Seit gut drei Jahren hört man den gleichen Satz, nur mit wechselndem Absender: der Nachbar, der Vorstand, der Praktikant, der Minister. „Das lösen wir mit KI.“ Meistens folgt darauf ein Nicken im Raum, so als hätte man gerade eine Strategie beschlossen. Hat man nicht. Man hat einen Wunsch geäußert, ungefähr so präzise wie „das regeln wir mit Internet“ im Jahre 1998.
Genau dafür ist der Titel dieses Artikels gedacht: KI – jo eh. Diese typisch österreichische Mischung aus Zustimmung und Resignation, die man von sich gibt, wenn jemand etwas Offensichtliches behauptet, ohne die Konsequenz verstanden zu haben. Ja eh, KI kann vieles. Aber „kann vieles“ ist kein Plan.
Es geht nicht mehr ums Prompten
Der erste Reflex vieler Unternehmen war: Wir schulen unsere Leute im Prompten, dann passt das schon. Das war bis weit ins Jahr 2025 hinein auch richtig, gutes Prompten hat lange den Unterschied gemacht. Erst mit den neueren Modellgenerationen verschiebt sich das: Sie sind gutmütiger, forgivender, kontextsensitiver geworden. Ein mittelmäßiger Prompt liefert heute oft ein brauchbares Ergebnis.
Der eigentliche Engpass liegt davor: in der Frage, was das Ziel überhaupt präzise ist, nicht „wir wollen effizienter werden“, sondern ein konkretes, überprüfbares Ergebnis. Und in der Frage, welche Daten dafür wie, wo und in welcher Qualität vorliegen. Wer nicht weiß, ob seine Datenbasis strukturiert oder verstreut, sauber oder verschmutzt, zugänglich oder in fünf Silos gefangen ist, kann die beste KI-Anwendung der Welt einsetzen, das Ergebnis bleibt trotzdem Zufall. Garbage in, überzeugend klingender Garbage out.
Warum Erfahrene bessere Ergebnisse bekommen
Eine Beobachtung, die sich in fast jedem Projekt bestätigt: Fachexperten mit viel Erfahrung, in ihrem Bereich, aber auch schlicht im Leben, erzielen mit KI deutlich bessere Resultate als Neulinge. Nicht weil sie besser formulieren, sondern weil sie merken, wenn etwas falsch klingt. Sie haben ein inneres Referenzsystem, an dem sie die Ausgabe der KI spiegeln können. Wer diese Referenz nicht hat, übernimmt ungeprüft, was plausibel klingt, und plausibel ist bei generativen Modellen fast immer garantiert, korrekt nicht.
Das erinnert stark an eine Beobachtung aus dem Software-Umfeld, die ich kürzlich gelesen habe und die sich exakt aufs Thema KI im Allgemeinen übertragen lässt: Der Begriff „Vibe-Coding“ führt in die Irre, weil er suggeriert, das Modell sei der eigentliche Urheber, dabei ist es ein stochastischer Generator, der innerhalb menschlich gesetzter Architektur-Leitplanken arbeitet. Der eigentliche Engpass war nie das Erzeugen von Code, sondern Systemdesign, Zustandsverwaltung, Schnittstellen, Abhängigkeiten, Verifikation, langfristige Wartbarkeit. Die entscheidende Frage lautet nicht „kann die KI das schreiben?“, sondern „kann ich eine Pipeline bauen, in der spezialisierte Modelle generieren, kritisieren, testen, überarbeiten und gegenseitig prüfen, während ich als Architekt die Kontrolle behalte?“ Wer so denkt, vibe-codet nicht mehr, er entwirft ein kognitives Infrastruktursystem.
Übertragen auf jede andere KI-Anwendung im Unternehmen: Der Code war nie das Schwierige. Und der Prompt ist es auch nicht. Schwierig ist das Systemdenken davor.
Ohne Erfahrung wird’s schwer
Das ist die unbequeme Botschaft: KI verstärkt vorhandene Kompetenz, sie ersetzt sie nicht. Ein erfahrener Buchhalter erkennt einen KI-Fehler in der Kontierung sofort. Ein erfahrener Texter erkennt eine hohle Formulierung sofort. Wer diese Erfahrung nicht hat, bekommt zwar schneller ein Ergebnis, aber nicht zwangsläufig ein besseres. Genau hier liegt die eigentliche Kluft zwischen Unternehmen, die von KI profitieren, und solchen, die nur mehr Output produzieren.
Also: Wo fängt man an?
Bei der Ausbildung. Und zwar früh. KI-Kompetenz gehört nicht als eigenes Fach in die Unterstufe gepresst, sondern quer durch jedes Fach kritisch eingesetzt, im Deutschunterricht genauso wie in Mathematik oder Geschichte, mit der Frage „stimmt das, was die KI sagt, und woher weiß ich das?“ als ständigem Begleiter. Wer das nicht früh lernt, lernt es später mühsamer.
Für Unternehmen gilt dasselbe Prinzip, nur mit höherem Einsatz. Weiterbildung darf sich nicht auf Tool-Schulungen beschränken, sondern muss Governance und Ethik mitdenken: Wer haftet, wenn die KI falsch liegt? Welche Daten dürfen überhaupt in ein Modell? Wo endet der sinnvolle Automatisierungsgrad? Genau das vermittle ich in meinen Workshops, nicht als Alibi-Modul, sondern als Kern.
Und ein Punkt, der in der öffentlichen Debatte viel zu kurz kommt: Für Unternehmen, die mit sensiblen Daten arbeiten (Kanzleien, Hausverwaltungen, Ordinationen), ist ein geschlossenes System kein Nice-to-have, sondern ein handfester Wettbewerbsvorteil. Das eigene System lernt intern und wird immer wertvoller. Keine Kommunikation mit externen LLMs, volle Kontrolle über die eigene Datensouveränität, nachvollziehbare Verarbeitung. Das ist der Unterschied zwischen einem Tool, das man einsetzen kann, und einem, das man einsetzen darf.
In den kommenden Beiträgen nehme ich mir einzelne Stränge vor: Zieldefinition vor Tooleinsatz, Datenstrategie als Vorarbeit, die Rolle von Governance und Ethik in der Weiterbildung, geschlossene Systeme im Detail, und warum KI im Klassenzimmer anders gedacht werden muss als im Büro.