Mein erster KI-Text war eine Stimme aus der Hölle.
Primärquelle: OpenAI: Einführung von ChatGPT
Holzig. Künstlich. So offensichtlich maschinell, dass heute vermutlich selbst ein Gelegenheitnutzer nach drei Sätzen sagen würde: Das hat kein Mensch geschrieben.
Ich war trotzdem begeistert. Das klingt widersprüchlich, ist es aber nicht: Die Qualität war schlecht, die Funktion war neu.
Zum ersten Mal konnte ich ein paar Stichworte in ein System namens Jasper werfen und bekam einen vollständigen Entwurf zurück. Er war nicht gut, aber der leere Bildschirm war weg. Die Schreibblockade hatte plötzlich einen Gegner, der unermüdlich mittelmäßiges Material produzierte.
Ich nahm diesen Text, öffnete die Spracheingabe auf meinem iPhone und formulierte ihn in meinen eigenen Worten neu. Dabei brachte ich meine eigene Erfahrung ein, änderte den Rhythmus und strich den KI-Kunststoff wieder heraus.
Das war 2022 mein erster brauchbarer KI-Workflow: nicht elegant, nicht besonders weit entwickelt, aber echt.
Vier Jahre später arbeite ich nicht mehr mit einem Textautomaten. Ich arbeite mit Projekten, Rollen, Kontext, Diktaten, Gegenprüfungen, Qualitätsgates und einem digitalen Stabschef.
Der größte Wandel liegt nicht darin, dass KI heute bessere Texte schreibt. Der größte Wandel liegt darin, dass ich meine eigene Arbeit anders organisiere.
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.
2022: Der erste Wert war nicht Qualität, sondern Bewegung
Jasper positionierte sein System im Juli 2022 ausdrücklich als Werkzeug gegen Schreibblockaden und leere Seiten.
Das klang nach Marketing. Bei mir funktionierte ausgerechnet dieser Teil.
Ein schlechter Entwurf kann nützlich sein, wenn die Alternative ein leeres Dokument ist. Er gibt Reibungsfläche. Man kann widersprechen, umformulieren, ergänzen und überhaupt erst ins Arbeiten kommen.
Das war meine erste wichtige Lektion:
Der erste Nutzen von KI bestand für mich nicht darin, bessere Arbeit zu erzeugen. Er bestand darin, den Übergang vom Denken zum Tun zu erleichtern.
Das darf man nicht mit Qualität verwechseln.
Ein Text, der eine Blockade löst, ist noch kein veröffentlichungsfähiger Text. Die Maschine hatte meinen Start beschleunigt. Die redaktionelle Arbeit begann danach.
Damals war das Verhältnis klar: KI erzeugte Rohstoff. Ich rettete, was zu retten war.
Die Systeme, mit denen ich heute arbeite, liefern deutlich bessere Ergebnisse. Der Grundsatz ist trotzdem geblieben: Der erste Output hat eine Funktion, ist aber nicht automatisch das Ergebnis.
Ende 2022: ChatGPT macht aus dem Experiment einen Dialog
Am 30. November 2022 veröffentlichte OpenAI ChatGPT als öffentliche Forschungsvorschau. Der entscheidende Unterschied lag für mich nicht nur in besseren Antworten. Das System war dialogisch.
Es konnte Rückfragen beantworten, Fehler einräumen, falsche Prämissen angreifen und in einer Konversation weiterarbeiten.
Plötzlich fühlte sich KI weniger wie ein Textgenerator und mehr wie ein Sparringspartner an.
Der Anfang blieb holprig. Antworten waren generisch, Fakten wackelten und eine gute Passage konnte direkt von einer erstaunlich schlechten gefolgt werden. Trotzdem war erkennbar, wohin die Entwicklung gehen könnte.
Ich behandelte ChatGPT zunächst wie Google:
- „Die besten Fitnesstipps.“
- „Marketingideen.“
- „Schreib mir zehn LinkedIn-Posts.“
Wenn du dauerhaft so arbeitest, kannst du auch direkt wieder aufhören – nicht weil kurze Fragen grundsätzlich verboten wären, sondern weil dem System ohne Ziel, Material, Kriterien und Kontext die konkrete Arbeitsgrundlage fehlt und es stärker auf allgemeine Muster zurückgreift.
Das Ergebnis klingt dann häufig korrekt und bleibt trotzdem leer.
2023: Die Prompt-Ära war notwendig – und zu klein
Danach kam die große Zeit des Promptings.
