KI-Workflows außerhalb der Softwareentwicklung

Über KI-gestützte Arbeit wird oft so gesprochen, als liege ihr natürlicher Einsatzort in der Softwareentwicklung. Das ist verständlich. Softwareteams haben Coding-Assistenten schnell übernommen, und die sichtbarsten Beispiele betreffen oft Repositories, Tests und Automatisierung.

Aber das tiefere Muster reicht weiter als Software.

Dieselbe spezifikationsgetriebene Logik gilt auch für Forschung, akademisches Schreiben, Bildungsmaterial, technische Dokumentation, juristisches Schreiben, Policy-Arbeit und andere Formen ernsthafter Wissensarbeit. In all diesen Bereichen besteht das zentrale Problem nicht einfach darin, schneller Text zu erzeugen. Das eigentliche Problem ist, komplexe Arbeit an Zweck, Standards, Evidenz und Review auszurichten.

Spezifikationen sind nicht nur für Funktionen da

In der Software beschreibt eine Spezifikation oft Verhalten. Außerhalb der Software kann eine Spezifikation die beabsichtigten Eigenschaften eines Dokuments oder Wissensartefakts beschreiben.

Dazu können gehören:

• Ziel
• Zielgruppe
• Umfangsgrenzen
• Terminologie
• Ton
• Qualitätsschwelle
• Evidenzerwartungen
• Anforderungen an Barrierefreiheit
• Compliance- oder Veröffentlichungsregeln

Das ist vielen Berufen bereits vertraut, auch wenn sie nicht den Ausdruck spec-driven development verwenden.

Forschende arbeiten gegen Einreichungsregeln und Evidenzstandards. Lehrkräfte arbeiten gegen Lernergebnisse und Anforderungen an Barrierefreiheit. Dokumentationsteams arbeiten gegen Struktur, Terminologie, Versionierung und Screenshot-Richtlinien. Juristische und Policy-Teams arbeiten gegen Gerichtsbarkeit, Klauselanforderungen, Freigaben und Review-Ketten.

Was KI verändert, ist die Geschwindigkeit, mit der aus vager Absicht plausibler Output wird.

Genau deshalb wird explizite Spezifikation nützlicher, nicht weniger nützlich.

Interaktive KI ist ein vernünftiger Einstiegspunkt

Viele Menschen beginnen mit webbasierten KI-Systemen. Dafür muss man sich nicht entschuldigen. Es ist oft der richtige Ausgangspunkt.

Interaktive KI kann bereits helfen bei:

• dem Entwerfen einer Spezifikation
• der Kritik an einem Entwurf
• dem Identifizieren fehlender Annahmen
• dem Vergleichen alternativer Strukturen
• dem Vorschlagen von Validierungsideen
• dem Umschreiben für Zielgruppe oder Ton

Für viele einmalige Dokumente reicht das möglicherweise aus. Eine Lehrkraft, die eine Unterrichtsskizze vorbereitet, oder eine Forscherin, die ein Abstract überarbeitet, braucht vielleicht nichts Fortgeschritteneres.

Der Fehler liegt nicht darin, dort zu beginnen. Der Fehler liegt darin anzunehmen, dass ein produktiver erster Schritt bereits den gesamten Workflow darstellt.

Warum es wichtig ist, Kontext zu bewahren

Klassische Dokumenten-Workflows bewahren oft nur das Endartefakt. Der Entwurf wird ersetzt, Kommentare verschwinden, und die Begründung hinter zentralen Entscheidungen lässt sich später nur schwer rekonstruieren.

Spezifikationsgetriebene KI-Workflows fördern es, mehr vom umgebenden Kontext zu bewahren:

• die Spezifikation
• wichtige Annahmen
• Review-Befunde
• Validierungsergebnisse
• Evidenznotizen
• Freigabeentscheidungen

Markdown ist dafür oft ein praktisches Format, weil es leicht lesbar, gut diffbar und systemübergreifend wiederverwendbar ist. Es ist nicht das einzige nützliche Format, aber häufig ein dauerhaftes.

Diese Beständigkeit ist wichtig, weil KI-gestützte Arbeit verlässlicher wird, wenn der umgebende Kontext prüfbar bleibt, statt in kurzlebigen Unterhaltungen zu verschwinden.

