Mein erster KI-Text war eine Stimme aus der Hölle.
Der Text war holzig, flach und künstlich. Jeder halbwegs aufmerksame Leser hätte nach drei Sätzen gemerkt, dass hier eine Maschine mit zu viel Selbstvertrauen und zu wenig Ahnung formuliert hatte.
Das war 2022. Ich arbeitete damals mit Jasper, einem frühen KI-Schreibwerkzeug. Der Text war schlecht, aber er hatte eine nützliche Funktion: Er zerstörte den leeren Bildschirm. Ich nahm die Rohfassung, diktierte sie auf dem iPhone in meinen eigenen Worten neu und kam ins Arbeiten.
Das war mein erster brauchbarer KI-Workflow: nicht besonders elegant, aber echt.
Seitdem haben sich die Systeme drastisch verbessert. Der grundlegende Unterschied zwischen enttäuschenden und starken Ergebnissen liegt trotzdem häufig weniger im Modell als in der Arbeitsweise.
KI richtig zu nutzen heißt nicht, den längsten Prompt zu schreiben. Es heißt, eine Aufgabe sauber zu führen: mit Material, Rückfragen, Qualitätskriterien, Gegenprüfung und menschlichem Urteil.
Die folgenden sieben Fehler sehe ich besonders oft. Einige davon habe ich selbst jahrelang gemacht.
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.
Fehler 1: Du benutzt KI wie eine Suchmaschine
„Gib mir Marketingideen.“ „Schreib mir einen LinkedIn-Post.“ „Was sind die besten Reiseziele?“
Solche Anfragen können einen groben Überblick liefern. Sie erzeugen aber selten ein Ergebnis, das genau zu deiner Situation passt. Das System kennt weder dein Angebot noch deine Zielgruppe, deine bisherigen Entscheidungen, deine Quellen oder deinen Stil.
Ohne diesen Kontext muss das System aus den verfügbaren Mustern ableiten, was wahrscheinlich gemeint ist. Die Antwort landet dadurch häufig bei dem, was zu diesem Thema bereits tausendfach in ähnlicher Form geschrieben wurde.
Besser: Beschreibe Problem, Ziel, Adressaten, vorhandenes Material und gewünschtes Ergebnis. Für größere Aufgaben lohnt sich ein eigenes Kontextpaket. Wie das aufgebaut wird, zeige ich ausführlich in meinem Beitrag über Kontext-Engineering.
Externe Quelle: OpenAI: Why language models hallucinate.
Fehler 2: Du bestellst sofort das Endprodukt
Viele beginnen mit dem letzten Schritt:
„Schreib mir den fertigen Artikel.“
Dabei sind zentrale Fragen noch ungeklärt. Welche These trägt den Text? Welche Informationen fehlen? Was ist persönliche Erfahrung, was überprüfbare Tatsache? Welche Gegenposition muss vorkommen? Welche Entscheidung soll der Leser anschließend treffen können?
Die KI liefert trotzdem. Genau darin liegt das Risiko: Ein flüssiger Text kann den Eindruck erwecken, die gedankliche Arbeit sei bereits erledigt, obwohl sie es nicht ist.
Besser: Zerlege komplexe Aufgaben in Phasen:
- Auftrag klären;
- Material analysieren;
- Lücken und Widersprüche finden;
- Recherche durchführen;
- Struktur entscheiden;
- Entwurf erstellen;
- Fakten, Logik und Ton getrennt prüfen.
Nicht jede Aufgabe braucht sieben Stationen. Aber jede wichtige Aufgabe braucht mehr als einen Bestellknopf.
Fehler 3: Du gibst kein eigenes Material hinein
Eine KI kann allgemeines Wissen kombinieren. Sie kann deine Erfahrung nicht rückwirkend erlebt haben.
Wenn ein Fachartikel nach dir klingen und etwas Eigenes beitragen soll, braucht er Primärmaterial: Diktate, Interviews, Notizen, Projektdokumente, Beobachtungen, Zahlen oder konkrete Fälle.
Ich arbeite deshalb viel mit gesprochenem Rohmaterial. Ich diktiere nicht, weil Tippen unmöglich wäre. Ich diktiere, weil dabei andere Dinge auf die Oberfläche kommen: Szenen, Beispiele, kleine Widersprüche, spontane Urteile und Formulierungen, die in einer sauberen Stichpunktliste fehlen würden.
Die KI hilft anschließend, dieses Material zu ordnen. Der Rohstoff stammt aber von mir.
Besser: Gib dem System mindestens eine Quelle, die nur du liefern kannst. Ein zehnminütiges Diktat kann wertvoller sein als zehn allgemeine Webseiten.
Fehler 4: Du akzeptierst die erste Antwort
Eine Anfrage hinein, eine Antwort heraus, fertig – so funktioniert ein Automat. Gute Wissensarbeit braucht dagegen Prüfung, Rückfragen und gegebenenfalls mehrere Schleifen.
Die erste Antwort ist Material. Sie zeigt, was das System verstanden hat, wo es Lücken besitzt und welche Richtung es gewählt hat. Danach beginnt der Dialog.
