Wie man KI-Workflows für Wissensarbeit außerhalb der Softwareentwicklung nutzt

Warum das wichtig ist

Viele Menschen nutzen KI heute zum Entwerfen, Zusammenfassen, Umschreiben, Gliedern und Prüfen von Dokumenten. Das kann nützlich sein, beginnt aber oft als informelle Gewohnheit aus Prompt und Antwort.

Für einfache Aufgaben kann das ausreichen.

Für ernsthafte Arbeit gewöhnlich nicht.

Akademisches Schreiben, Bildungsmaterial, technische Dokumentation, juristisches Schreiben, Policy-Arbeit und andere wissensintensive Tätigkeiten profitieren alle von klarerer Struktur. Ein spezifikationsgetriebener Workflow hilft, indem er Erwartungen explizit macht, bevor zu viel Inhalt erzeugt wird.

Mit der Spezifikation beginnen, nicht mit dem Entwurf

Eine nützliche Spezifikation für nicht-softwarebezogene Arbeit enthält oft:

• Ziel
• Zielgruppe
• Umfangsgrenzen
• Terminologieregeln
• Qualitätserwartungen
• Evidenzanforderungen
• Compliance- oder Freigabeanforderungen
• Veröffentlichungsgrenzen

Beispiele:

• ein Forschungsartikel kann Zitationsstil, Evidenzschwellen und Journal-Formatierungsregeln benötigen
• ein Lehrleitfaden kann Altersgruppe, Vorwissen, Erwartungen an Barrierefreiheit und Lernergebnisse benötigen
• ein Policy-Memo kann freigegebene Terminologie, Annahmen über die Zielgruppe und eine entscheidungsorientierte Struktur benötigen
• ein regulatorisches oder juristisches Dokument kann Gerichtsbarkeit, verpflichtende Klauseln und Review-Checkpoints benötigen

Es geht nicht darum, die längstmögliche Spezifikation zu schreiben. Es geht darum, Mehrdeutigkeit zu entfernen, die sonst durch generische Annahmen gefüllt würde.

Ein praktischer Workflow

Die meisten realen Workflows sind eher iterativ als linear.

Verwenden Sie einen Zyklus wie diesen:

1. Ziel definieren
2. eine schlanke Spezifikation entwerfen
3. einen Entwurf erzeugen
4. den Entwurf kritisch prüfen
5. die Spezifikation verfeinern
6. wo möglich Validierung oder Prüfungen ausführen
7. wiederholen, bis das Ergebnis akzeptabel ist

Die Spezifikation wird oft erst durch die Arbeit selbst klarer. Das ist normal.

Interaktive KI zuerst nutzen, wenn sie ausreicht

Sie brauchen keinen fortgeschrittenen agentischen Aufbau, um zu beginnen.

Interaktive webbasierte KI kann bereits helfen bei:

• dem Entwerfen von Spezifikationen
• dem Prüfen von Gliederungen
• dem Erkennen fehlender Abschnitte
• dem Vergleichen alternativer Strukturen
• dem Vorschlagen von Validierungsstrategien
• dem Umschreiben für Ton oder Zielgruppe
• dem Sichtbarmachen von Widersprüchen oder vagen Annahmen

Das ist ein natürlicher Einstiegspunkt, kein minderwertiger.

Für viele Autorinnen, Autoren, Editoren, Lehrkräfte und Analysten bleibt interaktive KI nützlich, auch wenn anderswo fortgeschrittenere Workflows existieren.

Kontext in dauerhaften Artefakten bewahren

Wenn die Arbeit wichtig ist, bewahren Sie nicht nur das Enddokument auf.

Bewahren Sie auch auf:

• die Spezifikation
• wichtige Review-Kommentare
• Validierungsergebnisse
• Evidenznotizen
• ungelöste Fragen
• Freigabeentscheidungen

Markdown ist dafür oft praktisch, weil es lesbar, portabel, diff-freundlich und werkzeugübergreifend leicht wiederverwendbar ist. Es ist nicht das einzige gültige Format, aber häufig ein dauerhaftes.

Das Ziel ist, Kontext in einer Form zu bewahren, die Menschen prüfen und KI-Systeme wiederverwenden können.

Wenn interaktive KI an Grenzen stößt

Größere Projekte zeigen oft zwei Grenzen.