Warum reale Workflows iterativ werden

KI-Diskussionen werden manchmal so dargestellt, als schreibe die Nutzerin oder der Nutzer einen starken Prompt und erhalte ein starkes Ergebnis.

Reale Arbeit ist gewöhnlich unordentlicher.

Das Ziel verschiebt sich. Die Einschränkungen werden klarer. Das Review legt fehlende Anforderungen offen. Validierung zeigt ein strukturelles Problem. Neue Stakeholder bringen Bedenken ein, die zu Beginn nicht sichtbar waren.

Darum sieht ein realistischer Workflow eher so aus:

1. Ziel definieren
2. die Spezifikation entwerfen
3. ein erstes Ergebnis erzeugen
4. kritisch prüfen
5. die Spezifikation verfeinern
6. den Output validieren
7. wiederholen

Das ist keine Ineffizienz. So wird ernsthafte Wissensarbeit in der Regel präziser.

Die menschliche Rolle wird klarer, nicht kleiner

KI kann beim Entwerfen, Organisieren, Umschreiben, Vergleichen und Prüfen helfen. Sie kann schnell Alternativen vorschlagen und verborgene Inkonsistenzen sichtbar machen.

Aber der Mensch bleibt verantwortlich für die Arbeit, auf die es tatsächlich am meisten ankommt:

• das Ziel wählen
• die Priorität festlegen
• Abwägungen treffen
• das Ergebnis freigeben
• das Risiko von Veröffentlichung oder Handlung tragen

In der Praxis wird der Mensch zu einer expliziteren Reviewer-, Editor- und Entscheidungsrolle.

Jenseits des Gesprächs: Werkzeuge und Validatoren

Größere Workflows brauchen gewöhnlich mehr als Gespräch.

Manche Projekte brauchen Zitationsvalidierung. Manche brauchen OCR. Manche brauchen Accessibility-Review. Manche brauchen Diagrammerzeugung, Browser-Automatisierung, Statistikwerkzeuge, Veröffentlichungspipelines oder TeX- und LaTeX-Workflows.

Hier funktioniert KI oft am besten als Koordinator statt als Ersatz. Das KI-System liefert Schlussfolgern und Orchestrierung, während spezialisierte Werkzeuge domänenspezifische Aufgaben ausführen.

Validatoren sind hier besonders wichtig. Sie ersetzen keine Inhaltsqualität, aber sie helfen, stabile Standards zu bewahren. Ein Zitationsvalidator, eine Sprachqualitätsprüfung, ein Regelwerk für Barrierefreiheit oder ein Publishing-Validator kann viele künftige Projekte unterstützen, lange nachdem die ursprüngliche Arbeit abgeschlossen ist.

Das ist ein Grund, warum Validatoren oft zu langlebigen organisatorischen Assets werden.

Beispiele nach Möglichkeit lokalisieren

Wenn der Workflow selbst mehrsprachig ist, sollten die Beispiele gewöhnlich ebenfalls mehrsprachig sein.

Lesende sollten nicht jeden illustrativen Ausschnitt gedanklich übersetzen müssen, während sie versuchen, den eigentlichen Prozess zu verstehen. Ausnahmen gibt es bei Firmennamen, Produktnamen, Standards, Befehlen, Code und Protokollnamen, aber unnötiges Englisch in lokalisiertem Material erhöht die kognitive Last ohne großen Nutzen.

Das ist wichtig, weil spezifikationsgetriebene Arbeit nicht nur Struktur betrifft. Sie soll auch vermeidbare Reibung für die Menschen verringern, die den Prozess tatsächlich nutzen müssen.

Die dauerhafte Lehre

Die wichtigste Lehre ist einfach.

KI-gestützte Wissensarbeit wird verlässlicher, wenn Absicht festgehalten, Kontext bewahrt, Review explizit gemacht und Validierung an reale Standards gekoppelt wird.

Dieses Prinzip gilt für Software, aber ebenso weit über Software hinaus.

Weiterführende Lektüre

• ../../wiki/de/ai-assisted-knowledge-work.md
• ../../wiki/de/spec-driven-development.md
• ../../learning/de/how-to-use-ai-workflows-for-non-software-knowledge-work.md
• governance-trust-and-security-in-ai-workflows.md