Sinnvolle Rückfragen sind beispielsweise:
- Welche Annahmen hast du getroffen?
- Welche Behauptung ist am schwächsten belegt?
- Was fehlt einem kritischen Leser?
- Welche Gegenposition ist am stärksten?
- Welche Passage klingt generisch?
- Wo verwechselst du Fakt und Schlussfolgerung?
- Welche Information brauchst du von mir?
Ich habe mich früher zu oft mit zweitklassigen Antworten zufriedengegeben. „Sieht schon ganz gut aus“ ist bequem. Es ist aber kein Qualitätsmaßstab.
Besser: Behandle die Zusammenarbeit als zielgerichtete Feedbackschleife. Jede weitere Runde braucht einen konkret benannten Mangel, den sie beheben soll.
Fehler 5: Du hast keine Abnahmekriterien
„Mach es besser“ ist keine brauchbare Rückmeldung, und „Schreib menschlicher“ ebenfalls nicht.
Was „besser“ in diesem Fall bedeutet, muss konkret werden: präziser, kürzer, stärker belegt, verständlicher, näher an der Marke, passender zur Suchintention oder mit geringerem Risiko.
Ohne Kriterien optimiert das System nach vermuteten Vorlieben. Mit Kriterien kann es gegen einen Auftrag prüfen.
Für einen Website-Text können harte Kriterien lauten:
- genau eine H1;
- Nutzenversprechen im ersten Bildschirm;
- keine unbelegten Erfolgsbehauptungen;
- ein konkreter Projektausschnitt;
- klare Abgrenzung;
- nachvollziehbarer nächster Schritt;
- keine Überschneidung mit einer anderen Leistungsseite.
Für einen Fachbeitrag sehen die Kriterien anders aus. Die Methode bleibt gleich.
Besser: Schreibe vor dem Entwurf fünf bis zehn Prüffragen auf. Diese Liste ist wichtiger als die Bitte um „Weltklasse-Qualität“.
Fehler 6: Du verwechselst Zustimmung mit Wahrheit
KI kann sehr angenehm sein. Man präsentiert eine Idee, und das System antwortet sinngemäß: großartig, klug, unbedingt umsetzen.
Das fühlt sich gut an, kann aber völlig nutzlos sein.
OpenAI beschreibt Halluzinationen weiterhin als grundlegende Herausforderung. Anthropic untersucht, wie Autonomie und Aufsicht in real eingesetzten Agentensystemen durch Modellverhalten, Produkteinstellungen und Nutzerinterventionen gemeinsam geprägt werden. Fortschritte sind sichtbar, doch diese Zuverlässigkeits- und Aufsichtsfragen sind nicht gelöst.
Ich nutze deshalb einen Realitätsfilter. Er trennt möglichst klar:
- belegte Information;
- nachvollziehbare Schlussfolgerung;
- Hypothese;
- Spekulation;
- Datenlücke.
Und er prüft nicht nur die Antwort. Er prüft auch meine Eingabe. Denn der Mensch bringt seine eigenen Verzerrungen mit. Ein schlechtes Framing wird durch KI nicht automatisch gut.
Besser: Bitte nicht nur um Zustimmung, sondern um Gegenbelege. Frage: „Was spricht gegen meine Lieblingslösung?“ und „Welche Information würde deine Empfehlung verändern?“
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.
Fehler 7: Du lagerst dein Urteilsvermögen aus
Das ist für mich die wichtigste Grenze.
Eine KI kann Material vergleichen, Szenarien berechnen, Argumente ordnen und blinde Flecken markieren. Sie kann dir eine Entscheidung besser vorbereiten. Sie sollte sie dir nicht unbemerkt abnehmen.
Ich habe selbst erlebt, wie eine KI mir von einem Buchprojekt abriet, weil ihr wesentlicher Kontext fehlte. Erst nachdem sie das Manuskript und die tatsächliche Ausgangslage kannte, änderte sich die Bewertung.
Ohne eigenes Urteil hätte ich womöglich auf eine Empfehlung reagiert, die auf einer falschen Annahme beruhte.
Urteilsvermögen und Denken sollte man niemals abgeben. Je besser KI wird, desto wichtiger wird dieser Satz.
Das gilt besonders bei Gesundheit, Recht, Steuern, Finanzen, Personalentscheidungen und schwer reversiblen Veröffentlichungen. Dort braucht es je nach Thema qualifizierte menschliche Prüfung, nicht nur einen weiteren Chat.
Vorher und nachher: derselbe Artikel, zwei Arbeitsweisen
Die schwache Variante
Schreib mir einen SEO-Artikel über KI im Content-Marketing.
Er soll 2.000 Wörter lang sein und viele Tipps enthalten.Das Ergebnis kann sprachlich sauber sein. Es besitzt aber weder eigene Herkunft noch einen klaren Seitenjob. Das System füllt die Fläche mit dem, was typischerweise zu diesem Thema passt.
Die belastbare Variante
Zielgruppe: Leiter kleiner Content-Teams.