Menschen lernten, Rollen zuzuweisen, Aufgaben genauer zu beschreiben und Ausgabeformate festzulegen. Das war ein echter Fortschritt. Aus „Schreib etwas über KI“ wurde ein konkreter Auftrag mit Zielgruppe, Ton, Struktur und Kriterien.
Nur blieb das Denken häufig am einzelnen Befehl hängen.
Der perfekte Prompt sollte alles lösen.
Manche verkauften Prompt-Sammlungen, als hätten sie geheime Zaubersprüche entdeckt. Das funktionierte eine Weile erstaunlich gut als Geschäftsmodell. Technisch war es immer etwas fragil. Ein besseres Modell, eine neue Funktion oder ein veränderter Kontext – und der angebliche Superprompt war plötzlich ein längerer Satz von gestern.
Ich lernte:
Ein Prompt kann eine gute Einzelleistung auslösen. Er kann keinen ungeklärten Arbeitsprozess ersetzen.
Wenn Material fehlt, erfindet ein langer Prompt keine Erfahrung. Wenn niemand für Fakten zuständig ist, erzeugt eine Rollenbeschreibung noch keine Verantwortung. Wenn die Endfassung in einem Chat verschwindet, hilft das beste Outputformat wenig.
Der Prompt blieb wichtig. Er rutschte nur an die richtige Stelle: in einen größeren Zusammenhang.
2024 und 2025: Kontext wird zum eigentlichen Hebel
Je mehr ich mit KI arbeitete, desto deutlicher wurde ein banaler Satz:
Die KI kann keine Gedanken lesen.
Wir erwarten trotzdem häufig genau das. Drei Sätze sollen Ziel, Zielgruppe, Vorwissen, Tonalität, Quellen, Grenzen und unsere unausgesprochenen Vorbehalte transportieren.
Wenn die Antwort generisch ausfällt, bekommt das Modell die Schuld.
Ich begann deshalb, Projekte aufzubauen. Nicht bloß Chats, sondern abgegrenzte Arbeitsräume mit:
- Briefing;
- Primärmaterial;
- Quellen;
- Voice-DNA;
- Regeln und Verboten;
- guten und schlechten Beispielen;
- Qualitätskriterien;
- Projektstand;
- offenen Fragen.
Die Veränderung war deutlich.
Wenn ein Schreibsystem meine Transkripte, echten Texte und redaktionellen Regeln kennt, muss es Stil nicht aus fünf Adjektiven erraten. Wenn ein Fitnessprojekt Studien, Trainingsgrundlagen und meinen tatsächlichen Verlauf besitzt, wird aus allgemeiner Motivation eine wesentlich konkretere Begleitung.
Kontext machte die Ergebnisse nicht nur persönlicher. Er machte Fehler sichtbarer.
Plötzlich ließ sich fragen:
- Widerspricht die Antwort einer verbindlichen Quelle?
- Verwendet sie eine alte Version?
- Vermischt sie persönliche Erfahrung und Recherche?
- Fehlt ein entscheidender Teil des Briefings?
Mein Beitrag über Kontext-Engineering beschreibt dieses Fundament ausführlich.
Die wichtigste Lektion aus dieser Phase lautet:
Gute KI-Arbeit beginnt nicht mit möglichst viel Kontext. Sie beginnt mit dem richtigen, geordneten und überprüfbaren Kontext.
Ein ungeordneter Berg aus Dateien ist keine Wissensbasis. Er ist ein größerer Haufen.
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.
2025 und 2026: Vom Ergebnis zum Prozess
Der nächste Sprung war größer.
Früher fragte ich vor allem:
Wie bekomme ich aus dieser Anfrage einen guten Text?
Heute frage ich:
Wie muss der gesamte Ablauf aussehen, damit aus Material wiederholt ein geprüftes Ergebnis entsteht?
Das verschiebt den Fokus.
Ein redaktioneller Prozess kann heute mehrere Rollen verbinden:
- Ein Diktat oder Interview erzeugt Originalmaterial.
- Ein System transkribiert und strukturiert.
- Ein anderes markiert Aussagen, Fragen und Widersprüche.
- Recherche ergänzt belastbare Quellen.
- Ein Entwurf entsteht aus gekennzeichnetem Material.
- Fakten, Logik und Voice werden getrennt geprüft.
- Bilder, interne Links und Metadaten werden vorbereitet.
- Ein Agent kann den Text als WordPress-Entwurf einpflegen.
- Ein Mensch nimmt die Endfassung und Veröffentlichung ab.
Damit wurde meine Arbeit weniger zu einer Folge einzelner Textaufträge und stärker zu Content Operations.