Erstens ist Kontext endlich. Es wird schwierig, jede Quelle, jede Notiz, jeden Review-Befund und jede Einschränkung in einer einzigen Unterhaltung aktiv zu halten.

Zweitens sind Werkzeuge begrenzt. Breite interaktive Plattformen bieten möglicherweise nicht genau die Validatoren oder domänenspezifische Software, die ein Workflow benötigt.

Hier werden agentischere Workflows nützlich. Sie können bei Bedarf relevante Dokumente abrufen, spezialisierte Werkzeuge aufrufen und über größere Materialbestände hinweg weiterarbeiten.

Das wichtige Prinzip ist einfach:

Das Ziel ist nicht unbedingt, mehr Information gleichzeitig bereitzustellen, sondern die richtige Information dann bereitzustellen, wenn sie gebraucht wird.

Werkzeuge als Schnittstellen zu spezialisierten Systemen verstehen

KI funktioniert oft am besten, wenn sie spezialisierte Werkzeuge koordiniert, statt zu versuchen, sie zu ersetzen.

Je nach Fachgebiet können diese Werkzeuge umfassen:

• Rechtschreib- und Sprachqualitätswerkzeuge
• OCR-Systeme
• Zitationsvalidatoren
• Validatoren für Barrierefreiheit
• Browser-Automatisierung
• Diagrammwerkzeuge
• TeX- oder LaTeX-Toolchains
• Statistiksoftware
• Dokumentenveröffentlichungssysteme

Das KI-System liefert Koordination und Schlussfolgern, während spezialisierte Werkzeuge domänenspezifische Arbeit ausführen.

Validatoren helfen, Standards zu bewahren

Validatoren sind Prüfungen, die bewerten, ob ein Dokument einen Teil seiner Spezifikation erfüllt.

Beispiele sind:

• Prüfungen der Sprachqualität
• Zitationsprüfungen
• Prüfungen der Barrierefreiheit
• Publishing-Prüfungen
• Compliance-Prüfungen
• Terminologieprüfungen

Validatoren ersetzen keine menschliche Review. Sie machen wiederkehrende Standards wiederholbarer.

Das ist besonders in Organisationen wichtig. Validatoren überdauern oft einzelne Projekte und werden zu wiederverwendbaren Assets, die institutionelle Erwartungen über die Zeit bewahren.

Gleichzeitig ist es vernünftig, dass viele Autorinnen und Autoren ihre eigenen Validatoren nicht selbst bauen. Institutionen, Verlage, Forschungsteams und Plattformteams können sie als gemeinsame Infrastruktur bereitstellen.

Die menschliche Rolle verschwindet nicht

KI kann dabei helfen, Text zu erzeugen, neu zu organisieren, zu transformieren, zu vergleichen und zu kritisieren.

Menschen bleiben dennoch verantwortlich für:

• Ziele definieren
• Prioritäten setzen
• Abwägungen treffen
• Outputs freigeben
• beurteilen, ob das Ergebnis tatsächlich gut genug ist

In der Praxis handelt der Mensch gewöhnlich als Reviewer, Editor, Fachexperte und Entscheidungsträger.

Übung

Wählen Sie eine nicht-softwarebezogene Aufgabe und schreiben Sie eine einseitige Spezifikation dafür.

Geeignete Beispiele sind:

• ein Vorlesungshandout
• ein Forschungsabstract
• ein Policy-Memo
• ein technisches Tutorial
• eine Compliance-Checkliste

Nehmen Sie auf:

1. Ziel
2. Zielgruppe
3. Umfang
4. Terminologieregeln
5. Qualitätserwartungen
6. Evidenz- oder Zitationserwartungen
7. Review- oder Freigabeanforderungen

Nutzen Sie dann einen KI-Assistenten, um aus dieser Spezifikation einen Entwurf zu erzeugen.

Prüfen Sie den Output zuerst gegen die Spezifikation, bevor Sie Stilpräferenzen prüfen. Diese Reihenfolge ist wichtig.

Weiterführende Lektüre

• ../../wiki/de/ai-assisted-knowledge-work.md
• ../../wiki/de/spec-driven-development.md
• ../../wiki/de/markdown-in-product-development.md
• ../../wiki/de/validation-layers.md
• ../../blog/de/ai-workflows-beyond-software.md
• ../../blog/de/governance-trust-and-security-in-ai-workflows.md