Problem: KI wird punktuell genutzt, Ergebnisse schwanken, Freigaben sind unklar.
Ziel des Beitrags: zeigen, warum ein dokumentierter Workflow nötig ist.
Primärmaterial: Interview mit dem Team, zwei fehlerhafte Briefings,
Beispiel eines gelungenen Updates, Markenregeln.
Quellen: aktuelle offizielle Dokumentation und zwei Primärstudien.
Kernthese: Nicht das Modell, sondern der Prozess ist der Engpass.
No-Gos: keine erfundenen Kennzahlen, keine autonome Veröffentlichung,
keine allgemeine IT-Beratung behaupten.
Qualitätscheck: konkrete Ausgangslage, nachvollziehbarer Ablauf,
Gegenargument, Grenzen, menschliche Freigabe.Jetzt besitzt die KI eine Aufgabe, Material und einen Prüfrahmen. Der Unterschied entsteht nicht durch schönere Zauberwörter. Er entsteht durch bessere redaktionelle Führung.
Ein 30-Minuten-Start für bessere KI-Arbeit
Du brauchst nicht sofort ein komplettes Betriebssystem. Nimm eine wiederkehrende Aufgabe und gehe so vor:
Minute 1 bis 5: Ergebnis definieren
Was soll am Ende konkret vorliegen? Wer nutzt es? Woran wird es erkannt?
Minute 6 bis 10: Material sammeln
Welche eigenen Informationen, Dokumente, Beispiele und Quellen existieren bereits?
Minute 11 bis 15: Grenzen setzen
Was darf nicht erfunden, verändert, veröffentlicht oder entschieden werden?
Minute 16 bis 20: Prüfkriterien formulieren
Welche fünf Fragen muss das Ergebnis bestehen?
Minute 21 bis 25: ersten Entwurf erstellen lassen
Behandle den ersten Entwurf nicht als Endfassung, sondern als Arbeitsmaterial.
Minute 26 bis 30: eine harte Gegenprüfung
Welche Annahme ist fraglich? Welche Quelle fehlt? Was muss ein Mensch entscheiden?
Speichere danach, was funktioniert hat. Beim nächsten Durchlauf beginnt die Arbeit nicht wieder bei null. Genau so entsteht Schritt für Schritt ein Workflow.
Wofür KI heute besonders nützlich ist
In meiner Arbeit liefert KI den größten Nutzen bei klar umrissenen, überprüfbaren Aufgaben:
- Material strukturieren;
- Dokumente vergleichen;
- offene Fragen extrahieren;
- Varianten entwickeln;
- Recherchewege vorbereiten;
- Rohfassungen erstellen;
- Widersprüche markieren;
- freigegebene Inhalte für weitere Formate aufbereiten;
- Checklisten und Dokumentation pflegen.
Schwieriger wird es bei unklaren Zielen, fehlendem Kontext, sensiblen Entscheidungen und vollständig autonomen Abläufen mit vielen Ausnahmen. Eine KI kann in einer Einzelaufgabe erstaunlich stark und im Gesamtprozess trotzdem unzuverlässig sein; darin liegt kein Widerspruch, sondern der Unterschied zwischen einer begrenzten Aufgabe und einer längeren Prozesskette.
Fazit: Gute KI-Arbeit ist geführte Arbeit
Viele schlechte Ergebnisse entstehen nicht, weil KI grundsätzlich unbrauchbar wäre, sondern weil wir ihr eine vage Aufgabe geben, kein eigenes Material liefern, die erste Antwort akzeptieren und anschließend vergessen, selbst zu urteilen.
KI richtig zu nutzen bedeutet:
- nicht nur fragen, sondern briefen;
- nicht nur Text erzeugen, sondern Material erschließen;
- nicht nur zustimmen lassen, sondern gegenprüfen;
- nicht nur Ergebnisse sammeln, sondern Prozesse dokumentieren;
- nicht nur delegieren, sondern verantwortlich entscheiden.
Der Mensch bleibt der Operator – nicht aus Nostalgie, sondern weil Absicht, Urteil, Verantwortung und Freigabe einen klaren Besitzer brauchen.
Die Maschine kann viel vorbereiten und teilweise ausführen. Das eigene Denken über Ziel, Qualität und Folgen sollte sie uns jedoch nicht unbemerkt abnehmen.
Quellen und weiterführende Literatur
- OpenAI: Why language models hallucinate
- Anthropic: Measuring AI agent autonomy in practice
- Anthropic: Trustworthy agents in practice
- Anthropic: Effective context engineering for AI agents
- Google Search Central: Guidance on using generative AI content
Aus Einzelversuchen einen belastbaren Ablauf machen
Ein guter Prompt löst eine Aufgabe. Ein guter Workflow sorgt dafür, dass Recherche, Entwurf, Prüfung und Freigabe wiederholbar funktionieren. Auf meiner Leistungsseite findest du die passenden Einstiege für Content-Strategie, Redaktion und KI-gestützte Prozesse. Eine kurze Beschreibung des Engpasses auf der Kontaktseite genügt für die erste Einordnung.