Ich produzierte nicht nur Inhalte. Ich entwickelte Abläufe.
Der Begriff KI-Operator trifft für mich genau diese Verschiebung: Ich entscheide, was überhaupt erledigt werden soll, liefere Kontext, verteile Aufgaben, prüfe Zwischenergebnisse, dokumentiere Fehler und übernehme die abschließende Freigabe.
Die KI übernimmt mehr Arbeit. Gleichzeitig steigt der Anspruch an meine Urteilskraft.
Das ist die ironische Pointe: Je leistungsfähiger die Systeme werden, desto weniger kann ich es mir leisten, gedankenlos zu delegieren.
Was Agenten verändert haben – und was nicht
Agentische Systeme können – mit den passenden Werkzeugen und Berechtigungen – recherchieren, Dateien bearbeiten, Code ausführen oder Websites bedienen. Das fühlt sich an guten Tagen tatsächlich wie Zauberei an.
An anderen Tagen fehlt ein Zugriff, ein Prozess bleibt an einer Rückfrage hängen oder ein System löst mit beeindruckender Ausdauer das falsche Problem.
Ich habe daraus eine wichtige Unterscheidung gelernt:
- Eine starke Einzelaufgabe kann sehr zuverlässig funktionieren.
- Ein kontrollierter Workflow kann mehrere solcher Aufgaben verbinden.
- Ein autonomer End-to-End-Prozess muss zusätzlich Ausnahmen, Rechte, Fehler und Verantwortung beherrschen.
Die dritte Stufe ist nicht automatisch erreicht, nur weil die ersten beiden eindrucksvoll aussehen.
Das gilt für Website-Arbeit, Dokumente, Buchhaltung und Content gleichermaßen.
Ich bin deshalb heute gleichzeitig experimentierfreudiger und vorsichtiger.
Ich teste mehr. Ich veröffentliche nicht blind.
Sechs Lektionen aus vier Jahren KI-Arbeit
1. Material schlägt Themenvorgabe
„Schreib über Remote-Arbeit“ erzeugt einen allgemeinen Text.
Ein Diktat über einen konkreten Arbeitstag, ein Zeitprotokoll, eine Gegenposition und belastbare Forschung erzeugen eine Grundlage für einen eigenständigen Beitrag.
Die KI kann formulieren. Herkunft muss in den Prozess hinein.
2. Weniger Reibung ist ein legitimer Nutzen
Nicht jede Automatisierung muss sofort ein Meisterwerk produzieren. Wenn KI eine Transkription, erste Struktur, Tabellenbereinigung oder E-Mail-Vorlage vorbereitet, kann das bereits wertvoll sein.
Man muss nur ehrlich benennen, was verbessert wurde.
3. Modelle wechseln. Prinzipien tragen länger
Welche KI gerade am besten schreibt, programmiert oder recherchiert, kann sich schnell ändern. Deshalb vermeide ich, mein gesamtes System auf eine Rangliste zu bauen.
Langlebiger sind Fragen wie:
- Ist der Auftrag klar?
- Liegt Originalmaterial vor?
- Sind Quellen nachvollziehbar?
- Wer prüft?
- Was passiert bei einem Fehler?
- Wer gibt frei?
4. Ein zweites Modell ist ein Kritiker, keine Quelle
Gegenchecks helfen. Drei Modelle können unterschiedliche Lücken finden. Übereinstimmung beweist trotzdem nichts.
Die Außenwelt bleibt zuständig für Tatsachen.
5. Dokumentation ist Teil der Produktion
Wenn Entscheidungen, Versionen und offene Punkte nur im Gespräch leben, beginnt das nächste System wieder bei null.
Dokumentation von der KI für die KI ist deshalb kein Nebenprodukt mehr. Sie ist Arbeitsgedächtnis.
6. Urteilsvermögen ist nicht der Rest, der nach der Automation übrig bleibt
Es ist die zentrale menschliche Aufgabe.
Welche Idee verfolgt wird, welche Quelle trägt, welche Nuance vertretbar ist und ob etwas veröffentlicht wird – diese Entscheidungen werden nicht unwichtig, weil ein Modell schnellere Entwürfe liefert.
Sie werden wichtiger.
Was ich in den ersten Jahren falsch gemacht habe
Ich habe mich zu oft mit zweitklassigen Antworten zufriedengegeben.
Die erste Fassung war „ganz okay“, also ging ich weiter. Statt nachzufragen, mehr Material zu liefern oder die schwächste Behauptung anzugreifen, behandelte ich Geschwindigkeit als Abschlusskriterium.
