Ich arbeite mit KI, nicht die KI mit mir. Klare Ansage: KI ist ein Werkzeug. Es liefert Tempo, Reichweite und Präzision – aber nur, wenn ich die Regeln setze. Kein Hype, kein Zauber. Handwerk.
Worum es wirklich geht
Die meisten scheitern nicht an der KI, sondern an fehlenden Zielen, schlechten Daten und null Prozessen. Reihenfolge: Ziel → Daten → Prozess → KI. Erst wenn klar ist, was erreicht werden soll, welche Daten erlaubt und verfügbar sind und wie die Ergebnisse gemessen werden, kommt das Modell ins Spiel.
Prinzip 1: Ergebnis vor Modell
Ich definiere messbare Ziele (z. B. „Antwortzeit im Support < 2 Minuten, Zufriedenheit > 4,5/5“) und wähle erst dann die Werkzeuge. Kein Tool-Shopping.
Prinzip 2: Datenhoheit und DSGVO
Daten bleiben unter Kontrolle: Pseudonymisierung, minimale Zugriffe, Löschkonzepte, Audit-Logs. Wenn möglich On-Prem oder EU-Cloud. Ohne sauberes Datenmodell ist jede KI nur ein Ratespiel.
Prinzip 3: Guardrails statt Hoffnung
Feste Systemprompts, Rollen, erlaubte Wissensquellen. Blacklists/Whitelists. Ausgaben werden gefiltert und nötigenfalls verworfen. Lieber keine Antwort als eine falsche.
Prinzip 4: Mensch im Loop
Recht, Geld, Sicherheit laufen nie vollautomatisch. Freigaben, Vier-Augen-Prinzip, klare Eskalation. KI unterstützt, entscheidet nicht über Dinge mit echten Folgen.
Prinzip 5: Evaluieren, nicht glauben
Qualität wird gemessen: Golden-Sets, Trefferquote, Halluzinationsrate, Kosten pro Aufgabe. Änderungen am Prompt/Modell werden versioniert und gegen dieselben Tests gefahren. Ohne Zahlen ist alles Meinung.
Prinzip 6: Kosten unter Kontrolle
Workflows sind cost-aware: Caching, Kompression, Kontext kürzen, passendes Modell je Stufe. Fail-fast, Timeouts, Fallbacks. Ziel: verlässliche Ergebnisse ohne verbranntes Budget.
Prinzip 7: Sicherheit als Grundlinie
Rate-Limits, Eingabefilter, Ausgabemoderation, Secrets im Vault, getrennte Rollen für Lesen/Schreiben. Prompt-Injection wird erwartet. Logging ist Pflicht.
Prinzip 8: Transparenz gegenüber Nutzern
Wo KI arbeitet, wird es gesagt. Nutzer sehen, was die Maschine weiß, was nicht und wie mit Fehlern umgegangen wird.
Prinzip 9: Kleine Schritte, echte Wirkung
Ich baue iterativ: ein schlanker Use-Case, stabilisieren, ausrollen. Lieber drei robuste Automationen als zehn Baustellen.
So setze ich KI konkret ein
- Support/Helpdesk: Standardfragen aus gesicherten Wissensquellen. Handover an Menschen bei Unsicherheit > X % oder Schlüsselwörtern.
- Content & SEO: Briefing, Outline, Faktenbasis und Quellen zuerst. KI generiert Varianten, Faktencheck bleibt menschlich.
- Code & Automatisierung: KI macht Vorschläge, Architektur und Tests kommen von mir. Security-Checks laufen automatisch.
- Datenaufbereitung: Parsing, Normalisierung, ETL. Referenzwerte und Validierungen sind starr definiert.
Minimal-Checkliste für reale Projekte
- Ziel in einem Satz, KPI in einer Zahl.
- Datenquellen klar (Rechte, Speicherort, Löschung).
- Guardrails dokumentiert (erlaubt/verboten, Fallbacks).
- Eval-Set vorhanden (10–50 echte Fälle, regelmäßig erweitert).
- Kostenobergrenzen pro Task.
- Logs aktiv, Monitoring mit Alerts.
- Human-Review definiert: wann, wer, wie.
- Go/No-Go-Kriterien vor Livegang.
Fazit
„Ich arbeite mit KI“ heißt: Ich bestimme Zweck, Rahmen und Qualität. Die Maschine liefert Rohleistung, ich liefere Führung. So wird es zuverlässig, skalierbar und rechtssicher.