie für Content-Teams, zum Kontext-Engineering und zur Journalisten-Methode.
Wenn Sie ein konkretes Vorhaben haben, schildern Sie mir am besten kurz Ausgangslage, Ziel und größten Engpass. Daraus lässt sich meist schnell erkennen, ob ein Audit, ein Setup oder zunächst eine ganz andere Entscheidung sinnvoll ist.
Quellen und weiterführende Hinweise
- Anthropic: AI Fluency – Delegation, Description, Discernment und Diligence
- NIST: Generative Artificial Intelligence Profile zum AI Risk Management Framework
- OpenAI: Warum Sprachmodelle halluzinieren
Transparenz: Der Beitrag beschreibt meine persönliche Arbeitsweise und verwendet „KI-Operator“ als Arbeitsbegriff für meine eigene Rolle. Er ist keine allgemeingültige Berufsdefinition und kein Versprechen vollautonomer Arbeit.