Ich habe außerdem vorausgesetzt, dass Systeme Kontext kennen, den ich ihnen nie gegeben hatte.
Ich habe Modelllob zu ernst genommen. Eine KI, die einen Text großartig findet, ist kein Leser, Kunde oder Recruiter.
Und ich wollte Prozesse zu früh vollständig automatisieren. Besonders bei administrativen und technischen Aufgaben sah eine funktionierende Demonstration schnell aus wie ein fertiger Betrieb.
War sie nicht.
Diese Fehler waren nicht nutzlos. Sie haben mein System geformt.
Jede belastbare Regel begann irgendwann als Reibung.
Was gleich geblieben ist
Trotz aller technischen Sprünge hat sich ein Kern nicht verändert.
Die Idee beginnt bei mir.
Nicht zwingend als fertige These. Manchmal nur als Beobachtung: Warum passiert das? Wieso funktioniert dieser Ablauf nicht? Weshalb reden alle über das Tool und niemand über die Freigabe?
Die KI kann daraus Gegenfragen, Perspektiven und Strukturen entwickeln. Sie kann mich auf eine Verbindung stoßen, die ich übersehen habe.
Aber sie lebt nicht mein Leben. Sie steht nicht auf der Baustelle, führt nicht das Interview, verliert keinen Kunden und verantwortet keine Veröffentlichung.
Originale Erfahrung ist nicht automatisch klug. Sie ist trotzdem etwas anderes als synthetisch erzeugte Plausibilität.
Mein Ziel war nie, mich aus meiner Arbeit zu entfernen.
Mein Ziel war, weniger Zeit an leere Bildschirme, Wiederholungen und Verwaltung zu verlieren – und mehr Zeit für Ideen, Menschen, Recherche und Entscheidungen zu haben.
Was ich meinem Ich von 2022 sagen würde
Ich würde nicht sagen: Kauf sofort jedes Abo und automatisiere dein gesamtes Leben.
Ich würde sagen:
- Bleib neugierig. Die ersten schlechten Ergebnisse sind kein Endurteil.
- Nutze KI nicht wie Google. Liefere Ziel, Material und Kriterien.
- Sichere deine eigene Stimme. Diktate und echte Texte sind wertvoller als ein Stiladjektiv.
- Baue früh Projekte. Trenne Zwecke, Quellen und Risiken.
- Dokumentiere Entscheidungen. Sonst lernst du denselben Fehler mehrfach.
- Teste an echten Aufgaben. Nicht nur an beeindruckenden Demos.
- Gib dein Urteil nicht ab. Gerade dann nicht, wenn die Antwort hervorragend klingt.
Und ich würde mir sagen: Warte nicht darauf, dass die Technik „fertig“ ist.
Sie wird nicht fertig.
Die Systeme werden weiter wechseln. Die sinnvollere Fähigkeit besteht darin, ihre Möglichkeiten schnell einzuordnen, in einen kontrollierten Ablauf zu übersetzen und ebenso schnell wieder zu verwerfen, was nicht trägt.
Vom Experiment zum belastbaren KI-Workflow
Meine Entwicklung von Jasper zum KI-Operator war kein gerader Weg und keine zertifizierte Methode. Sie entstand aus echten Aufgaben, schlechten Ergebnissen, zu viel Begeisterung, Rückfragen, Korrekturen und zunehmend klareren Prozessen.
Die Tagesansicht dieses Systems zeige ich in Ein typischer Tag als KI-Operator. Die Wissens- und Prozessarchitektur dahinter beschreibe ich in Mein KI-Betriebssystem. Für Teams ist die KI-Strategie vom Use Case bis zum Pilot der sinnvollere Einstieg.
Ich unterstütze Content-Teams dabei, aus verstreuten Experimenten einen dokumentierten, kontrollierbaren Ablauf zu machen: KI-Workflows für Content-Teams.
Schilder mir kurz, welche KI-Arbeit heute schon läuft und woran sie im Alltag hängen bleibt.
Quellen und weiterführende Hinweise
- OpenAI: Einführung von ChatGPT am 30. November 2022
- OpenAI: Whisper und automatische Spracherkennung
- OpenAI: Projects in ChatGPT
- Anthropic: AI Fluency Framework
- NIST: Generative AI Profile zum AI Risk Management Framework
Transparenz: Der Beitrag ist ein persönlicher Rückblick. Er beschreibt keine repräsentative Entwicklung aller KI-Nutzer und bewertet keine aktuellen Modelle gegeneinander. Produktfunktionen verändern sich; die beschriebenen Prinzipien sind bewusst langlebiger formuliert.
